Los sitios de preguntas y respuestas comunitarias (cQA) tienen una necesidad urgente de ser cada vez más eficientes en (a) ofrecer contenido contextualizado/personalizado y (b) vincular preguntas abiertas con personas dispuestas a responder. Las ideas más recientes con respecto a alcanzar este objetivo combinan factores demográficos (es decir, género) con redes neuronales profundas. En esencia, estudios recientes han demostrado que altas tasas de clasificación de género son perfectamente viables al modelar de manera independiente imágenes de perfil o interacciones textuales. Este artículo avanza en este cuerpo de conocimiento aprovechando transformadores bimodales que fusionan señales de género de texto e imágenes. Los resultados cualitativos sugieren que (a) los avatares de perfil refuerzan uno de los géneros manifestados a través de entradas textuales, (b) su contribución positiva crece en paralelo con el número de miembros de la comunidad que proporcionan esta imagen, y (c) su uso podría ser perjudicial si el objetivo es distinguir perfiles desechables/falsos. Desde un punto de vista cuantitativo, ViLT demostró ser una mejor alternativa al lidiar con conjuntos de datos escasos como Stack Exchange, mientras que CLIP y FLAVA sobresalen con una colección a gran escala, a saber, Yahoo! respuestas y Reddit.