El aprendizaje multi-instancia es una generalización del aprendizaje supervisado, donde cada ejemplo se representa por una bolsa etiquetada formada por un conjunto de instancias. Varios métodos de aprendizaje multi-instancia transforman cada bolsa en una única instancia para luego aplicar métodos de aprendizaje supervisado estándar. En este trabajo se presenta un nuevo método de aprendizaje multi-instancia que transforma los datos multi-instancia inspirado en la minería de textos. El método propuesto transforma los datos multi-instancia en una representación atributo-valor tradicional mediante la creación de un corpus de documentos formados por palabras artificiales para reducir la pérdida de información durante el proceso de transformación. Además, se evaluó experimentalmente el método propuesto utilizando nueve conjuntos de datos multi-instancia y dos métodos de aprendizaje que transforman los datos multi-instancia a una representación atributo-valor tradicional. El estudio experimental realizado indica que, en términos de precisión de la clasificación, el método propuesto es competitivo con los métodos de aprendizaje utilizados en la comparación.