Análisis de sentimientos en Twitter

Abstract

El análisis de sentimientos ayuda a determinar la percepción de usuarios en diferentes aspectos de la vida cotidiana, como preferencias de productos en el mercado, nivel de confianza de los usuarios en ambientes de trabajo, o preferencias políticas. La idea es predecir tendencias o preferencias basados en sentimientos. En este artículo evaluamos las técnicas más comunes usadas para este tipo de análisis, considerando técnicas de aprendizaje de máquina y aprendizaje de máquina profundo. Nuestra contribución principal se basa en una propuesta de una estrategia metodológica que abarca las fases de preprocesamiento de datos, construcción de modelos predictivos y su evaluación. De los resultados, el mejor modelo clásico fue SVM, con 78% de precisión, y 79% de métrica F1 (F1 score). Para los modelos de Deep Learning, con mejores resultados fueron los modelos clásicos. El modelo con mejor desempeño fue el de Deep Learning Long Short Term Memory (LSTM), alcanzando un 88% de precisión y 89% de métrica F1. El peor de los modelos de Deep Learning fue el CNN, con 77% de precisión como de métrica F1. Concluyendo que, el algoritmo Long Short Term Memory (LSTM) demostró ser el mejor rendimiento, alcanzando hasta un 89% de precisión.

Capítulo 2. Inteligencia Artificial y educomunicación

“…En el ámbito de las redes sociales en línea, sitios destacados como Twitter han implementado técnicas proactivas para mejorar la experiencia del usuario (Lovera;Cardinale, 2023). En su esfuerzo por crear un espacio digital más seguro, han implementado tecnologías de IA para identificar y moderar contenidos perjudiciales.…”

Herramienta de estimación de la confiabilidad de clientes potenciales del sector financiero mediante el uso de técnicas de análisis de sentimientos y lógica difusa

“…Entre tanto, las técnicas de análisis de sentimientos son usadas en esta investigación para el análisis de la polaridad de las respuestas del prestatario. En este sentido, estas técnicas pueden definirse como una rama de la computación afectiva, la cual permite extraer de manera automática información subjetiva expresada en textos, permitiendo identificar las connotaciones positivas o negativas presentes en estos [23], [24]. Finalmente, se utilizó la lógica difusa para determinar el grado de confiabilidad del prestatario, la cual puede ser entendida como una rama de la inteligencia artificial basada en lógica multivaluada que permite representar matemáticamente los valores de incertidumbre proporcionando herramientas formales para su estudio, con lo cual se logra la clasificar valores ambiguos, imprecisos o vagos [25].…”

Modelo de clasificación de depresión en Tweets usando BERT

“…Luego los textos a ser clasificados se dividen y se busca en los diccionarios para obtener su respectivo resultado. Ejemplo de este se da en el estudio de Taboada, donde haciendo uso de un diccionario previamente clasificado con polaridades y sus respectivas puntuaciones, luego el sistema extrae las palabras que tienen información de sentimiento mediante un análisis de adverbios, verbos y adjetivos, después se busca sus respectivas puntuaciones para así tener calcular el sentimiento global [10].…”

“…Otra desventaja es que se debe tener un gran diccionario con un inmenso contenido de palabras con calificaciones, el cual puede ser muchas veces difícil de construir y consultar. [10].…”