{"id":5592,"date":"2022-01-24T18:42:43","date_gmt":"2022-01-24T18:42:43","guid":{"rendered":"https:\/\/transferencia.tec.mx\/?p=5592"},"modified":"2023-09-11T00:54:16","modified_gmt":"2023-09-11T00:54:16","slug":"analisis-de-sentimientos-en-redes-sociales","status":"publish","type":"divulgacion-ciencia","link":"https:\/\/tecscience.tec.mx\/es\/divulgacion-ciencia\/analisis-de-sentimientos-en-redes-sociales\/","title":{"rendered":"An\u00e1lisis de sentimientos en redes sociales"},"content":{"rendered":"

Por \u00c9dgar Le\u00f3n<\/strong>
\n<\/strong><\/em><\/p>\n

Pero \u00bfC\u00f3mo es que funciona esto? y, \u00bfPara qu\u00e9 lo pudi\u00e9ramos utilizar? Para contestar estas preguntas, primero necesitamos algunas definiciones, comenzando con su importancia.<\/p>\n

An\u00e1lisis de sentimientos<\/h2>\n

El an\u00e1lisis de sentimientos recientemente ha visto un enorme incremento en popularidad, esto sucede principalmente por dos razones importantes:<\/p>\n

    \n
  1. La adopci\u00f3n de aprendizaje autom\u00e1tico profundo. Estas son un tipo de redes neuronales, y aunque no profundizaremos en ellas, es suficiente decir que estas son muy buenas para esta tarea y que solo recientemente se ha hecho posible utilizar estas tecnolog\u00edas gracias a la gran cantidad de datos disponibles, y al incremento en capacidad computacional.<\/li>\n
  2. El desarrollo de mejores representaciones vectoriales de texto. Investigadores en Google descubrieron una manera de representar texto como vectores que mantiene informaci\u00f3n sem\u00e1ntica (Mikolov et al., 2013), lo que es muy \u00fatil para el clasificador al momento de tomar decisiones, pues nos proporciona una mejor representaci\u00f3n del texto.<\/li>\n<\/ol>\n

    Estos dos puntos han acelerado enormemente la adopci\u00f3n de estos an\u00e1lisis en pr\u00e1cticamente todos los sectores, y son muy populares para monitorear la moral comunitaria, clasificaci\u00f3n y diagn\u00f3stico en las rese\u00f1as de productos y atenci\u00f3n a clientes, por nombrar solo algunas. Hablaremos m\u00e1s de ello m\u00e1s adelante, por ahora volvamos a definir en qu\u00e9 consiste esto del an\u00e1lisis de sentimientos.<\/p>\n

    El an\u00e1lisis de sentimientos es un sistema al cual alimentamos con texto natural de cualquier longitud, es decir, lo podemos alimentar con una oraci\u00f3n, un p\u00e1rrafo, o todo un libro, y este nos devuelve la intensidad de los sentimientos que muestra dicho texto. El conjunto de sentimientos que podemos detectar de esta manera es llamado taxonom\u00eda de sentimientos, y c\u00f3mo hacer esta clasificaci\u00f3n es dif\u00edcil, verdaderamente<\/span> solo podemos detectar emociones b\u00e1sicas, es decir, el conjunto de emociones a partir de las cuales podemos formular todas las dem\u00e1s. Los ling\u00fcistas a\u00fan est\u00e1n en discusi\u00f3n sobre la definici\u00f3n de cu\u00e1les sentimientos pueden ser considerados b\u00e1sicos, por lo que existen diversos modelos. Ekman, quien es considerado como la mayor autoridad en el \u00e1rea, define las siguientes emociones b\u00e1sicas: alegr\u00eda, tristeza, miedo, enojo, disgusto, desprecio y sorpresa (Tracy y Randles, 2011). Pero, en su mayor parte es suficiente tener una sola dimensi\u00f3n que describa qu\u00e9 tan positivo, negativo, o neutral es el texto. A continuaci\u00f3n, se muestra una tabla con un resumen de estos modelos.<\/p>\n

    Emociones b\u00e1sicas de acuerdo con cada modelo:<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
    IZARD<\/strong><\/td>\nPANKSEPP y WATT<\/strong><\/td>\nLEVENSON<\/strong><\/td>\nEKMAN y CORDARO<\/strong><\/td>\n<\/tr>\n
    <\/td>\n<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
    Felicidad<\/td>\nJuego<\/td>\nDiversi\u00f3n<\/td>\nFelicidad<\/td>\n<\/tr>\n
    Tristeza<\/td>\nP\u00e1nico\/Luto<\/td>\nTristeza<\/td>\nTristeza<\/td>\n<\/tr>\n
    Miedo<\/td>\nMiedo<\/td>\nMiedo<\/td>\nMiedo<\/td>\n<\/tr>\n
    Ira<\/td>\nIra<\/td>\nIra<\/td>\nIra<\/td>\n<\/tr>\n
    Disgusto<\/td>\n<\/td>\nDisgusto<\/td>\nDisgusto<\/td>\n<\/tr>\n
    Inter\u00e9s<\/td>\nBuscando<\/td>\nInter\u00e9s (?)<\/td>\n<\/td>\n<\/tr>\n
    Desprecio (?)<\/td>\n<\/td>\n<\/td>\nDesprecio<\/td>\n<\/tr>\n
    <\/td>\nLujuria<\/td>\nAmor (?)<\/td>\n<\/td>\n<\/tr>\n
    <\/td>\nAtenci\u00f3n<\/td>\nAlivio (?)<\/td>\nSorpresa<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    Fuente: (Tracy y Randles, 2011)<\/em><\/p>\n

    Seguramente ahora te est\u00e1s preguntando c\u00f3mo es que una computadora puede entender lo suficiente bien el texto como para poder determinar la intensidad de los sentimientos expresados. La respuesta corta, aunque esto a\u00fan es un \u00e1rea abierta de investigaci\u00f3n, es que no puede. Como hacer eso requiere procesos cognitivos de alto orden, mejor hacemos trampa y nos apoyamos de la estad\u00edstica para determinar los sentimientos. Y este proceso es tan simple como realizar una comparaci\u00f3n; la m\u00e1quina recibe texto, y determina algo como \u00abesto se parece a este otro que est\u00e1 calificado como feliz, entonces esta muestra nueva debe de ser feliz.\u00bb Y de esta manera, con algunos trucos por ah\u00ed, y una cantidad enorme de muestras, aproximan lo suficientemente bien la respuesta correcta. Es claro que esto no es ideal, y que conlleva muchos problemas y limitaciones, pero siendo nuestro lenguaje tan rico y expresivo esto es lo mejor que podemos hacer. Y s\u00ed, aunque tenemos varias t\u00e9cnicas para mitigar algunos de estos problemas, a\u00fan no podemos eliminarlos completamente.<\/p>\n

    Hemos mencionado que se utilizan clasificadores estad\u00edsticos para realizar la calificaci\u00f3n de sentimientos. Generalmente se utiliza el aprendizaje autom\u00e1tico profundo para producir estos modelos estad\u00edsticos, conocidos como modelos de lenguaje. Usamos estas t\u00e9cnicas porque nos permiten tener modelos enormes, de entradas variables, y que no son lineales. Todo ello es muy importante cuando tratamos con texto natural.<\/p>\n

    Entonces, para resumir el proceso, tomamos texto, lo convertimos a vectores num\u00e9ricos que alimentamos a una red neuronal profunda, y que en la salida nos entrega una calificaci\u00f3n de sentimientos. Ahora pasemos a la utilidad de hacer esto.<\/p>\n

    Aplicaciones de an\u00e1lisis de sentimientos en redes sociales<\/h2>\n

    Las aplicaciones m\u00e1s frecuentes del an\u00e1lisis de sentimientos incluyen el monitoreo de la moral comunitaria, hacer clasificaci\u00f3n y diagn\u00f3stico en rese\u00f1as de productos y atenci\u00f3n a clientes. Nosotros nos enfocamos en el monitoreo de la moral, pero tambi\u00e9n mencionaremos otras aplicaciones que se han realizado enfocadas en las redes sociales.<\/p>\n

    \u00bfPor qu\u00e9 es buena idea enfocarnos en las redes sociales? La respuesta corta es que ya tenemos los datos disponibles, y en su mayor parte son p\u00fablicos. Hacer una encuesta a gran escala es muy costoso, tanto en tiempo, como esfuerzo, y dinero, y solamente tendr\u00edamos una muestra mucho m\u00e1s chica de la que podemos obtener directamente de redes sociales en un \u00fanico instante de tiempo. Tambi\u00e9n debemos tener en cuenta que no todas las redes son iguales, pues la inclusi\u00f3n de multimedia, hilos de conversaci\u00f3n jer\u00e1rquicos, y otras funciones nos hacen la tarea a\u00fan m\u00e1s dif\u00edcil. Por todo ello la plataforma m\u00e1s amigable para el an\u00e1lisis de sentimientos es Twitter, pues los usuarios escriben texto corto y conciso, y solo una porci\u00f3n peque\u00f1a incluye multimedia.<\/p>\n

    Con ello en mente hay muchas razones para utilizar an\u00e1lisis de sentimientos en Twitter, por ejemplo, detecci\u00f3n de acoso digital, detecci\u00f3n de riesgo alto de depresi\u00f3n (Birjali et al., 2017), monitoreo moral de la comunidad (Eshleman y Yang, 2015), predicci\u00f3n de resultados en votaciones para funcionarios p\u00fablicos (Praciano et al., 2018), e incluso predicci\u00f3n de alzas o bajas en varios s\u00edmbolos financieros (Kordonis et al., 2016). Aqu\u00ed podemos ver el poder de realizar estos an\u00e1lisis a larga escala, aunque tambi\u00e9n es utilizado en chats p\u00fablicos, por ejemplo, en juegos de video, para detectar agresi\u00f3n y abuso y simplemente impedir ese tipo de mensajes.<\/p>\n

    Para concluir, el an\u00e1lisis de sentimientos es una herramienta tecnol\u00f3gica poderosa, que tiene muchos canales de aplicaci\u00f3n diferentes, con impacto directo en la sociedad, y cuya aplicaci\u00f3n s\u00f3lo recientemente ha sido factible. Adem\u00e1s de ello, vimos a grandes rasgos c\u00f3mo funcionan estos sistemas, y si tienen inter\u00e9s en probarlo por ustedes mismos, estos an\u00e1lisis ya est\u00e1n disponibles para consumo directo en cualquier plataforma de an\u00e1lisis de datos, o bien, se pueden consumir directamente desde cualquier proveedor de servicios en la nube.<\/p>\n

    Los autores<\/h2>\n

    Edgar Le\u00f3n Sandoval es estudiante del programa de Doctorado en Ciencias Computacionales de la Escuela de Ciencias e Ingenier\u00edas del Tecnol\u00f3gico de Monterrey. leon.s.edgar@tec.mx<\/a><\/p>\n

    Referencias<\/h2>\n