Análisis de Sentimiento en la Industria: Evaluación de Opiniones mediante Inteligencia Artificial y Aprendizaje Automático

Dalia Yasmin Ortiz Reinoso, David Alejandro Del Pino Moreira, Carlos Luis Pazmiño Palma

Resumen


Las redes sociales se han convertido en una plataforma de interacción entre cibernautas que permite a los investigadores recopilar datos para sus estudios. Los espacios comunitarios virtuales dentro de las redes han segmentado la información. Deben excluirse las evaluaciones subjetivas, ya que pueden influir negativamente en la toma de decisiones. El objetivo de esta investigación es conocer las actitudes de los individuos hacia el uso de la inteligencia artificial en la automatización industrial y su pensamiento crítico sobre su entorno. Además, se evalúa la precisión de un modelo de clasificación analizando los datos de entrenamiento mediante técnicas de procesamiento del lenguaje natural y algoritmos de aprendizaje automático. El estudio recogió datos de la red social Reddit, analizando 1975 comentarios. Los resultados mostraron que el 49,16% de los comentarios expresaban pensamientos positivos, el 22,58% negativos y el 28,25% neutros. Se concluyó que los comentarios apoyan positivamente el uso de la inteligencia artificial para automatizar procesos en el entorno de las personas. El modelo se sometió a evaluación mediante algoritmos de aprendizaje supervisado. Los datos de entrenamiento constituían el 80% de los datos totales, mientras que el 20% restante se utilizó para las pruebas. Se emplearon clasificadores como la máquina de vectores de soporte (SVM), el bosque aleatorio, la LSTM y las redes neuronales. Se determinó que el mejor clasificador era el Máquina de Vectores Soporte, que arrojó una matriz de confusión con 172 aciertos positivos y una precisión del 77%.


Palabras clave


Análisis de sentimientos; Aprendizaje supervisado; Procesamiento del lenguaje natural; Aprendizaje automático (ML).

Texto completo:

PDF HTML

Referencias


Ali, A. M. G. M., Kai, K. C. B., & Ismail, Z. H. (2024). Blockchain Technology in Overcoming Security Threats for Smart Manufacturing System-A Systematic Literature Review. Journal of Advanced Research in Applied Sciences and Engineering Technology, 39(1), 43–58. https://doi.org/10.37934/araset.39.1.4358

Almasoud, A. S., Alshahrani, H. J., Hassan, A. Q. A., Almalki, N. S., & Motwakel, A. (2023). Modified Aquila Optimizer with Stacked Deep Learning-Based Sentiment Analysis of COVID-19 Tweets. Electronics, 12(19), 4125. https://doi.org/10.3390/electronics12194125

Bao, W., & Bai, Y. (2024). Research on basketball footwork recognition based on a convolutional neural network algorithm. Systems and Soft Computing, 6(366), 200086. https://doi.org/10.1016/j.sasc.2024.200086

Bisong, E. (2019). Google Colaboratory. In E. Bisong (Ed.), Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress. https://doi.org/10.1007/978-1-4842-4470-8_7

Canesche, M., Braganca, L., Neto, O. P. V., Nacif, J. A., & Ferreira, R. (2021). Google Colab CAD4U: Hands-On Cloud Laboratories for Digital Design. 2021 IEEE International Symposium on Circuits and Systems (ISCAS), 1–5. https://doi.org/10.1109/ISCAS51556.2021.9401151

Dharmik, R. C., & Bawankar, B. U. (2023). Design Challenges for Machine/Deep Learning Algorithms. In Machine Learning for VLSI Chip Design (pp. 195–209). Wiley. https://doi.org/10.1002/9781119910497.ch13

Eberhard, L., Popova, K., Walk, S., & Helic, D. (2024). Computing recommendations from free-form text. Expert Systems with Applications, 236(February 2023), 121268. https://doi.org/10.1016/j.eswa.2023.121268

Garg, M., Liu, X., Sathvik, M. S. V. P. J., Raza, S., & Sohn, S. (2024). MultiWD: Multi-label wellness dimensions in social media posts. Journal of Biomedical Informatics, 150, 104586. https://doi.org/10.1016/j.jbi.2024.104586

Kim, S., Cha, J., Kim, D., & Park, E. (2023). Understanding Mental Health Issues in Different Subdomains of Social Networking Services: Computational Analysis of Text-Based Reddit Posts. Journal of Medical Internet Research, 25, e49074. https://doi.org/10.2196/49074

Li, S., Xie, Z., Chiu, D. K. W., & Ho, K. K. W. (2023). Sentiment Analysis and Topic Modeling Regarding Online Classes on the Reddit Platform: Educators versus Learners. Applied Sciences (Switzerland), 13(4). https://doi.org/10.3390/app13042250

Melo, E., Barzola-Monteses, J., Noriega, H. H., & Espinoza-Andaluz, M. (2024). Enhanced fault detection in polymer electrolyte fuel cells via integral analysis and machine learning. Energy Informatics, 7(1), 10. https://doi.org/10.1186/s42162-024-00318-2

Mustary, S., Kashem, M. A., Chowdhury, M. A., & Rana, M. M. (2024). Mathematical model and evaluation of dynamic stability of industrial robot manipulator: Universal robot. Systems and Soft Computing, 6(December 2023), 200071. https://doi.org/10.1016/j.sasc.2023.200071

Musuvathi, A. S. S., Archbald, J. F., Velmurugan, T., Sumathi, D., Renuga Devi, S., & Preetha, K. S. (2024). Efficient improvement of energy detection technique in cognitive radio networks using K-nearest neighbour (KNN) algorithm. EURASIP Journal on Wireless Communications and Networking, 2024(1), 10. https://doi.org/10.1186/s13638-024-02338-8

Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques. Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing, EMNLP 2002, 79–86. http://arxiv.org/abs/cs/0205070

Pirnau, M., Botezatu, M. A., Priescu, I., Hosszu, A., Tabusca, A., Coculescu, C., & Oncioiu, I. (2024). Methods for Big Data. 1–22.

Radanliev, P. (2024). Artificial intelligence and quantum cryptography. Journal of Analytical Science and Technology, 15(1), 4. https://doi.org/10.1186/s40543-024-00416-6

Shams, M. Y., Tarek, Z., El-kenawy, E.-S. M., Eid, M. M., & Elshewey, A. M. (2024). Predicting Gross Domestic Product (GDP) using a PC-LSTM-RNN model in urban profiling areas. Computational Urban Science, 4(1), 3. https://doi.org/10.1007/s43762-024-00116-2

Shekar, P. R., Mathew, A., Yeswanth, P. V., & Deivalakshmi, S. (2024). A combined deep CNN-RNN network for rainfall-runoff modelling in Bardha Watershed, India. Artificial Intelligence in Geosciences, 5(February), 100073. https://doi.org/10.1016/j.aiig.2024.100073

Taboada, M., Brooke, J., & Voll, K. (2011). Lexicon-Based Methods for Sentiment Analysis - ProQuest. Computional Linguistics, 37(2), 267–307. https://www.proquest.com/docview/896181231/C4F09CD9F4A6440APQ/13?accountid=13827

Turcan, E., & McKeown, K. (2019). Dreaddit: A Reddit Dataset for Stress Analysis in Social Media. Proceedings of the Tenth International Workshop on Health Text Mining and Information Analysis (LOUHI 2019), Louhi, 97–107. https://doi.org/10.18653/v1/D19-6213

Visa, S., Ramsay, B., Ralescu, A., & Van der Knaap, E. (2011). Edited by Sofia Visa, Atsushi Inoue, and Anca Ralescu. Maics, 710, 120–127.

Yamori, Y., Ikeda, K., Ooshima, A., Horie, R., Nara, Y., & Ohtaka, M. (1979). Genetic Analysis of Severe Hypertension in Stroke-prone SHR (SHRSP). Japanese Heart Journal, 20(5), 710–710. https://doi.org/10.1536/ihj.20.710




DOI: https://doi.org/10.23857/pc.v9i7.7532

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/