Análisis de sentimiento proporcionado por herramientas informáticas para el procesamiento El lenguaje natural y la inteligencia artificial nos permiten examinar sentimientos y emociones en medios digitales.

R) Sí, Estas herramientas son muy interesantes. márketing por empresas y marcas que buscan fortalecer su reputación a partir de las opiniones de los usuarios, siga y venza a la competencia, gane seguidores o compradores y haga predicciones financieras. También a los políticos, por ejemplo en la campaña electoral.

Hay herramientas como Hootsuite, Repustate y Octoparse, por nombrar algunas; También las hay específicas para Twitter, como B. Twitter Binder, cuyo análisis de etiquetas identifica a los influencers, permite crear tendencias, identificar los idiomas más utilizados o los países que más tuitean.

Estas herramientas también son útiles para resolver problemas del mundo real: Seguridad de Internet, salud mental o aprendizaje a distancia. Se pueden usar para análisis específicos, como la actitud de los usuarios hacia la ortografía en Twitter.

Hay varias herramientas de diversa complejidad para analizar el sentimiento en esta red. Por citar sólo algunos ejemplos:

Verificaremos la precisión de los resultados del análisis de algunos tweets a través de la configuración. Lingüística antes que ortografía. Empezamos analizando este tuit:

Twitter Sentiment Analyzer señala que el sentimiento positivo prevalece en un 76,18 % (con un 20,22 % asignado neutral y un 3,59 % negativo). También SentiStrength ve positivamente lo que cuida las categorías gramaticales y la oración en su conjunto, aunque tiene en cuenta Niños un nombre propio

Para la NLU, muestra índices de relevancia globalmente positivos (0,8) y establece las siguientes jerarquías temáticas con probabilidad decreciente: educación/aprendizaje de idiomas; películas/películas románticas; Familia y relaciones/citas. MeaningCloud valora positivamente el texto con un 94% y afirma que las polaridades del texto no coinciden. El texto es subjetivo y sin ironía (los colores los proporciona la herramienta):

MeaningCloud valora positivamente el texto con un 94% y afirma que las polaridades del texto no coinciden

Komprehnd también lo cree, aunque en menor medida. positivo (en un 43,9%), neutral (en un 34,1%) y emocional feliz (29,9%).

Sin embargo, para Lingmotiv es neutral (50/100) y extremadamente emocional (100/100)quizás debido a la presencia de emojis:

Para Lingmotiv, en cambio, es neutral (50/100) y extremadamente emocional (100/100).Para Lingmotiv, en cambio, es neutral (50/100) y extremadamente emocional (100/100).

Ahora analizaremos el siguiente tuit:

BytesView lo encuentra positivo (90,03%), pero lo señala emocionalmente Triste (51,13%; neutral 41,08%). Para Komprehnd es positivo (50,40%; neutral 41,60%; negativo 8%) pero señala que las emociones que dominan son alegría 39,74% y excitación 36,85%.

La conclusión de MeaningCloud: El tuit es absolutamente positivo, sin polaridades contradictorias, como texto fáctico y sin ironía. En el caso de TopicFlower, sin embargo, predomina el carácter negativo (49,64%; positivo 21,32%; neutro 21,31%; mixto 7,72%). De la misma forma, NLU anota el estado de ánimo general como negativo (-0,29).

más fuerte, Lingmotif lo califica como extremadamente negativo (0/100) e intenso (100/100):

Más fuerte, Lingmotif lo califica como extremadamente negativo (0/100) e intenso (100/100).Más fuerte, Lingmotif lo califica como extremadamente negativo (0/100) e intenso (100/100).

Se puede observar que ninguna de las herramientas ni siquiera MeaningCloud fue capaz de descubrir la ironía que destilaba. Finalmente al siguiente tuit:

Por fin, Si bien los avances son abundantes, las limitaciones de estas herramientas son obvias y se abordarán más temprano que tarde. En general, están limitados en las versiones gratuitas, pueden causar problemas técnicos (Twitter Sentiment Analyzer aún no está disponible temporalmente); La mayoría están diseñados solo para inglés (MonkeyLearn, Senttige, Sentiment Viz) o no tienen todas las funciones para español, como B. NLU en los parámetros emoción o entidad, o Comprender en los criterios abusivo/no ofensivo y sarcástico/no sarcástico.

Por otro lado, es difícil dominar la programación en Atlas.ti, Python, Google Cloud Natural Language, Microsoft Azure Cognitive Services o R Studio. En cuestiones menos técnicas, persisten los problemas para reconocer el habla no literal, reconocer la intencionalidad del sentimiento (petición, pregunta, queja, etc.) o mejorar el reconocimiento de las emociones.

También las peculiaridades de Twitter (intensidad emocional, coloquialismo, usuarios muchas veces escondidos tras seudónimos y anonimato que se presta al ingenio, el humor, la ambigüedad o la ironía) Complica un poco más las cosas en comparación con Amazon o TripAdvisor, donde las opiniones de los usuarios son más fuertes.

Además, la polaridad no determina simplemente la interpretación global de un texto; y que no siempre es fácil distinguir la opinión del estado de ánimo (por ejemplo, con la etiqueta neutral), Por lo tanto, todavía necesitamos un enfoque híbrido que agregue y perfeccione el componente cualitativo de los tweets. difícil de interpretar.

Este texto se reproduce de The Conversation bajo una licencia Creative Commons.

Dejar respuesta

Please enter your comment!
Please enter your name here