Midiendo la carga emocional: Análisis de las emociones presentes en contenido de tweets sobre COVID-19 en Lima

Autores/as

  • Luis Alberto Holgado-Apaza Universidad Nacional Amazónica de Madre de Dios
  • Coren Luhana Ancco-Calloapaza Universidad Nacional de San Agustín
  • Octavio Bedregal-Flores Universidad Nacional de San Agustín
  • Marleny Quispe-Layme Universidad Nacional Amazónica de Madre de Dios https://orcid.org/0000-0002-5255-6794
  • Ralph Miranda-Castillo Universidad Nacional Amazónica de Madre de Dios

DOI:

https://doi.org/10.51252/rcsi.v3i2.587

Palabras clave:

BERT, BETO, emociones, covid-19, NLP

Resumen

Durante el estado de emergencia y las cuarentenas implementadas por los líderes mundiales, se ha observado un aumento significativo en la actividad de las personas en las redes sociales, como Twitter, donde comparten opiniones y noticias cargadas de emociones. En este estudio, presentamos una herramienta de visualización para el análisis de sentimientos en tweets relacionados con COVID-19 en la ciudad de Lima, Perú, durante el año 2020. Para ello, entrenamos un modelo BERT llamado BETO, diseñado específicamente para el procesamiento de lenguaje natural en español. Utilizamos el conjunto de datos SenWave, que comprende 11 emociones, para entrenar el modelo. Posteriormente, validamos el modelo utilizando un conjunto de datos compuesto por 33,770 tweets recolectados en la ciudad de Lima, Perú. El resultado de nuestro estudio es un panel de control interactivo que muestra el flujo de sentimientos expresados en los tweets analizados. Nuestros hallazgos revelan que las tres emociones más frecuentes durante el año 2020 fueron: humor, aburrimiento y optimismo. Además, identificamos las cinco palabras más populares utilizadas en los tweets: contagio, salud, distanciamiento, aislamiento y Martín Vizcarra, en referencia al expresidente del Perú.

Citas

Alturayeif, N., & Luqman, H. (2021). Fine-Grained Sentiment Analysis of Arabic COVID-19 Tweets Using BERT-Based Transformers and Dynamically Weighted Loss Function. Applied Sciences, 11(22), 10694. https://doi.org/10.3390/app112210694

Aygun, I., Kaya, B., & Kaya, M. (2022). Aspect Based Twitter Sentiment Analysis on Vaccination and Vaccine Types in COVID-19 Pandemic With Deep Learning. IEEE Journal of Biomedical and Health Informatics, 26(5), 2360–2369. https://doi.org/10.1109/JBHI.2021.3133103

Blanco, G., & Lourenço, A. (2022). Optimism and pessimism analysis using deep learning on COVID-19 related twitter conversations. Information Processing & Management, 59(3), 102918. https://doi.org/10.1016/j.ipm.2022.102918

Cañete, J., Chaperon, G., Fuentes, R., Ho, J.-H., Kang, H., &, & Pérez, J. (2020). Spanish Pre-Trained BERT Model and Evaluation Data. PML4DC at ICLR. https://github.com/dccuchile/beto

Caraballo Ayala, N. E., Carreño Miranda, R., & Paternina Salgado, V. A. (2021). Análisis de sentimientos en Twitter: Opiniones en Colombia de los Juegos Olímpicos 2021. Uniwersytet Śląski. http://hdl.handle.net/10584/9874

Garcia, K., & Berton, L. (2021). Topic detection and sentiment analysis in Twitter content related to COVID-19 from Brazil and the USA. Applied Soft Computing, 101, 107057. https://doi.org/10.1016/j.asoc.2020.107057

Imvimol, C., & Chongstitvatana, P. (2021). Sentiment analysis of messages on Twitter related to COVID-19 using deep learning approach. 2021 25th International Computer Science and Engineering Conference (ICSEC), 363–367. https://doi.org/10.1109/ICSEC53205.2021.9684587

IPSOS. (2020). Uso de Redes Sociales entre peruanos conectados 2020. Institut de Publique Sondage d’Opinion Secteur. https://www.ipsos.com/es-pe/uso-de-redes-sociales-entre-peruanos-conectados-2020

Mendoza Castillo, L. (1970). Lo que la pandemia nos enseñó sobre la educación a distancia. Revista Latinoamericana de Estudios Educativos, 50(ESPECIAL), 343–352. https://doi.org/10.48102/rlee.2020.50.ESPECIAL.119

Mohamed Ridhwan, K., & Hargreaves, C. A. (2021). Leveraging Twitter data to understand public sentiment for the COVID‐19 outbreak in Singapore. International Journal of Information Management Data Insights, 1(2), 100021. https://doi.org/10.1016/j.jjimei.2021.100021

Sitaula, C., Basnet, A., Mainali, A., & Shahi, T. B. (2021). Deep Learning-Based Methods for Sentiment Analysis on Nepali COVID-19-Related Tweets. Computational Intelligence and Neuroscience, 2021, 1–11. https://doi.org/10.1155/2021/2158184

Topbas, A., Jamil, A., Hameed, A. A., Ali, S. M., Bazai, S., & Shah, S. A. (2021). Sentiment Analysis for COVID-19 Tweets Using Recurrent Neural Network (RNN) and Bidirectional Encoder Representations (BERT) Models. 2021 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube), 1–6. https://doi.org/10.1109/ICECube53880.2021.9628315

Wankhade, M., & Rao, A. C. S. (2022). Opinion analysis and aspect understanding during covid-19 pandemic using BERT-Bi-LSTM ensemble method. Scientific Reports, 12(1), 17095. https://doi.org/10.1038/s41598-022-21604-7

Yang, Q., Alamro, H., Albaradei, S., Salhi, A., Lv, X., Ma, C., Alshehri, M., Jaber, I., Tifratene, F., Wang, W., Gojobori, T., Duarte, C. M., Gao, X., & Zhang, X. (2020). SenWave: Monitoring the Global Sentiments under the COVID-19 Pandemic. http://arxiv.org/abs/2006.10842

RCSI

Publicado

2023-07-10

Cómo citar

Holgado-Apaza, L. A., Ancco-Calloapaza, C. L., Bedregal-Flores, O., Quispe-Layme, M., & Miranda-Castillo, R. (2023). Midiendo la carga emocional: Análisis de las emociones presentes en contenido de tweets sobre COVID-19 en Lima. Revista Científica De Sistemas E Informática, 3(2), e587. https://doi.org/10.51252/rcsi.v3i2.587