Midiendo la carga emocional: Análisis de las emociones presentes en contenido de tweets sobre COVID-19 en Lima
DOI:
https://doi.org/10.51252/rcsi.v3i2.587Palabras clave:
BERT, BETO, emociones, covid-19, NLPResumen
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
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Luis Alberto Holgado-Apaza, Coren Luhana Ancco-Calloapaza, Octavio Bedregal-Flores, Marleny Quispe-Layme, Ralph Miranda-Castillo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores retienen sus derechos:
a. Los autores retienen sus derechos de marca y patente, y tambien sobre cualquier proceso o procedimiento descrito en el artículo.
b. Los autores retienen el derecho de compartir, copiar, distribuir, ejecutar y comunicar públicamente el articulo publicado en la Revista Científica de Sistemas e Informática (RCSI) (por ejemplo, colocarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en la RCSI.
c. Los autores retienen el derecho a hacer una posterior publicación de su trabajo, de utilizar el artículo o cualquier parte de aquel (por ejemplo: una compilación de sus trabajos, notas para conferencias, tesis, o para un libro), siempre que indiquen la fuente de publicación (autores del trabajo, revista, volumen, número y fecha).
