INNOVARE CIENCIA Y TECNOLOGÍA VOL. 11, NO. 3, 2022
Disponible en CAMJOL
INNOVARE Ciencia y Tecnología
Sitio web: www.unitec.edu/innovare/
1
Autor corresponsal: nicole.rodriguez@unitec.edu, Universidad Tecnológica Centroamericana, Campus San Pedro Sula
Disponible en: http://dx.doi.org/10.5377/innovare.v11i3.15349
© 2022 Autores. Este es un artículo de acceso abierto publicado por UNITEC bajo la licencia http://creativecommons.org/licenses/by-nc-nd/4.0
Artículo Original
Análisis automático de sentimiento en tuits de política de Honduras
Automatic sentiment analysis in Honduran political tweets
Nicole Rodríguez Alcántara
a,1
, Angella Falck Durán
a
, Sergio Antonio Suazo Barahona
b
a
Facultad de Ingeniería, Universidad Tecnológica Centroamericana, UNITEC, San Pedro Sula, Honduras
b
Facultad de Ingeniería, Universidad Tecnológica Centroamericana, UNITEC, Tegucigalpa, Honduras
Historia del artículo:
Recibido: 29 octubre 2022
Revisado: 16 noviembre 2022
Aceptado: 24 noviembre 2022
Publicado: 8 diciembre 2022
Palabras clave
Análisis de sentimiento
Aprendizaje de maquina supervisado
Política de Honduras
Procesamiento de lenguaje natural
Twitter
Keywords
Sentiment analysis
Supervised machine learning
Honduran politics
Natural language processing
Twitter
RESUMEN. Introducción. Twitter se ha convertido en un medio de expresión política ciudadana, transmitiendo
sentimientos y opiniones de los usuarios mediante tuits. Analizar estos datos permite conocer tendencias y puntos de
inflexión en los criterios políticos. El objetivo del estudio fue desarrollar un proceso de análisis automático de
sentimiento en tuits de política de Honduras, mediante técnicas de aprendizaje de máquina supervisado. Métodos. Se
efectuó una recolección de 1,800 tuits de política hondureña mediante filtros basados en usuarios y hashtags en un
periodo de enero a septiembre de 2022, seguido de un etiquetado manual de tuits. Se aplicaron las técnicas de
procesamiento de lenguaje natural: Bolsa de Palabras (BOW, siglas en inglés) y frecuencia de término-frecuencia
inversa de documento (TF-IDF, siglas en inglés). Los métodos considerados fueron SVM lineal, regresión logística y
Naive Bayes multinomial (MNB). Las métricas de rendimiento para la comparación de clasificadores fueron el valor-
F (F1), la exactitud y los tiempos de entrenamiento y de validación. Resultados. El modelo seleccionado fue el MNB
por su mayor frecuencia de término (F1) (62.48%) y menor tiempo de entrenamiento. Mientras que SVM lineal obtuvo
61.80% y regresión logística 61.34%. El rendimiento final del MNB con tuits nuevos fue de 63.37% de F1. Conclusión.
Para el conjunto de datos presentado, se obtuvo que el mejor clasificador fue MNB. Sin embargo, la brecha de
rendimiento entre clasificadores es reducida, lo que implica que optimizaciones de preprocesamiento y debe
considerarse una colección de datos a mayor escala.
ABSTRACT. Introduction. Twitter has become a medium for citizens to express in politics, transmitting feelings and
opinions of users through tweets. Analyzing this data allows to discover trends and turning points in political criteria.
The study aim was to develop an automatic sentiment analysis process in Honduran political tweets, through supervised
machine learning techniques. Methods. A collection of 1,800 Honduran political tweets was carried out through filters
based in users and hashtags in the period from January to September 2022, followed by a manual tweet tagging. The
following techniques of natural language processing were applied: Bag of Words (BOW) and term frequency-inverse
document frequency (TF-IDF). The considered methods were: linear SVM, logistic regression and multinomial Naïve
Bayes (MNB). The performance metrics used to compare classifiers were a term frequency (F1-score), accuracy and
time (training and validation). Results. The selected model was the MNB due to its higher F1-score (62.48%) and
shorter training time, while linear SVM obtained 61.80% and logistic regression 61.34%. The final performance of the
MNB with new tweets was an F1-score of 63.37%. Conclusion. For the data set presented, it was found that the best
classifier was MNB. However, the performance gap between classifiers is small, which implies that preprocessing
optimizations and larger scale data collection should be considered.
1. Introducción
El uso de las redes sociales para compartir opiniones y
experiencias ha aumentado recientemente, emergiendo un
especial interés en la política y parte de un fenómeno
denominado ciberpolítica (Cotarelo, 2013). Fue a partir de
las elecciones estadounidenses del 2008 que se conoció el
poder de los medios digitales y su influencia en las
personas debido a la campaña del expresidente Barack
Obama, pionera en el uso de tecnologías de la información
y comunicación (Robertson et al., 2010). Desde entonces
la mayoría de los políticos se han beneficiado del uso de
las redes sociales para conectar con sus audiencias.
Twitter es la plataforma predilecta para ello con presencia
oficial del 97% de los 193 estados miembros de la
Organización de las Naciones Unidas (ONU)
(Twiplomacy, 2018). Adicionalmente, en Twitter existe
una predominancia de contenido político. La cuenta más
popular es del expresidente Obama con 132.3 millones de
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
2
seguidores (Kepios, 2022).
En Twitter se publican en promedio 6000 tuits por
segundo, lo que corresponde a 500 millones de tuits por
día (Internet Live Stats, 2022). Esto equivale a un
volumen masivo de mensajes relacionados a política.
Analizar estos datos manualmente es una tarea tediosa y
costosa para un humano. Sin embargo, este análisis es
necesario para la detección de tendencias y la
identificación de patrones de comportamiento humano y
cambios en las corrientes de opinión de los usuarios
(Jungherr, 2015). Consecuentemente, propicia una mejor
toma de decisiones, respuestas tempranas y eficientes y
capacidad de pronosticar acontecimientos. Por ejemplo, la
predicción electoral donde Twitter es una fuente que ha
demostrado resultados aceptables y flexibilidad y
variedad de métodos (Chauhan et al., 2021).
Como tal, el análisis de sentimiento consiste en “el
estudio computacional de las opiniones, valoraciones y
emociones de las personas hacia entidades, eventos y sus
atributos” (Liu, 2010). Las principales técnicas de análisis
de sentimiento están basadas en aprendizaje automático
(machine learning) y en léxico (Medhat et al., 2014). El
aprendizaje automático se subdivide entre supervisado y
no supervisado, siendo el primero el más utilizado debido
a la posibilidad de evaluar el rendimiento de los
algoritmos (Baviera, 2017). En adición, el aprendizaje
supervisado se subdivide en regresión y clasificación.
Para el análisis de sentimiento en un tuit se suele aplicar
la clasificación, donde se asigna una categoría (positivo,
negativo o neutral), entre los métodos populares se
encuentran Naive Bayes, máquina de vector de soporte,
redes neuronales, entre otros. Investigaciones han
comparado diferentes modelos de Naive Bayes, utilizando
el modelo multinomial y el multivariado de Bernoulli,
obteniendo que el modelo multinomial brinda mejores
resultados (Singh et al., 2019).
Una pluralidad de estudios relacionados al análisis de
sentimientos ha proliferado desde los 2000,
principalmente por el auge de las redes sociales (Appel et
al., 2015). Ha atraído la atención tanto de la academia
como de la industria debido a muchos problemas
desafiantes y su amplia gama de aplicaciones (Indurkya &
Damerau, 2010). Sus principales aplicaciones se
encuentran en sitios web de reseñas, negocios y marketing,
inteligencia gubernamental, sistemas de recomendación y
detección de contenido sensible, entre otros (Pang & Lee,
2008). El área de la salud también ha conducido estudios
de infodemiología a través de Twitter, como ser del brote
del H1N1 (Chew & Eysenbach, 2010), para conocer
inquietudes de los usuarios durante la pandemia del
COVID-19 (Chang et al., 2021) y la aceptación de
vacunación contra el COVID-19 (Marcec & Likic, 2022),
este último evaluando el sentimiento específico hacia las
vacunas de Pfizer/BioNTech, AstraZeneca/Oxford y
Moderna a lo largo del tiempo y empleando un método
simple basado en léxico.
El presente estudio se contextualiza en la política de
Honduras, la cual atraviesa un periodo de inestabilidad y
un estancamiento en su desarrollo democrático. Desde las
elecciones generales de 2017, se generó un creciente
sentimiento de insatisfacción ciudadana con el
funcionamiento de la democracia (Rodríguez, 2019).
Debido a esto, se propicia el desarrollo de nuevos métodos
que permitan examinar automáticamente en la opinión
pública. El objetivo de esta investigación fue desarrollar
un proceso de análisis automático de sentimiento en tuits
de política de Honduras, mediante técnicas de aprendizaje
de máquina supervisado. Considerando los métodos de
máquina de vector de soporte (SVM, por sus siglas en
inglés) lineal, regresión logística y Naive Bayes
multinomial (MNB, por sus siglas en inglés).
2. Métodos
El proceso diseñado para el análisis del sentimiento de
la política hondureña consiste en técnicas de aprendizaje
automático supervisado junto con procesamiento de
lenguaje natural (NLP, por sus siglas en inglés). Está
constituido por una fase de entrenamiento y una de
inferencia (Figura 1). Primero se efectuó la recolección de
datos de Twitter, mostrando las opiniones de los usuarios
en cuanto al desempeño político. Para el entrenamiento,
los datos fueron sometidos a un preprocesamiento manual
y un etiquetado de sentimiento: positivo, negativo o
neutral. Posteriormente, se utiliza una técnica de NLP
llamada frecuencia de término – frecuencia inversa de
documento (TF-IDF, por sus siglas en inglés) la cual
genera un vector numérico de cada tuit. Con estos
vectores, se entrenaron los algoritmos automáticos
supervisados de clasificación y se seleccionó al de mejor
rendimiento. La inferencia consistió en utilizar los
modelos previamente entrenados del extractor y el
clasificador selecto para la clasificación de nuevos tuits.
2.1. Recolección de datos
La recolección de tuits se elaboró mediante la librería
de código abierto Twint para Python (Zacharias, 2020)
que extrae tuits de perfiles en Twitter sin limitación de
datos ni proceso de autenticación. Se filtraron los tuits por
medio de hashtags y usuarios específicos en un periodo de
enero a septiembre de 2022. Algunos de los usuarios
utilizados fueron: SalvaPresidente, pjbarquero,
XiomaraCastroZ, MelZelayaR, Lredondo,
Congreso_HND, PartidoLibre y HCHTelevDigital.
También hashtags como Libre, Nasralla, Perro Amarillo y
Congreso Nacional de Honduras. En total se recolectaron
1,800 datos.
159
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
3
Figura 1. Diagrama del proceso de análisis de sentimiento.
2.2. Preprocesamiento de datos
Los métodos de preprocesamiento de texto mejoran la
calidad de los datos para la clasificación de texto
(HaCohen-Kerner et al., 2020). Existe una amplia
variedad de métodos. Para esta investigación, se
efectuaron manualmente los siguientes: eliminación de
URLs, sustitución de emoticones por sus respectivas
palabras, corrección de errores ortográficos, eliminación
de texto objetivo y eliminación de tuits repetidos. Las
jergas y el lenguaje soez fueron preservados, ya que se
precisaba una representación genuina del habla coloquial
hondureña.
Adicionalmente, se realizó el etiquetado manual de los
datos para clasificar cada tuit con su respectivo
sentimiento (positivo, negativo o neutral). Identificar el
sentimiento de un mensaje consiste en la lista de palabras
positivas o negativas que lo conforman refiriéndose hacia
una entidad en particular (Hu & Liu, 2004). Por ello, el
etiquetado se realizó como una clasificación global del
sentimiento del tuit mediante sus palabras clave. Si un tuit
tiene palabras como “malo”, “corrupto”, o alguna palabra
soez, tiene tendencia a ser un tuit negativo. Mientras que
palabras como “bien”, “excelente” o “viva” se inclinan a
tuits positivos. Los tuits neutrales son textos objetivos,
con escasez de palabras clave ni un sentimiento en
particular (Figura 2).
2.3. Extracción de características
Se utilizó la implementación Tfidf Vectorizer de
Scikit-Learn (Pedregosa et al., 2011), configurada para
realizar una conversión de letras mayúsculas a minúsculas
y eliminación de stopwords. La clase Tfidf Vectorizer
convierte una colección de documentos sin procesar a un
vector de características TF-IDF. Esta es equivalente a
realizar primero una bolsa de palabras (BOW, por sus
siglas en inglés) y a este calcularle el TF-IDF.
2.3.1. Eliminación de stopwords
Un listado de 306 stopwords o palabras frecuentes del
español (por ejemplo, “a”, “uno”, “el”) fueron tomadas de
https://kaggle.com/code/mpwolke/spanish-stopwords-
w2v. Estas se incluyeron en la configuración de BOW
para su eliminación en los tuits.
2.3.2. BOW
El modelo tradicional de clasificación de textos se basa
en la representación de bolsa de palabras. Se asocia un
texto con un vector que indica el número de ocurrencias
de cada palabra elegida en el conjunto de documentos de
entrenamiento, aquí el orden de las palabras se pierde
(Sebastiani, 2002). El resultado fue un vocabulario de
6348 palabras para el conjunto de entrenamiento.
2.3.3. TF-IDF
La frecuencia de término (TF) considera el número de
ocurrencias f de un término t en un documento d:
(1)
La frecuencia inversa del documento (IDF) es una
medida de cuánta información proporciona un término t,
teniendo un total de N documentos y |{dϵD:tϵd}| número
de documentos donde t aparece, se obtiene mediante:
(2)
160
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
4
Figura 2. Gráfica de distribución original del sentimiento (positivo, negativo o neutral) de los datos recolectados.
Entonces TF-IDF se calcula como:
(3)
Esta medida permite ciertas cualidades (Sebastiani,
2002). Primero, a mayor ocurrencia de un término en un
documento, mayor peso tendrá. Segundo, a mayor número
de documentos donde el término ocurre, el término se
vuelve menos discriminativo. El resultado fue un vector
de 6,348 características TF-IDF para cada documento del
conjunto de entrenamiento.
2.3.4. TF-IDF
La frecuencia de término (TF) considera el número de
ocurrencias f de un término t en un documento d:
(1)
La frecuencia inversa del documento (IDF) es una
medida de cuánta información proporciona un término t,
teniendo un total de N documentos y |{dϵD:tϵd}| número
de documentos donde t aparece, se obtiene mediante:
(2)
Entonces TF-IDF se calcula como:
(3)
Esta medida permite ciertas cualidades (Sebastiani,
2002). Primero, a mayor ocurrencia de un término en un
documento, mayor peso tendrá. Segundo, a mayor número
de documentos donde el término ocurre, el término se
vuelve menos discriminativo. El resultado fue un vector
de 6,348 características TF-IDF para cada documento del
conjunto de entrenamiento.
2.4. Técnicas de aprendizaje automático
Se consideraron tres técnicas de aprendizaje
automático supervisado: SVM lineal, regresión logística y
MNB. Para las implementaciones de los tres algoritmos se
utilizó la librería de Scikit-Learn (Pedregosa et al., 2011).
2.4.1. SVM
Es un clasificador no probabilístico que clasifica los
puntos mediante un hiperplano dimensional con el mayor
margen posible. Es decir, el que mejor separa los
conjuntos de objetos con diferentes clases de pertenencia
(Devika et al., 2016). Se manejó un soporte lineal,
variando el parámetro C que determina el margen de error
permitido.
2.4.2. Regresión logística
Es un clasificador que mide la relación entre la variable
dependiente categórica y una o más variables
independientes al estimar la probabilidad de ocurrencia de
un evento usando su función logística. Se realizaron
variaciones de su parámetro de regularización C.
2.4.3. MNB
Es un clasificador probabilístico basado en el teorema
de Bayes (Devika et al., 2016). La probabilidad
condicional de que un tuit T sea de una clase C
(positiva/negativa/neutral) está determinada por:
(4)
negativo
56%
neutral
25%
positivo
19%
161
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
5
Figura 3. Gráfica de resultados de validación cruzada para la mejor variación de parámetro de cada clasificador.
La implementación empleó clasificador Naive Bayes con
distribución multinomial, con variaciones en el parámetro
de suavizado aditivo alfa.
3. Resultados
3.1. Experimentos entre clasificadores
3.1.1. Validación cruzada
Para la experimentación entre los tres clasificadores, se
utilizó un procedimiento llamado validación cruzada.
Consiste en dividir la muestra total en n particiones, n – 1
se utilizan como datos de entrenamiento y 1 como datos
de validación para cada combinación posible de n (Russell
& Norvig, 2021). Este método es útil cuando el tamaño de
datos es muy reducido para dividirlo en entrenamiento y
validación. Su implementación fue mediante el módulo
cross_validate de Scikit-Learn (Pedrogosa et al., 2011). Se
utilizaron cinco particiones y el total de 1,800 datos
recolectados, dividiendo cada partición en 360 datos.
3.1.2. Métricas de rendimiento
Para comparar el rendimiento entre los clasificadores
se utilizaron las métricas de F1, exactitud, tiempo de
entrenamiento y tiempo de validación. La métrica
prioritaria en la selección de los clasificadores es el F1,
puesto que la exactitud es insensible a la representación
de cada clase dándole baja prioridad a las clases menos
representativas (Sebastiani, 2022). El F1 es la media
armónica de la precisión y sensibilidad, de tal forma que:
(5)
3.1.3. Configuraciones de clasificadores
Para el clasificador SVM lineal se probaron valores
para su parámetro C de 0.01, 0.1, 0.3, 0.5, 0.7, 0.8, 0.9, 1,
5, 10 y 100. El mejor valor de C para el conjunto de datos
brindado fue de 0.8. Con el clasificador de regresión
logística las variaciones de su parámetro C
correspondieron a los valores 1, 10, 50, 70, 80, 90, 100 y
150. El valor de C=80 tuvo el mejor rendimiento. Para
MNB se configuraron los valores 0.01, 0.09, 0.1, 0.2, 0.5
y 1 para su parámetro alfa. Fue el valor de 0.1 el que
obtuvo mejores resultados. La Figura 3 muestra los
resultados de los clasificadores con su mejor
configuración.
3.2. Evaluación con MNB
Utilizando el clasificador MNB con alfa de 0.1 se
dividió el conjunto total de datos, utilizando 1,488 como
datos de entrenamiento y 312 como datos de validación.
Para la evaluación del modelo final, se generó una matriz
de confusión (Figura 4) y las métricas de precisión,
sensibilidad, F1 y exactitud (Cuadro 1). Para esto se
empleó el módulo sklearn.metrics de Scikit-Learn
(Pedregosa et al., 2011) que contiene el método
confusión_matrix, la cual definen como “una matriz de
confusión C es tal que Ci,j es igual al número de
observaciones que se sabe que están en el grupo i y predijo
estar en grupo j”. También el método
classification_report, el cual imprime un informe con las
principales métricas de clasificación.
Figura 4. Matriz de confusión del clasificador de Naive Bayes
multinomial en los datos de validación.
162
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
6
Cuadro 1
Métricas de rendimiento del clasificador Naive Bayes multinomial en datos de validación.
Clase
Precisión
Sensibilidad
F1
Exactitud
Negativo
70.79%
87.73%
78.36%
69.87%
Neutral
73.08%
51.35%
60.32%
Positivo
56.25%
47.37%
51.43%
Macro Promedio
66.71%
62.15%
63.37%
3.3. Análisis
Los resultados de la experimentación entre
clasificadores muestran el comportamiento de cada
algoritmo con el conjunto de datos recolectado.
Analizando las métricas de rendimiento, se pudo notar que
la métrica de F1 y exactitud no convergen. Es decir, la
mejor exactitud la tuvo el clasificador SVM con una
diferencia de 1.78% del MNB, el peor resultado. Mientras
que en el F1 el clasificador de MNB tuvo el mejor
rendimiento con una brecha de 1.14% del clasificador de
regresión logística. Ya que la métrica prioritaria es el F1,
se obtuvo que el mejor clasificador para el conjunto de
datos presentado fue el clasificador MNB con un
parámetro de alfa de 0.1.
Adicionalmente, se compararon los tiempos de
entrenamiento y validación entre los clasificadores. El
tiempo de entrenamiento difirió notoriamente entre los
clasificadores. El tiempo del MNB fue equivalente
aproximadamente al 5% del tiempo del SVM, mientras
que el tiempo de regresión logística fue aproximadamente
16 veces más que el tiempo de SVM. El tiempo de
validación se mantuvo cercano, con un promedio de
0.0056 segundos.
La experimentación entre los clasificadores de SVM,
regresión logística y MNB produjo dos consideraciones
relevantes. Primero, la importancia de afinar los
parámetros de cada modelo para obtener mejor
rendimiento. Segundo, si bien el clasificador MNB fue el
selecto, hay una reducida brecha entre los demás
clasificadores. Esto concuerda con estudios que presentan
técnicas alternativas de aprendizaje no supervisado, con
exactitudes similares entre algoritmos de agrupamiento
jerárquico (74.5%) y MNB (76.25%) (Bibi et al., 2022).
Esto alienta que es posible seguir explorando diferentes
métodos, acorde a los datos y al contexto específico de
cada estudio.
La evaluación del clasificador MNB obtuvo una matriz
de confusión con tendencia a acertar tuits negativos.
Mientras que los tuits neutrales y positivos se
reconocieron con menor precisión. Por cada tuit negativo,
existió una posibilidad del 87.73% de darle una predicción
como negativo. Por cada tuit positivo, existió una
posibilidad del 47.37% de darle una predicción como
positiva. Y por cada tuit neutral, el 51.35% fue predicho
como neutral. El F1 final de MNB fue de 63.37% para el
conjunto de tuits obtenido y tuvo un 69.87% de
clasificaciones correctas (exactitud). Se observó que la
clase negativa tuvo mejor F1 (78.36%), seguida de la
neutral (60.32%) y finalmente la positiva (51.43%). Esto
se relacionó a la distribución original de los datos de
entrenamiento. Para fines prácticos, obtener mejor
rendimiento al clasificar negativos es preferible, puesto
que alerta de mayores amenazas o posibles
acontecimientos futuros.
4. Discusión
El análisis de sentimientos en Twitter es un dominio
novedoso y desafiante dada su naturaleza informal y
limitaciones en los mensajes de la plataforma (Giachanou
& Crestani, 2016). Los hallazgos principales del estudio
consisten en la exploración de métodos de aprendizaje
automático y NLP para el habla hondureña, provee una
línea base para aplicaciones y estudios variados en el
contexto nacional y comprueba el potencial de las técnicas
automatizadas para el análisis masivo de datos en medios
digitales.
Es importante denotar que los resultados de cada
método dependen del conjunto de datos utilizado y su
lenguaje. Actualmente, existe una escasez de
investigaciones del habla español. Estudios han recalcado
problemas de portabilidad entre idiomas cuando el
conjunto de datos es reducido y se utiliza lenguaje
coloquial (Boiy & Moens, 2009). Por ello, se debe
continuar desarrollando y optimizando el proceso de
análisis de sentimiento para el contexto hondureño
volviendo cada etapa más robusta, para beneficiar
diversas áreas de interés social, como ser la política.
El presente trabajo es una línea base para
investigaciones futuras, donde se espera incorporar
mejoras. Primero, una recolección de datos intensiva para
obtener un mayor tamaño de muestra y beneficiar al
entrenamiento de los clasificadores. Seguido, optimizar el
preprocesamiento con métodos más sofisticados como la
lematización para mejor caracterización de los datos. En
163
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
7
esta misma etapa, se podría incorporar la preservación de
emoticones puesto que encapsulan sentimientos y
reacciones. Un problema frecuente es el uso del lenguaje
figurativo que utiliza recursos como sarcasmo, ironía y
metáforas, los cuales pueden afectar la clasificación del
sentimiento (Ghosh et al., 2015). Como solución, se
sugiere incorporar modelos basados en léxico de
detección de ironía que consideran contenido emocional y
psicológico (Hernández-Farías et al., 2016). Incorporando
estos trabajos futuros, el proceso propuesto se vuelve más
robusto y óptimo. Brindando un programa útil en diversas
aplicaciones políticas como ser análisis de satisfacción
ciudadana, predicciones electorales e identificación de
amenazas.
La principal delimitación del enfoque propuesto es el
requerimiento de un etiquetado manual de los datos de
entrenamiento, lo que restringe el tamaño de muestra
disponible. Existen bases de datos previamente generadas
con este fin, pero no en el contexto de Honduras. Otra
alternativa para ello es utilizar técnicas de aprendizaje no
supervisado, sin embargo, esto no permitiría medir el
rendimiento.
5. Conclusión
Se desarrolló un proceso de análisis automático de
sentimiento en tuits de política de Honduras, mediante la
comparación del rendimiento de técnicas de aprendizaje
de máquina supervisado. Estos métodos incluyeron SVM
lineal, regresión logística y MNB. El proceso presentado
abarca la recolección de datos, el etiquetado y
preprocesamiento de datos, el procesamiento del lenguaje
natural con BOW y TF-IDF y los métodos automatizados.
Concluyendo que el MNB fue el método más efectivo
para el conjunto de datos recolectado por sus resultados
de F1 y reducido tiempo de entrenamiento. Sin embargo,
la brecha de rendimiento entre clasificadores fue reducida.
6. Contribución de los Autores
AF y SS realizaron la recolección, preprocesamiento y
etiquetado de datos. NR hizo la experimentación y
elaboración del manuscrito. Todos los autores leyeron y
aprobaron la última versión del manuscrito.
7. Reconocimientos
Al Ph.D. Kenny Dávila por su asesoría en el desarrollo
del proyecto y elaboración del manuscrito.
8. Conflictos de Interés
Los autores declaran no tener ningún conflicto de
interés.
9. Referencias Bibliográficas
Appel, O., Chiclana, F., & Carter, J. (2015). Main concepts, state of the
art and future research questions in sentiment analysis. Acta
Polytechnica Hungarica, 12(3).
https://dx.doi.org/10.12700/APH.12.3.2015.3.6
Baviera, T. (2017). Técnicas para el análisis del sentimiento en Twitter:
aprendizaje automático supervisado y sentistrength. Dígitos, 1(3),
33-50. https://revistadigitos.com/index.php/digitos/article/view/74
Bibi, M., Abbasi, W. A., Aziz, W., Khalil, S., Uddin, M., Iwendi, C., &
Gadekallu, T. R. (2022). A novel unsupervised ensemble framework
using concept-based linguistic methods and machine learning for
twitter sentiment analysis. Pattern Recognition Letters, 158.
https://dx.doi.org/10.1016/j.patrec.2022.04.004
Boiy, E., & Moens, M.-F. (2009). A machine learning approach to
sentiment analysis in multilingual Web texts. Information Retrieval,
12, 526-558. https://dx.doi.org/10.1007/s10791-008-9070-z
Chang, C.-H., Monselise, M., & Yang, C. C. (2021). What are people
concerned about during the pandemic? Detecting evolving topics
about COVID-19 from Twitter. Journal of Healthcare Informatics
Research, 5, 70-97. https://dx.doi.org/10.1007/s41666-020-00083-3
Chauhan, P., Sharma, N., & Sikka, G. (2021). The emergence of social
media data and sentiment analysis in election prediction. Journal of
Ambient Intelligence and Humanized Computing, 12, 2601-2627.
https://dx.doi.org/10.1007/s12652-020-02423-y
Chew, C., & Eysenbach, G. (2010). Pandemics in the age of Twitter:
content analysis of Tweets during the 2009 H1N1 outbreak. PLOS
ONE, 5(11), e14118.
https://dx.doi.org/10.1371/journal.pone.0014118
Cotarelo, R. (2013). Ciberpolítica. Las nuevas formas de acción y
comunicación políticas (1er. ed.). Tirant Humanidades.
Devika, M. D., Sunitha, C., & Ganesh, A. (2016). Sentiment analysis: a
comparative study on different approaches. Procedia Computer
Science, 87, 44-49. https://dx.doi.org/10.1016/j.procs.2016.05.124
Ghosh, A., Li, G., Veale, T., Rosso, P., Shutova, E., Barnden, J., & Reyes,
A. (2015). Sentiment analysis of figurative language in Twitter.
Proceedings of the 9th International Workshop on Semantic
Evaluation (SemEval 2015), 470-478.
https://dx.doi.org/10.18653/v1/S15-2080
Giachanou, A., & Crestani, F. (2016). Like it or not: a survey of Twitter
sentiment analysis methods. ACM Computing Surveys, 49(2), 1-41.
https://dx.doi.org/10.1145/2938640
HaCohen-Kerner, Y., Miller, D., & Yigal, Y. (2020). The influence of
preprocessing on text classification using a bag-of-words
representation. PLOS ONE, 15(5), e0232525.
https://dx.doi.org/10.1371/journal.pone.0232525
Hernańdez-Farías, D. I., Patti, V., & Rosso, P. (2016). Irony detection in
Twitter: the role of affective content. ACM Transactions on Internet
Technology, 16(3), 1-24. https://dx.doi.org/10.1145/2930663
Hu, M., & Liu, B. (2004). Mining and summarizing customer reviews.
Proceedings of the Tenth ACM SIGKDD International Conference
on Knowledge Discovery and Data Mining, 168-177.
https://dx.doi.org/10.1145/1014052.1014073
Indurkhya, N., & Damerau, F. J. (2010). Handbook of natural language
processing (2do. ed.). Taylor & Francis.
Internet Live Stats. (2022). Twitter Usage Statistics.
https://www.internetlivestats.com/twitter-statistics/
Jungherr, A. (2015). Analyzing political communication with digital
trace data: The role of twitter messages in social science research.
Springer.
Kepios. (2022, julio). The k Twitter statistics: everything you need to
now. DataReportal – Global Digital Insights.
https://datareportal.com/essential-twitter-stats
164
N. Rodríguez Alcántara, et al.
INNOVARE Revista de Ciencia y Tecnología Vol. 11, No. 3, 2022
8
Liu, B. (2010). Sentiment analysis: A multi-faceted problem. IEEE
Intelligent Systems, 25(3), 76-80.
Marcec, R., & Likic, R. (2022). Using Twitter for sentiment analysis
towards AstraZeneca/Oxford, Pfizer/BioNTech and Moderna
COVID-19 vaccines. Postgraduate Medical Journal, 98, 544-550.
https://dx.doi.org/10.1136/postgradmedj-2021-140685
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis
algorithms and applications: a survey. Ain Shams Engineering
Journal, 5(4), 1093-1113.
https://dx.doi.org/10.1016/j.asej.2014.04.011
Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis.
Foundations and Trends® in Information Retrieval, 2(1–2), 1-135.
https://dx.doi.org/10.1561/1500000011
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B.,
Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V.,
Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M.,
& Duchesnay, É. (2011). Scikit-learn: machine learning in Python.
Journal of Machine Learning Research, 12, 2825-2830.
https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a
.pdf
Robertson, S. P., Vatrapu, R. K., & Medina, R. (2010). Off the wall
political discourse: Facebook use in the 2008 U.S. presidential
election. Information Polity, 15(1-2), 11-31.
https://dx.doi.org/10.3233/IP-2010-0196
Rodríguez, C. G. (2019). Panorama político hondureño. (In)satisfacción
con el funcionamiento de la democracia y (des)confianza en las
instituciones. Instituto Español de Estudios Estratégicos. Gobierno
de España. https://www.ieee.es/publicaciones-new/documentos-de-
opinion/2019/DIEEEO06_2019CECROD-Honduras.html
Russell, S. J., & Norvig, P. (2021). Artificial intelligence: a modern
approach (4ta ed.). Pearson.
Sebastiani, F. (2002). Machine learning in automated text categorization.
ACM Computing Surveys, 34(1), 1-47.
https://dx.doi.org/10.1145/505282.505283
Singh, G., Kumar, B., Gaur, L., & Tyagi, A. (2019). Comparison
between Multinomial and Bernoulli Naïve Bayes for Text
Classification. 2019 International Conference on Automation,
Computational and Technology Management (ICACTM), 593-596.
https://dx.doi.org/10.1109/ICACTM.2019.8776800
Twiplomacy. (2018, 10 de julio). Twiplomacy Study 2018.
https://www.twiplomacy.com/twiplomacy-study-2018
Zacharias, C. (2020). Twint: an advanced Twitter scraping & OSINT
tool. (2.1.20) [Python; Twint]. MIT License.
https://github.com/twintproject/twint
165
