229
| ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 |
Análisis de sentimiento de los mensajes de Twitter
respecto a la empresa KFC del primer trimestre en
Hispanoamérica 2022
Sentiment analysis of Twitter messages regarding the KFC company in
the first quarter in Latin America 2022
Recibido: julio 24 de 2023 | Revisado: setiembre 20 de 2023 | Aceptado: octubre 02 de 2023
R A M G1
J A G V1
J A H Q2
1 Universidad Nacional de Moquegua.
Moquegua - Perú
2 Universidad Nacional Mayor de San Marcos.
Lima - Perú
Autor de correspondencia:
rmoralesg@unam.edu.pe
Resumen
Se planteó responder si realmente las máquinas pueden
analizar los sentimientos de los tuits, entonces se analizaron
los mensajes en español de Twitter que hablaban de KFC. Los
tuits se capturaron todos los días en el periodo de tiempo del
primer trimestre del año 2022 provenientes de la región de
Hispanoamérica, posteriormente se analizaron para mes y para
cada empresa mencionada en los tuits, estos llegaron a sumar
39,269 mensajes para KFC. Nos enfocamos en descubrir
cuáles eran los sentimientos relacionados con cada mensaje
dejado, por tal motivo se buscó la polaridad del sentimiento
entre positivo y negativo, siendo relacionado lo primero al
bienestar, a las alegrías, y al amor, mientras que la segunda
polaridad, lo negativo se relacionó al malestar, a las tristezas, y
el odio. Después de obtener la polaridad, quedo descubrir cuál
era su grado, se emplearon los indicadores de alto, medio y
bajo, teniendo así los grados: positivos altos, positivos medios,
positivos bajos, negativos altos, negativos medios, y negativos
bajos. Se usó el término neutral o neutro para los mensajes sin
polarizar, no significando un sentimiento, es decir no existen
los sentimientos neutrales, solo es el resultado de la ausencia de
datos suficientes para clasificarlo en alguna polaridad. Todo lo
mencionado se realizó por medio de inteligencia artificial, pero
considerando que se buscó responder si realmente se pueden
analizar los sentimientos de los mensajes de textos, es por eso
que se utilizó dos heurísticas distintas, Machine Learning y
Deep Learning, con ellas se logró identificar la polaridad y el
grado del sentimiento de los mensajes de Twitter respecto a la
empresa KFC del primer trimestre en Hispanoamérica 2022.
Palabras clave: Análisis de sentimientos, Aprendizaje
Automático, Aprendizaje Profundo, mensajes de Twitter
AbstRAct
It was proposed to answer if the machines can really analyze
the sentiments of the tweets, then the messages in Spanish on
Twitter that spoke of KFC were analyzed. e tweets were
captured every day in the time period of the first quarter of
the year 2022 from the Latin American region, later they
were analyzed by month and for each company mentioned
in the tweets, these came to add 39,269 messages for KFC.
© Los autores. Este artículo es publicado por la Revista Campus de la Facultad de Ingeniería y Arquitectura de la Universidad
de San Martín de Porres. Este artículo se distribuye en los términos de la Licencia Creative Commons Atribución No-Comercial
– Compartir-Igual 4.0 Internacional (https://creativecommons.org/licenses/ CC-BY), que permite el uso no comercial,
distribución y reproducción en cualquier medio siempre que la obra original sea debidamente citada. Para uso comercial
contactar a: revistacampus@usmp.pe.
https://doi.org/10.24265/campus.2023.v28n36.06
| C | V. XXVIII | N. 36 | PP. - | - | |
230
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
We focused on discovering what were the feelings related to each
message left, for this reason the polarity of the feeling between
positive and negative was sought, the first being related to well-
being, happiness, and love, while the second polarity, negative
was related to discomfort, sadness, and hatred. After obtaining
the polarity, it remained to discover what its degree was, the high,
medium and low indicators were used, thus having the degrees:
high positives, medium positives, low positives, high negatives,
medium negatives, and low negatives. e term neutral or neutral
was used for unpolarized messages, not meaning a feeling, that is,
neutral feelings do not exist, it is only the result of the absence of
sufficient data to classify it in some polarity. Everything mentioned
was done through artificial intelligence, but considering that it was
sought to answer if the feelings of the text messages can really be
analyzed, that is why two different heuristics were used, Machine
Learning and Deep Learning, with them it was possible identify
the polarity and degree of sentiment of Twitter messages regarding
the KFC company in the first quarter in Latin America 2022.
Keywords: Sentiment analysis, Machine Learning, Deep
Learning, Twitter messages
Introducción
El análisis de sentimientos de los
mensajes de Twitter es una actividad
importante de la línea de investigación
de la inteligencia artificial, sobre las líneas
de investigación se dicen que son ejes
temáticos (Celi Ápolo et al. 2018). La
metodología científica empleada se basó
en un diseño de investigación transversal-
descriptivo, cuyo nivel fue descriptivo
y su tipo de investigación aplicada. El
objetivo general buscó determinar si
realmente las máquinas pueden analizar
los mensajes de Twitter respecto a la
empresa KFC del primer trimestre en
Hispanoamérica 2022. En KFC los
resultados si coincidieron en la polaridad
del sentimiento en los tres meses con las
dos heurísticas, pero para los grados solo
concordaron el más valorado y menos
valorado, pero no los grados intermedios.
Una investigación internacional
(Elbagir & Yang, 2019) explicó que
muchos científicos de datos prefieren el
uso de aprendizaje automático para extraer
el sentimiento de los tweets, e incluso en
esa investigación se logró descubrir que
de todas las heurísticas de aprendizaje
automático la que mejor se comportó fue
los Decision Trees (árboles de decisiones)
frente a otras como vectores de soporte o
regresiones logísticas; es interesante ver que
se recomienda el empleo de aprendizaje
automático (Machine Learning) para las
labores de análisis de sentimientos, esto
difiere de otras idea y estudios (Kamis &
Goularas, 2019) donde realizaron una
comparación de métodos empleados en
inteligencia artificial, descubriendo que
las técnicas de aprendizaje profundo
(Deep Learning) específicamente las
redes neuronales recurrentes son las
que mayor éxito tuvieron en las labores
del procesamiento del lenguaje natural,
ellos recomiendan que para el análisis
de sentimientos, el Deep Learning tiene
más ventajas que limitaciones, e incluso
dijeron que es la que más popularidad
gana entre los investigadores del análisis
de textos.
En Indonesia se investigó sobre una
campaña que iba en contra de las citas
por internet (Ardhianie, Andreswari, &
R A M G - J A G V - J A H Q
231
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
Azani, 2019), esa campaña fue por la red
social digital de Twitter, por ello realizaron
un análisis de sentimientos usando el
clasificador de Naïve-Bayes (Machine
Learning), los investigadores ya habían
realizado varios estudios similares en el
pasado, y en todos el que mejor precisión
les dio, fue siempre Naïve-Bayes.
Otra investigación que obtuvo
resultados favorables con Machine
Learning indicados por las métricas de
la validación cruzada y la puntuación
F, pero esta vez en las empresas en la
cual apuntó esta misma investigación,
fue una realizada en Arabia Saudí (El
Rahman, AlOtaibi, & AlShehri, 2019)
allí los investigadores recopilaron datos
de KFC y McDonald’s, para descubrir
por análisis de sentimientos cual es la más
popular en el periodo de tiempo en la
cual fue realizada. En este punto hay que
observar que se han mencionado más las
heurísticas de Machine Learning frente a
las de Deep Learning, pero ¿por qué para
algunos investigadores les va mejor usar
ciertas técnicas que otras?
Curiosamente el aprendizaje
profundo o Deep Learning, realmente
brilla cuando se trata problemas
complejos como reconocimiento de la
voz humana, clasificación de imágenes
digitales, y el procesamiento de texto
(Mahapatra, 2018), pero hasta ahora
de las investigaciones mencionadas se
empleó más el Machine Learning ¿por
qué será? Analicemos un caso de estudio
de Indonesia (Kusrini & Mashuni, 2019)
allá los investigadores de sentimientos no
emplearon Machine Learning ni Deep
Learning, los expertos emplearon la
técnica de tokenización pura, esto último
es una función que recibe como input una
palabra y da como output una categoría
(token) asociada con esa palabra (Quesada
& De Amores, 2000); los investigadores
indonesios utilizaron adicionalmente
una multiplicación de valores para ciertas
palabras para así poder saber el ponderado
y la inclinación hacia alguna polaridad,
de sus resultados ellos mencionan que
la precisión es ligeramente menor a los
de Machine Learning, pero esto puede
mejorarse, si esto sucede ¿superará por
mucho a los métodos inteligentes?
En el Reino Unido se dio otro estudio
en donde no usaron Machine Learning de
forma explícita, sino en su forma implícita
por medio de pura estadística (Saini et
al. 2019), ya que esta es otra forma de
aprender de los datos, recordemos que el
“Machine Learning se basa en métodos
estadísticos” (Valdecantos, 2019, p. 22).
Los investigadores ingleses analizaron
datos de los comentarios que se daban
en un sitio web y los clasificaron no solo
en positivo y negativo, sino que también
en siete clases de sentimientos (disgusto,
miedo, ira, anticipación, tristeza,
confianza, sorpresa), ellos dirían luego
que extraer la opinión de los usuarios
de las redes sociales es una tarea difícil,
y se puede hacer de muchas formas; esto
último es interesante ya que aseguran que
se puede hacer de varias maneras el análisis
de sentimiento, e incluso su investigación
en sí es el ejemplo del empleo de pura
estadística para hallar el sentimiento de
los textos, por ello si hay muchas formas
de analizarlos, entonces ¿cuál es la mejor?
¿Por qué si la literatura formal explica que
Deep Learning es muchísimo mejor para
el lenguaje natural, por qué para algunos
investigadores les fue mejor con Machine
Learning?
La inteligencia artificial es un tema
fantástico y una de las más grandes
Análisis de sentimientO de lOs mensAJes de twitteR RespectO A lA empResA Kfc del pRimeR tRimestRe en
HispAnOAméRicA 2022
232
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
empresas de tecnología que emplea
inteligencia artificial es Google, ellos
tuvieron un proyecto en el 2022 que
consistió en usar microprocesadores con
IA en productos comerciales, lo llamaron
chips TPU, esto último son las iniciales
de Tensor Processing Unit (Mirhoseini
et al. 2021); pero no siempre la IA de
Google fue buena, en el 2015 la empresa
tuvo que dar disculpas por el incorrecto
etiquetado de una pareja de jóvenes de
color, sucede que la aplicación de Google
Photos catalogó como gorilas a dos
muchachos de piel negra, Google por
este percance invirtió tiempo y recursos
en mejorar su aplicación, pero al parecer
no se logró, ellos dijeron “la tecnología de
etiquetado de imágenes todavía es joven y
lamentablemente no es perfecta” (Zanoni,
2019, p. 50).
Fue la revista Wired quien investigó
ese caso y descubrió que Google lo único
que hizo fue la autocensura, no pudieron
solucionar el problema del incorrecto
etiquetado, por tanto, Google eliminó
de su léxico de etiquetas los términos
chimpancé, gorila, mono y otras más,
entonces ¿será qué no se pueden analizar
los rostros de personas de piel oscura con
la tecnología actual? Amazon también es
otra gigante de la industria tecnológica y
en el 2018 presentó una aplicación para
ayudar a las áreas de recursos humanos a
encontrar talentos, pero esta aplicación
mostró un gran sesgo contra el sexo
femenino, Amazon no pudo solucionar
el sesgo y finalmente tuvo que rechazarlo
¿realmente se puede analizar los perfiles
de las personas sin caer en los sesgos?
A finales de marzo del 2018, en los
Estados Unidos, se dio la primera muerte
provocado por un vehículo autónomo,
el software de los frenos de emergencia
se desactivó provocando un atropello,
este proyecto impulsado por Uber tuvo
que suspenderse ¿realmente se podrán
tener vehículos 100% autónomos? El
banco HSBC usa inteligencia artificial
para reconocer la voz y con ello facilitar
el acceso a sus cuentas bancarias, en el
2017 un periodista de la cadena BBC
experimentó con la voz de su hermano
mellizo, el cual pudo acceder a su cuenta
¿realmente se puede identificar la voz del
verdadero propietario?
Actualmente el reconocimiento de
rostros por los dispositivos móviles es
muy habitual, pero se sabe que enfocando
el rostro del dueño en papel o por
pantalla si se puede burlar al sistema
del smartphone, Apple intento mejorar
su sistema detectando profundidades,
pero esto pudo ser vencido por un
grupo de hackers, en el 2017 empleando
máscaras impresas en 3D teniendo éxito
¿realmente se puede identificar el rostro
o solo son características de él? Sobre el
análisis de texto Microsoft desarrolló un
sistema conversacional, la intención era
que interprete y dialogue con usuarios,
lastimosamente el chatbot comenzó a
tener conductas antisemitas, misóginas,
y racistas ¿realmente se podrá tener un
chatbot que dialogue educadamente?
En la Universidad Nacional del
Altiplano publicaron los resultados de
un análisis de sentimientos basado en
Deep Learning, su investigación abarcó
el uso de un modelo recurrente, un
modelo convolucional, y un modelo de
procesamiento del lenguaje natural, de
los tres modelos, el más destacable fue la
red de tipo convolucional, que obtuvo un
máximo de 74.14% de exactitud siendo
este porcentaje muy elevado frente a
los encontrados en los antecedentes del
R A M G - J A G V - J A H Q
233
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
problema (Bermejo & Vizcarra, 2020);
desde ya aplaudimos el desempeño de
los investigadores, pero del porcentaje
señalado, se puede interpretar que hubo
un 25.86% que no tuvo exactitud,
entonces ¿realmente se puede analizar
los sentimientos considerando que más
de una cuarta parte no alcanzó con la
exactitud?
En la ciudad de Arequipa, también hizo
una investigación usando redes neuronales
(Deep Learning) para textos cortos en
español de Twitter, lo interesante de la
investigación está en la mezcla de las redes
convolucionales y las redes recurrentes en
un solo modelo dando una precisión de
0.609 (60.9%), superando a las que son
únicamente recurrentes (0.4972) y las
convolucionales (0.5552), al parecer un
resultado de 0.609 en un modelo que
usa características de dos tipos de redes
neuronales da una mejor precisión (Ari,
2019); pero ¿por qué no se puede llegar
a niveles más altos? ¿Será para evitar el
overfitting (sobreajuste)? ¿Realmente se
pueden analizar los sentimientos de los
tuits? Son preguntas que quisiéramos
saber.
Por otra parte, en la ciudad de Pimentel
Perú, se realizó un minado de las opiniones
dejados en Twitter, se utilizó Machine
Learning, específicamente las heurísticas
de redes Bayesianas o también llamadas
Naive Bayes, máquina de soporte vectorial,
y las de árboles de decisiones, siendo esta
última la que mejor resultado le dio, con
un 74% de confiabilidad (Segura, 2019),
ahora nos cuestionamos lo siguiente ¿es
suficiente esta confiabilidad para decir
que el sentimiento detectado es lo real?
En Lima se evaluó proyectos mineros
con análisis de sentimientos y un sistema
experto, para ello se desarrolló un sistema
de información web, y este ayudó a mejorar
los niveles de comprensión de los temas
del impacto de los proyectos de mina,
logrando más del 90% de aceptación en su
muestra de estudio (Costa, 2018), otra vez
es gratificante saber que investigaciones
de este tipo se hagan en nuestro país
(Perú), y es menester entender que esta
investigación en particular tuvo un
problema hermenéutico, muchas de las
personas o poblaciones que se oponen
a los temas mineros quizá es porque no
lo comprenden bien o ¿será que los que
creen comprender el tema no entienden a
las personas que lo rechazan?
¿Estaremos frente a temas de filosofía
del lenguaje? ¿Se podrá realmente analizar
el sentimiento de un mensaje corto que es
el resumen de toda una forma de pensar?
Son preguntas que los investigadores
de este proyecto se plantearon frente a
esta investigación nacional ya hecha. En
Andahuaylas Perú se analizó mensajes
de tonalidades agresivas, para ello
se emplearon varias heurísticas del
Machine Learning, siendo la que mejor
se desenvolvió la de IBk con un Error
Absoluto Medio de 0.09 (Jiménez, 2018),
IBk “es un clasificador basado en el
método de k vecinos próximos” (Alcina,
Valero, & Rambla, 2009, p. 173); dicha
investigación se dio en tres momentos,
el primero con 800 mensajes, luego con
1200 y finalmente con 1561 mensajes,
alcanzando una precisión de 88.8%,
89%, y 89.3% respectivamente, entonces
¿mientras más cantidad de mensajes mayor
precisión? Si es así ¿se puede alcanzar el
100%? Hay que añadir que el investigador
empleó un corpus para el conocimiento,
estos son palabras ya etiquetadas, a su vez
se menciona en esa investigación a los
estudios de Kaplan (2012) sobre su teoría
Análisis de sentimientO de lOs mensAJes de twitteR RespectO A lA empResA Kfc del pRimeR tRimestRe en
HispAnOAméRicA 2022
234
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
de la evaluación y valoración del lenguaje,
¿será que las heurísticas para el análisis
de sentimientos dependen mucho de la
axiología del investigador? o ¿será mejor
que los códigos dependan de las teorías
externas al investigador?
En la ciudad de Lima, se identificó
cuáles eran los más importantes factores de
decisiones a la hora de consumir comida
rápida en el caso McDonald´s (Alarcón,
2019), para esa investigación en particular
se emplearon entrevistas en profundidad,
técnicas proyectivas, y sesiones de grupo,
fueron estas técnicas las que permitieron
tener un primer acercamiento fiable para
descubrir esos factores de compra, es
decir se usaron métodos cualitativos. Para
el caso de la empresa de comida rápida
KFC se descubrió que hubo un 0.792 de
correlación entre el comportamiento de
los clientes y el posicionamiento de KFC
(Pino, 2018) todo esto se estudió para
el distrito de Independencia en Lima,
el investigador lo realizó por medio de
encuestas, ¿hubiera tenido los mismos
resultados si en vez de usar encuestas
hubiera usado análisis de sentimientos?
Hay que mencionar que el análisis
de sentimientos es definido de varias
formas según el autor que se consulte, y
hay varias formas de hacerlo, también la
inteligencia artificial ha tenido problemas
e inconvenientes en el pasado, además
su desarrollo es complejo. Por ello
obsérvese que a lo largo de este capítulo
se mencionaron varias investigaciones
de los últimos cinco años en contextos
nacionales e internacionales, pero
cuando se ahondan un poco más sobre
sus hallazgos, los investigadores de este
trabajo abren nuevas interrogantes, ahora
en favor de responder esas preguntas esta
investigación las amalgama en una sola
y las particulariza para la empresa KFC,
preguntándose si ¿realmente se pueden
analizar los sentimientos de los mensajes
de Twitter respecto a la empresa KFC
del primer trimestre en Hispanoamérica
2022? El objetivo pragmático de este
proyecto investigativo fue determinar si
realmente las máquinas pueden analizar
los sentimientos de los mensajes de Twitter,
para ello como hemos mencionado se
seleccionó a KFC como caso de estudio.
Método
Esta fue una investigación aplicada.
Comprendió un conjunto de acciones
que tuvo “por finalidad el descubrir
o aplicar conocimientos científicos
nuevos” (Cegarra, 2004, p. 42). Cómo
método de investigación se entiende
que es un bosquejo genérico y se basa
en realizar una introducción, nutrirse de
un marco teórico, desenvolverse en un
método, obtener resultados y discutirlos
(Hernández, Fernández, & Baptista,
2014). En esta investigación, el método
usado fue el cualitativo inductivo.
La población estuvo integrada por la
totalidad de tweets que mencionaron a
la empresa KFC en el primer trimestre
de Hispanoamérica 2022, esta cantidad
ascendió a 39,269 tweets.
La muestra fue de tipo no probabilística,
por eso seleccionar los mensajes jamás
dependió de la probabilidad “sino de causas
relacionadas con las características de la
investigación” (Hernández, Fernández,
& Baptista, 2014, p. 176), también hay
que aclarar que “aquí el procedimiento
no es mecánico ni se basa en fórmulas de
probabilidad” (Hernández, Fernández, &
Baptista, 2014, p. 176). El investigador
consideró tomar la totalidad de los 39,269
R A M G - J A G V - J A H Q
235
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
mensajes de Twitter, por tal motivo el
muestreo fue censal, esto último significa
que es “aquella porción que representa a
toda la población, es decir, la muestra es
toda la población a investigar.” (López,
1999, p. 123).
Resultados
Por medio de la API (Interfaz de
Programación de Aplicaciones) de
Twitter se extrajo los tweets en español
que mencionaron a la empresa de
comida rápida KFC. La cantidad total
de mensajes para KFC de los meses de
estudio para esta investigación fueron
en total de 39,269. En los siguientes
apartados se muestran los resultados por
medio de tablas y diagramas de barras de
los tres meses de investigación. Las tablas
dan a conocer las frecuencias absolutas
y relativas, como también la proporción
en las dos heurísticas empleadas para esta
investigación, también se utilizaron los
estadígrafos de la moda y la proporción
para mostrar la polaridad que más se
repite con el porcentaje que representan.
Resultados de KFC enero 2022
Tabla 1
Resultados de la polaridad de enero 2022 de KFC
Categoría (Xi)
Machine Learning Deep Learning
Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%) Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%)
Positivo (+) 14303 0.872 87.213% 8120 0.495 49.512%
Negativo (-) 1401 0.085 8.543% 6723 0.410 40.994%
Neutro 696 0.042 4.244% 1557 0.095 9.494%
Total, Σ16400 1.00 100% 16400 1.00 100%
Tabla 2
Resultados de los estadígrafos usados, enero 2022 - KFC
Estadígrafo Machine Learning Deep Learning
Polaridad Grado Polaridad Grado
Moda Positivos, 14303 Positivo bajo, 8529 Positivos, 8120 Positivo bajo, 4305
Proporción 87.213% 52.006% 49.512% 26.250%
Figura 1
Diagrama de barras horizontales apiladas de la polaridad de enero 2022 - KFC
Análisis de sentimientO de lOs mensAJes de twitteR RespectO A lA empResA Kfc del pRimeR tRimestRe en
HispAnOAméRicA 2022
236
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
Tabla 3
Resultados del grado de sentimiento de enero 2022 de KFC
Categoría (Xi)
Machine Learning Deep Learning
Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%) Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%)
Positivo alto (+) 204 0.012 1.244% 1593 0.097 9.713%
Positivo medio (+) 5570 0.340 33.963% 2222 0.135 13.549%
Positivo bajo (+) 8529 0.520 52.006% 4305 0.263 26.250%
Negativo bajo (-) 1166 0.071 7.110% 3647 0.222 22.238%
Negativo medio (-) 218 0.013 1.329% 1801 0.110 10.982%
Negativo alto (-) 17 0.001 0.104% 1275 0.078 7.774%
Neutro 696 0.042 4.244% 1557 0.095 9.494%
Total, Σ16400 1.00 100% 16400 1.00 100%
Resultados de KFC febrero 2021
Tabla 4
Resultados de la polaridad de febrero 2022 de KFC
Categoría (Xi)
Machine Learning Deep Learning
Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%) Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%)
Positivo (+) 11429 0.866 86.570% 6472 0.490 49.023%
Negativo (-) 1187 0.090 8.991% 5606 0.425 42.463%
Neutro 586 0.044 4.439% 1124 0.085 8.514%
Total, Σ13202 1.00 100% 13202 1.00 100%
Tabla 5
Resultados de los estadígrafos usados, febrero 2022 - KFC
Estadígrafo Machine Learning Deep Learning
Polaridad Grado Polaridad Grado
Moda Positivos, 11429 Positivo bajo, 7089 Positivos, 6472 Positivo bajo, 3051
Proporción 86.570% 53.696% 49.023% 23.110%
Figura 2
Diagrama de barras horizontales apiladas de la polaridad de febrero 2022 - KFC
R A M G - J A G V - J A H Q
237
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
Tabla 6
Resultados del grado de sentimiento de febrero 2022 de KFC
Categoría (Xi)
Machine Learning Deep Learning
Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%) Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%)
Positivo alto (+) 337 0.026 2.553% 1557 0.118 11.794%
Positivo medio (+) 4003 0.303 30.321% 1864 0.141 14.119%
Positivo bajo (+) 7089 0.537 53.696% 3051 0.231 23.110%
Negativo bajo (-) 970 0.073 7.347% 2908 0.220 22.027%
Negativo medio (-) 191 0.014 1.447% 1562 0.118 11.832%
Negativo alto (-) 26 0.002 0.197% 1136 0.086 8.605%
Neutro 586 0.044 4.439% 1124 0.085 8.514%
Total, Σ13202 1.00 100% 13202 1.00 100%
Resultados de KFC marzo 2022
Tabla 7
Resultados de la polaridad de marzo 2022 de KFC
Categoría (Xi)
Machine Learning Deep Learning
Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%) Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%)
Positivo (+) 8342 0.863 86.294% 4541 0.470 46.974%
Negativo (-) 888 0.092 9.186% 4270 0.442 44.171%
Neutro 437 0.045 4.521% 856 0.089 8.855%
Total, Σ9667 1.00 100% 9667 1.00 100%
Tabla 8
Resultados de los estadígrafos usados, marzo 2022 - KFC
Estadígrafo Machine Learning Deep Learning
Polaridad Grado Polaridad Grado
Moda Positivos, 8342 Positivo bajo, 5307 Positivos, 4541 Positivo bajo, 2313
Proporción 86.294% 54.898% 46.974% 23.927%
Figura 3
Diagrama de barras horizontales apiladas de la polaridad de marzo 2022 – KFC
Análisis de sentimientO de lOs mensAJes de twitteR RespectO A lA empResA Kfc del pRimeR tRimestRe en
HispAnOAméRicA 2022
238
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
Tabla 9
Resultados del grado de sentimiento de marzo 2022 de KFC
Categoría (Xi)
Machine Learning Deep Learning
Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%) Frecuencia
Absoluta (fi) Frecuencia
Relativa (hi) Proporción
(%)
Positivo alto (+) 102 0.011 1.055% 1003 0.104 10.376%
Positivo medio (+) 2933 0.303 30.340% 1225 0.127 12.672%
Positivo bajo (+) 5307 0.549 54.898% 2313 0.239 23.927%
Negativo bajo (-) 696 0.072 7.200% 2135 0.221 22.085%
Negativo medio (-) 157 0.016 1.624% 1210 0.125 12.517%
Negativo alto (-) 35 0.004 0.362% 925 0.096 9.569%
Neutro 437 0.045 4.521% 856 0.089 8.855%
Total, Σ9667 1.00 100% 9667 1.00 100%
Discusión
Este apartado consiste en discutir sobre
las teorías encontradas. Esta investigación
tiene dos categorías, la primera es el
análisis de sentimientos y la segunda son
los mensajes de Twitter, en los párrafos de
abajo se los explica.
Respecto al análisis de sentimientos
en las redes sociales digitales, la teoría
de esta tesis expone que solo existen dos
sentimientos, positivos y negativos, no
existen sentimientos neutros, es posible
que muchos investigadores en el pasado
hayan catalogado sus hallazgos con ese
término, para referirse a mensajes que
no pertenecen al sentimiento positivo o
negativo, se enfatiza que la neutralidad
que las heurísticas calculan es solo
para referirse a los mensajes carentes de
emociones, por otra parte, queda claro
que los sentimientos son susceptibles
de expresarse por la escritura (mensajes,
textos, poemas, etc.).
Se ha identificado que si el texto tiene
connotación positiva es porque emplea
términos referentes a la tranquilidad,
a la satisfacción, a la relajación, a la
preocupación, al perdón, a la pasión, a
la felicidad, a la excitación, a la euforia,
a la esperanza, al entretenimiento, a la
emoción, a la compasión, al amor, o a
la alegría. Por el contrario, el mensaje de
tweet será negativo si en su interior las
palabras poseen ánimos de terror, miedo,
ira, inquietud, frustración, envidia,
depresión, daño, confusión, celos, o
ansiedad.
Cuando alguien deja un mensaje
como primer hilo de conversación,
estas pueden tener connotaciones de
sentimientos positivos o negativos, pero
en ambos casos serán textos de tipo
narrativas y adicionalmente directos, es
decir un tweets dejado en el primer hilo
de conversación puede tener sentimiento
positivo narrativo directo, o negativo
narrativo directo, esto se debe a que los
estados afectivos como el sentir o pensar,
manifestados en el texto son internos al
sujeto que escribe, por tanto reside o nace
en él. Por otra parte, cuando se comenta
a un tweet, se crea un nuevo hilo de
conversación, y está siempre será un texto
de tipo argumentativo, adicionalmente
será indirecto ya que el estado afectivo
de la voluntad o ánimo se da por el
un estímulo externo de haber leído u
observado el mensaje de un tercero, por
R A M G - J A G V - J A H Q
239
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
ello el sentimiento podrá ser categorizado
como positivo argumentativo indirecto
o su contraparte negativo argumentativo
indirecto.
Sobre la categoría mensajes de Twitter,
hay que explicar que el estudio del texto
como tal, siempre fue un campo del saber
en dónde no existe aún una unanimidad
de ideas para categorizarlas, la teoría
de este trabajo se basó en los mejores
investigadores del texto, como los estudios
de Werlich (1979), él lo categorizó como
textos instructivos, argumentativos,
explicativos, narrativos, y descriptivos,
en cambio Renkema (1993) identificó
solo tres tipos, los textos argumentativos,
narrativos e informativos. Obsérvese que
Werlich y Renkema coinciden en los tipos
argumentativos y narrativos.
Por otra parte, Martínez (1994)
entendió que los textos pueden ser de
cuatro maneras, de tipo argumentativos,
expositivos, descriptivos y narrativos, e
incluso otros autores como Biber & Finega
(1986) ponen hasta nueve distinciones
de textos. Los mensajes de Twitter son
un tipo de texto llamados tweets, es el
término de origen inglés fue acuñado
por Twitter, para referirse a los mensajes
que los usuarios de esa red social digital
dejan en forma mayoritariamente como
texto, pudiendo ser también los mensajes
GIF animados, videos, fotos, o cualquier
mezcla de las mencionadas.
Este trabajo tuvo que limpiar los
mensajes para quedarse solo con el texto,
con ellos se pudo obtener la información
suficiente de que los mensajes de texto
de Twitter pertenecen a las categorías
narrativas y argumentativas, esto
se debe a que los textos narrativos
comprenden acontecimientos que afectan
o comprometen a personajes e incluso
objetos, en un sentido amplio los mensajes
de Twitter son narrativos, por otra parte
cuando se contesta un tweet pierde sus
características narrativas y pasan a ser
argumentativas, ya que esos mensajes
tienen por finalidad revalidar o rechazar
las opiniones expuestas.
Conclusiones
En esta investigación, se determinó si
realmente las máquinas pueden analizar
los sentimientos de los mensajes de Twitter
respecto a la empresa KFC del primer
trimestre en Hispanoamérica 2022. Se
logró gracias al empleo de dos enfoques
provenientes de la inteligencia artificial,
Machine Learning y Deep Learning.
Ellas determinaron resultados finales
muy distantes tanto en las cantidades
mensuales como en las totales de la
polaridad y del grado del sentimiento para
KFC, esto es valioso porque descubrimos
que el análisis de sentimientos es un ente
que no puede ser calculado desde una
única heurística de inteligencia artificial,
ni tampoco se puede tener una sola
manera de ver ni pensar de ella, porque
se encontró que se pueden analizar
los sentimientos de los tuits si nuestra
postura es dogmática, en cambio si somos
relativistas escépticos se descubrió que
lo que se diga solo es para los mensajes
que se tuvieron y por tanto no se debe
generalizar.
Por otra parte, si somos criticismos solo
se visualizan las apariencias de los tuits
porque están acondicionados por mucho
por las heurísticas de Machine Learning y
Deep Learning empleadas, estas exponen
diferentes resultados para los mismos
mensajes obtenidos en KFC, mostrando
Análisis de sentimientO de lOs mensAJes de twitteR RespectO A lA empResA Kfc del pRimeR tRimestRe en
HispAnOAméRicA 2022
240
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
así que no existen correspondencia de
verdad entre las heurísticas utilizadas. Otro
aspecto importante de esta investigación
es compartir la visión alanturiana de que
las máquinas con inteligencia artificial
débil no realizan análisis de sentimientos
solo están imitando porque carecen de
intencionalidad.
Referencias
Alarcón Urquiaga, D. G. (2019).
Identificación de los principales
factores que influyen en las
decisiones de compra de fast food:
el caso McDonald’s de Chorrillos.
Universidad San Ignacio de Loyola.
Alcina, A., Valero, E., & Rambla, E.
(2009). Terminología y Sociedad del
conocimiento. Peter Lang AG.
Ardhianie, N., Andreswari, R. & Azani,
M. (2019). Sentiment analysis of
‘indonesian no dating campaigns on
twitter using Naïve Bayes Algorithm.
IEEE International conference.
Ari Mamani, D. (2019). Deep Neural
Network Approaches for Spanish
Sentiment Analysis of Short Texts.
Universidad Nacional de San
Agustín de Arequipa.
Bermejo Escobar, D. & Vizcarra Aguilar,
G. (2020). Modelo Basado en
Aprendizaje profundo para el análisis
de sentimiento de tuits en español.
Universidad Nacional del Altiplano.
Biber, D. & Finegan, E. (1986). An
initial typology of English text
types. Department of Linguistics,
University of Southern California.
Cegarra Sánchez, J. (2004). Metodología
de la Investigación Científica y
Tecnológica. Ediciones Díaz de
Santos.
Celi Ápolo, L. A., Chávez, D., Muñoz de
Camacho, S., Páez, J., Velasteguí,
M., & Villarroel, R. (2018). Líneas
y Áreas de Investigación de la Escuela
Politécnica Nacional. Escuela
Politécnica Nacional.
Costa Bojanich, B. (2018). Implementación
de plataforma web de participación
ciudadana para evaluación de
proyectos mineros mediante sistema
experto y análisis de sentimientos.
Universidad Nacional Mayor de
San Marcos.
El Rahman, S. A., AlOtaibi, F. A. &
AlShehri, W. A. (2019). Sentiment
Analysis of Twitter Data. IEEE
International conference.
Elbagir, S. & Yang, J. (2019). Twitter
Sentiment Analysis based on ordinal
Regression. IEEE International
conference.
Hernández Sampieri, R., Fernández
Collado, C., & Baptista Lucio,
P. (2014). Metodología de la
investigación. Mc Graw Hill
Education.
Jiménez Palomino, R. (2018). Influencia
del aprendizaje computacional basado
en técnicas de minería de textos en la
clasificación de comentarios de textos
agresivos. Universidad Nacional José
María Arguedas.
R A M G - J A G V - J A H Q
241
| ISSN (): - | ISSN ( ): - | | C | V. XXVIII | N. 36 | - | |
Kamis, S. & Goularas, D. (2019).
Evaluation of Deep Learning
Techniques in Sentiment Analysis from
Twitter Data. IEEE International
conference.
Kaplan, N. (2012). Nuevos desarrollos
en el estudio de la evaluación en el
lenguaje: la teoría de la valoración.
Boletín De Lingüística, 16 (22).
http://saber.ucv.ve/ojs/index.php/
rev_bl/article/view/1468/1376
Kusrini & Mashuni, M. (2019). Sentiment
Analysis in Twitter Using Lexicon
Based and Polarity Multiplication.
IEEE International conference.
López, J. (1999). Procesos de Investigación.
Panapo.
Mahapatra, S. (21 de marzo 2018). Why
Deep Learning over Traditional
Machine Learning? https://
towardsdatascience.com/why-deep-
learning-is-needed-over-traditional-
machine-learning-1b6a99177063
Martínez, M. C. (1994). Análisis del
discurso. Editorial Facultad de
Humanidades, Universidad del
Valle.
Mirhoseini, A., Goldie, A., Yazgan, M.,
Jiang, J. W., Songhori, E., Wang,
S., Lee, Y., Johnson, E., Pathak,
O., Nazi, A., Pak, A., Tong, A.,
Srinivasa, K., Hang, W., Tuncer,
E., Le, Q., Laudon, J., Ho, R.,
Carpenter, R., & Dean, J. (2021). A
graph placement methodology for fast
chip design. Nature 594, 207–212.
https://doi.org/10.1038/s41586-
021-03544-w
Pino Salvatierra, G. (2018).
Posicionamiento de marca y
comportamiento del consumidor
de Kentucky Fried Chiken (KFC),
Independencia. Universidad César
Vallejo.
Quesada Moreno, J. F., & De Amores
Carredano, J. G. (2000). Diseño
e Implementación de Sistemas de
Traducción Automática. Universidad
de Sevilla, Secretariado de
Publicaciones.
Renkema, J. (1993). Discourse Studies:
An Introductory Textbook. John
Benjamins Publishing Company.
Saini, S., Punhani, R., Bathla, R. &
Shukla, V. K. (2019). Sentiment
Analysis on Twitter Data using R.
IEEE International conference.
Segura Vásquez, L. (2019). Evaluación
de algoritmos de clasificación para
el minado de opinión en Twitter.
Universidad Señor de Sipán.
Valdecantos Flores, M. (2019). Aspectos
legales en entornos digitales. Editorial
Elearning S.L.
Werlich, E. (1979). Typologie der Texte.
Heidelberg, Quelle & Meyer, 2ª ed.
Zanoni, L. (2019). Las máquinas no
pueden soñar: Pasado, presente y
futuro de la Inteligencia Artificial (la
tecnología que cambiará el mundo).
Inclusive Publishing.
Análisis de sentimientO de lOs mensAJes de twitteR RespectO A lA empResA Kfc del pRimeR tRimestRe en
HispAnOAméRicA 2022
