LibreOffice/6.1.5.2$Linux_X86_64 LibreOffice_project/10$Build-2 0 0 14099 9999 true $(brandbaseurl)/share/palette%3B$(user)/config/standard.sob 0 $(brandbaseurl)/share/palette%3B$(user)/config/standard.soc $(brandbaseurl)/share/palette%3B$(user)/config/standard.sod 1270 false $(brandbaseurl)/share/palette%3B$(user)/config/standard.sog $(brandbaseurl)/share/palette%3B$(user)/config/standard.soh false false true true false false true false false false $(brandbaseurl)/share/palette%3B$(user)/config/standard.soe false 7 4 false 0 low-resolution false false 1 1 true 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 Ruso Alexander Morales Gonzales 1 José Antonio Guzmán Valdivia 1 José Alfredo Herrera Quispe 2 1 Universidad Nacional de Moquegua. Moquegua - Perú 2 Universidad Nacional Mayor de San Marcos. Lima - Perú Autor de correspondencia: rmoralesg@unam.edu.pe R esumen 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 A bstRAct 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. The 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 | Campus | V. XXVIII | N. 36 | PP. 229-242 | julio-diciembre | 2023 | 230 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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. The 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, & Ruso Alexander Morales Gonzales - José Antonio Guzmán Valdivia - José Alfredo Herrera Quispe 231 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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 A nálisis de sentimientO de lOs mensAJes de t witteR RespectO A lA empResA Kfc del pRimeR tRimestRe en H ispAnOAméRicA 2022 232 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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 Ruso Alexander Morales Gonzales - José Antonio Guzmán Valdivia - José Alfredo Herrera Quispe 233 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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 A nálisis de sentimientO de lOs mensAJes de t witteR RespectO A lA empResA Kfc del pRimeR tRimestRe en H ispAnOAméRicA 2022 234 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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 Ruso Alexander Morales Gonzales - José Antonio Guzmán Valdivia - José Alfredo Herrera Quispe 235 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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, Σ 16400 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 iVBORw0KGgoAAAANSUhEUgAAAwAAAADICAIAAADQsBGdAAAfIUlEQVR4nO3df2wU553H8XHV QEMKBGynJKYOxcYqKlFDHFFC8EZJCPZJXNL4UISRKtHmEslWSNKeZaTKzR+RVckWahqIsESv F6STaiviiIL4AxtCVNuXEBRKT6HiahvXOJCqwYYQFzhCKt9352seHs/O/rBZe9d+3i+hzezM M792N57PPs8zz359ZGTEAwAAcMnXM30AAAAAU40ABAAAnEMAAgAAziEAAQAA5xCAAACAcwhA AADAOQQgAADgHAIQkBW6urrKyso6OzvXrl2bxs3m5OTEjvVVXFzc3t6+dOnSNO4o+7W2tlZV VZ0+fXpanHhfX19RUVFLS8umTZvGu3Rikn4qKioq6uvr0/v5BDKIAASMampq2rZtm07blxa9 2Oi0TPT29qZld7LZvXv31tXV6VO5rqR3VFJNVHK9j10kpyDBKL2Xz1gaOHS6sbHRnKnnxzIz PbGzrqmp2bVr18QOZvLY52VM7AQliARWtE85dumt0E+4hO/E0fDgwYMSkp5//nn7rQSmLwIQ MKrOp7lBLparVq3S64FebCQerVmzJo1ffyX9pGtToTT9xLukyRnJ1Xrx4sWT94V+k08vrpIs 7VdP9i6JRMtMYMu67ngPRh4nOwPpeZl6Jj13eZ1vvdppAqecuvXr14dWPVZUVEjosedIdJYM VFhYOKnRGZgaBCA448GQb+dRHwW/STc2NsoFWy5dk/dDMXJplF3IjiZp+zU1NbLxxBfdlpaW LVu2TLhCS1YPnR8bMqqrq9vb2xMHsnGRXcg2b30745Lz09+Hzh957ZF4q8jJyqskR7t9+/Zx 1VfFmrxTlmQvASj1HLxnzx55KwlAmAEIQEAI+UIsf+VjvwEb8j1YW5cCDUlmvv2VOtAYtGbN Gtm4TG/zaUltgJPIZbe4acuRWV0DhNlFvPY42UJzc3No45dNDls229XVNQW9OiQAydHKhTZe 3pKXuq2tzbMay7Q5Sa76Eh3MK6B5QiaaffriywsiW45EIrLIfnnN6pN9dgksXrzY898RfWpO 0xvbNKbvfnl5eX19/dmzZ+WkTE2S57/R3thTNkvNR0XPVOsvPevjF2+Phn4CUz8j2azsVA6A DITpjgAEhJC/8nqtDe1rItdmvcDodcg0JOmV2L4OyaVCvjFLGS0vW9OUoy1Q5mJvdz/SFjdZ Kpc0XSpXmoGBgY0bN2r6MZ0wZDq0j/OxY8d0O0lPU664v/vd76YgAMnBJMiUciINDQ0yX183 bWGR85L5WkCeyossi+RR5+vr7N1InJow5HT6+/vlldSUoK9qbW1tBns9S5rxbrwXcu6m745M m6YxOesjR47IfD19OXg7Mesq9inbS3WR0EX6uTUfyHh7NIcne5THe+65Z1wnJUcin2oCEKY7 AhAQTv6+d3R0yHfuSCRi/62Xy49EE73AaCWKZgi5BsvVZfPmzZ5/HZKLsVxpNAx5N64xsinZ oJQMXJI10JgM5PkVIbt377bLyCqya9mF6YKqjRFymQ90SpXDNhUDiWk/lXG8KLdAXhNtWwwc sLw+cv3WV1hrF8Z1cdVeKfKouUprv7TeZc2aNfL46aefZjAAaVKRECan2dbWZqrl5IMhZ2qa xrRiTOOLl6zHUmCpZEe7pGRlLZB4j+r999/3xmZlU7+o7G7dJjwtWbKkvb19gq8IkDUIQEBc cqmQP/Rax2NmaioSZo6dIfQbv2dlC3N7l90YkdTGjRslK2j7lDzqtTyQbDQu9Pf3T/gEp5jk niNHjsh5FRYWmplyDZaXJfT+qdStX79eJ0yFR01Njf0eTTH7bdLcoH3eTdSQCYnI5hMiZeQV mNg9hprCtU1KNmhe20C4sfeYgH0ACZqAgRmAAAQkoneMl5WV2R2WQ3uWyAVG5pvaC7n6ml6r Gn06Ozu3bNmS4o1IernSuiW5kt3Kjcd2FJBtZvaSprdSa2cdc6lO71Hp+ba0tGzevNl0Bppi 4+3uLaFND3tiwxOYD549sAKAxAhAQBLaecX0FV2yZEmgccr0E6qtrdXbnj3/oq4zm5qaJEVp tcS4bmbWtCTbNHNk13Jltbsty9NIJBJYURvazNNdvtBdxDbGTQHtEK09deSpxKBAxZh5PU0f oNTJKyznrq+2Nj5mCU17dt9h+VQ8//zznn+cZ8+e1bdJzr2+vn68AUijXuB8E+zR0JrF8X4M +vv7J/DWANmGAAQkYTpE61P5hi0Xb3ORlquO5BJdFHrnvFwtTKeKjo4OM19brwLDIdq0aWP9 +vWmv4UUk+wllzrdi0Qr2UjsxXLVqlV6YEl7N2u9VNJXIL1Mh2h9Kscvl3zT2hJoozHnLnHQ 8wc3knXl6qvFYruoDwwMeDeu6NoGlCXkNLU7vI4vFejOZebLZyk0WyQ4Ze9GY6i8RLKLFPdo VvT8XvPjCkDypjQ0NKReHshOBCA4I2a8n1imB6hEHLsVQztEm2J6l5bWstjNN6b6x5CN1NbW atOG5zdVaDFJVPJdXPYi1xL5Xm5aqQL36Uj5wLdz7fNrKplCu4xoY5xc/hMHILkiypFM+Baw VNryTLcnOTt7XADtEG2K2Sdl94PRfrs6XzOobkTrxvQOOF2qXcvljdB4ql1w9NU2zZfax1yH PJ7AWScY78cw777sJbZdT57KC6LHFsjKcnaSdPWzp6NuBo7WPuXYpTItHycJx4HzSrBHQ14c +WyH1jmFtktKsJbj5BYwzAAEIOCmBF1QA1+7Q68lsb8SoBUbdmF7O6ZwvFaq0Jmp9JOVFeVi qXfOxytTX19vVxhMhgQ9ewIvVLwkZ7905qKrY0zrdOwbkfTVnjxJR84MfUHMHYVmjg5Kbpex Tzl2abyZ8fYYWFHSZ+rDQTU0NMQbAxOYXghAQHrI93L75ib12GOPZeRgPL/yKUFth3a25Yct 4Y3nt+F0GCqqfzAzEICA9Dhy5EhbW5t9baioqMjgMMRmAL3YyhVt6ZsWP4qOqSEfFfm4mt+/ CyUF9uzZQ2jGjEEAAtLj4MGDNTU1dh+gpD+vPQVCm5bS9YP2mEmSNpYxJhBmGAIQkDYJbjgH AGQVAhAAAHAOAQgAADiHAAQAAJxDAAIAAM4hAAEAAOcQgAAAgHMIQAAAwDkEIAAA4BwCEAAA cA4BCAAAOIcABAAAnEMAAgAAziEAAQAA5xCAAACAcwhAAADAOQQgAADgHAIQAABwDgEIAAA4 hwAEAACcQwACAADOIQABAADnEIAAAIBzCEAAAMA5BCAAAOAcAhAAAHAOASgzzp49e+XKlUwf BQAATsj12XMIQJkh6aekpCTTRwEAgKMIQAAAwDkEIAAA4BwCEAAAcA4BCAAAOIcABAAAnEMA AgAAziEAAQAA5xCAAACAcwhAAADAOQQgAADgHAIQAABwDgEIAAA4hwAEAACcQwACAADOIQAB AADnEIAAAIBzCECZ8+iCTB8BkBX2v/Tm9X/8I9NHMW7/9qeCS/83/Q4bcNZffvGDO2+/GXsI QJkz/HmmjwDICte/+urL69czfRTjJunn86tfZfooAEwQAQgAADiHAAQAAJxDAAIAAM4hAAEA AOcQgAAAgHMIQAAAwDkEIAAA4BwCEAAAcA4BCAAAOIcABAAAnEMAAgAAziEAAQAA5xCAAACA cwhAAADAOQQgzERvfuDdtzo60bHf+9lTXt1O75kXQoq99YbXtHVMeXumYa/+8VHvxw9N1mEj NRs2bJDHAwcOBOZXVVUF5hw/fry7u1smSkpKSktLA0tbWlrksbKycvbs2YFF165d27dvXxqP GZky2LAm947bdHro8vW8+vdDy/QMXn3o1yfsme88u+LJFbk6vf/k0FO/PWkvLVs6v2Pr/Tr9 Rue5rft6037kmGyZD0DFxcWnT58OzKyurt61a1fSYkVFRb29ox+7pqambdu2xW6/s7Nz7dq1 MtHV1VVWVhZYOjIykuDYKioq2tradLqxsbGuri7JySDjTJQZ6PEqS0ZnLn8wvLAGnX3dXuGy mzM165gMZGcjIdMyhwyUCfn5+evWrdPp4eHhwNJIJBKYMzg4qOnH8wNQYKkukm3Gph9d99YP GJllMorGlxcjBa8/XTzy2iM5P/29FtA5Oi0ByF73g5dXrr53nnkqSUjykMlAOyuLXygr0M3q dOGCbwQSErJf5gOQJJjW1tb6+noTZeSpfJNrbm6200lsMc8PKGa6zpeTk2MSj27q7NmzOi0z ZYOyymOPPaZRJseXIAMdPHhQY1PinIRsYaLMgzlj5svM5yLeic6bc94djCYkz6/duTTkPehf HX/1jhd5MjpRXjUagGTpxc9Gt7bpRa/29eiEnYcwVez0EyovL+/w4cPnz58PXXfWrFla3xNQ WFgoWefQoUNmTmlpqaSlU6dO3foxI7OanlyqE9vf+0Qed3Sce2X9vbl33CaRZeu+Xjv9BMii 3Dm3aU7SfOP5GcgUqHrgLnl8t+eiPMqmpIAslbzV2Xdpks8J6ZT5ABRr06ZNixcvltghYUUi SIKSiZfqphIslT+IkrQkJCUuhunhzQ/C08/KMq+tZUz6kSgzP9drezU6vajwZnXOz56KBiNZ NP/GX7pDb91csXWH99wr0UUfH53M00A4STbyP2y8GCSRZfbs2bpoeHg40Dq2fPlyWaoNZOfO nevo6DCL7rjjDjv9iLvvvlu2EBqkME3VPvptO5poZY/kIfkXGoMeX7ag5JfHdFryTfl3Fy7L v93zq5RkO9F45LepnTj79wR7QfbLxgDk+bU11dXVzc3NfX19S5cuDS1TU1MTaCYLkGQjQcrU BsWSpbd6oMgSkmlMp58ASTB2+vH8Ch7PDzSeH3psly5EI86loZvrGvu6o4sGemj/ykJ2C9fc uXMl69hBp6CgwCyVaVlq+gbZYcjz64pkdVl3So4ak+uz4es6oQ1Y29/7RIJLz/mrknsSrxho zBq6cn2ZFw1Amm8kHoWutfxbc9Jw0JhCWRqAxJIlS+Tx008/tQPQ6dOnc3JGv98XFRWFrmh3 9Ons7Awto7Zs2SKPq1atutVjRcaV3+j9+v2HvY/89koJMY/nhRcuXBa3Fmf+wuijto4Zdido WVeeBnpJI6M0tQRmStCJRCKSb2L7Pnt+O5d3oxuQrbCwUB5p/5oZJMd0/3yVVt5IBpJ/sX2Z U5E7J1rfI8lJn94197bQYgvnZO/1FKGm2Rtm93quqakJLWP6ALW2toYW2ObTaUlU8WqYMJ2Y Xsy1T0erbSQDzc+NtmfFZiC7/St0kQjU8UjckX/aOub5vaQlIWkFErKD6d+jPXh0Wit+BgYG jh8/rnOeeOKJvLzRj4QUiw1AtH/NMCW/PGbfzCUTL0YKktYA2cqWztcI9WzrnyflEJE52RuA +vv7Pb8tLF6BxO1fXvwOQNzPNQNpNJFcoo1WHx+NtojJTMk0gaRSXhWtHAqNL1rNs/2l8F1I ljJ3hMlGCEBZw84rx30bNmzQOqFAytHuPtoZKLbSSGuSYlMRpi9NPy+93Ws6+sjEibN/T72z jvakfqPzHP17Zp4sDUBdXV3Nzc3V1dVJSybtKF1TU1NbW5veap6k3Y+QYac+Gk0q9v3tSuYE WrhU3c7ooo79iZLNjx+6WQ+ELHbgwIHQ0X3U4cOHQ3tSa/vXwMDA5B4cpoqmH+30I//MgECp 91Z+MVKw+t55R898YQ/zY7oWBVy48lVaDhtTJhsDkN4GX1RUlDRkSPrRfjwJNpWgG/XEyE7r 6+vTuEGkwaUh/+6thUmKxWv/WlkWrf75+GiwT3QsCU/35UYDFrLb4OBgQUFBaHXO+fPnY4cR 8mj/mnEe/k50IJ+hK6N5peUPn+kN7fE68cR6/eliyU+BARLf7blo3xJvnPrblVs6XEy5zAcg M8Kh6d3shbVShRbzrIYwMxBiYLRD2ZROmIEQ29rapGQqQ/uYgRADO7XrnHS/9uBDyID/+e/o ED4SbiTK2LduHXprTLFVj4e3f/2mIzjEs452qPU9gTGEPI9O0NlGW7UCI/3ozVw6BnTsvfGx 2Yj2r5nNDHUYrwonIDo89Pmr5n54zx8dUcKQGU9o5eJv2jVJOtoQppHMByB7YMNbKaYDISYo oAMhjuPIUhhnKJX9YiqYIXx+VBsNK6vLozM79geDy/cfDmn/2udf8+5bPXr7mHrrjeijtnZJ PNr+UjQ2SbqSYs8FRxzGlFmwYPQOZLsHj+n1bO5vz8/PnzdvniaeRYsWeTfujdeEJHnoiy++ CGQdvS+M9q+ZRKt8Vt87T8fv0dELhy5ft28EW5Z3e2BCSdaRiCP/Rl57xMzcf3J0gIxX28+8 /nSxbFDC0M7KYl1EJ6FpJ/MBCEiPx/OiUSby5GiOif1Jr9D2r3h9erTqSDaiPaNrX4/+i44Z nRNSGJMv9se8JNBovY5EGck3GoNKffYveXV0dJibv7SiKDD0s6L9a+bZuq+3Z/CqJBXzo11H z3xh2rPMEM9Ks44WMDfPB+jQz54/iKLnN5BpPOK3wKYpAhBmkMrg7z2N0bojpPEr3lhBSm+A Rxbo9sVbqjd/xVsaG3dixf60KmYA7f4cukgiS7zUYjd7TWDLmC4IQAAAwDkEIAAA4BwCEAAA cA4BCAAAOIcABAAAnEMAAgAAziEAAQAA5xCAAACAcwhAAADAOQQgAADgHAIQAABwDgEIAAA4 hwAEAACcQwACAADOIQBlznsXM30EQFb459lzMn0IE/FPP/xapg8BwDjcefuYzEMAypy5d2b6 CICsMCvTBzAx0/SwASgCEAAAcA4BCAAAOIcABAAAnEMAAgAAziEAAQAA5xCAAACAcwhAAADA OQQgAADgHAIQAABwDgEIAAA4hwAEAACcQwACAADOIQABAADnEIAAAIBzCEAAAMA5BKCM6enp yfQhAADghNzc3IULF9pzCEAZU1xcnOlDAADACTk5OYE5BKCMiX0zAADA1CAAAQAA5xCAAACA cwhAAADAOQQgAADgHAIQAABwDgEIAAA4hwAEAACcQwACAADOIQABAADnEIAAAIBzCEAAAMA5 BCAAAOAcAhAAAHAOAQgAADiHAAQAAJxDAMqcRxdk+giS+K8X/j29G/zX44vSu0EAAFL0l1/8 4M7bb8YeAlDmDH+e6SNI4ssvv0zvBj+/+lV6NwgAwMQQgAAAgHMIQAAAwDkEIAAA4BwCEAAA cA4BCAAAOIcABAAAnEMAAgAAziEAAQAA5xCAAACAcwhAAADAOQQgAADgHAIQAABwDgEIAAA4 hwAEAACcQwDKYpte9Gpf97a/5LXuiFvmoxHv46Pejx+6Oadup/fMC6PTz0W8E50ha7076A30 jFkrmdLS0pKSEpkYHh4+cOCAzqysrJw9e7ZOt7S0xFvXFDv6jd4dHedS3ykw83T/fJU8lvzy WLwCH7y8cvW983J++nszp2zp/I6t9+v00OXrefXv2+XtpW90ntu6rzd2a/GWAi4jAGWlNz/w 7ludvNi+7vAVNTPJ9G86xuQnTVSjelI8FhN9PCvl5Ofnr1u3TiYOHz4sjzJdVVV1/Pjx7u4x h2Siz7lz5zo6OnYcuyfFnQIzjB1Tes5fjVdsZ2WxyStmzgtlBeZp7h23DTasMRlIl+4/OfTU b0/qdOGCb8i0LpWSUt6sq9shAwFqTACqqKhoa2vz/Ovcpk2bAkVramqam5sTLO3r6zt48GC8 PXV1dZWVlel0dXV1bW3t3r176+rq5KmsWFRUZEqePn166dKlxcXFMqFzOjs7165dax+haGxs lNXtdU0xkZOTYxez59jKy8sTHHPs7uKVTKcU08+v3vEKl42Zs7JsdEVNPG0t0afPvTL6dEz6 SVUkEikoiP7RDISb+++/Xx6vXbt2/vx5mRgcHMzLy1uxYoVdRiKRN7bGCHCTnX4SF7Ozjs4p /+5CUxs08tojnp+BXowUaGVq1QN3yeO7PRc9P9nI6k+uyJW1OvsuffDyylfbz2ixd55dIfNl QraW3lMDpq8xAUiiQGtrq1y36uvrYyOOpB+JGr29Id8eJIVoNpIJyS6xBTQ8mYAie5FNSQzS pbLKyMiIlJHpXbt26UzZUVNT0+7du+09yhFqkJLy9roag+z5ukGJWeZ4ZI5s8MiRI3bikYiT 4NWJ3d1U0JapxDFI0kzkyeDMH9VGHy8NjZk5PzdaWDKQ/htPDCotLQ1NP0Lijv30woULMmf2 7NklJSVasrKy0iP9AD6JIxJiksagt3/yvdiZdmPZ0TNfrL533tDl6xprJAZpBc+Js3+3V6l9 9Nuyx7r9ffKoc7a/94kGoLb/vXCrJwPMFMEmsMWLFzc2Nm7btk0yip2BJDpIXmlvbw/dyt69 eyXcSFAwlTo2yRCSflpaWkz1zCZf4vAxXnrYss0ENTqxxlU4i2jfoECUWbI8vPCqxxP1IorP dPoJpJ8EFi1aJIUjkYi2fKW+IuC4D15e2fKHz6oeuMtutDIJxvNrcbR1zLR/Pb5sQeimln9r TmBdDV77Tw7R/gUYIX2ACgsLy8vLA5VA/f39clWLF4BkqeQeSUi7d++ODUANDQ2eH3oC89Me PjSESVZLsa2qpqbGVDhNJ/u6o+kn1vw4ldsL7prIXup26n9nzZqljVme3+NH27yuXbs22xe6 qtYPSZlSn+e3kR06dGgihwE4YGdlsee3YWmTVkCg6kii0kO/PiETd829LbawWDjn63Zh06nI tI6l78CBaSy8E7SkH0kSXV1dpsVK0k+8TUgxXbp58+bm5ubYVrDe3l5JVKkcTbPPnmP3DUpK jlbrgdasWWNqmwLa2tpMZ6AUjyq7/Oodr//UaGPWpFr+oP73zJkzx48f37Bhw9y5c9etW6cZ SGZq/ZC89R0dHWaly5cv5+fn27eGSTHJQBKJnnjiCe/Ynyb3mIFpSEKJ5J7AvV02bUEzUUYe 33l2henpnJhEJTs/yYR9fxngsvAAJOlBwkFDQ4NW0sgVbteuXRKDQgubYrKW5JXQVrAUVVdX 21Uy2gdoXFuQXR85ciRBrx2717P2OppOJPQsWe5VlkzFvubn6n8l/cjjX//6VwlAMrF8+XIJ QDpTwk1BQYGpHxIDAwMLFoxWyw8ODnp+K9iKFSskEgW6DQFQb//ke0//R/LvBhJlzB1hD39n XtLyhuYnc0eYbISGMMBLcBu8qQTy/G/58Yr19fXZdSoithWsuLg4tOv0JJF8I8dTUVER2h3b Nv3av555IXrn10djs919q6Pj+jye5126YFLLGBc/u/U9S7LRKh9Tu3Pcp9N6u/vw8LBkIxOA DJmva1H9DgRIHJFcEts5euS1R156OzhulgSXBwvnmiatz4avh27zwpWvYmdKxkrlTjTAHXED kKkEkhiRICjs3btX71rXp3rPlGk7U1u2bKmqqgr0qvb8O7AmqQ+ydgaSidra2sQlJcBt3759 vEkoSzsP9Z8K3hivjr07ka1F7yaLbi0/P1/7/cRTWlqq+ebDDz+Ux4sXL+r8eD2EAEzYRwPD EoB6BqMjCb3bc1Hv7Qo49bcrsTPlu8fQ5esStt76Y6L/nQF3JBoIUYNLY2NjvAKSHvr7++2K Fo1NsqJd5SO5Z8+ePdpQYjJQcXFxvC7Vt850Bkpacv369XJs49q45Lb6+voJHtktshu/zA3t ZiTo/9wevTc+UAkkOWZCt4CNDiPkd4q3A9CFC2NuozXDJHZ3d2sxeRweHp7rs0teu3aN6h8g YOu+XrtByjRUaU8d7fcTO4Jzyx+i1bo7Os69sv5eKb9y8Tft/7m2v/eJ9vuJHTa65/xV/jcE VPhAiHKBlwQjYUUmNm7c6Pl5RYclzMnJ0YEQdcQgz49Bdq8a3YIUs4clNCMMmf4idr2RPZhh c3NzYCBEe1PmCGWmGZnQjNAoicd0/ZFFEs7sszPtdIEREeN1lw7szp5vV1w1NTXJfu2TTQ+T Y1K/if1Ep9exP5qB6nZ6TVu9cv+l/s2rY8qYKqLQuiJb647BLb/Iy8u7++67Pb/rj+c3Zplm L+3drNPm7jD14Ycfrlu3zgwLpL1/Tp5Mqc8mMFNJTNGJZfm3p7hK7pxoGLLHd6564C7JQ6Zp 7NX2M68/XSwzZY7eSrb/5JBEnBcj0a5Cko1GXntEs5QuTfATHIBrggMhBhabipzYTjw6lk9g 5i5f6J5CyysdzDDerhMfYYKdBmZOYDDDVFro6nzj3XIi+7rHpBMJNB+NJPlFMONnT0VvE3vm hdGfA7N/C8z+jTDPD1ixvyM21qFDh3QkaI2t5lZ28zsYXpyfAJMwJPNlLXMb/I2ExE9hwEUS RySm2HMkl/Scv5o0jjzb+mftuPPkilwdBjqy8492FY4mIdm4LjV1RTJfUpH2FtJFR898keBG M8BB/BZY9knxJi8d2TmWZKBQTVuj/8bJvsXd0HyTdN1UygAukDiS4s8ABzKK3sA1sY3rWEEA 4iEAAQAA5xCAAACAcwhAAADAOQQgAADgHAIQAABwDgEIAAA4hwAEAACcQwACAADOIQABAADn EIAAAIBzCEAAAMA5BCAAAOAcAhAAAHAOAQgAADiHAAQAAJxDAMqc9y5m+giS+JfZc9K7wYs/ /Fp6NwgAQIruvH1M5iEAZc7cOzN9BEnMyvoNAgAwMQQgAADgHAIQAABwDgEIAAA4hwAEAACc QwACAADOIQABAADn/D9IUoc6jSnsLgAAAABJRU5ErkJggg== Diagrama de barras horizontales apiladas de la polaridad de enero 2022 - KFC A nálisis de sentimientO de lOs mensAJes de t witteR RespectO A lA empResA Kfc del pRimeR tRimestRe en H ispAnOAméRicA 2022 236 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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, Σ 16400 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, Σ 13202 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 iVBORw0KGgoAAAANSUhEUgAAAwQAAADnCAIAAAAvoQYEAAAgDElEQVR4nO3dcWwU55nH8fGp wSUpkIAdpeDa1BhfUYgKIaLEwRslAdsncaThEMJIlWi4ImEBSXqWLVVu/0itSrZQ0kAEErle kE7CVpUjAuUPbBKi2BRoFEpOTVXV2K5xcXIKpgnQhAKpuGfnMS/DzOzs2qy9u36/H0Wr2Zl3 Zt9Zb5jfvu87737txo0bDgAAgK2+lukKAAAAZBJhCAAAWI0wBAAArEYYArLFsWPHKisru7u7 ly9fnsbD5uXlBYcGlpWVdXZ2lpaWpvGFsl97e3ttbW1fX19OnHh/f/+8efPa2trWr18/2q1j k/RTUVNT09TUlN7PJ5ANCEPALa2trY2NjbrsvczohUeXZaG3tzctLyeHfeONNxoaGvSpXGPS e0ODpiu59gc3ySlISErvpTRIw4cut7S0mDN13Ihmlsd21nV1dbt37x5bZcaP97yMsZ2ghBLf jt5TDm69E/oJlyAeHRMPHz4sgWnz5s3ePyUwCRCGgFsaXJoh5MK5dOlSvTbohUeiUkVFRRq/ FksSStehQmkSSnR5kzOSK3dRUdH4fdFf79ILraRM77snry7pRMuM4ci672grI4/jnYf0vEz7 k567vM933hw1hlNOXVVVVWiTZE1NjQQg7xqJ0ZKHiouLxzVGAxOMMASbPBLyrT3uA/837JaW Frl4y2Vs/OaekMukvIS80Dgdv66uTg4efQFua2vbuHHjmBu6ZPfQ9cHAsWXLls7OzuhwNiry EnLMOz/OqOS98F7o+hsvP55oFzlZeZektjt27BhVO1bQ+J2ypHwJQ6ln4n379smfkjCEyYQw BISTL8ryL37wm7Eh34+1B8rX2WTWe79q+zqMKioq5OCy3OjSktpJJ/HL2yunvUtmdw0T5iUS 9dnJEfbs2RPaQeYl1ZbDHjt2bAJGgUgYktrKRTdR9pK3uqOjw/F0qGmXkyQAiRHmHdBsIQt7 XPrmyxsiR47FYrLJ+/aa3cf77CIUFRU57l9En5rTdG7vPtO/fnV1dVNT07lz5+SkTAuT4/6h ndtP2Ww1HxU9U23XdDwfv0SvaOgnMPUzksPKi0oFyEOYNAhDQDj5F1+vu6FjU+Q6rRcbvSaZ zia9KnuvSXLZkG/SUkbLy9E08Wgvlbnwe4craa+cbJXLm26Vq87g4ODatWs1CZlBG7IcOj76 /fff1+MkPU25+u7fv38CwpBUJiJfyok0NzfLen3ftBdGzkvWawF5Km+ybJJHXa/vs3MzfWra kNMZGBiQd1ITg76r9fX1GRwxLcnGufm3kHM3Y31k2XSfyVkfPXpU1uvpS+W96Vl38Z6yd6tu ErpJP7fmA5noFU315BXlcfbs2aM6KamJfKoJQ5g0CENAQvJvfVdXl3wXj8Vi3n/35VIkMUUv Ntq4onlCrsdypdmwYYPjXpPkwixXHQ1Gzs3rjRxKDiglfZdnDTcmDzluA8nevXu9ZWQXeWl5 CTN8VTss5JLvG9Aq1TYNBtF0XMso3pQ7IO+J9j/6Kizvj1zL9R3WVodRXWh1FIs8asbSVjFt j6moqJDHjz/+OINhSFOLBDI5zY6ODtNcJx8MOVPTfaYNZhplnGQjnHxbJUd6S0pu1gLRr6iO Hz/u3J6bTbuj8g4JN0Fq7ty5nZ2dY3xHgOxDGAKiyGVD/tHXth+zUhOSMGu8eUJbAhxPzjC3 iXk7LJJau3at5Abtw5JHva77Uo5Gh4GBgTGf4ASTDHT06FE5r+LiYrNSrsfytoTeh5W6qqoq XTANIXV1dd6/0QTz/pk0Q+h4eRM7ZEHisvmESBl5B8Z2r6Imcu23kgOa99YXdLyvGMFbgYhu YmAyIQwBSehd6JWVld7BzqEjUeRiI+tNq4Zcic2IV41B3d3dGzduTPGGJr10aZuTXNXu5GZm byyQY2b28qa3Z+vgHnPZTm+t9Hzb2to2bNhgBg9NsNEOFZcAp9Ue25QH5oPnnawBQIoIQ0By OtjFjDOdO3eurwPLjCuqr6/XW6kd9wKvK1tbWyVRaXPFqG6Q1uQkxzRr5KXlKusd8ixPY7GY b0ftjDNPd7tCXyLYYTcBdDC1juyRpxKJfA1m5v00Y4ZSJ++wnLu+29pBmSU0+XnHHcunYvPm zY5bz3PnzumfSc69qalptGFIY5/vfCNe0dAWx9F+DAYGBsbwpwGyFmEISM4Mptan8s1bLuTm gi1XIMkouin0bny5cphBGF1dXWa99nD5pl700u6PqqoqMz5DikkOk8uevorELDlI8MK5dOlS rVjSkdHaXpX0HUgvM5han0r95fJvemR8/Tjm3CUaOu7kSbKvXIm1WHB4++DgoHPz6q79RFlC TlOH0uv8Vb7hX2a9fJZCc0bEKTs3O0zlLZKXSPEVzY6OO+J+VGFI/ijNzc2plweyHGEINgnM JxRkRo9K3PH2dOhgalNM7/bS1hdvF49pFjLkIPX19dr94bjdGVpM0pV8R5dXkeuKfF83PVm+ +32kvO9bu44XNo1PoUNMtMNOokB0GJKro9RkzLeSpdLfZ4ZJydl55xrQwdSmmPekvONmdMyv rtc8qgfRNjO9k0636rB0+UNoVNUhO/pumy5OHZ+uUy2P4awj5hMyzF9fXiXY9ydP5Q3Ruvly s5ydpF797OkMn77aek85uFWW5eMkQdl3XhGvaMibI5/t0Lao0L5LCdlST24lw2RCGAJuEzF8 1fd1PPS6EvylAm3w8Bb2HscUTtSTFboylTG2sqNcOPVu/ERlmpqavA0J4yFiJJDvjUqU6rxv nbkA69zWuhz8QyR9t8dP0lk6Q98Qc2eiWaOToXvLeE85uDXRykSv6NtRkmjq0001Nzcnmm8T yFGEISBt5Pu69yYp9eSTT2akMo7bKBXRCqIDdfnRTTij+a06neaKZiFMMoQhIG2OHj3a0dHh vU7U1NRkcPpjM1lfsNFFewNz4sfbMTHkoyIfV/N7fKGkwL59+wjQmHwIQ0DaHD58uK6uzjtm KOnPgE+A0O6nMf8eGSaxpB1qzDmEyYowBKRTxE3sAIDsRBgCAABWIwwBAACrEYYAAIDVCEMA AMBqhCEAAGA1whAAALAaYQgAAFiNMAQAAKxGGAIAAFYjDAEAAKsRhgAAgNUIQwAAwGqEIQAA YDXCEAAAsBphCAAAWI0wBAAArEYYAgAAViMMAQAAqxGGAACA1QhDAADAaoQhAABgNcIQAACw GmEIAABYjTAEAACsRhgCAABWIwxltXPnzn355ZeZrgUAADlvlit0E2Eoq0kSKi8vz3QtAACY zAhDAADAaoQhAABgNcIQAACwGmEIAABYjTAEAACsRhgCAABWIwwBAACrEYYAAIDVCEMAAMBq hCEAAGA1whAAALAaYQgAAFiNMAQAAKxGGAIAAFYjDAEAAKsRhgAAgNUIQwAAwGqEIQAAYDXC UNZ74r5M1wDIRoeee/36P/6R6Vok9B9/mHPx79lbPcBOf/7p9+6dGpJ8CENZ7/Lnma4BkI2u f/XVtevXM12LhCQJfX7lq0zXAkBKCEMAAMBqhCEAAGA1whAAALAaYQgAAFiNMAQAAKxGGAIA AFYjDAEAAKsRhgAAgNUIQwAAwGqEIQAAYDXCEAAAsBphCAAAWI0wBAAArEYYAgAAViMMAQAA qxGGAACA1QhDsFXDLmfd1tvWXLzgPFWQsNjgGWdN+cjKlw46sdUjy4/kJXyJd4adGbPiCzue c9p3pqPSGJ01a9Zcvnz5yJEjwU2FhYUrVqzo6ek5deqUd/2qVaumTZumy7JJCoQeuby8fMmS JcHdkUOGmytm3XOXLDz3Zu/OrqHg1r9++VX5L973Ffa68MX1gqbjslBZOqNr2yLfSuSQrAtD NTU1HR0dwfXV1dWHDx/2rmltbW1sbAw9SFtb2/r163U5Ly/8WjVv3rze3t6IQ7W0tDQ0NERU 1bdX0vLILtW1/jWvvXjbU29a8iaeAz1O8XznRzHndHd8+YMbI8teJgZ1HXJ+/HSaa45kNKno soQh39ZYLDZnzpzQHSU85efnm6d6kNA8ZI6PXGSSzaGPLjz9q4+CBU48v1gKSBjSp5J1gklI /ObPl+Rxe2zOK8+UmZVSUo5PHsotWReGJPH09/dLUvEGGo0dEmu6u7uXL1+uKxtcZWVlVVVV u3fvNkc4duzY8eO3PoU3btxob2+vra3t6+srLS016yV1meXgoerq6uQVBwYGvEf2SVQB5ID1 252Lfw1pBzJM24+vUUd2lCR08cJI+jnZEX/601/dajQSEo+c21uSMIG8SSgoIgnJpuHh4a6u LlleuXJlQUGBHi0YhlatWpW++mKi3Xj5cXk8c/6KafXx2bWmbFnJdO+adYsKT5699OgvT3vL bK2cs+Pdv8jyz6pKYrs+7O6/aA4ueUgKbDvQO35ngfTKujAUSjLH2rVrJSFVVlZKuIkuvNyV 9Ji+diYfCTednZ179uypr6/3RihMEtW18RCjqeXXrzqt227b2rArPAk5N9uTJEh5yaEWV47E o3eG448koczpcSWKRJp1EkUi3SqOHDki36BkYcqUKb4ysq/pR0POGW6ucCKTUGXpDEk5vpXF 933dm4RE9XdmykEkAEn5tt99qklIvNo9pLvLLumvPcZNboQhIYmkpaWlsbGxtbU1ojeqvb29 qKgoaRiqq6tL2pZTVlbW19f38ccfE4YmGwkuDy279XTd1vh/3q4uM0goONBHck+oleviu790 cKR3TAIWco1JQurq1av5+fnXrl3zrpSMNX369KGhoUTNS8hmBzct1N6uV4/5RwgZbz774HNv 9nq7vYSvK00C0PzCqYc+uiDLEoNMEhJnhq/owuBnf09jzTHeciYMibVr10oYOnr0aEQYkn/O NmzYEH2cflfSl9MRRbNnzx5tPZHtflAfsvK1rpE81LBrZM2MmSNNR8JEJc06QQ8Uxx+/+1j8 8eIFp/6V+H/i9yedHz6axrpjwujgoUuXLnlXLlmypK2tLRaLZahSuCOPfTve+XXhi+uSdTTu +Dq/Tjy/uO13n54+97fo46xbVCiP2kfmM79gqi78+sPz6ao2JkAuhaFE9rjM00RhaN68eWa5 uro6+pitra19fX1btmyhWWgS+u8dtwY162hotb01HlwWPDLytKMt3n2mBUxUirC48lZUeiQv PrpI8tBDy5zXT5CHco52sV29etXbXLRq1SruHctd3kHQeS+8p6Oel5VMlwCkeWjXmng82nag V0pGH8r0kYVuctxx2aFbkbUmQxiSyGL6vOrq6hIVMwOo+/v7ExXz5irvYTGpeDPNmvJ4iHnN veBpKjKBRgcS6RBpx21Pig5D/7x4ZOF/fxN/bN/p/Ohn8aN5u+SQI0pKSuSxu/vWXzwWi126 dCnRnfbIfouLvqELegvYzq6hn1WVSDzSsdISgGofvj+VW8C0j+zV7pCONglYsklyUugdashm uRSG3njjDXl88sknI8qk0nxd6grdlK4AFD2wCdlFIs6O50Z6tYKO/HpkCNF998cfL14I7yn7 v8GQlYNnnIfcwmZ4NXKB/DOSn58vuef8+Vs9HTpISEdVG+Xl5TNnzgydxwjZ78zwFW0rknzT urpUlvVeMEOSjazJe+E970rtIwvtBZN0JY+JhmYjm+VMGOrv79dJfaJDht6NL1mkoqIiYhi1 Jp6amproe8rGRqo6MDCQ9sNiHGkrjmQXx407jtsUFJpgTL7xkcxkaGxCbpJ8I7lnaGiIHrFJ xowEun9ayIxBqUvUR6ZTE8V2fXgnB0em5EYYMtMb9vX1JS3c3t6+d+/epA0zZWVlzc3Naame bzh2VVXV5s2b03JkjAudTTE4tHmn+5npaBvp2NIbxIw/fnBr64yZt+0oCUlLykLxfP8dZ2ZS ImS9wsLCJUuWSBIyQ4VkzYIFC+RpW1ubKWbuzGcG6hwi8UVCzPzCqWaMs7rwxXXZ5B1GbaaT Dr0DP7SP7OCmhctKppvZhnTNjnf/wsihXJF1YcjMQF3rMuuD8zubhOQbQK2FzbKZgdo7gFr5 JnU0h/JO7RjBG9F881xXVFSYZZ1D0jvhNTJMh0hLpnlneGTexZcOxlOORpb2nfHJhGTrMneU vd56JilHhxCZreu3x5e1zM83jRxZFl7rivej6VYNVb6JrTEhzFRAoXMCmWmmZ868LddWVlY6 bo+Y9x8f4s6ksan9T5JyZt1z1/bYnJ1dQzpa6MXOs6kfQQdZ+/rI5GirF8YbjM0vcjhuxnr6 VyShnJF1YSj1fiudADppsaSTNKZ+qLHtVVpamkodMHF++OjIPWKSWvTm+a5Dt827KAV0Bmrd 6mtDkuXXT9y6ed77Sx0Sp+Sp7GW2Jr0HDem2ZMmS8vJbM15K7pFkMzw8rCN7zNTSSpZlqzbw +MYDGQyanjS6+y/mvfDejZcfN7fWe9tyUhHsI9OpqIMlzYRDyAlZF4aAiZB0eujoHxSLvlU+ 4qdbMf5OuRJtjRjs7O0Ii+abnhG5xTcgOkgzU+imYK/ZtgO9/OzGJEAYAgAAViMMAQAAqxGG AACA1QhDAADAaoQhAABgNcIQAACwGmEIAABYjTAEAACsRhgCAABWIwwBAACrEYYAAIDVCEMA AMBqhCEAAGA1whAAALAaYQgAAFiNMAQAAKxGGAIAAFYjDGW9dz/LdA2AbPSv+XdnugpR/uX7 /5TpKgDwu3dqeOwhDGW9afdmugZANpqS6QpEy/LqAfAiDAEAAKsRhgAAgNUIQwAAwGqEIQAA YDXCEAAAsBphCAAAWI0wBAAArEYYAgAAViMMAQAAqxGGAACA1QhDAADAaoQhAABgNcIQAACw GmEIAABYjTAEAACsRhgCAABWIwwBAACrEYayXU9PT6arAABAzpvlCt1EGMp25eXlma4CAACT GWEIAABYjTAEAACsRhgCAABWIwwBAACrEYYAAIDVCEMAAMBqhCEAAGA1whAAALAaYQgAAFiN MAQAAKxGGAIAAFYjDAEAAKsRhgAAgNUIQwAAwGqEIQAAYDXCEAAAsBphCAAAWI0wBAAArEYY ynpP3JfpGqTkf7b+Z3oP+O+nHkjvAQEAlvvzT79379SQ5EMYynqXP890DVJy7dq19B7w8ytf pfeAAACEIgwBAACrEYYAAIDVCEMAAMBqhCEAAGA1whAAALAaYQgAAFiNMAQAAKxGGAIAAFYj DAEAAKsRhgAAgNUIQwAAwGqEIQAAYDXCEAAAsBphCAAAWI0wBAAArEYYAgAAViMMAQAAqxGG JosPbjhdh5wfPx2yaf12p/4VZ8dzTvvO29a/fsJ5aNmtpz+KOae7bx0taPCMs6Y8ogqFhYUr VqzwrXz77bfPnz8vCytXriwoKAiu91myZEl5efxVHllxpfwX70e8HDCZ7FpTtrVyTmzXh939 F4NbD25auHrhrLwX3ove/bk3e3d2DXnX6PLJs5ce/eXpYHldPvTRhad/9VF6TgPITf4wVFNT 09HRIQvz5s3r7e0N7tDe3l5bW6vLfX19paWloQVu3Ai7mnrU1dXt2bNHl7ds2bJ792556cOH D+uasrIyObgum5qYuil9CW99RFtb2/r16/v7+2UvXVNdXW0O6ztId3f38uXLW1tbGxsbQyup R0t0Cr4dW1paGhoaos86/Rp2Oeu2Jtzqizte7ww7M2bdyjeSfl7rGglMEp5CnewIX3/TokWL fGuGhoY08axZsyY/P//y5ctvvfWWPJU/mcSmU6dO9fT0mMImBjnuO7/h/dnRLwdMDj0/WTq/ cGqircPNFbPuuSv6CJWlM0yyURqezNNlJdNPPL/Y5CFZljWakGRZSkod+O4Bm/nDkOQGTRKS RY4dOyZZwVegqanJibzwawHJKIlihB5fmMAkhfPy8iS1mDKSfuTVKysrNa/46ubNKOtdEnG0 gK6UiKYHl1Al0UdSi6mtHmTHjh0Sv3RNg0tKVlVVmZVCKnD8+PFEb1zEjhNnzElIdpzh/kNp 8s3vT8YLV9fGw9DSp/yNTC8ddGKrndZt0dUpKCiQP01wvaQcSUKy8Mknn+ia4eFhKVxSUmLC UCwWmzMn/q+5LyEBk9udJyHx5rMPep9KNnrs29O1GWl7bM4rz5Q5bh6S9d39F+VRlmXNB4OX 5bHhUH/XtkVSh11ryrYdCPkCDNggvJtMcolkiObmZm+biuOmFrnwmxadIAkQUqCzs1MiUaIw JGnG11ojJYuKijZu3DiWM4ikSaWxsbG4uDiijSfUclfaq5ROkk7kv0SR6IePxh8jIpFYVn3b 088+HVnwdbd997F4Wookicdxm3wcN+scOXIkWOab3/ym9+nVq1fNviQh2EnbYxJFooKm+Pex 6Eh04vnFvq3rFhU+819/0OWdXUO1D9+v6Wdx0TckDNU/8S1vYVlz4YvrcoTq78y847MBclXC MUMtLS2SIXyNQ/v27du9e3dEGJL8JDFo7ty5wX1Va2urPAZzj5SU1DKGE0hKKizhTC7SS5cu DXbqJSKxT/JZtoehMRs8M7JQPN850BPvKZMF52YG8iWh9dvjzUh/DGny8SopKTHLBQUF8oZL rJFwI08vX76s66dNm7Zq1aq33npLFuRpV1eXrtfeMSlGEgJGZdeaeKvPybOXNO4oXwPPp5ev 68Lpc3+LOFREAxUw6SUMQw0NDRJovI1DEm4ctwcq0S79/f2OG2tmz54t++7fvz8YJo4ePSqP kkuCu49fT1Nvb29eXp63Yy4puU5v2LBhnOqTedoXFlsdX5YY9MGNeDx6qiC8sJR0nCR9ZOu3 a0eYl0Ycbex54IEHtO1HYpDkJMk9Bw4c0GLapCSmTJlihn+9/fbbYzoxwCKVpTNqH76/oOn4 iecXRxS7f1q83ejCF9d1aPbgZ3/X9cX3fX0CKgnkhKi7yXyNQ9rqE1F+x44d2uQjgWnLli17 9uwJ5hsdCp16C01lZWWKJaN1d3fLobxjtIP2uMzTyRyGHLf5R+8yUxKJXjoYfjNaCn1kzp9O m9FCZvSP4zYXaeOQhEvJRib3SCSSYtoyNHPmSOP82bNnpfCqVatk64oVKyr/GH5bDQD15rMP mu6wCNpo9GLnWX267UCvRKhZ99zlHWHtuGlpPCoJ5ISoMORtHNJmoehuo87OTpN+JElIsIgY Rp0i7wBq5+bg6zEcRw6i2a6urq6+vj60jN7UpstSbAyvkks0CXUdcuYuGOkji62ODz/ytQBp H1nHi0mOdrrbeXKLLmrE0dvHRGFh4fnz5zUJDQ0NTZ8+XfvIJDDJGkk/pklJY9Mnn3yiBeqf +BZhCEjkxPOL2373adL/Rw5uWui4N8+bW+4ddyiSjkO68fLjZuWZ4SvjVFUg+yWZZ8g0Du3f vz96gHNra2tfX19eXp53ZXAYtY6/Dh1ONN4k2w0MDMirz507N2nhWCx2J6/lvX8tG5k2IW0K MoOsfeOpnZt9ZL4JilJw4MAB0+dl2oQ0J5kJh3zjqdXg4KD2r2nbPoAgvSNM/vPdUf/KM2VP zb/PTBokxVYvnHXm/JXgNEI6NNvxTDgk0Wr8Kw5kqSRhSBuHNAZFj+mRYr4ROToNjy/31NfX SxwJ3qfmuI0xsjX1HrQx0MHUUqstW7ZEl9QMJ6dQUVEx2tzW398vqWvMlZwI1W5MuXhh5OnO hvgkQ2JG4HaSVPrIEhgeHp42bdr58+d1/iFz79iHH36oczNOmTJF12tTkLYhje21AAS9+eyD F764Hj2BUO3D9zvuEGxv0xFgm+QzUGvjUOj8MYbkGCnmW2mClHfyRsk6cqja2tqysjLvenkq CWlck5DSwdSplGxvb9+7d28qDTw6ctyoqqravHnzGOuXEWbi6Yt/vW394sqU+sjckvI3lVhj hkWrs2fPBsuaxHPt2jUtow1FxcXF3jCkk6AACOruv+idjVonUZQF7wzUPT+J36diWoC0mG8e au0sk8DkWw/YJuEM1JIYdG5DSQOSCbSlxEwb3ejSGajNbNFSzOQbM7hH+86C0yTKXt5Q4pvM 2hyzsrIyOAN1rSs4A7X3hcz00LLSN0Vkd3f3/v37zVNT0jeA2nGDYMR7Z3YM9g9WVFSYZTPJ ZOiM3mnwQPHIwtwFIVtn3BwjufSpW71d2hQkm3SQkDyqn2+6bd8fuIOrUukjW7lOHvLz8+Vv ob+zYW4lc242BclWHSRkhlH/9re/lceenp6SkhLJQ9prtmBB/CwuX77M/G+wx8y7R/4pXreo MDgMyEwjtD02J8X2m4ObFuqt8t5RQSfPXjLLZmaj4C91ABYKmYE6WMhcxXe7Em31MnNAJxKd DEK3htZNo1VwvU4PHXpw32yKESWjpbhj0rdi7HRiaENvkjeTRx/oGRkZraSkbNUf3Djd7TyS F3+6buvIhI0XL4TcWp96H1nrtqHHntGbyLQLzPzyhuM2BWlzYLnLcbvGvG1IR44c0XvQbp+z kZ/jwOTnm1Bxa+Uc7y+UeaOM4w4Jkv8ifqFMmYYiH21tNVv5STLA4Idac1nonfBG5I+qxj2S rLsw0cxDYcwMiolE97Qm3R2YlLzdWEFJc4/yNe1Et/TQDgQEEYYAAIDVCEMAAMBqhCEAAGA1 whAAALAaYQgAAFiNMAQAAKxGGAIAAFYjDAEAAKsRhgAAgNUIQwAAwGqEIQAAYDXCEAAAsBph CAAAWI0wBAAArEYYAgAAViMMAQAAqxGGAACA1QhDWe/dzzJdg5T8W/7d6T3gZ9//p/QeEABg uXunhscewlDWm3ZvpmuQkilZf0AAAEIRhgAAgNUIQwAAwGqEIQAAYDXCEAAAsBphCAAAWI0w BAAArEYYAgAAViMMAQAAqxGGAACA1QhDAADAaoQhAABgNcIQAACwGmEIAABYjTAEAACsRhgC AABWIwwBAACrEYYAAIDVCENZ7e677+7p6cl0LQAAyHmzXKGbCENZraioKNNVAABgkiMMAQAA qxGGAACA1QhDAADAaoQhAABgNcIQAACwGmEIAABY7f8BcX9HBlvWcRIAAAAASUVORK5CYII= Diagrama de barras horizontales apiladas de la polaridad de febrero 2022 - KFC Ruso Alexander Morales Gonzales - José Antonio Guzmán Valdivia - José Alfredo Herrera Quispe 237 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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, Σ 13202 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, Σ 9667 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 iVBORw0KGgoAAAANSUhEUgAAAwQAAAC0CAIAAAClu3xdAAAeIUlEQVR4nO3df2wU553H8XHV liM5Q8CQS2LLpsa4h0rVpCBKCN6oScA+iSOND0UGqRJtrpFs8aPpWUaK3P7RsyrZQvkBCEv0 0iCdVCPEOSLiDwypq6zd/BIuqUKFahtqfDjpBSghbpPmR+X77n7Nw+OZ2fWuWXt3/bxfQtbs zDMzz6xXzGef55nHXxwbG/MAAABc9cVsVwAAACCbCEMAAMBphCEgh/T29lZVVfX09Kxbty6D hy0oKAh2iFdUVJw8ebK8vDyDJ8p9hw8f3rJly/nz5/Piwi9cuLB06dKOjo66urp0t07NpJ+K mpqa5ubmzH4+gawjDAETtLW17d69W5ft24zeeHRZFgYHBzNyOjns0aNHm5qa9KXcYzI7jE/T ldz7g5vkEiQkZfZWGqThQ5dbW1vNlXrxiGaWp3bVDQ0NBw4cmFplpo99XcbULlBCiW9H+5KD W2+FfsIliCePiSdOnJDA9OSTT9q/SiDfEYaACZriNEPIjXP16tV6b9Abj0SltWvXZvBrsSSh TB0qlCahRLc3uSK5c5eUlEzfF/26OL3RSsq03z05u6QTLTOFI+u+6VZGfk53HtLrMu1Peu3y Pt96c9QULjl1GzZsCG2SrKmpkQBkr5EYLXmotLR0WmM0MJMIQ3DMqpBv7TGn/d+wW1tb5eYt t7Hpe+JSbpNyCjnRNB2/oaFBDp78BtzR0bFt27YpN3TJ7qHrg4Gjvr7+5MmTycNZWuQUcsxb P05aCp56NXT92LMPJtpFLlbeJantnj170mrHCpq+S5aUL2Eo9Ux86NAh+VUShjBrEIaAhOSL svyPH/xmbMj3Y+2B8nU2mfX2V21fh9HatWvl4LK8O05LaiedxC+7V057l8zuGibMKRL12ckR 2tvbQzvIbFJtOWxvb+8MjAKRMCS1lZtuouwlb3VXV5dndahpl5MkAIkR5h3QbCEL7XH65ssb IkeORCKyyX57ze7TfXVJlJSUePHfiL40l+lN7D7T3351dXVzc/OlS5fkokwLkxf/RXsTL9ls NR8VvVJt1/Ssj1+iMxr6CUz9iuSwclKpAHkIswNhCEhI/sfX+27o2BS5T+vNRu9JprNJ78r2 PUluG/JNWspoeTmaJh7tpTI3fnu4kvbKyVa5velWuesMDw9v3rxZk5AZtCHLoeOj33rrLT3O pJcpd99f/vKXMxCGpDJJ8qVcSEtLi6zX9017YeS6ZL0WkJfyJssm+anr9X32bqRPTRtyOUND Q/JOamLQd7WxsTGLI6Yl2Xg3fhdy7Wasjyyb7jO56u7ublmvly+Vt9Oz7mJfsr1VNwndpJ9b 84FMdEZTPTmj/LznnnvSuiipiXyqCUOYHQhDQDLyf300GpXv4pFIxP5/X25FElP0ZqONK5on 5H4sd5qtW7d68XuS3JjlrqPByLtxv5FDyQGlpO/2rOHG5CEv3kBy8OBBu4zsIqeWU5jhq9ph Ibd834BWqbZpMEhOx7Wk8abcAnlPtP/RV2F5f+Reru+wtjqkdaPVUSzyUzOWtoppe8zatWvl 57vvvpvFMKSpRQKZXGZXV5dprpMPhlyp6T7TBjONMt5kI5x8WyVH2iUlN2uB5GdUr732mjcx N5t2R2UPCTdBasmSJSdPnpziOwLkGMIQMAm5bch/+tr2Y1ZqQhJmjZ0ntCXAs3KGeUzM7rCY 1ObNmyU3aB+W/NT7ui/laHQYGhqa8gXOMMlA3d3dcl2lpaVmpdyP5W0JfQ4rdRs2bNAF0xDS 0NBg/45mmP1r0gyh4+VN7JAFicvmEyJl5B2Y2rOKmsi130oOaN5bX9Cxz5iEXYEk3cTArEEY AianT6FXVVXZg51DR6LIzUbWm1YNuRObEa8ag3p6erZt25biA01669I2J7mr3crDzHYskGNm 9/amj2fr4B5z285srfR6Ozo6tm7dagYPzbB0h4pLgNNqT23KA/PBsydrAJAKwhCQEh3sYsaZ LlmyxNeBZcYVNTY26qPUXvwGryvb2tokUWlzRVoPSGtykmOaNXJqucvaQ57lZSQS8e2onXHm 5YG40FMEO+xmgA6m1pE98lIika/BzLyfZsxQ6uQdlmvXd1s7KHOEJj973LF8Kp588kkvXs9L ly7pr0muvbm5Od0wpLHPd71Jzmhoi2O6H4OhoaEp/GqA3EQYAlJiBlPrS/nmLTdyc8OWO5Bk FN0U+jS+3DnMIIxoNGrWaw+Xb+pFm3Z/bNiwwYzPkGKSw+S2p2eRmCUHCd44V69erRWbdGS0 tldN+g5klhlMrS+l/nL7Nz0yvn4cc+0SDb345Emyr9yJtVhwePvw8LB34+6u/UQ5Qi5Th9Lr /FW+4V9mvXyWQnNGkkv2bnSYylskp0jxjGZHLz7iPq0wJL+UlpaW1MsDuYwwBMcE5hMKMqNH Je7YPR06mNoU06e9tPXF7uIxzUKGHKSxsVG7P7x4d4YWk3Ql39HlLHJfke/rpifL97yPlPd9 a9fxwqbxKXSIiXbYSRRIHobk7ig1mfKjZKn095lhUnJ19lwDOpjaFLMvyh43o2N+db3mUT2I tpnpk3S6VYelyy9Co6oO2dF323Rx6vh0nWp5CledZD4hw/z25SzBvj95KW+I1s2Xm+XqJPXq Z09n+PTV1r7k4FZZlo+TBGXfdSU5oyFvjny2Q9uiQvsuJWRLPXmUDLMGYQjwSzJ81fd1PPS+ EvxLBdrgYRe2j2MKJ+rJCl2Zyhhb2VFunPo0fqIyzc3NdkPCdEgyEsj3RiVKdfZbZ27AOre1 Lgd/EZO+29Nn0lk6Q98Q82SiWaOTodtl7EsObk20MtEZfTtKEk19uqmWlpZE820C+YgwBGSS fF+3H5JSDz30UFYq48UbpZK0guhAXf7oJrx0/ladTnNFsxBmE8IQkEnd3d1dXV32faKmpiaL 0x+byfqCjS7aG5gXf7wdM0M+KvJxNX+PL5QUOHToEAEaswxhCMikEydONDQ02GOGJv0z4DMg tPtpyn+PDLPYpB1qzDmEWYkwBGRYkofYAQA5iDAEAACcRhgCAABOIwwBAACnEYYAAIDTCEMA AMBphCEAAOA0whAAAHAaYQgAADiNMAQAAJxGGAIAAE4jDAEAAKcRhgAAgNMIQwAAwGmEIQAA 4DTCEAAAcBphCAAAOI0wBAAAnEYYAgAATiMMAQAApxGGAACA0whDAADAaYQhAADgNMIQAABw GmEIAAA4jTAEAACcRhjKpkuXLn300UfZrgUAAE4oiguuJwxlkyShysrKbNcCAACnEYYAAIDT CEMAAMBphCEAAOA0whAAAHAaYQgAADiNMAQAAJxGGAIAAE4jDAEAAKcRhgAAgNMIQwAAwGmE IQAA4DTCEAAAcBphCAAAOI0wlG3fXpDtGgCzwcu7Xvzs73/Pdi0m9x+/L77+tzyoJzBb/fHH 37pjrj/8EIaybfSDbNcAmA0++/zzTz/7LNu1mJwkoQ8+/jzbtQAwAWEIAAA4jTAEAACcRhgC AABOIwwBAACnEYYAAIDTCEMAAMBphCEAAOA0whAAAHAaYQgAADiNMAQAAJxGGIKr6nZ6jc97 R/Z7bTsmrFHDA15t5c3CzxzzIptCDrJnl3d47/jy6bHxhejL3o8enZY6I3Nqa2vnzJmjy598 8klnZ2eiraq/v7+vr893kC1btujCK6+8cvny5WmrLKZdVfn86I57Xz579dEXzpqV/U+vXrZ4 rl3MV0C9/sP71pTNK3jqVd/6nZHi5x+r2PXS4N7oyDRVG5mSK2GooqLi/PnzvpX19fUHDhyY tNjSpUsHBwd1ua2tbffu3cHj9/T0rFu3ThZ6e3urqqp8W8fGxoK7GDU1NV1dXbrc2tra1NQ0 ycUgL5jco5r2eY9vv/mydJnX2X8zDy1ZHnKE61fHk5CmqHfe8L53//jyi6/HlpGTFi9e/Mgj j8jCyMhINBqtrKxcuXKlxJqOjg4tIC99SWh0dNSXhEwMCg1JyDsvff9rvjUSZXxJ6OpfPwsm oX21FZKEfCs1HmW8kpg+uRKGJM0cPny4ubnZxBp5Kf/dtLe320klWMyLhxWz3BRXUFBg0o8e 6tKlS7osK+WAsstDDz2ksaYgLkkeOnHihEao5JkJ+USCjo8koVUFsYX7qryfR2MLkock2Wjc kWXdapwe8373m5v7inOnYz+l/A9+4n19zc19kWPuvfdeXTh37pwXTzMrVqyQ9CMZSGPN3Xff LQuyPnR3k6WuXLly6tSpGao0ppNkl6Lbv+RbueWbd+7vGdnRORi6i6oqn7+9qjh4NJJQ3smV MBRUV1dXUlIiEUSCi8SRJCWTb9VDJdkqXwcldUlgSl4Ms8czx2LhxibBZc+u8eUzPbF+Lu0U 02L2VtW0L/bzv/fEfkp40mLDAxPKVG8hDOW45cuX231bo6OjXjzrFBYWrowLdp8JktAsE9q0 I2Sl/NOsE+wCU8H2JHH/c2c8IlG+yd0w5MVbcerr69vb2y9cuFBeXh5apqGhwdeV5iMpR0KV aSUKkq23WlHkEUk2S5bfjDvKl1r+NDy+oPkmmGnWVMf6yCQ2ifWPh5/Il7eQMyTi6EJxcXEk Ejl37tycOXMkCWlTkGk3ErJevinZuWf9+vW68Pbbb89knTFNqsrnawuQr4Hn2BMr7Jdjzz44 cPnjyp+9Za+UuNPx2/dl92CrEvJOTochsWTJEvn57rvv2mHo/PnzBQXjfRZLly4N3dEeGNTT 05PkFNu2bZOfq1evvtW6Ii80Ph/r8HrmWLIyd5WOLyRq2pGgI3HKV9hnftHUKojpFo1GN27c WFhY6MXzkNDBQ7p10aJFvvKyRjKQ5iHdKnFK24e8GwOPZq72yKiXvv+1x37x+8fvXexb/8BX /I06yxbP7X96tclD+2or5OeOzkEJQzNQT0y3XA9DoewR0w0NDaFlzJihw4cPhxbYHafLkq4S tTxhVuns93d4hfrGA7GfR/aHb7X7yJCfjh8/HolEJAbpS1morKzs7+9fvHixGUatA6t1WTKQ bFqwYIG+/PTTTzs7O2WrlNHmJfJQPtKmnZ4L14NhSBKSrPduPGWmKyUP7YwU742OaHvSoubX ZrjCmD65HoaGhoa8eH9ZogLJ+8i8xAOGeC7MOc8c84bOTT6OR7LO/KLYo2HmkXufNdWx7rMz yZobkeM0CfX19Zm4IwvXrl2zhxD1x61fv15bg0pLbzYBvvfee/JTdpcw5IU1JiH3maad0K2a hHSh4KlXjz2xYtOKWFvvw8sWSBjS9qQZqypmQE6Hod7e3vb29vr6+klLTjrIuqGhobGxMbPN P5MOV0Ju0UFCpyc+Evj4dm/5qgmPwcua61eTPRhv95F51gAjHzkIcpImIR0kJMyUQr7x1OrU qVOmTy1IDiKbfM/hIy/oWJ+xZx+0V0risfvCjEdfOGsGREuKkh1Nc5Ehh2JKofyVu2FIH61f unTppIFDkpCO+0lyqCRDsKdGTtrc3JzBAyIn6CP3Dyf+oh/sIzt1ZMIERYbv4TLkDDPuR19e vHhRG3gSZZr33ntPEs/w8LDpJrv99ttnpKbIIR2/fV/C0K8Gri1bNHfy0sg3uRKGzGyKZmS0 F9aTFVrMszrLzKSLvpkV5VC6YCZd7OrqkpKpTB1kJl30ndRui9Lz2pMbIefYEwWZGaXtGahf fN0/n1Bw7sTlq/x9ZLIsa2RH3+NjXR0ZrT2miz5R792IR9pQ5JtR+sqVK5fjdEaiefPmhR4B ecQe8bOvtkKfJjMTTOvc076WnoHLH+tLu3PtSstafZos0eP3yAu5EobsSRRvpZhOupikgE66 mEbNUpjHKJXzItc17YvNlOhN7EcLtu5IGbuPTP3nE7F5GtdUx5brdo4POWKSoVylTUE6Jlry TVlZmRdPQtFoVNZo+9AjjzxippaWAma2obNnz65cubKwsFBKykvtPnvzzTezdjGYHjr39POP VTy8bIHGo59sKEtrxHTRbePP2+swo+moJDIoV8IQkE2J/vTY0LkJLxM9R3amx/tBJJaHNEjx t8lym0Sc0dFRyTTm8Xgzk5BkIzOqujLOi8/LavaVhHTt2rVH4nSNvRWzRmTf2zoqaNOKIh1X JGtS3Nf3F830CAwnynGEITjJF1ZSzC5tOxI+YiZ5yPf3OpDDdOh0upuUBCYC0Cyzo3PQ91iZ PkSWyr7B5qLg+GvkPsIQAABwGmEIAAA4jTAEAACcRhgCAABOIwwBAACnEYYAAIDTCEMAAMBp hCEAAOA0whAAAHAaYQgAADiNMJRtv76W7RoAs8G/zrkt21VIyb985wvZrgLgtDvmhiQfwlC2 Fd6R7RoAs8GXs12BFOVLPQGnEIYAAIDTCEMAAMBphCEAAOA0whAAAHAaYQgAADiNMAQAAJxG GAIAAE4jDAEAAKcRhgAAgNMIQwAAwGmEIQAA4DTCEAAAcBphKMsGBgayXQUAAJxQVFS0cOHC 4HrCUJZVVFRkuwoAADihoKAgdD1hKMsS/WIAAMDMIAwBAACnEYYAAIDTCEMAAMBphCEAAOA0 whAAAHAaYQgAADiNMAQAAJxGGAIAAE4jDAEAAKcRhgAAgNMIQwAAwGmEIQAA4DTCULZ9e0G2 a5CG/9n+Xxk/5r/33ZXxYwIAEOqPP/7WHXP94YcwlG2jH2S7Bmn49NNPM37MDz7+POPHBAAg dYQhAADgNMIQAABwGmEIAAA4jTAEAACcRhgCAABOIwwBAACnEYYAAIDTCEMAAMBphCEAAOA0 whAAAHAaYQgAADiNMJRvnjnmRTbdfLlnl3d4782Xnf1e6bKbL1cVTNj39NjN5eEBr7byFutS WVm5cuXK/v7+vr4+s3Ljxo2FhYW6LOtlqy5LSSkfPMjVkpEdnYO3WBMgr1WVz4/uuNe8fOPi h/c/dyZ069W/frao+bVExxl79kHfvrLGLBc89WrmqgzMKiFhqKampqurSxY6Ojrq6up8Wxsa Gtrb25NsvXDhwokTJxKdr7e3t6qqSpfr6+sbGxuPHj3a1NQkL2XHpUuXmpLnz58vLy+vqKiQ BV3T09Ozbt06u4aitbVVdrf3NcVEQUGBXcxeY6uurk5S5+DpEpWcdpp1rl/1Hl4Ue/mrK17j 87E1bTtiLzXrvPOG9737vfuqvJ9HY2t+EPHO9Hh1O2MlxZH9scJN+7zHt8d21+NMleQb35ot W7YEC2geWrhwYehBSEJw3L7aiu1VxbKw66XBvdGRY0+s2LSiqP/p1ZU/e8veqopu/9KVlrWh eUh2sV/6ApYXD0bkISBUSBiSWHD48GG5qzU3NwfjjiQhiR2DgyE3MEkkmpNkQXJMsIAGKRNW 5CxyKIlEulV2GRsbkzKyfODAAV0pJ2prazt48KB9Rqmhhiopb++rkcherweUyGXqI2vkgN3d 3Xb6kbiT5D0Kni47JNBoq8/vfjO+RhYim7w11bHlZ46Nr+zqiP2UADQ8ECv/3cbYskQfpbFJ fsqa+UWxY9oNS+nYuHFjcM0rr7xy+fJlWV6/fv2iRbGkVVZWpmGosLDQbFW1tbWjo6NTOzsw a2z55p1evMlHkpAs7Pn1/0oYWrZ4rqQZeVn9zwtNgtFmHslDOyPFWtiQCCW72GteqPuqpitZ lvwke2mxR184OxNXBeSV8G6ykpKS1tbW3bt3S16x85DECMkuJ0+eDN3r6NGjEnQkNJjGHpvk CUlCHR0dptmmLi55EEmXVluOmaSlJyitwtn3jQcmvLx+dcLL6i0T8s2fhidsbdo3nofUH854 UxKJRExfmPHmm2+arHPx4kUNQ7IgPxcvXiwLdhKqrKycM2fO2bP8vwzEBCNOz4Xrkoe0fUi9 cfHDNWXzTGwyZEfJT74Dnvu/j0yxn568+PxjFbJwZ+GXpusCgHyWcMxQaWlpdXW1r3FoaGhI 7oKJwpBslQwkaengwYPBMNTS0uLFA5BvfcaDiAYyyW0p9mc1NDSYhqicZoLL/KLxHq4ly2Mv 98Yv04Ser6/xXnw91lOmHWoafWKBKd6qpE1EwwOxn++8EWs0Sp/kmHnz5o2MjBQXF9vrTdaR 6GM6yLRZ6HKcXbisrMwb70G7Zwp1AGaNP3/0uTbbaF5ZtijWwPPy2diXHMlDptixJ1ZIEpKF YB+Z7LjrpUHd3bBbgM5c+osuvD/62XRcApDvkg2gliQkqaK3t9f0akkSSlRYiunWrVu3tre3 B3vKBgcHJV2lUqf2OHuNPZZoUlJbbR9au3ataYXy6erqMoOHUqxV9klwObJ/PM1IHjo9Fos4 Zoi0hJ7lq2JJyIvnIdmqg4eULEh+mh//7qhH0MFDUyJBp6OjI9GHwR5ALbHJHlttkzJXrlyZ WgWA2aTyZ2+ZYc4aaEz3lvKN/nn9h/fZQ6T7n14t5ZOf4r6Sf9SFXw1cy1CtgVklWRiSJCFB oaWlRRtvotHogQMHJBKFFjbFZC/JLqE9ZSmqr6+3m2p0zFBaR5BTd3d3JxnlY4+Y1lFK+UHi y6kjsZHRSsKNNgIpWdCR0Uoikd0p9vCiWGFNS148Esmh0m8ZkqyTKN+o48eP61Nm+rK2traz s9NXhj4ywFbw1KuSacygH4lEvv4yKSAZSFuG5KcZ+iML2h22M1IcemSlw5LeuPihr38NgJrk 0XrTOOTFh4kkKnbhwgW7rUUEe8oqKipCh11PE8k6Up+amprQody2/OgjU/qM2DtvxJZNI9Az x7wfPRpb1iR0ZH9s2JBpBBoeGB9CpEloz67xx8qEHGpVyLN1Schn4MMPPzRPyyeivWP6ZJmE Hok+vl3Kyso++eSTSY8DOEKTkN3VFXxk7P7nzpgnyx74SiwVSQBa/k+32YOKQlWVz9eRRnZ7 EgDbJGHINA5JpEgSGo4ePapPwutLffbK9K+pbdu2yd3RNyLbiz/JNU3jl3XwkCw0NjYmLylh bs+ePemmopkebKRJyIsPEjrTc3PCIR1PrUlIBwnJPzPhkI6n1iQkKUqW5Z+ZcMg3nnoyOkjI 9/y8ZJ2FCxeeOnXKV7ivry/47L0qLCzkOTJAaRJ6+ezVvdGRM5f+oj1ioY+M7egcXFVaqO1D Yvu6YtnRnknIi7cb+YLUC3VflZ+P/eL3030hQP6afNJFDTGtra2JCkiSGBoashtgNELJjnZT kGSgQ4cO6X3U5KGKiopEw7FvnRk8NGnJDRs2SN3SOrhkuObm5inWbGq+eyPSad/Wjx4dzzTa CKQP2F//83iZI/vHW4B0qzYjXXt/fGv05fEgdVfp9NW3v7/fnmfIoI8MMKrK52vv2PC1v3nx HjF9ZMy7MZLa5/TwqGwduPJxisfXR+53vTRoj8UG4JNs0kW52UuakeAiC5s3b/bi2UWnQCwo KNBJF3VGIi8eiexROHoEKWZPgWhmMDJNC3Z7kj1xYnt7u2/SRftQpoay0syCaGaDlPRjhgrJ Jglq9tWZvjzf7IuJhlr7Tmevtxu02tra5Lz2xc6E61djWcf3aL0yj56FbjWPnvkevJ+M/NLN ciQS0YYinYFaxwmNjo4eP37c3iU4Svquu+6ijwxIxDzwJYlHxwnt7/HP0t7x29gXG7uDbGek WLvY7Bmo99VWbFpRZA/HljVyWEYOAT7hky761pgGnuCgH50ryLfyQFzo+ULLK504MdGpk9cw yUl9K6cwcWIqvXhNcekeOT2mKUgHCdXtHG/1+flPYz+1Kah02fg8iqYZSYdXa1OQ+Tse2ow0 PDDlB8qC9Aky+WlGTEtakmwU7D5btGgRfWSAMk1BW755pyYeHQ+kg523r4t939heVVy64B90 xLQUk2yUSpqpKp+vA4wkJNlP3TMJNRDE3ybLK6sKYk/IS6Yxg37MCGgJQH84ExtUJJFIO8js vz4m4UkHFZkdJR7psOsM6evru/vuuyUMzZkzR1v+RkZGfK1EHn1kQMD9z53RP8FhRv+YpqAn Dv9BhxCZrZF9b6fS4WUainwGLqfavwY4hTCUb5L8NbEzPcmeDtOB1ZkTjUZ9a4LRJ8hMwwjA SPQnMvSh+lSOsDc6obnI9xJAcoQhAADgNMIQAABwGmEIAAA4jTAEAACcRhgCAABOIwwBAACn EYYAAIDTCEMAAMBphCEAAOA0whAAAHAaYSjbfn0t2zVIw7/NuS3jx7z2nS9k/JgAAIS6Y25I 8iEMZVvhHdmuQRq+nCfHBAAgdYQhAADgNMIQAABwGmEIAAA4jTAEAACcRhgCAABOIwwBAACn EYYAAIDTCEMAAMBphCEAAOA0whAAAHAaYQgAADiNMAQAAJxGGMqm2267rb+/P9u1AADACUVx wfWEoWwqKSnJdhUAAHAdYQgAADiNMAQAAJz2/zGkNXmq/PnKAAAAAElFTkSuQmCC Diagrama de barras horizontales apiladas de la polaridad de marzo 2022 – KFC A nálisis de sentimientO de lOs mensAJes de t witteR RespectO A lA empResA Kfc del pRimeR tRimestRe en H ispAnOAméRicA 2022 238 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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, Σ 9667 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 Ruso Alexander Morales Gonzales - José Antonio Guzmán Valdivia - José Alfredo Herrera Quispe 239 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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 A nálisis de sentimientO de lOs mensAJes de t witteR RespectO A lA empResA Kfc del pRimeR tRimestRe en H ispAnOAméRicA 2022 240 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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. Ruso Alexander Morales Gonzales - José Antonio Guzmán Valdivia - José Alfredo Herrera Quispe 241 | ISSN (impreso): 1812-6049 | ISSN (en línea): 2523-1820 | | Campus | V. XXVIII | N. 36 | julio-diciembre | 2023 | 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. A nálisis de sentimientO de lOs mensAJes de t witteR RespectO A lA empResA Kfc del pRimeR tRimestRe en H ispAnOAméRicA 2022