Aplicación del modelo Léxico-Sintáctico para detectar la polaridad de opiniones sobre profesores

Darnes Vilariño, Claudia Zepeda, Yuvila M. Sanzón, José L. Carballido, Carolina Medina, Georgina Flores

Resumen


En el presente trabajo se muestran los resultados obtenidos de la aplicación del modelo léxico sintáctico a las opiniones dadas por estudiantes de la Facultad de Ciencias de la Computación de la Benemérita Universidad Autónoma de Puebla, acerca de los profesores que impartieron cursos en verano del 2015. Se confeccionó un corpus categorizado con las opiniones obtenidas de una encuesta aplicada. El corpus obtenido permitió la confección de un modelo de clasificación que permite detectar la polaridad de opinión (positiva, negativa o neutra). Los resultados obtenidos desarrollando el modelo con el 80% de las opiniones y probando con el 20% ofrecieron una precisión del 65%.

Palabra(s) Clave(s): análisis de sentimientos, minería de opinión, modelo léxico sintáctico, proceso enseñanza-aprendizaje.


Texto completo:

228-239 PDF

Referencias


C. Levallois. Sentiment Analysis for Tweets based on Lexicons an Heuristics. http://www.cs.york.ac.uk/semeval-2013/accepted/27_Paper.pdf (2013). Accedido el 12 de mayo de 2014.

V. Hangya, G. Berend, R. Farkas. Sentiment Detection on Twitter Messages. http://www.cs.york.ac.uk/semeval-2013/accepted/102_Paper.pdf (2013). Accedido el 12 de mayo de 2014.

Y. Wilks, M. Stevenson. The Grammar of Sense: Using part-of-speech tags as a first step in semantic disambiguation. Journal of Natural Language Engineering, Vol. 4, No. 2, pp. 135-143 (1998).

C. Whitelaw, N. Garg. S. Argamon. Using appraisal groups for sentiment analysis. Proceedings of the 14th ACM international conference on Information and knowledge management, CIKM ’05, pp. 625-631 (2005).

T. Nasukawa, J. Yi. Sentiment Analysis: Capturing Favorability Using Natural Language Processing. Proceedings of the 2nd international conference on Knowledge capture, K-CAP ‘03, pp. 70-77 (2003).

L. Freeman. Centrality in social networks: Conceptual clarification. Social Networks. Journal: Social Networks – SOC NETWORKS, Vol. 1, No. 3, pp. 215-239 (1979).

Y. Sanzón, D. Vilariño.; C. Zepeda.; Pinto, D.; Tovar, M.: Modelos para Detectar la Polaridad de los Mensajes en Redes Sociales. Por publicarse en Journal of Research in Computing Science 2015.

J. Fernández. Análisis de Sentimientos y Minería de Opiniones: el corpus EmotiBlog. Procesamiento del Lenguaje Natural, [S.l.], v. 47, p. 179-187, sep. 2011. ISSN 1989-7553. http://journal.sepln.org/sepln/ojs/ojs/index.php/pln/article/ view/963. Accedido el 6 de agosto del 2015

J. De Albornoz. Un modelo lingüístico-semántico basado en emociones para la clasificación de textos según su polaridad e intensidad. Tesis Doctoral. Universidad Complutense de Madrid. Madrid, septiembre de 2011. http://nlp.uned.es/~jcalbornoz/papers/PhD_Thesis_2011.pdf. Accedido el 6 de agosto del 2015

Deserción estudiantil. Milenio diario. http://www.milenio.com/puebla/Reporta-BUAP-desercion-estudiantil_0_146385703.html. Accedido el 6 de agosto del 2015

J. Zambrano. Implementa BUAP plan para prevenir deserción escolar. E-consulta.com. Publicado el Martes, Agosto 4, 2015. http://e-consulta.com/nota/2015-08-04/universidades/implementa-buap-plan-para-prevenir-desercion-escolar. Accedido el 6 de agosto del 2015.


Enlaces refback

  • No hay ningún enlace refback.




URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Esta revista está bajo una Licencia Creative Commons Atribución 3.0 No portada.