����������������������������������������������������������������������������������

 

 

An�lisis de Sentimiento en la Industria: Evaluaci�n de Opiniones mediante Inteligencia Artificial y Aprendizaje Autom�tico

 

Sentiment Analysis in the Industry: Evaluation of Opinions through Artificial Intelligence and Machine Learning

 

An�lise de sentimento na ind�stria: avalia��o de opini�es atrav�s de intelig�ncia artificial e machine learning

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: dalia.ortizr@ug.edu.ec

 

Ciencias de la Computaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 27 de mayo de 2024 *Aceptado: 20 de junio de 2024 * Publicado: �09 de julio de 2024

 

        I.            Ingeniera en Sistemas Computaciones, M�ster de Seguridad Inform�tica, M�ster en Estad�sticas Aplicada, Docente Investigador de la Universidad de Guayaquil, Guayaquil, Ecuador.

      II.            Ingeniero en Sistemas Computaciones, M�ster en Administraci�n de empresas con Menci�n en Marketing, Docente de la Universidad de Guayaquil, Guayaquil, Ecuador.

   III.            Ingeniero en Sistemas Computaciones, M�ster de Sistemas de Informaci�n, Docente, Instituto Superior Tecnol�gico Guayaquil, Guayaquil, Ecuador.

 

Resumen

Las redes sociales se han convertido en una plataforma de interacci�n entre cibernautas que permite a los investigadores recopilar datos para sus estudios. Los espacios comunitarios virtuales dentro de las redes han segmentado la informaci�n. Deben excluirse las evaluaciones subjetivas, ya que pueden influir negativamente en la toma de decisiones. El objetivo de esta investigaci�n es conocer las actitudes de los individuos hacia el uso de la inteligencia artificial en la automatizaci�n industrial y su pensamiento cr�tico sobre su entorno. Adem�s, se eval�a la precisi�n de un modelo de clasificaci�n analizando los datos de entrenamiento mediante t�cnicas de procesamiento del lenguaje natural y algoritmos de aprendizaje autom�tico. El estudio recogi� datos de la red social Reddit, analizando 1975 comentarios. Los resultados mostraron que el 49,16% de los comentarios expresaban pensamientos positivos, el 22,58% negativos y el 28,25% neutros. Se concluy� que los comentarios apoyan positivamente el uso de la inteligencia artificial para automatizar procesos en el entorno de las personas. El modelo se someti� a evaluaci�n mediante algoritmos de aprendizaje supervisado. Los datos de entrenamiento constitu�an el 80% de los datos totales, mientras que el 20% restante se utiliz� para las pruebas. Se emplearon clasificadores como la m�quina de vectores de soporte (SVM), el bosque aleatorio, la LSTM y las redes neuronales. Se determin� que el mejor clasificador era el M�quina de Vectores Soporte, que arroj� una matriz de confusi�n con 172 aciertos positivos y una precisi�n del 77%.

Palabras Clave: An�lisis de sentimientos; Aprendizaje supervisado; Procesamiento del lenguaje natural; Aprendizaje autom�tico (ML).

 

Abstract

Social networks have become a platform for interaction between netizens that allows researchers to collect data for their studies. Virtual community spaces within networks have segmented information. Subjective evaluations should be excluded, as they can negatively influence decision-making. The objective of this research is to know the attitudes of individuals towards the use of artificial intelligence in industrial automation and their critical thinking about their environment. Furthermore, the accuracy of a classification model is evaluated by analyzing the training data using natural language processing techniques and machine learning algorithms. The study collected data from the social network Reddit, analyzing 1,975 comments. The results showed that 49.16% of the comments expressed positive thoughts, 22.58% negative and 28.25% neutral. It was concluded that the comments positively support the use of artificial intelligence to automate processes in people's environment. The model was evaluated using supervised learning algorithms. The training data constituted 80% of the total data, while the remaining 20% ​​was used for testing. Classifiers such as support vector machine (SVM), random forest, LSTM and neural networks were used. It was determined that the best classifier was the Support Vector Machine, which produced a confusion matrix with 172 positive hits and a precision of 77%.

Keywords: Sentiment analysis; Supervised learning; Natural language processing; Machine learning (ML).

 

Resumo

As redes sociais tornaram-se uma plataforma de intera��o entre os internautas que permite aos investigadores recolher dados para os seus estudos. Os espa�os comunit�rios virtuais dentro das redes possuem informa��o segmentada. As avalia��es subjetivas devem ser exclu�das, pois podem influenciar negativamente a tomada de decis�es. O objetivo desta investiga��o � conhecer as atitudes dos indiv�duos face � utiliza��o da intelig�ncia artificial na automa��o industrial e o seu pensamento cr�tico sobre o seu ambiente. Al�m disso, a precis�o de um modelo de classifica��o � avaliada atrav�s da an�lise dos dados de treino utilizando t�cnicas de processamento de linguagem natural e algoritmos de aprendizagem autom�tica. O estudo recolheu dados da rede social Reddit, analisando 1.975 coment�rios. Os resultados mostraram que 49,16% dos coment�rios expressaram pensamentos positivos, 22,58% negativos e 28,25% neutros. Concluiu-se que os coment�rios apoiam positivamente o uso da intelig�ncia artificial para automatizar processos no ambiente das pessoas. O modelo foi avaliado atrav�s de algoritmos de aprendizagem supervisionada. Os dados de treino constitu�ram 80% do total de dados, enquanto os restantes 20% foram utilizados para teste. Foram utilizados classificadores como a m�quina de vetores de suporte (SVM), floresta aleat�ria, LSTM e redes neuronais. Determinou-se que o melhor classificador foi o Support Vector Machine, que produziu uma matriz de confus�o com 172 acertos positivos e uma precis�o de 77%.

Palavras-chave: An�lise de sentimento; Aprendizagem supervisionada; Processamento de linguagem natural; Aprendizagem autom�tica (ML).

 

 

Introducci�n

Los r�pidos avances tecnol�gicos de los �ltimos a�os han provocado cambios significativos en todo el mundo. La aparici�n de la Web 4.0, tambi�n conocida como web activa, ha impregnado todos los aspectos de la sociedad. Las redes sociales se han vuelto omnipresentes, y un gran n�mero de individuos permanecen conectados durante largos periodos. Estas plataformas ofrecen oportunidades para compartir experiencias, creatividad, opiniones e ideas, permitiendo a los usuarios conectar y comunicarse con personas de todos los rincones del planeta. Estas plataformas proporcionan informaci�n valiosa para el an�lisis de estudios de opini�n y la gesti�n del sentimiento al publicar.

Esta investigaci�n se inicia a partir de la recolecci�n de datos expuestos en la red p�blica Reddit, que es una red que recoge los comentarios y sentimientos de los foros, que son medios o espacios de intercomunicaci�n de un grupo de personas interesadas en un tema com�n(Li et al., 2023).

Los usuarios de las redes sociales publican una gran cantidad de contenidos cada d�a, lo que contribuye a la interactividad de la plataforma (Turcan & McKeown, 2019).

Las redes tienen la ventaja de proporcionar un buen acceso a la informaci�n y facilitar la comunicaci�n de toda la sociedad. Sin embargo, su uso excesivo puede tener repercusiones negativas y generar dependencia. Varias plataformas de Internet, como Twitch, Twitter, Instagram, Facebook, WhatsApp, Pinterest, TikTok, Telegram, YouTube, Snapchat y Reddit, sirven como medio de almacenamiento de datos. Seg�n (Yamori et al., 1979), pasar hasta 25 horas a la semana navegando por Internet y participando en foros en l�nea puede tener repercusiones negativas en el comportamiento.

Reddit es un servicio de red social (SNS) con 430 millones de usuarios, que gestiona comunidades virtuales que albergan foros con intereses comunes, donde los usuarios pueden debatir libremente sobre temas(Kim et al., 2023).

La cuarta revoluci�n industrial ha permitido obtener informaci�n y servicios en tiempo real gracias a importantes avances tecnol�gicos. Se han desarrollado robots y aplicaciones basados en la inteligencia artificial para realizar tareas humanas cotidianas (Mustary et al., 2024).� Los avances en tecnolog�as web activas incluyen servicios Chatbot, an�lisis de im�genes, predicci�n meteorol�gica, an�lisis del pensamiento y equipos industriales robotizados; todos ellos utilizando inteligencia artificial. Tras la revoluci�n 4.0, surgi� la Internet de las Cosas (IoT), que crea interacciones entre dispositivos electr�nicos. En consecuencia, los ciberataques siguen siendo motivo de preocupaci�n debido a las vulnerabilidades de seguridad, la corrupci�n de datos y el robo de informaci�n (Ali et al., 2024).

Las preocupaciones sobre la inteligencia artificial son comunes, incluido el temor al desplazamiento de puestos de trabajo y el posible fin de la humanidad. Muchos se preguntan si podr�n seguir siendo competitivos en este panorama cambiante. Es importante abordar estas cuestiones de forma objetiva y sin prejuicios.

Comprender las perspectivas de todos los usuarios es crucial. Reddit ha creado una plataforma para llevar a cabo la investigaci�n analizando los comentarios de una comunidad virtual con 24.000 comentarios. El objetivo principal es obtener un an�lisis de las opiniones sobre la inteligencia artificial en la industria. Adem�s, se utilizar�n algoritmos de aprendizaje autom�tico para evaluar y seleccionar el mejor modelo de clasificaci�n. Es importante mencionar que los comentarios del foro de estudio se analizan sin crear categor�as de factores. La utilizaci�n del aprendizaje autom�tico en esta investigaci�n ayuda en el an�lisis de textos complejos para determinar el tipo de sentimiento utilizando algoritmos de IA. Los datos se utilizan para entrenar un modelo que facilite la evaluaci�n e interpretaci�n de grandes cantidades de datos, y el mejor modelo de entrenamiento se selecciona en funci�n de las m�tricas (Dharmik & Bawankar, 2023). Los modelos entrenados incluyen KNN, regresi�n log�stica, LSTM y RNN.

 

Materiales y M�todos

Datos

Los datos se extrajeron de la red social Reddit, que es una plataforma con una influencia significativa en foros que abarcan diversos temas, lo que se traduce en un elevado n�mero de comentarios (Garg et al., 2024). El conjunto de datos seleccionado para el an�lisis incluye 16 atributos, identificados a trav�s de la instancia creada client_ID, client_secret y user_agent. Los atributos utilizados para el an�lisis son la direcci�n del post (URL), su t�tulo y tres metadatos: upvote, ratio de puntuaci�n y n�mero de comentarios. El conjunto de datos se basa en los comentarios de las entradas de Reddit.

Este estudio analiz� 2.100 comentarios de la comunidad de futurolog�a durante un periodo de 3 a�os. Los comentarios se extrajeron del post "�C�mo nos afectar� la automatizaci�n mediante la inteligencia artificial y la rob�tica, y c�mo repercutir� en el entorno en el que viven las personas?". Se analizaron un total de 1975 comentarios, de los cuales para los datos de entrenamiento y de prueba se utiliz� el preprocesamiento Sklearn, para facilitar el desarrollo de modelos de aprendizaje autom�tico efectivos. La Figura 1 resume las opiniones de algunos usuarios sobre el tema. Los pensamientos positivos y negativos expresados incluyen una alta repetici�n de palabras como "necesidad", "personas", "automatizaci�n", "problema", "trabajo", "tiempo", "dinero", "humano", entre otras.

 

Figura 1: Generaci�n de nubes de palabras a partir de las opiniones de los internautas.

Nota: Autor�a propia.

 

Procesamiento de los datos

Google Colab es una plataforma basada en la nube que permite a los usuarios escribir c�digo Python utilizando bibliotecas de aprendizaje autom�tico como nltk, sklearn, tensorflow y Keras en cualquier navegador (Canesche et al., 2021), Se utilizaron modelos de Machine Learning( ML) (Bisong, 2019),

Los comentarios extra�dos de la red social Reddit se analizaron mediante procesamiento del lenguaje natural (PLN) para evaluar opiniones y sentimientos relacionados con el post elegido. El PLN es una parte de la inteligencia artificial que utiliza datos textuales para encontrar patrones de similitudes y comprenderlos (Almasoud et al., 2023). Una t�cnica utilizada es el Word Embedding, que crea vectores en un espacio de menor dimensi�n para preservar las relaciones sem�nticas de los comentarios. Esta t�cnica encuentra similitudes entre textos a trav�s de la sem�ntica y la aritm�tica de los datos.

Para evaluar los algoritmos de clasificaci�n de aprendizaje autom�tico, utilizamos las m�tricas de precisi�n, recall y F1-score. Se seleccion� el modelo con mayor Accuracy para identificar patrones en los conjuntos de datos y generar predicciones para los resultados (v�ase la figura 2).

 

Figura 2: Proceso de an�lisis del sentimiento y evaluaci�n de un modelo de aprendizaje autom�tico.

Nota: Datos recolectados desde Reddit y analizado con t�cnicas IA.

 

 

An�lisis de datos

El texto describe el uso de datos cualitativos y t�cnicas para el an�lisis de sentimientos de opiniones recogidas de un post en la red social Reddit. El texto tambi�n menciona el uso de modelos de aprendizaje profundo como k vecinos m�s cercanos (KNN), regresi�n log�stica, m�quinas de vectores soporte (SVM) y redes neuronales de memoria a corto y largo plazo (LSTM).

Los resultados de precisi�n del modelo se obtienen mediante un conjunto de algoritmos que analizan y predicen los datos utilizando el m�todo de embedding. Este m�todo verifica las palabras con similitudes en grupos homog�neos tras realizar un an�lisis del texto. Su ventaja radica en que entrena una gran cantidad de texto para reducir la dimensionalidad del vector de texto.

Los comentarios se clasifican mediante procesamiento del lenguaje natural (PLN) en funci�n de su orientaci�n sem�ntica. Esta clasificaci�n tiende a percibirse como m�s negativa que positiva, tanto pragm�tica como psicol�gicamente (Taboada et al., 2011). �Para m�s detalles, v�ase la figura 3. A continuaci�n, determinamos el sentimiento de los grupos de palabras mediante t�cnicas y los clasificamos como positivos, negativos o neutros.

 

Figura 3: Clasificaci�n de los sentimientos del texto.

Nota: An�lisis de datos usando Google Colaborativo.

 

La inteligencia artificial permite a los ordenadores realizar tareas que normalmente llevan a cabo los humanos, con importantes repercusiones en �mbitos como la sanidad, la administraci�n p�blica, el bienestar, la banca, la educaci�n, el trabajo y las relaciones interpersonales (Radanliev, 2024).

El procesamiento del lenguaje natural (PLN) es el estudio cient�fico de los modelos del lenguaje humano y su aplicaci�n en la comunicaci�n inform�tica para mejorar la comprensi�n (Pirnau et al., 2024).

El aprendizaje autom�tico es una tecnolog�a que genera algoritmos para encontrar o determinar� patrones dentro de un conjunto de datos entrenando a un ordenador con datos precisos (Pang et al., 2002). Los m�todos de aprendizaje autom�tico se utilizan para ense�ar a los programas de PLN a identificar y comprender con precisi�n las caracter�sticas de un conjunto de datos, como los comentarios recopilados.

El uso de PLN en el aprendizaje profundo implica recibir y procesar datos, ya sea en forma de texto o voz, de diversas fuentes como correos electr�nicos, foros de comunicaci�n, plataformas de medios sociales u otros medios influyentes que reenv�an datos (Eberhard et al., 2024). Para este estudio, utilizaremos comentarios de foros de redes sociales.

Para analizar los datos secuenciales para las predicciones, utilizamos redes neuronales recurrentes (RNN). Los resultados de las RNN dependen de los elementos anteriores dentro de la secuencia (Shekar et al., 2024). Para mejorar este tipo de red, a�adimos una memoria a corto y largo plazo como LSTM.

La estructura del modelo propuesto para esta investigaci�n utiliza LSTM y se detalla a continuaci�n:

La primera capa es de tipo Word Embedding, que mapea cada car�cter de entrada a un vector Embedding. El tama�o del vocabulario se especifica en esta capa, que se convierte en la capa de entrada y convierte el �ndice del diccionario en un vector.

La segunda capa del modelo es una LSTM (abreviatura de memoria a largo plazo) con un n�mero crucial de neuronas recurrentes que act�an como capa oculta (Shams et al., 2024).

La tercera y �ltima capa es una capa densa, en la que el n�mero de neuronas indica el tama�o de la capa y la dimensi�n de salida representa el tama�o del vocabulario. Esta capa sirve como capa de salida, como se muestra en la Figura 4.

 

Figura 4: Capas del modelo de redes neuronales RNN.

Nota: Gr�fico de red de perceptr�n multicapa

 

El algoritmo k vecinos m�s cercanos (KNN) es un clasificador que utiliza la proximidad para predecir la agrupaci�n de los textos en comentarios (Musuvathi et al., 2024).

El algoritmo de regresi�n log�stica se utiliza para resolver problemas binarios (Melo et al., 2024),� buscando la independencia en los datos, lo que da lugar a un resultado binario de 0 o 1.

El algoritmo SVM (Soporte M�quina Vectoriales) es capaz de resolver problemas complejos relacionados con la clasificaci�n, la regresi�n y la detecci�n de valores at�picos (Bao & Bai, 2024), Crea l�mites de decisi�n entre los datos, lo que permite separar los datos de texto y los tipos de sentimientos.

 

Resultados

El estudio analiz� comentarios del foro Reddit utilizando t�cnicas de procesamiento del lenguaje natural para identificar los tipos de sentimientos expresados. Los resultados muestran que el 49,16% de los comentarios expresaban sentimientos positivos, el 28,25% pensamientos neutros y el 22,58% negativos. Estos resultados sugieren que existe una aceptaci�n general de la IA en la automatizaci�n, como muestra la Figura 5.

 

Figura 5: Diagrama para el an�lisis de sentimientos en Reddit

Nota: Sentimientos positivos es del 49.16 % en la red social Reddit.

 

El objetivo de esta investigaci�n es evaluar las t�cnicas utilizando las m�tricas empleadas en el an�lisis para determinar la precisi�n de un modelo de clasificaci�n de un algoritmo de aprendizaje supervisado. Se detallar� el c�lculo de las siguientes m�tricas:

Accuracy, se calcula dividiendo el n�mero de predicciones correctas por el n�mero total de predicciones realizadas (1).

𝐴𝑐𝑐=TP + TN / TP + TN + FP + FN�� ��������� (1)

Precisi�n, calcula el n�mero de casos positivos predichos que son realmente positivos (2).

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛= TP / TP + FP���������������������������� (2)

Recall, se refiere a la sensibilidad y clasifica los verdaderos positivos sin pasarlos por alto como falsos negativos (3).

𝑅𝑒𝑐𝑎𝑙𝑙=TP / TP + FN����������������������������������� (3)

F1: la puntuaci�n es la media arm�nica de la precisi�n y la recuperaci�n (4).

𝐹1=2 x Precision x��� Recall / Precision+Recall������� (4)

Al revisar el historial de los conjuntos de datos de prueba y validaci�n para este modelo RNN, parece que el modelo podr�a beneficiarse de un mayor entrenamiento. As� lo demuestra la tendencia creciente de la precisi�n en ambos conjuntos de datos durante las �ltimas �pocas, v�ase Figura 6. Adem�s, parece que el modelo a�n no ha aprendido completamente del conjunto de datos de entrenamiento, ya que muestra una habilidad comparable en ambos conjuntos de datos. Se ha diagnosticado que el ritmo del modelo es adecuado. Aunque los gr�ficos paralelos de la figura 7 empezaron a divergir gradualmente, el entrenamiento tuvo que detenerse antes.

 

Figura 6: Gr�fico de la precisi�n del modelo en conjuntos de datos de validaci�n y entrenamiento durante varias �pocas de entrenamiento.

Nota: Tendencia de precisi�n para ambos conjuntos de datos.

Figura 7: Gr�ficos de l�neas de los valores de p�rdida de entrenamiento y validaci�n durante varias �pocas de entrenamiento.

Nota: Autor�a propia usando Google Colaborativo.

 

La m�trica accuracy indica el porcentaje de valores clasificados correctamente. Durante la evaluaci�n del modelo en el momento del entrenamiento, los nuevos datos generados se compararon con los datos de entrenamiento para determinar su similitud.

La matriz de confusi�n, es una herramienta que se us� en los distintos algoritmos para comprobar sus resultados y que eval�a visualmente las predicciones del modelo� (Visa et al., 2011). La matriz est� compuesta por 3 clases (Sentimientos: Positivo = 0, Negativo = 1 y Neutro =2). La columna de sentimiento positivo se evidencia que tiene 172 verdaderos positivos.� Se pudo interpretar en la matriz que el sentimiento positivo prevalece en los comentarios al aplicar IA en las actividades dentro o fuera del puesto de trabajo, vea Figura 8.

 

 

 

Figura 8: Matriz de confusi�n para el an�lisis de sentimientos

Nota: La predicci�n es en sentimiento positivo como verdadero.

 

El rendimiento de los algoritmos clasificadores se eval�a utilizando las m�tricas de precisi�n, recuperaci�n y F1. El clasificador SVM se selecciona para el siguiente dato debido a su precisi�n del 77%, recuperaci�n del 100% y F1 del 85%, que es superior a los dem�s clasificadores, v�ase tabla 1.

 

Tabla 1: Resultado de algoritmo de clasificaci�n

Nota: Autor�a propia.

 

Discusi�n y Conclusi�n

La extracci�n de datos en las plataformas de medios sociales son de comportamientos informativos que interact�an en diferentes entornos, convirti�ndose en espacios virtuales con un gran potencial conversacional y documental, convirti�ndose en datos para estudios cualitativos.� Las t�cnicas utilizadas para determinar los sentimientos de la informaci�n obtenida de las redes pueden variar; lo que no var�a son las t�cnicas de modelos de clasificaci�n, se eval�an los datos para comprobar si est�n equilibrados o no, el uso de redes neuronales ayuda al ordenador a interpretar el conjunto de datos estudiados.

Los cibernautas tienden a preocuparse por su bienestar, como demuestra el an�lisis de sentimientos, que muestra un mayor porcentaje de textos con pensamientos positivos sobre el tema de la inteligencia artificial en la industria, confirmado en esta investigaci�n. El estudio recogi� 1975 comentarios de un foro y descubri� que el 49,16% de los comentarios eran positivos, el 22,58% negativos y el 28,25% neutros; las tres palabras m�s influyentes son: persona, trabajo y automatizaci�n. Para datos de entrenamiento y de prueba se utiliz� el preprocesamiento Sklearn, para facilitar el desarrollo de modelos de aprendizaje autom�tico efectivos.

Para aceptar el modelo propuesto del tema de la inteligencia artificial para automatizar sus tareas, nos interesa que tenga una alta sensibilidad, pero tambi�n nos interesa que tenga el m�s alto valor de precisi�n, el modelo SVM predice la demanda la aceptaci�n, es importante de mencionar que existe un 28.25% que est� reacio ante el tema IA, para otras investigaciones futuras podemos determinar los factores que nos hagan entender su decisi�n de apartarse.

La inteligencia artificial maneja algoritmos de aprendizaje profundo, para la evaluaci�n del modelo propuesto, el clasificador escogido es la m�quina de vectores de soporte (SVM) por su mayor precisi�n; al momento de ser evaluado obtuvo el 77% de datos verdaderos. El clasificador SVM da una precisi�n bastante exacta de un modelo sin ajustar excesivamente los datos de entrenamiento. Cabe recalcar que la matriz de confusi�n para un modelo de clasificaci�n LSTM (memoria larga a corto plazo) requiere comprender los conceptos de p�rdida, precisi�n y la propia matriz de confusi�n. El valor de p�rdida de 61% indica qu� tan bien se est� desempe�ando el modelo. Los valores m�s bajos son mejores, ya que indican que las predicciones del modelo est�n m�s cerca de los valores reales, pero otra de mayor porcentaje como el SVM da una mejor precisi�n. Para mejorar esta puntuaci�n del modelo RNN del 61% se puede hacer un ajuste de hiperpar�metros o la inclusi�n de m�s datos de entrenamiento.

Esta investigaci�n tiene mayor alcance, al estudiar de manera minuciosa se podr�a determinar factores que afectar�a negativamente el uso de inteligencia artificial para automatizar las actividades que ayude al progreso dentro de la sociedad, adem�s conocer el impacto negativo dentro de la parte social.

 

Referencias

      1.            Ali, A. M. G. M., Kai, K. C. B., & Ismail, Z. H. (2024). Blockchain Technology in Overcoming Security Threats for Smart Manufacturing System-A Systematic Literature Review. Journal of Advanced Research in Applied Sciences and Engineering Technology, 39(1), 43�58. https://doi.org/10.37934/araset.39.1.4358

      2.            Almasoud, A. S., Alshahrani, H. J., Hassan, A. Q. A., Almalki, N. S., & Motwakel, A. (2023). Modified Aquila Optimizer with Stacked Deep Learning-Based Sentiment Analysis of COVID-19 Tweets. Electronics, 12(19), 4125. https://doi.org/10.3390/electronics12194125

      3.            Bao, W., & Bai, Y. (2024). Research on basketball footwork recognition based on a convolutional neural network algorithm. Systems and Soft Computing, 6(366), 200086. https://doi.org/10.1016/j.sasc.2024.200086

      4.            Bisong, E. (2019). Google Colaboratory. In E. Bisong (Ed.), Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59�64). Apress. https://doi.org/10.1007/978-1-4842-4470-8_7

      5.            Canesche, M., Braganca, L., Neto, O. P. V., Nacif, J. A., & Ferreira, R. (2021). Google Colab CAD4U: Hands-On Cloud Laboratories for Digital Design. 2021 IEEE International Symposium on Circuits and Systems (ISCAS), 1�5. https://doi.org/10.1109/ISCAS51556.2021.9401151

      6.            Dharmik, R. C., & Bawankar, B. U. (2023). Design Challenges for Machine/Deep Learning Algorithms. In Machine Learning for VLSI Chip Design (pp. 195�209). Wiley. https://doi.org/10.1002/9781119910497.ch13

      7.            Eberhard, L., Popova, K., Walk, S., & Helic, D. (2024). Computing recommendations from free-form text. Expert Systems with Applications, 236(February 2023), 121268. https://doi.org/10.1016/j.eswa.2023.121268

      8.            Garg, M., Liu, X., Sathvik, M. S. V. P. J., Raza, S., & Sohn, S. (2024). MultiWD: Multi-label wellness dimensions in social media posts. Journal of Biomedical Informatics, 150, 104586. https://doi.org/10.1016/j.jbi.2024.104586

      9.            Kim, S., Cha, J., Kim, D., & Park, E. (2023). Understanding Mental Health Issues in Different Subdomains of Social Networking Services: Computational Analysis of Text-Based Reddit Posts. Journal of Medical Internet Research, 25, e49074. https://doi.org/10.2196/49074

  10.            Li, S., Xie, Z., Chiu, D. K. W., & Ho, K. K. W. (2023). Sentiment Analysis and Topic Modeling Regarding Online Classes on the Reddit Platform: Educators versus Learners. Applied Sciences (Switzerland), 13(4). https://doi.org/10.3390/app13042250

  11.            Melo, E., Barzola-Monteses, J., Noriega, H. H., & Espinoza-Andaluz, M. (2024). Enhanced fault detection in polymer electrolyte fuel cells via integral analysis and machine learning. Energy Informatics, 7(1), 10. https://doi.org/10.1186/s42162-024-00318-2

  12.            Mustary, S., Kashem, M. A., Chowdhury, M. A., & Rana, M. M. (2024). Mathematical model and evaluation of dynamic stability of industrial robot manipulator: Universal robot. Systems and Soft Computing, 6(December 2023), 200071. https://doi.org/10.1016/j.sasc.2023.200071

  13.            Musuvathi, A. S. S., Archbald, J. F., Velmurugan, T., Sumathi, D., Renuga Devi, S., & Preetha, K. S. (2024). Efficient improvement of energy detection technique in cognitive radio networks using K-nearest neighbour (KNN) algorithm. EURASIP Journal on Wireless Communications and Networking, 2024(1), 10. https://doi.org/10.1186/s13638-024-02338-8

  14.            Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques. Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing, EMNLP 2002, 79�86. http://arxiv.org/abs/cs/0205070

  15.            Pirnau, M., Botezatu, M. A., Priescu, I., Hosszu, A., Tabusca, A., Coculescu, C., & Oncioiu, I. (2024). Methods for Big Data. 1�22.

  16.            Radanliev, P. (2024). Artificial intelligence and quantum cryptography. Journal of Analytical Science and Technology, 15(1), 4. https://doi.org/10.1186/s40543-024-00416-6

  17.            Shams, M. Y., Tarek, Z., El-kenawy, E.-S. M., Eid, M. M., & Elshewey, A. M. (2024). Predicting Gross Domestic Product (GDP) using a PC-LSTM-RNN model in urban profiling areas. Computational Urban Science, 4(1), 3. https://doi.org/10.1007/s43762-024-00116-2

  18.            Shekar, P. R., Mathew, A., Yeswanth, P. V., & Deivalakshmi, S. (2024). A combined deep CNN-RNN network for rainfall-runoff modelling in Bardha Watershed, India. Artificial Intelligence in Geosciences, 5(February), 100073. https://doi.org/10.1016/j.aiig.2024.100073

  19.            Taboada, M., Brooke, J., & Voll, K. (2011). Lexicon-Based Methods for Sentiment Analysis - ProQuest. Computional Linguistics, 37(2), 267�307. https://www.proquest.com/docview/896181231/C4F09CD9F4A6440APQ/13?accountid=13827

  20.            Turcan, E., & McKeown, K. (2019). Dreaddit: A Reddit Dataset for Stress Analysis in Social Media. Proceedings of the Tenth International Workshop on Health Text Mining and Information Analysis (LOUHI 2019), Louhi, 97�107. https://doi.org/10.18653/v1/D19-6213

  21.            Visa, S., Ramsay, B., Ralescu, A., & Van der Knaap, E. (2011). Edited by Sofia Visa, Atsushi Inoue, and Anca Ralescu. Maics, 710, 120�127.

  22.            Yamori, Y., Ikeda, K., Ooshima, A., Horie, R., Nara, Y., & Ohtaka, M. (1979). Genetic Analysis of Severe Hypertension in Stroke-prone SHR (SHRSP). Japanese Heart Journal, 20(5), 710�710. https://doi.org/10.1536/ihj.20.710

 

 

 

 

 

 

 

 

 

 

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).

 

 

 

 

 

 

 

�������������������������������������������������������������������������������������������������������������������������