Análisis de los procesos de tratamiento de información en un estudio de análisis de sentimiento utilizando la tecnología de Google
Barra lateral del artículo
Contenido principal del artículo
Resumen
En los últimos años el Big Data se abre camino entre las principales herramientas de análisis de mercado, vinculándose a las técnicas de Machine Learning con el fin de aprender sobre los datos que se posee. Una de las áreas de mayor crecimiento es el Procesamiento de Lenguaje Natural que proporciona al investigador datos sobre estructuras y significados de texto. Con el fin de profundizar en esta área, Google ha creado la API Natural Language, permitiendo a los investigadores trabajar con distintos aspectos de las funciones del lenguaje entre ellas el análisis de sentimiento, proporcionando información sobre la opinión emocional predominante de un contenido seleccionado previamente y permitiendo obtener un score que analiza la valencia de las emociones con valores dicotómicos. El objeto de este estudio es analizar los distintos procesos que un investigador tiene que utilizar para obtener información útil para sus investigaciones. Desde la extracción de información, hasta la obtención de datos que ayuden al investigador a obtener conclusiones, se desarrolla un largo proceso del tratamiento de la información. El estudio nos mostrará como las diversas herramientas de las que dispone Google en su plataforma Google Cloud Platform, aportan a un investigador el apoyo necesario para el desarrollo de su trabajo, una vez que ya se cuenta con la información a analizar. Además, se complementará con herramientas de rastreo para la extracción del texto que se desea, en función de donde se encuentre esta.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aviso de derechos de autor
El autor principal debe entregar obligatoriamente la carta de cesión de derecho de autoría, según el modelo dispuesto por Vivat Academia. Revista de Comunicación en la que se declara la cesión de derechos de autoría a la revista y se hacen explicitos los derechos de los autores respecto a la difusión y explotación del manuscrito una vez publicado.
Citas
Agavanakis, K. N., Karpetas., G. E., Taylor. M., Pappa, E., Michail, C. M., Filos, J., Trachana, V., & Kontopoulou, L. (2019). Practical machine learning based on cloud computing resources. AIP Conference Proceedings, 2123. https://doi.org/10.1063/1.5117023 DOI: https://doi.org/10.1063/1.5117023
Alcover de la Hera, C. M. (2008). Neurociencia social: hacia la integración de las explicaciones sociales y biológicas de la conducta social. Método, teoría e investigación en Psicología social. 187-214. Pearson Educación.
Boubela, R. N., Kalcher, K., Huf, W., Našel, C., & Moser, E. (2016). Big Data Approaches for the Analysis of Large-Scale fMRI Data Using Apache Spark and GPU Processing: A Demonstration on Resting-State fMRI Data from the Human Connectome Project. Frontiers in Neuroscience, 9(JAN), 492. https://doi.org/10.3389/fnins.2015.00492 DOI: https://doi.org/10.3389/fnins.2015.00492
Challita, S., Zalila, F., Gourdin, C., & Merle, P. (2018). A precise model for Google cloud platform. Proceedings - 2018 IEEE International Conference on Cloud Engineering, IC2E 2018, 177–183. https://doi.org/10.1109/IC2E.2018.00041 DOI: https://doi.org/10.1109/IC2E.2018.00041
Eklund, A., Andersson, M., & Knutsson, H. (2012). FMRI analysis on the GPU-Possibilities and challenges. Computer Methods and Programs in Biomedicine, 105(2), 145–161. https://doi.org/10.1016/j.cmpb.2011.07.007 DOI: https://doi.org/10.1016/j.cmpb.2011.07.007
Harmon-Jones, E., & Beer Jennifer. (2009). Methods in Social Neuroscience. The Guilford Press.
Liu, X., Hao, L., & Yang, W. (2019). Bigeo: A foundational PaaS framework for efficient storage, visualization, management, analysis, service, and migration of geospatial big data—a case study of Sichuan province, China. ISPRS International Journal of Geo-Information, 8(10). https://doi.org/10.3390/ijgi8100449 DOI: https://doi.org/10.3390/ijgi8100449
Mart, E., Mart, M. T., y Ure, L. A. (2014). Desafíos del Análisis de Sentimientos. October. V Jornadas TIMM. 61–63.
Martínez Herrador, J. L., Núñez Cansado, M., y Valdunquillo Carlón, M. I. (2020). Metodología de neuromarketing: medición de Sociograph aplicada al análisis de la narrativa audiovisual erótica y sus aplicaciones a la estrategia de mercadotecnia. Vivat Academia. 131–153. https://doi.org/10.15178/va.2020.150.131-153 DOI: https://doi.org/10.15178/va.2020.150.131-153
Poggi, N., Berral, J. L., Fenech, T., Carrera, D., Blakeley, J., Minhas, F., & Vujic, N. (2016). The state of SQL-on-Hadoop in the Cloud. 4th IEEE International Conference on Big Data (Big Data), 1432–1443. https://doi.org/10.1109/BigData.2016.7840751 DOI: https://doi.org/10.1109/BigData.2016.7840751
Quintana, Á. (2019). Contrastando herramientas del Proceso del Lenguaje Natural con encuestas. La nueva comunicación del siglo XXI. Pirámide
Singh, J., Gill, R., & Goyal, G. (2019). Extracting and understanding user sentiments for big data analytics in big business brands. In Big Data Recommender Systems - Volume 2: Application Paradigms. Institution of Engineering and Technology. 235-257. Institution of Engineering and Technology. DOI: https://doi.org/10.1049/PBPC035G_ch13
Yuhanna, N. (2020). The Forrester WaveTM: Data Management For Analytics, Q1 2020 The 14 Providers That Matter Most And How They Stack Up Key Takeaways. The Forrester https://reprints.forrester.com/#/assets/2/157/RES157286/reports