Aplicación de técnicas de word embedding para detectar emociones en texto en idioma español usando algoritmos de machine learning y deep learning.

Abstract

La presente investigación aborda la detección automática de emociones en textos en español mediante técnicas de Word Embedding (Word2Vec y FastText) combinadas con algoritmos de Machine Learning (SVM, Regresión Logística, Naïve Bayes Gaussiano) y Deep Learning (BiLSTM, GRU, LSTM). El objetivo principal fue aplicar y comparar estos enfoques para identificar múltiples emociones en comentarios extraídos de un conjunto de datos de Kaggle, reetiquetados con base en criterios psicolingüísticos. La metodología fue cuantitativa, descriptiva y experimental, utilizando Google Colab como entorno de desarrollo. Los resultados demostraron que los modelos de Deep Learning con vectores FastText ofrecieron mejor desempeño, destacando BiLSTM por su capacidad para capturar relaciones contextuales en secuencias de texto. Se concluye que la combinación de representaciones semánticas y modelos secuenciales mejora significativamente la detección de emociones, aportando al desarrollo de herramientas automatizadas para el análisis emocional en idioma español.