Identificar sentimientos en cuarentena por la Covid-19 mediante clasificador léxico y aprendizaje supervisado

• Yonatan Mamani-Coaquira ^[1] ; Manuel J. Ibarra ^[1] ; Ecler Mamani Vilca ^[1] ; Erech Ordoñez Ramos ^[1] ; Mario Aquino Cruz ^[1]
  1. [1] Universidad Nacional Micaela Bastidas de Apurímac, Perú
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 41, 2021, págs. 618-631
• Idioma: español
• Títulos paralelos:
  • Identify sentiments in quarantine by Covid-19 through lexical classifier and supervised learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La Covid-19 comenzó afectar a Perú el 6 de marzo de 2020, se iniciaron medidas preventivas para evitar la propagación. El 15 de marzo comenzó el aislamiento social obligatorio en todo el Perú, las personas utilizan Twitter para intercambiar diversas informaciones sobre el aislamiento social, esto es importante para autoridades y el público porque ayuda a considerar estrategias para evitar contagios. El presente trabajo tiene como objetivo clasificar los sentimientos positivos y negativos que fueron expresando en Twitter a través de la propuesta del Clasificador Léxico de Palabras y el uso de algoritmos clasificadores. El resultado obtenido fue que las palabras más frecuentes son: Cuarentena, Covid y Casa. Las palabras positivas fueron Bueno y Ganar, la palabra negativa fue Extraño. El modelo de clasificación de sentimiento alcanzó el 91.5% de precisión mediante el algoritmo Support Vector Machine y el Clasificador Léxico de Palabras.

  • English

    The Covid-19 began to affect Peru on March 6 of 2020, preventive measures were started to prevent the spread. On March 15 compulsory social isolation began throughout Peru, the people use Twitter to exchange various information about social isolation, this is important for authorities and the public because it helps to consider strategies to avoid contagion. The present work has the objective to classify the positive and negative sentiment that were expressed on Twitter through the proposal of the Lexical Word Classifier and the use of classifying algorithms. The result obtained was that the most frequent words are: Quarantine, Covid and Home. The positive words were Good and Win, the negative word was Strange. The sentiment classification model reached 91.5% accuracy using the Support Vector Machine algorithm and the Lexicon Word Classifier.