Análisis de sentimiento
Video Tutorial: Análisis de Sentimiento.
El análisis de sentimientos es la interpretación y clasificación de las emociones (positivas, negativas y neutras) dentro de los datos textuales mediante técnicas de análisis de textos.
Esta función está disponible para los siguientes idiomas:
- Inglés
- Alemán
- Español
- Portugués
- Francés
- Holandés
- Ruso
- Chino simplificado
Ejemplos de aplicación:
- identificar y catalogar un texto según el tono que transmite.
- understanding the social sentiment of a brand, product or service.
- identificar el sentimiento de los encuestados hacia el tema que se debate en las conversaciones y comentarios en línea.
- Analizar las evaluaciones de los estudiantes sobre conferencias, seminarios o programas de estudio.
El análisis de sentimientos funciona mejor con datos estructurados, como las preguntas abiertas de una encuesta, las evaluaciones, las conversaciones en línea, etc.
Realizar un Análisis de Sentimiento
Para abrir la herramienta, seleccione la pestaña Buscar & Codificar y desde allí Análisis de sentimiento.
Seleccione los documentos o grupos de documentos que desea buscar y haga clic en Continuar.
Seleccione la unidad base para la búsqueda y la codificación:
- párrafos
- oraciones
Seleccione el tipo de sentimiento que desea codificar:
- positivo
- neutro
- negativo
ATLAS.ti propone etiquetas de subcódigos para cada sentimiento: Positivo / Neutral / Negativo. Si desea utilizar nombres diferentes, puede cambiarlos aquí.
Gestionar modelos: Si quieres mejorar tus resultados, puedes descargar e instalar un modelo más completo.
Haga clic en Administrar Modelos si desea instalar o desinstalar un modelo ampliado.
Haga clic en Mostrar resultados para iniciar la búsqueda de los documentos seleccionados. En la siguiente pantalla, se presentan los resultados de la búsqueda y puede revisarlos.
La página de resultados le muestra un Lector de citas indicando dónde están las citas al codificar los datos con el código propuesto. Si la codificación ya existe en la cita, también se mostrará.
Haciendo clic en el ícono del ojo, puedes cambiar entre la vista previa reducida, media y la ampliada.
Puede codificar todos los resultados con uno de los códigos propuestos o con todos los códigos propuestos a la vez; o puede ir revisando cada segmento de datos y luego codificarlo haciendo clic en el signo más que aparece junto al nombre del código.
Dependiendo del área que haya seleccionado al principio, se codifica la frase o el párrafo.
El [Diálogo de codificación] regular(../Codes/CodingData_es.md) también está disponible para agregar o eliminar códigos.
El motor de búsqueda detrás del análisis de sentimiento
ATLAS.ti utiliza spaCy como motor de procesamiento del lenguaje natural. Puede encontrar información más detallada [aquí].(https://spacy.io/)
Los datos de entrada se procesan en una cadena, un paso tras otro para mejorar el conocimiento derivado del paso anterior. Haga clic aquí para más detalles.
El primer paso es un tokenizador para dividir un texto dado en partes significativas y sustituir las elipsis, etc. Por ejemplo, la frase en inglés:
"Debería haberlo sabido (entonces no lo sabía)". se convertirá en token: “I should have known ( did not back then ).“
El tokenizador utiliza un vocabulario para cada idioma para asignar un vector a una palabra. Este vector se aprendió previamente utilizando un corpus y representa un tipo de similitud de uso en el corpus utilizado. Haga clic aquí para más información.
El siguiente componente es un etiquetador que asigna etiquetas de parte del discurso a cada token y a los lexemas si el token es una palabra. La secuencia de caracteres "mío", por ejemplo, tiene significados muy diferentes según se trate de un sustantivo o un pronombre.
Por lo tanto, no se trata solo de una lista de palabras que se utiliza como referencia. Por lo tanto, tampoco existe la opción de agregar sus propias palabras a una lista o de ver la lista de palabras que se utiliza.
La línea de análisis de sentimientos se entrena con una variedad de textos que van desde las discusiones en las redes sociales hasta las opiniones de la gente sobre diferentes temas y productos. Utilizamos modelos modificados preformados o construidos desde cero, según el idioma.