Palabras clave
polaridad
redes sociales
opinión
expresiones idiomáticas
Cómo citar
Resumen
Las reacciones en redes sociales a propósito de un comentario pueden ser clasificadas en positivas, negativas o neutras, según la opinión del usuario o emisor sobre el tema en juego. Las frases idiomáticas son portadoras de un valor emocional, que va de positivo a negativo (lo que conocemos como polaridad). En nuestra investigación, establecimos que la aparición de una frase idiomática negativa en una opinión en redes sociales está directamente vinculada con la polaridad de la totalidad del comentario. Es decir, que la polaridad de la expresión es transferida al comentario propiamente dicho.
Citas
Arce Sanabria, José Luis. (2012). Medios de comunicación de masas en Costa Rica: Entre la digitalización, la convergencia y el auge de los "new media". Hacia la Sociedad de la Información y el Conocimiento, capítulo Medios de Comunicación de Masas en Costa Rica: 283–308. Programa Sociedad de la Información y el Conocimiento, Universidad de Costa Rica.
Batista, Fernando y Ribeiro, Ricardo. (2013). Sentiment analysis and topic classification based on binary maximum entropy classifiers. Procesamiento del Lenguaje Natural 50: 77-84. Recuperado de http:// hdl.handle.net/10045/27867.
Brooke, Julian et al. (2009). Cross-linguistic sentiment analysis: From English to Spanish. Proceedings of the 7th International Conference on Recent Advances in Natural Language Processing: 50–54. Borovets, Bulgaria. Recuperado de http://anthology.aclweb.org/R/R09/R09-1. pdf#page=74.
Cambria, E., Schuller, B., Xia, Y., & Havasi, C. 2013. New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems XXVIII (2): 15-21.
Chenlo, José M. y Losada, David E. 2014. An empirical study of sentence features for subjectivity and polarity classification. Information Sciences 280: 275–288. Recuperado de http://dx.doi.org/10.1016/j. ins.2014.05.009.
Fernández Anta, Antonio et al. 2012. Sentiment analysis and topic detection of Spanish tweets: A comparative study of NLP techniques. Procesamiento del Lenguaje Natural. 50: 45–52.
Hutto, Clayton y Gilbert, Eric. 2014. Vader: A parsimonious rule-based model for sentiment analysis of social media text. Eighth International AAAI Conference on Weblogs and Social Media.
Leoni de León, Jorge Antonio. 2008. Modèle d’analyse lexico-syntaxique des locutions espagnoles. Tesis de doctorado, Université de Genève, Ginebra, Suiza, 24 de mayo 2008. Recuperado de http://www. unige.ch/cyberdocuments/theses2008/ LeonideLeonJA/meta.html
Liu, Bing y Zhang, Lei 2012. A survey of opinion mining and sentiment analysis. C.C. Aggarwal and C.X. Zhai (editores.), Mining Text Data, Springer Science+Business Media LLC: 415-463. Recuperado de http://link.springer.com/book/10.1007% 2F978-1-4614-3223-4.
McDonald, Ryan et al. 2013. Universal dependency annotation for multilingual parsing. Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics: 92–97. Sofía, Bulgaria, 4-9 de agosto 2013, Association for Computational Linguistics. Recuperado de http://citeseerx.ist.psu.edu/viewdoc/dow nload?doi=10.1.1.386.8061&rep=rep1&typ e=pdf#page=140.
Pang, Bo and Lee, Lillian. 2004, July. A sentimental education: Sentiment analysis using subjectivity summarization based on minimum cuts. Proceedings of the 42nd annual meeting on Association for Computational Linguistics: 271. Association for Computational Linguistics. Recuperado de http://dl.acm.org/citation. cfm?doid=1218955.1218990.