Análisis de emociones en textos en español mediante traducción Automática y modelos BERT Multilingües

Análisis de emociones en textos en español

Resumen

El análisis de emociones en textos escritos mediante técnicas de procesamiento de lenguaje natural (PLN) representa un área de investigación en crecimiento con aplicaciones clave en sectores como la salud mental, marketing, educación y sistemas de recomendación. Este artículo propone un enfoque sistemático basado en un pipeline de programación en lenguaje natural que permite analizar textos en español mediante modelos de clasificación emocional originalmente entrenados en inglés. Dado que los modelos más avanzados para la detección de emociones, como BERT (Bidirectional Encoder Representations from Transformers), han sido desarrollados principalmente en inglés, se implementa una solución basada en la traducción automática de los textos desde el español al inglés utilizando el modelo Helsinki-NLP/opus-mt-es-en. Una vez traducidos, los textos se procesan con el modelo DistilRoBERTa ajustado para clasificación emocional (j-hartmann/emotion-english-distilroberta-base) que evalúa la probabilidad de pertenencia a categorías emocionales como alegría, tristeza, ira, miedo, amor y sorpresa. El pipeline se implementa en Python, utilizando librerías especializadas como Hugging Face Transformers para la traducción y clasificación, y Scikit-learn para la evaluación estadística del desempeño del modelo. Las predicciones se comparan con etiquetas reales, y se utilizan métricas como la matriz de confusión, precisión, sensibilidad, especificidad, exactitud (accuracy), y F1-score (macro y ponderado) para validar la efectividad del sistema.

Los resultados muestran una tasa de exactitud del 81%, lo que confirma que, a pesar de las limitaciones idiomáticas, el uso de traducción automática junto con modelos robustos permite obtener resultados confiables y replicables en el análisis de emociones en textos en español. Este estudio demuestra el potencial de integrar herramientas de PLN multilingües en soluciones prácticas que requieren análisis afectivo en múltiples lenguas