Análisis de sentimientos de tuits del conflicto entre Rusia y Ucrania usando RoBERTa
DOI:
https://doi.org/10.15359/ru.37-1.23Palabras clave:
Análisis de sentimientos, Conflicto Rusia-Ucrania, Twitter, DistilRoBERTaResumen
[Objetivo] Cuando Rusia invadió oficialmente a Ucrania, el mundo vivió un periodo de tensión e incertidumbre. Como válvula de escape social, los canales de comunicación digital aumentaron su número de usuarios y su actividad, lo cual generó una gran cantidad de datos. Twitter, en particular, uno de los canales más populares para compartir información y opiniones, explotó con actividades relacionadas con el acontecimiento. Igual que con muchos otros eventos sociales, como el COVID-19, tal red social se convirtió en una de las principales fuentes de información, opinión y conocimiento. Este trabajo realiza un análisis de sentimientos de tuits ligados al conflicto armado entre Rusia y Ucrania. [Metodología] El conjunto de datos analizado contiene tuits desde el 1 de enero de 2022 hasta el 3 de marzo de 2022 y se recopiló utilizando hashtags vinculados con el suceso. En total, se analizaron 603 552 tuits en inglés y 1664 en ruso. Para realizar la clasificación de emociones, se utilizaron la variante DistilRoBERTa y el modelo preentrenado XLM-RoBERTa-Base, respectivamente. Los tuits en inglés se clasificaron en siete emociones: ira, disgusto, miedo, alegría, neutro, tristeza y sorpresa. Los tuits rusos se clasificaron en positivos, negativos y neutros. [Resultados] Los resultados mostraron que la mayoría de los tuits en inglés mostró miedo e ira como sentimientos predominantes, que alcanzaron el 32,08 % y el 15,18 % del total de tuits examinados, respectivamente. En cuanto a los tuits en ruso, la mayor parte presentó polaridad negativa, con un 86,83 % del total. Algunas de las frases más recurrentes en el análisis aluden al apoyo a Ucrania y piden el cese de la guerra. Asimismo, son frecuentes las frases de preocupación por la crisis, las armas y las víctimas mortales. [Conclusión] Como era de esperar, la mayoría de la gente estaba preocupada por el conflicto armado y tanto molesta como enfadada por sus consecuencias. Futuros trabajos podrían utilizar más tuits para mejorar el análisis y aumentar el rango temporal por estudiar. También, se podría segmentar el análisis, para estudiar el sentimiento de los tuits, según diferentes agrupaciones, y compararlos con otras sociedades; por ejemplo, examinar los tuits, de acuerdo con cada país o región.
Referencias
Ashman, M., & Cruthers, A. (2021). Tables, charts, and graphs . Advanced Professional Communication, eCampus Pressbooks.
Dougherty, J., & Ilyankou, I. (2021). Hands-On Data Visualization. O'Reilly Media, Inc.
Ekman, P. (1992). An argument for basic emotions. Cognition & emotion, 6, 169-200. https://doi.org/10.1080/02699939208411068
Hartmann, J. (2022). Emotion English DistilRoBERTa-base.
Imran, A., Daudpota, S., Kastrati, Z., & Batra, R. (2020). Cross-cultural polarity and emotion detection using sentiment analysis and deep learning on covid-19 related tweets. IEEE Access, 8, 181074-181090. https://doi.org/10.1109/ACCESS.2020.3027350
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31, 685-695. https://doi.org/10.1007/s12525-021-00475-2
Jianqiang, Z., & Xiaolin, G. (2017). Comparison Research on Text Pre-processing Methods on Twitter Sentiment Analysis. IEEE Access, 2870-2879. https://doi.org/10.1109/ACCESS.2017.2672677
Karin, E. (2019). Primate Ecology and Behavior. Retrieved from https://pressbooks-dev.oer.hawaii.edu/explorationsbioanth/chapter/__unknown__-6/
Khun, N., & Thant, H. (2019). Visualization of Twitter Sentiment during the Period of US Banned Huawei. International Conference on Advanced Information Technologies, ICAIT 2019 (pp. 274-279). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/AITC.2019.8921014
Kret, M., Prochazkova, E., Sterck, E., & Clay, Z. (2020). Emotional expressions in human and non-human great apes. Neuroscience & Biobehavioral Reviews, 115. https://doi.org/10.1016/j.neubiorev.2020.01.027
Li, Q. (2020). Overview of Data Visualization. Embodying Data, 17-47. doi:10.1007/978-981-15-5069-0_2
Mbah, R., & Wasum, D. (2022). Russian-Ukraine 2022 War: A Review of the Economic Impact of Russian-Ukraine Crisis on the USA, UK, Canada, and Europe. Advances in Social Sciences Research Journal, 9, 144-153. https://doi.org/10.14738/assrj.93.12005
Mota, F., & Cilento, I. (2020). Competence for internet use: Integrating knowledge, skills, and attitudes. Computers and Education Open, 1, 115. https://doi.org/10.1016/j.caeo.2020.100015
Neogi, A., Garg, K., Mishra, R., & Dwivedi, Y. (2021). Sentiment analysis and classification of Indian farmers’ protest using twitter data. International Journal of Information Management Data Insights, 1(2), 100019. https://doi.org/10.1016/j.jjimei.2021.100019
Pota, M., Ventura, M., Fujita, H., & Esposito, M. (2021). Multilingual evaluation of pre-processing for BERT-based sentiment analysis of tweets. Expert Systems with Applications, 115119. https://doi.org/10.1016/j.eswa.2021.115119
Sanh, V., Debut, L., Chaumond, J., & Wolf, T. (2019). DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter. ArXiv.
Signe, P. (2000). Primate Faces and Facial Expressions. Social Research, 67, 245-271.
Smetanin, S., & Komarov, M. (2019). Sentiment Analysis of Product Reviews in Russian using Convolutional Neural Networks. 2019 IEEE 21st Conference on Business Informatics (CBI) (pp. 482-486). IEEE. https://doi.org/10.1109/CBI.2019.00062
Smetanin, S., & Komarov, M. (2021). Deep transfer learning baselines for sentiment analysis in Russian. Information Processing & Management, 102484. https://doi.org/10.1016/j.ipm.2020.102484
Tomkins, S. (1962). Affect imagery consciousness: Volume I: The positive affects. Springer publishing company.
Zhang, C., & Lu, Y. (2021). Study on artificial intelligence: The state of the art and future prospects. Journal of Industrial Information Integration, 23. https://doi.org/10.1016/j.jii.2021.100224
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
1. Los autores garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
2. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
3. Los autores han afirmado poseer todos los permisos para usar los recursos que utilizaron en el artículo (imágenes, tablas, entre otros) y asumen la responsabilidad total por daños a terceros.
4. Las opiniones expresadas en el artículo son responsabilidad de los autores y no necesariamente representan la opinión de los editores ni de la Universidad Nacional.
Revista Uniciencia y todas sus producciones se encuentran bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Unported.
No existe costo por acceso, revisión de propuestas ni publicación para autores y lectores.
