Modelo de Análisis de Emociones para evaluar el desempeño docente aplicando

Abstract

El análisis de emociones conocido en inglés como Sentiment Analysis, el cual surge de áreas como el procesamiento de lenguaje natural y minería de datos, se ha convertido en un área clave para la sociedad debido a que gracias a ésta es posible identificar emociones expresadas en textos. El análisis de emociones involucra diversas tareas de investigación, entre las cuales destaca la detección de subjetividad [1, 2], clasificación por polaridad [3, 4], intensidad en la clasificación [5, 6] y la identificación de emociones [7-9]. El creciente auge del análisis de emociones se debe principalmente al interés de las empresas para conocer rápidamente opinión de los consumidores sobre sus productos y servicios como un medio para mejorar sus estrategias de publicidad y venta [10]. El área de la educación no se ha quedado atrás y ha planteado soluciones para mejorar la educación a distancia, cursos, talleres y clases presenciales [11, 12]. En el presente trabajo se describe el proceso de diseño, desarrollo y pruebas de un Modelo denominado SocialMining, con el propósito de apoyar al proceso de la evaluación docente. La recolección de comentarios fue realizada de dos maneras, la primera es que se recolectaron comentarios de una evaluación docente realizada en el 2015 y la segunda se realizó en Twitter mediante la participación de los alumnos de la carrera de Ingeniería en Sistemas Estratégicos de Información de la Universidad Politécnica de Aguascalientes. Una vez recolectados los comentarios se efectuó una limpieza y revisión de los mismos para conformar un corpus de comentarios que apoyó a la generación de un corpus de subjetividad, así como a la selección y optimización de términos distintivos. 1 Para el proceso de clasificación de comentarios en el Modelo SocialMining se aplicaron algoritmos de Aprendizaje Automático (conocido en inglés como Machine Learning), como: Naïve Bayes, Máquinas de Soporte Vectorial (Suppot Vector Machine, SVM por sus siglas en inglés) y Random Forest, además métricas como precisión total, precisión equilibrada, sensibilidad, especificidad y el análisis ROC fueron utilizadas para medir el desempeño de los algoritmos clasificadores y en su caso mejorar. Los resultados obtenidos en clasificación en el Modelo SocialMining se consideran factibles, puesto que sobrepasan un 80%, valor que en la literatura [13] reportan aceptable. Cabe resaltar que a pesar de que en la actualidad numerosas empresas y organizaciones aplican análisis de emociones para diferentes propósitos, la mayoría de las aplicaciones se concentran para el idioma inglés, así como para la inteligencia de negocios y publicidad. Hasta el momento no se reporta una herramienta o modelo dedicada al apoyo de la evaluación docente, asimismo tampoco se reporta un corpus afectivo o de subjetividad en español enfocado a procesos del área de la educación.