UNIVERSIDAD TT-CIS-001

NACIONAL
DE LOJA
Facultad de Energía, las Industrias y los Recursos Naturales No Renovables
_________________________________________________________________________
CARRERA DE INGENIERÍA EN SISTEMAS

Proceso de la Revisión Sistemática

de Literatura

Estudiante:
• John Alejandro Torres Álvarez

Profesor:
 Ing. Luis Roberto Jácome.

LOJA-ECUADOR
2019
El proceso de Revisión Sistemática de Literatura
El proceso de RSL propuesto se encuentra dividido en las siguientes fases:

1. Planificación de la revisión
1.1. Objetivo de la RSL
Se ejecutó la siguiente RSL con el propósito de conocer cuáles son las técnicas que se
aplican actualmente en la minería de texto, conocer las diferentes recomendaciones que
realizan los investigadores en cuanto al análisis de sentimiento en medios sociales y las
herramientas que se utilizan para llevar a cabo las etapas propias de la minería de texto.

1.2. Pregunta de la RSL

Las preguntas de investigación que se plantearon están orientadas a responder dos
aspectos importantes para el desarrollo del primer objetivo. Primero, conocer los
trabajos relacionados con la minería de texto y las técnicas recomendadas para el
análisis de sentimiento en medios sociales. Y como segundo aspecto conocer las
herramientas utilizadas en las etapas de minería de texto. Por tanto, se fabricaron las
siguientes preguntas de investigación.

 ¿Cuáles son las técnicas de minería de texto utilizadas para el análisis de

sentimiento?
 ¿Cuáles son las herramientas que recomiendan los autores para la minería de
texto?

1.3. Estrategia de búsqueda

En la RSL se aplicaron las siguientes estrategias de búsqueda de acuerdo a las
preguntas planteadas en la actividad anterior por el investigador.

 Estudios que se encuentren publicados entre los años 2016 y 2019.

 Palabras claves como términos de búsqueda: Análisis de sentimiento, Medio

social, Social media, Twitter, Análisis de opinión, Español, Sentiment Analysis,
Spanish, Minería web, Web Mining, Texto, Text, Herramientas de Minería, Mining
Tools, Semantic Analysis, Managing Qualitative, Big Data, Text Mining
Techniques, Classification of Information.

 Búsqueda de información en artículos, libros, conferencias, revistas, tesis o

trabajos relacionados
1.4. Selección de las fuentes bibliográficas
Las fuentes bibliográficas seleccionadas fueron las siguientes.

 Google Académico https://scholar.google.com

1.5. Cadenas de búsqueda

Por medio del uso de las palabras clave se elaboró las cadenas de búsqueda más
adecuadas para las fuentes bibliográficas.

Google Scholar

"Análisis de sentimiento" Y (minería web O medio social twitter) Y análisis opinión en español Y
herramienta minería texto Y (Año de publicación ≥ 2016)

1.6. Criterios de inclusión y exclusión de estudios.

Los criterios de inclusión que fueron considerados por cada trabajo, documento o
articulo corresponden a los siguientes parámetros:

 Motores de búsqueda: Google Scholar.

 Fecha de publicación: Desde el 2016 hasta el presente.
 Idioma: Español e Inglés.
 Tipos de estudio: Conferencias, artículos, tesis, libros, revistas o trabajos
relacionados.

Por otro lado, los criterios de exclusión que se aplicaron a los documentos encontrados
fueron los siguientes:
 Trabajos que no se encuentren relacionados con el objetivo de RSL
 Trabajos que no cumplan con los criterios de inclusión.
2. Ejecución
A continuación, se describe los criterios de selección de los estudios más importantes,
extracción de la información y las cadenas de búsqueda aplicadas en las fuentes
científicas.

2.1. Búsqueda de documentos

La búsqueda de documentos se realizó en base a los puntos descritos en la fase del

planeamiento y de acuerdo a los criterios de inclusión.
2.2. Extracción de datos

La extracción de información se realizó en base a los criterios de inclusión y exclusión

de los estudios, para la selección de información se tomó en consideración las partes
claves de artículo, tesis, libro o trabajo relacionado, como es el resumen, herramientas
utilizadas, resultados y conclusiones.

2.3. Selección de documentos

La ejecución de la cadena de búsqueda en Google Scholar arrojó 90 resultados. Luego

al aplicar el criterio de inclusión se obtuvo 10 documentos relevantes (ver TABLA I), de
los cuales, aplicando el criterio de exclusión se consideran los descritos en la TABLA II,
que muestra los estudios primarios.
TABLA I. ESTUDIOS SELECCIONADOS DE GOOGLE SCHOLAR.

Autor/es Lugar de
N Documento Año
publicación

Soledad Universidad
Análisis de información proveniente de
1 Martínez Carlos III 2016
redes sociales como twitter
Morales, Ana
Iglesias

José Carlos Universidad

2 Análisis de sentimientos en 2018
Sobrino Sande Oberta de
twitter
Catalunya

Mario Alberto Universidad

3 Detección de la polaridad de las opiniones Amores Central “Marta 2016
basada en nuevos recursos léxicos Fernández Abreu” de las
Villas
escuela técnica
Minería de opiniones, basdada en patrones Pablo Artacho superior de
4 2016
semánticos, en twitter Torres ingeniería
informática

Minería de opiniones mediante análisis de

José Javier Universidad
5 sentimientos y extracción de conceptos en 2017
Martínez Pagés Complutense
twitter
de Madrid
 Aplicación de técnicas de minería de datos Narváez Universidad de
para el Montoya las Fuerzas
6 2017
análisis de sentimientos en las redes María Salome Armadas (ESPE)
sociales sobre productos de la marca fideos
Cayambe

Análisis de sentimientos para la prevención Andrés Universidad de

7 de Montoro Castilla 2017
odio en las redes sociales Montarroso

Influencia del aprendizaje computacional Rosmery Universidad

basado en técnicas de minería de textos en Jimenez Nacional José
8 2018
la Palomino María Arguedas
clasificación de comentarios de textos
agresivos

Desarrollo de una arquitectura conceptual Paolo Roberto Universidad del

9 para el análisis de contenidos en redes Roldán Robles Norte 2019
sociales sobre el tema del aborto usando
python

Evaluación de las herramientas de minería Iván Sebastián Universidad del

10 2018
de textos en los mensajes de la red social Paute Azuay
twitter. Cárdenas
 TABLAII. ESTUDIOS SELECCIONADOS DE GOOGLE SCHOLAR.

Cd. Estudios primarios Términos Año

Redes Sociales, Twitter, Tweets, Análisis
ES1 Análisis de información proveniente de de Sentimiento, Minería de Datos (Data 2016
redes sociales como twitter [1] Mining)

Análisis de sentimientos,
Análisis de sentimientos en procesamiento del lenguaje natural,
ES2 2018
Twitter [2] Twitter, aprendizaje supervisado,
machine
learning.
Minería de datos, minería de opinión,
Minería de opiniones, basdada en
análisis de sentimiento, Twitter,
ES3 patrones semánticos, en twitter [3] 2016
patrones semánticos

Desarrollo de una arquitectura conceptual Minería de Datos, Análisis de

ES4 para el análisis de contenidos en redes contenidos, Aborto, redes sociales, 2019
sociales sobre el tema del aborto usando Twitter, Facebook.
Python [4]
Minería de datos, minería de opinión,
Evaluación de las herramientas de minería
análisis de sentimiento, Twitter,
ES5 de textos en los mensajes de la red social 2018
Herramientas Web, Redes sociales
twitter [5]
Trabajos Relacionados
Se describe a continuación estudios relacionados al presente TT que sirvieron de ayuda
para comprender la forma en la que se desarrollan temas similares y conocer la
polaridad de los sentimientos y las emociones de las opiniones en textos no
estructurados.

Según [1] , trata de resolver el problema con el que nos encontramos es que todos estos
datos no siempre vienen estructurados y sería necesario que siguieran un patrón para
su uso eficiente. Para obtener esta información tanto de la Web como de las Redes
Sociales es necesario realizar un proceso de extracción, normalización y análisis
exhaustivo de los mismos.

En el estudio [2], es explicar los fundamentos teóricos sobre los que se asienta el análisis
de sentimientos, su historia, aplicaciones y su relación con el procesamiento del
lenguaje natural. Ofrece una visión del estado del arte mediante un recorrido por los
estudios publicados por decenas de autores y los métodos más importantes que existen
para desarrollar este tipo de soluciones. Implementa un clasificador de sentimientos
para los mensajes de Twitter basado en algoritmos de aprendizaje supervisado y se
llevará a cabo un estudio comparativo con las técnicas más populares para el análisis

En el estudio [3], pretende ayudar a la toma de decisiones a través de la extracción y el

análisis de opiniones, identificando las opiniones positivas, negativas y neutras; y
midiendo su repercusión en la percepción de un tópico. En este trabajo se propone un
modelo de análisis de sentimiento basado en diccionarios, que a través de la semántica
y de los patrones semánticos que conforman el texto a clasificar, permite obtener la
polaridad del mismo, en la red social Twitter. Para el conjunto de datos de entrada al
sistema se han considerado datos públicos obtenidos de la red social Twitter, de
compañías del sector de las telecomunicaciones que operan en el mercado Español.

En el estudio [4], pretende presentar el proceso completo de Minería de Datos y lograr

un estudio detallado de las opiniones expresadas en redes sociales sobre el tema del
aborto, para ello, en primer lugar se presenta un marco teórico sobre el proceso de
extracción de conocimiento, para luego pasar a la fase experimental donde en la
recolección de datos.
Además, se presentan interpretaciones de los resultados obtenidos, tomando en cuenta
algunas directrices planteadas en trabajos anteriores realizados en varios lugares del
mundo que abordan el análisis de contenidos y también análisis de sentimientos para
extraer información sobre temas que van, desde la popularidad de una institución o
marca comercial hasta las reacciones que genera la gente ante un hecho social o
político.

El estudio [5], busca comparar diferentes herramientas de minería de textos, con el fin
de encontrar la mejor opción y mostrarlas en un cuadro comparativo; de esta manera se
pretende seleccionar la herramienta adecuada para ser aplicada en un análisis de
sensibilidad, acerca del tráfico que se vive en grandes ciudades. Experimenta con los
datos generados por la red social Twitter, catalogados como datos no estructurados.
Seguidamente, procesa los datos a través de la extracción, almacenamiento y
depuración de los elementos del texto. Además, realiza pruebas de algoritmos en
herramientas de minería de texto, sustentadas en los datos sobre el tráfico, previamente
obtenidos, así como una selección según los resultados obtenidos.

Referencias Bibliográficas
[1] M. Morales, «Análisis de Información Proveniente de Redes Sociales como Twitter Autor :
Soledad Martín Morales», 2016.
[2] J. C. Sobrino Sande, «Análisis de sentimientos en Twitter», Universitat Oberta de Catalunya,
2018.
[3] P. Artacho Torres, «Minería De Opiniones , Basdada En Patrones Semánticos , En Twitter», 2015.
[4] P. Roberto, R. Robles, y T. D. E. L. Norte, «DESARROLLO DE UNA ARQUITECTURA CONCEPTUAL
PARA EL ANÁLISIS DE CONTENIDOS EN REDES SOCIALES SOBRE EL TEMA DEL ABORTO USANDO
PYTHON Trabajo», Universidad del Norte, 2019.
[5] I. S. Paute Cardenas, «Evaluación de las herramientas de minería de textos en los mensajes de la
red social Twitter», Universidad del Azuay, 2018.