Un método para resumen y clasificación de comentarios de tiendas de aplicaciones (IOs y Android) sobre Claro APP empleando técnicas de machine learning
Cargando...
Archivos
Autores
Mejía Rodríguez, Daniel Santiago
Director
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
En los últimos años, el análisis cualitativo de texto ha adquirido una importancia significativa, especialmente con el auge de técnicas de machine learning, en particular, el aprendizaje profundo. Este crecimiento se ha visto impulsado por la capacidad de procesamiento en tarjetas gráficas. Una fuente valiosa de información gratuita para este análisis son los comentarios de tiendas de aplicaciones, donde los usuarios comparten sus opiniones sobre aplicaciones y marcas. Sin embargo, estos comentarios presentan un desafío debido a su estructura poco compleja, lo que dificulta el rendimiento de algoritmos simples de aprendizaje automático. En este estudio, se abordó este desafío al buscar una forma simple pero confiable de extraer información de los comentarios en las tiendas de aplicaciones de Google y Mac, específicamente sobre la aplicación de Claro. El objetivo era obtener un resumen para cada comentario, identificando la idea central (como quejas de facturación) y el sentimiento expresado (positivo, negativo o neutro). Para lograr esto, se llevó a cabo una revisión sistemática de la literatura para identificar las mejores técnicas de resumen y análisis de sentimientos en comentarios. Se seleccionó Chat GPT como una alternativa viable y se implementó un código en Python que integraba funciones de resumen y análisis de sentimientos utilizando la API de Open AI y la versión Chat GPT 3.5 Turbo. Los resultados demostraron que esta alternativa es una herramienta eficaz, logrando una precisión del 96.00% en el resumen de texto y un 93.80% de exactitud en el análisis de sentimientos. Esto posiciona esta solución al mismo nivel que otras opciones reportadas, pero con ventajas significativas en términos de requisitos computacionales y mantenimiento. Esta primera iteración del estudio abre la posibilidad de explorar otras herramientas de grandes modelos de lenguaje (LLM) y evaluar su desempeño en tareas de análisis cuantitativo de la información contenida en los comentarios de las tiendas de aplicaciones. (Tomado de la fuente)
Abstract
In recent years, qualitative text analysis has achieved a significant importance, particularly with the rise of machine learning techniques, especially deep learning. This growth has been driven by the processing capabilities of graphics cards. A valuable source of free information for this analysis is application store comments, where users share their opinions on applications and brands. However, these comments pose a challenge due to their uncomplicated structure, making it difficult for simple machine learning algorithms to perform well. In this study, this challenge was addressed by seeking a simple yet reliable way to extract information from comments on Google and Mac application stores, specifically regarding the Claro application. The goal was to obtain a summary for each comment, identifying the central idea (such as billing complaints) and the expressed sentiment (positive, negative, or neutral). To achieve this, a systematic literature review was conducted to identify the best techniques for summarizing and analyzing sentiments in comments. Chat GPT was selected as a viable alternative, and a Python code was implemented that integrated functions for summarizing and sentiment analysis using the OpenAI API and Chat GPT 3.5 Turbo version. The results demonstrated that this alternative is an effective tool, achieving a 96.00% accuracy in text summarization and a 93.80% accuracy in sentiment analysis. This positions this solution at the same level as other reported options but with significant advantages in terms of computational requirements and maintenance. This first iteration of the study opens the possibility to explore other large language model (LLM) tools and evaluate their performance in quantitative analysis tasks of information contained in application store comments.
Palabras clave propuestas
Descripción
Ilustraciones, gráficos