La Inteligencia Artificial en las Ciencias Sociales
Abordaje desde el Análisis de Sentimientos
DOI:
https://doi.org/10.48162/rev.48.097Palabras clave:
Inteligencia Artificial, Máquinas de Soporte Vectorial, Análisis de Sentimientos, Ciencias SocialesResumen
La Inteligencia Artificial (IA) se ha desarrollado como un aliado fundamental en las Ciencias Sociales, transformando su ejercicio. En este artículo se alude la importancia de la IA en las Ciencias Sociales, y se ejemplifica a partir de la tarea de investigación de discursos digitalizados. Se presenta el análisis de sentimientos, que puede realizarse con discursos escritos y/o discursos visuales en las redes sociales. Se abordan uno de los modelos matemáticos más característicos de análisis de sentimientos: las máquinas de soporte vectorial (SVM, por sus siglas en inglés) y se programa en Python un algoritmo para interpretar un texto breve usando una SVM. El objetivo principal de trabajo es ser un recurso de referencia fácil, para científicos interesados en el uso de la IA como herramienta metodológica en las Ciencias Sociales.
Citas
Bahit. E. (2012). Curso: Python para principiantes. https://archive.org/details/2012CursoPythonParaPrincipiantes
Chen, X. y He, K. (2020) Exploring Simple Siamese Representation Learning. https://arxiv.org/pdf/2011.10566.pdf
Cheng, J. Dong, L., Lapata, M. (2016) Long Short-Term Memory-Networks for Machine Reading. https://arxiv.org/pdf/1601.06733.pdf
Goodfellow, I.J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. (2014) Generative Adversarial Networks. https://arxiv.org/pdf/1406.2661.pdf
Gugerty, L. (2006). Newell and Simon’s Logic Theorist: Historical Background and Impact on Cognitive Modeling. Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 50(9), pp. 880-884. https://doi.org/10.1177/154193120605000904
Guenther, N. y Schonlau, M. (2016) Support vector machines. The Stata Journal 16, Number 4, pp. 917–937.
Gurney, K. (2007). Neural Networks for Perceptual Processing: From Simulation Tools to Theories. Philosophical Transactions: Biological Sciences, 362(1479), pp. 339–353. http://www.jstor.org/stable/20209847
Kaplan, J. (2017) Inteligencia Artificial: Lo que todo el mundo debe saber. España: Teell Editorial.
Kress, G. y van Leeuwen, T. (2021) Reading Imagens: The grammar of visual design. New York: Routledge.
Michelucci, U. (2022) An Introduction to Autoencoders. https://arxiv.org/pdf/2201.03898.pdf
Moguerza, J. M., y Muñoz, A. (2006). Support Vector Machines with Applications. Statistical Science, 21(3), pp. 322–336. http://www.jstor.org/stable/27645765
O'Shea, K. y Nash, R. (2015) An Introduction to Convolutional Neural Networks. https://arxiv.org/pdf/1511.08458.pdf
Schmidt, R.M. (2019) Recurrent Neural Networks (RNNs): A gentle Introduction and Overview. https://arxiv.org/pdf/1912.05911.pdf
Sukhbaatar, S., Szlam, A., Weston, J., Fergus, R. (2015) End-To-End Memory Networks. https://arxiv.org/pdf/1503.08895.pdf
Turner, R.E. (2023) An Introduction to Transformers. https://arxiv.org/pdf/2304.10557.pdf
Vorobioff, J., Cerrotta, S. Morel, N.E. y Amadio, A. (2022) Inteligencia Artificial y Redes Neuronales: Fundamentos, Ejercicios y Aplicaciones con Python y Matlab. Buenos Aires: Editorial de la Universidad Tecnológica Nacional.
Wightman, R., Touvron, H., Jégou, H. (2021) ResNet strikes back: An improved training procedure in timm. https://arxiv.org/pdf/2110.00476.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Antonio Aguilera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
