L' L'intelligence artificielle en sciences sociales.
Approche de l’analyse des sentiments
DOI :
https://doi.org/10.48162/rev.48.097Mots-clés :
Intelligence artificielle, Machines à vecteurs de support, Analyse des sentiments, sciences socialesRésumé
L’intelligence artificielle (IA) s’est développée comme une alliée fondamentale dans les sciences sociales, transformant leur pratique. Cet article rappelle l’importance de l’IA dans les sciences sociales, et est illustré par la tâche de recherche sur les discours numérisés. L'analyse des sentiments est présentée, qui peut être réalisée avec des discours écrits et/ou des discours visuels sur les réseaux sociaux. Les modèles mathématiques les plus caractéristiques de l'analyse des sentiments sont abordés : les machines à vecteurs de support (SVM) et Python sont programmés pour interpréter un texte court. L’objectif principal du travail est d’être une ressource de référence facile pour les scientifiques intéressés par l’utilisation de l’IA comme outil méthodologique dans les sciences sociales.
Références
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
Téléchargements
Publiée
Comment citer
Numéro
Rubrique
Licence
(c) Tous droits réservés Antonio Aguilera 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d’Utilisation Commerciale 4.0 International.
