Detección de Emociones en Textos en Español Usando Modelos de Lenguaje BERT
DOI:
https://doi.org/10.61117/ipsumtec.v8i3.377Palabras clave:
NLP, BERT, emociones, detecciónResumen
La Secretaría de Salud en México recopila información sobre prevalencia de enfermedades de salud mental para la asignación de recursos médicos, destacando la depresión con una presencia del 5.3%. Factores socioeconómicos, la falta de especialistas afectan su diagnóstico y tratamiento. Para mejorar la detección temprana, se propone el uso de inteligencia artificial (IA), específicamente modelos BERT entrenados para detectar emociones. Se aplicó búsqueda de mejores parámetros y validación cruzada con k=5 para evitar sobreajuste, las pruebas y validaciones utilizaron métricas como accuracy, precision, recall y F1-score, demostrando que el modelo basado en BERT supera a técnicas tradicionales de aprendizaje automático en la detección de emociones.
Descargas
Métricas
Citas
Alcocer Varela J, López-Gatell H. 2o Diagnóstico Operativo de Salud Mental y Adicciones. 2022;
Mendoza Mojica SA, Márquez Mendoza O, Guadarrama Guadarrama R, Ramos Lira LE. Medición del Trastorno por Estrés Postraumático (TEPT) en universitarios mexicanos. Salud Ment. 2013 Jan 1;36(6):493. DOI: https://doi.org/10.17711/SM.0185-3325.2013.060
Wagner FA, González-Forteza C, Sánchez-García S, García-Peña C, Gallo JJ. Enfocando la depresión como problema de salud pública en México. 2012;35(1).
Heinze G, Chapa GDC, Carmona-Huerta J, Departamento de Investigación del Departamento de Psiquiatría y Salud Mental. Facultad de Medicina. Universidad Nacional Autónoma de México., Dirección de Servicios Clínicos. Instituto Nacional de Psiquiatría Ramón de la Fuente Muñiz. Los especialistas en psiquiatría en México: año 2016. sm. 2016 Mar 30;39(2):69–76. DOI: https://doi.org/10.17711/SM.0185-3325.2016.003
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention Is All You Need [Internet]. arXiv; 2017 [cited 2023 Mar 18]. Available from: http://arxiv.org/abs/1706.03762
Devlin J, Chang MW, Lee K, Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.
Garrido-Merchan EC, Gozalo-Brizuela R, Gonzalez-Carvajal S. Comparing BERT Against Traditional Machine Learning Models in Text Classification. JCCE. 2023 Apr 21;2(4):352–6. DOI: https://doi.org/10.47852/bonviewJCCE3202838
Tiedemann J, Thottingal S. OPUS-MT – Building open translation services for the World. European Association for Machine Translation. 2020;Proceedings of the 22nd Annual Conference of the European Association for Machine Translation:479–80.
Cañete J, Chaperon G, Fuentes R, Ho JH, Kang H, Pérez J. Spanish Pre-trained BERT Model and Evaluation Data [Internet]. arXiv; 2023 [cited 2025 May 5]. Available from: https://arxiv.org/abs/2308.02976
de la Rosa J, Ponferrada EG, Villegas P, Salas PG de P, Romero M, Grandury M. BERTIN: Efficient Pre-Training of a Spanish Language Model using Perplexity Sampling. 2022 [cited 2023 Dec 4]; Available from: https://arxiv.org/abs/2207.06814
Serrano AV, Subies GG, Zamorano HM, Garcia NA, Samy D, Sanchez DB, et al. RigoBERTa: A State-of-the-Art Language Model For Spanish. 2022 [cited 2023 Dec 4]; Available from: https://arxiv.org/abs/2205.10233
Liu Y, Ott M, Goyal N, Du J, Joshi M, Chen D, et al. RoBERTa: A Robustly Optimized BERT Pretraining Approach [Internet]. arXiv; 2019 [cited 2025 May 5]. Available from: https://arxiv.org/abs/1907.11692
Cañete J, Donoso S, Bravo-Marquez F, Carvallo A, Araujo V. ALBETO and DistilBETO: Lightweight Spanish Language Models [Internet]. arXiv; 2022 [cited 2025 May 5]. Available from: https://arxiv.org/abs/2204.09145
Pires T, Schlinger E, Garrette D. How multilingual is Multilingual BERT? [Internet]. arXiv; 2019 [cited 2025 Feb 6]. Available from: https://arxiv.org/abs/1906.01502 DOI: https://doi.org/10.18653/v1/P19-1493
Brown TB, Mann B, Ryder N, Subbiah M, Kaplan J, Dhariwal P, et al. Language Models are Few-Shot Learners. 2020 [cited 2023 Dec 9]; Available from: https://arxiv.org/abs/2005.14165
Azad MS, Leeon SI, Khan R, Mohammed N, Momen S. SAD: Self-assessment of depression for Bangladeshi university students using machine learning and NLP. Array. 2025 Mar;25:100372. DOI: https://doi.org/10.1016/j.array.2024.100372
Ghosal S, Jain A. Depression and Suicide Risk Detection on Social Media using fastText Embedding and XGBoost Classifier. Procedia Computer Science. 2023;218:1631–9. DOI: https://doi.org/10.1016/j.procs.2023.01.141
Hassan S, Shaar S, Darwish K. Cross-lingual Emotion Detection [Internet]. arXiv; 2021 [cited 2025 Jul 15]. Available from: https://arxiv.org/abs/2106.06017
Plaza-del-Arco FM, Martín-Valdivia MT, Ureña-López LA, Mitkov R. Improved emotion recognition in Spanish social media through incorporation of lexical knowledge. Future Generation Computer Systems. 2020 Sep;110:1000–8. DOI: https://doi.org/10.1016/j.future.2019.09.034
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 REVISTA IPSUMTEC
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
