Modelos de “Machine Learning” para la detección ideológica en Twitter: Evaluación y aplicación práctica

Abstract

La era de la información trae consigo el creciente uso de redes sociales, este trabajo evalúa la capacidad de distintos modelos de aprendizaje automático y profundo para interpretar emociones y clasificar contenido ideológico en mensajes publicados en Twitter. La metodología combina dos enfoques: uno experimental, basado en el entrenamiento y comparación de modelos supervisados sobre un conjunto de datos etiquetado (Kaggle); y otro aplicado, donde se implementa un modelo de tipo Zero-Shot sobre un corpus real recolectado durante la campaña electoral de 2024 mediante “web scraping”. Se analizan modelos basados en algoritmos clásicos (SVM, Regresión Logística, “Naive Bayes”, “Random Forest”, “Gradient Boosting”, “Ridge Classifier” y “Passive-Aggressive”) y avanzados basados en lenguaje (BETO, SBERT, “Zero-Shot” con BART). Los resultados permiten valorar la precisión, escalabilidad y aplicabilidad práctica de cada técnica, demostrando que estas herramientas son útiles para automatizar el análisis de sentimientos, emociones e ideologías en entornos digitales complejos como las redes sociales.