(Limitaciones de) la inteligencia artificial para el análisis de sentimiento El caso del andaluz

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/382391892 (LIMITACIONES DE) LA INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE SENTIMIENTO: EL CASO DEL ANDALUZ Chapter · July 2024 CITATIONS 0 READS 24 1 author: Roberto Cuadros-Muñoz Universidad de Sevilla 184 PUBLICATIONS119 CITATIONS SEE PROFILE All content following this page was uploaded by Roberto Cuadros-Muñoz on 19 July 2024. The user has requested enhancement of the downloaded file. ‒ 287 ‒ CAPÍTULO 16 (LIMITACIONES DE) LA INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE SENTIMIENTO: EL CASO DEL ANDALUZ ROBERTO CUADROS MUÑOZ Universidad de Sevilla 1. INTRODUCCIÓN AL ANÁLISIS DE SENTIMIENTO Y OBJETIVOS Se suele entender como análisis de sentimiento, y proporcionando un definición relativamente sencilla, un campo de investigación dentro del Procesamiento de Lenguaje Natural que se propone la extracción automática de información subjetiva expresada en un texto dado acerca de un determinado tema, de modo que podamos llegar a saber si el texto en cuestión presenta connotaciones positivas o negativas. Así es como lo concibe Cervantes Cabrera (2020, p. 1), quien añade: En la última década, esta área ha tenido un crecimiento exponencial debido principalmente a la popularización de las redes sociales (principalmente Twitter[X]) y el creciente interés por explotar esta gran cantidad de información. A partir de la cual es posible obtener valoraciones por parte de los usuarios que interactúan en temas tan variados como empresas, productos, servicios o personajes relevantes (políticos, figuras del medio del espectáculo), salud pública etc. (...) También en el ámbito económico-financiero se ha convertido en una herramienta importante ya que (...) este tipo de análisis permite mejorar los métodos de predicción de agentes, corredores de bolsa, especuladores etc., sobre comportamiento de los mercados bursátiles los cuales pueden oscilar ante determinados acontecimientos expresados a través de las redes sociales. 39 39 Esta referencia, en el momento de presentar este artículo, no estaba disponible, por lo que hemos acudido a la cita realizada en Cuadros Muñoz y Sancha Vázquez (2022, pp. 205-6). ‒ 288 ‒ En efecto, el marketing se perfila como uno de los ámbitos más privilegiados para el análisis de sentimiento. Pero también, como señala Martín Valdivia (2021), puede contribuir a otros objetivos como mejorar la sociedad y ser útil en ámbitos como el e-learning, la ciberseguridad o la salud mental. Respecto a este trabajo, pretendemos, por una parte, analizar las percepciones o actitudes lingüísticas sobre la modalidad lingüística andaluz, que incluyen, obviamente, cuestiones identitarias, utilizando algunas herramientas de inteligencia artificial destinadas al análisis de sentimiento. Por otra parte, comprobaremos las limitaciones de todo tipo que presentan tales herramientas, incluso entre las más avanzadas (nos referimos, claro está, a ChatGPT-4 y Google Bard). Para nuestro corpus, hemos elegido Twitter/X, entre otros aspectos, porque, como señala Moreno-Ortiz (2019, p. 70), ofrece un «nivel de intensidad de emociones (...) muy alto», por encima de lo que suele suceder en las redes sociales en general, y ofrece un contexto natural, coloquial, en el que el anonimato o el uso de seudónimos permiten expresarse libremente, sin coacciones ni filtros, si bien la carencia de contexto, cierto es, complica la tarea, frente a lo que sucede en las reseñas o valoraciones que realizamos en Google, TripAdvisor o Amazon, por poner solo algunos ejemplos. En efecto, según señala Serrano-Puche (2016, pp. 23-24): Aunque el componente emocional siempre ha estado presente en el procesamiento que hace el ciudadano de los diferentes mensajes mediáticos, ya sean informativos o de ficción, lo novedoso es que hoy en día, en plataformas como Twitter, la conversación colectiva en torno a determinados eventos de carácter político o social es una amalgama de información, opinión, interpretación y emociones, repetidas y amplificadas por la propia red, dando origen a lo que Papacharissi (2014) 40 califica como «flujo de noticias afectivas». En él «no se involucra al lector cognitivamente, sino emocionalmente sobre todo. Con frecuencia, la misma noticia se repite una y otra vez, con poco o ningún input cognitivo nuevo, pero incrementando el input afectivo (Papacharissi y Oliveira, 2012: 278) 41 . 40 En el texto original de Papacharissi (2014), “affective news streams”, que aparece profusamente a lo largo de todo su artículo. 41 Cfr. Papacharissi y Oliveira (2012, p. 278): “Frequently, the same news was repeated over and over again, with little or no new cognitive input, but increasing affective input”. ‒ 289 ‒ Sánchez-Saus (2021, p. 459) añade otras ventajas: Si observamos qué red social han empleado los investigadores para sus corpus y trabajos, veremos que en la gran mayoría, sobre todo en los últimos años, ha sido Twitter la elegida. Esto se debe a varias razones, pero la principal es la facilidad para extraer datos y la enorme cantidad de mensajes, de millones de usuarios de todo el mundo, que están a disposición del investigador. Frente a otras redes sociales mayoritarias actualmente, como Facebook o Instagram, Twitter tiene la ventaja de que la mayoría de sus usuarios tienen cuentas públicas (podemos acceder a sus mensajes sin necesidad de ser «amigos» o «seguidores», es decir, sin el permiso previo de usuario) y, sobre todo, cuenta con una API que, aunque con limitaciones crecientes, permite realizar búsquedas automatizadas gratuitamente desde programas externos. Esto en Facebook o Instagram no es posible, o, al menos, no está tan al alcance de la mano de un investigador que no sea experto en desarrollo de aplicaciones. Habría que matizar, en este sentido, que las limitaciones para el acceso a la API de Twitter han crecido, con el consiguiente perjuicio a la hora de la extracción de datos, entre otros inconvenientes, desde el giro radical impuesto por Elon Musk en 2022 cuando compró esta red social: empezando por el propio cambio de nombre a X, y, lo más grave, su propósito de convertirla en una plataforma de monetización (para poder acceder plenamente a la API, por ejemplo, desde el propio Twitter, se necesita pagar una cuota). Para nuestros objetivos, este hecho se ha visto reflejado en que el plugin Twitter Archiver, que permitía la extracción automática y sencilla de tuits, ya no está disponible, por los últimos cambios en su API desde febrero de 2023. Por tanto, las opciones se reducen a la extracción manual, tarea que resulta tediosa, o ya conocimientos (más bien elevados) de programación, lo mismo que Social Bearing, TAGS o Microsoft Azure Machine Learning Studio, entre otras herramientas o plataformas. 2. METODOLOGÍA Nos proponemos llevar a cabo un análisis cuantitativo-cualitativo, al estilo de uno realizado en Twitter/X pero en aquella ocasión sobre la cuestión de la ortografía (Cfr. Cuadros Muñoz y Sancha Vázquez, 2023). Existen, como es de imaginar, numerosas herramientas para esta ‒ 290 ‒ tarea, aunque a menudo revisten un carácter mercadotécnico. Rogalski (2023) menciona Brand24, Clarabridge, Repustate [hoy Sprout Social), OpenText, ParallelDots, Lexalytics, HiTech BPO, Social Searcher, Sentigem, SentiStrength, Meaning Cloud, Rapidminer, Hootsuite Insights, Talkwalker’s Quick Search (Cfr. También Cuadros Muñoz 2022). Finalmente, nos hemos decantado por la siguiente selección: ChatGPT-4, Google Bard, SentiStrenght, Talkwalker, Tweetbinder, Actable AI, TopicFlower y Lingmotif. FIGURA 1. Muestra de la base de datos 42 El corpus está recogido en una hoja de cálculo (aparece una muestra en la figura 1) y consta de una recopilación de 1301 tuits, realizada con el mencionado plugin Twitter Archiver, desarrollado por Digital Inspiration, que actualizaba en tiempo real los tuits, en un rango de fechas comprendido entre el 6 de abril de 2021 y el 4 de abril de 2023. Los parámetros que ofrecía eran bastante detallados: fecha, nombre de 42 Haciendo clic sobre la imagen, se obtiene un enlace ampliado a la muestra, en la que se pueden observar todos los campos (https://acortar.link/9vgMw5). ‒ 291 ‒ usuario, nombre completo, texto del tuit, Tweet ID, enlaces, multimedia (imágenes, sobre todo), lugar, retuits, favoritos, app, seguidores, seguidos, usuarios verificados, fecha de creación de usuario de tuit, biografía, web e imagen de perfil. Nos interesa solo el contenido de los tuits. Prescindimos de los otros parámetros, cuya consideración, entre otros inconvenientes, podría conllevar, sobre todo, problemas relativos a la privacidad de sus usuarios. Sobre esta base de datos, se han realizado una serie de actuaciones: a) se ha dado preferencia a tuits que traten del andaluz desde el punto de vista lingüístico o identitario, puesto que, el hashtag #andaluz, como era previsible, arrojaba resultados heterogéneos; en este sentido, tampoco debemos perder de vista que no siempre los usuarios son escrupulosos a la hora de indicar los hashtags -quizás ni siquiera sepan la función de estos-; b) hemos dejado de lado los tuits repetidos, de otras temáticas, los eliminados o los procedentes de cuentas suspendidas, lo que supondría tener en cuenta finalmente apenas un 36% de los tuits; c) es difícil la captación de la ironía, sarcasmo, los problemas de contexto, troles (Cfr. Montoya, 2019). 3. ANÁLISIS Y EVALUACIÓN DE LOS RESULTADOS 3. 1. CHATGPT-4 El análisis no podía prescindir de la herramienta por excelencia de inteligencia artificial desarrollada por OpenAI para el entorno de Microsoft. Se ha empleado la última versión hasta el momento, la 4, lanzada en febrero de 2023, que mejora en gran medida los resultados de la versión previa, gratuita, 3.5. La herramienta permite, por defecto, insertar archivos, algo que no permite, desgraciadamente, una extensión de la herramienta destinada específicamente al análisis de sentimiento, Plugin Sentiment Analysis. Para la consulta que se muestra en la figura 3, ChatGPT-4 utilizó la biblioteca de Python TextBlob. Llevamos a cabo, por una parte, una consulta sencilla directamente desde ChatGPT-4, empleando nuestra base de datos, que resultó infructuosa. Primero había detectado un sentimiento muy negativo con una ‒ 292 ‒ polaridad de menos uno entendiendo que sentimiento muy positivo es el uno y luego parece que ha reflexionado “sobre la marcha” y leyendo el contenido parece que incluso puede resultar positivo concluye que esto todavía es un desafío común que no refleja incluso con precisión el análisis del tono real que tiene el tuit: FIGURA 2. Consulta fallida en ChatGPT-443 Al intentar un análisis completo de la base de datos, ChatGPT-4 no pudo analizarla al completo, dada su extensión, pero sí recuperó un fragmento, midiendo los índices de polaridad y objetividad, que aparecen en sendas columnas a la derecha (se ofrece una muestra en la figura 3). Buena parte de ellos mostraban un índice de 0 en ambos parámetros, 43 El código que proporciona la herramienta es el siguiente: “Python: # Finding a tweet with very negative sentiment (polarity close to -1) very_negative_tweet = combined_data[combined_data['Polarity'] <= -0.5].head(1) very_negative_tweet” Result: Tweet Polarity Subjectivity 366 Buenos días Patio #Andaluz En cualquier lu... -1.0 1.0” ‒ 293 ‒ lo cual resulta poco verosímil. Seleccionamos aquellos en que si aparecía 0 pero de forma justificada (resultaban completamente neutros), pero, y sobre todo, aquellos que mostraban algún tipo de puntuación (objetividad, hasta 1) y polaridad, entre -1 y 1 (de menor a mayor intensidad). FIGURA 3. Análisis de polaridad y objetividad en muestra de corpus 44 Queremos ejemplificar el análisis con algunos tuits que tuvieron que ver con la polémica suscitada a raíz de las declaraciones de la influencer catalana Paula Gonu, que afirmaba no comprender cómo el influencer malagueño Juan Alberto (@illojuan), al que, según sus palabras, no se le entiende bien (porque habla en andaluz), podía tener tantos seguidores en redes: La influencer Paula Gonu dice que no entiende porque a un streamer malagueño como #illojuan le vea mucha gente aun hablando en andaluz, sin que seguramente le entiendan. Decir eso del andaluz lleva una superioridad que es vomitiva. #andaluz #Andalucía #paulaGone detectó tan solo 0 en los dos parámetros, cuando aparecen, de modo paradójico, palabras como “superioridad’ o “vomitiva”, que indican claramente polaridad negativa. 44 Haciendo clic sobre la imagen, aparece el enlace a la muestra de corpus. También se puede acceder a ella directamente desde https://acortar.link/su8IlH ‒ 294 ‒ Todavía con estas cosas…La #discriminaciónlingüística en contra del #andaluz sigue estando tan viva como siempre. #linguisticdiscrimination #linguistics #linguistic #stigma RT @manusola_soles: La influencer Paula Gonu dice que flipa porque a un streamer malagueño como @illojuan le vea mucha gente aun hablando en andaluz, sin que seguramente le entiendan. Decir eso del andaluz, en esos términos, lleva implícita una superioridad que es vomitiva. Proporcionamos otro ejemplo. En el tuit “¡NUEVA Bolsa de rafia ANDALUZA! 💚😍 ¡Presume de orgullo andaluz! 😉 ¡Ya en tu súper cercano! 👏 ¡Descubre los mensajes en los azulejos! 👌💚 #OrgullosamenteAndaluces #Andalucia #Andaluz”, detecta 0 tanto en polaridad como en subjetividad, neutralidad y escasez de emociones, según la herramienta, que no se aviene del todo bien con la interpretación del tuit. 3.2. GOOGLE BARD Con esta herramienta de inteligencia artificial, lanzada por Google en 2023, la interacción resultó un tanto complicada. En un primer momento, afirmó poder adjuntar otros archivos diferentes a imagen, cuando resultaba imposible, llegando a mencionar en algún momento incluso a su “rival” ChatGPT-4. Lo que reafirma la idea de la suma importancia de entrenar adecuadamente a la herramienta con los “prompts” o instrucciones adecuados. En este ejemplo, que tiene ver con la propuesta de EPA de una ortografía para el andaluz, el análisis realizado podría considerarse en términos generales fiable, si bien no proporciona porcentajes de sentimientos específicos. ‒ 301 ‒ FIGURA 10. Datos complementarios de Tweetbinder referidos a la monetización en cuanto a usuarios y tuits En la figura 10, podemos comprobar que no se especifica el sentimiento del tuit (“M gustaría ver uno hablar #Andaluz cerrao en el #Congreso... A ver como coño iban a traducir eso. Que vergüenza d pais ”), sino más bien, junto a los citados valores del tuit y de usuario, las imágenes que más gustan y más estadísticas, del tipo tuits/colaboradores, influencia del colaborador, antigüedad de la cuenta de twitter, longitud de tuits, lenguas más utilizadas -en este aspecto, obviamente, el español lidera la clasificación-, y el top de hashtags, liderado, como no podía ser de otro modo, por #andaluz, pues era una de las premisas de investigación 45 . 45 Todos estos datos pueden consultarse en https://acortar.link/kdtzFi (La figura 10 tiene un hipervínculo a este enlace). ‒ 302 ‒ 3. 6. ACTABLE AI Actable AI establece una clasificación entre sentimientos positivos, negativos y neutros, pero ofrece, frente a las anteriores, algo más de detalle: palabras que aparecen en tuits positivos, en tuits negativos, menciones de palabras clave y número de menciones, el sentimiento de palabras clave (estableciendo 1 como coeficiente máximo de sentimiento); así como mayor variedad de análisis: análisis de correlación, varianza, clasificación, regresión, etc. FIGURA 11. Muestra de análisis de sentimiento con Actable AI 46 46 Legible a mayor tamaño en la web https://acortar.link/W3NVp8 ‒ 303 ‒ FIGURA 12. Tuits analizados con Actable AI No obstante, según se comprueba en la figura 12 47 , la herramienta analiza, junto a la palabra clave que ha detectado en el tuit, y extrañamente, como positivos los tuits “la influencer Paul Gonu dice que flipa porque a un streamer malagueño como @illojuan lo vea mucha gente aun hablando en andaluz, sin que seguramente le entiendan”; o “Decir eso del andaluz, en esos términos, lleva implícita una superioridad que es vomitiva”. También es discutible, tal vez por no separar opinión de sentimiento, el mencionar, sin más, como positivo el tuit “Precisamente por gente como ella, existen los estimas contra las variedades lingüísticas”, o que se considere neutro el último tuit “Por comentarios como estos es que mucha gente se siente y es discriminada como cuando habla”. 3.7. TOPICFLOWER Con respecto a Topicflower, esta herramienta tiene la peculiaridad de que los emojis son tenidos en cuenta para el análisis y el añadir a la habitual trilogía de sentimientos positivos, negativos, neutrales los denominados “mixtos”(es decir, sin polaridad clara, equivalentes a los “indefinidos” de Tweetbinder). Establece el análisis en función de tendencias. Nuevamente, resulta paradójico que considere neutral un tuit como “ Yo no hablo castellano, hablo #andaluz, que es una delicadísima forma del español, usted disculpe”. Sentimiento neutral que sí ha detectado correctamente en casi los demás tuits que aparecen en la muestra de las figuras 10 y 11 (“Empezando a editar mis clips, espero me ayuden a subir esos follows en las redes #clips, #twitch #ibai #illojuan #andaluz #streams #tiktok #youtube”), que no resultan interesantes al no estar, como ya señalamos en líneas anteriores, relacionados con la temática de este trabajo: 47 Visible a mayor tamaño en la web https://acortar.link/Z6ftNY ‒ 304 ‒ FIGURA 13. MUESTRA DE ANÁLISIS CON TOPICFLOWER 48 3.8. LINGMOTIF Lingmotif se ha desarrollado en la Universidad de Málaga y está coordinada por Antonio Moreno Ortiz, es una de las herramientas estrella para el análisis de sentimiento, pues se concibió expresamente para tal fin. En este sentido, se propone obtener una medida objetiva de la orientación semántica (esto es, la polaridad) de un texto o clasificar, según este criterio, grandes colecciones de textos cortos (dato relevante para una red social como Twitter/X), así como descubrir su perfil, flujo o intensidad afectivas, genera nubes de palabras positivas o negativas, identifica secciones de un texto inusualmente positivas o negativas; comparar el lenguaje evaluativo de diferentes o hablantes autores o, en un mismo hablante o autor, estudiar la evolución de su lenguaje evaluativo; además, extraer todos los temas, y entidades de un conjunto de textos, las categorías gramaticales que aparecen con más recurrencia, además de los emojis. Ofrece análisis de sentimiento basado en aspecto (ABSA) de dominios específicos (finanzas, reseñas de restaurantes, etc.), personalizables a través de un gestor de plugins. Finalmente, puede proyectar un conjunto de datos (por ej. una serie temporal) sobre una serie de datos y, como ventaja adicional, publica los resultados del análisis en la web de forma inmediata en HTML/Javascript (Cfr. Estilometría, s/f; Moreno Ortiz, 2017). 48 Figura ampliable en https://acortar.link/sMJOxU ‒ 305 ‒ FIGURA 14. Resultado general del corpus Lingmotif, como puede verse en el vídeo hipervinculado a la figura 14 (https://acortar.link/lxOXX5), muestra los ítems más destacados, tanto positivos como negativos, así como su frecuencia, hashtags y menciones, así como temas, entidades y emojis, además de categorías de palabras o, yendo más allá, de oraciones y tokens, en un detallado informe de sumas y promedios. Podemos observar, a modo de pequeña muestra, reflejada en las figuras 15 y, sobre todo, 16, cómo detecta Lingmotif las palabras positivas o las secuencias negativas, que diferencia por colores. Las primeras aparecen en verde, incluso en tonos de verde diferentes según el grado de polaridad que manifiestan. En rojo, aparece destacada la polaridad negativa. En blanco, aparecen las secuencias neutrales. Podemos observar que alguno de los tuits neutrales debería mostrar algún grado de polaridad, como “Es andaluz pero parece asturiano ” (tal vez, se deba a la falta de contexto, aunque aparecen emojis que podrían ayudar a la desambiguación del tuit). Detecta bien la negatividad de “existen los prejuicios asociados a la lengua”, marcando en color más oscuro el término prejuicio, como en la segunda parte del tuit, que contiene las palabras superioridad y vomitiva (la primera la considera neutra). Nos referimos al tuit al que hemos sometido a análisis con otras ‒ 306 ‒ herramientas, a saber: “La influencer Paula Gonu dice que no entiende porque a un streamer malagueño como #illojuan le vea mucha gente aun hablando en andaluz, sin que seguramente le entiendan. Decir eso del andaluz lleva una superioridad que es vomitiva. #andaluz #Andalucía #paulaGone”; asimismo, procede correctamente al analizar como positivo el citado tuit “ Yo no hablo castellano, hablo #andaluz, que es una delicadísima forma del español, usted disculpe”, que Actable AI consideraba, recordemos, neutral. FIGURA 15. Vídeo con análisis general de Lingmotif 49 FIGURA 16. Análisis del sentimiento en una selección de tuits 49 Al final del vídeo, hipervinculado a la figura 15 (disponible en https://acortar.link/98YEyB, puede verse también el análisis de la figura 16. ‒ 307 ‒ 4. CONCLUSIONES De todo lo anterior, pueden colegirse las (aún demasiadas) inexactitudes o limitaciones a la hora de medir la polaridad y el sentimientoemo- ción, dimensión esta última que se expresaría con términos como enfadado, triste, feliz, ansioso, etc. (Cfr. Moreno, Ávila Camacho y Meléndez Ramírez, 2018, p. 37; Martínez Valdivia, 2021). A menudo se centran básicamente en la primera, y, en el mejor de los casos, apenas van más allá de indicar sentimientos positivos, negativos o neutros, sin mayor justificación (y, en tal caso, hay que comprobar, obviamente, la detección adecuada). En todo ello, influyen factores de diferente índole y complejidad, como los siguientes: algunas (más bien muchas) herramientas solo valen para el inglés (Core NLP, Sentigem, Machine Learning Sentiment Analysis), adolecen de la ausencia del factor humano, de la detección de la ironía o el sarcasmo, resulta complicada todavía explorar la intención del sentimiento, es decir, si estamos ante una petición, pregunta, denuncia, etc. (cfr. GaeaPeople 2018); o diferenciar opinión de sentimiento; tampoco ayuda demasiado el coste económico o propósito de estos recursos, destinados demasiado a menudo a la mera mercadotecnia empresarial (lograr seguidores, superar a la competencia, etc.); la fugacidad, problemas de uso o encontrarse fuera de servicio en el momento de la realización del estudio, como ha sido el caso de Bitesview, TweetSentiments.com, Socialert, SAStuit (ya no disponible para su funcionamiento), el uso de Lingmotif ha requerido atención especial de los gestores de la plataforma, pues la reciente actualización de sus servidores estaba ocasionando problemas; la complejidad que revisten algunas de ellas, que pueden requerir conocimientos elevados de programación; no compatibilidad para todos los sistemas operativos: así, solo estaba disponible para Windows la citada SAStuit, y en la actualidad solo lo están para este sistema operativo Analytics for Twitter, Semantria o Lexalytics (en cuanto a esta última, no ofrece ni siquiera una prueba de análisis, sino solo una muestra predeterminada); por no hablar de otras herramientas que, en principio, ofrecen análisis de sentimiento, pero que, como sucede en el caso de Power Query, finalmente solo generan informes de forma automática. ‒ 308 ‒ 5. REFERENCIAS Actable AI (2020). Actable AI. https://www.actable.ai Audiense, Tweetbinder. https://www.tweetbinder.com/es/ Cervantes Cabrera, D. A. (2020). Proyecto: Aplicación de Algoritmos de Inteligencia Artificial, Caso de Estudio: Análisis de Sentimientos para Seguimiento a Personajes de Relevancia Social. https://acortar.link/yQcjWx Cuadros-Muñoz, R. (2022). ¿Puede la inteligencia artificial analizar los sentimientos y emociones de un tuit?. The Conversation. https://acortar.link/ZtQ1ub Cuadros-Muñoz, R. y Sancha Vázquez, J. (2023). La ortografía como cuestión ideológica en Twitter. Círculo de Lingüística Aplicada a la Comunicación, 93, 201-214. Universidad Complutense de Madrid. https://doi.org/10.5209/clac.79970 Estilometría (s/f). Lingmotif. https://acortar.link/H8Z2vM GaeaPeople Team (22 de noviembre de 2018). Sentiment Analysis, una entrada a las emociones de los consumidores. GaeaPepople. https://acortar.link/EZnEx4 Google (2023). Google Bard. https://bard.google.com/chat Martín Valdivia, Mª T. (2021). Análisis de sentimientos: de la clasificación de la polaridad al reconocimiento de emociones. Archiletras Científica, 6, 135- 151 Montoya Ruiz, D. (2019). Análisis de sentimientos a través de Twitter. TFG, UNIR Moreno-Ortiz, A. (2017). Lingmotif: A User-focused Sentiment Analysis Tool. Procesamiento del Lenguaje Natural, 58 (1), 133 - 140. Sociedad Española para el Procesamiento del Lenguaje Natural. https://acortar.link/nS5IK5 - (2019). Mi opinión cuenta: la expresión del sentimiento en la Red. En S. Robles y A. Moreno Ortiz (eds.). Comunicación mediada por ordenador: la lengua, el discurso y la imagen. Cátedra, 38-74 Moreno V., L. M., Ávila Camacho, F. J., y Meléndez Ramírez, A. (2018). Análisis de Sentimientos en Redes Sociales (Twitter) Mediante Python para la Detección de Oportunidades de Negocio. TecnoCultura, 46, 36- 43. https://acortar.link/TDlO50 OpenAI (2023). ChatGPT-4. https://openai.com/gpt-4 ‒ 309 ‒ Papacharissi, Z., & Oliveira, F. (2012). Affective News and Networked Publics: The Rhythms of News Storytelling on #Egypt. Journal of Communication, 62 (2), 266-282. http://dx.doi.org/10.1111/j.1460- 2466.2012.01630.x Papacharissi, Z. (2014). Toward New Journalism(s). Affective news, hybridity, and liminal spaces. Journalism Studies, Volume 16, Issue 1 (2015), 27-40. http://dx.doi.org/10.1080/1461670X.2014.890328 Rogalski, K. (2023). The 14 Best AI Sentiment Analysis Tools [2023]. Brand24. https://acortar.link/GRaVd1 Serrano-Puche, J. (2016). Internet y emociones: nuevas tendencias en un campo de investigación emergente. Comunicar, 46, 19-26. https://doi.org/10.3916/C46-2016-02 Softpedia (2010). SentiStrenght. http://sentistrength.wlv.ac.uk Talkwalker (2013). Talkwalker. https://www.talkwalker.com/es/ Topicflower (2012). Topicflower. https://topicflower.com ‒ 1 ‒ Juan C. Figuereo Benítez CAPÍTULO 24. BANGLADÉS Y NEPAL: NUEVAS REALIDADES DE LA EDUCACIÓN PLURILINGÜE................................................................. 433 CRISTINA A. HUERTAS-ABRIL CAPÍTULO 25. INTERFERENCIAS LINGÜÍSTICAS Y EDUCACIÓN LINGÜÍSTICA EN CONTEXTOS MULTILINGÜES. EL CASO DE LA EDUCACIÓN PRIMARIA EN LA COMUNIDAD VALENCIANA ...... 448 PATRICIA OROZCO GÓMEZ MARTA ZARAGOZÁ ZAYAS CAPÍTULO 26. CHALLENGES AND OPPORTUNITIES FOR EFL TEACHERS IN CLIL CONTEXTS ................................................................ 464 MARÍA DOLORES LÓPEZ-NAVAS CAPÍTULO 27. EL ESCAPE ROOM COMO HERRAMIENTA DE EVALUACIÓN EN EL AULA BILINGÜE .............................................. 479 ELVIRA IZQUIERDO SÁNCHEZ-MIGALLÓN CAPÍTULO 28. UNA PROPUESTA PARA LA ENSEÑANZA DE LA LINGÜÍSTICA EN EL GRADO DE MAESTRO DE EDUCACIÓN ...... 498 ANA ISABEL CÓZAR CUESTA CAPÍTULO 29. ARTIFICIAL INTELLIGENCE FOR TEACHING AND LEARNING ENGLISH AS A FOREIGN LANGUAGE: A PROPOSAL FOR PRIMARY EDUCATION ...................................................................... 516 MARÍA VICTORIA CEBALLOS CANO CRISTINA A. HUERTAS-ABRIL SECCIÓN IV. NUEVAS METODOLOGÍAS APLICADAS A LA INNOVACIÓN DOCENTE DE LENGUAS EN LA ERA DE LA INTELIGENCIA ARTIFICIAL (IA) CAPÍTULO 30. EL EMPLEO DE LOS PÓDCAST PARA PROMOVER UN CAMBIO POSITIVO DE CREENCIAS DE APRENDIZAJE DE INGLÉS COMO LENGUA EXTRANJERA .................................................. 546 Mª PAZ MARÍN GARCÍA LLUISA ASTRUC CAPÍTULO 31. ENSEÑANZA Y APRENDIZAJE DE LENGUAS EN ENTORNOS VIRTUALES: RECURSOS PARA LA ELABORACIÓN DE MATERIALES DIDÁCTICOS MULTIMEDIA ...................................... 564 NOELIA ESTÉVEZ-RIONEGRO CAPÍTULO 32. UNIDAD Y DIVERSIDAD LINGÜÍSTICA EN UN MUNDO GLOBAL. LA UNIÓN EUROPEA Y LAS LENGUAS. DIMENSIÓN SOCIAL Y EDUCATIVA DEL PLURILINGÜISMO ............ 580 EMILIO RUBÉN PEGO PÉREZ ISIDORO RODRÍGUEZ PÉREZ LOURDES BERMELLO LÓPEZ CAPÍTULO 33. LA ENSEÑANZA DE LOS UNIVERSALES LINGÜÍSTICOS: LOS DEMOSTRATIVOS EN GUARANÍ Y EN LATÍN ........ 600 ANTONIO CAÑAS CAPÍTULO 34. LA REPRESENTACIÓN DE LA DETERMINACIÓN EN LAS TIPOLOGÍAS LINGÜÍSTICAS EUROPEAS: COMPARACIÓN ENTRE ESPAÑOL, POLACO E INGLÉS ........................ 617 ANTONIO CAÑAS CAPÍTULO 35. READING APPROACHES IN THE EFL CLASSROOM: WOMEN’S FIRST WORLD WAR DIARIES AS AN INNOVATIVE TOOL .. 632 EMMA JANE CANNING CAPÍTULO 36. HOW MUCH DOES THE FIRST LANGUAGE WEIGH IN THE SECOND LANGUAGE LEARNING OF OBJECT AND VERB PROPERTIES? ................................ 647 RAQUEL FERNÁNDEZ FUERTES SONJA MUJCINOVIC QIANTING YUAN CAPÍTULO 37. USO DE LAS TIC EN LA ENSEÑANZA DEL INGLÉS EN PERSONAS MAYORES ........................................................... 665 NAZARET MARTÍNEZ-HEREDIA GRACIA GONZÁLEZ-GIJÓN JOSE LUIS ORTEGA-MARTÍN SILVIA CORRAL-ROBLES CAPÍTULO 38. MÁS ALLÁ DE LA GRAMÁTICA: LINGÜÍSTICA COGNITIVA EN LA COMPRENSIÓN DEL SUBJUNTIVO EN EL AULA DE ELE ................................................................................... 680 ANDA LUCIA CILTAN VICTOR EMANUEL CIUCIUC CAPÍTULO 39. EL MCER Y LA DIDACTICA DEL ÁRABE LENGUA EXTRANJERA .............................................................................. 713 MAHA MAMDOUH GANEM CAPÍTULO 40. TUTORÍA ENTRE IGUALES EN LA ENSEÑANZA DE LA PRONUNCIACIÓN DEL ESPAÑOL PARA ALUMNOS SINOHABLANTES EN EL AMBIENTE UNIVERSITARIO: UNA PROPUESTA DIDÁCTICA .... 729 PENGFEI ZHAI CAPÍTULO 41. CLASES A MEDIDA (UNO-AUNO) EN ESPAÑOL CON FINES ESPECÍFICOS: LA IA GENERATIVA EN LA CREACIÓN DE MATERIALES ...................................................... 743 TAHEREH ARABSAEIDI MARÍA CECILIA AINCIBURU CAPÍTULO 42. COLLOQUIALISM SUBTITLING IN TRANSLATION STUDENTS. AN EMPIRICAL STUDY ............................ 761 JAHIRO SAMAR ANDRADE PRECIADO CAPÍTULO 43. ¿ESTÁN GOOGLE TRANSLATE Y DEEPL PREPARADAS PARA LA TRADUCCIÓN DE PAREMIAS? UN ESTUDIO TRADUCTOLÓGICO ENTRE ITALIANO Y ESPAÑOL .......... 785 NICOLA FLORIO CAPÍTULO 44. LA CUESTIÓN DE LA CANTABILIDAD EN LA TRADUCCIÓN DE CANCIONES A LA LENGUA DE SIGNOS ESPAÑOLA ...... 800 ELENA LÓPEZ-BURGOS RAYCO H. GONZÁLEZ-MONTESINO CAPÍTULO 45. ESTUDIO DESCRIPTIVO DE LA MONOGRAFÍA TERMINOLOGÍA DE LA TRADUCCIÓN (DELISLE, LEE-JAHNKE Y CORMIER, 1999): ACERCAMIENTO A LOS PROBLEMAS TERMINOLÓGICOS EN EL ÁMBITO DE LA TRADUCCIÓN ................. 820 OLGA POPOVA CAPÍTULO 46. (RE)CONCEPTUALIZACIÓN DE LA LABOR DE LOS/AS INTÉRPRETES DE LENGUA DE SIGNOS ESPAÑOLA .............. 838 RAYCO H. GONZÁLEZ-MONTESINO CAPÍTULO 47. ANÁLISIS TRADUCTOLÓGICO Y TERMINÓLOGICO DEL TEXTO INSTITUCIONAL EUROPEO ................................................. 858 MARÍA AURORA MORAL SÁNCHEZ EPÍLOGO ........................................................................................................ 878 View publication stats