Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing
Introducción: Los comentarios que realizan los clientes de las empresas en las redes sociales y portales de comercio electrónico sobre productos y servicios ofrecidos por estas, no solo permiten a las empresas determinar la percepción de los clientes para la toma de decisiones a nivel de marketing,...
- Autores:
-
Chanchi, Gabriel Elias
Muñoz Sanabría, Luis Freddy
Sierra Martínez, Luz Marina
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2022
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/12360
- Palabra clave:
- computación afectiva
nivel de percepción
minería de opinión
polaridad
análisis de sentimientos
affective computing
perception level
opinion mining
polarity
sentiment analysis
- Rights
- openAccess
- License
- INGE CUC - 2022
| id |
RCUC2_103aac1b67f9ead00e55c96f5f23e1b3 |
|---|---|
| oai_identifier_str |
oai:repositorio.cuc.edu.co:11323/12360 |
| network_acronym_str |
RCUC2 |
| network_name_str |
REDICUC - Repositorio CUC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| dc.title.translated.eng.fl_str_mv |
Determination of the level of user perception through sentiment analysis studies in the context of marketing |
| title |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| spellingShingle |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing computación afectiva nivel de percepción minería de opinión polaridad análisis de sentimientos affective computing perception level opinion mining polarity sentiment analysis |
| title_short |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| title_full |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| title_fullStr |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| title_full_unstemmed |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| title_sort |
Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing |
| dc.creator.fl_str_mv |
Chanchi, Gabriel Elias Muñoz Sanabría, Luis Freddy Sierra Martínez, Luz Marina |
| dc.contributor.author.spa.fl_str_mv |
Chanchi, Gabriel Elias Muñoz Sanabría, Luis Freddy Sierra Martínez, Luz Marina |
| dc.subject.spa.fl_str_mv |
computación afectiva nivel de percepción minería de opinión polaridad análisis de sentimientos |
| topic |
computación afectiva nivel de percepción minería de opinión polaridad análisis de sentimientos affective computing perception level opinion mining polarity sentiment analysis |
| dc.subject.eng.fl_str_mv |
affective computing perception level opinion mining polarity sentiment analysis |
| description |
Introducción: Los comentarios que realizan los clientes de las empresas en las redes sociales y portales de comercio electrónico sobre productos y servicios ofrecidos por estas, no solo permiten a las empresas determinar la percepción de los clientes para la toma de decisiones a nivel de marketing, sino que también sirven como referencia para otros clientes a tomar decisiones antes de comprar un producto. Una de las técnicas derivadas del procesamiento del lenguaje natural y la computación afectiva que permite determinar el de una opinión es el análisis de sentimiento. Objetivo: Determinar un indicador cuantitativo del nivel de percepción mediante una ecuación matemática que involucra el valor de polaridad (positiva, negativa, neutra) de una opinión. Metodología: Este trabajo se enfocó en la automatización del proceso de minería de opinión y la determinación del nivel de percepción mediante la identificación de las librerías más utilizadas e idóneas para el desarrollo de este trabajo; la identificación de ecuaciones matemáticas para determinar el nivel de percepción, la implementación de una herramienta para automatizar el proceso y la verificación de su utilidad mediante un caso de estudio. Resultados: Por medio de una ecuación matemática que involucra las tres polaridades de una opinión obteniendo una herramienta automatizada en lenguaje Python, que hace uso de la librería Paralleldots. Conclusiones: La herramienta desarrollada permite realizar estudios de minería de opinión en los que el valor agregado es la estimación de un nivel de percepción por opinión y general. El enfoque propuesto pretende servir como referencia para ser replicado y extrapolado en diferentes contextos de aplicación además del marketing. |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-09-11 00:00:00 2024-04-09T20:21:59Z |
| dc.date.available.none.fl_str_mv |
2022-09-11 00:00:00 2024-04-09T20:21:59Z |
| dc.date.issued.none.fl_str_mv |
2022-09-11 |
| dc.type.spa.fl_str_mv |
Artículo de revista |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.local.eng.fl_str_mv |
Journal article |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ART |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_6501 |
| status_str |
publishedVersion |
| dc.identifier.issn.none.fl_str_mv |
0122-6517 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/11323/12360 |
| dc.identifier.url.none.fl_str_mv |
https://doi.org/10.17981/ingecuc.18.2.2022.19 |
| dc.identifier.doi.none.fl_str_mv |
10.17981/ingecuc.18.2.2022.19 |
| dc.identifier.eissn.none.fl_str_mv |
2382-4700 |
| identifier_str_mv |
0122-6517 10.17981/ingecuc.18.2.2022.19 2382-4700 |
| url |
https://hdl.handle.net/11323/12360 https://doi.org/10.17981/ingecuc.18.2.2022.19 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.ispartofjournal.spa.fl_str_mv |
Inge Cuc |
| dc.relation.references.spa.fl_str_mv |
Baldasarri, “Computación Afectiva: tecnología y emociones para mejorar la experiencia de usuario”, Rev Inst Fac Informática, no. 3, pp. 14–15, Jun. 2016. Disponible en http://sedici.unlp.edu.ar/handle/10915/53441 G. Chanchí-Golondrino, C. Hernández-Londoño y M. Ospina-Alarcón, “Aplicación de la computación afectiva en el análisis de la percepción de los asistentes a una feria de emprendimiento del SENA,” Rev Cient, vol. 44, no. 2, pp. 215–227, Ene. 2021. https://doi.org/10.14483/23448350.18971 M. Pouromid, A. Yekkehkhani, M. Oskoei & A. Aminimehr, “ParsBERT Post-Training for Sentiment Analysis of Tweets concerning Stock Market,” presented at 26th International Computer Conference, Computer Society of Iran, CSICC, THR, IR, 3-4 Mar. 2021. https://doi.org/10.1109/CSICC52343.2021.9420569 H. Lin, T. Wang, G. Lin, S. Cheng, H. Chen & Y. Huang, “Applying sentiment analysis to automatically classify consumer comments concerning marketing 4Cs aspects,” Appl Soft Comput, vol. 97, pp. 1–10, Dec. 2020. https://doi.org/10.1016/J.ASOC.2020.106755 N. Srivats Athindran, S. Manikandaraj & R. Kamaleshwar, “Comparative Analysis of Customer Sentiments on Competing Brands using Hybrid Model Approach,” presented at 3rd International Conference on Inventive Computation Technologies, ICICT, CBE, IN, 15-16 Nov. 2018. https://doi.org/10.1109/ICICT43934.2018.9034283 F. Khan, U. Qamar & S. Bashir, “eSAP: A decision support framework for enhanced sentiment analysis and polarity classification,” Inf Sci, vol. 367-368, pp. 862–873, Nov. 2016. https://doi.org/10.1016/J.INS.2016.07.028 P. Mukherjee, Y. Badr, S. Doppalapudi, S. Srinivasan, R. Sangwan & R. Sharma, “Effect of Negation in Sentences on Sentiment Analysis and Polarity Detection,” Procedia Comput Sci, vol. 185, pp. 370–379, Jan. 2021. https://doi.org/10.1016/J.PROCS.2021.05.038 A. Moreno-Ortiz & J. Fernández-Cruz, “Identifying Polarity in Financial Texts for Sentiment Analysis: A Corpus-based Approach,” Procedia-Soc Behav Sci, vol. 198, pp. 330–338, Jul. 2015. https://doi.org/10.1016/J.SBSPRO.2015.07.451 G. Chanchí y A. Cordoba, “Análisis de emociones y sentimientos sobre el discurso de firma del acuerdo de paz en Colombia,” RISTI, no. E22, pp. 95–107, Mar. 2019. Available: http://www.risti.xyz/issues/ristie22.pdf G. Chanchí, W. Campo y L. Sierra, “Estudio del atributo satisfacción en pruebas de usabilidad, mediante técnicas de análisis de sentimientos,” RISTI, no. E23, pp. 340–352, May. 2019. Disponible en https://search.proquest.com/openview/dc9c3ac1b6b131619f5c2c7bfa97c1c5/1.pdf?pq-origsite=gscholar&cbl=1006393 V. Gil, “Análisis de sentimientos sobre el impacto social de proyectos de vivienda en América Latina: el caso un TECHO para mi país (Colombia),” Rev. Espac., vol. 39, no. 44, pp. 30-37, May. 2018. Available: http://www.revistaespacios.com/a18v39n44/a18v39n44p30.pdf J. García, P. Henríquez-Coronel, J. Pincai y J. Herrera-Tapia, “Analítica de Twitter para el estudio de las emociones primarias durante el terremoto de México 2017,” RISTI, no. E19, pp. 479–492, Dic. 2018. Disponible en https://www.proquest.com/openview/841aa93ba3c3df451770cecf46615e88/1?pq-origsite=gscholar&cbl=1006393 C. Arcila-Calderón, F. Ortega-Mohedano, J. Jiménez-Amores y S. Trullenque, “Análisis supervisado de sentimientos políticos en español: clasificación en tiempo real de tweets basada en aprendizaje automático,” Prof Inf, vol. 26, no. 5, pp. 973–982, Mar. 2017. https://doi.org/10.3145/epi.2017.sep.18 V. Ikoro, M. Sharmina, K. Malik & R. Batista-Navarro, “Analyzing Sentiments Expressed on Twitter by UK Energy Company Consumers,” presented at 5 International Conference on Social Networks Analysis, Management and Security, ICSNAMS, VAL, ES, 15-18 Oct. 2018. https://doi.org/10.1109/SNAMS.2018.8554619 S. Ainin, A. Feizollah, N. Anuar & N. Abdullah, “Sentiment analyses of multilingual tweets on halal tourism,” Tour Manag Perspect, vol. 34, pp. 1-8, Jan. 2019. https://doi.org/10.1016/J.TMP.2020.100658 M. Hung, E. Lauren, E. Hon, W. Birmigham, J. Xu, S. Su, S. Hon, J. Park, P. Dang & M. Lipsky, “Social network analysis of COVID-19 sentiments: Application of artificial intelligence,” J Med Internet Res, vol. 22, no. 8, pp. 1–13, Aug. 2020. https://doi.org/10.2196/22590 A. Reyes-Menendez, J. Saura & F. Filipe, “Marketing challenges in the #MeToo era: gaining business insights using an exploratory sentiment analysis,” Heliyon, vol. 6, no. 3, pp. 1–13, Jul. 2019. https://doi.org/10.1016/J.HELIYON.2020.E03626 K. Pratt, Design Patterns for Research Methods: Iterative Field Research, AAAI, May, 2020. Available from http://kpratt.net/wp-content/uploads/2009/01/research_methods.pdf S. Rao, N. Monica, P. Nikhila, T. Tejasri & B. Maram, “Positivity Calculation using Vader Sentiment Analyser”, IJAER, vol. 4, no. 3, pp. 13–17, Mar. 2020. Available from http://ijeais.org/wp-content/uploads/2020/3/IJAER200303.pdf E. Jacobs, “Mood: Harry Potter,” Erika Jacobs, Jul. 28, 2019. [Online]. Available: https://erika-jacobs.com/post/mood-harry-potter/ |
| dc.relation.citationendpage.none.fl_str_mv |
248 |
| dc.relation.citationstartpage.none.fl_str_mv |
238 |
| dc.relation.citationissue.spa.fl_str_mv |
2 |
| dc.relation.citationvolume.spa.fl_str_mv |
18 |
| dc.relation.bitstream.none.fl_str_mv |
https://revistascientificas.cuc.edu.co/ingecuc/article/download/4407/4415 https://revistascientificas.cuc.edu.co/ingecuc/article/download/4407/4617 https://revistascientificas.cuc.edu.co/ingecuc/article/download/4407/4618 |
| dc.relation.citationedition.spa.fl_str_mv |
Núm. 2 , Año 2022 : (Julio-Diciembre) |
| dc.rights.spa.fl_str_mv |
INGE CUC - 2022 |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0 |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
INGE CUC - 2022 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf text/html text/xml |
| dc.publisher.spa.fl_str_mv |
Universidad de la Costa |
| dc.source.spa.fl_str_mv |
https://revistascientificas.cuc.edu.co/ingecuc/article/view/4407 |
| institution |
Corporación Universidad de la Costa |
| bitstream.url.fl_str_mv |
https://repositorio.cuc.edu.co/bitstreams/b5672eb0-9863-4b89-a348-5b8bb5ab65cc/download |
| bitstream.checksum.fl_str_mv |
5eab07001a7a3a6cdcffcd6d4c2eefa5 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
| repository.name.fl_str_mv |
Repositorio de la Universidad de la Costa CUC |
| repository.mail.fl_str_mv |
repdigital@cuc.edu.co |
| _version_ |
1811760737979203584 |
| spelling |
Chanchi, Gabriel EliasMuñoz Sanabría, Luis FreddySierra Martínez, Luz Marina2022-09-11 00:00:002024-04-09T20:21:59Z2022-09-11 00:00:002024-04-09T20:21:59Z2022-09-110122-6517https://hdl.handle.net/11323/12360https://doi.org/10.17981/ingecuc.18.2.2022.1910.17981/ingecuc.18.2.2022.192382-4700Introducción: Los comentarios que realizan los clientes de las empresas en las redes sociales y portales de comercio electrónico sobre productos y servicios ofrecidos por estas, no solo permiten a las empresas determinar la percepción de los clientes para la toma de decisiones a nivel de marketing, sino que también sirven como referencia para otros clientes a tomar decisiones antes de comprar un producto. Una de las técnicas derivadas del procesamiento del lenguaje natural y la computación afectiva que permite determinar el de una opinión es el análisis de sentimiento. Objetivo: Determinar un indicador cuantitativo del nivel de percepción mediante una ecuación matemática que involucra el valor de polaridad (positiva, negativa, neutra) de una opinión. Metodología: Este trabajo se enfocó en la automatización del proceso de minería de opinión y la determinación del nivel de percepción mediante la identificación de las librerías más utilizadas e idóneas para el desarrollo de este trabajo; la identificación de ecuaciones matemáticas para determinar el nivel de percepción, la implementación de una herramienta para automatizar el proceso y la verificación de su utilidad mediante un caso de estudio. Resultados: Por medio de una ecuación matemática que involucra las tres polaridades de una opinión obteniendo una herramienta automatizada en lenguaje Python, que hace uso de la librería Paralleldots. Conclusiones: La herramienta desarrollada permite realizar estudios de minería de opinión en los que el valor agregado es la estimación de un nivel de percepción por opinión y general. El enfoque propuesto pretende servir como referencia para ser replicado y extrapolado en diferentes contextos de aplicación además del marketing. Introduction: The comments made by the clients of the companies in the social networks and electronic commerce portals about products and services offered by them, not only allow the companies to determine the perception of the clients for decision making at the marketing level. They serve as a reference for other customers to make decisions before buying a product. One of the techniques derived from natural language processing and affective computing that allows determining the value of an opinion is sentiment analysis. Objective: To determine a quantitative indicator of the level of perception through a mathematical equation that involves the polarity value (positive, negative, neutral) of an opinion. Method: This work focused on the automation of the opinion mining process and the determination of the level of perception through the identification of the most used and suitable libraries for the development of this work; the identification of mathematical equations to determine the level of perception; the implementation of a tool to automate the process; and the verification of its usefulness through a case study. Results: By means of a mathematical equation that involves the three polarities of an opinion, obtaining an automated tool in Python language, which makes use of the Paralleldots library. Conclusions: The tool developed allows opinion mining studies to be carried out in which the added value is the estimation of a level of perception by opinion and in general. The proposed approach is intended to serve as a reference to be replicated and extrapolated in different application contexts in addition to marketing.application/pdftext/htmltext/xmlspaUniversidad de la CostaINGE CUC - 2022http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/4407computación afectivanivel de percepciónminería de opiniónpolaridadanálisis de sentimientosaffective computingperception levelopinion miningpolaritysentiment analysisDeterminación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketingDetermination of the level of user perception through sentiment analysis studies in the context of marketingArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucBaldasarri, “Computación Afectiva: tecnología y emociones para mejorar la experiencia de usuario”, Rev Inst Fac Informática, no. 3, pp. 14–15, Jun. 2016. Disponible en http://sedici.unlp.edu.ar/handle/10915/53441G. Chanchí-Golondrino, C. Hernández-Londoño y M. Ospina-Alarcón, “Aplicación de la computación afectiva en el análisis de la percepción de los asistentes a una feria de emprendimiento del SENA,” Rev Cient, vol. 44, no. 2, pp. 215–227, Ene. 2021. https://doi.org/10.14483/23448350.18971M. Pouromid, A. Yekkehkhani, M. Oskoei & A. Aminimehr, “ParsBERT Post-Training for Sentiment Analysis of Tweets concerning Stock Market,” presented at 26th International Computer Conference, Computer Society of Iran, CSICC, THR, IR, 3-4 Mar. 2021. https://doi.org/10.1109/CSICC52343.2021.9420569H. Lin, T. Wang, G. Lin, S. Cheng, H. Chen & Y. Huang, “Applying sentiment analysis to automatically classify consumer comments concerning marketing 4Cs aspects,” Appl Soft Comput, vol. 97, pp. 1–10, Dec. 2020. https://doi.org/10.1016/J.ASOC.2020.106755N. Srivats Athindran, S. Manikandaraj & R. Kamaleshwar, “Comparative Analysis of Customer Sentiments on Competing Brands using Hybrid Model Approach,” presented at 3rd International Conference on Inventive Computation Technologies, ICICT, CBE, IN, 15-16 Nov. 2018. https://doi.org/10.1109/ICICT43934.2018.9034283F. Khan, U. Qamar & S. Bashir, “eSAP: A decision support framework for enhanced sentiment analysis and polarity classification,” Inf Sci, vol. 367-368, pp. 862–873, Nov. 2016. https://doi.org/10.1016/J.INS.2016.07.028P. Mukherjee, Y. Badr, S. Doppalapudi, S. Srinivasan, R. Sangwan & R. Sharma, “Effect of Negation in Sentences on Sentiment Analysis and Polarity Detection,” Procedia Comput Sci, vol. 185, pp. 370–379, Jan. 2021. https://doi.org/10.1016/J.PROCS.2021.05.038A. Moreno-Ortiz & J. Fernández-Cruz, “Identifying Polarity in Financial Texts for Sentiment Analysis: A Corpus-based Approach,” Procedia-Soc Behav Sci, vol. 198, pp. 330–338, Jul. 2015. https://doi.org/10.1016/J.SBSPRO.2015.07.451G. Chanchí y A. Cordoba, “Análisis de emociones y sentimientos sobre el discurso de firma del acuerdo de paz en Colombia,” RISTI, no. E22, pp. 95–107, Mar. 2019. Available: http://www.risti.xyz/issues/ristie22.pdfG. Chanchí, W. Campo y L. Sierra, “Estudio del atributo satisfacción en pruebas de usabilidad, mediante técnicas de análisis de sentimientos,” RISTI, no. E23, pp. 340–352, May. 2019. Disponible en https://search.proquest.com/openview/dc9c3ac1b6b131619f5c2c7bfa97c1c5/1.pdf?pq-origsite=gscholar&cbl=1006393V. Gil, “Análisis de sentimientos sobre el impacto social de proyectos de vivienda en América Latina: el caso un TECHO para mi país (Colombia),” Rev. Espac., vol. 39, no. 44, pp. 30-37, May. 2018. Available: http://www.revistaespacios.com/a18v39n44/a18v39n44p30.pdfJ. García, P. Henríquez-Coronel, J. Pincai y J. Herrera-Tapia, “Analítica de Twitter para el estudio de las emociones primarias durante el terremoto de México 2017,” RISTI, no. E19, pp. 479–492, Dic. 2018. Disponible en https://www.proquest.com/openview/841aa93ba3c3df451770cecf46615e88/1?pq-origsite=gscholar&cbl=1006393C. Arcila-Calderón, F. Ortega-Mohedano, J. Jiménez-Amores y S. Trullenque, “Análisis supervisado de sentimientos políticos en español: clasificación en tiempo real de tweets basada en aprendizaje automático,” Prof Inf, vol. 26, no. 5, pp. 973–982, Mar. 2017. https://doi.org/10.3145/epi.2017.sep.18V. Ikoro, M. Sharmina, K. Malik & R. Batista-Navarro, “Analyzing Sentiments Expressed on Twitter by UK Energy Company Consumers,” presented at 5 International Conference on Social Networks Analysis, Management and Security, ICSNAMS, VAL, ES, 15-18 Oct. 2018. https://doi.org/10.1109/SNAMS.2018.8554619S. Ainin, A. Feizollah, N. Anuar & N. Abdullah, “Sentiment analyses of multilingual tweets on halal tourism,” Tour Manag Perspect, vol. 34, pp. 1-8, Jan. 2019. https://doi.org/10.1016/J.TMP.2020.100658M. Hung, E. Lauren, E. Hon, W. Birmigham, J. Xu, S. Su, S. Hon, J. Park, P. Dang & M. Lipsky, “Social network analysis of COVID-19 sentiments: Application of artificial intelligence,” J Med Internet Res, vol. 22, no. 8, pp. 1–13, Aug. 2020. https://doi.org/10.2196/22590A. Reyes-Menendez, J. Saura & F. Filipe, “Marketing challenges in the #MeToo era: gaining business insights using an exploratory sentiment analysis,” Heliyon, vol. 6, no. 3, pp. 1–13, Jul. 2019. https://doi.org/10.1016/J.HELIYON.2020.E03626K. Pratt, Design Patterns for Research Methods: Iterative Field Research, AAAI, May, 2020. Available from http://kpratt.net/wp-content/uploads/2009/01/research_methods.pdfS. Rao, N. Monica, P. Nikhila, T. Tejasri & B. Maram, “Positivity Calculation using Vader Sentiment Analyser”, IJAER, vol. 4, no. 3, pp. 13–17, Mar. 2020. Available from http://ijeais.org/wp-content/uploads/2020/3/IJAER200303.pdfE. Jacobs, “Mood: Harry Potter,” Erika Jacobs, Jul. 28, 2019. [Online]. Available: https://erika-jacobs.com/post/mood-harry-potter/248238218https://revistascientificas.cuc.edu.co/ingecuc/article/download/4407/4415https://revistascientificas.cuc.edu.co/ingecuc/article/download/4407/4617https://revistascientificas.cuc.edu.co/ingecuc/article/download/4407/4618Núm. 2 , Año 2022 : (Julio-Diciembre)PublicationOREORE.xmltext/xml2752https://repositorio.cuc.edu.co/bitstreams/b5672eb0-9863-4b89-a348-5b8bb5ab65cc/download5eab07001a7a3a6cdcffcd6d4c2eefa5MD5111323/12360oai:repositorio.cuc.edu.co:11323/123602024-09-17 10:53:51.872http://creativecommons.org/licenses/by-nc-nd/4.0INGE CUC - 2022metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co |