Análisis comparativo de algoritmos de machine learning para el análisis de sentimientos en reseñas de la plataforma Steam: Validación mediante el estudio de software educativo en la UCSM
Cargando...
Fecha
2026-09-17
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Nivel de acceso
Acceso Abierto
Resumen
El presente estudio desarrolla un análisis comparativo de algoritmos de Machine Learning aplicados al análisis de sentimientos en reseñas de videojuegos extraídas de la plataforma Steam, explorando su adaptabilidad y comportamiento mediante un caso de aplicación en la Universidad Católica de Santa María (UCSM). El objetivo principal fue identificar el algoritmo con mejor desempeño técnico evaluando precisión, capacidad de clasificación y balance entre métricas clave como Recall y F1-score. La investigación fue de tipo aplicada y nivel descriptivocomparativo, fundamentada en una analogía técnica donde modelos entrenados con datos globales son evaluados con reseñas de software educativo mediante una muestra no probabilística de 47 participantes (42 estudiantes y 5 docentes de la Escuela Profesional de Ingeniería de Sistemas). Los datos obtenidos fueron procesados mediante herramientas de programación y análisis estadístico, evaluando cuatro modelos: Naive Bayes, Support Vector Machine (SVM), Random Forest y Redes Neuronales LSTM. Los resultados mostraron que todos los modelos superaron el 80% de precisión, validando su aplicabilidad en procesamiento de lenguaje natural en el contexto de videojuegos. LSTM obtuvo la mayor precisión registrada (94.46%) y un buen equilibrio entre Recall (82.16%) y F1-score (84.35%) bajo el pseudo-etiquetado VADER. Evaluados sobre TextBlob, SVM alcanzó 93.14% de precisión, aunque con menor sensibilidad en casos positivos (Recall y F1-score de 69.57%). Random Forest presentó un rendimiento intermedio (87.96% de precisión) con buen balance (Recall de 86.75%), mientras que Naive Bayes logró 88.06% de precisión y simplicidad de implementación. Se concluye que, si bien LSTM registra la mayor precisión, sus requerimientos computacionales y la diferencia de etiquetado condicionan la comparación directa, siendo SVM una alternativa viable por su eficiencia y precisión. Posteriormente, el modelo fue aplicado de manera exploratoria en un contexto local mediante la aplicación de una encuesta a los 47 participantes, permitiendo observar el comportamiento del algoritmo con reseñas reales sobre software educativo en español.
Descripción
Palabras clave
Machine Learning, análisis de sentimientos, reseñas de videojuegos