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

Valdivia Navarrete, Benjamin Andre

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

dc.contributor.advisor	Rosas Paredes, Karina
dc.contributor.author	Valdivia Navarrete, Benjamin Andre
dc.date.accessioned	2026-10-21T16:15:20Z
dc.date.available	2026-10-21T16:15:20Z
dc.date.issued	2026-09-17
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/17631
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María	es_ES
dc.publisher.country	PE
dc.rights	https://purl.org/coar/access_right/c_abf2
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	es_ES
dc.source	Universidad Católica de Santa María	es_ES
dc.source	Repositorio de la Universidad Católica de Santa María - UCSM	es_ES
dc.subject	Machine Learning
dc.subject	análisis de sentimientos
dc.subject	reseñas de videojuegos
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.04
dc.title	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
dc.type	http://purl.org/coar/resource_type/c_7a1f
dc.type.version	http://purl.org/coar/version/c_970fb48d4fbd8a85
renati.advisor.dni	29601217
renati.advisor.orcid	https://orcid.org/0000-0003-4650-7432
renati.author.dni	71116845
renati.discipline	61200093
renati.juror	Guevara Puente De La Vega, Karim
renati.juror	Sulla Torres, Jose Alfredo
renati.juror	Angulo Osorio, Javier Fernando
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería de Sistemas
thesis.degree.grantor	Universidad Católica de Santa María.Facultad de Ciencias e Ingenierías Físicas y Formales	es_ES
thesis.degree.name	Ingeniero de Sistemas