Rosas Paredes, KarinaValdivia Navarrete, Benjamin Andre2026-10-212026-10-212026-09-17https://hdl.handle.net/20.500.12920/17631El 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.application/pdfspahttps://purl.org/coar/access_right/c_abf2Machine Learninganálisis de sentimientosreseñas de videojuegoshttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/pe-repo/ocde/ford#2.02.04