Análisis de sentimientos, afecto y connotación
GUÍA DOCENTE Curso 2024-25

Titulación:	Máster Universitario en Procesamiento del Lenguaje y Aplicaciones de la Int						656M
Asignatura:	Análisis de sentimientos, afecto y connotación						5290
Materia:	Aplicaciones de la inteligencia artificial a la lingüística
Módulo:	Procesamiento del lenguaje e inteligencia artificial
Modalidad de enseñanza de la titulación:				Virtual	Carácter:	Obligatoria
Curso:	1	Créditos ECTS:		4,00	Duración:	Semestral (Segundo Semestre)
Horas virtuales sincrónicas:			40,00		Horas estimadas de trabajo autónomo:		60,00
Horas virtuales asincrónicas:			0,00

Idiomas en que se imparte la asignatura:	Español
Idiomas del material de lectura o audiovisual:	Inglés, Español

Departamentos responsables de la docencia

FILOLOGÍAS MODERNAS								R107
Dirección:	C/ San José de Calasanz, 33						Código postal:	26004
Localidad:	Logroño				Provincia:	La Rioja
Teléfono:	941299433	Fax:	941299419	Correo electrónico:		dpto.dfm@unirioja.es

Profesorado previsto

Profesor:	Martín Arista, Francisco J.				Responsable de la asignatura
Teléfono:	941299425	Correo electrónico:		javier.martin@unirioja.es
Despacho:	108	Edificio:	FILOLOGÍAS			Tutorías:	Consultar

Descripción de los contenidos

-Introducción al análisis de sentimientos, afecto y connotación

-Modelos para el análisis de sentimientos, afecto y connotación

-Desarrollo de un sistema para el análisis de sentimientos, afecto y connotación

-Aplicaciones del análisis de sentimientos, afecto y connotación

-Desarrollo de pruebas de concepto para el procesamiento del lenguaje natural

-Evaluación de resultados de pruebas de concepto para el procesamiento del lenguaje natural
-Priorización de datos para programas de procesamiento del lenguaje natural

Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura

Ninguno especificado.

Competencias

Competencias generales

CG01 - Poseer y comprender conocimientos sobre procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística que aporten una base u oportunidad de ser originales en el desarrollo de soluciones dentro del ámbito de la lingüística computacional
CG02 - Aplicar los conocimientos adquiridos a la resolución de problemas en entornos nuevos o poco conocidos relacionados con las áreas de estudio de lingüística computacional, procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística
CG03 - Integrar conocimientos y formular juicios a partir de una información que incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de la lingüística computacional, el procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística
CG04 - Comunicar las conclusiones sobre lingüística computacional, procesamiento del lenguaje natural y aplicaciones de la inteligencia artificial a la lingüística -y los conocimientos y razones últimas que las sustentan- a públicos especializados y no especializados de un modo claro y sin ambiguëdades

CG05 - Evaluar el progreso del propio aprendizaje de técnicas y recursos de procesamiento del lenguaje natural e inteligencia artificial aplicada a la lingüística

Competencias específicas

CC21 - Comparar los modelos de análisis automático de sentimientos
CC22 - Comparar los modelos de análisis automático de afecto
CC23 - Comparar los modelos de análisis automático de connotación
CE18 - Procesar los documentos textuales eficazmente para la traducción automática; la extracción de la información y clasificación de textos; y el análisis de sentimientos, el afecto y la connotación
CE19 - Sintetizar los principales logros del procesamiento del lenguaje natural
CE20 - Relatar los principales desafíos del procesamiento del lenguaje natural
CE21 - Diseñar una prueba de concepto para distintas aplicaciones del procesamiento del lenguaje natural

HD22 - Comparar los resultados obtenidos con glosarios y con métodos automáticos utilizados en el análisis de sentimientos, afecto y connotación
HD23 - Interpretar los resultados obtenidos por una prueba de concepto para el análisis de sentimientos, afecto y connotación llevada a cabo con técnicas de procesamiento del lenguaje natural

Resultados del aprendizaje

Los resultados de aprendizaje (Conocimientos o contenidos [CC], competencias [CG y CE] y habilidades o destrezas [HD]) se incluyen en el apartado de competencias hasta que se actualice la aplicación informática del Ministerio de Universidades.

Objetivos de desarrollo sostenible

9 Industria, innovación e infraestructura.

Temario

Tema 1. Introducción al análisis de sentimientos, afecto y connotación

Tema 2. Modelos para el análisis de sentimientos, afecto y connotación

Tema 3. Desarrollo y evaluación de sistemas para el análisis de sentimientos, afecto y connotación

Bibliografía

Tipo:	Título
Básica	Hemmatian, F., & Sohrabi, M. K. (2019). A survey on classification techniques for opinion mining and sentiment analysis. Artificial Intelligence Review, 52, 1495¿1545.
Básica	Jurafsky, D., & Martin, J. H. (2024). Lexicons for Sentiment, Affect, and Connotation. En D. Jurafsky & J. H. Martin, Speech and Language Processing (3rd ed.). Stanford University.
Básica	Kralj Novak, P., Smailovic, J., Sluban, B., & Mozetic, I. (2015). Sentiment of emojis. PLoS ONE, 10(12), e0144296.
Básica	Liu, B. (2015). Sentiment analysis: Mining opinions, sentiments, and emotions. New York: Cambridge University Press.
Básica	Mohammad, S. M. (2021). Sentiment analysis: Automatically detecting valence, emotions, and other affectual states from text. In H. L. Meiselman (Ed.), Emotion Measurement (Second Edition) (Second Edition, pp. 323¿379). Elsevier.
Básica	Pathak, A. R., Agarwal, B., Pandey, M., & Rautaray, S. (2020). Application of deep learning approaches for sentiment analysis. In B. Agarwal, R. Nayak, N. Mittal, & S. Patnaik (Eds.), Deep learning-based approaches for sentiment analysis(pp. 1¿32). Singa
Básica	Polanyi, L., & Zaenen, A. (2006). Contextual valence shifters. In J. G. Shanahan, Y. Qu, & J. Wiebe (Eds.), Computing Attitude and Affect in Text: Theory and Applications (pp. 1¿10). Dordrecht: Springer.
Básica	Ravi, K., & Ravi, V. (2015). A survey on opinion mining and sentiment analysis: Tasks, approaches and applications. Knowledge-Based Systems, 89, 14¿46.

Recursos en Internet

Google Colab

https://colab.research.google.com/

Natural Language Tool Kit

https://www.nltk.org/book/

Scikit

https://scikit-learn.org/stable/user_guide.html

spaCy

https://spacy.io/usage/linguistic-features

Keras

https://keras.io/examples/nlp/text_classification_from_scratch/

Hugging Face

https://huggingface.co/docs/transformers/tasks/sequence_classification

Pandas

https://pandas.pydata.org/docs/user_guide/index.html#user-guide

Stanford NLP

https://stanfordnlp.github.io/stanza/index.html

Metodología

Modalidades organizativas

Clases teóricas

Seminarios y talleres

Clases prácticas

Estudio y trabajo en grupo

Estudio y trabajo autónomo individual

Métodos de enseñanza

Método expositivo - Lección magistral

Estudio de casos

Resolución de ejercicios y problemas

Aprendizaje basado en problemas

Aprendizaje orientado a proyectos

Aprendizaje cooperativo

Organización

Actividades dirigidas	Tamaño de grupo	Horas virtuales sincrónicas	Horas virtuales asincrónicas	Horas totales
Clases teóricas	Grande	15,00		15,00
Seminarios y talleres	Reducido	5,00		5,00
Clases prácticas	Reducido	20,00		20,00
Total de horas de actividades dirigidas				40,00

Trabajo autónomo del estudiante	Horas
Estudio y trabajo autónomo individual	60,00
Total de horas de trabajo autónomo	60,00

Total de horas

100,00

Evaluación

Sistema de evaluación	Recuperable	No Recup.
Pruebas de ejecución de tareas reales y/o simuladas		30%
Trabajos y proyectos	70%
Total	100%

Versión: 14/06/2024 10:30:34 - G 2024-25 - 656M - 5290 - Impresión: 16/11/2025 00:58:35

Análisis de sentimientos, afecto y connotaciónGUÍA DOCENTE Curso 2024-25