Análisis comparativo de modelos de aprendizaje supervisado para el reconocimiento de emociones en texto

Abstract

Hacer que una máquina pueda sentir emociones puede parecer hoy en día una meta lejana, casi imposible. Sin embargo, el primer paso para acercarnos a ello es dotarla de la capacidad de reconocerlas. Esta tarea, enmarcada dentro de la computación afectiva, ha sido objeto de estudio desde hace años, especialmente en su aplicación al texto, donde aún persisten numerosos desafíos. Detectar emociones en lenguaje escrito implica enfrentarse a ambigüedades, dobles sentidos, ironías y matices culturales difíciles de codificar. Aunque ya existen modelos capaces de clasificar textos en categorías generales como “positivo”, “negativo” o “neutro”, estos sistemas aún están lejos de identificar con precisión emociones específicas como tristeza, alegría, miedo o enfado, especialmente en dominios desafiantes como las redes sociales, donde la informalidad, los contextos implícitos y el lenguaje figurado son comunes. Este Trabajo Fin de Grado propone una aproximación exploratoria a este problema, combinando una revisión de las tecnologías actuales en Procesamiento del Lenguaje Natural (NLP) con una experimentación práctica. A través de la comparación de distintos modelos supervisados clásicos, se pretende evaluar sus capacidades en la tarea de clasificación emocional, identificar los límites actuales de estos sistemas y señalar posibles líneas de mejora futuras.

Making a machine feel emotions may seem like an impossible goal today. However, the first step toward this challenge is enabling it to recognize them. This task, framed within affective computing, has been a subject of research for years—particularly when applied to textual data, where significant challenges remain. Emotion detection in written language faces ambiguities, double meanings, irony, and cultural nuances that are difficult to model. While existing systems can classify text into broad sentiment categories such as “positive,” “negative,” or “neutral,” they are still far from accurately identifying specific emotions like sadness, joy, fear, or anger—especially in complex domains like social media, where informal and figurative language is prevalent. This Final Degree Project presents an exploratory approach to this issue, combining a review of current Natural Language Processing (NLP) technologies with a practical evaluation. By comparing various classic supervised learning models, the project aims to assess their effectiveness in emotion classification tasks, understand their current limitations, and propose potential avenues for future improvement.