2026-04-24T05:39:20Zhttps://uvadoc.uva.es/oai/request

oai:uvadoc.uva.es:10324/651302024-01-29T20:03:01Zcom_10324_1191com_10324_931com_10324_894col_10324_1379

Siddiqui, Hafeez Ur Rehman Sainz de Abajo, Beatriz Torre Díez, Isabel de la Rustam, Furqan Raza, Amjad Atta, Sajjad Ashraf, Imran 2024-01-27T19:54:43Z 2024-01-27T19:54:43Z 2023 PeerJ Computer Science, Enero 2023, vol. 9, p. e1134-e1158. 2376-5992 https://uvadoc.uva.es/handle/10324/65130 10.7717/peerj-cs.1134 e1134 e1158 PeerJ Computer Science 9 2376-5992 Producción Científica Se investiga la predicción del estado financiero de las empresas a partir del análisis de las emociones extraídas de las “llamadas de ganancias”, entendiendo por tales las conversaciones telefónicas entre la gerencia (de la empresa) y los medios de comunicación. Estas características extraídas de la red de memoria a corto plazo (long short-term memory network) se utilizan para entrenar los modelos de aprendizaje automático. Los resultados muestran que las funciones LSTM brindan un mejor rendimiento que el tradicional análisis de palabras junto con las funciones Term frequency–Inverse document frequency (TF-IDF). La investigación fue apoyada por la Universidad Europea del Atlántico application/pdf eng PeerJ info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-nd/4.0/ Propietario de los derechos: autores Attribution-NonCommercial-NoDerivatives 4.0 Internacional Bankruptcy prediction Transfer learning Feature extraction Deep learning Artificial Intelligence Data Mining Machine Learning Predicting bankruptcy of firms using earnings call data and transfer learning info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion https://peerj.com/articles/cs-1134/ SI