Aplicación de aprendizaje automático para evaluar lenguaje de videojuegos en Twitch

Abstract

En el trabajo se aborda el análisis de la respuesta emocional en chats de transmisiones de videojuegos en Twitch. El crecimiento exponencial de esta plataforma ha generado una necesidad crucial de comprender las emociones que experimentan los usuarios al interactuar en los chats de las transmisiones. En este sentido, y dada la dificultad de analizar manualmente la gran cantidad de mensajes generados en tiempo real, se aplican técnicas de Inteligencia Artificial y Procesamiento del Lenguaje Natural (PLN) para clasificar la polaridad (positiva, negativa, indeterminada) y emociones (aprobación, desaprobación, decepción, interés, enfado, etc.) expresadas en sus mensajes/comentarios. El objetivo principal de este estudio es mejorar los resultados de estudios previos sobre el análisis de sentimientos en transmisiones de videojuegos en Twitch. Para lograrlo, se amplía el corpus de datos, incluyendo una mayor diversidad de géneros de videojuegos, streamers y comunidades, así como diferentes terminologías y jergas propias de este ámbito. Se utiliza un modelo de lenguaje basado en Representación de Codificador Bidireccional de Transformadores (BERT), adaptado al español, para entrenar y optimizar dicho modelo de clasificación. Se realiza un preprocesado de los datos para eliminar información redundante y normalizarlos. Posteriormente, se evaluó el rendimiento del modelo utilizando diferentes métricas de precisión y se compararon los resultados con los de estudios previos para determinar la efectividad de las mejoras implementadas. Tras el entrenamiento y optimización, se han desarrollado herramientas pioneras para aplicar el modelo, incluyendo una función para realizar predicciones sobre nuevos mensajes y una aplicación con interfaz gráfica que permite cargar archivos, obtener predicciones y visualizar los resultados mediante gráficos.

The work carried out addresses the analysis of emotional responses in Twitch video game stream chats. The exponential growth of this platform has created a crucial need to understand the emotions experienced by users as they interact in stream chats. In this regard and given the difficulty of manually analysing the large number of messages generated in real time, Artificial Intelligence and Natural Language Processing (NLP) techniques are applied to classify the polarity (positive, negative, undetermined) and emotions (approval, disapproval, disappointment, interest, anger, etc.) expressed in the messages/comments. This study’s main objective is to improve the results of previous studies on sentiment analysis in Twitch video game streams. To achieve this, the data corpus is expanded, including a greater diversity of video game genres, streamers and communities, as well as different terminology and jargon specific to this field. A language model based on Bidirectional Encoder Representations from Transformers (BERT), adapted to Spanish, is used to train and optimize this classification model. Data preprocessing is performed to remove redundant information and normalize it. Subsequently, the model's performance was evaluated using different accuracy metrics, and the results were compared with those of previous studies to determine the effectiveness of the implemented improvements. After training and optimization, pioneering tools have been developed to apply the model, including a function to make predictions on new messages and an application with a graphical interface that allows loading files, obtaining predictions, and visualizing the results through graphs.