42

REVISTA INNOVARIUM

Semantic and emotional modeling with multilayer neural networks

- Recibido: 2025/02/20 - Aprobado: 2025/04/02 - Publicado: 2025/04/23

Leonardo Correa Flores

coo.neuro@teclemas.edu.ec

Resumen

Este artículo presenta una propuesta científica y tecnológica para el análisis semántico y emocional

de interacciones digitales mediante redes neuronales multicapa. La arquitectura propuesta combina

algoritmos de aprendizaje profundo con procesamiento de lenguaje natural (PLN) —

concretamente modelos de tipo BERT y Word2Vec — para detectar y clasificar configuraciones

emocionales complejas expresadas en texto, correlacionando significado, tono y contexto.

El modelo teórico que sustenta este trabajo es la Teoría Multinivel de las Emociones, la cual

43

REVISTA INNOVARIUM

la precisión en la interpretación del comportamiento colectivo, permitiendo anticipar tendencias

comunicacionales y optimizar la relación entre marcas, instituciones y ciudadanos. La integración

entre inteligencia artificial y teoría emocional ofrece un marco científico para comprender la mente

social contemporánea, transformando los datos en conocimiento humano y predictivo.

Palabras clave

redes neuronales multicapa, procesamiento del lenguaje natural, análisis emocional, inteligencia

artificial, modelado semántico, comportamiento digital

Abstract

that every human experience is simultaneously organized across three levels: instinctive (security

and reaction), socio-emotional (bond and empathy), and analytical (coherence and purpose),

aligned with prior neuro-affective frameworks. The multilayer neural network is trained to

recognize these emotional layers within digital language, generating semantic correlation maps.

The results demonstrate improved accuracy in interpreting collective behavior, enabling the

anticipation of trends and the optimization of relationships between brands, institutions, and

citizens.

Keywords

multilayer neural networks, natural language processing, emotional analysis, artificial intelligence,

semantic modeling, digital behavior

44

REVISTA INNOVARIUM

lenguaje, reconocer patrones y simular aspectos del razonamiento humano (Hinton et al., 2015).

Sin embargo, comprender las emociones detrás de las palabras continúa siendo uno de los mayores

desafíos científicos de nuestro tiempo (LeDoux y Brown, 2017). Las emociones no se expresan

únicamente en lo que se dice, sino también en cómo se dice y en el contexto donde ocurre la

interacción (Kövecses, 2020). En este marco, las redes neuronales multicapa se presentan como

una arquitectura idónea para decodificar las estructuras semánticas y emocionales que emergen

del lenguaje digital contemporáneo (Vaswani et al., 2017).

El volumen creciente de información proveniente de redes sociales, foros y entornos digitales

ha convertido el análisis de sentimientos en un campo prioritario para la inteligencia artificial

aplicada (Cambria et al., 2022). No obstante, la mayoría de los enfoques tradicionales se limitan a

una interacción entre tres niveles: instintivo, socioemocional y analítico. Desde esta perspectiva,

el lenguaje es una huella del estado cerebral colectivo (LeDoux y Brown, 2017), y su lectura a

través de redes neuronales multicapa posibilita una comprensión más profunda del

comportamiento humano en entornos digitales.

1.1. Fundamento teórico y origen del modelo

El modelado semántico y emocional con redes neuronales representa una propuesta que redefine

la emoción como un sistema de respuesta simultánea en tres planos funcionales del cerebro

humano (Panksepp, 2011). A diferencia de los modelos clásicos que conciben las emociones como

impulsos aislados o reacciones discretas (Russell y Barrett, 1999), el enfoque multinivel propuesto

por Bravo (2024) plantea que toda experiencia emocional combina, en distintos grados,

45

REVISTA INNOVARIUM

El nivel instintivo actúa como el sistema de alerta primaria, encargado de la supervivencia y la

protección; se expresa en reacciones de impulso, urgencia o defensa, y constituye la base biológica

del comportamiento (Panksepp, 2011). El nivel socioemocional organiza la experiencia afectiva

en torno al vínculo, la empatía y la pertenencia (Kövecses, 2020). Finalmente, el nivel analítico

otorga sentido y coherencia a la emoción, transformándola en pensamiento, argumento o propósito

(LeDoux y Brown, 2017).

Esta estructura tridimensional permite comprender las decisiones humanas como el resultado

de una interacción dinámica entre reacción, vínculo y sentido. En el contexto de los datos digitales,

en capas jerárquicas, emulando la forma en que el cerebro humano integra estímulos sensoriales,

afectivos y cognitivos en distintos niveles de profundidad (Hinton et al., 2015). En el modelo

propuesto, cada capa de la red cumple una función análoga a las dimensiones de la Teoría

Multinivel de las Emociones (Bravo, 2024).

La primera capa representa el nivel instintivo: identifica patrones inmediatos en el texto, como

la intensidad emocional, la urgencia o la presencia de términos de alerta. La segunda capa se asocia

al nivel socioemocional, analizando las relaciones semánticas entre palabras, el tono afectivo, los

pronombres inclusivos y las coocurrencias que reflejan vínculos o empatía (Kövecses, 2020). La

tercera capa corresponde al nivel analítico, evaluando la coherencia discursiva, la argumentación

lógica y la dirección racional del mensaje (LeDoux y Brown, 2017).

46

REVISTA INNOVARIUM

1.3. Entrenamiento y dataset del modelo emocional

El entrenamiento de la red neuronal multicapa se realizó a partir de un corpus de interacciones

reales en redes sociales, foros digitales, encuestas abiertas y comentarios de clientes de diferentes

sectores. El propósito del entrenamiento no fue únicamente clasificar la polaridad emocional de

los textos, sino enseñar al modelo a identificar las combinaciones y transiciones entre los tres

niveles definidos por la Teoría Multinivel de las Emociones (Bravo, 2024): instintivo,

socioemocional y analítico.

El proceso de construcción del dataset siguió una metodología de etiquetado mixto (manual y

PLN para normalizar los textos y transformarlos en vectores mediante modelos de incrustación

semántica, Word2Vec (Mikolov et al., 2013) y BERT (Devlin et al., 2019).

El modelo MLP utilizó el optimizador Adam con tasa de aprendizaje adaptativa de 0.001 y

función de pérdida de entropía cruzada. El entrenamiento convergió en 87 épocas, determinadas

por validación cruzada. Los datos se dividieron en entrenamiento (80 %) y validación (20 %); se

aplicó dropout con tasa de 0.3 en las capas intermedias para evitar sobreajuste (Hinton et al., 2015).

El desempeño se evaluó con métricas estándar de clasificación multiclase (precisión, recall, F1-

score) y una métrica propia denominada índice de coherencia emocional (ICE).

1.4. Extracción de datos y obtención de resultados en el modelo

El proceso inicia con la extracción de datos textuales de fuentes abiertas o privadas. Para garantizar

47

REVISTA INNOVARIUM

relaciones contextuales entre palabras y frases. Estos vectores constituyen la entrada del modelo

multicapa, que identifica patrones asociados con los tres niveles emocionales definidos (Bravo,

2024). Cada consulta al sistema produce: (a) una predicción emocional multinivel, expresada como

un vector de proporciones (p. ej., 0.45 instintivo / 0.35 socioemocional / 0.20 analítico); (b) la

polaridad y el tono semántico del discurso; y (c) un mapa de correlación semántica que vincula

términos con emociones dominantes (Kövecses, 2020).

La interpretación de los resultados se realiza mediante análisis comparativo y longitudinal,

observando la variación del equilibrio emocional a lo largo del tiempo o entre diferentes grupos

una validación cruzada en la que los resultados del modelo se contrastan con juicios de analistas

entrenados en lectura emocional multinivel. El grado de coincidencia entre la red neuronal y la

interpretación humana se expresa mediante el ICE, en una escala de 0 a 1. Un valor superior a 0.80

se considera evidencia de alineación sólida entre la interpretación automática y la humana.

Los resultados se proyectan en mapas de comportamiento emocional que representan las

proporciones relativas de los tres niveles en cada texto o grupo de textos, permitiendo visualizar

desplazamientos emocionales colectivos (Bravo, 2024). El análisis de estas trayectorias ofrece una

lectura dinámica del comportamiento digital, capaz de anticipar variaciones en la percepción social

antes de que se manifiesten en métricas convencionales (Russell y Barrett, 1999). La validación

científica del modelo incorpora así una dimensión interpretativa que confirma que los resultados

La presente investigación adopta un enfoque metodológico mixto (Creswell y Creswell, 2018),

que integra procedimientos cuantitativos y cualitativos de forma secuencial y complementaria. El

48

REVISTA INNOVARIUM

modelo de redes neuronales multicapa, mientras que el componente cualitativo se sustenta en un

diseño de teoría fundamentada constructivista (Charmaz, 2014), aplicado al proceso de

categorización y etiquetado emocional del corpus textual.

Desde la perspectiva de la teoría fundamentada constructivista (Charmaz, 2014), el investigador

y los analistas expertos no descubren categorías preexistentes en los datos, sino que las construyen

en interacción con ellos. Esto implica que los tres niveles emocionales — instintivo,

socioemocional y analítico — no se imponen como categorías a priori, sino que se emplean como

marco orientador susceptible de ser modificado conforme emergen patrones interpretativos en los

una estructura tridimensional continua, alineada con la Teoría Multinivel de las Emociones (Bravo,

2024). La metodología se organizó en tres fases principales: (1) recopilación y preprocesamiento

del corpus textual; (2) construcción y entrenamiento del modelo multicapa; y (3) evaluación y

validación de los resultados. Cada fase se diseñó con criterios de reproducibilidad científica,

control de sesgos lingüísticos y respeto por la privacidad de los datos.

2.1. Fuentes de datos y criterios de selección

El corpus se conformó a partir de publicaciones y comentarios textuales extraídos de redes

sociales, foros públicos y encuestas digitales, con el objetivo de capturar un lenguaje natural,

espontáneo y diverso en temas, estilos y contextos. Cada registro fue sometido a limpieza y

normalización lingüística: eliminación de duplicados, corrección ortográfica, tokenización,

49

REVISTA INNOVARIUM

2.2. Construcción y entrenamiento del modelo

La red neuronal se implementó con una arquitectura MLP compuesta por una capa de entrada, tres

capas ocultas y una capa de salida. La capa de entrada recibió vectores semánticos de alta

dimensionalidad generados mediante Word2Vec (Mikolov et al., 2013) y BERT (Devlin et al.,

2019). Las capas ocultas utilizaron funciones de activación ReLU; la capa de salida empleó

softmax para distribuir probabilísticamente la pertenencia del texto a los tres niveles emocionales

(Kim, 2014). El entrenamiento se realizó con el optimizador Adam (tasa de aprendizaje: 0.001),

función de pérdida de entropía cruzada y dropout de 0.3. La convergencia se alcanzó en 87 épocas,

proporción de activación en los niveles instintivo, socioemocional y analítico; (b) la polaridad

emocional (positiva, negativa o neutra); y (c) un mapa de correlación semántica que vincula

palabras clave con las emociones predominantes (Kövecses, 2020). Los resultados se analizaron

de forma comparativa y longitudinal; para cada conjunto de textos se calculó el ICE, indicador que

expresa la estabilidad del patrón emocional predominante y su consistencia con el contexto

discursivo general.

Desde el diseño de teoría fundamentada constructivista (Charmaz, 2014), la fase de análisis no

se limitó a la evaluación estadística, sino que incorporó ciclos de comparación constante entre los

patrones cuantitativos detectados por el modelo y las interpretaciones cualitativas de los analistas

expertos. El conjunto de métodos descritos confirma que el modelo cumple con los principios de

El modelo de redes neuronales multicapa demostró una capacidad significativa para identificar

configuraciones emocionales complejas dentro de corpus textuales provenientes de entornos

50

REVISTA INNOVARIUM

digitales reales. Los resultados confirman que las emociones expresadas en lenguaje natural no

operan de forma unidimensional, sino como combinaciones dinámicas de niveles instintivos,

socioemocionales y analíticos — coherente con los postulados de Russell y Barrett (1999) — que

pueden ser detectadas y representadas mediante arquitecturas de aprendizaje profundo (Hinton et

al., 2015).

Durante la fase experimental, se observaron altos niveles de coherencia entre las predicciones

del modelo y las evaluaciones humanas de referencia, validando la efectividad del enfoque

multinivel (Bravo, 2024; Panksepp, 2011). Este hallazgo refuerza la pertinencia de la Teoría

los sistemas convencionales de análisis de sentimientos, limitados a clasificaciones binarias o

ternarias (Cambria et al., 2022). La arquitectura multicapa permitió detectar matices emocionales

intermedios y registrar transiciones entre los tres niveles con un margen de error inferior al 10 %

(Hinton et al., 2015).

El análisis de los mapas emocionales mostró que la mayoría de las conversaciones digitales

tiende a organizarse alrededor de dos polos: instintivo-socioemocional (impulsividad y

pertenencia) y socioemocional-analítico (empatía y razonamiento compartido). Este hallazgo

sugiere que la interacción social en línea es una oscilación constante entre seguridad, vínculo y

sentido, en consonancia con los postulados de la Teoría Multinivel de las Emociones (Bravo, 2024)

y con la perspectiva dimensional de Russell y Barrett (1999).