Modelado semántico y emocional con redes neuronales multicapa
DOI:
https://doi.org/10.70980/teclemas.v2n1.2025.10Palabras clave:
redes neuronales multicapa, procesamiento del lenguaje natural, análisis emocional, inteligencia artificial, modelado semántico, comportamiento digitalResumen
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 plantea que toda experiencia humana se organiza simultáneamente en tres niveles: instintivo (seguridad y reacción), socioemocional (vínculo y empatía) y analítico (coherencia y propósito), en consonancia con perspectivas neuro-afectivas previas. Esta estructura permite interpretar cada mensaje como una configuración emocional compuesta, más que como una emoción aislada.
La red neuronal multicapa se entrena para reconocer estas capas emocionales en el lenguaje digital, generando mapas de correlación semántica. Los resultados demuestran que este enfoque aumenta 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.
Referencias
Bravo, S. (2024). Teoría de las emociones multinivel: El nuevo paradigma de la investigación de mercados y consumidores. San José, Costa Rica. [Libro de consultoría; pendiente de verificación de indexación académica.]
Cambria, E., Poria, S., Hazarika, D., & Kwok, K. (2022). SenticNet 7: A commonsense-based neurosymbolic AI framework for explainable sentiment analysis. Proceedings of the 31st International Joint Conference on Artificial Intelligence, 3829–3837. https://doi.org/10.24963/ijcai.2022/530
Charmaz, K. (2014). Constructing grounded theory (2.ª ed.). SAGE Publications.
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5.ª ed.). SAGE Publications.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL-HLT), 4171–4186. https://doi.org/10.18653/v1/N19-1423
Hinton, G. E., LeCun, Y., & Bengio, Y. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Kim, Y. (2014). Convolutional neural networks for sentence classification. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1746–1751. https://doi.org/10.3115/v1/D14-1181
Kövecses, Z. (2020). Emotion concepts and human meaning: A cognitive semantic perspective. Cambridge University Press.
LeDoux, J. E., & Brown, R. (2017). A higher-order theory of emotional consciousness. Proceedings of the National Academy of Sciences, 114(10), E2016–E2025. https://doi.org/10.1073/pnas.1619316114
Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems, 26, 3111–3119.
Panksepp, J. (2011). The basic emotional circuits of mammalian brains: Do animals have affective lives? Neuroscience & Biobehavioral Reviews, 35(9), 1791–1804. https://doi.org/10.1016/j.neubiorev.2011.08.003
Russell, J. A., & Barrett, L. F. (1999). Core affect, prototypical emotional episodes, and other things called emotion: Dissecting the elephant. Journal of Personality and Social Psychology, 76(5), 805–819. https://doi.org/10.1037/0022-3514.76.5.805
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Leonardo Correa Flores, Lucia Vega Castro, Luz Ronquillo Alvarez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
