Modelado semántico y emocional con redes neuronales multicapa
DOI:
https://doi.org/10.70980/teclemas.v2n1.2025.10Keywords:
redes neuronales multicapa, procesamiento del lenguaje natural, análisis emocional, inteligencia artificial, modelado semántico, comportamiento digitalAbstract
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.
References
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Leonardo Correa Flores, Lucia Vega Castro, Luz Ronquillo Alvarez
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License 4.0 that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
