,

Análisis de Sentimiento en TFG con IA: Guía 2026

Análisis sentimiento IA en tu TFG: guía práctica para 2026

El análisis sentimiento IA, es decir, el análisis de sentimiento apoyado en inteligencia artificial, es una de las técnicas de procesamiento de lenguaje natural más aplicadas en TFG de comunicación, marketing, ciencias políticas, turismo y psicología. Permite analizar automáticamente grandes volúmenes de texto (tweets, reseñas, comentarios o noticias) para extraer su polaridad emocional (positiva, negativa o neutra) de forma sistemática y reproducible. En esta guía verás qué métodos existen, qué herramientas son realistas para un estudiante de grado, cómo construir y validar el corpus y cómo redactarlo todo en la metodología.

En resumen: El análisis de sentimiento clasifica textos según su polaridad emocional usando técnicas de NLP. Para textos en español, la opción más sólida en un TFG es un modelo preentrenado como pysentimiento; sin programación, Orange Data Mining o plataformas comerciales como Brandwatch y Talkwalker. Sea cual sea la herramienta, valida siempre una muestra con etiquetado manual y documenta el proceso en la metodología.

¿Qué es el análisis de sentimiento?

Fuente: SINCIE en YouTube

El análisis de sentimiento, también conocido como minería de opinión, es una rama del procesamiento de lenguaje natural (NLP) que identifica y extrae información subjetiva de los textos. El objetivo principal es determinar la actitud de quien escribe respecto a un tema, producto, persona o evento.

En el nivel más básico, la clasificación es ternaria: positivo, negativo o neutro. Los modelos más avanzados incluyen emociones específicas (alegría, ira, miedo, sorpresa), intensidad del sentimiento y aspectos concretos del texto que generan cada emoción (análisis de sentimiento basado en aspectos). Por ejemplo, en una reseña de hotel que dice «la habitación era preciosa, pero la recepción fue lentísima», un análisis por aspectos asignaría polaridad positiva a «habitación» y negativa a «recepción», mientras que un análisis global podría etiquetarla como neutra.

Desde el punto de vista metodológico, conviene entender que el análisis de sentimiento es una técnica de medición: transforma texto en una variable (categórica o continua) que después analizarás con estadística descriptiva o inferencial. Por eso su fiabilidad y su validez deben justificarse igual que harías con un cuestionario o una escala.

Estudiante revisando en su portátil un gráfico de análisis de sentimiento con IA para su TFG
El análisis de sentimiento convierte miles de comentarios en una variable que puedes analizar en tu TFG.

Tesify es un asistente de escritura con IA para tesis y TFG: índice, capítulos y bibliografía en un solo lugar. Tú escribes y decides.

Probar Tesify gratis

Métodos de análisis

Métodos basados en léxico

Usan diccionarios de palabras con polaridad asignada y reglas sencillas (negaciones, intensificadores, signos de exclamación). Son fáciles de entender y explicar, y no requieren conjuntos de datos de entrenamiento. El más conocido para inglés es VADER, disponible en la librería NLTK de Python; para español existen recursos como SentiWordNet adaptado y diversos léxicos de polaridad. Su principal debilidad es que no capturan bien el contexto: «no está nada mal» puede acabar clasificado como negativo.

Métodos basados en machine learning

Entrenan un clasificador (SVM, Naive Bayes, regresión logística) con un conjunto de textos etiquetados manualmente. Ofrecen mayor precisión que los léxicos en dominios concretos, pero requieren datos de entrenamiento propios y conocimientos de programación (Python o R). Para un TFG de grado sin perfil técnico suelen ser más costosos de lo que aportan, salvo que el objetivo del trabajo sea precisamente comparar algoritmos.

Modelos de lenguaje preentrenados (transformers)

Modelos basados en la arquitectura BERT, como RoBERTa ajustado para sentimiento, BETO (un BERT entrenado en español) o pysentimiento (una librería específica para español en redes sociales), ofrecen resultados de calidad sin necesidad de entrenamiento propio. Se pueden usar con pocas líneas de Python a través de la librería transformers de Hugging Face, incluso en entornos gratuitos como Google Colab. Es la opción que mejor equilibra rigor y esfuerzo en la mayoría de TFG actuales.

Modelos de lenguaje generativos (LLM)

Cada vez más estudiantes usan ChatGPT u otros LLM como clasificadores mediante instrucciones del tipo «clasifica este comentario como positivo, negativo o neutro». Funciona razonablemente bien con ironía y lenguaje coloquial, pero plantea problemas de reproducibilidad: el modelo cambia con las versiones y las respuestas pueden variar. Si optas por esta vía, documenta el nombre y la versión del modelo, la fecha de uso, el prompt exacto y los parámetros (por ejemplo, la temperatura), y compara siempre sus resultados con una muestra etiquetada a mano.

Herramientas accesibles para TFG

Herramienta Idiomas Programación Coste
pysentimiento Español, inglés, portugués Python (básico) Gratuito (open source)
VADER (NLTK) Inglés Python Gratuito
Orange Data Mining (complemento Text) Multilingüe (según método) No (interfaz visual) Gratuito
ChatGPT / API OpenAI Multilingüe Opcional De pago (bajo coste)

La elección de herramienta debe responder a tu pregunta de investigación, no al revés. Si el corpus está en español y procede de redes sociales, pysentimiento es una elección defendible ante el tribunal porque fue diseñado para ese tipo de texto. Si el corpus está en inglés, VADER sigue siendo una referencia clásica. Si no programas en absoluto, Orange permite construir el flujo de trabajo arrastrando bloques y exportar los resultados a una hoja de cálculo.

Dos codificadores etiquetando manualmente reseñas para validar un modelo de análisis de sentimiento
La validación con dos codificadores y kappa de Cohen da solidez metodológica a los resultados automáticos.

Fuentes de datos

Para un TFG en España, las fuentes más habituales son:

  • Twitter/X: el antiguo acceso académico gratuito a la API se suspendió en 2023 y el acceso actual es de pago, por lo que muchos estudiantes recurren a datasets publicados previamente por otros investigadores o a otras plataformas.
  • Reseñas de Google Maps / TripAdvisor: pueden recopilarse con herramientas de extracción o exportarse manualmente para muestras pequeñas, respetando siempre las condiciones de uso de cada plataforma.
  • Comentarios de YouTube: la API de datos de YouTube permite extraer comentarios de vídeos públicos dentro de sus cuotas de uso.
  • Prensa digital: muchos diarios ofrecen RSS o hemerotecas que permiten descargar artículos y titulares.
  • Datos abiertos institucionales: si combinas el sentimiento con indicadores sociales, revisa dónde encontrar datos abiertos en España (INE, ministerios y observatorios).

Diseño del corpus y preprocesamiento

El corpus es tu muestra, y como toda muestra debe definirse con criterios explícitos. Antes de descargar un solo texto, deja por escrito:

  1. Unidad de análisis: ¿clasificas tweets completos, reseñas, frases o comentarios? La decisión condiciona la interpretación posterior.
  2. Ventana temporal: fechas de inicio y fin, justificadas por un acontecimiento (una campaña electoral, el lanzamiento de un producto, una temporada turística).
  3. Criterios de búsqueda: palabras clave, hashtags, cuentas o establecimientos incluidos, con la lista completa en un anexo.
  4. Criterios de inclusión y exclusión: idioma, eliminación de duplicados y retuits, exclusión de cuentas automatizadas evidentes o de mensajes publicitarios.

En cuanto al preprocesamiento, la regla general ha cambiado con los transformers: cuanto menos limpies, mejor. Los modelos léxicos clásicos agradecían pasar a minúsculas y eliminar signos, pero los modelos preentrenados aprovechan mayúsculas, emojis y puntuación como señales emocionales. Lo recomendable es sustituir las menciones a usuarios por una etiqueta genérica (por ejemplo, @usuario), reemplazar las URL y conservar el resto. Además de mejorar el resultado, la sustitución de menciones ayuda a anonimizar el corpus.

Validación de los resultados

Este es el apartado que más diferencia un TFG sólido de uno superficial. Ningún modelo es perfecto en un corpus nuevo, y el tribunal querrá saber cuánto se equivoca el tuyo. El procedimiento estándar es:

  • Elaborar un libro de códigos: definiciones operativas de positivo, negativo y neutro con ejemplos de tu propio corpus, incluidos los casos dudosos (ironía, mensajes mixtos).
  • Etiquetar manualmente una muestra aleatoria: idealmente por dos codificadores independientes (tú y tu tutor o un compañero), para calcular el acuerdo entre ambos mediante el coeficiente kappa de Cohen e interpretarlo con referencias como las de Landis y Koch (1977).
  • Comparar el modelo con el etiquetado humano: informa de la exactitud, la precisión, la exhaustividad (recall) y la F1 por clase, además de la matriz de confusión. La F1 macro es preferible cuando las clases están desequilibradas.

Una vez validada la clasificación, el análisis posterior depende de tus objetivos: proporciones de cada polaridad, evolución temporal, comparación entre grupos con chi-cuadrado o modelos que relacionen el sentimiento con otras variables. Si tu variable dependiente es binaria (por ejemplo, comentario negativo frente a no negativo), la regresión logística y la interpretación del odds ratio son una opción natural. Y si quieres profundizar en el porqué de las opiniones negativas, puedes complementar la parte cuantitativa con un análisis temático de Braun y Clarke sobre una submuestra, lo que convierte tu trabajo en un diseño mixto.

Cómo redactarlo en la metodología

La sección metodológica debe permitir que otra persona repita tu análisis. Un esquema útil incluye: tipo de estudio, fuente y procedimiento de recogida de datos, descripción del corpus final, herramienta y versión utilizada, preprocesamiento, procedimiento de validación y consideraciones éticas. Un ejemplo de redacción:

«Se recopilaron las reseñas públicas en español publicadas entre enero y diciembre de 2025 sobre los alojamientos del destino objeto de estudio. Tras eliminar duplicados y textos en otros idiomas, el corpus final se clasificó mediante la librería pysentimiento (versión indicada en el anexo). Para validar la clasificación, dos codificadores etiquetaron de forma independiente una muestra aleatoria siguiendo un libro de códigos, calculándose el acuerdo interjueces mediante kappa de Cohen y el rendimiento del modelo mediante F1 macro».

Antes de esa sección, la justificación del estudio debe mostrar qué no se sabe todavía sobre el tema; si te cuesta formularlo, esta guía sobre cómo identificar y redactar el vacío de investigación es aplicable a cualquier disciplina.

Ejemplos por disciplina

  • Marketing: percepción de una marca en comentarios de YouTube antes y después de una campaña publicitaria.
  • Turismo: polaridad de las reseñas de un destino por temporada y por aspecto (alojamiento, gastronomía, transporte).
  • Ciencias Políticas: tono de los mensajes publicados por candidatos o partidos durante una campaña electoral.
  • Periodismo: polaridad de los titulares de distintos diarios sobre un mismo acontecimiento.
  • Psicología: expresión emocional en foros públicos sobre bienestar, siempre con especial cuidado ético por tratarse de información sensible.

Si quieres estructurar la metodología y el resto de capítulos de tu trabajo con apoyo, Tesify te ayuda a escribir tu TFG y tu tesis con IA, y con Tesify Bibliografía Automática puedes citar en APA 7 los artículos y las herramientas de software que utilices.

Limitaciones y consideraciones éticas

  • Ironía y sarcasmo: los modelos de análisis de sentimiento tienen dificultades especiales con el sarcasmo, especialmente en español.
  • Contexto cultural: expresiones coloquiales o regionales pueden ser clasificadas erróneamente; menciónalo si tu corpus procede de una zona o comunidad concreta.
  • Sesgo de la fuente: quienes escriben en redes o dejan reseñas no representan a toda la población, así que limita las generalizaciones a los usuarios de esa plataforma.
  • Privacidad: aunque los datos sean públicos, siguen siendo datos personales. Tu metodología debe ajustarse al RGPD y a la Ley Orgánica 3/2018 de Protección de Datos: minimiza los datos, anonimiza las citas textuales y consulta si tu universidad exige informe del comité de ética.
  • Validación manual: valida siempre una muestra de los resultados automáticos con etiquetado manual para reportar la precisión real del método en tu corpus específico.

Preguntas frecuentes

¿Necesito saber programar para hacer análisis de sentimiento en mi TFG?

No necesariamente. Existen herramientas con interfaz visual, como Orange Data Mining, o plataformas comerciales como Talkwalker que no requieren programación. Sin embargo, para tener mayor control metodológico y poder reproducir y documentar exactamente el proceso, aprender Python básico abre muchas más posibilidades y fortalece la sección metodológica de tu TFG.

¿Cuántos textos necesito para un análisis de sentimiento en TFG?

No hay un mínimo universal. Para estudios descriptivos, 200-500 textos pueden ser suficientes para identificar patrones. Para análisis temporales o comparaciones entre grupos necesitarás más. Lo importante es que la muestra sea representativa de tu corpus de estudio y que justifiques el tamaño en tu metodología.

¿Puedo usar ChatGPT como clasificador de sentimiento?

Sí, siempre que lo trates como un instrumento de medición más: documenta el modelo y su versión, la fecha, el prompt exacto y los parámetros, y valida sus resultados con una muestra etiquetada manualmente. Consulta también la normativa de tu universidad sobre el uso de IA generativa en trabajos académicos.

¿Sirve VADER para textos en español?

VADER se diseñó para inglés, por lo que no es la opción adecuada para un corpus en español. Traducir los textos antes de clasificarlos introduce errores difíciles de controlar. Para español es preferible un modelo entrenado en ese idioma, como pysentimiento o modelos basados en BETO.

¿Cómo valido los resultados del análisis de sentimiento?

Etiqueta manualmente una muestra aleatoria siguiendo un libro de códigos, preferiblemente con dos codificadores para calcular el kappa de Cohen. Después compara esas etiquetas con las del modelo y reporta exactitud, precisión, recall, F1 por clase y la matriz de confusión.

¿Cómo cito las herramientas de análisis de sentimiento en APA 7?

Cita el artículo científico que presenta la herramienta, si existe, e indica en la metodología la versión del software utilizada. APA 7 contempla además un formato específico para referenciar software, con autor, año, nombre, versión y URL. No es necesario citar librerías de uso general como Python, aunque sí mencionarlas.

¿Es legal descargar datos de redes sociales para un TFG?

Depende de las condiciones de uso de cada plataforma y del tratamiento que hagas de los datos. Que un contenido sea público no lo excluye del RGPD: recoge solo lo necesario, anonimiza usuarios y citas, almacena los datos de forma segura y consulta con tu tutor si tu universidad exige informe del comité de ética.

Escribe tu TFG o tesis con IA

Pasa de la teoría a tu documento terminado

Tesify estructura, redacta y formatea tu TFG, TFM o tesis en normas APA y Vancouver, con bibliografía automática y verificación antiplagio integrada. Regístrate gratis, sin tarjeta.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Escribe tu TFG o tesis con Tesify — gratis Probar gratis