Cómo hacer un análisis de sentimiento para el TFG (2026)
Cómo hacer un análisis de sentimiento para el TFG depende de cinco decisiones: definir la pregunta de investigación, recoger un corpus de texto (reseñas, tuits, respuestas abiertas de encuesta), elegir entre un enfoque léxico o de machine learning, aplicar la herramienta y, por último, interpretar los resultados con sus limitaciones. Esta guía recorre el proceso completo con ejemplos aplicables a un trabajo académico en español.
Respuesta rápida: El análisis de sentimiento consiste en clasificar automáticamente un texto como positivo, negativo o neutro. Para un TFG, lo habitual es recoger un corpus de texto (reseñas de producto, comentarios en redes o respuestas abiertas de una encuesta), aplicar un léxico de polaridad en español o un modelo de machine learning entrenado, y validar manualmente una muestra para comprobar la fiabilidad antes de sacar conclusiones.
¿Qué es el análisis de sentimiento?
El análisis de sentimiento (o análisis de opinión) es una técnica de procesamiento del lenguaje natural que clasifica un fragmento de texto según la polaridad emocional que expresa: positiva, negativa o neutra. Algunas herramientas más avanzadas también detectan emociones específicas (alegría, enfado, tristeza) o matices como la ironía, aunque esta última sigue siendo un reto incluso para los modelos más recientes.
En un TFG suele aplicarse sobre corpus como reseñas de producto o servicio, comentarios en redes sociales, respuestas abiertas de encuestas o transcripciones de entrevistas, cuando el volumen de texto es demasiado grande para codificarlo manualmente por completo.
¿Cuándo tiene sentido usarlo en un TFG?
El análisis de sentimiento aporta valor cuando tu pregunta de investigación busca medir tendencias generales de opinión sobre un tema, marca o evento, y dispones de un volumen de texto suficientemente grande (cientos o miles de unidades) como para que un análisis manual completo no sea viable en el tiempo disponible.
No es la técnica adecuada si tu objetivo es comprender en profundidad el significado o el contexto de un pequeño número de respuestas: en ese caso, un análisis temático de entrevistas o una codificación cualitativa manual suelen ofrecer más matiz interpretativo.
Paso 1: definir la pregunta de investigación
Antes de tocar ninguna herramienta, formula con precisión qué quieres medir. No es lo mismo preguntar “¿cuál es la opinión general sobre X?” que “¿ha cambiado la opinión sobre X tras un evento concreto?” o “¿difiere el sentimiento entre dos grupos de usuarios?”. La pregunta determina qué corpus necesitas y qué nivel de granularidad (documento, frase, aspecto concreto) debe tener el análisis.
Paso 2: recoger el corpus de datos
Las fuentes más habituales en un TFG son:
- Reseñas de producto o servicio: plataformas como Google Maps, Amazon o TripAdvisor, respetando siempre sus términos de uso y las condiciones de acceso a datos.
- Redes sociales: comentarios o publicaciones públicas relacionadas con el tema de estudio, obtenidos mediante las API oficiales cuando estén disponibles.
- Respuestas abiertas de encuesta: si has diseñado tu propio cuestionario, puedes consultar nuestra guía sobre cómo hacer una encuesta con Google Forms para el TFG para incluir preguntas abiertas analizables.
Sea cual sea la fuente, documenta en la metodología cómo se recogió el corpus, el periodo temporal cubierto y los criterios de inclusión y exclusión, porque un tribunal evaluará la trazabilidad de los datos tanto como los resultados.
Paso 3: elegir herramienta (léxico vs machine learning)
Existen dos grandes familias de herramientas para el análisis de sentimiento en español:
- Enfoque léxico: diccionarios de palabras con polaridad asignada (positiva, negativa, neutra) que puntúan un texto sumando la carga de cada palabra que contiene. Ejemplos usados en investigación en español incluyen léxicos como el ML-SentiCon o listas adaptadas de SentiWordNet.
- Machine learning / deep learning: modelos entrenados con grandes cantidades de texto etiquetado que aprenden a predecir la polaridad a partir de patrones, no de un diccionario fijo. En Python, librerías como spaCy o NLTK permiten construir o aplicar estos modelos, y existen modelos preentrenados en español disponibles en repositorios abiertos como Hugging Face.
Para estudiantes sin experiencia en programación, también existen herramientas no-code con interfaz gráfica que permiten cargar un archivo de texto y obtener una clasificación de sentimiento sin escribir código, aunque suelen ofrecer menos control sobre el idioma y el dominio específico del análisis.
Tabla: enfoque léxico vs machine learning
| Criterio | Enfoque léxico | Machine learning |
|---|---|---|
| Requiere programación | Poca o ninguna | Recomendable (Python) |
| Transparencia del resultado | Alta (se puede auditar palabra por palabra) | Baja-media (caja negra en modelos complejos) |
| Precisión en textos coloquiales/irónicos | Limitada | Mejor si el modelo está bien entrenado |
| Necesita datos etiquetados previos | No | Sí, para entrenar o afinar el modelo |
| Curva de aprendizaje | Baja | Media-alta |
Paso 4: aplicar el análisis
Con el corpus limpio (sin duplicados, con el texto normalizado y sin metadatos irrelevantes) y la herramienta elegida, el proceso general es:
- Preprocesar el texto: eliminar caracteres especiales, unificar mayúsculas/minúsculas y, si procede, eliminar palabras vacías (stopwords).
- Aplicar el léxico o el modelo sobre cada unidad de texto (reseña, tuit, respuesta).
- Obtener una puntuación o etiqueta de polaridad por unidad.
- Agregar los resultados para responder a tu pregunta de investigación (por ejemplo, porcentaje de comentarios positivos por periodo o grupo).
Paso 5: interpretar y validar resultados
Ningún análisis de sentimiento automático es perfecto. Antes de presentar los resultados como definitivos, valida una muestra aleatoria (por ejemplo, el 10% del corpus) leyéndola manualmente y comparando tu criterio humano con la clasificación de la herramienta. Esto te permite reportar una medida de acuerdo o precisión aproximada y, sobre todo, detectar patrones de error sistemático, como la mala interpretación de la ironía o el sarcasmo.
Los porcentajes y ejemplos numéricos de esta sección son ilustrativos y no proceden de un estudio empírico publicado; en tu TFG deberás calcular tus propias cifras a partir de tu corpus real.
Limitaciones y uso responsable de la IA
Si utilizas herramientas basadas en inteligencia artificial generativa o modelos preentrenados como apoyo en el análisis de sentimiento, documenta explícitamente en el apartado de metodología qué herramienta usaste, con qué versión y para qué tarea concreta, siguiendo las normas de integridad académica de tu universidad. El análisis de sentimiento es una técnica de apoyo, no un sustituto del juicio crítico del investigador: los resultados deben interpretarse siempre en el contexto del corpus y del tema de estudio, no como una verdad automática.
Preguntas frecuentes
¿Qué herramientas gratuitas existen para análisis de sentimiento en español?
Para un enfoque léxico puedes usar diccionarios de polaridad en español disponibles en repositorios académicos abiertos. Para un enfoque de machine learning, librerías de Python como NLTK y spaCy son gratuitas y cuentan con modelos y recursos adaptados al español.
¿Necesito saber programar para hacer un análisis de sentimiento en mi TFG?
No es imprescindible. Existen herramientas no-code con interfaz gráfica que permiten cargar texto y obtener clasificaciones de sentimiento sin programar, aunque un enfoque con Python ofrece más control sobre el idioma y el dominio de análisis.
¿Cómo valido la fiabilidad de un análisis de sentimiento automático?
Revisando manualmente una muestra aleatoria del corpus y comparando tu clasificación humana con la de la herramienta. Reportar este proceso de validación en la metodología refuerza la credibilidad de tus resultados ante el tribunal.
¿El análisis de sentimiento detecta bien la ironía o el sarcasmo?
Es una de las principales limitaciones de la técnica, tanto en enfoques léxicos como de machine learning. La ironía y el sarcasmo suelen invertir la polaridad aparente de una frase, y las herramientas automáticas cometen errores frecuentes en este tipo de texto, por lo que conviene revisar manualmente los casos dudosos.
¿Puedo combinar análisis de sentimiento con análisis temático en el mismo TFG?
Sí, es una combinación habitual en investigación de métodos mixtos: el análisis de sentimiento ofrece una visión cuantitativa de la polaridad general, mientras que el análisis temático profundiza en el contenido y el contexto de un subconjunto de respuestas seleccionadas.
Organiza y cita tu investigación con Tesify
Documentar correctamente la metodología y las fuentes usadas en un análisis de sentimiento es tan importante como los resultados en sí. Tesify te ayuda a mantener la integridad académica de tu TFG, revisando la coherencia metodológica y generando la bibliografía en el estilo que necesites. Si vas a gestionar las referencias de tu marco teórico, revisa también nuestra guía sobre cómo usar Mendeley paso a paso, y si prefieres codificar entrevistas sin software especializado, consulta cómo codificar entrevistas a mano sin software.
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.
Leave a Reply