1. Introducción

Las expresiones idiomáticas son agrupaciones léxicas, frecuentes en la lengua, caracterizadas por una diversidad sintáctica que puede ir desde una fijación absoluta o fosilización, como en saco de dormir o el cliente siempre tiene la razón, hasta locuciones muy versátiles, como meter la pata, la cual incluso permite la cliticización de su argumento interno, “la pata” (^{Leoni de León, 2008}), a condición de agregar un complemento circunstancial (“meterla hasta el fondo”). A menudo, estas expresiones están cargadas de connotaciones emocionales muy fuertes (lo que denominamos sentimiento), por lo que su realización nos permite identificar la tendencia positiva o negativa de una opinión. Esta tendencia es lo que llamamos polaridad y la transferencia la entendemos como la influencia ejercida por la connotación de la expresión idiomática en la opinión publicada. Es este aspecto del análisis de sentimientos, el que abordamos en la presente investigación y constituye uno de los eslabones de dos proyectos más amplios, uno llamado Análisis de sentimientos: una aproximación híbrida ³ , abocado al desarrollo de estrategias híbridas (es decir, lingüísticas y estadísticas) para el análisis de opiniones en redes sociales, y otro, llamado Evaluación de algoritmos para análisis de sentimiento ⁴ , enfocado en los aspectos meramente computacionales. En esta etapa, obtuvimos evidencias de una posible transferencia de la polaridad asociada a una frase idiomática hacia el texto que la contiene; en su mayoría se trata de frases idiomáticas negativas. Más adelante, ampliaremos la cobertura del método, tomando en consideración una gama mayor de polaridades.

2. ¿Qué es el análisis de sentimientos?

El análisis de sentimientos es un área de investigación que busca identificar y analizar automáticamente opiniones emitidas en foros de Internet o en redes sociales, a propósito de publicaciones específicas enunciadas por un emisor conocido. Siguiendo a ^{Liu y Zhang (2012}), consideramos el análisis de sentimientos como una disciplina orientada al reconocimiento automático de la opinión, los sentimientos, las evaluaciones, las percepciones y las actitudes a propósito de productos, servicios, organizaciones, individuos, asuntos, eventos, temas o sus atributos. De forma general, toda manifestación verbal mediada por una emoción es abarcada dentro del término sentimiento; es importante recordar que un sentimiento está asociado, entonces, a un individuo que emite una opinión, es decir, que comparte públicamente su punto de vista sobre algún aspecto asociado a alguna entidad. Ahora bien, el término entidad está referido a algún producto, servicio, organización, individuo, asunto, evento, tema o sus atributos. La entidad es el sujeto sobre el que se emite la opinión. La característica específica sobre la cual la opinión es emitida es denominada aspecto. Si el aspecto al que se refiere la opinión es la entidad misma, entonces hablamos del aspecto general. De lo contrario, las partes de una entidad, o sus características concretas o abstractas pueden ser los aspectos sobre los que se emite la opinión. Por ejemplo, un producto, como un automóvil, tiene aspectos asociados a características físicas como el tipo de llantas y el color; otros aspectos, más abstractos, son la comodidad al conducir o un precio justo. Entonces, el aspecto general está asociado con una opinión sobre el automóvil propiamente dicho, tal como ocurre en el ejemplo (1):

(1) Me encanta el Audi Q7.

Ahora, si en una de las fuentes de información aparece una noticia como la que se muestra en la , el texto de la noticia expresa el punto de vista del medio de comunicación que la difunde, lo cual puede dar pie a reacciones de los lectores que son publicadas en línea en una serie de intercambios bajo la publicación original. Así, el acceso directo a las opiniones emitidas directamente por los lectores hace muy valioso el análisis de sentimientos, por cuanto permite tomar el pulso de la opinión pública sobre temas específicos; no obstante, la gran cantidad de noticias y comentarios imposibilita realizar manualmente esta labor, de ahí que es necesario desarrollar métodos para emitidos, cada día, en cada uno de los medios, llevarla a cabo automáticamente. El análisis de sentimientos pretende, entonces, identificar y obtener opiniones a partir de comentarios de usuarios de medios informativos a fin de estimar la tendencia del conjunto de opiniones. Siguiendo a ^{Liu y Zhang (2012}), en cada texto que contenga una opinión, esperamos obtener la siguiente información:

la fecha y la hora en que se emitió una opinión son importantes, puesto que un emisor o usuario puede cambiar de punto de vista; variación que se nota en el tiempo.

Figura 1: Ejemplo de noticia publicada en algún medio de comunicación 

La noticia tiende a generar opiniones por parte de los lectores o personas que la leen. Esto genera una serie de comentarios como los que aparecen en la Figura 2. De ellos se pueden obtener entonces opiniones como las expresadas en los Cuadros 2 y 3. El análisis de sentimientos tiene diferentes vertientes, por lo que su estudio ha sido dividido en tareas. El cálculo de la polaridad, como el efectuado en esta investigación, es una de sus tareas primordiales.

Figura 2: Comentarios emitidos como producto del comentario inicial  

3. Antecedentes

La literatura especializada sobre análisis de sentimientos es bastante amplia, en el ámbito de nuestra investigación cabe citar a ^{Liu y Zhang (2012}), a ^{Cambria et al. (2013}) y a ^{Pang y Lee (2004}). Ellos exponen el giro natural en la investigación sobre la lengua inglesa y justifican la necesidad de abarcar otras lenguas. Estas carencias y necesidades también han sido reconocidas por parte de empresas privadas, altamente dependientes de investigación y de desarrollo, como Google⁶, para la cual las Tecnologías del Lenguaje ⁷ son una base importante para sus negocios, de ahí que la incursión en lenguas, otras que el inglés, sea una prioridad. No está de más mencionar que también hay propuestas en el sentido de esquemas para anotación de texto para el reconocimiento unificado de múltiples lenguas (^{McDonald et al., 2013}).

Es importante notar que sobre el español es bastante poco lo que ha sido producido. Generalmente, las propuestas van en el sentido de reproducir métodos desarrollados para el inglés, con resultados más pobres en español (^{Fernández Anta et al., 2012}) o métodos basados en el uso extensivo de traducción automática, que fracasan por concatenación y multiplicación de errores (^{Brooke et al., 2009}). En la mayoría de los experimentos, los nuevos sistemas son comparados contra sistemas basados en clasificadores supervisados (^{Hutto y Gilbert, 2014}). Investigaciones, como las de Fernández Anta et al. (2012), y ^{Batista y Ribeiro (2013}), convierten los textos en bolsas de palabras o grupos de pares de palabras (o incluso sus respectivos pesos) utilizando modelos matemáticos, principalmente estadísticos y vectoriales. Los resultados no son satisfactorios. Por lo tanto, es necesario desarrollar métodos propios, para el análisis de sentimientos, aprovechando las particularidades morfosintácticas y variantes de uso del español.

La extracción de las características para el análisis a partir del texto es uno de los aspectos más importantes de las investigaciones recientes, según lo resaltan ^{Cambria et al. (2013}). La calidad de los clasificadores automáticos y algoritmos de clasificación computacionales dependen de las características identificadas a partir del texto (^{Chenlo y Losada, 2014}). En este caso, la idea fue explorar si la expresión idiomática es una característica importante que puede ser identificada y utilizada para la tarea de identificación de polaridad en análisis de sentimientos.

Nuestra investigación se centra en la identificación de frases idiomáticas a partir publicaciones en una red social, la que nos proveyó comentarios de opinión publicados en línea. Además, procedimos a estimar la polaridad de dichas expresiones idiomáticas, la cual pusimos en relación con la polaridad de los textos (u opiniones) extraídas.

4. Frases idiomáticas

Muchas son las definiciones posibles para el concepto de expresión idiomática, locución o unidad fraseológica (^{Leoni de León, 2008}). Nosotros preferimos basarnos, operativamente, en una definición formal, de manera que para nuestra investigación:

(2) Una frase idiomática es una locución l con uno o más significados S, donde:

|L| ≥ 2

S es arbitrario⁸

Con la definición tenemos que el significado de una frase idiomática no depende del significado de los componentes que la conforman, y siempre estará compuesta por al menos dos términos.

Las frases idiomáticas con las que trabajamos fueron obtenidas en forma automatizada mediante herramientas computacionales desarrolladas ad hoc. En primer lugar recopilamos el corpus CR2013FB utilizando los recolectores de información de la herramienta Sentímetro, tal como se muestra en la Figura 3.

Figura 3: Los comentarios fueron recolectados en forma automática a partir de fuentes en línea. 

Las características del corpus CR2013FB son las siguientes:

El corpus consiste en comentarios de los foros de Facebook¹¹ más populares en el 2012 según el PROSIC (Arce ^{Sanabria, 2012}), específicamente, se trata de los siguientes perfiles:

La comparación entre los volúmenes de comentarios publicados en las versiones web de los medios de comunicación y sus correspondientes perfiles de Facebook, nos motivó a preferir la información en esta red social respecto de los sitios web oficiales. Así, comprobamos que la preferencia de los costarricenses, en el año 2012, decantó más por publicar en Facebook y menos por hacerlo en los foros de las páginas de cada una de las fuentes. Por esta razón, nuestro sistema de recolección (lo que llamamos, el recolector) estuvo focalizado en dichos perfiles de Facebook. Para mantener la privacidad de los usuarios se eliminaron los nombres de los usuarios que expresaron opiniones.

5. Metodología

El procedimiento seguido en este trabajo fue el siguiente:

Con el fin de no tomar la lista de frases idiomáticas del mismo corpus de donde se analizaría su polaridad, se utilizó un grupo de comentarios tomados de las páginas de los diferentes candidatos presidenciales. A este grupo de comentarios se le denominó corpus Candidatos2013 y fue creado de forma similar al corpus CR2013FB. El corpus Candidatos2013, más pequeño, consiste en 227 866 comentarios. De la lista de comentarios fueron extraídas 30 expresiones idiomáticas, las cuales fueron identificadas según su polaridad (positiva o negativa). Únicamente extrajimos 30 expresiones idiomáticas por limitaciones de recursos humanos (anotadores de texto calificados) y de tiempo para llevar a cabo la anotación manual e identificación de la polaridad.

La búsqueda de comentarios que contienen las expresiones idiomáticas implicó la creación de un programa para la indexación de búsquedas por computadora y la realización de búsquedas automáticas de comentarios de opinión mediante consultas en formato de texto. Este motor fue desarrollado específicamente para este proyecto y es un producto importante de la investigación. El primer prototipo del motor permite extraer todos los comentarios que contienen las palabras pertenecientes a la frase idiomática buscada, sin tomar en cuenta ni el orden ni la distancia. Esto con el objetivo de identificar otras variantes posibles de la frase al momento de los analizar los resultados. Los resultados no son deterministas, por lo que no fueron producidas estadísticas a partir de ellos, y brindan, a su vez, una idea de nuevas variantes, por lo que, manualmente, el anotador procedió a identificar variantes para las 30 expresiones iniciales con el fin de expandir las búsquedas. Finalmente, realizamos una valoración de la polaridad asociada a los textos de los comentarios encontrados y determinamos la relación con la polaridad de las frases iniciales.

6. Resultados

De la masa de resultados, extrajimos una muestra de ejemplos típicos que ilustran la relación entre las expresiones idiomáticas y el sentimiento en las opiniones. Cada ejemplo consiste de la frase, la polaridad atribuida y las variantes, si las hay. Luego, incluimos los comentarios donde aparece la expresión. Es muy importante aclarar que la ausencia o presencia de acentuación y los errores corresponden a la ortografía tal y como aparece en el corpus, los textos son copia original de lo digitado por los usuarios. Nuestro primer caso está relacionado con la frase pura habladuría:

frase: pura habladuría polaridad atribuida: negativa consultas incluidas: puro bla bla bla, pura paja, pura habladuría, pura hablada

En el comentario 1566375, aparece una variante de la frase idiomática, “puro bla bla bla”, ejemplo (4). El usuario claramente alude despectivamente a la falta de acción y verborrea inútil por parte de la entidad a la que se refiere. Este comentario es claramente negativo.

Comentario 1566375: Pero como siempre todo se va a ir en pura hablada, no van a disparar ni un misil, esa vara da pereza no se que tanta hablada puro bla bla bla y nada de pla.

El segundo caso está relacionado con la corrupción, ahí aparece la frase “huele a chorizo”:

frase: huele a chorizo polaridad atribuida: negativa consultas incluidas: huele a chorizo

En el comentario 439153, se muestra como el uso de la frase manifiesta la sospecha de cierto grado de corrupción atribuible a la forma de proceder de la entidad a la que se refiere el comentario.

Comentario 439153: Esto huele a chorizo podrido, esto no huele bien, quien sabe a quien quieren favorecer y volver a pisotear a nuestros agricultores, aqui hay gato encerrado...

En el comentario se critica a un jugador por regresar arrepentido de una decisión tomada en el pasado y solicitar una nueva oportunidad, lo que supone una cierta humillación personal atribuida por el usuario al jugador que en este caso es la entidad a la que se dirige la opinión.

frase: pidiendo cacao polaridad atribuida: negativa consultas incluidas: pedir cacao, pide cacao, piden cacao, pidiendo cacao

Variantes: No se encontraron variantes.

Comentario 42795: es un tico que juega en rusia o alemania no se donde..pero en el 2010 dijo que nunca jugaria con Costa Rica y ahora viene a pedir cacao jajaja

La polaridad de (7) y (8) son negativas. No identificamos ninguna variante para la frase idiomática “pidiendo cacao”.

7. Conclusiones y trabajo futuro

Nuestra investigación desarrolló un método basado en el análisis de sentimientos asistido por herramientas computacionales y lo aplicó a un corpus representativo de comentarios de opinión en línea en Costa Rica.

Encontramos evidencia que favorece la hipótesis de que la polaridad presente en las frases idiomáticas se transfiere a los textos de los comentarios donde están presentes, sobre todo si se trata de expresiones idiomáticas negativas. Queda pendiente identificar expresiones idiomáticas positivas, en las que el mismo fenómeno se produzca. Probablemente, esto se debe a fuerte carga connotativa de las propias unidades fraseológicas.

Tenemos muchas tareas pendientes, aparte de la identificación de expresiones ideológicas positivas, como, por ejemplo, reconocer patrones léxico-sintácticos y nuevos caracteres gráficos (como emoticones) asociados con valores específicos positivos o negativos. Esto es natural, tomando en cuenta la complejidad del tema. Así, además, aún debemos aumentar la cobertura del método y utilizarlo como un elemento para determinar toda la gama de la polaridad de comentarios en línea en español, producidos en perfiles de redes sociales frecuentados por costarricenses. Idealmente, esta labor debe ser efectuada en tiempo real.

Notas

Profesor de la Escuela de Ciencias de la Computación e Informática, Universidad de Costa Rica.

Profesor de la Escuela de Filología, Lingüística y Literatura e investigador del Instituto de Investigaciones Lingüísticas.

Inscrito con el código 745-B4048 en el Instituto de Investigaciones Lingüísticas de la Universidad de Costa Rica.

Inscrito con el código 326-B4-149 en el Centro de Investigaciones en Tecnologías de la Información y la Comunicación.

Fuente: https://es-la.facebook.com/ameliarueda/posts/10153261400017923.

URL: http://www.google.com

Programas de computación diseñados para el procesamiento de lenguaje humano.

Es decir, el significado no es composicional.

URL:http://citic.ucr.ac.cr/proyecto/mineria-opinion

La versión en formato de texto del corpus se encuentra disponible en la dirección URL: http://citic.ucr.ac.cr/proyecto/analisissentimiento

URL: http://www.facebook.com

Fuera de circulación. URL original: https://facebook.com/aldiacr