Análisis de sentimientos en videojuegos
DOI:
https://doi.org/10.32870/recibe.v8i2.137Palabras clave:
Análisis de sentimientos, clasificación, videojuegos.Resumen
Los videojuegos multijugador han existido desde la década de los setenta, pero no es hasta mediados de los noventa, con la evolución de las redes que permiten la comunicación desde cualquier parte del mundo, que adquieren la característica de jugarse en línea, dándole otra dimensión humana al juego ya que se requiere una manera de comunicarse para formular estrategias o simplemente para platicar mientras se juega. La comunicación se puede realizar vía voz o texto a través de una interfaz, y a lo largo del juego se pueden tener conversaciones que van desde las casuales, que tienen que ver con aspectos generales del juego, hasta las agresivas, que incluyen insultos a los demás jugadores. En este artículo se muestran los resultados de aplicar el análisis de sentimientos a 75 conversaciones extraídas de partidas de los videojuegos League of Legends, Overwatch y Heroes of the Storm, 25 están en idioma español, y 50 en inglés; las conversaciones son de longitud variable, la más extensa contiene 440 palabras, mientras que la más pequeña contiene solo 50 palabras. Utilizando Semantría para Excel, un API del software Lexalytics, se creó un diccionario que pudiera ser utilizado para la clasificación de las conversaciones. Las clases se definieron como positivas, negativas o neutrales. Comparando el resultado con la clase dada por el experto, 47 de 75 conversaciones fueron clasificadas correctamente, dando un 62.6% de certeza a la clasificación, en búsqueda de aumentar la certeza de la clasificación se hizo uso de el algoritmo C4.5, en el cual los resultados mostraron el entorno de los implicados en las conversaciones, la certeza se considera podría mejorarse al incluir más conversaciones y un mejor balance en las clases.Citas
Aggarwal C., C. (2015). Data Mining. Switzerland: Springer. doi:10.1007/978-1-4614-3223-4
Brandwatch. (s.f.). Brandwatch Analytics. Recuperado el 16 de 04 de 2019, de https://www.brandwatch.com/es/products/analytics/
Fang, X., & Zhan, J. (2015). Sentiment analysis using product review data. Journal of Big Data, 2, 14. doi: 10.1186/s40537-015-0015-2
Harris, B. (2014). Console Wars: Sega Vs Nintendo-and the Battle that Defined a Generation. Atlantic Books Ltd.
Lexalytics. (s.f.). Data Analytics with NLP & Text Analytics. Recuperado el 20 de 04 de 2019, de https://www.lexalytics.com/technology/summarization
Mat Zin, H., Mustapha, N., Azmi Murad, M., & Mohd Sharef, N. (2017). The Effects of Pre-Processing Strategies in Sentiment. AIP conference proceedings, 20-89. doi:10.1063/1.5005422
Meaningcloud. (s.f.). Meaningcloud Sentiment Analysis in Excel. Recuperado el 03 de 04 de 2019, de https://www.meaningcloud.com/developer/excel-addin/doc/3.4/sentiment-analysis
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications. A survey. Ain Shams engineering journal, 5, 1093-1113. doi:10.1016/j.asej.2014.04.011
Navok, P., Ritter, A., Rosenthal, S., Sebastiani, F., & Stoyanov, V. (2016). SemEval-2016 Task 4: Sentiment Analysis in Twitter. Proceedings of the 10th international workshop on semantic evaluation (semeval-2016), 1-18. doi:10.18653/v1/S16-1
Riot, G. (27 de Octubre de 2009). League of Legends. USA. Obtenido de https://lan.leagueoflegends.com/es/game-info/
Rosenthal, S., Farra, N., & Nakov, P. (2017). SemEval-2017 Task 4: Sentiment Analysis in Twitter. Proceedings of the 11th international workshop on semantic evaluation, 502-518. doi:10.18653/v1/S17-2088
Steven, K. (2016). The Ultimate History of VideoGames. B DE BOOKS.
Strååt, B., & Verhagen, H. (2017). Using User Created Game Reviews for Sentiment. GHITALY@ CHItaly.
Suca, C., Córdova, A., Condori, A., Cayra, J., & Sulla, J. (2016). Comparación de algoritmos de clasificación para predicción de casos de obesidad infantil. Perú: Universidad Nacional de San Agustín.
Waikato, U. d. (31 de 10 de 2011). Weka. Nueva Zelanda: GNU-GPL.