Análisis De Sentimiento y Minería De Opiniones En Entornos Digitales Mediante Deep Learning: evolución desde modelos secuenciales hasta modelos de lenguaje de gran escala (LLMs)
DOI:
https://doi.org/10.55204/trc.v6i2.e726Palabras clave:
Análisis de sentimiento, Deep Learning, Metodología PRISMA, Modelos de lenguaje de gran escala, explicabilidad algorítmicaResumen
El análisis de sentimiento en entornos digitales ha experimentado una rápida evolución metodológica, transitando desde modelos secuenciales clásicos hacia arquitecturas de aprendizaje profundo (Deep Learning) capaces de comprender el contexto lingüístico humano. Para examinar esta progresión, se realizó una revisión sistemática aplicando el protocolo PRISMA, evaluando estudios empíricos de alto impacto (2020-2025) extraídos de Scopus, IEEE Xplore, Web of Science, etc. Los hallazgos validan la eficacia de estas tecnologías en escenarios reales, destacando su uso en el monitoreo de satisfacción en plataformas de comercio electrónico y la evaluación de tendencias en salud pública. No obstante, la revisión revela un vacío de investigación prioritario: la urgencia de integrar la explicabilidad algorítmica (XAI) desde la concepción del sistema y democratizar estas herramientas hacia lenguas de bajos recursos. Se concluye que el estado del arte actual reside en la combinación de Transformers y Modelos de Lenguaje de Gran Escala (LLMs) con técnicas de adaptación eficiente de parámetros (como LoRA), lo cual ofrece a las organizaciones un equilibrio óptimo entre la máxima precisión predictiva y la viabilidad computacional.Descargas
Referencias
Abdelrahman, A., et al. (2025). Exploring zero-shot SLM ensembles as an alternative to LLMs for sentiment analysis. Information Fusion. https://www.sciencedirect.com/science/article/pii/S1566253525007389
Adak, A., Pradhan, B., & Shukla, N. (2022). Sentiment Analysis of Customer Reviews of Food Delivery Services Using Deep Learning and Explainable Artificial Intelligence: Systematic Review. Foods, 11(10), 1500. https://doi.org/10.3390/foods11101500
Alahmadi, K., Alharbi, S., Chen, J., & Wang, X. (2025). Generalizing sentiment analysis: a review of progress, challenges, and emerging directions. Social Network Analysis and Mining, 15(1), 45. https://doi.org/10.1007/s13278-025-01461-8
Baberwal, S. K., Shelke, N. A., & Anwar, K. (2025). Systematic review of recent advances in multimodal sentiment analysis. Discover Computing, 28(1), 270. https://doi.org/10.1007/s10791-025-09727-7
Bernal-Beltrán, T., Paredes-Valverde, M. A., Salas-Zárate, M. d. P., García-Díaz, J. A., & Valencia-García, R. (2025). Sentiment Analysis in Mexican Spanish: A Comparison Between Fine-Tuning and In-Context Learning with Large Language Models. Future Internet, 17(10), 445. https://doi.org/10.3390/fi17100445
Chae, Y., & Davidson, T. (2025). Large language models for text classification: From zero-shot learning to instruction-tuning. Sociological Methods & Research. https://journals.sagepub.com/doi/10.1177/00491241251325243
Chandan, M. K., & Mandal, S. (2025). A comprehensive survey on sentiment analysis: Framework, techniques, and applications. Computer Science Review, 58, 100777. https://doi.org/10.1016/j.cosrev.2025.100777
Chauhan, S. B., & Mavani, J. M. (2025). Transformer-Based Sentiment Analysis on Amazon Reviews Using Kaggle Dataset. International Journal of Innovative Science and Research Technology, 10(12). https://doi.org/10.38124/ijisrt/25dec103
Cui, J., Wang, Z., Ho, S.-B., & Cambria, E. (2023). Survey on sentiment analysis: evolution of research methods and topics. Artificial Intelligence Review, 56(8), 8469–8510. https://doi.org/10.1007/s10462-022-10386-z
Daza, A., González Rueda, N. D., Aguilar Sánchez, M. S., Robles Espíritu, W. F., & Chauca Quiñones, M. E. (2024). Sentiment Analysis on E-Commerce Product Reviews Using Machine Learning and Deep Learning Algorithms: A Bibliometric Analysis, Systematic Literature Review, Challenges and Future Works. International Journal of Information Management Data Insights, 4(2), 100267. https://doi.org/10.1016/j.jjimei.2024.100267
Hasan, M. A., et al. (2024). Zero- and few-shot prompting with LLMs: A comparative study with fine-tuned models for Bangla sentiment analysis. arXiv. https://arxiv.org/abs/2308.10783
Indriyatmoko, T., Rahardi, M., Utama, H., & Frobenius, A. C. (2026). Comparative Analysis of BERT and LSTM Models for Sentiment Classification of Mobile Game User Reviews. Journal of Applied Informatics and Computing, 10(1), 1093-1100. https://doi.org/10.30871/jaic.v10i1.12149
Jahin, M. A., Shovon, M. S. H., Mridha, M. F., Islam, M. R., & Watanobe, Y. (2024). A hybrid transformer and attention based recurrent neural network for robust and interpretable sentiment analysis of tweets. Scientific Reports, 14(1), 24882. https://doi.org/10.1038/s41598-024-76079-5
Lakshmi, L., Ali, B. M., Sree Devi, K. D., Rafiq, M., Shernazarov, I., Othman, N. A., & Khan, M. I. (2025). Opinion mining in e-commerce: Evaluating machine learning approaches for sentiment analysis. Results in Control and Optimization, 19(7), 100575. https://doi.org/10.1016/j.rico.2025.100575
Lowmanstone, L., Wan, R., Owan, R., Kim, J., & Kang, D. (2023). Annotation Imputation to Individualize Predictions: Initial Studies on Distribution Dynamics and Model Predictions. arXiv. https://arxiv.org/abs/2305.15070v3
Mabokela, K. R., Primus, M., & Celik, T. (2024). Explainable Pre-Trained Language Models for Sentiment Analysis in Low-Resourced Languages. Big Data and Cognitive Computing, 8(11), 160. https://doi.org/10.3390/bdcc8110160
Mabrouk, A., Redondo, R. P. D., & Kayed, M. (2020). Deep Learning-Based Sentiment Classification: A Comparative Survey. IEEE Access, 8, 85616-85638. https://doi.org/10.1109/ACCESS.2020.2992013
Mao, Y., Liu, Q., & Zhang, Y. (2024). Sentiment analysis methods, applications, and challenges: A systematic literature review. Journal of King Saud University - Computer and Information Sciences, 36(4), 102048. https://doi.org/10.1016/j.jksuci.2024.102048
Merayo, N., Vegas, J., Llamas, C., & Fernández, P. (2023). Social Network Sentiment Analysis Using Hybrid Deep Learning Models. Applied Sciences, 13(20), 11608. https://doi.org/10.3390/app132011608
Meshkin, H., et al. (2024). Harnessing large language models' zero-shot and few-shot learning capabilities for regulatory research. Briefings in Bioinformatics, 25(5), bbae354. https://academic.oup.com/bib/article/25/5/bbae354/7739674
Mohammadi, H., Giachanou, A., & Bagheri, A. (2025). Explainability in Practice: A Survey of Explainable NLP Across Various Domains. arXiv preprint, arXiv:2502.00837. https://arxiv.org/abs/2502.00837
Osman, A., et al. (2025). A review on NLP zero-shot and few-shot learning: Methods and applications. Discover Applied Sciences. https://link.springer.com/article/10.1007/s42452-025-07225-5
Rodríguez-Ibáñez, M., Gimeno-Blanes, F. J., Cuenca-Asensi, A., Alonso-García, J. I., &... (2023). A review on sentiment analysis from social media platforms. Expert Systems with Applications, 223, 119862. https://doi.org/10.1016/j.eswa.2023.119862
Venkit, P. N., Srinath, M., Gautam, S., Venkatraman, S., Gupta, V., Passonneau, R. J., & Wilson, S. (2023). The Sentiment Problem: A Critical Survey towards Deconstructing Sentiment Analysis. In Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (pp. 13743–13763). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.emnlp-main.848
Wang, G., & Jaber, M. M. (2025). A Deep Learning Approach to Sentiment Analysis of Hotel Reviews: Comparing BERT and LSTM Models. International Journal of Advances in Artificial Intelligence and Machine Learning, 2(2), 67-74. https://doi.org/10.58723/ijaaiml.v2i2.403
Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 5731–5780. https://doi.org/10.1007/s10462-022-10144-1
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jaime David Camacho Castillo, Ciro Leonidas Flores Arcos, Miguel Ángel Tierra Moyon, Fanny Maricris Orozco Oña, Ángeles Karla Arteaga Pilataxi, Milton Josué Damian Aguilar
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
