Acceso usuarios
Cusco, Perú
Puno, Perú
Este estudio se centra en la aplicación de algoritmos de inteligencia artificial para el reconocimiento automático de emociones a partir de textos. El objetivo es identificar el algoritmo de clasificación más adecuado para detectar emociones en los textos que comúnmente se expresan en las instituciones de educación secundaria rural de Puno. Se recopilaron 1,150 comentarios textuales mediante una encuesta de autoevaluación emocional, los cuales fueron etiquetados manualmente por evaluadores capacitados y validados mediante consenso. Tras un preprocesamiento que incluyó tokenización, eliminación de stopwords y vectorización TF-IDF, los modelos fueron entrenados y evaluados utilizando Google Colab y la biblioteca scikit-learn. Los resultados revelaron que el algoritmo Random Forest destacó con una precisión del 73.81% y un AUC de 88.67%, superando a otros algoritmos en la identificación de emociones críticas. En conclusión, los hallazgos resaltan la importancia de detectar emociones negativas para mejorar el bienestar estudiantil y sugieren que la inteligencia artificial puede enriquecer la educación rural al identificar grupos de estudiantes con emociones similares, promoviendo así un ambiente escolar positivo y un mejor rendimiento académico.
This study focuses on the application of artificial intelligence algorithms for the automatic recognition of emotions from textual data. The objective is to identify the most suitable classification algorithm for detecting emotions in texts commonly expressed in rural secondary education institutions in Puno. A total of 1,150 textual comments were collected through an emotional self-assessment survey, manually labeled by trained evaluators and validated through consensus.
After preprocessing steps including tokenization, stopword removal, and TF-IDF vectorization, the models were trained and evaluated using Google Colab and the scikit-learn library. The results indicate that the Random Forest algorithm achieved the best performance, with a precision of 73.81% and an AUC of 88.67%, outperforming other algorithms in the identification of critical emotions. In conclusion, the findings highlight the importance of detecting negative emotions to improve student well-being and suggest that artificial intelligence can enhance rural education by identifying groups of students with similar emotional profiles, thereby promoting a positive school environment and improved academic performance.
