Del data-driven al data-feeling: análisis de sentimiento en tiempo real de mensajes en español sobre divulgación científica usando técnicas de aprendizaje automático.

Referencias bibliográficas

• Alonso Berrocal, J. L., Gómez Díaz, R., Figuerola, C. G., Zazo Rodríguez, Á. F., & Cordón García, J. A. (2012).
• Propuesta de estudio del campo semántico de los libros electrónicos en Twitter. Scire: Representación y
• Organización Del Conocimiento, 18(2), 87-97. Recuperado de http://eprints.rclis.org/29310/
• Arcila-Calderón, C., Barbosa-Caro, E., & Cabezuelo-Lorenzo, F. (2016). Técnicas Big Data: Análisis de textos
• a gran escala para la investigación científica y periodística. El Profesional de La Información, 25(4), 623-631.
• Doi: 10.3145/epi.2016.jul.12
• Arcila-Calderón, C., Calderín-Cruz, M., & Sánchez-Holgado, P. (2019). Adopción de redes sociales por
• revistas científicas de ciencias sociales. El Profesional de La Informacion, 28(1), 1699-2407. Doi: 10.3145/
• epi.2019.ene.05
• Baker, M. (2015). Social media: A network boost. Nature, 518(7538), 263-265. Doi: 10.1038/nj7538-263a
• Bird, S., Klein, E., & Loper, E. (2009). Natural Language Processing with Python. O’Reilly. Recuperado de
• http://www.nltk.org/book_1ed/
• Bollen, J., Mao, H., & Pepe, A. (2011). Modeling Public Mood and Emotion: Twitter Sentiment and Socio-Economic Phenomena. En: Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media.
• Association for the Advancement of Artificial Intelligence (www.aaai.org). Recuperado de https://www.
• aaai.org/ocs/index.php/ICWSM/ICWSM11/paper/viewPaper/2826
• Bonetta, L. (2009). Should You Be Tweeting? Cell, 139(3), 452-453. Doi: 10.1016/J.CELL.2009.10.017
• Brossard, D. & Scheufele, D. A. (2013). Science, New Media, and the Public. Science, 339(6115), 40-41. Doi:
• science.1232329
• Campos-Freire, F. & Rúas-Araújo, J. (2016). Uso de las redes sociales digitales profesionales y científicas:
• el caso de las 3 universidades gallegas. El Profesional de La Información, 25(3), 431-440. Doi: 10.3145/
• epi.2016.may.13
• Carlos Díaz-Galiano, M., et al. (2019). TASS 2018: The Strength of Deep Learning in Language Understanding
• Tasks. Procesamiento del Lenguaje Natural, 62, 77-84. Doi: 10.26342/2019-62-9
• Cha, M., Benevenuto, F., Haddadi, H., & Gummadi, K. (2012). The World of Connections and Information
• Flow in Twitter. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 42(4),
• -998. Doi: 10.1109/TSMCA.2012.2183359
• Chen, S. C., Yen, D. C., & Hwang, M. I. (2012). Factors influencing the continuance intention to the usage of
• Web 2.0: An empirical study. Computers in Human Behavior, 28(3), 933-941. Doi: 10.1016/J.CHB.2011.12.014
• Côté, I. M. & Darling, E. S. (2018). Scientists on Twitter: Preaching to the choir or singing from the rooftops?
• FACETS, 3(1), 682-694. Doi: 10.1139/facets-2018-0002
• Cruz Mata, F., Troyano Jiménez, J. A., de Salamanca Ros, F., & Ortega Rodríguez, F. J. (2008). Clasificación
• de documentos basada en la opinión: experimentos con un corpus de críticas de cine en español. Procesamiento Del Lenguaje Natural, 41, 73-80. Recuperado de https://core.ac.uk/download/pdf/16361408.pdf
• Darling, E., Shiffman, D., Cȏté, I., & Drew, J. (2013). The role of Twitter in the life cycle of a scientific publication. Ideas in Ecology and Evolution, 6, 32-43. Doi: 10.4033/iee.2013.6.6.f
• Díaz-Galiano, M. C., Martínez-Cámara, E., Ángel García-Cumbreras, M., García-Vega, M., & Villena-Román,
• J. (2018). The democratization of deep learning in TASS 2017. Procesamiento de Lenguaje Natural, 60,
• -44. Doi: 10.26342/2018-60-4
• Dubiau, L. & Ale, J. M. (2013). Análisis de Sentimientos sobre un Corpus en Español: Experimentación con
• un Caso de Estudio. En: 14th Argentine Symposium on Artificial Intelligence, ASAI 2013 (pp. 36-47). Recuperado de http://42jaiio.sadio.org.ar/proceedings/simposios/Trabajos/ASAI/04.pdf
• Fowks, J. (2017). Mecanismos de la posverdad. Lima: Fondo de Cultura Económica.
• García Cumbreras, M. Á., Villena Román, J., Martínez-Cámara, E., Díaz Galiano, M. C., Martín-Valdivia, M. T., &
• Ureña-López, L. A. (2016). Resumen de TASS 2016. En: TASS 2016: Workshop on Sentiment Analysis at SEPLN
• Proceedings (pp. 13-21). Recuperado de http://ceur-ws.org/Vol-1702/tass2016_proceedings_v24.pdf
• Garcia Esparza, S., O’Mahony, M. P., & Smyth, B. (2012). Mining the real-time web: A novel approach to
• product recommendation. Knowledge-Based Systems, 29, 3-11. Doi: 10.1016/J.KNOSYS.2011.07.007
• García Esparza, S., O’mahony, M. P., & Smyth, B. (2012). Mining the real-time web: A novel approach to
• product recommendation. Knowledge-Based Systems, 29, 3-11. Doi: 10.1016/j.knosys.2011.07.007
• Go, A., Bhayani, R., & Huang, L. (2009). Twitter Sentiment Classification using Distant Supervision. Recuperado
• de http://www-cs.stanford.edu/people/alecmgo/papers/TwitterDistantSupervision09.pdf
• Henriquez Miranda, C., & Guzman, J. (2017). A review of sentiment analysis in spanish. Tecciencia, 12(22),
• -48. Doi: 10.18180/tecciencia.2017.22.5
• Hurtado, L.-F., Pla, F., & Buscaldi, D. (2015). ELiRF-UPV en TASS 2015: Análisis de Sentimientos en Twitter.
• En: Workshop on Sentiment Analysis at SEPLN co-located with 31st SEPLN Conference (SEPLN 2015) (pp. 75-79).
• Alicante. Recuperado de http://ceur-ws.org/Vol-1397/elirf_upv.pdf
• Jarreau, P. B. (2015). All the Science That Is Fit to Blog: An Analysis of Science Blogging Practices. Lousiana
• State University. Recuperado de https://digitalcommons.lsu.edu/gradschool_dissertations/1051
• Java, A., Song, X., Finin, T., & Tseng, B. (2007). Why We Twitter: Understanding Microblogging Usage and Communities. En: 9th WEBKDD and 1st SNA-KDD Workshop. San Jose, California: ACM. Doi: 10.1145/1348549.1348556
• Kahle, K., Sharon, A. J., & Baram-Tsabari, A. (2016). Footprints of Fascination: Digital Traces of Public Engagement with Particle Physics on CERN’s Social Media Platforms. PLOS ONE, 11(5), e0156409. Doi: 10.1371/
• journal.pone.0156409
• Kouloumpis, E., Wilson, T., & Moore, J. (2011). Twitter sentiment analysis: The good the bad and
• the omg! Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media
• (ICWSM 11), 538-541. Recuperado de http://www.aaai.org/ocs/index.php/ICWSM/ICWSM11/paper/
• download/2857/3251?iframe=true&width=90%25&height=90%25
• Krippendorff, K. (2004). Reliability in Content Analysis: Some Common Misconceptions and Recommendations. Human Communication Research, 30(3), 411-433. Doi: 10.1111/j.1468-2958.2004.tb00738.x
• Krippendorff, K. (2011). Computing Krippendorff’ s Alpha-Reliability. ScholarlyCommons. University of
• Pennsylvania. Recuperado de http://repository.upenn.edu/asc_papers/43 (no sirve el link)
• Krippendorff, K. & Hayes, A. F. (2007). Answering the Call for a Standard Reliability Measure for Coding
• Data. Communication Methods and Measures, 1(1), 77-89. Doi: 10.1080/19312450709336664
• Kwak, H., Lee, C., Park, H., & Moon, S. (2010). What is Twitter, a social network or a news media? En: Proceedings
• of the 19th international conference on World wide web - WWW ’10 (p. 591). Nueva York: ACM Press. Doi:
• 1772690.1772751
• Lee, K., Palsetia, D., Narayanan, R., Patwary, M. M. A., Agrawal, A., & Choudhary, A. (2011). Twitter Trending
• Topic Classification. En: IEEE 2011 IEEE 11th International Conference on Data Mining Workshops (pp. 251-258).
• Doi: 10.1109/ICDMW.2011.171
• Li, G. & Liu, F. (2012). Application of a clustering method on sentiment analysis. Journal of Information
• Science, 38(2), 127-139. Doi: 10.1177/0165551511432670
• Liang, X., et al. (2014). Building Buzz: (Scientists) Communicating Science In New Media Environments.
• Journalism and Mass Communication Quarterly, 91(4), 772-791. Doi: 10.1177/1077699014550092
• Mandavilli, A. (2011). Trial by Twitter. Nature, 469, 286–287. Recuperado de https://www.nature.com/
• news/2011/110119/pdf/469286a.pdf
• Martínez-Cámara, E., Díaz-Galiano, M. C., García-Cumbreras, A., García-Vega, M., & Villena-Román, J. (2017).
• Resumen de TASS 2017. En: TASS 2017: Workshop on Semantic Analysis at SEPLN Proceeding (pp. 13-21).
• Recuperado de http://www.sepln.org/workshops/tass/.
• Martínez-Cámara, E., Martín-Valdivia, M. T., Ureña-López, L. A., & Montejo-Ráez, A. (2014). Sentiment
• analysis in Twitter. Natural Language Engineering, 20(1), 1-28. Doi: 10.1017/S1351324912000332
• Montenegro, V. & Escudero, H. (2013). Las redes sociales y la difusión de la tecnología y la innovación.
• En: III Congreso Internacional de Comunicación Pública de la Ciencia. Santa Fe , Argentina. Recuperado de
• http://studylib.es/doc/7718559/untitled---copuci-2017
• Narr, S., De Luca, E. W., & Albayrak, S. (2011). Extracting semantic annotations from twitter. En: Proceedings
• of the fourth workshop on Exploiting semantic annotations in information retrieval - ESAIR ’11 (p. 15). Nueva
• York: ACM Press. Doi: 10.1145/2064713.2064723
• O’Connor, B., Balasubramanyan, R., Routledge, B. R., & Smith, N. A. (2010). From Tweets to Polls: Linking
• Text Sentiment to Public Opinion Time Series. En: Association for the Advancement of Artificial Intelligence.
• Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media (pp. 122-129). Recuperado de https://www.aaai.org/ocs/index.php/ICWSM/ICWSM10/paper/viewFile/1536/1842
• Pak, A. & Paroubek, P. (2010). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. En: Proceedings
• of the Seventh conference on International Language Resources and Evaluation (LREC’10) (pp. 1320-1326).
• Recuperado de http://www.lrec-conf.org/proceedings/lrec2010/pdf/385_Paper.pdf
• Pedregosa, F., et al. (2011). Scikit-learn: Machine Learning in {P}ython. Journal of Machine Learning Research,
• , 2825-2830. Recuperado de http://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf
• Pérez-Rodríguez, A. V., González-Pedraz, C., & Alonso Berrocal, J. L. (2018). Twitter como herramienta
• de comunicación científica en España. Principales agentes y redes de comunicación. Communication
• papers: media literacy and gender studies, 7(13), 95-111. Recuperado de https://dialnet.unirioja.es/servlet/
• articulo?codigo=6442315
• Peters, H. P., Dunwoody, S., Allgaier, J., Lo, Y.-Y., & Brossard, D. (2014). Public communication of science 2.0:
• Is the communication of science via the "new media" online a genuine transformation or old
• wine in new bottles? EMBO Reports, 15(7), 749-753. Doi: 10.15252/embr.201438979
• Pont-Sorribes, C., Cortiñas-Rovira, S., & Di Bonito, I. (2013). Challenges and opportunities for science journalists in adopting new technologies: the case of Spain. SISSA-International School for Advanced Studies,
• Journal of Science Communication, 12(3). Doi: 10.22323/2.12030205
• Quiñónez Gómez, H. & Sánchez Colmenares, M. (2016). Uso de Twitter en el periodismo científico. Los
• casos de los diarios El Nacional y El Universal en Venezuela. Question, 1(52), 212-231. Recuperado de
• http://perio.unlp.edu.ar/ojs/index.php/question/article/view/3490
• Ribas, C. (2012). La divulgación y la comunicación de la ciencia, en la encrucijada. Sociedad Española de
• Bioquímica y Biología Molecular (SEBBM), 173, 10-12. Recuperado de https://www.academia.edu/4630023/
• La_comunicación_de_la_ciencia_en_la_encrucijada
• Rosá, A., Chiruzzo, L., Etcheverry, M., & Castro, S. (2017). RETUYT en TASS 2017: Análisis de sentimiento de
• Tweets en Español utilizando svm y cnn. En: TASS 2017: Workshop on Semantic Analysis at SEPLN (pp. 77-83).
• Recuperado de http://arxiv.org/abs/1710.06393
• Saif, H., He, Y., & Alani, H. (2012). Semantic Sentiment Analysis of Twitter. En: Cudré-Mauroux P. et al. (eds).
• The Semantic Web – ISWC 2012. ISWC 2012. Lecture Notes in Computer Science. International Semantic
• Web Conference (ISWC 2012), 7649. 508-524. Doi: 10.1007/978-3-642-35176-1_32
• Segarra-Saavedra, J., Tur-Viñes, V., & Hidalgo-Marí, T. (2017). Uso de Twitter como herramienta de difusión
• en las revistas científicas españolas de Comunicación. En: 7a Conferencia internacional sobre revistas de
• ciencias sociales y humanidades, Revista Mediterrána de Comunicación. Recuperado de http://thinkepi.
• net/notas/crecs_2017/J_16_30_Segarra.pdf
• Sidorov, G. et al. (2013). Empirical Study of Machine Learning Based Approach for Opinion Mining in Tweets.
• En: Batyrshin I., González Mendoza M. (eds.) Advances in Artificial Intelligence. MICAI 2012. Lecture Notes in
• Computer Science, 7629. Springer, Berlin, Heidelberg . Doi: 10.1007/978-3-642-37807-2_1
• Van Zoonen, W. & Van der Meer, Toni, G. L. A. (2016). Social media research: The application of supervised
• machine learning in organizational communication research. Computers in Human Behavior, 63, 132-141.
• Doi: 10.1016/J.CHB.2016.05.028
• Whitman Cobb, W. N. (2015). Trending now: Using big data to examine public opinion of space policy.
• Space Policy, 32, 11-16. Doi: 10.1016/J.SPACEPOL.2015.02.008
• Yerva, S. R., Miklós, Z., & Aberer, K. (2012). Quality-aware similarity assessment for entity matching in Web
• data. Information Systems, 37(4), 336-351. Doi: 10.1016/J.IS.2011.09.007