Saltar al contenido principal
LibreTexts Español

4.10: Estudio de caso - La minería de datos de sentimiento predice resultados políticos

  • Page ID
    67191
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    \( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)

    ( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\id}{\mathrm{id}}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\kernel}{\mathrm{null}\,}\)

    \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\)

    \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\)

    \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    \( \newcommand{\vectorA}[1]{\vec{#1}}      % arrow\)

    \( \newcommand{\vectorAt}[1]{\vec{\text{#1}}}      % arrow\)

    \( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vectorC}[1]{\textbf{#1}} \)

    \( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)

    \( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)

    \( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    Resumen de una línea

    BrandsEye, es una compañía minera de opinión con sede en Sudáfrica, que predijo con precisión dos resultados políticos significativos en 2016, superando a los métodos tradicionales de sondeo y mostrando el valor de analizar el análisis de redes sociales a escala.

    El problema

    El polémico referéndum que resultó en que Gran Bretaña abandonara la Unión Europea, y la victoria electoral del candidato republicano Donald Trump en la carrera presidencial de Estados Unidos en 2016, podría decirse que llegaron como sorpresas para la comunidad global. Esto se debe en gran parte a que los métodos tradicionales de sondeo utilizados para predecir los resultados de estas votaciones nacionales separadas indicaron que ninguna de estas cosas sucedería.

    El Centro de Investigación Pew enumeró una serie de razones por las que los métodos tradicionales de sondeo se quedan cortos:

    • Sesgo de no respuesta: La población muestral que participó en estas encuestas no fue representativa de quienes realmente resultaron votar.
    • Trumper tímido: Elegir votar por Trump no se veía como socialmente deseable, y muchos no lo admitirían en la encuesta.
    • Participación fallida de votantes: Muchas personas que planeaban votar, y manifestaron sus intenciones en las encuestas, de hecho no lo hicieron (Press 2016).

    La solución

    La metodología de BrandsEye, en ambos casos, predijo con precisión los resultados de estos votos porque se basaba en conversaciones orgánicas en tiempo real que sucedían en múltiples plataformas en línea, y utilizó el aprendizaje automático y un enfoque de crowdsourcing para analizar el sentimiento de la conversación general. Quienes pudieron haber sido reticentes a participar en una encuesta, o a declarar sus afiliaciones políticas en canales oficiales, sí se sintieron cómodos haciéndolo en sus propios canales de redes sociales.

    Como se explica en el sitio web de BrandsEye,

    “... el enfoque tradicional del análisis de redes sociales ha sido impulsado algorítmicamente, aunque es bien sabido que las máquinas no entienden el sarcasmo y los matices, particularmente en el contexto de las redes sociales. Con nuestro enfoque único de crowdsourcing para el análisis de sentimientos, BrandsEye utilizó a la gente para entender el comentario del referéndum. Cada comentario en línea fue analizado independientemente por varios colaboradores capacitados para crear un nivel de confianza del 95% con un margen de error de 2.5%, una cantidad inaudita de precisión en el análisis de redes sociales. (N.A. 2016)”

    clipboard_e6d00494d814b0792711cf98ab57e2c94.png
    Figura\(\PageIndex{1}\): La precisión de BrandsEye supera a las encuestas en las elecciones presidenciales de Estados Unidos de 2016 Adaptado de Brandseye, 2016

    Los resultados

    Los resultados hablan por sí mismos. En contraste con las encuestas tradicionales, el enfoque promedio ponderado de BrandsEye, coincidió con el resultado de 9 de los 11 estados clave de oscilación. Al igual que con el Brexit, un análisis preciso de las redes sociales había demostrado una vez más ser la mejor manera de entender la voz de la gente. Esa voz es una voz humana y el uso de BrandsEye de humanos entrenados para comprender de manera eficiente y efectiva el sentimiento de millones de ciudadanos fue la clave para desbloquear cómo se sentían realmente.

    A medida que el mundo se vuelve más conectado, las diferencias entre los tomadores de decisiones y sus partes interesadas son cada vez más visibles y volátiles que nunca. Los métodos tradicionales de entender a un amplio grupo de personas se están desmoronando porque no pueden medir la intensidad ni el compromiso de las emociones. Sin embargo, el análisis sofisticado de las redes sociales ofrece una comprensión más confiable de lo que está sucediendo en el mundo actual al combinar tecnología de clase mundial y comprensión humana para brindar una ventana a cómo se siente realmente la gente y los factores que impulsan esa emoción.


    This page titled 4.10: Estudio de caso - La minería de datos de sentimiento predice resultados políticos is shared under a CC BY-NC-SA 3.0 license and was authored, remixed, and/or curated by Rob Stokes via source content that was edited to the style and standards of the LibreTexts platform; a detailed edit history is available upon request.