Desarrollo y evaluación de modelos de análisis de sentimientos en imágenes y textos con IA explicable y propuesta de integración para estudios de mercado

Abstract

Este proyecto propone el desarrollo de un sistema integral de análisis de emociones para estudios de mercado, que combina técnicas de visión por computadora y procesamiento de lenguaje natural. En primer lugar, se implementa un detector de rostros basado en filtros de Haar y detectores en cascada, capaces de identificar rostros en tiempo real con alta precisión. A partir de los rostros detectados, se entrena un modelo de redes neuronales convolucionales (CNN) para la clasificación de expresiones faciales, lo cual permite captar las reacciones emocionales de forma automática. De manera complementaria, se diseña un modelo de análisis de sentimientos en texto, enfocado en interpretar y clasificar las emociones en comentarios textuales. Para garantizar la transparencia y confiabilidad de ambos modelos, se aplican técnicas de IA explicable, lo que permite una comprensión de las características clave que influyen en sus decisiones. Finalmente, se propone un pipeline que integra ambos modelos, el cual se presenta como una herramienta innovadora para estudios de mercado, ya que posibilita el análisis simultáneo de expresiones faciales y comentarios textuales, ofreciendo una perspectiva más completa sobre las percepciones y emociones de los usuarios. Este enfoque busca mejorar la precisión y relevancia de los análisis en el ámbito del mercadeo, contribuyendo al diseño de estrategias más efectivas y alineadas con las necesidades de los consumidores.

This project proposes the development of an integrated emotion analysis system for market research that combines computer vision techniques and natural language processing. First, a face detection module based on Haar filters and cascade classifiers is implemented, enabling real-time face detection with high accuracy. Based on the detected faces, a convolutional neural network (CNN) model is trained for facial expression classification, allowing the automatic capture of emotional reactions. Complementarily, a text-based sentiment analysis model is designed to interpret and classify emotions expressed in textual comments. To ensure the transparency and reliability of both models, explainable artificial intelligence (XAI) techniques are applied, enabling a better understanding of the key features that influence their decision-making processes. Finally, a pipeline that integrates both models is proposed as an innovative tool for market re search, as it allows the simultaneous analysis of facial expressions and textual comments, providing a more comprehensive perspective on users’ perceptions and emotions. This approach aims to improve the accuracy and relevance of analyses in the marketing domain, contributing to the design of more effective strategies aligned with consumer needs.