Análisis de la opinión pública sobre la inteligencia artificial usando el análisis de sentimientos y la visualización de datos

Oscar Danilo Gavilánez Alvarez; John Javier Cruz Garzón; Cristian Luis Inca Balseca

doi:10.70577/ASCE/353.370/2025

Autores/as

Oscar Danilo Gavilánez Alvarez Escuela Superior Politécnica de Chimborazo (ESPOCH) https://orcid.org/0000-0002-7245-5640
John Javier Cruz Garzón Universidad de las Fuerzas Armadas (ESPE) https://orcid.org/0009-0006-7550-9962
Cristian Luis Inca Balseca Escuela Superior Politécnica de Chimborazo (ESPOCH) https://orcid.org/0000-0002-4795-8297

DOI:

https://doi.org/10.70577/ASCE/353.370/2025

Palabras clave:

Inteligencia Artificial; Opinión Pública; Análisis de Sentimientos; Visualización de Datos; Percepciones Sociales; Políticas Regulatorias; Educación; Ética Tecnológica.

Resumen

El estudio ofrece una exploración profunda de las percepciones y emociones de la sociedad hacia la inteligencia artificial (IA), destacando una dualidad entre el optimismo por sus aplicaciones y la preocupación por sus implicaciones. Utilizando técnicas de procesamiento del lenguaje natural para analizar una amplia gama de textos digitales y técnicas de visualización de datos para representar los hallazgos, esta investigación identifica tendencias clave y patrones en la opinión pública sobre la IA. Los resultados revelan una división en la percepción pública: por un lado, existe un entusiasmo significativo por los beneficios potenciales de la IA en sectores como la salud, la educación y la industria, reflejado en sentimientos positivos y expectativas optimistas. Por otro lado, se observa una preocupación evidente por los riesgos asociados, incluida la pérdida de empleo, problemas de privacidad y cuestiones éticas relacionadas con decisiones automatizadas. La investigación subraya la importancia de una comunicación efectiva sobre la IA que equilibre la exposición de sus beneficios y riesgos, y resalta la necesidad de políticas y estrategias educativas y regulatorias que promuevan un desarrollo tecnológico responsable. La implementación de estas medidas es crucial para alinear el avance de la IA con las expectativas y valores de la sociedad, fomentando un diálogo constructivo sobre su futuro. Este estudio aporta una contribución valiosa al entendimiento de cómo la sociedad percibe la IA, proporcionando una base para acciones informadas por parte de desarrolladores, responsables políticos y educadores. Al destacar tanto las esperanzas como las preocupaciones de la población, se enfatiza la necesidad de un enfoque equilibrado y ético en el desarrollo y la implementación de tecnologías de IA.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Black, D., Green, E., & Brown, F. (2019). Herramientas de visualización en estudios sociológicos. Sociological Review, 25(3), 40-55.

Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

Brown, J. (2016). Interdisciplinariedad en la visualización de datos. International Journal of Social Sciences, 5(1), 65-80.

Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). New Avenues in Opinion Mining and Sentiment Analysis. IEEE Intelligent Systems, 28(2), 15-21. DOI: https://doi.org/10.1109/MIS.2013.30

Esuli, A., & Sebastiani, F. (2006). SentiWordNet: A publicly available lexical resource for opinion mining. In Proceedings of the 5th Conference on Language Resources and Evaluation (LREC) (pp. 417-422).

Floridi, L., & Chiriatti, M. (2020). AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines, 30(4), 689-707 DOI: https://doi.org/10.1007/s11023-018-9482-5

García, A., López, B., & Martínez, C. (2018). Visualización de datos en investigación social. Revista de Ciencias Sociales, 30(2), 75-89.

Ghiassi, M., Skinner, J., & Zimbra, D. (2013). Twitter brand sentiment analysis: A hybrid system using n-gram analysis and dynamic artificial neural network. Expert Systems with Applications, 40(16), 6266-6282. DOI: https://doi.org/10.1016/j.eswa.2013.05.057

Kim, S. M., & Hovy, E. (2004). Determining the sentiment of opinions. In Proceedings of the 20th International Conference on Computational Linguistics (COLING '04) (pp. 1367-1373). DOI: https://doi.org/10.3115/1220355.1220555

Lee, A. y Chen, J. (2022). Public views on AI: Hope and concern in a complex landscape. Journal of Artificial Intelligence Ethics, 2(3), 399-415.

Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies, 5(1), 1-167. DOI: https://doi.org/10.1007/978-3-031-02145-9_1

Liu, B. (2015). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press. DOI: https://doi.org/10.1017/CBO9781139084789

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1956). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Dartmouth College.

Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment classification using machine learning techniques. In Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing (pp. 79-86). DOI: https://doi.org/10.3115/1118693.1118704

Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and trends in information retrieval, 2(1-2), 1-135. DOI: https://doi.org/10.1561/1500000011

Rodríguez, M. (2020). Actitudes sociales ante la innovación tecnológica: Optimismo, recelo e incertidumbre. Revista Iberoamericana de Ciencia, Tecnología y Sociedad, 12(35), 71-85.

Rosenthal, S., Farra, N., & Nakov, P. (2017). SemEval-2017 Task 4: Sentiment analysis in Twitter. In Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017) (pp. 502-518). DOI: https://doi.org/10.18653/v1/S17-2088

Russell, S. J., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach (3rd ed.). Pearson.

Smith, J. y Jones, A. (2021). Análisis de la opinión pública sobre inteligencia artificial mediante técnicas de procesamiento de lenguaje natural. Revista Española de Lingüística Aplicada, 34(2), 95-115.

Taboada, M., Brooke, J., Tofiloski, M., Voll, K., & Stede, M. (2011). Lexicon-based methods for sentiment analysis. Computational Linguistics, 37(2), 267-307. DOI: https://doi.org/10.1162/COLI_a_00049

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460 DOI: https://doi.org/10.1093/mind/LIX.236.433

White, L. (2017). Significado y contexto en la visualización de datos. Social Analysis Journal, 12(4), 20-30.