Valeria Alejandra Goyzueta  
Torres  
Universidad La Salle. Arequipa, Perú.  
Ronald Fabricio Centeno  
Cardenas  
Universidad La Salle. Arequipa, Perú.  
rcentenoc@ulasalle.edu.pe  
agoyzueta@ulasalle.edu.pe  
https://orcid.org/0000-0001-6639-8603  
Victor Andre Ranilla Coaguila  
Universidad La Salle. Arequipa, Perú.  
vranillac@ulasalle.edu.pe  
ARK: ark:/42411/s9/a66  
PURL: 42411/s9/a66  
RECIBIDO 10/07/2022 ● ACEPTADO 02/07/2022 ● PUBLICADO 30/09/2022  
RESUMEN  
El flujo de información surge día a día mediante internet de manera continua gracias a las  
constantes interacciones presentes entre los usuarios, estas interacciones presentan sentimientos  
que pueden ser positivos o negativos. Esto ayuda mucho a los creadores de contenido de las  
redes sociales a comprender cuan útil es lo que ellos hacen para sus seguidores, y es que, si  
estos son un gran número, un análisis hecho por una sola persona no es suficiente. Para ello es  
necesario el uso de herramientas que operan con grandes cantidades de datos como BERT, que  
es un modelo que ayuda al análisis de sentimientos y clasificación de comentarios basados en lo  
que expresa uno de estos. En este trabajo se usará este modelo para la clasificación de  
comentarios de YouTube y clasificación de videos de esta misma plataforma, valorando estos  
videos según su contenido y ayudando a los espectadores a elegir los videos si es que estos lo  
ayudarán con respecto a lo que se encuentran buscando. Se harán además uso de métricas y de  
sugerencias futuras para la propuesta mencionada en este trabajo.  
Palabras claves: Análisis de sentimientos, Comentarios de Youtube, Clasificación de videos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
ABSTRACT  
The flow of information arises day by day through the Internet in a continuous way thanks to the  
constant interactions between users, these interactions present feelings that can be positive or  
negative. This helps social media content creators a lot to understand how useful what they do is  
for their followers, and if these are a large number, an analysis done by a single person is not  
enough. For this, it is necessary to use tools that operate with large amounts of data, such as  
BERT, which is a model that helps analyze sentiments and classify comments based on what one  
of them expresses. In this work, this model will be used for the classification of YouTube  
comments and the classification of videos on this same platform, evaluating these videos  
according to their content and helping viewers to choose the videos if they help them concerning  
what is expected. find searching. This work will also use future metrics and suggestions for the  
proposal.  
Keywords: Sentiment Analysis, Youtube Comments, Video Ranking.  
INTRODUCCIÓN  
La capacidad de adaptación de la tecnología sobre diferentes contextos, no deja atrás a ámbitos  
como la enseñanza y el aprendizaje, pues permite tanto a estudiantes como a maestros ser  
partícipes del intercambio de conocimiento sin importar la distancia ni las limitaciones físicas  
presentes. Este conocimiento viaja de plataforma en plataforma y está siempre presente en donde  
más interacción entre personas ocurre, siendo en la actualidad las redes sociales.  
La vida en las redes sociales es muy amplia y compleja de entender, pero puede resumirse como  
la interacción entre diversos usuarios que intercambian información, intereses y opiniones sobre  
un tema en específico de manera remota. Esta interacción se lleva en mayor medida dentro de  
los comentarios de las publicaciones que realizan otros usuarios, llevando a dar una visión general  
sobre una opinión de un tema en específico que muchas veces no es muy acertada, pues la  
cantidad de información dentro de este mismo es muy diversa.  
Dentro de las plataformas donde más se realiza este intercambio de opiniones se encuentran:  
Facebook, Twitter y YouTube, siendo esta última considerada la plataforma más grande de videos  
en la red, donde se realizan subidas e intercambio de contenido, tanto educativo como de  
entretenimiento. En ella cada minuto se sube un aproximado de 500 horas de videos y más de  
un billón de videos dentro de la misma son visualizados en diversos lugares del globo [2], dentro  
de los cuales se encuentran los videos tutoriales.  
Los videotutoriales son una herramienta que ayudan al fortalecimiento de conocimiento, como la  
aclaración de dudas sobre un tema en específico, que puede ser adquirido en un entorno  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
presencial o simplemente sea un nuevo concepto que quiere ser aprendido. Esta clase de material  
tiene un mismo formato: Un tutor enseñando acerca de un tema que domina, haciendo uso de  
herramientas para facilitar la comprensión de sus instrucciones y convirtiendo su video en un  
material reconocido y adecuado de enseñanza y aprendizaje.  
Gracias al alcance de internet, la propagación de estos materiales se realiza rápidamente y más  
en YouTube, pues es mucho más sencillo transmitir conocimientos mediante videos que haciendo  
empleo de otros sentidos. Cada video que es subido a YouTube es categorizado basándose en su  
contenido, y calificado según ese mismo sobre la base de los usuarios que interactúan con él.  
Todo esto gracias a tres herramientas brindadas por la misma plataforma: los botones de like,  
dislike y los comentarios. La calidad de los videos es determinada por estos indicadores y marcan  
una reputación sobre quien subió este material. Las principales fuentes que determinaban esta  
calidad eran las cantidades que eran brindadas por los botones previamente mencionados, pues  
estos determinaban los niveles de aprobación que poseía un video y cuán útil es con respecto al  
ámbito donde este se enfocaba. Esto hasta el año 2021 se deshabilitó la visualización de la  
cantidad de estos botones, dejando a los usuarios con una vaga idea de la utilidad de un video a  
simple vista.  
Pero haciendo un análisis más profundo, los comentarios dentro de los videos son los que también  
determinan la reputación de cada creador y la calidad de cada video, pues cada comentario  
contiene información valiosa que puede ayudar a la clasificación de un video y su relevancia en  
la plataforma.  
Cada comentario contiene palabras clave que ayudan a identificar una emoción asociada a una  
respuesta de reacción al video, que puede ser tanto positiva como negativa. El hecho de identificar  
estas palabras asociadas a emociones en sencillo, pero cuando la cantidad de datos es  
exponencial, pues estamos hablando de plataformas globales, es necesario el uso de algoritmos  
y métodos de procesamiento de lenguaje natural. Al realizar la segmentación de comentarios en  
dos categorías, basados en palabras clave relacionadas con sentimientos de usuarios, indica la  
relación directa con un área del procesamiento del lenguaje natural (NLP) llamada Análisis de  
Sentimientos (SA). Como su nombre lo indica, su principal objetivo es la extracción de  
sentimientos dentro de comentarios, para esto los comentarios deben ser clasificados con base  
en información puntual u opiniones subjetivas [5].  
El análisis de sentimientos normalmente está compuesto de 4 fases: Extracción de información,  
Procesamiento de data, Clasificación de sentimientos y Presentación de la salida, dentro de los  
cuales el Procesamiento de data es el paso que más esfuerzo requiere, pues envuelve procesos  
como: Preprocesamiento de texto, Feature Extraction y Feature Selection. Una vez completada  
esta fase, la clasificación hace uso de algoritmos de Machine Learning (ML) para realizar una  
clasificación de polaridad de comentarios, que ayudará a la clasificación de videos según su  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
utilidad. Este estudio se enfoca en la obtención de opiniones basadas en los comentarios que son  
manifestados a manera de reacción a los videos tutoriales que son subidos a la plataforma de  
YouTube.  
Para poder determinar su utilidad y realizar la clasificación según esta misma (útil, inútil), además  
de representar las clasificaciones de comentarios en variables numéricas. Para ello, primero se  
realizará un preprocesamiento de información, dejando aquellos comentarios que presenten  
sentimientos positivos o negativos explícitamente involucrados luego haciendo uso de algoritmos  
de procesamiento de lenguaje natural, determinar el porcentaje predominante y concretar la  
primera tarea enunciada, la tarea de clasificación.  
Este trabajo está organizado de la siguiente manera: La introducción, motivación del trabajo, los  
trabajos previos que han sido ejecutados en el área del procesamiento del lenguaje natural, el  
marco teórico, la propuesta que involucra parte de la implementación, los resultados y finalmente  
las conclusiones y recomendaciones aplicables en trabajos posteriores relacionados a este sector  
computacional.  
II. Motivación  
El siguiente trabajo busca desarrollar una herramienta de análisis de sentimientos de comentarios  
que surgen como respuesta a videos tutoriales que son subidos a la plataforma de YouTube, para  
enseñar las palabras más predominantes que indiquen la utilidad de un video a base de su  
contenido y la opinión popular que es generada por los usuarios. Las preguntas que se intentan  
resolver, mediante la elaboración de este trabajo, son las siguientes:  
•
•
•
P1: ¿Qué palabras son las más frecuentes cuando un video es considerado útil por los  
usuarios?  
P2: ¿Qué palabras son las más frecuentes cuando un video es considerado inútil por los  
usuarios?  
P3: ¿Qué porcentaje de comentarios presentan una posición ’neutral’ o ’indefinida’?  
III. Trabajos relacionados  
Para la elaboración de este trabajo hemos recolectado trabajos previos, cuya intención se centra  
en el análisis de sentimientos con base en comentarios emitidos como reacción a videos  
publicados en YouTube: Hanif et al. [3] elaboran un modelo basado en NLP, que se encarga de  
retornar a los usuarios los videos más relevantes y populares dependiendo de los comentarios de  
las personas.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Esta propuesta hace uso de herramientas de preprocesamiento de texto encargadas de extraer  
aquellos caracteres y conjuntos de palabras que son totalmente irrelevantes, como enlaces,  
símbolos, caracteres, emoticones y aquellos comentarios que no se encuentran en el idioma al  
que está orientada la propuesta para poder eliminarlos, además de los signos de puntuación.  
Una vez eliminados los caracteres que no sirven para la propuesta, se procede a generar un  
dataset limpio, con la forma singular de las palabras que conforman los comentarios. A todos los  
adjetivos que conforman los comentarios se les aplicó un POS Tagger, para generar un segundo  
dataset. Sobre la base de estos dos datasets generados, se realizó el análisis de sentimientos,  
que presenta como limitación o como condición determinante del rendimiento, la forma en la que  
los comentarios y las palabras que los conforman son procesadas y el análisis semántico de su  
contenido.  
Otra de las propuestas que hacen análisis de sentimientos dentro de comentarios hacia material  
audiovisual es la propuesta elaborada por Obadimu et al. [11] que si bien no hacen referencia a  
si los comentarios son positivos o negativos como tal, hace énfasis en el análisis de las palabras  
que representan a un sector, que en este caso es la toxicidad dentro de los comentarios de  
YouTube sobre la opinión de una corriente política. Ellos toman en consideración 5 tipos de  
toxicidad.  
1
Haciendo uso de una CNN , se logró determinar cuándo un comentario era tóxico dentro de una  
discusión entre usuarios. Para tokenizar las palabras que forman parte de los comentarios se hizo  
uso de la librería de Python: NLTK. Que es ampliamente utilizada en el área del procesamiento  
del lenguaje natural. El trabajo elaborado por Obadimu et al. presenta sugerencias de sanción  
frente a esta clase de comentarios identificados dentro de Youtube. Cunha et al. [1] nos presenta  
una manera de clasificar los comentarios de un video con base en la influencia que tienen sobre  
los usuarios, la relevancia del video y la calidad visual de este mismo.  
Cada clasificación presenta tres posibles posiciones: positivo, negativo y neutral. Esta propuesta  
hace uso de heurísticas de preprocesamiento de texto para luego aplicar Deep Learning en la  
predicción de las reacciones de los usuarios a ciertos videos manifestadas dentro de los  
comentarios. Los autores sugieren que un preprocesamiento más exhaustivo puede ser necesario  
para poder mejorar la efectividad del modelo propuesto. Singh y Tiwari [12] nos presentan una  
forma de realizar el análisis de comentarios de Youtube haciendo uso de diferentes técnicas de  
Machine Learning y Deep Learning. Además de librerías de Python como: SciKitLearn que ayuda  
a la conversión de la data textual a numérica para poder interactuar con ella a manera de  
vectores. Ellos hicieron uso de tareas clásicas del procesamiento del lenguaje natural:  
Lemmatisation y la remoción de caracteres que no aportarían nada al análisis de sentimientos,  
como los signos de puntuación. Para la parte de clasificación, se usaron diversos algoritmos, entre  
1
CNN : Convolutional Neural Network (Red neuronal convolucional).  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
ellos los 6 más conocidos: Bayes Naives, Support Vector Machine, etc. Haciendo una comparación  
entre ellos, se llegó a la conclusión de que el algoritmo que arroja mejores resultados es el de  
Random Forest, y el que resultados más bajos logró obtener fue el de Naive Bayes, que necesitó  
menos preprocesamiento de texto. Muhammad et al. [10] presenta una clasificación a los  
comentarios de los videos de YouTube combinando los métodos de Naïve Bayes y Support Vector  
Machine (NBSVM) con un enfoque de Clasificación Binaria.  
El uso de estos métodos fue elegido por ellos porque Naïve Bayes es muy bueno en la clasificación  
de textos con un pequeño número de datos, mientras que Support Vector es muy bueno en la  
clasificación de textos con un número relativamente alto de datos. Los resultados obtenidos  
muestran que la combinación de Naïve Bayes y Support Vector Machine produce un mejor nivel  
de precisión y un mayor rendimiento. Sin embargo, la combinación de varios clasificadores no  
siempre aumenta la precisión de las clasificaciones.  
IV. Marco teórico  
Inteligencia Artificial  
La inteligencia artificial hace referencia a sistemas informáticos con la capacidad de hacer  
predicciones o realizar acciones basándose en los patrones de los datos disponibles y poder  
aprender de sus errores para ser más precisos [13]. Una inteligencia artificial avanzada procesa  
la información nueva con suma rapidez y precisión, es por ello que generalmente se puede asociar  
el entendimiento humano a la computadora por medio de este tipo de tecnologías.  
Procesamiento de lenguaje Natural2  
El procesamiento del lenguaje natural es un enfoque de la inteligencia artificial que ayuda a  
interpretar el lenguaje humano a través de algoritmos de análisis de texto y reconocimiento de  
texto [13], haciendo uso de elementos de ciencia y lingüística computacional, para que el lenguaje  
humano sea procesado bajo una correcta comprensión por parte del computador.  
Su importancia radica en ayudar al entendimiento entre un computador y una persona a través  
del lenguaje humano, cooperando así en la realización de múltiples tareas basadas en  
reconocimiento de voz, interpretación y análisis, además de la medición del sentimiento.  
2
NLP : Natural Language Processing (Procesamiento natural del lenguaje).  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Medición de sentimiento  
El análisis de sentimiento hace referencia al uso de NLP, por medio de herramientas basadas en  
lingüística computacional y análisis de texto, para reconocer y sustraer información relacionada  
con los recursos analizados. La medición se realiza basándonos en un tratamiento enfocado en  
relaciones estadísticas y de asociación lingüística que repara en la creación de conclusiones  
referidas a encontrar una meta u objetivos[4].  
3
Para realizar un análisis o medición de sentimiento se utilizan Datasets basados en reseñas,  
opiniones y comentarios, que brindaran una idea determinada al enfoque de análisis impuesto.  
Datasets  
El término DATASET se refiere a un archivo que contiene uno o más registros de información.  
Estos registros son seleccionados y clasificados a base de al enfoque de su aporte. Muchas veces  
estos registros de información se utilizan para almacenar información que necesitan las  
aplicaciones o el propio sistema operativo; Al final se catalogan basándonos en el tipo de  
información al cual se enfocan.  
Al término de su preprocesamiento y su clasificación, son procesados con métodos y técnicas de  
4
5
inteligencia artificial basados en algoritmos CNN, BOW o BERT , para analizar y concluir la  
correcta interpretación de los datos procesados.  
Convolutional Neural Network  
Son un tipo de redes neuronales artificiales donde las neuronas corresponden a campos receptivos  
de una manera muy similar a las neuronas en la corteza visual primaria de un cerebro biológico.  
Este tipo de red es una variación de un perceptrón multicapa, sin embargo, debido a que su  
aplicación es realizada en matrices bidimensionales, son muy efectivas para tareas de visión  
artificial, como en la clasificación y segmentación de texto e imágenes, entre otras aplicaciones  
[13].  
Las CNN aprenden por lo general a reconocer una diversidad de objetos dentro de imágenes [13],  
además de interpretar y entender textos por medio de oraciones y palabras específicas, pero para  
ello necesitan entrenarse con una cantidad importante de muestras, las cuales pueden ser  
3
Dataset : Conjunto de datos.  
BOW : Bag of Words.  
BERT : Bidirectional Encoder Representations For Transformers.  
4
5
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
muchas veces brindadas por un gran banco de información, generalmente conocidos como Big  
data.  
Big data  
Big data se refiere a conjuntos de datos que son demasiado grandes o complejos para ser tratados  
por el software de aplicación de procesamiento de datos tradicional. Los desafíos del análisis de  
big data incluyen la captura de datos, el almacenamiento de datos, el análisis de datos, la  
búsqueda, el intercambio, la transferencia, la visualización, la consulta, la actualización, la  
privacidad de la información y la fuente de datos [13].  
El uso actual del término big data tiende a referirse al uso de análisis predictivos, análisis del  
comportamiento del usuario u otros métodos avanzados de análisis de datos que extraen valor  
de los grandes datos, y rara vez a un tamaño particular de Datasets[4].  
Herramientas más populares en el uso de análisis de sentimientos  
El análisis de sentimientos por lo general consiste en valorar y estimar la disposición de un  
usuario, en relación con sus opiniones; con la finalidad de obtener información que permita  
comprender su postura y reacción respecto a un servicio o producto en específico.  
Por ello se utilizan diversas herramientas de análisis de sentimiento relacionadas con tecnologías  
avanzadas de inteligencia artificial, entre las que se encuentran el enfoque de procesamiento del  
6
lenguaje natural, análisis de frases o textos y data science [7], pero entre las que destacan son  
el uso de estos enfoques a través de redes neuronales recurrentes.  
Es por ello que la mayoría de estas herramientas son desarrolladas de forma modular y su  
7
entrenamiento es desarrollado por la comunidad open source , obteniendo así diversos métodos  
de trabajo basados en el análisis del lenguaje natural para la extracción de datos y el desarrollo  
analítico de sintaxis basándonos en entidades, la detección de sentimiento y la clasificación de  
contenido.  
Entre las herramientas más reconocidas para el desarrollo de NLP con redes neuronales  
recurrentes encontramos:  
6
Data science : Ciencia de datos para identificar, extraer y estudiar información subjetiva.  
Open Source : Software de código abierto y desarrollo libre.  
7
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
a) Gooogle CLoud Platform - Natural Language IA8  
Como su nombre lo refiere, Google creo una herramienta para obtener información de textos no  
estructurados mediante el aprendizaje automático del algoritmo de Google; todo ellos con el  
objetivo de realizar un análisis de texto perspicaz con el aprendizaje automático que extrae,  
analiza y almacena texto, entrene modelos personalizados de aprendizaje automático sin una  
sola línea de código con AutoML y aplique la comprensión de lenguaje natural a las aplicaciones  
con API de lenguaje natural.  
En síntesis, esta herramienta utiliza el análisis de entidades para encontrar y etiquetar campos  
dentro de un documento, luego las analiza para comprender las opiniones de los usuarios,  
encontrando información procesable sobre servicios y productos.  
b) Open IA GPT3  
Open IA desarrollo una ampliación de los modelos de análisis de lenguaje natural que mejora el  
rendimiento de desarrollo de tareas y pocos intentos. Desarrollo GPT3, un modelo de lenguaje  
autorregresivo con millones de parámetros que ayuda a determinar una respuesta sugerente a la  
determinación de sentimientos en el desarrollo de análisis de opiniones y predicciones[6].  
c) BERT  
Bert significa, representaciones de codificador bidireccional de Transformers y es un modelo de  
aprendizaje automático utilizado para tareas NLP. Fue entrenado con Wikipedia en inglés y  
BookCorpus; actualmente existen dos variaciones de BERT preentrenadas, el modelo base de 12  
capas neuronales y otro de 24. En rendimiento, BERT es realmente superado por GPT3 de Open  
IA, pero el acceso limitado a GPT3 obliga a utilizar el enfoque BERT.  
V. Metodología  
Propuesta  
Para este trabajo, un dataset de comentarios de videos de YouTube que son catalogados y  
juzgados por su contenido ha sido utilizado [9]. Para continuar con las tareas propuestas, un  
proceso de limpieza ha sido necesario para poder obtener la información en un formato más  
legible y entendible, además de ordenado al momento de realizar la tarea de clasificación.  
8
Google Cloud Platform : https://cloud.google.com/natural-language  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
La tarea de limpieza se llevará a cabo con librerías de procesamiento de lenguaje natural y  
Machine Learning, eliminando aquellos caracteres que no son de utilidad e interrumpe el  
entendimiento del comentario.  
Para luego obtener los comentarios filtrados y realizar un análisis de sentimientos que permitirá  
la clasificación de comentarios en alguna de las tres clases: positivo, neutral o negativo. Y con  
base en esta clasificación poder clasificar un video según la cantidad de registros presentes en  
una clase Figura 1.  
Figura 1, Pipeline de la propuesta.  
Descripción de la data  
Hemos usado este dataset que se encuentra disponible desde el año 2020, y cuya última  
actualización se llevó a cabo ese mismo año. Estos comentarios han sido extraídos de la Play  
Store de Google, y se enfocan en comentarios de crítica a aplicaciones, que en general suelen ser  
más de 82 billones de aplicaciones. La Tabla 1, enseña los atributos de dataset.  
Tabla 1. Descripción de atributos  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
El archivo pesa un aproximado de 3.45Mb, conteniendo más de 12000 registros dentro de el,  
muestra además una clasificación basa en números del 1 al 5, representado en la Figura 2.  
Figura 2, Clasificación numérica de los comentarios acerca de una aplicación.  
Herramientas  
Para la implementación de la propuesta mencionada anteriormente se ha decidido hacer uso de  
las siguientes herramientas:  
1
. BERT: Ya mencionado anteriormente, la funcionalidad de este modelo bidireccional de  
aprendizaje es de gran utilidad, pues entre las principales tareas que realiza se encuentra la de  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
clasificación de texto basada en los sentimientos que se encuentran dentro de los comentarios.  
Con esta herramienta, dentro de la implementación de esta propuesta se ha usado de manera  
que podamos clasificar los comentarios en tres clases, obteniendo la clase predominante y  
clasificando de esta manera el videotutorial que nosotros hemos seleccionado. Siendo mucho más  
específicos la manera en la que BERT es usado en la implementación de la clasificación de  
comentarios y, por tanto, de videos es en la división de comentarios con base en su contenido  
que ayuda a la clasificación de videos como tales.  
2
. API de YouTube: Esta herramienta es de gran utilidad, pues ayuda a conseguir los comentarios,  
de manera que haciendo uso del resto de herramientas podemos clasificarlos. Podemos decir que  
esta herramienta es la fuente principal de datos que ayudan a poner a prueba lo que se ha  
implementado, haciendo que la propuesta mencionada dentro de este trabajo sea aplicable dentro  
de entornos en la vida real.  
3
. Python: Lenguaje de programación interpretado de tipado fuerte y dinámico, que soporta la  
programación orientada a objetos, la programación funcional y la programación imperativa, usado  
en áreas como el Machine Learning, Deep Learning, Reconocimiento Facial, y otras tareas más.  
Se usa para la construcción de variedad de aplicaciones usadas en cualquier contexto.  
Librerías  
•
•
Numpy: Librería de Python que ayuda en la creación de vectores y matrices de grandes  
proporciones, acompañada de una gran cantidad de funciones de alto nivel que ayudan  
en la interacción con estas estructuras numéricas.  
Pandas: Biblioteca usada para el análisis y manipulación de datos. Es una extensión de  
Numpy. Ayuda en la definición de nuevas estructuras de datos que pueden ser  
accedidas mediante índices o lo que pueden ser nombres para las columnas y  
ubicaciones para las filas. Permite además la operación con estos datos de manera  
rápida y eficiente.  
•
Matplotlib: Es una librería para la generación de gráficas que surgen a base de arrays o  
listas definidas dentro del lenguaje de programación Python. Contiene variedad de  
gráficas y ayudan a la expresión de métricas de manera visual, funcionando de esta  
manera como un complemento para el resto de librerías cuyo centro principal es la  
manipulación directa con información en grandes volúmenes.  
•
•
Seaborn: Similar a Matplotlib, es una librería que se basa en la ayuda de representación  
visual de información en gráficas, el gráfico más usado al utilizar esta librería es el  
histograma.  
Torch: Es una librería open-source enfocada en el Deep Learning y aprendizaje  
automático que acelera el camino desde la creación de prototipos de investigación hasta  
el despliegue de las aplicaciones en un entorno de producción.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
•
•
Transformers: Proporciona APIs para descargar y entrenar fácilmente modelos  
preentrenados de última generación. El uso de estos puede ayudar en la reducción de  
costo computacional, la huella de carbono y ahorrarle tiempo en lugar de realizar un  
entrenamiento desde cero de un modelo que no ha sido entrenado con anterioridad.  
SciKitLearn: Es una librería de aprendizaje automático que soporta algoritmos de  
clasificación, regresión y clustering: SupportVector Machines, Random Forests, Gradient  
Boosting, K-means y DBSCAN). Está diseñada para el poder interactuar con las librerías  
Numpy y Scipy en el ámbito del aprendizaje profundo y automatizado.  
VI. Resultados y Comparativa  
Al hacer uso de dataset ya mencionado, la división que se realiza entre la data para el  
entrenamiento y la data que va a ser evaluada basándonos en el entrenamiento se encuentra en  
una proporción del 80 % dejando el resto de data para la evaluación de la efectividad del modelo.  
Para poder verificar la calidad y el éxito de este modelo se utilizarán métricas que permiten  
evaluar la efectividad de la propuesta de este trabajo:  
•
F1-Score: Es la medida de precisión que tiene un test, hace uso de métricas previas  
como lo son la precisión y la exhaustividad del modelo. Opera con los falsos negativos,  
falsos positivos, verdaderos positivos y verdaderos negativos. Suele ser empleado en  
la fase de prueba de algunos algoritmos, sobre todo en aquellos de clasificación  
(Ecuación 1)  
•
•
Accuracy: O precisión, mide la cantidad de predicciones correctas en relación con el total  
de predicciones realizadas (Ecuación 2).  
Matriz de confusión: Indica la cantidad de elementos que han sido clasificados en sus  
respectivas clases en forma de matriz. De allí su nombre.  
Se ha definido el espacio de trabajo con un aproximado de 6000 registros, que tienen comentarios  
variados, pertenecientes a las tres clases que se han mencionado antes. Como cada comentario  
posee un puntaje que puede estar entre los números 1 a 5, se ha colocado estos indicadores  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
numéricos en indicadores textuales, para poder hacer la tarea de clasificación más sencilla y  
basada enteramente en clases que puedan ser entendidas y no ambiguas:  
•
•
•
1-2: Negativos  
3: Neutrales  
4-5: Positivos  
La distribución de registros se visualiza en la Figura 3.  
Figura 3, Distribución de registros en tres clases textuales.  
Una vez establecidas las tres clases, se procede a hacer la medición del accuracy del modelo,  
cuyo valor numérico es de 0.73 o representado como el 73 %. Y finalmente se procede a calcular  
el F1-score que como se ha mencionado hace uso del accuracy y el recall, donde el puntaje es:  
0
.72 o representado como el 72 %. De la misma manera, la matriz de confusión presenta un alto  
índice de predicción correcta en aquellos comentarios neutrales, como se refleja en la Figura 4.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 4, Matriz de confusión del modelo  
Los datos obtenidos han sido comparados con [8], el cual nos muestra una tabla de resultados  
obtenidos usando dos métodos de extracción de caracteres, Term Frequency-Inverse Document  
Frequency (TFIDF) y vectores de documentos (Doc2vec), y usando métodos de clasificación como  
Random Random Forest (RF), Bootstrap Aggregating (Bagging), Gradient Boosting (GBT), Naïve  
Bayes (NB), Ridge Regression y Linear Support Vector Machine (SVC). Estos datos han sido  
comparados con nuestro resultado obtenido y la comparación se muestra en la Tabla 2.  
Tabla 2. Resultados de diferentes tipos de clasificación.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Aplicación en los comentarios de Youtube  
Una vez entrenado en modelo, procederemos a aplicar este mismo en la clasificación de  
comentarios, para la posterior clasificación de los videos, basándose en la cantidad de  
comentarios predominantes que posea un video. La predominancia de los comentarios ayudará a  
clasificar un video como útil, parcialmente útil y no útil, pues hablamos de tutoriales y estos  
deben de poseer utilidad que será aplicada por el resto de usuarios que miren el video.  
Para la obtención de los comentarios se ha usado una API de YouTube como ya se ha mencionado,  
esto nos ayudará gracias a la implementación que hemos realizado a que obtengamos  
específicamente solo los comentarios y analicemos la cantidad de sentimientos que estos poseen  
de trasfondo. Para esta prueba se han usado tres videos relacionados a la computación y que  
contienen variedad de comentarios que se encuentran dentro de las clases que hemos establecido  
con anterioridad.  
Los tres videos que vamos a usar son los siguientes:  
•
•
•
•
Video 1: Screensaver Not Working in Windows 10 FIX [Tutorial]  
Video 2: How to Enable keyboard in BIOS. 100 % working (HD)  
Video 3: Windows 11 Blue Screen Error Critical Process Died FIX [Complete Solution]  
Video 4: React Hooks Course - All React Hooks Explained  
Cuyos resultados se encuentran reflejados en la Tabla 3, 4, 5 y 6.  
Tabla 3. Resultados del Video 1  
Tabla 4. Resultados del Video 2  
Tabla 5. Resultados del Video 3  
Tabla 6. Resultados del Video 4  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Dejando a los videos con la siguiente clasificación:  
•
•
•
•
Video 1: Parcialmente útil.  
Video 2: Parcialmente útil.  
Video 3: Parcialmente útil.  
Video 4: Útil.  
Conclusiones  
Gracias al uso de herramientas que interactúan con el procesamiento del lenguaje natural como  
lo es BERT se pueden obtener los sentimientos involucrados en una serie de comentarios y que  
gracias a estos se pueden determinar la utilidad de un material audiovisual publicado en la red.  
Este trabajo se enfoca en la clasificación de comentarios haciendo uso del algoritmo BERT  
clasificando videotutoriales basándonos en la clasificación de sus comentarios. Con los resultados  
obtenidos, además de las métricas, encontramos una motivación para un desarrollo futuro de la  
posible futura de la propuesta brindada en este Trabajo utilizando nuevos métodos de clasificación  
o incluso mejorando el propuesto.  
Trabajos Futuros  
Dentro de la elaboración de este trabajo existen variedad de ideas que consideramos pueden ser  
integradas en propuestas futuras que mejoren la precisión de modelo planteado en este escrito.  
Este trabajo se enfoca principalmente en la clasificación de videos sobre la base de sus  
comentarios, que colocan a los sentimientos en tres posibles clases. Las ideas que consideramos  
pueden ser agregadas en trabajos futuros son las siguientes:  
•
El uso de un dataset enfocado en comentarios neutrales, pues estos pueden parecer  
positivos al comienzo, pero su neutralidad puede afectar la clasificación de estos, dando  
resultados que puedan afectar la precisión del modelo.  
•
•
•
Enfoque del modelo en videos específicos, haciendo uso de términos especiales dentro  
de un contexto, por ejemplo: Iteraciones o referencias en un contexto de programación.  
El uso de más clases que puedan considerar los posibles giros que posean los  
comentarios neutrales.  
La forma en la que el modelo es construido puede ser diferente, pues en esta propuesta  
se hace uso de BERT, puede que se use otra herramienta para poder llevar a cabo la  
clasificación de comentarios de manera más efectiva y mejore las métricas, de la misma  
manera generando una matriz de confusión más grande pero más entendible y mucho  
más clara.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Referencias  
[
1] Melissa Carvalho Costa Alexandre Ashade Lassance Cunha and Marco Aurelio C. Pacheco.  
Sentiment analysis of youtube video comments using deep neural networks. In Lecture Notes  
in Computer Science, pages 561–570, 2019.  
[2] Salman Aslam. Youtube by the numbers: Stats, demographics & fun facts. Omnicore, March  
1
4, 2022, https://www.omnicoreagency.com/youtubestatistics/.  
[
3] Hanif Bhuiyan, Jinat Ara, Rajon Bardhan, and Md Rashedul Islam. Retrieving youtube video  
by sentiment analysis on user comment. In 2017 IEEE International Conference on Signal  
and Image Processing Applications (ICSIPA), pages 474–478. IEEE, 2017.  
[4] Steven Bird, Ewan Klein, and Edward Loper. Natural language processing with Python:  
analyzing text with the natural language toolkit. . O’Reilly Media, Inc.", 2009.  
[5] Marouane Birjali, Mohammed Kasri, and Abderrahim Beni-Hssane. A comprehensive survey  
on sentiment analysis: Approaches, challenges and trends. KnowledgeBased Systems,  
2
26:107134, 2021.  
[
6] Tom Brown, Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared D Kaplan, Prafulla Dhariwal,  
Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, et al. Language models  
are few-shot learners. Advances in neural information processing systems, 33:1877–1901,  
2
020.  
[
7] Navoneel Chakrabarty. A machine learning approach to comment toxicity classification. In  
Computational intelligence in pattern recognition, pages 183–193. Springer, 2020.  
8] Jin Ding, Hailong Sun, Xu Wang, and Xudong Liu. Entity-level sentiment analysis of issue  
comments. In Proceedings of the 3rd International Workshop on Emotion Awareness in  
Software Engineering, pages 7–13, 2018.  
[
[9]  
ENOIT  
https://www.kaggle.com/datasets/bdok  
commentsdataset/code?resource=download.  
DURAND.  
500+  
programming  
ytb  
comments.  
/774-programming-ytb-  
Kaggle,  
[
10] Abbi Nizar Muhammad, Saiful Bukhori, and Priza Pandunata. Sentiment analysis of positive  
and negative of youtube comments using naïve bayes–support vector machine (nbsvm)  
classifier. In 2019 International Conference on Computer Science, Information Technology,  
and Electrical Engineering (ICOMITEE), pages 199–205. IEEE, 2019.  
[
11] Adewale Obadimu, Esther Mead, Muhammad Nihal Hussain, and Nitin Agarwal. Identifying  
toxicity within youtube video comment. In International conference on social computing,  
Behavioral-cultural modeling and prediction and behavior representation in modeling and  
simulation, pages 214–223. Springer, 2019.  
[12] Ayushka Tiwari Ritika Singh. Youtube comments sentiment analysis. International Journal of  
Scientific Research in Engineering and Management (IJSREM), 2021.  
[13] Jalaj Thanaki. Python natural language processing. Packt Publishing Ltd, 2017.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935