198
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN 2708-0935
RECIBIDO 25/02/2023 ACEPTADO 23/03/2023 PUBLICADO 30/03/2023
RESUMEN
Actualmente existe una gran cantidad de información circula a través de las redes sociales, esta
no siempre tiende a ser verídica y tratándose de desastres naturales su falsedad podría llegar a
tener bastantes consecuencias como histeria colectiva en la población. Para evitar esto se propuso
un análisis eficiente para la comprobación de tweets con información falsa utilizando algoritmos
de procesamiento de lenguaje natural.
Palabras claves:
Desastres naturales,NLP , sentimientos, Twitter.
ABSTRACT
Currently there is a large amount of information circulating through social networks, this does
not always tend to be true and in the case of natural disasters its falsity could have quite
consequences such as mass hysteria in the population. To avoid this, an ef icient analysis was
proposed to check tweets with false information using natural language processing algorithms.
Keywords:
Feelings, natural disasters, NLP, Twitter.
INTRODUCCIÓN
Las plataformas de redes sociales como Facebook y Twitter se han convertido en herramientas
de comunicación predominantes en la sociedad moderna. Estas plataformas proporcionan un
ARK: ark:/42411/s11/a88
PURL: 42411/s11/a88
quispecah@unsa.edu.pe
https://orcid.org/0000-0001-5584-1593
Patrik Renee Quenta Nina
Universidad Nacional de San Agustín.
Arequipa, Perú.
pquenta@unsa.edu.pe
https://orcid.org/0000-0002-6184-1378
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 1 Marzo-Agosto 2023 ISSN 2708-0935
mecanismo para recopilar datos dinámicos sobre el comportamiento y el sentimiento humanos
[1]. Estudios recientes consideran el uso de las redes sociales durante los desastres naturales,
estudiando principalmente el estado de ánimo de la población o las diversas reacciones del público
durante un incidente específico [1]. Sin embargo es posible captar datos incorrectos debido a que
las personas generan percepciones erróneas sobre los peligros y que su conciencia situacional
general se vea equivocada también cuando se exponen a información falsa o engañosa [1].
Debido al creciente uso de las redes sociales, la vulnerabilidad de las personas a los rumores
falsos está determinada cada vez más por nuevas formas de verificación colectiva de los hechos
y de dar sentido a los riesgos y desastres [2]. La existencia de diversas fuentes oficiales y no
oficiales hacen que información errónea llegue a las personas durante una crisis. Lo cual puede
hacer que juzgar la relevancia y la credibilidad de la información recibida sea una tarea difícil, por
lo tanto, no pueden tomar las medidas de protección adecuadas [2].
Ya se han visto trabajos relacionados como AI-SocialDisaster, este es un sistema de apoyo a la
toma de decisiones para identificar y analizar desastres naturales como terremotos, inundaciones
e incendios forestales utilizando fuentes de redes sociales [3]. Con este software, los estrategas
y planificadores de desastres pueden comprender las características de un desastre en un área
en particular, además de obtener datos como análisis de sentimientos [3].
Debido a la disponibilidad omnipresente de datos en tiempo real, muchas agencias de rescate
monitorean estos datos regularmente para identificar desastres, reducir riesgos y salvar vidas
[4]. Sin embargo, es imposible que los humanos verifiquen manualmente la gran cantidad de
datos e identifiquen desastres en tiempo real [4]. Con este propósito, se han propuesto muchas
investigaciones para presentar palabras en representaciones comprensibles por máquina y aplicar
métodos de aprendizaje automático en las representaciones de palabras para identificar el
sentimiento de un texto [4].
Un claro ejemplo de la propagación de información falsa es “El caso del tifón Mangkhut en China”.
En este caso se realizaron simulaciones de los escenarios reales, de aislamiento y de
empotramiento. En esta simulación se probó la relevancia de la Primera Ley de Tobler en las
redes sociales [5]. De tres escenarios, un escenario real, un escenario de aislamiento y un
escenario de incrustación, se probó que la estrategia de incrustación controlaba mejor la
transmisión de información falsa [5] de esta manera se plantearon sugerencias prácticas a la
hora de filtrar información falsa en un desastre natural. Basándonos en estos casos podemos
afirmar que enseñar a las computadoras cómo entender y hablar lenguajes naturales ofrece una
gran cantidad de beneficios [6].
El subcampo de la IA que hace que las computadoras parezcan inteligentes para comprender y
generar lenguajes como los humanos se llama procesamiento de lenguaje natural [6]. NLP se
centra en la traducción de lenguaje natural, recuperación de información, extracción de