Análisis de Sentimientos y Polarización de Reseñas de Videojuegos a Través de Inteligencia Artificial

Abstract

Los videojuegos generan miles de opiniones en línea cada día, pero comprender realmente qué piensan los usuarios no siempre es sencillo. El análisis de sentimientos no solo ayuda a los jugadores a identificar títulos bien valorados, sino que también puede ser útil en contextos profesionales, como en estudios donde se vinculan bonificaciones de productividad a la recepción crítica de un videojuego. En estos casos, una herramienta capaz de desglosar y evaluar automáticamente las reseñas permitiría establecer métricas más transparentes y centradas en aspectos específicos del producto, más allá de una simple media numérica. Este trabajo presenta una metodología para el análisis automatizado de sentimientos, polarización y calidad de las reseñas de videojuegos generadas por usuarios, utilizando el modelo de lenguaje LLaMA 3.2 (3B) de Meta AI, afinado con la librería Unsloth y un conjunto de 50.000 reseñas anotadas de Kaggle. El enfoque combina modelos de lenguaje de gran escala (LLMs) con técnicas clásicas de recuperación de información como TF-IDF y BM25 para generar resúmenes representativos de las opiniones. Además del análisis de sentimientos basado en aspectos que permite identificar y puntuar dimensiones clave como jugabilidad, gráficos, historia o sonido, el sistema evalúa también la calidad de cada reseña individual, determinando su polaridad (positiva, negativa o neutral) y asignando una calificación de 1 a 10 según su claridad, riqueza argumentativa y nivel de detalle. A partir de estas evaluaciones individuales, el sistema elabora una valoración general del videojuego que no solo refleja la media de opiniones, sino también los aspectos más destacados positiva o negativamente por la comunidad. Para validar la fiabilidad del modelo, se realizó una comparación manual con valoraciones humanas sobre una muestra total de 300 reseñas (20 reseñas evaluadas por 15 personas), lo que permitió contrastar las puntuaciones generadas por la IA con percepciones humanas reales. Los resultados demuestran que el sistema propuesto puede sintetizar con precisión la opinión colectiva de los usuarios, proporcionando una evaluación estructurada, transparente y centrada en múltiples dimensiones del producto.