Sistema modular para el análisis semiautomático de emociones en discursos

EmoParse es una arquitectura automatizada que integra herramientas de procesamiento de lenguaje natural, modelos de lenguaje de gran escala (LLMs) y reglas semióticas para detectar, caracterizar y visualizar emociones discursivas. Está diseñado para facilitar el análisis crítico de textos, tanto desde la perspectiva retórica como enunciativa y afectiva.

Este sistema busca automatizar el análisis emocional de discursos complejos, respetando las especificidades del lenguaje, el contexto y los modos en que se inscriben las emociones. Su modularidad permite adaptarlo a diferentes tipos de texto y expandirlo progresivamente. Pretende ser un aporte metodológico para investigaciones en análisis del discurso, ciencias sociales, estudios emocionales y lingüística computacional.

EmoParse está organizado como una cadena de módulos funcionales. Cada módulo opera de forma autónoma, pero está integrado dentro de una pipeline general documentada y reproducible (aún en fase de prueba de módulos):

• Descarga discursos desde sitios web estructurados.
• Genera una base con metadatos como autor, fecha, medio, etc.

• Limpieza, segmentación y análisis gramatical (POS, lemas, dependencias).
• Extracción de entidades y sujetos implícitos.
• Identificación de nominalizaciones y otros recursos.

• Resumen global y por secciones mediante LLM.
• Proporciona contexto clave para análisis enunciativo y emocional.

• Módulos que identifican tipo de discurso, lugar, enunciador y enunciatarios usando LLMs y diccionarios conceptuales.

• Usa LLM para detectar actores explícitos o inferibles por frase.

• Clasifica emociones dichas, mostradas, sostenidas e inducidas.
• Asocia emociones a actores específicos.
• Identifica efectos emocionales sobre el destinatario.

Actualmente se están evaluando dos posibles implementaciones:

1. Función general
   Detecta emociones del enunciador, enunciatarios y actores en un solo prompt. Permite un análisis rápido y centralizado, útil para pruebas iniciales o textos de menor complejidad.

2. Función separada por roles
   Detecta emociones del enunciador, enunciatarios y actores con prompts separados. Aporta mayor granularidad y efectividad en la detección, permitiendo un análisis más detallado de cada actor y su relación emocional con el discurso.

• Atributos (MVP): foria (tonalidad), dominancia, intensidad, fuente.
• Expandible a otros atributos.
• Categorización computacional basada en inferencias semióticas.

• Cruza resultados con diccionarios de compatibilidades.
• Genera alertas ante contradicciones semánticas o estructurales.

• Registro transparente del camino de clasificación por frase.

• Base final con una línea por emoción, frase y actor.
• Estructura lista para análisis cuantitativo o visualización.

• Curvas emocionales frase a frase.
• Seguimiento de la evolución afectiva del enunciador, destinatario y actores.

Actualmente se encuentran optimizadas las funciones de:

• Identificación de metadatos, actores y emociones.
• Caracterización de emociones.
• Reprocesamiento de errores y postprocesamiento.

Próximamente se optimizarán las funciones específicas de normalización de resultados, clusterización y clasificación, verificación y visualización.

EmoParse/
│
├── main.ipynb # Notebook principal de ejecución
├── ini.bat # Inicia entorno desde CMD o Anaconda Prompt
├── requirements.txt # Librerías necesarias
├── README.md # Este archivo
├── arquitectura_modular.md # Detalle de cada módulo
├── marco_teorico.md # (Próximamente)
│
├── data/ # CSVs con datos procesados
├── errors/ # Registro de errores
├── logs/ # Logs de ejecución
├── modulos/ # Módulos funcionales
│ ├── init.py
│ ├── caracterizacion_emociones.py
│ ├── deteccion_emociones.py
│ ├── diccionario_compatibilidades.py # (Próximamente)
│ ├── diccionario_conceptual.py # (Próximamente)
│ ├── driver_utils.py
│ ├── enunciacion.py
│ ├── extraccion_fragmentos.py
│ ├── identificacion_actores
│ ├── metadatos
│ ├── modelo
│ ├── parsers
│ ├── paths
│ ├── postprocesamiento_actores
│ ├── preprocesamiento
│ ├── prompts
│ ├── recursos
│ ├── reprocesamiento_emociones
│ ├── reprocesamiento
│ └── resumen
│ └── schemas
│ └── scraping_utils
│ └── tipos_discurso
│ └── utils_io
│ └── webscraping

1. Crear entorno con Python 3.10

conda create -n ag_env2 python=3.10

2. Correr el archivo ini.bat

ini

1. Crear entorno con Python 3.10

conda create -n ag_env2 python=3.10

2. Activar el entorno

conda activate ag_env2

3. Instalar pip

conda install pip

4. Instalar PyTorch con CUDA (cu118) desde el índice oficial de PyTorc

pip install torch==2.1.0+cu118 torchvision==0.16.0+cu118 torchaudio==2.1.0+cu118 -f https://download.pytorch.org/whl/torch_stable.html

5. Instalar todo desde requirements.txt con pip

pip install -r requirements.txt

6. Instalar stanza

pip install stanza

7. Descargar recursos adicionales necesarios

python -m nltk.downloader punkt
python -m nltk.downloader averaged_perceptron_tagger
python -m nltk.downloader stopwords
python -m nltk.downloader wordnet
python -m nltk.downloader omw-1.4

8. Descargar modelos de procesamiento de lenguaje

python -m spacy download es_core_news_sm
python -m spacy download es_core_news_md
python -m stanza.download es

9. (Opcional) Instalar jupyterlab para trabajar en notebooks

conda install -y jupyterlab

10. Lanzar Jupyter Lab

jupyter lab

Nota: actualmente requiere instalación de Ollama y download de LLMs (GPT-OSS:20b, Mistral, etc.).

Webscraping (scrap_discursos)

• Scrapea discursos desde webs paginadas.
• Devuelve DataFrame con título, fecha, contenido, etc.

Preprocesamiento (generar_recortes, filtrar_discursos, procesar_textos)

• Genera frases por discurso.
• Filtra discursos con pocas frases.
• Procesa morfosintácticamente los textos.

Resumen (resumir_dataframe)

• Segmenta discursos en fragmentos temáticos.
• Resume con LLM fragmentos y luego redacción global.

Metadatos (procesar_metadatos_llm) y Enunciación (procesar_enunciacion_llm)

• Detectan tipo de discurso, enunciador, enunciatarios y lugar.
• Usan prompts y un diccionario conceptual.

Actores por contexto (identificar_actores_con_contexto)

• Detecta actores implícitos y explícitos por frase.
• Cruza contexto global, ontología y heurísticas.
• Usa LLM (por defecto, GPT-OSS:20b vía Ollama).

Detección de emociones (identificar_emociones_con_contexto / identificar_emociones_todas)

• Clasifica emociones dichas, mostradas, sostenidas e inducidas.
• Asocia emociones a actores específicos.
• Identifica efectos emocionales sobre el destinatario.
• Dos posibles implementaciones:
  1. Función general: detecta emociones de enunciador, enunciatarios y actores en un solo prompt. Útil para pruebas iniciales o textos de menor complejidad.
  2. Función separada por roles: detecta emociones con prompts distintos para enunciador, enunciatarios y actores. Aporta mayor granularidad y efectividad en la detección.

Caracterización emocional (caracterizar_emociones_todas)

• Clasifica y atribuye atributos emocionales a cada emoción detectada en el discurso.
• Funciona sobre emociones ya identificadas, considerando el experienciador y la justificación de la emoción.
• Atributos principales:
  • Foria: tonalidad afectiva de la emoción (eufórico, disfórico, afórico, ambifórico).
  • Dominancia: tipo de control o influencia de la emoción (corporal, cognoscitiva, mixta).
  • Intensidad: fuerza de la emoción (alta, baja, neutra/ambivalente).
  • Fuente: origen o desencadenante concreto de la emoción (actor, objeto, situación, experiencia o espacio).
• Genera prompts dinámicos para cada atributo, usando heurísticas y ontologías internas.
• Procesa emociones individualmente o en lote, permitiendo checkpoints y guardado incremental en CSV.
• Función unificada caracterizar_emociones_todas permite construir un dataset final consolidado con todos los atributos por emoción, frase y experienciador.
• Requiere LLM para inferencia y parseo de respuestas (soporta GPT-OSS:20b vía Ollama).

Reprocesamiento (reprocesar_metadatos_nan, reprocesar_enunciacion_nan, reprocesar_errores_identificacion), Reprocesamiento emociones (reprocesar_errores_emociones) y Postprocesamiento (propagar_actores_por_pronombres, validacion_actores)

• Funciones de reprocesamiento y validación que aseguran consistencia y completitud de los resultados.

Schemas

• Define la estructura de los datos esperados en cada análisis: tipo de discurso, lugar, enunciación, actores, emociones y atributos emocionales (foria, dominancia, intensidad, fuente).
• Permite parsear respuestas de LLMs en objetos Pydantic validados, garantizando consistencia y control sobre los formatos de salida.

Recursos

• Funciones auxiliares generales: manejo de timeouts, limpieza de memoria, carga de ontologías y heurísticas.
• Manejador de errores (ErrorLogger) para registrar, cargar, filtrar y depurar incidencias en formato JSONL.
• Incluye wrappers de ejecución LLM con reintentos, backoff y restart automático de Ollama.

Prompts

• Contiene todos los prompts base para LLMs, segmentados por tarea: resúmenes, tipo de discurso, enunciación, identificación de actores y detección/caracterización de emociones.
• Diseñados para asegurar consistencia, exhaustividad y claridad en la respuesta de los modelos, evitando información inventada.

Modelo

• Wrapper para interactuar con Ollama o modelos locales de LLMs (GPT-OSS:20b, Mistral, etc.).
• Devuelve funciones modelo_llm(prompt) listas para usar en cualquier módulo que requiera inferencia automática de LLMs.
• Soporta parámetros de temperatura, concurrencia, formato de salida y control de errores.

• Un enfoque computacional sensible al lenguaje, no reduccionista.
• Una arquitectura extensible para combinar LLMs con reglas semióticas.
• Un modelo reproducible para análisis retórico y emocional de discursos.
• Un sistema que visibiliza relaciones afectivas y enunciativas complejas en los textos.

• Identificación de escenas enunciativas y géneros discursivos.
• Incorporación de emociones compuestas, dinámicas afectivas y diferentes atributos (ver Diccionario de variables).
• Generación automática de informes emocionales comparativos.
• Puede ampliarse a otros corpus, análisis de emociones y estudios comparativos de dinámicas discursivas.

• Dependencia de calidad de prompts y cobertura del modelo.
• Requiere revisión manual para corroborar resultados.
• Consumo elevado de recursos y tiempos de cómputo intensos para identificación por frase.

Este proyecto se publica bajo la licencia GNU GENERAL PUBLIC LICENSE Version 3, 29 June 2007. Podés reutilizar y modificar el código citando adecuadamente.

Este proyecto fue desarrollado en el marco de una investigación sobre análisis automático de emociones en discursos por:

• Alex Colman

Para dudas o colaboraciones, podés contactarme vía GitHub o correo: [email protected]

Agradezco especialmente a Martín Schuster y a Mathi Gatti por la orientación en el desarrollo del proyecto.

Pull requests, issues o sugerencias son bienvenidas.