El análisis de sentimiento tradicional usaba clasificadores con ingeniería de características (bag-of-words + regresión logística, enfoques basados en léxico). Estos funcionaban para casos simples pero fallaban con el sarcasmo ("Oh genial, otro retraso"), sentimiento implícito ("La batería duró dos horas") y lenguaje específico de dominio. Los enfoques modernos usan BERT ajustado o clasificación basada en LLM, que manejan estos matices mucho mejor al entender el contexto.
Las reseñas reales a menudo contienen sentimiento mixto: "La cámara es excelente pero la batería es decepcionante." El análisis de sentimiento basado en aspectos identifica los aspectos (cámara, batería) y asigna sentimiento a cada uno independientemente. Esto es más útil para equipos de producto que el sentimiento general porque señala qué específicamente necesita mejorar. Los LLMs modernos manejan esto naturalmente a través de salida estructurada — "extrae los aspectos y sus sentimientos de esta reseña."
Para análisis de sentimiento, tienes tres opciones: (1) un modelo pequeño ajustado (rápido, barato, bueno para alto volumen), (2) un prompt de LLM zero-shot (flexible, maneja casos extremos, más costoso), o (3) un servicio de API (Google NLP, AWS Comprehend). Para la mayoría de los proyectos nuevos, comenzar con un prompt de LLM y cambiar a un modelo ajustado cuando el volumen lo justifique es el enfoque práctico.