Análisis masivo de datos biométricos, de voz y lenguaje natural para la evaluación del bienestar emocional a escala

Abstract

El presente Trabajo Fin de Máster desarrolla una plataforma integral de analítica multimodal orientada al estudio estructurado de influencers digitales. El sistema implementa una arquitectura end-to-end capaz de transformar contenido audiovisual procedente de redes sociales en información analítica estructurada mediante la integración de métricas cuantitativas, análisis emocional facial y vocal, estimación de rasgos de personalidad y segmentación automática.

La solución propuesta abarca todas las fases del procesamiento de datos: adquisición automatizada de vídeos y metadatos, análisis multimodal a través de una API especializada, ingeniería de datos para la construcción de un dataset global consolidado y aplicación de técnicas de análisis estadístico y aprendizaje automático. En concreto, se incorporan métodos de reducción de dimensionalidad mediante PCA, clustering no supervisado mediante K-means y modelos de regresión para la estimación del rendimiento.

El sistema ha procesado vídeos pertenecientes a perfiles distintos, generando métricas agregadas de visualizaciones, engagement y variables psicológicas derivadas del contenido audiovisual. Los resultados muestran que la relación entre alcance y engagement no es lineal y que las variables emocionales aportan información complementaria relevante. No obstante, la capacidad predictiva del modelo respecto a visualizaciones futuras es limitada, lo que confirma la naturaleza compleja y multifactorial del fenómeno de la viralidad en redes sociales.

La plataforma desarrollada demuestra la viabilidad técnica de integrar análisis audiovisual, procesamiento de señal y segmentación estructural en una única herramienta de apoyo a la toma de decisiones en el ámbito del talento digital

This Master’s Thesis develops an integrated multimodal analytics platform for the structured analysis of digital influencers. The system implements an end-to-end architecture capable of transforming audiovisual content from social media into structured analytical information through the integration of quantitative performance metrics, facial and vocal emotion analysis, personality trait estimation, and automatic segmentation techniques.

The proposed solution covers all stages of the data processing pipeline, including automated video and metadata acquisition, multimodal feature extraction via an external analysis API, data engineering for the construction of a consolidated global dataset, and the application of statistical analysis and machine learning methods. Specifically, dimensionality reduction is performed using Principal Component Analysis (PCA), unsupervised segmentation is implemented through K-means clustering, and regression models are applied to estimate performance indicators.

The system processed videos from different influencer profiles, generating aggregated metrics related to views, engagement, personality traits, and emotional variables derived from audiovisual content. The results show that the relationship between reach and engagement is not linear and that emotional variables provide complementary insights into digital performance. However, the predictive capacity of the regression model for future views is limited, confirming the highly complex and multifactorial nature of social media virality.

The developed platform demonstrates the technical feasibility of integrating audiovisual processing, signal analysis, and structural segmentation into a single decision-support tool for digital talent evaluation.