Desinformación y resistencia en las reseñas de restaurantes en Google Maps: un análisis computacional y comunicacional

María Dolores Lozano Gutiérrez

Universidad Politécnica Metropolitana de Puebla

Maria.lozano@metropoli.edu.mx

Franco Rojas López

Universidad Politécnica Metropolitana de Puebla

Franco.rojas@metropoli.edu.mx

Luz Elena Vázquez-Bravo

Universidad Autónoma de Querétaro

Jacarandita_126@hotmail.com

Resumen. Las reseñas en línea son determinantes en los patrones de consumo actuales. Google Maps es un actor clave que reconfigura el sector restaurantero, monetizando reseñas y utilizando gestión algorítmica. Aunque podrían ser un canal de resistencia, en la práctica predomina un optimismo cuestionable. Este estudio analiza las características textuales (emoción, polaridad, subjetividad) de las reseñas de restaurantes de cocina poblana en Google Maps. El propósito es identificar cómo estas propiedades lingüísticas impactan en la transparencia y equidad del ecosistema económico que la plataforma configura, determinando si funcionan más como herramientas críticas o como elementos funcionales a su modelo de negocio. Mediante minería de opiniones y procesamiento de lenguaje natural (PLN), se analizaron 1,714 reseñas de restaurantes poblanos en Google Maps. Los resultados revelan una alta carga emocional: la alegría muestra polaridad positiva y alta subjetividad, mientras que la tristeza y el enojo tienden a la objetividad y polaridad neutra. El estudio indica que la solicitud proactiva de reseñas por parte de los negocios fomenta ciclos de retroalimentación positiva, intensificando la subjetividad emocional. Aunque los consumidores confían en estas reseñas, priorizan aspectos afectivos/sociales sobre datos objetivos, una tendencia agravada por la sobrecarga emocional, la falta de verificación y los filtros algorítmicos. Esta dinámica evidencia una percepción de Google Maps más como red social que como plataforma de búsqueda, diluyendo su potencial crítico y el uso de reseñas como resistencia. En consecuencia, la validez de las reseñas como herramientas para decisiones informadas queda cuestionada.

Palabras clave: Desinformación; resistencia; emociones; reseñas; algoritmos; análisis de texto; subjetividad.

Disinformation and Resistance in Google Maps Restaurant Reviews: A Computational and Communicational Analysis

Abstract. Online reviews are decisive in current consumption patterns. Google Maps is a key player reshaping the restaurant sector by monetizing reviews and employing algorithmic management. Although reviews could serve as a channel of resistance, in practice they are dominated by a questionable optimism. This study analyzes the textual characteristics (emotion, polarity, subjectivity) of reviews for Puebla restaurants on Google Maps. The aim is to identify how these linguistic properties affect the transparency and fairness of the economic ecosystem shaped by the platform, determining whether they function more as critical tools or as elements aligned with its business model.

Using opinion mining and Natural Language Processing (NLP), 1,714 reviews of Poblano cuisine restaurants on Google Maps were analyzed. The results reveal a high emotional load: joy exhibits positive polarity and high subjectivity, whereas sadness and anger tend toward objectivity and neutral polarity. The study suggests that proactive solicitation of reviews by businesses fosters positive feedback loops, intensifying emotional subjectivity. Although consumers rely on these reviews, they prioritize affective and social aspects over objective data—a trend exacerbated by emotional overload, lack of verification, and algorithmic filtering. This dynamic suggests a perception of Google Maps more as a social network than a search platform, thereby diluting its critical potential and the use of reviews as resistance. Consequently, the validity of reviews as tools for informed decision-making is called into question.

Keywords: Disinformation; resistance; emotions; reviews; algorithms; text analysis; subjectivity.

1. Planteamiento del problema

La constante evolución tecnológica y la proliferación de Internet en diversos sectores han impulsado la transformación del tradicional boca a boca hacia el boca a boca electrónico (eWOM) (Gottschalk y Mafael, 2017; Manes y Tchetchik, 2018). Este fenómeno incluye las reseñas en línea, que funcionan como marcadores sociales al ofrecer una comunicación horizontal entre usuarios, caracterizada por la espontaneidad y las narrativas personales que proporcionan puntos de referencia y anclajes experienciales (Almiron-Chamadoira, 2018; Hussain et al., 2022; Kronrod, 2023). La publicación de reseñas en plataformas constituye un nuevo género de expresión digital, dado que tradicionalmente se transmitían de forma oral y sin una estructura específica (Candel-Mora, 2022). Las reseñas de los consumidores son una fuente primaria de información confiable y altamente utilizada (Schuckert et al., 2015): el 95 % de los consumidores las utilizan y el 86 % las considera esenciales en su proceso de compra (Northwestern University, 2021). Esta importancia se atribuye a su función de reducción de incertidumbre y al reflejo del peso de experiencias previas en el sector (Anagnostopoulou et al., 2020; Tan et al., 2018; Ye et al., 2009).

Las reseñas en línea normalmente constan de dos componentes: cuantitativos (por ejemplo, calificación en estrellas) y cualitativos (por ejemplo, texto) (Gutt et al., 2019). Una crítica frecuente a las reseñas es su carencia de parámetros objetivos que aseguren la veracidad e imparcialidad de la información presentada (Comisión Europea, 2022). Adicionalmente, la ausencia de interacción personal, característica de las plataformas digitales, impone la necesidad de desarrollar mecanismos que fomenten la confianza entre los usuarios (Bolton et al., 2013).

En el caso de los restaurantes, la naturaleza subjetiva e intangible (Hajek y Sahut, 2022) de la experiencia gastronómica (Lozano Gutiérrez, 2023) hace cruciales las reseñas cualitativas para los consumidores. Sin embargo, sesgos e intereses ocultos limitan su valor. La validez de los datos en línea es un reto agravado por: reseñas sesgadas por individuos con vínculos con el establecimiento (Pantelidis, 2010), negatividad desproporcionada (Dellarocas, 2000) y reseñas no auténticas que buscan manipular (Hu et al., 2011; Wu et al., 2020; Zhang et al., 2016).

Las reseñas falsas en línea enmascaran a malos vendedores y dificultan la mejora de la calidad de productos o servicios en un mercado competitivo (Malbon, 2013), impactando sesgadamente la imagen y la decisión del cliente (Cruz et al., 2021), moldeando creencias incorrectas en la fase inicial (Shih et al., 2023) y distorsionando la percepción del producto (Lee et al., 2022). Generar este tipo de reseñas destruye el valor del mercado digital, especialmente en sectores como el turismo y la hotelería (Hlee et al., 2021).

2. El papel de las reseñas en Google Maps en restaurantes de cocina poblana desde una perspectiva comunicacional. Una aproximación al tema objeto de estudio

Google ejerce una posición dominante en el mercado de reseñas en línea, con una cuota del 73 % a nivel global que se acentúa en los mercados locales, ascendiendo al 84 % (BrightLocal, 2024). La intensificación de la competencia por la visibilidad online se refleja en el creciente uso de métodos prohibidos para solicitar reseñas. Según el Local Consumer Review Survey 2024 de BrightLocal, entre 2023 y 2024 se registró una escalada notable en estas prácticas: la oferta de descuentos por reseñas aumentó del 26 % al 45 %, y la de puntos de lealtad, del 15 % al 24 %. Este fenómeno ocurre a pesar de que dichas tácticas son sancionadas por las principales plataformas, lo que evidencia la tensión entre las necesidades del mercado y la integridad del sistema de valoraciones (BrightLocal, 2024). En este ecosistema, Google Maps ejerce un poder considerable sobre la generación y el filtrado de información, controlando las reglas de evaluación de reseñas mediante algoritmos acríticos y amorales, carentes de un compromiso explícito con la dimensión humana. Esta discrecionalidad en la moderación de contenidos lo hace vulnerable ante la manipulación de creencias y comportamientos, contribuyendo a la diseminación de la infodemia, entendida como un entorno de comunicación caracterizado no solo por una sobreabundancia de información, sino por una lucha intensa por el control y la legitimidad del conocimiento (Kwok et al., 2023).

A pesar de estas problemáticas, Google Maps ha reconfigurado la interacción restaurante-consumidor e impulsado la economía digital, optimizando la visibilidad de negocios y estrategias mediante datos integrados. Su modelo de negocio se sustenta en las reseñas como contenido generado por el usuario (CGU). Este CGU no solo orienta las decisiones de los consumidores, sino que también cataliza un ciclo de crecimiento mutuo: los restaurantes obtienen visibilidad y clientes, y Google Maps incrementa la participación y el volumen de datos, robusteciendo por tanto su ecosistema (Phuangsuwan et al., 2024).

Desde una perspectiva de medios de servicio público (MSP), Google Maps tiene la responsabilidad social de garantizar calidad informativa, alfabetización mediática e innovación para combatir la desinformación en reseñas online (Horowitz et al., 2022). Una revisión sistemática de la literatura en Web of Science y Scopus revela que la investigación existente sobre el análisis de reseñas de restaurantes se centra en enfoques computacionales. No se han encontrado estudios previos que combinen análisis cualitativo y cuantitativo de reseñas en Google Maps para restaurantes en Latinoamérica. En este contexto, este trabajo aporta un enfoque interdisciplinario, integrando el análisis computacional con el análisis de la comunicación, específicamente examinando los comentarios en las reseñas de restaurantes de cocina poblana en Google Maps de Latinoamérica en idioma español.

La idoneidad de la gastronomía poblana como caso de estudio se fundamenta en su elevado capital simbólico, validado por reconocimientos globales: la inscripción de la gastronomía mexicana como Patrimonio Inmaterial de la UNESCO (2010) y la relevancia global de la gastronomía poblana, distinguida como una de las mejores regiones culinarias del mundo según Taste Atlas (2023), una plataforma de curación gastronómica digital. Puesto que la experiencia gastronómica es, por definición, subjetiva, intangible y experiencial (Hajek y Sahut, 2022; Lozano Gutiérrez, 2023), y que la gastronomía poblana es artesanal (Sennett, 2009), las plataformas de reseñas en línea emergen como el corpus textual privilegiado donde dicho valor se construye discursivamente. Es precisamente en estas narrativas donde se manifiestan con mayor intensidad los fenómenos de interés para esta investigación: la carga emocional, el posicionamiento subjetivo y la polarización afectiva.

Con el fin de comprender el impacto real de las reseñas en Google Maps en la construcción de un panorama económico justo y transparente, esta investigación plantea tres objetivos: identificar la carga emocional contenida en las reseñas textuales de consumidores sobre restaurantes de comida poblana en Google Maps; la polaridad manifestada; y la subjetividad inherente a estas opiniones, para proponer estrategias en cuanto a la generación de reseñas como medios de resistencia.

3. Marco teórico

Para establecer la fundamentación teórica, se ha desarrollado un breve diálogo entre autores clásicos y los hallazgos de la revisión bibliográfica sobre el tema, producida entre los años 2020 y 2025 y localizada en las bases de datos de Web of Science. La relación se construyó en torno a tres temáticas sobre las reseñas de restaurantes, desde una perspectiva comunicacional que contribuye a explorar el fenómeno de las reseñas falsas y sus posibles implicaciones en la reducción de espacios de resistencia para el consumidor.

3.1 Las reseñas como desinformación

En el ámbito antropológico e histórico, el estudio de la información ha jugado un papel determinante para comprender el desarrollo del Homo sapiens. Las primeras manifestaciones comunicativas —pinturas rupestres, rituales y tradiciones orales— evidencian la necesidad humana de transmitir conocimiento, información, ideas y emociones (Leakey, 1981). La invención de la escritura marcó un hito evolutivo, permitiendo el desarrollo de soportes tecnológicos cada vez más sofisticados: desde tablillas de arcilla y papiros egipcios hasta los actuales sistemas digitales (Linares Columbié et al., 2000). Sin embargo, paralelamente surgió la instrumentalización de la información. Este fenómeno adquirió dimensiones críticas con la Revolución Industrial y se ha intensificado exponencialmente en la era digital (Castells, 2012), donde pocos actores concentran el poder sobre los flujos informativos globales.

La modernidad, con el desarrollo tecnológico posterior a la Revolución Industrial del siglo XVIII y la revolución de las comunicaciones en el siglo XX, constituye un momento clave en el que se identificaron aspectos fundamentales sobre la información y la desinformación. La teoría matemática de la comunicación desarrollada por Shannon y Weaver (1949) estableció bases concretas para comprender la información como mecanismo para reducir la incertidumbre mediante el intercambio de datos. Estos autores introdujeron conceptos clave para identificar la desinformación: el ruido, entendido como interferencias que distorsionan la transmisión del mensaje, y la redundancia, es decir, la repetición excesiva de información que puede afectar la eficiencia comunicativa. Por su parte, Wiener (1948), desde la cibernética, amplió esta perspectiva destacando el control estratégico de la información que permite manipular percepciones y comportamientos sociales. Identificó especialmente el peligro de la retroalimentación distorsionada, donde la información alterada conduce a decisiones erróneas en los sistemas sociales. Ambas teorías coinciden en que la desinformación puede originarse por fallas técnicas en los sistemas de transmisión, por manipulación intencional con fines de control y por procesos deficientes de codificación/decodificación.

En los reportes empíricos se identificó que plataformas como Yelp y TripAdvisor (Luca & Zervas, 2016; Zhang et al., 2022) son un claro ejemplo de desinformación intencional impulsada por motivos económicos (Anderson & Magruder, 2012). Las reseñas falsas pueden originarse en competidores, distribuidores, vendedores, la propia empresa o terceros contratados, incluyendo consumidores no genuinos que reseñan sin haber utilizado el servicio (Cruz et al., 2021). Luca y Zervas (2016) advierten sobre la existencia de falsos positivos (reseñas legítimas filtradas) y falsos negativos (reseñas falsas no detectadas), lo que implica que restaurantes honestos pueden ser penalizados mientras que otros cometen fraude exitosamente.

La noción de desinformación se puede rastrear también en la obra de Habermas. En un contexto en el que no existía la comunicación digital, él identificó ya desde su primer trabajo (1986/1962) la colonización de la esfera pública política por intereses de orden económico, corporativo y propagandístico. Es decir, diferenció entre la acción comunicativa dirigida al ideal consensual y la acción estratégica dirigida al éxito de una parte interesada (1987; 1991). Así se identifica que la construcción de confianza y el deterioro del ecosistema digital pueden observarse en el hecho de que las reseñas falsas minan la credibilidad del boca a boca electrónico (eWOM) (Lee et al., 2022), afectando directamente las decisiones de compra de los consumidores.

Castells (2012), por su parte, alertó sobre la concentración de poder en las grandes corporaciones digitales. Efectivamente, se identifica que plataformas como Yelp y Google controlan gran parte del flujo de opiniones, siendo su regulación bastante limitada (Lee et al., 2022). Esta dinámica del capitalismo de plataformas ha intensificado la feroz competencia entre restaurantes, incentivando la creación de reseñas falsas (Zhang et al., 2022), lo que bien podría llamarse una guerra comercial donde la desinformación es un arma estratégica (CMA, 2016).

Cruz et al. (2021) analizaron las características de revisores que evalúan restaurantes sin haberlos visitado, identificando cuatro tipos mediante un análisis de clúster: el experto real, el revisor aficionado, el especulador y el pseudoexperto. Estos dos últimos tipos se caracterizan por generar reseñas falsas, lo que resalta la necesidad de que los revisores sean conscientes de su capacidad de evaluación y de la utilidad de su opinión para otros consumidores.

3.2 Reseñas como fenómeno de resistencia

José David Moral Martín, David Pac Salas y Jaime Minguijón (2022) definen la resistencia como “toda oposición, colectiva y/o individual, al sistema de mercado basada en la búsqueda de cierta transformación social, para lo que se utilizan variadas estrategias de resistencia históricamente probadas y basadas en la creatividad a la hora de señalar y mostrar las contradicciones del sistema y de proponer alternativas viables, lógicas y sostenibles en el entorno de la Economía Social y Solidaria (ESS)” (p. 6).

Sin embargo, existe otra forma de conceptualizar la resistencia, por lo que se exponen algunas ideas de Richard Sennett (2009), quien formuló el concepto en el contexto de la práctica artesanal, dentro de la lógica del pragmatismo cotidiano y no necesariamente en la lógica sociopolítica. Sennett parte de observar la materialidad, por lo que define en primer lugar la resistencia como el enfrentamiento a un obstáculo: algo que impide el ejercicio de una voluntad cortoplacista. Son los materiales que se niegan a plegarse a los deseos del artesano. El gran valor de esta negación conduce a la investigación, la experimentación y el descubrimiento de nuevas formas o caminos. Es decir, la resistencia requiere comprensión, lo que a su vez conduce a la interacción, el aprendizaje y la creatividad.

Según Sennett, existen dos tipos de expertos: el social, que dialoga con la comunidad, valora el aprendizaje colectivo y, con ética, busca soluciones para el bien común; y el antisocial, que es autorreferencial, ineficiente y prioriza su autoridad técnica. Del concepto de resistencia surgen la ética del trabajo (la verdad del material y del objeto logrado), el orgullo de un trabajo bien hecho y la identidad del experto social. Esto proporciona valor e identidad dentro de una comunidad. La resistencia puede ubicarse en un lugar de frontera porosa que permite el intercambio de elementos, la complejidad y, por tanto, el logro de soluciones inéditas (Sennett, 2009).

En la práctica, los estudios empíricos proponen que las plataformas, además de facilitar la co-creación de valor, deben guiar a los usuarios, promover modelos de negocio de reseñas prósperos y contribuir a un ecosistema de mercado en línea saludable (Lee et al., 2022). La creciente solicitud de reseñas falsas en plataformas de boca a boca electrónico (eWOM) compromete la autenticidad y credibilidad de las reseñas. Anderson y Magruder (2012) relacionan la existencia de reseñas falsas con motivaciones económicas, señalando que un aumento de media estrella en las valoraciones en línea puede incrementar las ventas de un restaurante en aproximadamente un 20 %.

3.3 El papel de las emociones, la subjetividad y la polaridad en las reseñas

Otro aspecto a considerar, desde los avances de las ciencias del comportamiento y de las neurociencias, es el papel de las emociones en la transmisión de información. Las emociones son un componente fundamental en la selección, codificación y decodificación de datos. Desde la amígdala, las emociones preceden la acción del lóbulo frontal y, cuando no se da tiempo a la reflexión, son ellas las que ya han tomado decisiones en el actuar humano (Damasio, 2019; Maturana y Varela, 2009). Las neurociencias han revolucionado la comprensión de los procesos comunicativos al demostrar la inseparable relación entre emoción y cognición. Por su parte, Ekman (2003) clasificó seis emociones básicas universales (ira, miedo, asco, alegría, tristeza y sorpresa) que condicionan la comunicación verbal y no verbal. Maturana y Varela (2009) complementaron esta visión desde la biología del conocimiento, demostrando que las emociones son simultáneamente procesos biológicos y sociales; configuran dinámicamente las relaciones interpersonales y están culturalmente mediadas, con bases neurofisiológicas comunes.

Wang y Kuan (2022) encontraron que las reseñas falsas buscan manipular el contenido del mensaje a través de aspectos psicológicos (emociones, cognición, aspectos sociales, percepciones) más que mediante la estructura del lenguaje, como la legibilidad o la gramática. Lee et al. (2022) hallaron que las reseñas auténticas exhiben características de personalidad similares a las humanas, correlacionándose una mayor personalidad con una mayor percepción de autenticidad. En contraste con la valoración de la escritura humana, Amos y Zhang (2024) demuestran que la mera percepción de intervención de la IA en la generación de reseñas (ChatGPT) devalúa su capital de credibilidad. En plataformas como TripAdvisor y Yelp, esta percepción negativa afecta directamente métricas de utilidad, confianza y autenticidad, las cuales son reconocidas como predictoras del comportamiento del consumidor.

Además, la disconformidad negativa (discrepancia entre expectativas y experiencia real) provoca respuestas emocionales intensas (Li et al., 2020), es decir, reseñas más extensas y respuestas emocionales más fuertes. La disconfirmación no solo afecta la satisfacción del cliente, sino que modula la expresión emocional y la propensión a compartir la experiencia, resaltando el rol preponderante de las experiencias negativas disconfirmantes. A partir de lo anterior, y desde una perspectiva orientada a la información, se plantea la siguiente hipótesis:

H1: Los textos de las reseñas online de restaurantes tienen una alta carga emocional.

En la investigación actual, determinar la polaridad del sentimiento puede considerarse uno de los aspectos más importantes en la minería de opinión. El cálculo y la estimación de la polaridad son parte del juicio de sentimiento. Los tipos más comunes de polaridad son positiva, negativa y neutra (Banjar et al., 2020). Se define polaridad como la proporción de reseñas que se encuentran en los extremos de la escala, y desequilibrio positivo como la proporción de reseñas positivas frente a negativas. La polaridad capta así cuán extrema es la distribución de reseñas. El desequilibrio positivo indica la asimetría de la distribución hacia el lado positivo de la escala (Schoenmueller et al., 2020).

Zhang et al. (2022) sugieren que, para los restaurantes, solicitar reseñas positivas falsas es una estrategia más efectiva y menos riesgosa para mejorar su reputación online que solicitar reseñas negativas falsas sobre competidores. En concordancia, la Autoridad de Mercados y Competencia del Reino Unido (CMA, 2016) encontró que las reseñas positivas falsas son más comunes que las negativas. Zhang et al. (2022) investigaron la influencia de la competencia en la solicitud de reseñas positivas falsas por parte de restaurantes, utilizando datos de Yelp.com en una ciudad metropolitana de Estados Unidos. Los resultados indican que los restaurantes son más propensos a solicitar reseñas falsas cuando sus competidores tienen más reseñas positivas falsas, pero menos propensos cuando poseen una ventaja de mercado basada en reseñas auténticas. Con base en lo anterior, se formula la siguiente hipótesis:

H2: Los textos de las reseñas online de restaurantes tienen una polaridad positiva.

Desde el ámbito de la computación, cualquier declaración con sentimientos que contenga opiniones positivas o negativas se considera una declaración subjetiva, mientras que las declaraciones sin emociones se consideran objetivas (Banjar et al., 2020). Se definen como hilos subjetivos en foros online aquellos que incluyen opiniones, puntos de vista y evaluaciones, y como hilos objetivos aquellos que contienen información fáctica (Biyani et al., 2014). A partir de ello, se define la siguiente hipótesis:

H3: El grado de subjetividad de las reseñas varía dependiendo de si se trata de emociones positivas o negativas.

4. Metodología

Para llevar a cabo el análisis de emociones en reseñas en línea del ámbito de la gastronomía poblana, se recopilaron reseñas de Google Maps mediante la herramienta Outscraper (Yunus, 2022). Las reseñas se obtuvieron de restaurantes poblanos reconocidos, entre ellos Mi Viejo Pueblito, Fonda de Santa Clara, Comal, Anafre Rojo, El mural de los Poblanos, Augurio y Casa Barroca. El conjunto de datos consta de 1,714 reseñas. Cada una incluye el ID del autor, el texto de la reseña y su número de estrellas.

En los últimos años, el crecimiento exponencial de la información generada por los usuarios en redes sociales y en sitios web ha despertado el interés de los investigadores en minería de opiniones, sentimientos, emociones, entre otras tareas del Procesamiento del Lenguaje Natural (PLN), con el fin de estudiar el comportamiento de los consumidores. En el presente trabajo de investigación para realizar minería de emociones, se empleó la herramienta Pysentimiento, la cual es multilingüe para tareas de minado de opiniones y tareas de PLN (Perez et al., 2023), que permite identificar y clasificar las emociones expresadas en textos en español de manera precisa y eficiente. Para detectar emociones, Pysentimiento usa el dataset EmoEval para detección de emociones en español (Plaza-del-Arco y Strapparava, 2020) el cual consiste de diferentes dominios tales como política, entretenimiento, catástrofes o incidentes y, conmemoraciones.

Después de recopilar y analizar las reseñas sobre la gastronomía poblana, se identificaron las emociones usando la herramienta Pysentimiento, es importante señalar que no se realizó una fase de pre-procesamiento en las reseñas, ya que la propia herramienta lo lleva a cabo de manera implícita.

Para validar la veracidad de las emociones identificadas en las reseñas obtenidas de Google Maps, se utilizó la herramienta TextBlob para analizar la polaridad y subjetividad. TextBlob es una herramienta de PLN en Python que facilita el análisis de sentimientos mediante la evaluación de subjetividad y polaridad en un texto. La polaridad se expresa en un rango de -1 (negativo) a 1 (positivo), permitiendo identificar la intención general del contenido, mientras que la subjetividad se mide de 0 (objetivo) a 1 (subjetivo), indicando qué tan basado en opiniones o hechos es el texto. Como se mencionó anteriormente, el texto en las reseñas no fue pre-procesado para encontrar la polaridad y subjetividad ya que se realiza implícitamente. Después de obtener la polaridad y subjetividad se encontró cuántas reseñas del total se encuentran en las emociones reconocidas por la Pysentimiento.

5. Resultados

El análisis de las calificaciones otorgadas mediante estrellas (Figura 1) revela una distribución desigual, con una notable predominancia de la puntuación máxima: el 57 % de las reseñas asignan la calificación de cinco estrellas, lo que representa una mayoría frente a las demás categorías. Una distribución normal tendría más reseñas en la gama media (tres y cuatro estrellas) y una menor proporción en los extremos. Adicionalmente, el 11 % de las personas que escribieron comentarios cualitativos no asignaron una calificación en cuanto al número de estrellas (valor 0).

La intensidad de las emociones identificadas en el corpus de reseñas de Google Maps sobre restaurantes de gastronomía poblana (Figura 2) muestra que la alegría (0.52) es la emoción con mayor intensidad promedio, seguida por la categoría “Otros” (0.32). Este último hallazgo sugiere que aproximadamente un tercio de las reseñas expresan matices emocionales no contemplados en las categorías primarias definidas. En contraste, las emociones negativas como el enojo (0.10), la tristeza (0.03), la sorpresa (0.01) y el disgusto (0.01) presentan intensidades considerablemente menores. El miedo (0.00) se manifiesta como una emoción prácticamente ausente en el conjunto de datos analizado.

En vista de estos resultados, que indican la presencia de carga emocional en las reseñas, no se encuentra evidencia estadística suficiente para rechazar H1: Los textos de las reseñas online de restaurantes tienen una alta carga emocional.

Los resultados referentes a la polaridad de las reseñas textuales (Figura 3) demuestran una dominancia casi absoluta de la connotación positiva (0.98), mientras que la polaridad negativa es residual (0.02). Complementariamente, el análisis de la subjetividad (Figura 4) evidencia que las reseñas son mayoritariamente subjetivas (0.87), expresando opiniones y experiencias personales, en contraste con un bajo nivel de objetividad (0.13), caracterizado por información fáctica.

Considerando la alta prevalencia de polaridad positiva en las reseñas analizadas, no se encuentra evidencia para rechazar H2: Los textos de las reseñas online de restaurantes tienen una alta polaridad positiva.

Considerando la alta prevalencia de subjetividad en las reseñas analizadas, no existe evidencia para rechazar H3: El grado de subjetividad de las reseñas varía dependiendo de si se trata de emociones positivas o negativas.

El análisis de subjetividad por emoción (Figura 5) evidencia que las emociones de enojo y tristeza presentan un nivel más alto de objetividad, mientras que la alegría se sitúa en un punto intermedio entre subjetividad y objetividad. Con base en esto, es posible afirmar que las emociones negativas tienen un nivel más alto de objetividad que las emociones positivas.

En cuanto a la polaridad, si bien las emociones de enojo y tristeza tienden a ubicarse en un nivel neutro, la alegría exhibe una polaridad marcadamente positiva (Figura 6). Esto sugiere que las reseñas con una carga emocional de alegría expresan juicios de valor más extremos que aquellas impregnadas de tristeza o enojo.

6. Discusión

El análisis del corpus revela un marcado carácter positivo y emocional. La distribución de calificaciones está dominada por las cinco estrellas, que representan el 57 % del total (Figura 1). A nivel discursivo, la alegría es la emoción principal, con una intensidad de 0.52 (Figura 2), lo cual es coherente con el 98 % de polaridad positiva y el 87 % de subjetividad detectados en los análisis. Estas reseñas generan ruido al carecer de criterios objetivos, comprometiendo la función de las reseñas como herramientas para la reducción de la incertidumbre (Shannon y Weaver, 1949) en el proceso de selección de un restaurante, en línea con lo establecido por la Autoridad de Mercados y Competencia del Reino Unido (CMA, 2016), que menciona la proliferación de reseñas falsas positivas.

Este fenómeno podría atribuirse a múltiples factores interrelacionados. En primer lugar, la existencia de reseñas falsas positivas generadas mediante incentivos económicos o esquemas de pago por parte de los establecimientos, con el objetivo de manipular la percepción de los consumidores mediante la solicitud proactiva de reseñas (BrightLocal, 2024). En segundo lugar, un filtro selectivo en el comportamiento de los usuarios podría estar contribuyendo a este sesgo, donde los individuos tienden a expresar sus opiniones con mayor frecuencia ante experiencias extremas, ya sean altamente satisfactorias o insatisfactorias, dejando las experiencias de rango medio subrepresentadas.

Además, es necesario considerar la posibilidad de manipulación algorítmica (Kwok et al., 2023) por parte de la plataforma Google Maps, donde los algoritmos de presentación de reseñas podrían favorecer la visibilidad de aquellas con puntuaciones más altas. Finalmente, un efecto de avalancha podría amplificar este sesgo, ya que la acumulación inicial de reseñas positivas tiende a generar una mayor cantidad de reseñas positivas, perpetuando un ciclo de retroalimentación positiva.

De las reseñas analizadas en esta investigación, el 11 % cuentan con comentarios cualitativos, pero los usuarios decidieron no dar una calificación cuantitativa, lo que plantea cuestiones como la dificultad de correspondencia entre datos cuantitativos y cualitativos; la posibilidad de que los usuarios hayan tenido una experiencia mixta o ambivalente, lo que dificultó elegir una calificación numérica específica; o que hayan optado por no asignar estrellas para mantener una postura neutral o evitar inclinarse hacia una opinión positiva o negativa.

Los hallazgos de este estudio encontraron una alta carga emocional en las reseñas online de restaurantes de comida poblana en Google Maps, que estudios como el de Wang y Kuan (2022) relacionan con falsedad al manipular el contenido del mensaje a través de mensajes emocionales. La notable prevalencia de emociones positivas en las reseñas analizadas, en un contexto donde los restaurantes incentivan activamente a los consumidores a compartir sus experiencias en línea (BrightLocal, 2024; Z. Zhang et al., 2022), plantea una hipótesis crítica: una proporción significativa de este contenido podría no reflejar la satisfacción genuina del usuario, sino responder a intereses comerciales subyacentes.

Este fenómeno puede operar como desinformación o, más precisamente, como publicidad encubierta o propaganda que favorece a las empresas con mayor capital para invertir en la gestión de su reputación digital. Esta dinámica genera una distorsión informativa, un ruido que beneficia la visibilidad y el atractivo comercial de actores económicos que no necesariamente destacan por su calidad intrínseca en dimensiones cruciales como el trato laboral, el valor nutricional de su oferta o su compromiso con la responsabilidad medioambiental, sino por su capacidad de influir en el ecosistema de reseñas de la plataforma. Por un lado, los restaurantes desean incrementar su visibilidad y ventas en un mercado competitivo (Anderson y Magruder, 2012). Por otro lado, la plataforma Google Maps explota la tendencia demostrada de los textos positivos a acelerar las decisiones de compra por parte de los consumidores (Steur et al., 2022).

A esto se suma la evidencia de que las reseñas falsas positivas son más frecuentes que las negativas en el entorno digital (CMA, 2016). Respecto a la proporción de reseñas negativas, estas son minoría; no obstante, el análisis confirmó una objetividad mayor en comparación con las reseñas positivas, así como una polaridad neutra. Esto se contrapone a los hallazgos de Dellarocas (2000), quien reporta una desproporcionada negatividad en las reseñas como respuesta a experiencias negativas.

7. Conclusiones

Las reseñas en línea emergen como un nuevo género digital de expresión, información y socialización que modula la expresión emocional de las experiencias de compra, construye la credibilidad y reputación digital de los actores del ecosistema digital (generadores de reseñas, usuarios de la plataforma, plataforma, empresas, competidores, organismos reguladores) e influye significativamente en las decisiones de compra. El estudio de las reseñas en plataformas como fenómeno de desinformación y como posible canal de resistencia resulta relevante debido al papel crucial de los usuarios de medios digitales para crear, afianzar y desafiar la perspectiva social de la información que circula en estos entornos, que funcionan como plataformas informativas para la toma de decisiones comerciales informadas, especialmente para quienes se encuentran en una etapa inicial de uso o acercamiento a una opción comercial.

La solicitud proactiva de reseñas por parte de los restaurantes (BrightLocal, 2024) podría estar generando un ciclo de retroalimentación con marcada polaridad positiva y elevada subjetividad, lo que compromete la objetividad de las valoraciones. El análisis de la carga emocional presente en las reseñas revela una mayor objetividad en aquellas que expresan emociones de tristeza y enojo, en comparación con las que manifiestan alegría. En términos de polaridad, las reseñas que denotan alegría muestran una orientación hacia valores positivos y se ubican en un punto intermedio entre subjetividad y objetividad, mientras que aquellas que expresan tristeza o enojo exhiben polaridad tendiente a la neutralidad y niveles más altos de objetividad. Estos hallazgos exceden el objetivo inicial de esta investigación, centrado en la identificación de carga emocional, polaridad y subjetividad en las reseñas. Por lo tanto, se recomienda la realización de estudios futuros que profundicen en estos resultados.

Si bien las reseñas online son consultadas por los consumidores como fuente de información para tomar decisiones sobre la elección de restaurantes, es necesario acotar que se trata mayoritariamente de opiniones con algunos elementos de formato informativo. Además, las reseñas se consolidan como un foro de expresión para los consumidores. En este sentido, su dinámica se asemeja más a la de una red social —orientada a socializar una experiencia— que a la función puramente informativa que se espera de una plataforma de búsqueda como Google Maps.

Teniendo como centro a los consumidores, en el ámbito de las reseñas de restaurantes, la desinformación se presenta como un problema complejo, originado en parte por la ausencia de una fuente verificable, imparcial e incluyente de todos los restaurantes. Aunque existen referencias como la Guía Michelin, esta no incluye la totalidad de los establecimientos. El volumen abrumador de reseñas en Google Maps supera la capacidad humana para la decodificación crítica (Wiener, 1948). Esta sobrecarga informativa, gestionada algorítmicamente, implica que el algoritmo rebasa la capacidad de procesamiento humano, dificultando el discernimiento individual y facilitando la propagación de información errónea, que resulta en ruido y, por tanto, en desinformación.

El análisis de las reseñas online falsas en el sector turismo ha adoptado un enfoque desde las ciencias computacionales. De hecho, las reseñas publicadas en Google Maps han sido filtradas por un algoritmo, dado que la actual sobrecarga de información supera la capacidad de procesamiento humano, lo que justifica la creciente dependencia de herramientas computacionales para el análisis de reseñas cualitativas. Esta tendencia, aunque práctica, implica un serio riesgo de desinformación (Kwok et al., 2023) y de impedimento para la resistencia (Moral-Martín et al., 2022; Sennett, 2009). Desde un enfoque social, es necesario considerar que las personas tienen una perspectiva de selección, codificación, decodificación contextual (Shannon y Weaver, 1949; Wiener, 1948) y emocional (Damasio, 2019; Maturana y Varela, 2009).

En la economía de plataformas, las reseñas online se presentan como un espacio ambiguo para la resistencia, como señalan Moral-Martín et al. (2022) y Sennett (2009). Si bien ofrecen a los usuarios la capacidad de influir en la reputación y éxito de los negocios, su capacidad subversiva se enfrenta a las lógicas de la plataforma, donde estrategias de optimización y gamificación —a través de sistemas de puntos, recompensas y desafíos que incentivan la participación, pero potencialmente introducen sesgos— desvirtúan la objetividad. A esto se suma el papel acrítico del algoritmo, que filtra reseñas bajo condiciones veladas, priorizando intereses mercantiles por encima de la información objetiva, socavando la función informativa original de plataformas como Google Maps.

Finalmente, para proponer una solución, este artículo se alinea con Richard Sennett (2009) al destacar la importancia de una ética del cuidado y la responsabilidad, así como de una comunidad basada en la confianza colectiva. Si bien la comunicación digital presenta una paradoja fundamental como potencialmente emancipadora, ofreciendo en la herramienta “reseña” un espacio en el que el consumidor podría ejercer resistencia del tipo Sennett ante una promesa o expectativa incumplida, coadyuvando al diálogo entre restaurantes y consumidores —y entre consumidores entre sí—, también se identifican riesgos estructurales como la concentración del control informativo en megacorporaciones y la viralización de desinformación con fines comerciales (Habermas, 1987; Castells, 2012), o la perpetuación del experto antisocial (Sennett, 2009), es decir, el restaurante que se niega a la escucha, al diálogo y al orgullo de un trabajo bien hecho en tanto es auténtico y verdadero, que no es lo mismo que perfecto.

Por ahora, en los hallazgos empíricos se ha identificado que, pese a los esfuerzos de las plataformas de reseñas online, la protección al consumidor frente a reseñas falsas sigue siendo limitada.

Como en el Medievo, en el que el artesano daba gran valor a la verdad de su quehacer, un trabajo lento permitiría contrastar y ejercer la responsabilidad en la producción y en el consumo (Sennett, 2009). Con base en esta idea se señalan tres estrategias:

1. Una educación como la del artesano, en la que se dude, se investigue y se valore no solo el resultado, sino el proceso. La resistencia obliga a la adquisición de habilidades importantes como la escucha, la adaptación y el entendimiento, con el fin de resolver problemas. El artesano no busca evitar los desafíos, sino aprender a partir del diálogo con ellos.
2. Herramientas digitales de verificación.
3. La recuperación de la ética del oficio de informar frente a la cultura del “like”. Esto implica a todos los actores del proceso comunicativo: profesionales y usuarios en general, que ejercerán así el orgullo por la verdad.

En conclusión, este estudio evidencia la tensión operativa de Google Maps: concebida como plataforma de búsqueda, funciona en la práctica como red social. Se propone denominar a esta modalidad Plataforma de Búsqueda Socio-Performativa. Esta denominación tiene profundas implicaciones para la economía de plataformas: refuerza el poder intermediario de Google Maps, facilita modelos de negocio basados en la gestión algorítmica de la visibilidad y la reputación (como el comercio de reseñas), y moldea la competencia entre negocios locales. El papel del algoritmo es central en esta dinámica, ya que no solo gestiona la información, sino que configura activamente un entorno socio-performativo al priorizar el engagement y la positividad sobre la función puramente informativa. Al hacerlo, el algoritmo —esa jefatura no humana— consolida el control de la plataforma y, simultáneamente, diluye el potencial de las reseñas como herramienta de resistencia crítica (Moral-Martín et al., 2022; Sennett, 2009), favoreciendo una conformidad performativa funcional a los intereses comerciales de la plataforma.

Derivado de lo anterior, se sugieren como futuras líneas de investigación examinar el impacto de la polarización emocional en la percepción del usuario y su toma de decisiones, analizando cómo los tonos altamente emotivos en las reseñas —tanto positivos como negativos— no solo del texto, sino también de las imágenes y vídeos, afectan la credibilidad y utilidad de las opiniones en diferentes tipos de restaurantes, favoreciendo a las empresas con mayor capitalización sobre las pequeñas y medianas empresas restauranteras, en la lógica del capitalismo de plataformas.

Asimismo, es fundamental investigar cómo las interacciones entre usuarios en estas plataformas, junto con la influencia social, pueden sesgar las opiniones y perpetuar la desinformación. Por otro lado, es preciso estudiar cómo la comunidad de usuarios puede actuar como filtro para detectar y corregir la desinformación, así como evaluar el impacto de esta última en consumidores y empresas, con el fin de desarrollar estrategias de mitigación y resistencia efectivas ante la economía de plataformas.

Referencias bibliográficas

Almiron-Chamadoira, P. (2018). Online Reviews as a Genre: A semiotic analysis of Amazon.com 2010-2014 reviews on the categories «Clothing» and «Electronics». Proceedings of the 1st International Conference on Digital Tools & Uses Congress - DTUC ’18, 1-4. https://doi.org/10.1145/3240117.3240128

Amos, C., & Zhang, L. (2024). Consumer reactions to perceived undisclosed ChatGPT usage in an online review context. Telematics and Informatics, 93, 102163. https://doi.org/10.1016/j.tele.2024.102163

Anagnostopoulou, S., Buhalis, D., Kountouri, I., Manousakis, E., & Tsekrekos, A. (2020). The impact of online reputation on hotel profitability. International Journal of Contemporary Hospitality Management, forthcoming. https://doi.org/10.1108/IJCHM-03-2019-0247

Anderson, M., & Magruder, J. (2012). Learning from the Crowd: Regression Discontinuity Estimates of the Effects of an Online Review Database. The Economic Journal, 122(563), 957-989. https://doi.org/10.1111/j.1468-0297.2012.02512.x

Banjar, A., Ahmed, Z., Daud, A., Abbasi, R., & Dawood, H. (2020). Aspect-Based Sentiment Analysis for Polarity Estimation of Customer Reviews on Twitter. Computers, Materials & Continua, 67, 2203-2225. https://doi.org/10.32604/cmc.2021.014226

Biyani, P., Bhatia, S., Caragea, C., & Mitra, P. (2014). Using non-lexical features for identifying factual and opinionative threads in online forums. Knowledge-Based Systems, 69, 170-178. https://doi.org/10.1016/j.knosys.2014.04.048

Bolton, G., Greiner, B., & Ockenfels, A. (2013). Engineering Trust: Reciprocity in the Production of Reputation Information. Management Science, 59(2), 265-285.

BrightLocal, S. (2024, marzo 6). Local Consumer Review Survey 2024: Trends, Behaviors, and Platforms Explored. BrightLocal. https://www.brightlocal.com/research/local-consumer-review-survey/

Candel-Mora, M. Á. (2022). Big data to assess genre-specific features of the machine translation output of online travel reviews in Spanish. Quaderns de Filologia - Estudis Lingüístics, 27, 49-69. https://doi.org/10.7203/qf.0.24667

Castells, M. (2012). Redes de indignación y esperanza: Los movimientos sociales en la era de Internet. Alianza Editorial.

CMA. (2016, junio 17). Online reviews and endorsements. GOV.UK. https://www.gov.uk/cma-cases/online-reviews-and-endorsements

Comisión Europea. (2022). Cómo combatir las fake news—Comisión Europea. https://spain.representation.ec.europa.eu/noticias-eventos/noticias-0/como-combatir-las-fake-news-2022-02-28_es

Cruz, B. D. P. A., Silva, S. C., & Ross, S. D. (2021). THE SOCIAL TV PHENOMENON AND FAKE ONLINE RESTAURANT REVIEWS. Tourism and Hospitality Management, 27(1), 25-42. https://doi.org/10.20867/thm.27.1.2

Damasio, A. R. (2019). El error de Descartes: La emoción, la razón y el cerebro humano. Paidós.

Dellarocas, C. (2000). Immunizing online reputation reporting systems against unfair ratings and discriminatory behavior. In Proceedings of the 2nd ACM Conference on Electronic Commerce (pp. 150-157).

Ekman, P. (2003). Emotions revealed: Recognizing faces and feelings to improve communication and emotional life. Henry Holt and Company.

Gottschalk, S. A., & Mafael, A. (2017). Cutting through the online review jungle—Investigating selective eWOM processing. Journal of Interactive Marketing, 37, 89-104. https://doi.org/10.1016/j.intmar.2016.06.001

Gutt, D., Neumann, J., Zimmermann, S., Kundisch, D., & Chen, J. (2019). Design of review systems – A strategic instrument to shape online reviewing behavior and economic outcomes. The Journal of Strategic Information Systems, 28(2), 104-117. https://doi.org/10.1016/j.jsis.2019.01.004

Habermas, J. (1986). Historia y crítica de la opinión pública: La transformación estructural de la vida pública (G. Muntañola, Trad.). Gustavo Gili. (Strukturwandel der Öffentlichkeit, 1962).

Habermas, J. (1987). Teoría de la acción comunicativa (M. Jiménez Redondo, Trad.). Taurus. (Theorie des kommunikativen Handelns, 1981).

Habermas, J. (1991). Escritos sobre moralidad y eticidad (M. Jiménez Redondo, Trad.). Paidós.

Hajek, P., & Sahut, J.-M. (2022). Mining behavioural and sentiment-dependent linguistic patterns from restaurant reviews for fake review detection. Technological Forecasting and Social Change, 177, 121532. https://doi.org/10.1016/j.techfore.2022.121532

Hlee, S., Lee, H., Koo, C., & Chung, N. (2021). Fake Reviews or Not: Exploring the relationship between time trend and online restaurant reviews. Telematics and Informatics, 59, 101560. https://doi.org/10.1016/j.tele.2020.101560

Horowitz, M., Cushion, S., Dragomir, M., Gutiérrez Manjón, S., & Pantti, M. (2022). A Framework for Assessing the Role of Public Service Media Organizations in Countering Disinformation. Digital Journalism, 10(5), 843-865. https://doi.org/10.1080/21670811.2021.1987948

Hu, N., Bose, I., Gao, Y., & Liu, L. (2011). Manipulation in digital word-of-mouth: A reality check for book reviews. Decis. Support Syst., 50(3), 627-635. https://doi.org/10.1016/j.dss.2010.08.013

Hussain, J., Azhar, Z., Ahmad, H. F., Afzal, M., Raza, M., & Lee, S. (2022). User Experience Quantification Model from Online User Reviews. Applied Sciences, 12(13), 6700. https://doi.org/10.3390/app12136700

Kronrod, A. (2023). 88 Language and emotion in business communication. En G. L. Schiewer, J. Altarriba, & B. C. Ng (Eds.), Volume 3 (pp. 1831-1852). De Gruyter Mouton. https://doi.org/10.1515/9783110795486-024

Kwok, H., Singh, P., & Heimans, S. (2023). The Regime of «Post-Truth»: COVID-19 and the Politics of Knowledge. Discourse: Studies in the Cultural Politics of Education, 44(1), 106-120. https://doi.org/10.1080/01596306.2021.1965544

Leakey, R. (1981). El origen del hombre. Consejo Nacional de Ciencia y Tecnología (CONACYT).

Lee, K., Ham, J., Cantoni, L., & Koo, C. (2022). Identifying the nature of authentic and fake reviews in restaurant context. Journal of Travel & Tourism Marketing, 39(3), 353-369. https://doi.org/10.1080/10548408.2022.2089955

Li, H., Meng, F., & Pan, B. (2020). How does review disconfirmation influence customer online review behavior? A mixed-method investigation. International Journal of Contemporary Hospitality Management, 32(11), 3685-3703. https://doi.org/10.1108/IJCHM-03-2020-0234

Linares Columbié, R. Patterson Hernández, M., & Viciedo Tijera, L. (2000). La información a través del tiempo. Acimed (Impr.) 8(3):228-38.

Lozano Gutiérrez, M. D. (2023). Comunicación productiva, estilos de liderazgo y compromiso en el servicio. Una investigación mixta sobre la pertenencia, el trabajo en equipo y la orientación al consumidor en restaurantes de gastronomía mexicana en Puebla. (Tesis doctoral) https://doi.org/10.13140/RG.2.2.28558.74566

Luca, M., & Zervas, G. (2016). Fake It Till You Make It: Reputation, Competition, and Yelp Review Fraud. Management Science, 62(12), 3412-3427. https://doi.org/10.1287/mnsc.2015.2304

Malbon, J. (2013). Taking Fake Online Consumer Reviews Seriously. Journal of Consumer Policy, 36(2), 139-157. https://doi.org/10.1007/s10603-012-9216-7

Manes, E., & Tchetchik, Anat. (2018). The role of electronic word of mouth in reducing information asymmetry: An empirical investigation of online hotel booking. Journal of Business Research, 85, 185-196. https://doi.org/10.1016/j.jbusres.2017.12.019

Maturana, H., & Varela, F. (2009). El árbol del conocimiento: Las bases biológicas del entendimiento humano. Ediciones Universitarias en Santiago de Chile.

Moral-Martín, D., Pac Salas, D., & Minguijón, J. (2022). Resistencia creativa: una alternativa organizativa viable en el actual capitalismo de plataformas. Editorial Dykinson.

Northwestern University. (2021, abril 14). From Reviews to Revenue Medill Spiegel Research Center. Medill Spiegel Research Center. https://spiegel.medill.northwestern.edu/from-reviews-to-revenue/

Pantelidis, I. (2010). Electronic Meal Experience: A Content Analysis of Online Restaurant Comments. Cornell Hospitality Quarterly - CORNELL HOSP Q, 51, 483-491. https://doi.org/10.1177/1938965510378574

Perez, J. M., Rajngewerc, M., Giudici, J. C., Furman, D. A., Luque, F., Alemany, L. A., & Martínez, M. V. (2023). pysentimiento: A Python Toolkit for Opinion Mining and Social NLP tasks. In Review. https://doi.org/10.21203/rs.3.rs-3570648/v1

Phuangsuwan, P., Siripipatthanakul, S., Limna, P., & Pariwongkhuntorn, N. (2024). The impact of Google Maps application on the digital economy. Corporate & Business Strategy Review, 5(1), 192–203. https://doi.org/10.22495/cbsrv5i1art18

Plaza-del-Arco, F. M., & Strapparava, C. (2020). EmoEvent: A Multilingual Emotion Corpus based on different Events. 2020.

Schoenmueller, V., Netzer, O., & Stahl, F. (2020). The Polarity of Online Reviews: Prevalence, Drivers and Implications. Journal of Marketing Research, 57(5), 853-877. https://doi.org/10.1177/0022243720941832

Schuckert, M., Liu, X., & Law, R. (2015). Insights into Suspicious Online Ratings: Direct Evidence from TripAdvisor. Asia Pacific Journal of Tourism Research, 21. https://doi.org/10.1080/10941665.2015.1029954

Sennett, R. (2009). El artesano (M. A. Galmarini, Trad.). Editorial Anagrama. (Obra original publicada en 2008).

Shannon, C. E., & Weaver, W. (1949). A mathematical theory of communication. University of Illinois Press.

Shih, C.-F., Huang, S.-L., & Huang, H.-C. (2023). The dissemination and impacts of deceptive eWOM: A dynamic process perspective. Behaviour and Information Technology, 42(8), 1155-1179.

Steur, A. J., Fritzsche, F., & Seiter, M. (2022). It’s all about the text: An experimental investigation of inconsistent reviews on restaurant booking platforms. Electronic Markets, 32(3), 1187-1220. https://doi.org/10.1007/s12525-022-00525-3

Tan, H., Lv, X., Liu, X., & Gursoy, D. (2018). Evaluation nudge: Effect of evaluation mode of online customer reviews on consumers’ preferences. Tourism Management, 65, 29-40. https://doi.org/10.1016/j.tourman.2017.09.011

Taste Atlas (2023). Where to eat? Puebla de Zaragoza, México https://www.tasteatlas.com/puebla-de-zaragoza

United Nations Educational, Scientific and Cultural Organization UNESCO. (2010). La cocina tradicional mexicana, cultura comunitaria, ancestral y viva - El paradigma de Michoacán. https://ich.unesco.org/es/RL/la-cocina-tradicional-mexicana-cultura-comunitaria-ancestral-y-viva-el-paradigma-de-michoacan-00400

Wang, B., & Kuan, K. (2022). Understanding the Message and Formulation of Fake Online Reviews: A Language-production Model Perspective. AIS Transactions on Human-Computer Interaction, 14, 207-229. https://doi.org/10.17705/1thci.00167

Wiener, N. (1948). Cibernética: o el control y la comunicación en los animales y las máquinas. Tusquets.

Wu, Y., Ngai, E., Pengkun, W., & Wu, C. (2020). Fake online reviews: Literature review, synthesis, and directions for future research. Decision Support Systems, 132, 113280. https://doi.org/10.1016/j.dss.2020.113280

Ye, Q., Law, R., & Gu, B. (2009). The impact of online user reviews on hotel room sales. International Journal of Hospitality Management, 28(1), 180-182. https://doi.org/10.1016/j.ijhm.2008.06.011

Yunus. (2022, agosto 1). Google Maps Scraping in Python | Outscraper. https://outscraper.com/google-maps-scraping-in-python/

Zhang, D., Zhou, L., Kehoe, J. L., & Kilic, I. Y. (2016). What Online Reviewer Behaviors Really Matter? Effects of Verbal and Nonverbal Behaviors on Detection of Fake Online Reviews. Journal of Management Information Systems, 33(2), 456-481. https://doi.org/10.1080/07421222.2016.1205907

Zhang, Z., Li, Y., Li, H., & Zhang, Z. (2022). Restaurants’ motivations to solicit fake reviews: A competition perspective. International Journal of Hospitality Management, 107, 103337. https://doi.org/10.1016/j.ijhm.2022.103337