Blending sentiment and topic analysis to explain discrete emotions from online fitness center customer reviews

• Alcántara Alcover, Enrique ^[1] ; Hernández Martín, Antonio ^[2] ; Cuevas Campos, Ricardo ^[4] ; Duclos Bastías, Daniel ^[3]
  1. [1] Universidad de Castilla-La Mancha

     Universidad de Castilla-La Mancha

     Ciudad Real, España

     
  2. [2] Universidad Europea de Madrid

     Universidad Europea de Madrid

     Madrid, España

     
  3. [3] Pontificia Universidad Católica de Valparaíso

     Pontificia Universidad Católica de Valparaíso

     Valparaíso, Chile

     
  4. [4] Facultad de Educación, Universidad de Castilla-LaMancha, Spain

  Mostrar afiliaciones +
• Localización: Retos: nuevas tendencias en educación física, deporte y recreación, ISSN-e 1988-2041, ISSN 1579-1726, Nº. 78, 2026, págs. 767-783
• Idioma: inglés
• Títulos paralelos:
  • Combinar análise de sentimento e conteúdo para explicar emoções subtis em avaliações online de clientes de ginásios
  • Combinación del análisis del sentimiento y del contenido para explicar emociones discretas a partir de reseñas online de clientes de gimnasios
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Introducción: Las emociones generadas por los servicios influyen en la satisfacción y la experiencia del cliente. Las reseñas online permiten identificar estos patrones emocionales mediante técnicas de análisis de texto.

    Objetivo: Examinar cómo la relevancia temática y el sentimiento presentes en opiniones digitales predicen emociones discretas de usuarios de gimnasios, proponiendo un enfoque basado en “temas polarizados”.

    Metodología: Se recopilaron 3.250 reseñas de 38 gimnasios españoles. El estudio aplicó un método mixto que combinó modelado temático mediante LDA, análisis de sentimiento con TextBlob y algoritmos de aprendizaje automático (XGBoost), integrados con técnicas de explicabilidad SHAP. La interacción entre temas y polaridad del sentimiento se empleó para predecir diez emociones discretas, como alegría, ira, tristeza o confianza.

    Resultados: La amabilidad del personal, la relación calidad‑precio y la higiene emergieron como temas especialmente predictivos. Las valoraciones positivas relacionadas con el personal incrementaron emociones como alegría y confianza, mientras que comentarios sobre bajas por COVID se asociaron con mayores niveles de ira y tristeza. El enfoque de “temas polarizados” generó una clasificación emocional sólida, alcanzando puntuaciones F1 superiores a 0,84 en la mayoría de las emociones.

    Discusión: Los hallazgos muestran que la combinación de modelado temático, sentimiento y técnicas explicables permite identificar con precisión qué aspectos del servicio desencadenan emociones concretas, proporcionando un marco interpretativo útil para gestores del sector fitness.

    Conclusiones: El método propuesto constituye una aproximación escalable y transparente para predecir emociones discretas en reseñas. Su aplicación puede mejorar el diseño del servicio y la alineación emocional en organizaciones orientadas al bienestar.

  • português

    Introdução: As emoções geradas pelos serviços influenciam a satisfação e a experiência do cliente. As avaliações online permitem identificar estes padrões emocionais através de técnicas de análise de texto.

    Objectivo: Examinar como a relevância temática e o sentimento presentes nas avaliações digitais predizem emoções específicas dos utilizadores de ginásios, propondo uma abordagem baseada em “temas polarizados”.

    Metodologia: Foram recolhidas 3.250 avaliações de 38 academias espanholas. O estudo aplicou uma abordagem de métodos mistos que combinava a modelação temática utilizando LDA, análise de sentimentos com TextBlob e algoritmos de aprendizagem automática (XGBoost), integrados com técnicas de explicabilidade SHAP. A interação entre temas e polaridade do sentimento foi utilizada para prever dez emoções específicas, como a alegria, a raiva, a tristeza e a confiança.

    Resultados: A cordialidade da equipa, o custo-benefício e a higiene surgiram como temas particularmente preditivos. As avaliações positivas relacionadas com a equipa aumentaram emoções como a alegria e a confiança, enquanto os comentários sobre as ausências relacionadas com a COVID-19 foram associados a níveis mais elevados de raiva e tristeza. A abordagem dos “temas polarizados” gerou uma classificação emocional robusta, alcançando pontuações F1 acima de 0,84 para a maioria das emoções.

    Discussão: Os resultados mostram que a combinação de modelação temática, análise de sentimentos e técnicas explicáveis ​​permite a identificação precisa de quais os aspetos do serviço que desencadeiam emoções específicas, fornecendo uma estrutura interpretativa útil para os gestores do setor do fitness.

    Conclusões: O método proposto constitui uma abordagem escalável e transparente para prever emoções discretas em avaliações. A sua aplicação pode melhorar o design de serviços e o alinhamento emocional em organizações orientadas para o bem-estar.

  • English

    Introduction: Emotions elicited by services influence customer satisfaction and overall experience. Online reviews provide a valuable source for identifying these emotional patterns through text‑analysis techniques.

    Objective: To examine how topic relevance and sentiment expressed in digital reviews predict discrete emotions among gym users, proposing an approach based on “polarized topics.” Methodology: A total of 3,250 reviews from 38 Spanish gyms were analyzed. The study employed a mixed‑methods approach combining topic modeling using LDA, sentiment analysis with TextBlob, and machine‑learning algorithms (XGBoost), integrated with SHAP explainability techniques. The interaction between topics and sentiment polarity was used to predict ten discrete emotions, including joy, anger, sadness, and trust.

    Results: Staff friendliness, value for money, and hygiene emerged as highly predictive topics. Positive evaluations of staff increased emotions such as joy and trust, whereas comments related to COVID‑related absences were associated with higher levels of anger and sadness. The “polarized topics” approach yielded strong emotional classification performance, achieving F1‑scores above 0.84 for most emotions.

    Discussion: The findings show that the combination of topic modeling, sentiment analysis, and explainable AI enables precise identification of which service attributes trigger specific emotions, offering a useful interpretive framework for managers in the fitness sector.

    Conclusions: The proposed method constitutes a scalable and transparent approach for predicting discrete emotions in reviews. Its application can support improvements in service design and emotional alignment in organizations oriented toward wellbeing.