Los métodos tradicionales de análisis de sentimientos utilizan léxicos o modelos de aprendizaje automático para clasificar el texto como positivo o negativo. Estos enfoques no pueden capturar la matiz o la intensidad en textos cortos o informales. Proponemos un método novedoso que utiliza la escala de valencia del Manikin de Autoevaluación (SAM), que proporciona una medición continua del sentimiento, que va desde extremadamente positivo hasta extremadamente negativo. Describimos el desarrollo de un léxico de palabras cargadas de emoción con escalas de valencia SAM e investigamos su aplicación al análisis de sentimientos de alta precisión. También proponemos un enfoque de polaridad basado en léxicos para complementar las características textuales en modelos de aprendizaje automático entrenados para predecir una etiqueta de sentimiento numérica para un texto dado. Este método se evalúa utilizando un nuevo conjunto de datos de textos cortos con etiquetas de sentimiento basadas en calificaciones de expertos, que se predicen utilizando varios mecanismos de fusión de aprendizaje automático. Se encuentra que el método de polaridad basado en léxicos proporciona mejoras de 0.250, 0.999 y 0.261 en el error cuadrático medio para arquitecturas de aprendizaje automático clásicas, RNN y basadas en transformadores, respectivamente.