En los últimos quince años, se ha presenciado una inmensa expansión en el uso y producción de aplicaciones móviles. La intensa competencia en el sector tecnológico y también los requisitos de los usuarios que evolucionan rápidamente y constantemente han llevado a un aumento de la carga sobre los creadores de aplicaciones móviles. Hoy en día, cumplir con las expectativas de los usuarios no puede lograrse fácilmente y se necesitan enfoques nuevos y no convencionales para permitir que un público interesado de usuarios contribuya en la introducción de aplicaciones móviles creativas. De hecho, los usuarios y desarrolladores de aplicaciones móviles son los candidatos más influyentes para participar en cualquiera de las actividades de ingeniería de requisitos. El lugar donde ambos pueden encontrarse mejor es en Twitter, una de las plataformas de redes sociales más utilizadas. Más interesante aún, Twitter se considera un terreno fértil para el contenido textual generado por la multitud que puede ayudar en la construcción de modelos de clasificación predictiva robustos utilizando técnicas de aprendizaje automático (ML) y procesamiento del lenguaje natural (NLP). Por lo tanto, en este estudio, hemos construido dos modelos de clasificación que pueden identificar usuarios y desarrolladores de aplicaciones móviles utilizando tweets. Se experimentó una comparación empírica exhaustiva de diferentes técnicas de extracción de características y algoritmos de clasificación de aprendizaje automático para encontrar los clasificadores de usuarios y desarrolladores de aplicaciones móviles con mejor rendimiento. Los resultados revelaron que para la clasificación de usuarios de aplicaciones móviles, la mayor precisión alcanzada fue ~0.86, producida a través de regresión logística (LR) utilizando Frecuencia de Término Inversa de Documento (TF-IDF) con N-grama (unigrama, bigrama y trigrama), y la mayor precisión fue ~0.86, producida a través de LR utilizando Bolsa de Palabras (BOW) con N-grama (unigrama y bigrama). Por otro lado, para la clasificación de desarrolladores de aplicaciones móviles, la mayor precisión alcanzada fue ~0.87, producida por random forest (RF) utilizando BOW con N-grama (unigrama y bigrama), y la mayor precisión fue ~0.88, producida por red neuronal de percepción multicapa (MLP NN) utilizando BERTweet para la extracción de características. Según los resultados, creemos que los modelos de clasificación desarrollados son eficientes y pueden ayudar a identificar usuarios y desarrolladores de aplicaciones móviles a partir de tweets. Además, visualizamos que nuestros modelos pueden ser aprovechados como un enfoque de selección de multitudes para actividades de ingeniería de requisitos de crowdsourcing para mejorar y diseñar aplicaciones móviles innovadoras y satisfactorias.