Aprendizaje bayesiano y grafos sociales para mejorar de pronósticos en el análisis bien social en el comportamiento político
DOI:
https://doi.org/10.26507/paper.4539Palabras clave:
Aprendizaje bayesiano, Grafos sociales, inteligencia artifical, aprendizaje profundo, aprendizaje de máquina, Social Good, comportamiento PolíticoResumen
En el comportamiento político y en los movimientos sociales hoy en día cumple un papel importante para la sociedad, en donde las relaciones humanas, culturales, emocionales y electorales[1] [2]. permiten tendencias en los procesos de integración y participación en el bienestar social, esto conocido como las “The AI For Social Good (AI4SG)”[3], son implementadas en modelos computacionales que evidencia la inteligencia artificial (IA), Deep Learning (DL) y Machine Learning (ML)[4] como mejora a las métricas de desempeño
En el comportamiento político y en los movimientos sociales hoy en día cumple un papel importante para la sociedad, en donde las relaciones humanas, culturales, emocionales y electorales. permiten tendencias en los procesos de integración y participación en el bienestar social, esto conocido como las “The AI For Social Good (AI4SG)”, son implementadas en modelos computacionales que evidencia la inteligencia artificial (IA), Deep Learning (DL) y Machine Learning (ML) como mejora a las métricas de desempeño en pronósticos de datos, en procesos no supervisados y a en toma de decisiones basados en Procesamientos del Lenguaje Natural (NLP). Esto conlleva a obtener resultados de análisis, automatización, simulación, diagnóstico y predicción en variedad de contextos reales. Lo cual, el aprendizaje bayesiano se enfoca en la estadística para el análisis e interpretación y la capacidad para manejar el conocimiento de la manipulación asertiva de los datos. Así mismo el modelo de grafos sociales se proyecta la interacción entre individuos que permitan análisis proximidad de patrones en el comportamiento social apoyados herramientas y técnicas. finalmente, esta propuesta de tesis doctoral se centra en la integración de los dos modelos computacionales para un bien común social apoyados por la inteligencia artificial para determinar el impacto en los fenómenos de la politología en las tendencias o reacciones de la comunidad.
Biografía del autor/a
Jorge Enrique Otálora Luna, Universidad Pedagógica y Tecnológica de Colombia
Director de la Propuesta Doctoral
Citas
Abbasi, A., Chiang, R.H.L. and Xu, J.J. (2023) Data Science for Social Good.
Abbasimehr, H. and Paki, R. (2021) ‘Prediction of COVID-19 confirmed cases combining deep learning methods and Bayesian optimization’, Chaos, Solitons and Fractals, 142. Available at: https://doi.org/10.1016/j.chaos.2020.110511.
Abduallah, Y. et al. (2024) ‘Prediction of the SYM-H Index Using a Bayesian Deep Learning Method With Uncertainty Quantification’, Space Weather, 22(2). Available at: https://doi.org/10.1029/2023SW003824.
De Andrea Sánchez, F.J. (2024) ‘partidos políticos y las elecciones en la era de la inteligencia artificial’, Revista de la Facultad de Derecho de México, 74(e), pp. 1015–1040. Available at: https://doi.org/10.22201/fder.24488933e.2024.e.88697.
Astobiza, A.M. (2021) ‘ARTIFICIAL INTELLIGENCE FOR SOCIAL GOOD (AI4SG): AI AND SUSTAINABLE DEVELOPMENT GOALS’, Arbor, 197(802). Available at: https://doi.org/10.3989/arbor.2021.802007.
Bustos, A. et al. (2008) andeva Para diseÑo comPletamente al aZar (dca) TOOLS BIOLOGISTS MAY USE TO ANALIZE THEIR EXPERIMENTAL DATA: LESSON 3. ? HOw TO USE ANALYSIS OF VARIANCE IN SOME COMMON CASES? ANOVA FOR A COMPLETELY RANDOM DESIGN (CRD) lo Que los biologos Pueden usar Para analiZar sus datos eXPerimentales: lección 3: ¿como usar análisis de varianZa Para algunos casos comunes? Nueva Granada. Available at: https://revistas.unimilitar.edu.co/index.php/rfcb/article/view/2240/1947?time=1722522769 (Accessed: 17 April 2025).
Casillas, M.Á. et al. (2021) Representaciones sociales, educación y análisis cualitativo con IRaMuTeQ Dirección Editorial. Available at: https://benv.edu.mx/wp-content/uploads/2023/10/Representaciones-sociales-IRaMuTeQ.pdf#page=23 (Accessed: 21 April 2025).
Huertas-García, R. et al. (2016) ‘Effet de la conception conjointe sur l’aptitude cognitive et le rendement. Une proposition de conception basée sur des blocs incomplets équilibrés’, Innovar, 26(59), pp. 73–90. Available at: https://doi.org/10.15446/innovar.v26n59.54325.
JOSÉ ANTONIO MONTILLA MARTOS (2023) INTELIGENCIA ARTIFICIAL Y DERECHOS DE PARTICIPACIÓN POLÍTICA. Available at: https://doi.org/https://doi.org/10.30827/dlf.1.2023.28552.
Kan, S. et al. (2022) ‘Contrastive Bayesian Analysis for Deep Metric Learning’. Available at: http://arxiv.org/abs/2210.04402.
Krishna, C.S. and Anoop, V.S. (2023) ‘Figurative Health-mention Classification from Social Media using Graph Convolutional Networks’, in 9th International Conference on Smart Computing and Communications: Intelligent Technologies and Applications, ICSCC 2023. Institute of Electrical and Electronics Engineers Inc., pp. 570–575. Available at: https://doi.org/10.1109/ICSCC59169.2023.10334990.
Marques Filho, E.G. et al. (2025) ‘O direito constitucional à proteção de dados e o tratamento dos dados pessoais: análise lexical da Política de Privacidade do TikTok a partir do software Iramuteq’, Revista Direito e Práxis, 16(2). Available at: https://doi.org/10.1590/2179-8966/2025/80645.
Nigam, H. and Biswas, P. (2021) ‘Web Scraping: From Tools to Related Legislation and Implementation Using Python’, in, pp. 149–164. Available at: https://doi.org/10.1007/978-981-15-9651-3_13.
RADUÁN LLOPIS, V. (2024) ‘TFG_VICTORIA RADUAN’. Available at: https://titula.universidadeuropea.com/bitstream/handle/20.500.12880/8876/TFG_VICTORIA%20RADUAN.pdf?sequence=1 (Accessed: 17 April 2025).
Rasuman, M.A. et al. (2024) ‘Trends and Networks in Education for Sustainable Development (ESD)… | 110’, Indonesian Journal of Multidisciplinary Research, 4(1), pp. 109–126. Available at: https://doi.org/10.17509/xxxx.xxx.
Ricardo Flores, Ml tlachac and Elke A. Rundenteiner (2022) ‘Measuring the Uncertainty of Environmental Good Preferences with Bayesian Deep Learning’.
Rostami-Tabar, B. et al. (2022) ‘Forecasting for social good’, International Journal of Forecasting, 38(3), pp. 1245–1257. Available at: https://doi.org/10.1016/j.ijforecast.2021.02.010.
Thivaharan., S., Srivatsun., G. and Sarathambekai., S. (2020) ‘A Survey on Python Libraries Used for Social Media Content Scraping’, in 2020 International Conference on Smart Electronics and Communication (ICOSEC). IEEE, pp. 361–366. Available at: https://doi.org/10.1109/ICOSEC49089.2020.9215357.
Thomas, D.M. and Mathur, S. (2019) ‘Data Analysis by Web Scraping using Python’, in 2019 3rd International conference on Electronics, Communication and Aerospace Technology (ICECA). IEEE, pp. 450–454. Available at: https://doi.org/10.1109/ICECA.2019.8822022.
Viudes Fernández, F.J. (2023) ‘Revolucionando la política: El papel omnipresente de la IA en la segmentación y el targeting de campañas modernas’, Más Poder Local, (53), pp. 146–151. Available at: https://doi.org/10.56151/maspoderlocal.183.
Xiong, F. et al. (2023) ‘A new adaptive multi-fidelity metamodel method using meta-learning and Bayesian deep learning’, Structural and Multidisciplinary Optimization, 66(3). Available at: https://doi.org/10.1007/s00158-023-03518-8.
Zhang, L. et al. (2021) ‘Extending Bayesian Learning to Intelligent Learning in Human Way’, in Procedia Computer Science. Elsevier B.V., pp. 118–124. Available at: https://doi.org/10.1016/j.procs.2022.01.015.
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
