Contenido principal del artículo

Raul Ramos Pollán
En los últimos diez años, los métodos y técnicas de inteligencia artificial (IA) han visto grandes avances, y han pasado a formar parte, en muchos casos, del paisaje habitual desde el cual se abordan nuevos o antiguos problemas en distintas áreas del conocimiento humano. En este avance confluyen distintos aspectos, y en especial tres: la disponibilidad y la variedad de datos de manera generalizada en muchas de las áreas de actividad humana; un entendimiento más profundo de las matemáticas que gobiernan la algorítmica subyacente; y una disponibilidad y capacidad de hardware y del cómputo que permiten una experimentación amplia y profusa de los datos. Teniendo en cuenta estos aspectos, el reto fundamental en cada problema y en cada ámbito de aplicación se enfoca en entender cómo utilizar estas tecnologías, qué alcance pueden llegar a tener y qué limitaciones hay que superar para poder tener resultados beneficiosos de ellas (en términos de costes de producción, valor, etc.). Este reto incluye aspectos como la identificación de las fuentes de datos y sus necesidades de integración y curación; la necesidad y el coste de adquirir o construir datasets etiquetados; la medición de la volumetría de datos necesaria; y la validación de su factibilidad, el planteamiento técnico de las tareas de analítica de datos y su alineación con los objetivos de la aplicación final; etc. Las ciencias sociales y de la comunicación no son una excepción a estos campos del conocimiento ligados a la IA, aunque sí presentan particularidades que definen el tipo de tecnologías y métodos de IA que son más apropiados (i.e. procesamiento de lenguaje natural). La utilización exitosa de técnicas de IA en estas disciplinas corresponde, no solo al conocimiento de las técnicas, sino también al establecimiento de contextos de aplicación factibles, que incluyan la disponibilidad de datos, la complejidad adecuada de la tarea a realizar y los procedimientos de validación con expertos en el área. Este trabajo presenta una introducción a la metodología gracias a la cual se generan modelos de IA, un resumen de los métodos y servicios de ia con más potencial de usarse en ciencias sociales y de la comunicación y, finalmente, algunos ejemplos de aplicaciones que ilustran consideraciones prácticas y técnicas al respecto.

Descargas

Los datos de descargas todavía no están disponibles.

Raul Ramos Pollán, Universidad de Antioquia

Profesor Asociado, Facultad de Ingeniería

Alaei, A., Becken, S., & Stantic, B. (2019). Sentiment analysis in tourism: capitalizing on big data. Journal of

Travel Research, 58(2) , 175-191. Doi: https://doi.org/10.1177/0047287517747753

Arcila-Calderón, C., Ortega-Mohedano, F., Jiménez-Amores, J., & Trullenque, S. (2017). Análisis supervisado

de sentimientos políticos en español: clasificación en tiempo real de tweets basada en aprendizaje automá-

tico. El profesional de la información, 26(5), 1699-2407. Doi: https://doi.org/10.3145/epi.2017.sep.18

Bachhety, S., et al. (2018). Crime Detection Using Text Recognition and Face Recognition. International Journal of Pure and Applied Mathematics, 119(15), 2797-2807. Recuperado de https://acadpubl.eu/hub/2018-

-15/2/298.pdf

Chang, Y., Yi Lee, F. & Chen, C. (2018). A public opinion keyword vector for social sentiment analysis

research. En Tenth International Conference on Advanced Computational Intelligence (ICACI). IEEE .

Diou, C., Lelekas, P . & Delopoulos, A. (2018). Image-Based Surrogates of Socio-Economic Status in Urban

Neighborhoods Using Deep Multiple Instance Learning. Journal of Imaging 4(11), 125. Doi: 10.3390/

jimaging4110125

Etter, M., et al. (2018). Measuring O rganizational Legitimacy in Social Media: Assessing Citizens’ Judgments

with Sentiment Analysis. Business & Society, 57(1), 60-97. Doi: 10.1177/0007650316683926

Gómez-Torres, E., Jaimes, R., Hidalgo, O. & Luján-Mora, S. (2018). Influence of social networks on the

analysis of sentiment applied to the political situation in Ecuador. Enfoque UTE, 9(1), 67- 78. Doi: 10.29019/

enfoqueute.v9n1.235

Ma, T. (2018). Multi-Level Relationships between Satellite-Derived Nighttime Lighting Signals and Social

Media–Derived Human Population Dynamics. Remote Sensing, 10(7), 1128. Doi: 10.3390/rs10071128

Martínez-Cámara, E., Díaz-Galiano, M. C., García-Cumbreras, A., García-Vega, M. & Villena-Román, J. (2017).

Resumen de TASS 2017. TASS 2017: Workshop on Semantic Analysis at SEPLN Proceedings ( 13- 21). Recuperado

de http://www.sepln.org/workshops/tass/

Moor J. (2006). The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years. AI Magazine,

(4), 87- 91. Doi: 10.1609/aimag.v27i4.1911

Olazaran, M. (1996). A Sociological Study of the Official History of the Perceptrons Controversy. Social

Studies of Science, 26(3), 611- 659. Doi: 10.1177/030631296026003005

Pranav, A., Sukiennik, N. & Hui, P. (2018). Inflo: News Categorization and Keyphrase Extraction for Implementation in an Aggregation System. arXiv preprint arXiv:1812.03781

Poecze, F. , Ebster, C. & Strauss, C. (2018). Social media metrics and sentiment analysis to evaluate the effectiveness of social media posts. Procedia Computer Science, 130, 660-666. Doi: https://doi.org/10.1016/j.

procs.2018.04.117

Rosenblatt, F. (1957). The Perceptron--a perceiving and recognizing automaton. Report. Cornell Aeronautical

Laboratory, 85-460-1.

Russakovsky, O. et al. (2015). ImageNet Large Scale Visual Recognition Challenge. IJCV, 115(3), 211-252.

Doi: https://doi.org/10.1007/s11263-015-0816-y

Stegmeier, J., et al. (2019). Multi-method Discourse Analysis of Twitter Communication: A Comparison of

Two Global Political Issues. En Scholz R. (eds.) Quantifying Approaches to Discourse for Social Scientists

(pp. 285-314). Postdisciplinary Studies in Discourse. Palgrave Macmillan, Cham .

Thelwall, M. (2018). Gender bias in sentiment analysis. Online Information Review, 42(1), 45-57. Doi: 0.1108/

OIR-05-2017-0139

Detalles del artículo