Optimización de Criterios de Búsqueda avanzada para Nuevas Tendencias en la Académica mediante Machine Learning
Palabras clave:
máquina, industria, líneas de investigación, Productores de bases de datos bibliográficasResumen
La creciente disponibilidad de grandes volúmenes de datos ha generado nuevos activos para diversas industrias. Esto plantea un desafío clave para la educación superior: medir, definir y estructurar dichos activos mediante la identificación de líneas de investigación relevantes. Estas líneas deben servir de guía en la formación de nuevos profesionales, atendiendo a la creciente demanda de competencias tecnológicas dentro de la Industria 4.0. El presente estudio tiene como objetivo establecer criterios sólidos que permitan identificar áreas de investigación aplicables a este contexto. Para lograrlo, se ha empleado el modelo Muestrear, Explorar, Modificar, Modelar y Evaluar, el cual abarca todas las etapas del proceso de minería de datos, desde la recopilación inicial hasta la evaluación final de los modelos. Mediante un análisis bibliométrico, basado en cuatro características clave, se identificaron campos de conocimiento esenciales para el desarrollo de líneas de investigación por el análisis de 1,300 artículos científicos de alto impacto. Como resultado, la aplicación del algoritmo Near Zero automatizó la clasificación de criterios de búsqueda. Este enfoque no solo facilita la identificación de áreas emergentes, sino que también abre nuevas oportunidades en sectores industriales diversos, relevancia de la académica para el avance tecnológico como parte de las transformaciones digitales.
Referencias
Alonso Gamboa, J. O., & Reyna Espinosa, F. R. (2005). Compilación de datos bibliométricos regionales usando las bases de datos clase y periódica. Revista Interamericana de Bibliotecología, 28(1), 63-78. https://doi.org/10.17533/udea.rib.8596
Angarita Becerra, L. D. (2014). Estudio bibliométrico sobre uso de métodos y técnicas cualitativas en investigación publicada en bases de datos de uso común entre el 2011-2013. Revista Iberoamericana de Psicología, 7(2), 67–76. https://doi.org/10.33881/2027-1786.rip.7207
Arbeláez Gómez, M. C., & Onrubia Goñi, J. (2016). Análisis bibliométrico y de contenido. Dos metodologías complementarias para el análisis de la revista colombiana Educación y Cultura. Revista De Investigaciones · UCM, 14(23), 14–31. https://doi.org/10.22383/ri.v14i1.5 DOI: https://doi.org/10.22383/ri.v14i1.5
Augusto Cortez Vásquez, M., Hugo Vega Huerta, M., Jaime, L., & Quispe, P. (2009). Procesamiento de lenguaje natural. Revista de Ingeniería de Sistemas e Informática, 6(2), 45-54. https://sisbib.unmsm.edu.pe/bibvirtual/publicaciones/risi/2009_n2/v6n2/a06v6n2.pdf
Bello García, M., Bello Pérez, R., Nápoles, G., Vanhoof, K., García Lorenzo, M., & Aguilera Calzadilla, Y. (2023). Desarrollo de técnicas para el preprocesamiento y la predicción de problemas de clasificación multietiqueta. Anales de la Academia de Ciencias de Cuba, 13(3), e1344. https://revistaccuba.sld.cu/index.php/revacc/article/view/1344
Beltrán Beltrán, N. C., y Rodríguez Mojica, E. C. (2021). Procesamiento del lenguaje natural (PLN) - GPT-3.: Aplicación en la Ingeniería de Software . Tecnología Investigación y Academia, 8(1), 18–37. https://revistas.udistrital.edu.co/index.php/tia/article/view/17323
Blanch, J., Gil, F., Antino, M., & Rodríguez-Muñoz, A. (2016). Modelos De Liderazgo Positivo: Marco Teórico Y Líneas De Investigación. In Papeles del Psicólogo / Psychologist Papers, 37(3). https://www.papelesdelpsicologo.es/pdf/2772.pdf
Camacho, J., Moreno, S., Suarez‐Obando, F., Puyana, J. C., & Gómez‐Restrepo, C. (2013). El procesamiento de lenguaje natural y su relación con la investigación en salud mental. Revista Colombiana de Psiquiatría, 42(2), 227-233. https://www.redalyc.org/articulo.oa?id=80629187011 DOI: https://doi.org/10.1016/S0034-7450(13)70011-8
Escorcia, T. A. (2008). Análisis bibliométrico como herramienta para el seguimiento de publicaciones científicas, tesis y trabajos de grado. Recuperado de: http://hdl.handle.net/10554/8212
Espinosa-Castro, J.F., Hernández-Lalinde, J., Rodríguez, J. E., Chacín, M., & Bermúdez-Pirela, V. (2019). Indicadores bibliométricos para investigadores y revistas de impacto en el área de la salud. AVFT – Archivos Venezolanos De Farmacología Y Terapéutica, 38(3). http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/16806
Estrella, N., & Lastra-Bravo, X. B. (2019). Análisis bibliométrico de los trabajos de titulación de ocho Universidades de Pichincha, Napo y Orellana (Ecuador). Siembra, 6(1), 050–067. https://doi.org/10.29166/siembra.v6i1.1720 DOI: https://doi.org/10.29166/siembra.v6i1.1720
Flores-Fernández, C., & Aguilera-Eguía, R. (2019). Bibliometric indicators and their importance in clinical research. Why know them?, Revista de la Sociedad Espanola del Dolor 26(5). (315–316). https://doi.org/10.20986/resed.2018.3659/2018 DOI: https://doi.org/10.20986/resed.2018.3659/2018
López Telenchana, L. S. L., Serrano Torres, G. J., Quintana López, X. A., & Reina Haro, D. M. (2024). Machine Learning in Industry 4.0: a systematic review. Salud, Ciencia y Tecnología, 4, 1068. https://doi.org/10.56294/saludcyt20241068 DOI: https://doi.org/10.56294/saludcyt20241068
Muñoz-Estrada, G. K., Chumpitaz Caycho, H. E., Barja-Ore, J., Valverde-Espinoza, N., Verde-Vargas, L., & Mayta-Tovalino, F. (2022). Bibliometric analysis of the world scientific production on the flipped classroom in medical education. Educacion Medica, 23(5). https://doi.org/10.1016/j.edumed.2022.100758 DOI: https://doi.org/10.1016/j.edumed.2022.100758
Rojas, G. C., Carreño, S. C., Ovalle, C., & Chávez, E. H. R. (2023). Intelligent predictive model applying Data Mining strategies for a credit evaluation of a commercial company. Proceedings of the LACCEI International Multi-Conference for Engineering, Education and Technology, 2023-July. https://doi.org/10.18687/laccei2023.1.1.1148 DOI: https://doi.org/10.18687/LACCEI2023.1.1.1148
Romaní, F., Huamaní, C., & González-Alcaide, G. (2011). Estudios bibliométricos como línea de investigación en las ciencias biomédicas: Una aproximación para el pregrado. CIMEL Ciencia e Investigación Médica Estudiantil Latinoamericana, 16(1), 52-62. http://www.redalyc.org/articulo.oa?id=71723602008
Sandoval-Almazán, Rodrigo. (2011). Mentes en peligro: El daño de internet en nuestro cerebro. Convergencia, 18(56), 241-248. Recuperado en 31 de mayo de 2025, de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-14352011000200010&lng=es&tlng=es.
Solano-Gutiérrez, G. A. (2024). La Tecnología en la Educación a Distancia: Revisión de Progresos y Obstáculos a Superar. Revista Científica Zambos, 3(2), 48-73. https://doi.org/10.69484/rcz/v3/n2/17 DOI: https://doi.org/10.69484/rcz/v3/n2/17
Unesco (2014), La Clasificación Internacional Normalizada de la Educación (CINE) forma parte de la familia internacional de Clasificaciones Manual que acompaña la Clasificación Internacional Normalizada de la Educación 2011 Campos de educación y capacitación 2013 de la CINE (IsCEd-F 2013). https://doi.org/10.15220/978-92-9189-157-3-sp DOI: https://doi.org/10.15220/978-92-9189-157-3-sp
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2025 Sangacha-Tapia, Lady, González-Cañizalez, Yomar, Rivas-Herrera, John (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
