Resumen de Optimización de Criterios de Búsqueda avanzada para Nuevas Tendencias en la Académica mediante Machine Learning

Lady M. Sangacha Tapia, Yomar González Cañizalez, John Rivas Herrera

• español

  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.

• English

  The growing availability of large volumes of data has generated new assets for various industries. This poses a key challenge for higher education: measuring, defining, and structuring these assets by identifying relevant lines of research. These lines should serve as a guide in the training of new professionals, responding to the growing demand for technological skills within Industry 4.0. The present study aims to establish solid criteria for identifying areas of research applicable to this context. To achieve this, the Sample, Explore, Modify, Model, and Evaluate model has been used, which covers all stages of the data mining process, from initial collection to final evaluation of the models. Through a bibliometric analysis based on four key characteristics, essential fields of knowledge for the development of lines of research were identified by analyzing 1,300 high-impact scientific articles. As a result, the application of the Near Zero algorithm automated the classification of search criteria. This approach not only facilitates the identification of emerging areas but also opens up new opportunities in diverse industrial sectors, highlighting the relevance of academia to technological advancement as part of digital transformations.