Análisis bibliométrico de la inseguridad alimentaria y la malnutrición en poblaciones vulnerables

• Veliz Villca, Ximena Marisol ^[1]
  1. [1] Universidad Técnica de Oruro

     Universidad Técnica de Oruro

     Bolivia

     
• Localización: Esprint Investigación, ISSN-e 2960-8317, Vol. 5, Nº. Extra 1, 2026 (Ejemplar dedicado a: Sustainability and Development Studies (Special Edition 1)), págs. 343-363
• Idioma: español
• Títulos paralelos:
  • Bibliometric analysis of food insecurity and malnutrition in vulnerable populations
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Esta investigación tuvo como objetivo analizar la arquitectura y la evolución del conocimiento científico sobre inseguridad alimentaria y malnutrición en poblaciones vulnerables a nivel mundial durante el período 2020–2026, identificando los principales liderazgos intelectuales, tendencias territoriales y líneas emergentes de investigación relacionadas con la prevención y la salud pública. Para ello, se realizó un estudio bibliométrico basado en un corpus de 274 documentos científicos indexados en Scopus. El análisis incluyó indicadores de productividad científica, tendencias de publicación, redes de co-citación y mapas de co-ocurrencia de términos, complementados con la identificación de enfoques emergentes vinculados con la inteligencia artificial y el aprendizaje automático aplicados a la vigilancia nutricional. Los resultados evidenciaron un incremento sostenido de la producción científica, alcanzando su máximo nivel en 2025. Asimismo, se identificó una estrecha relación entre inseguridad alimentaria, factores socioeconómicos y malnutrición, así como el creciente interés por la denominada doble carga de la malnutrición, caracterizada por la coexistencia de obesidad y retraso del crecimiento en poblaciones vulnerables. Los análisis temáticos mostraron una transición desde enfoques descriptivos hacia modelos predictivos orientados a la detección temprana de riesgos nutricionales mediante herramientas de inteligencia artificial y aprendizaje automático. Se concluye que la investigación científica sobre inseguridad alimentaria y malnutrición ha evolucionado hacia enfoques multidimensionales que integran determinantes sociales, territoriales y tecnológicos. Asimismo, se destaca el potencial de los sistemas predictivos basados en datos para fortalecer la planificación de intervenciones preventivas y contribuir al diseño de políticas públicas orientadas a mejorar la seguridad alimentaria y el bienestar nutricional de las poblaciones vulnerables.

  • English

    This study aimed to analyze the architecture and evolution of global scientific knowledge on food insecurity and malnutrition in vulnerable populations during the period 2020–2026, identifying the main intellectual leaders, territorial trends, and emerging research lines related to prevention and public health. A bibliometric study was conducted using a corpus of 274 scientific documents indexed in Scopus. The analysis included scientific productivity indicators, publication trends, co-citation networks, and term co-occurrence maps, complemented by the identification of emerging approaches associated with artificial intelligence and machine learning applied to nutritional surveillance. The results revealed a sustained increase in scientific production, reaching its highest level in 2025. Furthermore, a strong relationship was identified between food insecurity, socioeconomic factors, and malnutrition, as well as a growing interest in the double burden of malnutrition, characterized by the coexistence of obesity and stunting in vulnerable populations. The thematic analyses demonstrated a transition from descriptive approaches toward predictive models focused on the early detection of nutritional risks through artificial intelligence and machine learning tools. The study concludes that scientific research on food insecurity and malnutrition has evolved toward multidimensional approaches that integrate social, territorial, and technological determinants. It also highlights the potential of data-driven predictive systems to strengthen the planning of preventive interventions and support the development of public policies aimed at improving food security and nutritional well-being among vulnerable populations.