Ayuda
Ir al contenido

Dialnet


Resumen de Model-driven engineering and predictive analytics for implementation of sustainable development goals

Emmanuel Okewu

  • español

    La mejora de la calidad de la implementación de los planes de desarrollo sostenible sigue siendo una preocupación entre las entidades implicadas. La medición, la supervisión y la evaluación son las 3 fases cardinales a las que está sometido cualquier plan de desarrollo sostenible para garantizar una implementación exitosa. La implementación de planes globales de sostenibilidad previos estuve lejos de ser impactante, como en el caso de los Objetivos de Desarrollo del Milenio (ODM) y eso significa que existe una necesidad de explorar enfoques mejores para medir, supervisar y evaluar tales planes a nivel nacional y local. El fallo de los ODM se ha atribuido, en parte, a un uso inapropiado de los datos en cuanto a disponibilidad, por un lado, y a la incapacidad para detectar y predecir patrones en los datos disponibles, por el otro. En este trabajo, mejoramos la medición y la supervisión al promover un mejor entendimiento entre las entidades implicadas utilizando la ingeniería dirigida por modelos (model-driven engineering, MDE).

    La MDE simplifica y desmitifica los conceptos de desarrollo. Esto se consigue mediante la demostración gráfica de las entidades y sus relaciones y su cuantificación. También proponemos la integración de la analítica predictiva en la evaluación de los objetivos de desarrollo sostenible utilizando redes neuronales de Deep Learning (deep learning neural networks, DLNN). Esta técnica de aprendizaje automático detecta patrones en los datos existentes y predice el resultado de datos futuros utilizando los patrones aprendidos.

    La combinación de estas contribuciones para mejorar la medición, la supervisión y la evaluación está orientada a la mejora de la implementación de los planes globales presentes y futuros como los Objetivos de Desarrollo Sostenible (2015-2030).

  • English

    Improving the quality of implementation of sustainable development plans remains a concern among involved actors. Measurement, monitoring and evaluation are the three cardinal phases that any sustainable development plan is subjected to in order to guarantee successful implementation.

    The less-than-impressive implementation of previous global sustainable plans such as the Millennium Development Goals (MDGs) mean that there is need to explore a better approach to measuring, monitoring, and evaluating of plans at national and sub-national levels. The failure of the MDGs (2000-2015) has been partly blamed on inadequate use of data expressed in terms availability on one hand, and inability to detect and predict patterns in the available data on the other hand. In this present work, we improve on measurement and monitoring by promoting understanding and collaboration among stakeholders using model-driven engineering (MDE).

    MDE simplifies and demystifies system development concepts. This is achieved by graphically demonstrating entities and relationships and quantifying them. We also propose the integration of predictive analytics in the evaluation of sustainable development objectives using deep learning neural networks (DLNN). This machine learning technique detects patterns in existing data and predicts outcome of future data using patterns learnt. The combination of these contributions in improving measurement, monitoring and evaluation is aimed at improving the implementation of present and future global plans such as the Sustainable Development Goals (2015 -2030).


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus