Implementación de una metodología basado en IA para el análisis de la gestión pública: un enfoque innovador para combatir la pobreza en la ciudad de San José de Cúcuta.

El proyecto propone una metodología innovadora basada en inteligencia artificial (IA) para analizar los comportamientos socioeconómicos de la población de San José de Cúcuta, con el fin de fortalecer la toma de decisiones públicas orientadas a la reducción de la pobreza extrema. La ciudad enfrenta un escenario complejo marcado por migración masiva, violencia territorial, desigualdad estructural y limitaciones institucionales que han profundizado las brechas socioeconómicas. Las metodologías tradicionales de análisis, centradas principalmente en indicadores monetarios o categorizaciones simplificadas, han demostrado insuficiencia para comprender la diversidad y la multidimensionalidad de la pobreza en territorios fronterizos. Por ello, el estudio plantea la necesidad de incorporar técnicas avanzadas de IA como una alternativa estratégica, rigurosa y replicable para segmentar a la población e identificar con mayor precisión los núcleos de vulnerabilidad. El marco conceptual se fundamenta en la pobreza multidimensional, particularmente en la metodología Alkire-Foster, en los enfoques de desarrollo humano de Amartya Sen y en modelos contemporáneos de análisis causal. La investigación reconoce la pobreza como un fenómeno estructural que abarca múltiples dimensiones: educación, salud, condiciones de vivienda, empleo, acceso a servicios básicos y participación social. Desde la perspectiva tecnológica, se integran principios de machine learning, aprendizaje no supervisado, inteligencia artificial explicable (XAI) e interoperabilidad de datos, relevando su utilidad para la gestión pública cuando se aplican de forma ética, transparente y con criterios robustos de calidad de datos. Metodológicamente, la investigación se desarrolló en tres fases principales. La primera consistió en la recolección, depuración y normalización de datos provenientes de fuentes oficiales, censos, registros administrativos y encuestas. Se aplicaron procesos de limpieza, eliminación de duplicados, imputación de valores faltantes y codificación categórica, generando un dataset confiable y representativo. La segunda fase correspondió al análisis exploratorio y segmentación mediante algoritmos de aprendizaje no supervisado. Se emplearon K-Means++, DBSCAN y métricas como el coeficiente de Silhouette, correlaciones de Pearson y validaciones piloto para asegurar la consistencia de los hallazgos. La tercera fase integró los resultados del clustering con análisis cualitativo a través de un grupo focal, logrando triangulación metodológica y una interpretación más profunda de los patrones detectados,.

• Autores: Rodríguez Guevara, Jorge Enrique
• Fecha de publicación: 2025
• Institución: Universidad Simón Bolívar
• Repositorio: Repositorio Digital USB
• Idioma: spa
• OAI Identifier: oai:bonga.unisimon.edu.co:20.500.12442/17279
• Acceso en línea: https://hdl.handle.net/20.500.12442/17279
• Palabra clave: Inteligencia artificial; Pobreza multidimensional; Gestión Pública; Segmentación socioeconómica; Machine learning; Artificial intelligence; Multidimensional poverty; Public management; Socioeconomic segmentation; Machine learning
• Rights: embargoedAccess
• License: Attribution-NonCommercial-NoDerivatives 4.0 International