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 u...

Full description

Autores:: Rodríguez Guevara, Jorge Enrique

Tipo de recurso:

Fecha de publicación:: 2025

Institución:: Universidad Simón Bolívar

Repositorio:: Repositorio Digital USB

Idioma:: spa

id	USIMONBOL2_c7095161f4fe8b9e063a7f75afbaa6e6
oai_identifier_str	oai:bonga.unisimon.edu.co:20.500.12442/17279
network_acronym_str	USIMONBOL2
network_name_str	Repositorio Digital USB
repository_id_str
dc.title.spa.fl_str_mv	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.
title	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.
spellingShingle	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. Inteligencia artificial Pobreza multidimensional Gestión Pública Segmentación socioeconómica Machine learning Artificial intelligence Multidimensional poverty Public management Socioeconomic segmentation Machine learning
title_short	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.
title_full	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.
title_fullStr	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.
title_full_unstemmed	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.
title_sort	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.
dc.creator.fl_str_mv	Rodríguez Guevara, Jorge Enrique
dc.contributor.advisor.none.fl_str_mv	Moreno Trillos, Silvia Carolina
dc.contributor.author.none.fl_str_mv	Rodríguez Guevara, Jorge Enrique
dc.subject.spa.fl_str_mv	Inteligencia artificial Pobreza multidimensional Gestión Pública Segmentación socioeconómica Machine learning
topic	Inteligencia artificial Pobreza multidimensional Gestión Pública Segmentación socioeconómica Machine learning Artificial intelligence Multidimensional poverty Public management Socioeconomic segmentation Machine learning
dc.subject.keywords.eng.fl_str_mv	Artificial intelligence Multidimensional poverty Public management Socioeconomic segmentation Machine learning
description	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,.
publishDate	2025
dc.date.accessioned.none.fl_str_mv	2025-12-17T19:32:15Z
dc.date.available.none.fl_str_mv	2025-12-17T19:32:15Z
dc.date.issued.none.fl_str_mv	2025
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_db06
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/doctoralThesis
dc.type.spa.none.fl_str_mv	Tesis de doctorado
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12442/17279
url	https://hdl.handle.net/20.500.12442/17279
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.rights.eng.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_f1cf
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/embargoedAccess
rights_invalid_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_f1cf
eu_rights_str_mv	embargoedAccess
dc.format.mimetype.none.fl_str_mv	pdf
dc.publisher.spa.fl_str_mv	Ediciones Universidad Simón Bolívar Facultad de Ingenierías
institution	Universidad Simón Bolívar
bitstream.url.fl_str_mv	https://bonga.unisimon.edu.co/bitstreams/80511eae-89dd-4081-a20c-ad2f4a48d893/download https://bonga.unisimon.edu.co/bitstreams/2970eb99-0a7b-490b-9cb7-07c0d3ec20e3/download https://bonga.unisimon.edu.co/bitstreams/597f805b-743e-4b49-a345-ccd6efebdabd/download https://bonga.unisimon.edu.co/bitstreams/778eacdd-b81d-4161-9fdf-59a3823658ed/download
bitstream.checksum.fl_str_mv	2a1661e5960a7bab4fd8dda692fb677c 3b6ce8e9e36c89875e8cf39962fe8920 077855993bbe97f26a05f3d0154b08c2 f942f470e60985b0f5de25e0c681b096
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Digital Universidad Simón Bolívar
repository.mail.fl_str_mv	repositorio.digital@unisimon.edu.co
_version_	1858228262161874944
spelling	Moreno Trillos, Silvia CarolinaRodríguez Guevara, Jorge Enriqueff366ac0-743b-4909-8665-ce846fe299e6-12025-12-17T19:32:15Z2025-12-17T19:32:15Z2025https://hdl.handle.net/20.500.12442/17279El 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,.The project proposes an innovative methodology based on artificial intelligence (AI) to analyze the socioeconomic behaviors of the population of San José de Cúcuta, with the aim of strengthening public decision-making focused on reducing extreme poverty. The city faces a complex scenario marked by mass migration, territorial violence, structural inequality, and institutional limitations that have deepened socioeconomic gaps. Traditional analytical methodologies, primarily focused on monetary indicators or simplified categorizations, have proven insufficient to understand the diversity and multidimensionality of poverty in border regions. Therefore, the study argues for the need to incorporate advanced AI techniques as a strategic, rigorous, and replicable alternative for segmenting the population and more accurately identifying areas of vulnerability. The conceptual framework is based on multidimensional poverty, particularly the Alkire-Foster methodology, Amartya Sen's human development approaches, and contemporary models of causal analysis. The research recognizes poverty as a structural phenomenon encompassing multiple dimensions: education, health, housing conditions, employment, access to basic services, and social participation. From a technological perspective, it integrates principles of machine learning, unsupervised learning, explainable artificial intelligence (XAI), and data interoperability, highlighting their usefulness for public administration when applied ethically, transparently, and with robust data quality criteria. Methodologically, the research was developed in three main phases. The first consisted of collecting, cleaning, and normalizing data from official sources, censuses, administrative records, and surveys. Processes such as cleaning, duplicate removal, imputation of missing values, and categorical coding were applied, generating a reliable and representative dataset. The second phase involved exploratory analysis and segmentation using unsupervised learning algorithms. KMeans++, DBSCAN, and metrics such as the Silhouette coefficient, Pearson correlations, and pilot validations were used to ensure the consistency of the findings. The third phase integrated the clustering results with qualitative analysis through a focus group, achieving methodological triangulation and a deeper interpretation of the detected patterns.pdfspaEdiciones Universidad Simón BolívarFacultad de IngenieríasAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/embargoedAccesshttp://purl.org/coar/access_right/c_f1cfInteligencia artificialPobreza multidimensionalGestión PúblicaSegmentación socioeconómicaMachine learningArtificial intelligenceMultidimensional povertyPublic managementSocioeconomic segmentationMachine learningImplementación 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.info:eu-repo/semantics/doctoralThesisTesis de doctoradohttp://purl.org/coar/resource_type/c_db06Alcaldía de Cúcuta. (2022). ¿Cómo influye el Sisbén en el mejoramiento de los indicadores de pobreza del DANE en Cúcuta? https://cucuta.gov.co/como-influye-el-sisben-en-elmejoramiento-de-los-indicadores-de-pobreza-del-dane-en-cucuta/Alvarado Rojas, M. E. (2015). Una mirada a la inteligencia artificial. Revista Ingeniería, Matemáticas y Ciencias de la Información, 2(3). https://ojs.urepublicana.edu.co/index.php/ingenieria/article/view/234Amaya, A., Huerta, F., & Flores, C. O. (2020). Big Data, una estrategia para evitar la deserción escolar en las IES. Revista de Investigación Educativa, 31(1), 712-730. https://doi.org/10.22201/iisue.20072872e.2020.31.712Amaya et al. (2020). Estrategia contra la deserción en Instituciones de Educación Superior (IES): El proceso de tomar la decisión de usar Big Data. Revista Latinoamericana de Educación, 15(2), 45 67Arroyo, D. (2006). Tecnología y reducción de la pobreza en América Latina. CEPAL.Bautista Martínez, N. D., Gómez Calderón, K. M., Lizarazo Rodríguez, A. F., Valencia Angarita, E. C., & Zambrano Carrillo, M. F. (2020). Adaptación de las familias frente a situaciones de pobreza en la comuna n.º 1: Barrio El Contento y El Páramo de la ciudad de San José de Cúcuta. Universidad Simón Bolívar. https://bonga.unisimon.edu.co/server/api/core/bitstreams/b7c99e2c-50f5-48d8-9fbfb6b92f3f1e3c/contentBurt, M. (2015). Semáforo de Eliminación de Pobreza: Una herramienta para empoderar a las familias y mejorar las políticas. World Economic Forum. https://www.weforum.org/agenda/2015/09/how-technology-can-help-us-eliminate-notalleviate-povertyCámara de Comercio de Cúcuta. (2022). Informe de calidad de vida 2022. https://cucutacomovamos.com/wp-content/uploads/2023/02/Informe-de-Calidad-de-Vida2022.pdfCampos Acuña, M. (2019). Inteligencia artificial e innovación en la administración pública: (In)necesarias regulaciones para la garantía del servicio público. Revista Vasca de Gestión Pública, 74, 74 91. https://www.ivap.euskadi.eus/contenidos/informacion/rvgp_ultimo_numero/es_def/Campos %2074_91.pdfCano Molina, A. E., & Diaz Penagos, G. M. (2023). Retos de la inteligencia artificial en Colombia: Un diagnóstico de los principales desafíos. ESAP. https://repositoriocdim.esap.edu.co/bitstream/handle/123456789/27210/ANDRES%20EDU ARDO%20CANO%20MOLINA.pdfCastro Contreras, J. D. (2019). Aplicación de la IA para la sostenibilidad en las organizaciones. Universidad El Bosque. https://repositorio.unbosque.edu.co/server/api/core/bitstreams/b2119622-f892-49d8-b00c67d83fe4d0b2/contentCharris, L., Henríquez, C., Hernández, S., Jimeno, L., Guillén, O., & Moreno, S. (2018). Análisis comparativo de algoritmos de árboles de decisión en el procesamiento de datos biológicos. Investigación y Desarrollo en TIC, 9(1), 26 34.DANE. (2021). La información del DANE en la toma de decisiones regionales (Vol. 219). https://www.dane.gov.co/files/investigaciones/planes-departamentos-ciudades/210319- InfoDane-Cucuta-Norte-de-Santander.pdfDelgado Vargas, D. (2023). Caracterización de los municipios de Colombia según el potencial de crecimiento del ingreso por impuesto predial utilizando Machine Learning [Tesis de maestría, Universidad de La Sabana]. https://intellectum.unisabana.edu.co/bitstream/handle/10818/59338/Proyecto_Grado_John_ Daniel_Delgado_Biblioteca.pdfDepartamento Nacional de Planeación (DNP). (2021). Mercado laboral urbano Resultados 2021: Cúcuta. https://colaboracion.dnp.gov.co/CDT/Estudios%20Econmicos/6%20Informe%20C%C3%B Acuta%202021%20-%20r.pdfDurán, J., & Condori, A. (2017). Desarrollo y estimación de un índice de vulnerabilidad socio energética para departamentos de Argentina. Universidad Nacional de La Plata. https://sedici.unlp.edu.ar/bitstream/handle/10915/140360/Documento_completo.pdfGallego, J. (2021). Impacto del programa Ingreso Solidario en Colombia. Economía & Desarrollo, 25(1), 89 104.Granados, F., & Jackeline, M. (2023). El impacto de la inteligencia artificial en los trabajadores despedidos por automatización de servicios. Revista de Economía Laboral, 14, 1 15.Holguín Ontiveros, E. P., & Menendez Mora, R. E. (2018). Aplicación del aprendizaje automático en la clasificación de textos cortos: Un caso de estudio en el conflicto armado colombiano. Universidad Católica de Colombia. https://repository.ucatolica.edu.co/server/api/core/bitstreams/3bdfb760-c23a-41ef-84e5- dc3bc3694d89/contentInstituto de Estadística de la UNESCO (UIS). (2023). Datos sobre educación terciaria en América Latina. http://uis.unesco.org/es/tema/educacion-terciariaLópez, R., & Márquez, P. (2019). Ética e inteligencia artificial: Retos para la política pública. Revista Latinoamericana de Políticas Públicas, 11(2), 98 115.Márquez, C., & Rincón, H. (2020). Inteligencia artificial y brechas sociales: Una aproximación crítica desde América Latina. Revista de Estudios Sociales, 71, 55 70. https://doi.org/10.7440/res71.2020.04Martínez, S., & Pérez, M. (2021). Minería de datos y políticas públicas: Aplicaciones en salud y educación. Revista de Políticas Públicas, 17(2), 203 220Martínez-Vargas, J. R., Rodríguez, E. G., Rojas, J. A., & Rivera, F. G. (2022). Aplicación de técnicas de aprendizaje automático para la predicción de abandono escolar en Colombia. Revista Colombiana de Computación, 23(1), 45 59.Ministerio de Ciencia, Tecnología e Innovación. (2022). Misión de Sabios: Inteligencia artificial y tecnologías convergentes. https://minciencias.gov.co/mision-sabios/informesfinalesMinisterio de Educación Nacional. (2021). Informe de avances del Plan Nacional Decenal de Educación. https://www.mineducacion.gov.co/plan-nacionalMoreno, A. I., & Porras, A. (2023). Modelos predictivos para focalización del gasto social en Colombia: Una evaluación empírica. Revista de Economía del Sector Público, 15(1), 113 136Ocampo, J. A., & Vallejo, J. (2020). Políticas públicas y pobreza en Colombia: Una revisión crítica. Revista CEPAL, 131, 43 60.PNUD. (2022). Índice de desarrollo humano y pobreza multidimensional en América Latina. https://www.undp.org/es/latin-americaRangel, C. A., & Méndez, L. A. (2018). Análisis de conglomerados para segmentación de hogares pobres en zonas urbanas. Revista de Estadística Aplicada, 12(2), 97 112.Rueda, A. (2023). Analítica de datos y decisiones públicas: El caso de la focalización de subsidios en Colombia. Revista Estudios de Administración Pública, 94, 73 94.Salinas, D., & Ríos, M. (2021). Inteligencia artificial en la administración pública: Usos, desafíos y recomendaciones. Revista Chilena de Administración Pública, 17(1), 25 48Sánchez-Torres, J. A., & Ovalle, D. A. (2021). Aplicación de modelos de aprendizaje automático para la predicción de pobreza multidimensional en Colombia. Revista Ingenierías Universidad de Medellín, 20(38), 161 179. https://doi.org/10.22395/rium.v20n38a9UNESCO. (2021). La inteligencia artificial en América Latina: Panorama y desafíos. https://unesdoc.unesco.org/ark:/48223/pf0000375700_spaUrueña, R., & Guzmán, D. (2022). Inteligencia artificial, derechos humanos y políticas públicas: Un análisis desde el contexto colombiano. Revista Derecho del Estado, 53, 55 84.UNICEF & OMS. (2023). Impacto de la nutrición en la mortalidad infantil. Fondo de las Naciones Unidas para la Infancia y Organización Mundial de la Salud.Unidad para las Víctimas. (2022). Informe de desplazamiento forzado 2020 2021. https://www.unidadvictimas.gov.co/Valencia, M., & Suárez, L. (2020). Aplicaciones de minería de datos en programas de subsidios sociales: Experiencia del SISBÉN IV. Revista de Políticas Sociales, 19(2), 90 110Valladares, C. (2018). IA y transparencia en programas alimentarios: el caso del vaso de leche. Gestión Pública y Ética.Vanegas, A., Rojas, L., & Cifuentes, M. (2024). Sesgos y opacidad en algoritmos públicos: desafíos éticos de la IA en Colombia. Cuadernos de Gobierno Digital.Vélez Herrera, A. (2007). Algoritmos genéticos y sistemas expertos en la gestión del conocimiento. Universidad Nacional de ColombiaVillanueva, R. J., & Pérez, A. M. (2023). Técnicas de clustering aplicadas al análisis de pobreza multidimensional: Un estudio empírico en Colombia. Revista Colombiana de Estadística, 46(1), 33 54. https://doi.org/10.15446/rce.v46n1.95817Bangsawn, S. (2024). AI for poverty reduction: Global case studies. MIT Press.Bhattacherjee, A. (2020). Social science research: Principles, methods, and practices (3rd ed.). University of South Florida Scholar CommonsBellary, S., Kumar, P., & Jain, R. (2019). Validation metrics in machine learning: A comparative analysis. Journal of Data Science, 17(3), 210 225.Bertsimas, D., & Dunn, J. (2017). Machine learning under a modern optimization lens. Dynamic Ideas.Chkoniya, V. (Ed.). (2021). Handbook of research on applied data science and artificial intelligence in business and industry. IGI Global. https://doi.org/10.4018/978-1-7998-6985-6Easton, G. (2010). Critical realism in case study research. Industrial Marketing Management, 39(1), 118 128.Fletcher, A. J. (2017). Applying critical realism in qualitative research: Methodology meets method. International Journal of Social Research Methodology, 20(2), 181 194Gilabert López, J. (2025). K-Means clustering: Principles and applications. CRC Press.Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.Hall, O., Ohlsson, M., & Rögnvaldsson, T. (2022). A review of explainable AI in the satellite data, deep machine learning, and human poverty domain. Patterns, 3(10), 100600. https://doi.org/10.1016/j.patter.2022.100600Herrera, T. J. F., Maturana, A. G. B., & Zambrano, F. M. (2024). Violent deaths during and after the pandemic in Colombia: An artificial intelligence analysis. Revista Científica General José María Córdova, 22(45), 175 197. https://doi.org/10.21830/19006586.1271James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer. https://doi.org/10.1007/978-1-0716- 1418-1Maxwell, J. A. (2021). A realist approach for qualitative research (2nd ed.). SAGE Publications.OECD. (2021). AI in the public sector: Risks and opportunities. https://www.oecd.org/gov/aiin-the-public-sector.htmRiquelme, F., & González, R. (2016). Machine learning for poverty prediction: A comparative study using household surveys. Journal of Data Science for Policy, 2(1), 1 18Ritchie, J., Lewis, J., Nicholls, C. M., & Ormston, R. (Eds.). (2013). Qualitative research practice: A guide for social science students and researchers. SAGE.Sen, A. (1999). Development as freedom. Oxford University PressTrujillo, A., & Prada, S. (2017). Big Data y sistemas de salud en América Latina: Potencialidades y desafíos. Revista Panamericana de Salud Pública, 41, e17. https://doi.org/10.26633/RPSP.2017.17UNESCO. (2021). Global education monitoring report 2021/2: Non-state actors in education. United Nations Educational, Scientific and Cultural Organization.Valle-Cruz, D., Sandoval-Almazán, R., & Gil-García, J. R. (2023). Predictive models for budget optimization in Mexican public administration. Government Information Quarterly, 40(1), 103 120.World Bank. (2022). Digital government and data-driven policy in Latin America. World Bank GroupZhang, W., Liu, Y., & Chen, H. (2022). Explainable artificial intelligence in public policy: Challenges and frameworks. AI & Society, 37(3), 621 638. https://doi.org/10.1007/s00146- 021-01237-wZhang, X., Wang, L., & Liu, Y. (2022). Explainable AI in policy design and public accountability. AI & Society, 37(3), 599 618.Sede BarranquillaDoctorado en Gestión de la Tecnología y la InnovaciónGestión de la tecnología y la innovaciónLICENSElicense.txtlicense.txttext/plain; charset=utf-83000https://bonga.unisimon.edu.co/bitstreams/80511eae-89dd-4081-a20c-ad2f4a48d893/download2a1661e5960a7bab4fd8dda692fb677cMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://bonga.unisimon.edu.co/bitstreams/2970eb99-0a7b-490b-9cb7-07c0d3ec20e3/download3b6ce8e9e36c89875e8cf39962fe8920MD52ORIGINALResumen.PDF.pdfResumen.PDF.pdfapplication/pdf279744https://bonga.unisimon.edu.co/bitstreams/597f805b-743e-4b49-a345-ccd6efebdabd/download077855993bbe97f26a05f3d0154b08c2MD53PDF.pdfPDF.pdfapplication/pdf2722741https://bonga.unisimon.edu.co/bitstreams/778eacdd-b81d-4161-9fdf-59a3823658ed/downloadf942f470e60985b0f5de25e0c681b096MD5420.500.12442/17279oai:bonga.unisimon.edu.co:20.500.12442/172792026-01-23 08:19:32.881http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://bonga.unisimon.edu.coRepositorio Digital Universidad Simón Bolívarrepositorio.digital@unisimon.edu.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

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.

Publicaciones similares