MARCO DE TRABAJO PARA ANALÍTICA
DE REDES SOCIALES BASADA EN SISTEMAS
INTELIGENTES APLICADO AL CENTRO DE
CÓMPUTO DE LA UNIVERSIDAD NACIONAL
DEL SANTA
FRAMEWORK FOR SOCIAL NETWORK ANALYTICS BASED ON
INTELLIGENT SYSTEMS APPLIED TO THE OF THE NATIONAL
UNIVERSITY OF SANTA OF COMPUTING CENTER
Mirko Martin Manrique Ronceros
Universidad Nacional del Santa, Perú
pág. 11082
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19681
Marco de Trabajo para Analítica de Redes Sociales Basada en Sistemas
Inteligentes Aplicado al Centro de Cómputo de la Universidad Nacional del
Santa
Mirko Martin Manrique Ronceros
1
mmanrique@uns.edu.pe
https://orcid.org/0000-0002-0364-4237
Universidad Nacional del Santa
Perú
RESUMEN
El crecimiento del uso de redes sociales ha generado una gran cantidad de datos no estructurados que
requieren técnicas avanzadas para su análisis. La presente investigación tuvo como objetivo diseñar e
implementar un marco de trabajo para la analítica de redes sociales basado en sistemas inteligentes,
orientado a mejorar la gestión y la toma de decisiones estratégicas en el Centro de Cómputo de la
Universidad Nacional del Santa. La propuesta metodológica se fundamentó en una adaptación de la
metodología CRISP-DM integrando técnicas de minería de datos, procesamiento del lenguaje natural
(PLN) y modelos de aprendizaje profundo como BERT y LSTM, con el fin de analizar grandes
volúmenes de datos no estructurados provenientes de plataformas sociales como Facebook e Instagram.
El estudio permitió clasificar sentimientos, identificar patrones de comportamiento e interpretar
tendencias digitales en tiempo real. Los resultados mostraron una mejora del 87.51 % y 86.41 % en la
eficiencia del procesamiento de datos en Facebook e Instagram, respectivamente; así como una
precisión del 95.65 % en el análisis de sentimientos. Se concluye que el marco propuesto representa
una solución efectiva, replicable y escalable para el análisis inteligente de redes sociales en entornos
institucionales.
Palabras clave: analítica de redes sociales, sistemas inteligentes, CRISP- DM, PLN, aprendizaje
profundo
1
Autor principal
Correspondencia: mmanrique@uns.edu.pe.
pág. 11083
Framework for Social Network Analytics Based on Intelligent Systems
Applied to the of the National University of Santa of Computing Center
ABSTRACT
The increasing use of social media has generated vast amounts of unstructured data that demand
advanced analytical techniques. This research aimed to design and implement a social media analytics
framework based on intelligent systems, intended to enhance strategic decision-making and
management at the Computing Center of the Universidad Nacional del Santa. The methodological
approach was grounded in an adapted version of the CRISP-DM methodology, integrating data mining
techniques, natural language processing (NLP), and deep learning models such as BERT and LSTM to
analyze large volumes of unstructured data from platforms like Facebook and Instagram. The system
enabled real-time sentiment classification, behavioral pattern recognition, and digital trend
interpretation. Results showed a 87.51% and 86.41% improvement in data processing efficiency on
Facebook and Instagram, respectively, as well as a 95.65% accuracy in sentiment analysis. It is
concluded that the proposed framework represents an effective, replicable, and scalable solution for
intelligent social media analytics in institutional contexts.
Keywords: social media analytics, intelligent systems, CRISP-DM, NLP, deep learning
Artículo recibido 11 agosto 2025
Aceptado para publicación: 13 septiembre 2025
pág. 11084
INTRODUCCIÓN
El crecimiento exponencial del uso de redes sociales ha convertido estas plataformas en espacios clave
para la interacción humana, generando diariamente grandes volúmenes de datos no estructurados que
contienen información valiosa sobre percepciones, emociones, tendencias y comportamientos sociales
(Groshek & Koc-Michalska, 2021). En el ámbito organizacional y educativo, esta realidad representa
una oportunidad para mejorar la comunicación institucional, pero también un reto significativo en
cuanto a la capacidad técnica y metodológica para procesar dicha información (Statista, 2023).
El presente estudio se enfoca en el diseño e implementación de un marco de trabajo para la analítica de
redes sociales basado en sistemas inteligentes, aplicado al Centro de Cómputo de la Universidad
Nacional del Santa (UNS). Este centro, encargado de ofrecer formación técnica complementaria a miles
de estudiantes anualmente, enfrenta limitaciones para analizar los datos generados por sus redes
sociales, lo que restringe su capacidad para optimizar campañas de comunicación, personalizar
contenidos y tomar decisiones informadas. A pesar del alto volumen de interacciones digitales, no se
cuenta con herramientas automatizadas que permitan clasificar sentimientos, detectar patrones o
interpretar dinámicas de comportamiento en línea.
A nivel internacional, Ali et al. (2021) proponen un marco de monitoreo inteligente para redes sociales
basado en redes neuronales y técnicas de minería de datos, logrando una mejora del 30 % en la precisión
del análisis de condiciones anómalas en el ámbito de la salud. Asimismo, Liu, Song y Liu (2021)
emplean técnicas de inteligencia artificial y vehículos aéreos no tripulados para optimizar la recolección
de datos sociales, lo que permitió acelerar los tiempos de procesamiento en un 50 %. Por otro lado,
Taherdoost (2023) destaca el uso de aprendizaje automático y redes neuronales para personalizar
contenidos en redes sociales, incrementando significativamente la precisión en la identificación de
patrones de comportamiento. Estos antecedentes demuestran que el uso de sistemas inteligentes en
entornos de big data social permite alcanzar niveles superiores de análisis y predicción.
En el contexto nacional, Ponce, Flores y Andrade-Arenas (2022) desarrollan un sistema de análisis de
sentimientos para detectar riesgos de salud mental mediante publicaciones en Facebook y Twitter,
logrando una mejora del 30 % en la detección temprana de indicadores críticos.
pág. 11085
Igualmente, Sánchez-Ancajima et al. (2024) implementan un sistema inteligente para personalizar rutas
turísticas en Tumbes, integrando algoritmos genéticos que optimizan el tiempo de respuesta en un 45
%. Ambos estudios evidencian cómo la combinación de datos sociales e inteligencia artificial puede
generar soluciones adaptadas a contextos locales. En el ámbito local, Huertas Rueda y Linares Cazola
(2024) analizan el impacto del uso estratégico de redes sociales en la competitividad digital de
microempresas ferreteras en Chimbote, revelando un aumento del 38 % en la percepción de innovación
gracias a una gestión activa de plataformas sociales. Estos antecedentes resaltan la necesidad de aplicar
este tipo de tecnologías en el sector educativo regional.
Desde el punto de vista teórico, esta investigación se sustenta en principios de la inteligencia artificial
(Russell & Norvig, 2021), el aprendizaje profundo (Goodfellow, Bengio & Courville, 2016) y el
procesamiento del lenguaje natural (Jurafsky & Martin, 2020). Modelos como BERT (Devlin et al.,
2019) y LSTM (Hochreiter & Schmidhuber, 1997) han demostrado su eficacia en tareas de análisis de
sentimientos y detección de patrones secuenciales en texto, superando ampliamente a enfoques
tradicionales como Naïve Bayes y SVM (Zhang et al., 2018). Estas herramientas permiten analizar los
discursos digitales con mayor precisión semántica y contextual. En cuanto al marco metodológico; se
adopta la metodología CRISP-DM, adaptada al contexto de redes sociales, incorporando fases como
comprensión del negocio, preparación de datos, modelado, evaluación y despliegue del sistema.
El contexto en el que se desarrolla esta investigación es el Centro de Cómputo de la UNS, ubicado en
Nuevo Chimbote, Perú. Esta institución, pese a tener una presencia activa en redes sociales —
especialmente en Facebook e Instagram— carece de una estructura analítica que permita interpretar
adecuadamente las métricas digitales y convertirlas en acciones estratégicas. Las estadísticas internas
muestran una brecha entre el alcance de las publicaciones y la cantidad de inscripciones en los cursos
ofrecidos, lo que evidencia una gestión basada en intuiciones más que en datos concretos. Esta situación
es común en muchas instituciones peruanas, donde se carece de personal especializado en ciencia de
datos y herramientas de inteligencia artificial (Castillo-Palacios, 2023).
En este marco, la presente investigación parte de la hipótesis de que la implementación de un marco de
trabajo para la analítica de redes sociales basado en sistemas inteligentes mejora significativamente la
gestión y la toma de decisiones estratégicas en el Centro de Cómputo de la UNS.
pág. 11086
En consecuencia, el objetivo general consiste en diseñar e implementar dicho marco, utilizando datos
reales de interacción social para mejorar la eficiencia tecnológica, la detección de patrones y la calidad
del análisis institucional.
METODOLOGÍA
La presente investigación adopta un enfoque cuantitativo, con componentes de análisis tecnológico
orientados a medir el impacto de un marco de trabajo inteligente en la analítica de redes sociales
institucionales. El estudio se clasifica como aplicado, ya que busca resolver un problema concreto a
través del diseño e implementación de una solución tecnológica específica, y a su vez tiene un nivel
explicativo, al establecer relaciones de causa-efecto entre la intervención del sistema propuesto y los
indicadores de gestión institucional.
Respecto al diseño, se emplea un diseño cuasi-experimental de tipo Pretest y Postest con un solo grupo,
sin grupo de control, lo que permite comparar los indicadores antes y después de la implementación del
marco de trabajo. El estudio es de carácter longitudinal, ya que observa la evolución de los indicadores
durante un periodo de análisis que abarca de enero de 2023 a diciembre de 2024.
La población estuvo conformada por las publicaciones, comentarios y reacciones generadas en las redes
sociales oficiales del Centro de Cómputo de la Universidad Nacional del Santa, específicamente en las
plataformas Facebook e Instagram. En total, se analizaron más de 10,000 interacciones digitales durante
el periodo de estudio. La muestra fue no probabilística de tipo intencional, considerando únicamente
las cuentas institucionales administradas por el centro, dado que se trataba de una unidad de análisis
específica y delimitada.
Para la recolección de datos, se utilizaron técnicas automatizadas de extracción de información
mediante API públicas de Facebook Graph y herramientas de Web Scraping, lo que permitió capturar
publicaciones, reacciones, comentarios y métricas de engagement.
Los instrumentos empleados fueron: scripts de extracción de datos, modelos de procesamiento de
lenguaje natural (PLN) y dashboards visuales generados para evaluar los resultados. La evaluación del
sistema consideró las dimensiones clave: eficiencia tecnológica (tiempo de procesamiento) y eficacia
tecnológica (precisión del modelo).
pág. 11087
En cuanto a los criterios éticos, se garantizó la anonimización de los datos recolectados, limitando el
análisis únicamente a información pública disponible en redes sociales institucionales. No se accedió a
información privada de usuarios ni se vulneró la privacidad de las personas. La investigación fue
desarrollada bajo los principios éticos de confidencialidad, transparencia y uso responsable de los datos
digitales. No fue necesario el consentimiento informado individual, al tratarse de datos institucionales
y públicos.
Se establecieron criterios de inclusión, como el uso exclusivo de publicaciones y comentarios en las
redes sociales administradas por el Centro de Cómputo de la UNS y generados en el periodo 2023–
2024. Como criterio de exclusión, se descartaron publicaciones de terceros, cuentas no oficiales o
interacciones que no estuvieran en idioma español, así como datos que no tuvieran relación con procesos
institucionales. Entre las limitaciones del estudio se reconoce la dependencia de la infraestructura digital
disponible, así como el carácter específico del caso estudiado, lo que podría requerir ajustes
metodológicos para ser replicado en otras instituciones o contextos. No obstante, la estructura modular
y escalable del marco permite su adaptación con relativa facilidad.
RESULTADOS Y DISCUSIÓN
En esta sección se presentan los hallazgos obtenidos tras la implementación del marco de trabajo para
la analítica de redes sociales basado en sistemas inteligentes, desarrollado en el Centro de Cómputo de
la Universidad Nacional del Santa. Los resultados fueron organizados según los indicadores clave
definidos en el estudio: Tiempo Promedio de Procesamiento (TPP), Precisión en el Análisis (%). Para
cada uno de estos indicadores se realizó un análisis comparativo entre el rendimiento del sistema antes
y después de su implementación, utilizando métodos estadísticos adecuados según la naturaleza de los
datos recolectados.
Resultados del indicador “Tiempo Promedio de Procesamiento” (TPP)
La eficiencia tecnológica en un marco de trabajo para analítica de redes sociales con sistemas
inteligentes se refiere a la capacidad del centro de cómputo de la Universidad Nacional del Santa (UNS)
para optimizar el uso de recursos computacionales, garantizar un rendimiento óptimo de los algoritmos
analíticos y mejorar la calidad de los resultados obtenidos a partir del procesamiento de datos de redes
sociales, por lo que se procesará el indicador “Tiempo Promedio de Procesamiento” (TPP).
pág. 11088
Tal como se indica la Tabla 1, se tuvieron los resultados del indicador para 50 ejecuciones.
Tabla 1: Tiempo Promedio de Procesamiento (Segundos)
N°
Ejec.
TPP
Facebook
Antes
TPP
Facebook
Después
TPP
Instagram
Antes
TPP
Instagram
Después
TPP
Facebook
Antes
TPP
Facebook
Después
TPP
Instagram
Antes
TPP
Instagram
Después
01
87,6
11,64
82,28
9,67
60,76
10,2
54,86
11,97
02
115,62
11,38
67,28
12,57
110,28
11,88
75,06
9,21
03
68,83
13,78
84,95
11,31
84,57
12,01
60,24
10,45
04
84,35
9,50
94,72
8,67
89,79
15,59
68,88
11,75
05
98,31
10,00
79,45
9,08
91,36
15,36
89,88
14,01
06
69,86
9,97
97,29
10,99
89,14
14,23
65,05
9,49
07
99,43
13,20
76,72
9,71
114,82
10,18
60,69
10,57
08
136,38
10,40
66,92
9,32
67,69
8,53
90,58
14,96
09
76,82
12,35
70,71
11,58
94,46
10,79
82,98
7,94
10
86,34
11,91
81,08
11,48
96,75
7,74
67,44
7,75
11
127,96
7,61
78,38
12,39
58,98
10,39
70,56
10,28
12
103,22
12,14
100,74
8,36
60,32
12,23
67,87
13,62
13
70,72
13,35
90,04
12,58
80,77
14,52
82,36
10,38
14
105,94
12,10
98,68
11,09
105,96
11,87
73,05
9,92
15
113,07
10,13
71,35
9,96
72,7
11,57
89,51
10,61
16
91,63
7,82
80,73
10,39
63,85
9,92
75,05
10,83
17
95,08
12,86
84,18
7,48
96,32
10,97
86,66
10,36
18
89,24
11,41
105,75
8,55
99,41
8,46
70,07
10,67
19
101,97
8,59
100,31
10,85
75,58
13,64
62,34
11,81
20
82,3
11,76
73,26
10,97
104,87
10,47
64,78
9,38
21
119,04
9,71
65,89
10,45
96,06
13,22
71,72
10,06
22
90,81
12,04
81,06
9,89
96,83
11,99
61,97
11,25
23
75,34
11,46
65,66
11,23
59,64
10,19
77,75
8,48
24
101,32
9,25
87,59
9,38
102,03
10,05
84,2
10,69
25
56,37
10,69
67,58
9,75
80,62
11,33
59,01
9,57
Tabla 2: Resultado de TPP para Facebook
Comparación
Media de diferencia
Desviación estándar
T
gl
p-valor (Sig.)
TPP antes - TPP
después
78.77
18.95
29.39
49
0.000
Tabla 3: Resultado de TPP para Instagram
Comparación
Media de diferencia
Desviación estándar
T
gl
p-valor (Sig.)
TPP antes - TPP
después
66.83
12.50
37.79
49
0.000
pág. 11089
El Tiempo Promedio de Procesamiento (TPP) constituye un indicador crítico para evaluar la eficiencia
tecnológica del Centro de Cómputo de la Universidad Nacional del Santa en el análisis automatizado
de comentarios en redes sociales. La implementación del sistema inteligente basado en Procesamiento
de Lenguaje Natural (PLN) permitió medir el impacto en tres etapas clave del procesamiento:
extracción, preprocesamiento y análisis de sentimientos. A partir de 50 ejecuciones en Facebook e
Instagram, se aplicó una prueba T de muestras emparejadas, previa verificación de normalidad mediante
Kolmogorov-Smirnov y Shapiro-Wilk (p > 0.05), que confirmó la idoneidad de los datos para análisis
paramétrico.
Los resultados muestran una reducción significativa del TPP en ambas plataformas. En Facebook, el
tiempo promedio se redujo en 78.77 unidades de tiempo (p = 0.000), con una mejora relativa del 87.51
%. En Instagram, la reducción fue de 66.83 unidades (p = 0.000), equivalente a una mejora del 86.41
%. Dado que en ambos casos p < 0.05, se rechaza la hipótesis nula y se concluye que la optimización
lograda es estadísticamente significativa. Estos resultados respaldan que el sistema inteligente
implementado incrementa considerablemente la eficiencia del análisis de datos sociales, agilizando la
gestión institucional de la información en tiempo real.
Resultados el indicador “Precisión en los análisis” (PA)
La eficacia tecnológica en un marco de trabajo para analítica de redes sociales con sistemas inteligentes
en el centro de cómputo de la Universidad Nacional del Santa (UNS) se refiere a la capacidad del marco
de trabajo para cumplir con los objetivos propuestos en la analítica de redes sociales. Es decir, mide
qué tan bien el sistema inteligente logra extraer información útil, identificar patrones relevantes y
facilitar la toma de decisiones basadas en datos.
El indicador "Precisión en los análisis (%)", el objetivo es medir la exactitud y confiabilidad de los
análisis generados por el marco de trabajo en la toma de decisiones, está relacionado con la dimensión
de Calidad del Análisis de Datos.
pág. 11090
Tal como se indica la Tabla 4, se tuvieron los resultados del indicador en 50 ejecuciones.
Tabla 4: Precisión en el Análisis (%)
N°
Ejec.
PA
Facebook
Antes
PA
Facebook
Después
PA
Instagram
Antes
PA
Instagram
Después
N°
Ejec.
PA
Facebook
Antes
PA
Facebook
Después
PA
Instagram
Antes
PA
Instagram
Después
01
62
100
59
100
26
60
100
61
100
02
59
100
56
100
27
54
99
58
100
03
63
100
55
100
28
61
100
56
100
04
67
100
60
100
29
56
100
58
100
05
58
100
62
100
30
58
100
50
92
06
58
100
61
100
31
56
100
57
100
07
67
100
54
99
32
69
100
59
100
08
63
100
56
100
33
59
100
63
100
09
57
100
59
100
34
54
99
55
100
10
62
100
61
100
35
64
100
54
99
11
57
100
56
100
36
53
98
55
100
12
57
100
57
100
37
61
100
61
100
13
61
100
53
98
38
50
92
59
100
14
50
92
53
98
39
53
98
55
100
15
51
94
61
100
40
60
100
60
100
16
57
100
63
100
41
63
100
58
100
17
54
99
57
100
42
60
100
61
100
18
61
100
62
100
43
59
100
55
100
19
55
100
59
100
44
58
100
56
100
20
52
96
55
100
45
52
96
56
100
21
67
100
59
100
46
56
100
52
96
22
58
100
64
100
47
57
100
59
100
23
60
100
57
100
48
65
100
59
100
24
52
96
64
100
49
61
100
58
100
25
57
100
47
86
50
51
94
57
100
Tabla 5: Resultado de PA para Facebook
Comparación
Media de diferencia
Desviación estándar
Z
gl
p-valor (Sig.)
PAF antes - PAF
después
40.76
2.586
-6.163
49
0.000
Tabla 6: Resultado de PA para Instagram
Comparación
Media de diferencia
Desviación estándar
T
gl
p-valor (Sig.)
PAI antes - PAI
después
41.72
1.182
-6.930
49
0.000
pág. 11091
La Precisión en el Análisis (PA) se estableció como un indicador fundamental para evaluar la capacidad
del sistema inteligente en clasificar adecuadamente los datos textuales provenientes de redes sociales
institucionales. Su análisis en el Centro de Cómputo de la Universidad Nacional del Santa permitió
medir objetivamente la efectividad del modelo basado en Procesamiento de Lenguaje Natural (PLN),
utilizando una muestra de 50 ejecuciones antes y después de la implementación para cada plataforma.
A partir de 50 ejecuciones en Facebook e Instagram, se aplicó una prueba T de muestras emparejadas,
previa verificación de normalidad mediante Kolmogorov-Smirnov y Shapiro-Wilk (p > 0.05). En ambos
casos; Facebook e Instagram, los resultados arrojaron un p > 0.05, indicando una diferencia
estadísticamente significativa en la precisión obtenida tras la implementación del sistema.
Específicamente, se observó una mejora del 69.91 % en Facebook y del 86.41 % en Instagram.
Estos hallazgos respaldan la hipótesis alternativa (H₁) y permiten concluir que la mejora en la precisión
no es producto del azar, sino consecuencia directa de la aplicación de modelos avanzados de PLN, como
BERT y LSTM, integrados en el marco propuesto. En términos operativos, esta mejora se traduce en
una mayor confiabilidad de los análisis automáticos de sentimientos, opiniones y patrones expresados
por los usuarios, lo que incrementa la calidad del diagnóstico institucional sobre su comunidad digital
DISCUSIÓN
Uno de los hallazgos más relevantes es la reducción del tiempo promedio de procesamiento (TPP) de
comentarios en redes sociales. La implementación del sistema inteligente basado en PLN disminuyó el
TPP en Facebook en un 87.51% y en Instagram en un 86.41%. Estos resultados demuestran que la
incorporación de inteligencia artificial permite reducir los tiempos de procesamiento y aumentar la
capacidad de respuesta ante el análisis de interacciones y opiniones.
Otro hallazgo de gran relevancia es el aumento significativo en la precisión del análisis de comentarios
en redes sociales. Tras la implementación del sistema inteligente basado en PLN, la precisión en
Facebook se incrementó en un 69.91 % y en Instagram en un 86.41 %. Lo que respalda la confiabilidad
del sistema en la clasificación automática de sentimientos y patrones en textos sociales.
CONCLUSIONES
La implementación de un marco de trabajo basado en sistemas inteligentes para la analítica de redes
sociales demostró ser una estrategia efectiva para fortalecer la gestión institucional del Centro de
pág. 11092
Cómputo de la Universidad Nacional del Santa. La integración de técnicas de aprendizaje profundo y
procesamiento del lenguaje natural permitió transformar grandes volúmenes de datos no estructurados
en información estratégica útil para la toma de decisiones, optimizando procesos de comunicación
digital e incrementando la capacidad de respuesta ante la dinámica social en redes.
En el plano operativo, el marco propuesto permitió reducir tiempos de análisis, aumentar la detección
de información relevante y mejorar la comprensión de las preferencias y necesidades del público
objetivo, aspectos clave para la planificación y evaluación de campañas de difusión, fidelización de
estudiantes y mejora continua de los servicios ofrecidos.
La aplicación del marco de trabajo mejoró la precisión en el análisis de datos de redes sociales,
facilitando la identificación de tendencias y patrones relevantes, lo que respalda la eficacia del modelo
en la toma de decisiones estratégicas.
REFERENCIAS BIBLIOGRAFICAS
Ali, F., El-Sappagh, S., Islam, S., Ali, A., Attique, M., Imran, M., & Kwak, K. (2021). An intelligent
healthcare monitoring framework using wearable sensors and social networking data. Future
Gener. Comput. Syst., 114, 23-43. https://doi.org/10.1016/j.future.2020.07.047
Castillo-Palacios, F. (2023). Viral marketing for the dissemination of social programs in rural
communities of Perú. Revista Metropolitana de Ciencias Aplicadas.
https://doi.org/10.62452/n0mpqa61.
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional
Transformers for Language Understanding. Proceedings of NAACL-HLT, 4171–4186.
https://dblp.org/rec/conf/naacl/DevlinCLT19.html
Goodfellow, I., Bengio, Y., & Courville, A. (2019). Deep Learning. MIT Press. Recuperado de
https://www.deeplearningbook.org
Groshek, J., & Koc-Michalska, K. (2021). Social Media Analytics and Political Communication. New
Media & Society, 23(3), 487–507.
Hochreiter, S. (1997). Long Short-term Memory. Neural Computation MIT-Press.
https://doi.org/10.1162/neco.1997.9.8.1735
pág. 11093
Huertas Rueda, J. M., & Linares Cazola, J. G. (2024). Las redes sociales: cómo mejorar la nueva
competitividad de las MYPES en el sector ferretero de Chimbote – Perú. Revista de Gestão
Social e Ambiental, 18(10), e07708. https://doi.org/10.24857/rgsa.v18n10-158
Jurafsky, D., & Martin, J. H. (2020). Speech and Language Processing (3rd ed.). Draft.
https://web.stanford.edu/~jurafsky/slp3/
Liu, X., Song, H., & Liu, A. (2021). Intelligent UAVs Trajectory Optimization From Space-Time for
Data Collection in Social Networks. IEEE Transactions on Network Science and Engineering,
8, 853-864. https://doi.org/10.1109/tnse.2020.3017556
Ponce, E. K., Flores Cruz, M., & Andrade‑Arenas, L. (2022). Machine Learning Applied to Prevention
and Mental Health Care in Peru. International Journal of Advanced Computer Science and
Applications, 13(1), 96–104. https://doi.org/10.14569/IJACSA.2022.0130196
Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Prentice Hall.
Sánchez-Ancajima, R., Jiménez-Carrión, M., Gutiérrez, F., Alfaro, A., Segura, E., & Blas, J. (2024).
Intelligent System for Tourist Guidance in Tumbes-Perú. J. Wirel. Mob. Networks Ubiquitous
Comput. Dependable Appl., 15, 325-353. https://doi.org/10.58346/jowua.2024.i3.022
Statista. (2023). Number of social media users worldwide from 2017 to 2028 (in billions). Statista
Research Department. https://www.statista.com/statistics/278414/number-of-worldwide-
social-network-users/
Taherdoost, H. (2023). Enhancing Social Media Platforms with Machine Learning Algorithms and
Neural Networks. Algorithms 2023, 16, 271. https://doi.org/10.3390/a16060271
Zhang, L., Wang, S., & Liu, B. (2018). Deep learning for sentiment analysis: A survey. Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 8(4), e1253.
https://doi.org/10.1002/widm.1253