SI TF Coaquira Huamani Salas
SI TF Coaquira Huamani Salas
SI TF Coaquira Huamani Salas
1
Universidad Continental, Arequipa, Perú, [email protected]
2
Universidad Continental, Arequipa, Perú, [email protected]
3
Universidad Continental, Arequipa, Perú, [email protected]
Resumen
Este artículo de revisión tuvo como objetivo Presentar y analizar los aportes que hacen los
autores sobre inteligencia artificial y el impacto en la sociedad en base a los ejes temáticos
identificados.Establecer las líneas de estudio actuales sobre Inteligencia artificial y el impacto
en la sociedad propuesta por los autores.Con el fin de ampliar la comprensión conceptual
acerca de ia en la sociedad ,” fue identificado tanto el término como la definición de éste, en
distintas fuentes. La búsqueda y selección de artículos científicos, tesis de grado, libros y
capítulos de libro se llevó a cabo en 3 bases de datos: scopus, proquest,woscience. El motor de
búsqueda fue el término “ia en la sociedad,.” A partir de la revisión de los documentos que
cumplieran con los siguientes criterios: (a) tener en orden todas las palabras del concepto
empleado y (b) tener una definición del concepto investigado, se encontraron 289
documentos de los cuales, luego del análisis y revisión de los investigadores finalmente se
seleccionaron 15. Los principales hallazgos fueron que la dinámica familiar es aquel clima
relacional que se da al interior del hogar y se encuentra mediado por diversas dimensiones
como relaciones afectivas, roles, autoridad, limites, reglas, normas, uso del tiempo libre y
comunicación. Se concluyó, que cada familia es única y se encuentra expuesta a dificultades
culturales, económicos y religiosos que inducen a la familia a tener formas singulares y
distintas de relacionarse y construir sus vínculos, a este proceso inestablemente estable se le da
el nombre de dinámica familiar
1 Introducción
2 Metodología
En este estudio, la metodología adoptada fue meticulosamente diseñada para explorar las
complejidades de la inteligencia artificial, centrándose en estrategias de búsqueda y análisis
que garantizan la captura exhaustiva y la comprensión profunda de la información
relevante.
Para construir una base sólida de conocimiento, se emplearon estrategias de búsqueda
exhaustivas y estratégicas. Las fuentes académicas, revistas científicas y conferencias
especializadas se convirtieron en faros guía. El rastreo de bibliotecas digitales, bases de
datos especializadas y repositorios académicos permitió la identificación de trabajos clave.
La formulación de consultas específicas, ajustadas a la temática, fue fundamental para
filtrar el ruido digital y centrarse en información relevante.
El análisis de la información se llevó a cabo con un enfoque holístico. Las obras
seleccionadas se sometieron a una evaluación crítica, considerando la calidad de la
investigación, la validez de los métodos utilizados y la relevancia para los objetivos del
estudio. Se prestó especial atención a las divergencias y convergencias en las perspectivas,
proporcionando un contexto completo.
La triangulación de datos fue una herramienta valiosa; la convergencia de hallazgos desde
distintas fuentes fortaleció la robustez de las conclusiones. Además, se exploraron estudios
de caso y ejemplos prácticos para ilustrar y enriquecer la comprensión conceptual.
El proceso metodológico se sometió a una revisión constante. La reflexión sobre los sesgos
potenciales y la consideración de posibles limitaciones proporcionaron una capa adicional
de rigor. El diálogo continuo con expertos en inteligencia artificial y la participación en
foros académicos permitieron validar y enriquecer las perspectivas adoptadas.
Se trata de un estudio que utiliza un enfoque de investigación mixta para obtener una
comprensión completa. Este tipo de investigación combina elementos tanto cuantitativos
como cualitativos para abordar de manera más efectiva la complejidad del tema. Por tal
motivo se realizó una búsqueda en diferentes bases de datos de la cuales son: Scopus,
ProQuest y Scielo. Las palabras claves utilizadas fueron “La Inteligencia Artificial” “En la
Sociedad”; además como criterios de inclusión se consideraron artículos originales,
artículos de texto completo y en idioma español e inglés publicadas como máximo 5 años
de antigüedad. Cabe resaltar que se seleccionaron artículos cuyos resultados estuvieran
directamente relacionados a la Inteligencia Artificial en la Sociedad en Latinoamérica y el
Perú. Por otra parte, los criterios de exclusión fueron artículos que no cumplieran con los
criterios de información, que eran periodísticos, documentos de trabajo y que pertenecían
a otras fuentes. Para el análisis de los datos se realizó una lectura exhaustiva y se ordenó la
información de mayor a menor importancia para el presente artículo.
Figura 1
Luego de exponer toda la información relevante sobre cómo se han buscado y seleccionado
los artículos, es necesario explicar qué aspectos o partes de los artículos se han analizado.
Luego de ello, debe explicarse cómo se realizó el análisis.
3 Resultados
La integración de la IA en el
La integración de la campo de la comunicación
inteligencia artificial (IA) Integración en diferentes
en el campo de la campos
comunicación ha
redefinido la forma en que
nos conectamos y
compartimos información.
La investigación de Laranjo
y colaboradores (2018)
destaca cómo los asistentes
virtuales basados en IA
están transformando la
interacción en el ámbito de
la atención médica. Estos
asistentes mejoran la
comunicación
paciente-médico,
ofreciendo respuestas
precisas y personalizadas, lo
que potencialmente mejora
la experiencia del paciente.
Una vez identificados los núcleos temáticos, las categorías emergentes y la red de relacionamiento
entre ellas, el proceso a seguir fue identificar los aportes más relevantes que hacen los autores sobre
la inteligencia artificial y las líneas de estudio actuales.
Aplicaciones médicas
La inteligencia artificial (IA) ha emergido como un catalizador transformador en el ámbito
médico, ofreciendo innovadoras aplicaciones que mejoran la precisión diagnóstica,
optimizan tratamientos y revolucionan la atención al paciente.
Asistentes virtuales en atención al paciente, como los revisados por Laranjo et al. (2018),
ofrecen un enfoque innovador para mejorar la comunicación y la experiencia del paciente.
Además, la IA ha desempeñado un papel fundamental en el análisis de datos genómicos,
acelerando el descubrimiento en la medicina personalizada (Mamoshina et al., 2018).
Ética y creatividad
El enfoque de aprendizaje profundo, representado por las redes neuronales, ha sido clave
en el desarrollo de algoritmos capaces de entender patrones complejos y realizar tareas
sofisticadas, desde reconocimiento de imágenes hasta procesamiento de lenguaje natural
(Goodfellow et al., 2016).
Resultados descriptivos
No obstante, junto con los avances tecnológicos, surgen consideraciones éticas cruciales. La
ética en la IA, especialmente en términos de sesgos algorítmicos y la autoría de la
creatividad generada por algoritmos, se ha convertido en una preocupación fundamental.
Referencias
Gómez Rivas, J., Toribio Vázquez, C., Ballesteros Ruiz, C., Taratkin, M., Marenco, J. L.,
Cacciamani, G. E., Checcucci, E., Okhunov, Z., Enikeev, D., Esperto, F., Grossmann, R.,
Somani, B., & Veneziano, D. (2021). Inteligencia artificial y simulación en urología. Actas
Loncaric, F., Camara, O., Piella, G., & Bijnens, B. (2021). La integración de la inteligencia
Mora, J. (2022). Proyecciones de la ciencia de datos en la cirugía cardíaca. Revista médica Clínica
Kroll, S., & Sanz-Lázaro, F. (2023). Ritmo e inteligencia artificial: nuevas perspectivas sobre
Teatro Lopesco desde las humanidades digitales. Anuario Lope de Vega, 29, 351-375.
https://doi.org/10.5565/rev/anuariolopedevega.491
Siemens, G., & Leal Fonseca, D. E. (s/f). Conectivismo: Una teoría de aprendizaje para la era digital.
https://skat.ihmc.us/rid=1J134XMRS-1ZNMYT4-13CN/George%20Siemens%20-%2
0Conectivismo-una%20teor%C3%ADa%20de%20aprendizaje%20para%20la%20era
%20digital.pdf
https://elpais.com/diario/2011/10/27/necrologicas/1319666402_850215.html
Russell, S., & Norvig, P. Inteligencia Artificial un enfoque moderno. [Traducido al español por Juan
Eguia, H., & García, J. F. S. (2023b). Inteligencia artificial, ChatGPT y atención primaria.
102069. https://doi.org/10.1016/j.semerg.2023.102069
0(38). https://doi.org/10.7238/idp.v0i38.406131
https://doi.org/10.1016/j.semerg.2023.101985
https://doi.org/10.1016/j.oftal.2023.05.003
https://rus.ucf.edu.cu/index.php/rus/article/view/2490
Esteva, A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks.
Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image
Choi, E., et al. (2016). Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. Journal
Cabitza, F., Rasoini, R., & Gensini, G. F. (2017). Unintended Consequences of Machine Learning in
Laranjo, L., et al. (2018). Conversational agents in healthcare: a systematic review. Journal of the
Mamoshina, P., et al. (2018). Applications of deep learning in biomedicine. Molecular Pharmaceutics,
13(5), 1445-1454.
Mittelstadt, B. D., et al. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society,
3(2), 2053951716679679.
Elgammal, A., et al. (2017). CAN: Creative Adversarial Networks, Generating" Art" by Learning
About Styles and Deviating from Style Norms. arXiv preprint arXiv:1706.07068.
Jobin, A., et al. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9),
389-399.
Esteva, A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks.
Choi, E., et al. (2016). Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. Journal
Li, Y., et al. (2017). Application of artificial intelligence in construction management: A
Zhang, Y., et al. (2019). Applications of artificial intelligence in intelligent manufacturing: A review.
Siemens, G., & Gasevic, D. (2012). Learning analytics: Unpacking the influence of success and the
Marescaux, J., et al. (2018). Robotic-assisted single port right colectomy: initial clinical results.
Abadi, M., et al. (2016). TensorFlow: A system for large-scale machine learning. In Proceedings of the
12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16) (pp. 265-283).
Paszke, A., et al. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. In
Ghahramani, Z. (2015). Probabilistic machine learning and artificial intelligence. Nature, 521(7553),
452-459.