Curso teórico de Posgrado: Inteligencia Artificial y Ciencia de Datos: aplicaciones en Ciencias Sociales.

Capacitar a los docentes de Humanidades y Ciencias Sociales en los fundamentos teóricos y las herramientas prácticas de la Inteligencia Artificial y la Ciencia de Datos, promoviendo su aplicación crítica y ética en proyectos de investigación y docencia.

Identificar los fundamentos teóricos de la Inteligencia Artificial (IA) y la Ciencia de Datos (CD) relevantes para el análisis de fenómenos sociales y culturales.

Desarrollar habilidades prácticas en el uso de herramientas y técnicas de IA y CD para el procesamiento,  visualización y análisis de datos cualitativos y cuantitativos en Humanidades.

Fomentar la reflexión crítica y ética sobre las implicaciones sociales de la aplicación de la IA y la CD en la investigación y la docencia en Ciencias Sociales.

Unidades Temáticas

Unidad I: Fundamentos y el Cambio de Paradigma en la Investigación Social

• Introducción a la Ciencia de Datos: Definición de CD, Big Data (las 5 V's) y el Ciclo de Vida del Dato en la investigación social.
• Introducción a la Inteligencia Artificial (IA): Conceptos básicos de Machine Learning (ML), Deep Learning y Procesamiento del Lenguaje Natural (PLN).
• Introducción Estructurados vs. No Estructurados: Tipos de datos predominantes en Humanidades (texto, imagen, video) y la necesidad de su preprocesamiento.

Unidad II: Herramientas de PLN y Análisis de Textos Masivos

•  Fundamentos del Procesamiento del Lenguaje Natural (PLN): Tokenización, Lematización, Modelos de Lenguaje Grande (LLMs). Énfasis en la generación y el resumen de textos.
• Análisis de Sentimiento y Detección de Temas: Aplicaciones del PLN en el análisis de opiniones, discursos políticos o narrativas históricas.
• Sesgos y Ética en Modelos de Lenguaje: Cómo los modelos de IA pueden replicar o amplificar sesgos culturales, raciales o de género.

Unidad III: Visualización de Datos para la Narrativa Social

• Principios de Visualización de Datos: La importancia del diseño visual: evitar la distorsión, elegir el gráfico correcto (series de tiempo, distribución, correlación)
• Introducción a Power BI: Conexión, importación y limpieza básica de datos (ej. un archivo CSV simple de una encuesta).
• Visualización Geográfica y Cartografía Digital:  El rol de los Sistemas de Información Geográfica (SIG) y la representación de datos espaciales.

Unidad IV: Aprendizaje Automático (Machine Learning) aplicado a la Clasificación Social

• Conceptos de Clasificación y Regresión: Aprendizaje supervisado (predecir una variable) vs. No supervisado (encontrar patrones). Aplicaciones en la predicción de deserción, voto, o identificación de grupos.
• Análisis de Agrupamiento (Clustering): El objetivo del clustering (segmentación) y su utilidad en la formación de grupos sociales, perfiles de consumidores o comunidades en redes.

Evaluación de Modelos y el Problema de la Causalidad: Métricas básicas de desempeño (precisión, recall).

Unidad V: Ética, Gobernanza y Futuro de la IA

• Sesgo Algorítmico: Profundización en cómo los sesgos en los datos de entrenamiento llevan a resultados injustos o discriminatorios (ej. modelos de predicción de riesgo).
•  Privacidad, Anonimización y Consentimiento Informado: Regulaciones clave (ej. GDPR) y la gestión ética de datos personales y sensibles en la investigación.
• Integración en Docencia e Investigación: Estrategias para incorporar las herramientas aprendidas en la enseñanza y en nuevos proyectos de investigación en el contexto local.