La comunicación de datos en España

La comunicación de la
Ciencia de Datos en España
Defensa de Tesis Doctoral
Patricia Sánchez Holgado
Director: Carlos Arcila Calderón
29 de octubre de 2021

Índice de
contenidos
Introducción
Marco teórico
Percepción social de la Ciencia de Datos
Adopción y uso de la Ciencia de Datos
Discusión
1
2
3
4
5

Introducción
1 2 3 4 5
Introducción
Ciencia de Datos
Conocimiento + Tecnología + Datos
o  La Ciencia de Datos es una disciplina contemporánea que combina enfoques de informática y
matemáticas para obtener un conocimiento significativo de los datos.
o  El Big Data es un campo que incluye el tratamiento de conjuntos de datos que tienen gran
volumen, son complejos y crecen a gran velocidad, por lo que no pueden capturarse, procesarse o
analizarse con técnicas convencionales (Mayer-Schönberger & Cukier, 2013).
o  La Inteligencia Artificial es una combinación de técnicas que estudia cómo las máquinas pueden
resolver problemas complejos razonando y eligiendo las mejores opciones (Samoili et al., 2020).

Introducción
1 2 3 4 5
Introducción
Ciencia de Datos como objeto de estudio en comunicación científica
●  Desconocimiento ciudadano, nuevas preocupaciones y actitudes negativas
(FECYT, 2018, 2021; European Commission, 2017; Anderson et al., 2018; Rose et al., 2013; Winick, 2018;
Lichtenthaler, 2019; Terminio & Rimbau-Gilabert, 2018; Broussard, 2018).
●  Influencia en la profesión periodística
(Calvo-Rubio & Ufarte-Ruiz, 2020; Javaheri & Dobbins, 2019)
●  Construcción de contenidos y noticias sobre ciencia y difusión en medios
online.
(López García et al., 2019; A. Pérez-Rodríguez et al., 2019)
●  Descenso de la confianza pública (Brondi et al., 2021).

Marco Teórico
1 2 3 4 5
Comunicación pública de la Ciencia
●  Enfoque en la comprensión pública y en las percepciones y actitudes de los ciudadanos
●  Contexto nacional, europeo e internacional (FECYT, 2021; European Commission, 2021; J. D. Miller, 2004; S.
Miller, 2001).
●  Factores que explican los modelos de comunicación pública de la ciencia y la tecnología:
percepción del público, emisores y modos de comunicar (Alcíbar, 2015)

Marco Teórico
1 2 3 4 5
Ciencia de Datos
Percepción
○  Las actitudes hacia los robots y la inteligencia artificial se relacionan positivamente con el
conocimiento previo sobre el tema (Eurobarómetro, 2017)
○  45.9% de los españoles considera que los beneficios de la ciencia y la tecnología son
mayores que sus perjuicios (FECYT, 2021)
Adopción
○  El comportamiento de uso de una tecnología está directamente vinculado a la intención de
uso de los individuos
(Alghatrifi, 2019; Attuquayefio & Addo, 2014; Blut et al., 2021; Zhu et al., 2017)
○  La expectativa del rendimiento es el predictor más fuerte de la intención de uso de una
tecnología
(Adams et al., 1992; D. R. Compeau & Higgins, 1995; Taylor & Todd, 1995; Thompson et al., 1991; Viswanath
Venkatesh & Davis, 2000; Venkatesh et al., 2003)

Marco Teórico
1 2 3 4 5
Percepción social
Percepción social de la ciencia y la tecnología
Europa Interés en la Ciencia y sus avances, mercado digital e impacto social
(European Commission, 2010, 1017, 2019; ONTSI, 2019; Vodafone Institute for Society and Communications, 2016).
España Reticencias hacia la incorporación en entorno laboral, cibercrimen y valores éticos
(Cotec, 2018; Fundación Telefónica, 2021; FECYT, 2018, 2021)
Percepción social del Big Data y la Inteligencia Artificial
Europa Datos personales y privacidad, incorporación al trabajo, preocupaciones éticas, interés en salud
(Lytras & Visvizi, 2019; Marsden, 2017; Cave et al., 2019; Granulo et al., 2019; Fast & Horvitz, 2017; Manikonda et al., 2017;
Edelman, 2019; Y. Liang & Lee, 2017; Rerimassie et al., 2015; Lloyd’s Register Foundation; & Gallup, 2019; Neudert et al., 2020).
España Oposición a la inteligencia artificial (Lobera et al., 2020). Adopción e impacto del big data en la
empresa (ESADE, 2018). Aplicación de la Inteligencia artificial a diversos sectores (Paniagua, 2019). Automatización
del trabajo y robótica (FECYT, 2020)

Marco Teórico
1 2 3 4 5
Adopción y Uso
Teoría Unificada de Adopción y Uso de tecnología (Venkatesh et al., 2003)
1.  Teoría de la acción razonada Fishbein & Ajzen, 1975
2.  Teoría Cognitiva Social Bandura, 1986
3.  Modelo de aceptación de tecnología (TAM) Davis, 1989
4.  Teoría de la Difusión de la Innovación Moore & Benbasat, 1991; Rogers, 1995
5.  Teoría del comportamiento planificado (TPB) Ajzen, 1991
6.  Modelo de utilización de Ordenador Personal Thompson, Higgins & Howell, 1991
7.  Modelo motivacional Davis, Bagozzi & Warshaw, 1992
8.  Combinación de TAM y TPB Taylor & Todd, 1995
Factores: Expectativa de Rendimiento, Expectativa de Esfuerzo, Influencia Social y Condiciones
Facilitadoras (Venkatesh et al., 2003; Marsden, 2017; Saorín & Pastor-Sánchez, 2020).

Marco Teórico
1 2 3 4 5
Gaps que se abordan
Teórico
Comunicación de la Ciencia de Datos, el Big Data y la Inteligencia Artificial.
Aplicación de la teoría UTAUT a un nuevo campo de estudio, la adopción de
ciencia de datos por el ciudadano.
Empírico
Escasa información sobre el campo de estudio en todas las dimensiones del
modelo: emisores, receptores y contenidos.
Práctico
Bases prácticas para construir estrategias de comunicación de la ciencia de datos
que ayuden a mejorar la comprensión, la percepción social y la intención de
adopción de estas tecnologías.

3. Percepción social
de la Ciencia de Datos

Estudio 1.
Conocimiento, percepciones e
información
de la ciudadanía española sobre la ciencia de
datos

1 2 3 4 5
Metodología
Muestra (España)
OLEADA 1: Enero 2020 n=684 (Mujeres 55% Hombres 45%; Rango de edad: 18 a +65)
OLEADA 2: Octubre 2020 n=421 (Mujeres 50% Hombres 50%; Rango de edad: 18 a +65)
Instrumento diseñado para la investigación
ü Validez (Validación de 10 expertos; Prueba piloto test-retest CCI>0.70)
ü Conocimiento de aplicaciones, Familiarización, Interés, Beneficios, Riesgos e Información
Atención al género
Distribución online Qualtrics
Medidas
Conocimiento con respuesta dicotómica (0.No adoptado, 1.Si adoptado).
Escala de Likert (5 puntos):
Familiarización y percepciones >> desde totalmente en desacuerdo/Nada/Ninguno (1) a totalmente de acuerdo/Mucho (5)
Información >> desde Muy mala/Muy poca/Desconfía mucho (1) hasta Muy buena/Mucha/Confía mucho (5)
Frecuencia de uso >> desde nunca (1) hasta siempre (5).

1 2 3 4 5
Bloques
Fuente: Elaboración propia

Resultados
Estudio 1. Conocimiento, Percepción e Información

1 2 3 4 5
Conocimiento
Tasa de conocimiento declarado de aplicaciones que usan Big Data e
Inteligencia Artificial:
Redes Sociales (como Facebook, Twitter …) 95.76%
Plataformas de video streaming (como Netflix, HBO, Movistar…) 93.57%
Asistentes Virtuales (como Siri, Alexa, Aura, Cortana…) 90.94%
Plataformas de audio streaming (como Spotify, IVOOX…) 88.30%
Tasa de conocimiento total 92.14%

1 2 3 4 5
Familiarización e Interés (Comparativa O1 y O2)
El grado de familiarización no sufre variaciones significativas
●  Big Data [Mene=2.85; DTene=1.445; Moct=2.84; DToct=1.498; t(1103)=0.153, p=0.879, d=0.01]
●  Inteligencia Artificial [Mene=3.43; DTene=1.276; Moct=3.32; DToct=1.297; t(1103)=1.487, p=0.137, d=0.08].
El grado de interés disminuye significativamente:
●  Big Data [Mene=3.64; DTene=1.248; Moct=3.32; DToct=1.288; t(1103)=-4.165, p<0.001, d=0.25]
●  Inteligencia Artificial [Mene=3.89; DTene=1.209; Moct=3.53; DToct=1.222; t(1103)=-4.890, p<0.001, d=0.30]
Perspectiva de género
Familiarización: desciende en hombres y en mujeres en la segunda oleada y presenta diferencias
significativas.
Big Data [Octubre BD Mhom=3.00; DThom=1.43; Mmuj=2.66; DTmuj=1.53; t(417)=2.352, p<0.05, d=0.23].
Inteligencia Artificial [Octubre IA Mhom=3.45; DThom=1.28; Mmuj=3.16; DTmuj=1.28; t(417)=2.363, p<0.05, d=0.23].
Interés: no hay una variación significativa de género.

1 2 3 4 5
Beneficios y Riesgos (Comparativa O1 y O2)
Los beneficios superan a los riesgos de media en ambas oleadas, pero en la segunda hay una aumento
de riesgos percibidos.
BIG DATA INTELIGENCIA ARTIFICIAL
Perspectiva de género
Big Data: de la primera a la segunda oleada las mujeres suben su percepción de riesgos y superan a los
hombres.
Inteligencia Artificial: de la primera a la segunda los beneficios descienden ligeramente.
Los resultados no son significativos.
Riesgos
Oleada 1 M=3.30 DT=1.40
Oleada 2 M=3.65 DT=1.36
d=0.25

Beneficios
Oleada 1 M=3.73 DT=1.28
Oleada 2 M=3.74 DT=1.36
d=0.01
Riesgos
Oleada 1 M=3.13 DT=1.43
Oleada 2 M=3.45 DT=1.40
d=0.23

Beneficios
Oleada 1 M=3.92 DT=1.23
Oleada 2 M=3.79 DT=1.32
d=0.10

1 2 3 4 5
Medios a través de los que se informan

Cantidad M=2.94 DT=1.39
Calidad M=3.37 DT=1.24
Confianza M=3.51 DT=1.16

1 2 3 4 5
Conclusiones
El grado de conocimiento de la Ciencia de Datos es moderado.
El interés de los Ciudadanos es mayor que su grado de familiarización.
Las percepciones que la ciudadanía muestra son positivas
●  Mayores beneficios que riesgos de media en las aplicaciones analizadas.
●  Las mujeres elevan su percepción de riesgos en comparación con los hombres.
●  La Inteligencia Artificial obtiene una valoración más positiva que el Big Data.

Estudio 2.
El papel de los periodistas
ante la comunicación de la Ciencia de Datos

1 2 3 4 5
Método
Muestra intencional n=10 (Hombres 80%, Mujeres 20%)
Mayo a Julio 2020
Instrumento diseñado para la investigación
Entrevistas en profundidad con preguntas abiertas y de reconstrucción a partir de un artículo
publicado en medios en línea.
Análisis descriptivo cualitativo

1 2 3 4 5
Método

Resultados
Estudio 2. El papel de los periodistas ante la
comunicación de la Ciencia de Datos

1 2 3 4 5
Resultados
Perfil profesional
●  Amplia experiencia y
mediana edad
●  Medios digitales.
●  Publicaciones ligadas a la
actualidad y los eventos.
●  Posición informativa neutral.
●  Búsqueda de nuevas ideas
con impacto en la sociedad.
Procesos de trabajo
●  Rutina habitual
●  Visión optimista.
●  Formación y actualización de
conocimientos.
●  Fuentes: sector profesional, no académicos.
Comprensibilidad
●  Mejorar las conocimientos básicos de los
ciudadanos.
●  Influencia de la ciencia ficción.
●  Lenguaje claro, asequible y riguroso, sin
tecnicismos.
●  Representaciones gráficas.
●  Mostrar soluciones a problemas cotidianos.

1 2 3 4 5
Beneficios y Riesgos percibidos
Riesgos
●  Pérdida de empleos.
●  Exposición selectiva, noticias
falsas y exceso de vanidad.
●  Seguridad y privacidad
●  Uso de datos personales
●  Ciberamenazas.
Beneficios
●  Facilita tareas, optimiza recursos y
les hace eficientes.
●  Uso personal: comunicaciones, redes
sociales y geolocalización.
●  Periodismo de datos.

Estudio 3.
Los contenidos en línea
sobre Ciencia de Datos

1 2 3 4 5
Método
Muestra
Descarga por scraping de contenidos de medios en línea entre enero y febrero de 2020.
Filtro por “big data”, “inteligencia artificial” y “ciencia de datos”.
n=11200 registros únicos (27% Big Data, 2% Ciencia de Datos, 72% Inteligencia Artificial)
sentimiento
comprensibilidad

1 2 3 4 5
Comprensibilidad
n=2030 registros 0=no comprensible 1=comprensible
2 codificadores α=0.86 (Krippendorf, 2011)
100% Acuerdo intercodificadores (α=1) n=1985 registros
Comprensibles 91.6%
Chi >> χ2 (1, n=1985)=2.385, p =.122 >> no significativo
Temática
General 55,4% comprensible
Específica 44,6% comprensible
Chi >> χ2 (1, n=1985)=11.669, p <.05 >>significativo
Tipo
Noticias 95,3% comprensible
Otros 4,7% comprensible
Chi >> χ2 (1, n=1985)=2.522, p <.112
>>no significativo

1 2 3 4 5
Desarrollo de un clasificador automático de sentimiento (0=negativo 1=positivo)
Utilizando contenidos en línea en Twitter (disponibilidad big data y análisis con métodos computacionales)
Sentimiento
PASO 1 Creación de un corpus de 10000 textos científicos en español
para el entrenamiento del modelo de aprendizaje automático
PASO 2 Modelo de aprendizaje automático supervisado
7 algoritmos de clasificación superficial
Naïve Bayes Original, Naïve Bayes Multinomial, Naïve Bayes para modelos multivariados Bernoulli,
Regresión Logística, Regresión Lineal con Gradiente Descendiente Estocástico, Máquinas de Vectores de
Soporte (SVM) y Modelo por votos.
1 algoritmo de clasificación profunda
Redes Neuronales Recurrentes (RNN)
PASO 3 Prueba del clasificador

1 2 3 4 5
Sentimiento
Evaluación del clasificador y algoritmos (%).

1 2 3 4 5
Sentimiento
Resultados de la prueba del clasificador (paso 3)
n=11200 registros únicos (27% Big Data, 2% Ciencia de Datos,72% Inteligencia Artificial)
Total positivos 46.95%
Big Data 31.5% positivos
Inteligencia Artificial 68.5% positivos
Chi χ2 (1, N=11200)=1.089, p=.306 >>no significativo
Temática
General 35.9% positivos
Específica 64.1% positivos
Chi χ2 (1, n=11200)=.720, p <.396 >>no significativo
Tipo
Noticias 97.6% positivos
Otros 2.4% positivos
Chi χ2 (1, n=11200)=.296, p <.586
>>no significativo

1 2 3 4 5
Conclusiones
●  Comprensibilidad alta: requieren mayor cobertura y profundizar en análisis temático.
○  Gran volumen de contenidos de Inteligencia Artificial frente a otras opciones.
●  La clasificación automática es eficiente y puede realizar predicciones.
●  Redes Neuronales de aprendizaje profundo son más precisas que aprendizaje superficial.
●  Los contenidos positivos son preferidos por los periodistas y mejor recibidos por los ciudadanos
en forma de percepción de beneficios.

Adopción y Uso
de la Ciencia de Datos

Adopción y Uso de la Ciencia de Datos
1 2 3 4 5
Método
Análisis con Modelado de ecuaciones estructurales
(SEM) basadas en mínimos cuadrados parciales (PLS)
(Partial Least Squares Structural Equation Modeling)
con SmartPLS
Muestra (España)
n=684 (Mujeres 55% Hombres 45%; Rango de edad: 18 a +65)
Instrumento basado en UTAUT (Venkatesh et al, 2003)
Intención de Uso (3 items, M=3.91 DT=1.08 αc=0.82), Expectativa de Rendimiento (4 ítems, M=3.76 DT=1.07 αc=0,88), Expectativa de Esfuerzo (4
ítems, M=2.69 DT=1.13 αc=0,90), Influencia Social (3 ítems, M=3.17 DT=1.23 αc=0,92), Condiciones Facilitadoras (4 ítems, M=3.56 DT=1.15
αc=0,87), Experiencia (4 ítems, M=3.61 DT=1.13 αc=0,85) y Voluntariedad de Uso (4 ítems, M=3.69 DT=1.08 αc=0,90).
Medidas
Escala de Likert de 5 puntos, desde el 1 (totalmente en desacuerdo) hasta el 5 (totalmente de acuerdo), excepto en la
Expectativa de Esfuerzo desde el 1 (totalmente de acuerdo) hasta el 5 (totalmente en desacuerdo).

1 2 3 4 5
Modelo de investigación
Venkatesh et al (2003)

1 2 3 4 5
HIPOTESIS
H1 La Intención de Uso (BI) tiene una influencia positiva directa en el Uso del Big Data y la Inteligencia Artificial.
H2 La Expectativa de Rendimiento (PE) influye positivamente en la intención de uso del Big Data y la Inteligencia Artificial, lo que a
su vez genera un efecto indirecto positivo en el uso. Dicho efecto indirecto está moderado por el género y la edad, de tal manera que
el efecto será más fuerte en los hombres y particularmente en los jóvenes.
H3 La Expectativa de Esfuerzo (EE) tiene una influencia negativa en la intención de uso del Big Data y la Inteligencia Artificial, lo
que a su vez genera un efecto indirecto negativo en el uso. Este efecto indirecto está moderado por el género, la edad y la
experiencia, de tal manera que el efecto será más fuerte en las mujeres y en las más jóvenes, además de en los menos
experimentados.
H4 La Influencia Social (SI) tiene un efecto directo positivo en la intención de uso del Big Data y la Inteligencia Artificial, lo que a su
vez genera una influencia indirecta positiva en el uso. Este efecto indirecto es moderado por el género y la edad, de tal manera que
será más fuerte en las mujeres y en las personas de más edad y también moderado por la experiencia y la voluntad de uso, siendo
más fuerte en los menos experimentados y en condiciones de mayor voluntariedad.
H5 Las Condiciones Facilitadoras (FC) tienen un efecto positivo directo en el uso del Big Data y la Inteligencia Artificial. El efecto es
moderado por la edad y la experiencia, de manera que es más fuerte en mayores y en personas más experimentadas.

Resultados
Adopción y Uso del Big Data y la Inteligencia Artificial

1 2 3 4 5
Resultados exploratorios
Tasa de adopción promedio 61,50%
Aplicaciones:
Redes Sociales (Facebook, Twitter …) 89.04% (M=0.89 DT=0.31)
Plataformas video streaming (Netflix , HBO, Movistar…) 75.60% (M=0.76 DT=0.43)
Plataformas audio streaming (Spotify, IVOOX…) 60.50% (M=0.60 DT=0.49)
Asistentes Virtuales (Siri, Alexa, Aura o Cortana) 48.40% (M=0.48 DT=0.50)
Frecuencia de uso media M=3.30 DT=1.39
Redes sociales M=4.01 DT=1.20
Plataformas de vídeo M=3.51 DT=1.46
Plataformas de audio M=3.08 DT=1.46
Asistentes virtuales M=2.59 DT=1.44
Intención de uso
Redes sociales M=4.09 DT=1.19 αc=0.93
Plataformas de video M=3.97 DT=1.29 αc=0.94
Plataformas de audio M=3.71 DT=1.37 αc=0.94
Asistentes virtuales M=3.41 DT=1.14 αc=0.93

Intención de Uso (BI) -> Uso Real (UB)
Efecto directo positivo significativo
(B=.416, p=.000, IC=de .333 a .491)
Un 46% de la varianza de la Intención de Uso está
explicada en este modelo (R2=0.463).
Intención de Uso
La figura muestra los coeficientes de regresión estandarizados (β)
*p<.05,**p<.01,***p<.001

Expectativa de
Rendimiento
Expectativa de Rendimiento (PE) -> Uso real (UB)
(B=.110, p=.007, IC=de .032 a .193)
PE -> Intención de Uso (BI)
(B=.135, p=.003, IC=de .045 a .226)
PE -> BI -> Uso Real (UB)
Efecto indirecto positivo significativo
(B=.056, p=.006, IC=de .018 a .098)
Efecto total PE -> UB
significativo (B=.166, p=.000, IC=de .081 a .254)
PE*Gender->UB Género no significativo
(B=.026, p=.146, IC=de -.009 a .061)
PE*Age>UB Edad no significativa
(B=-.004, p=.821, IC=de -.037 a .029)
*p<.05,**p<.01,***p<.001

Expectativa de Esfuerzo (EE) -> Uso real (UB)
efecto directo negativo no significativo
(B=-.042, p=.334, IC=de -.127 a .042)
EE-> Intención de Uso (BI)
Efecto directo negativo significativo
(B=-.091, p=.028, IC=de -.171 a -.008)
EE -> BI -> Uso Real (UB)
efecto indirecto significativo
(B= -.038, p=.032, IC=de -.072 a -.003)
Efecto total EE -> UB
no significativo (B=-.079, p=.077, IC=de -.167 a .007)
EE*Gender->UB Género no significativo (B=-.007, p=.657, ICC=de
-.040 a 0.024)
EE*Age->UB Edad significativa (B=.035, p=.041, ICC=de .001 a .
069)
EE*Experience->UB Experiencia no significativa (B=.005, p=.757,
ICC=de -.028 a .039 )
Expectativa de
Esfuerzo
*p<.05,**p<.01,***p<.001

Influencia Social
*p<.05,**p<.01,***p<.001
Influencia Social (SI) -> Uso real (UB)
efecto directo negativo no significativo
(B=-.026, p=.511, IC=de -.103 a .050).
SI -> Intención de Uso (BI)
efecto directo positivo significativo
(B=.135, p=.002, IC=de .048 a .217).
SI -> BI -> Uso Real (UB)
Efecto indirecto positivo y significativo
(B=.056, p=.003, IC=de .019 a .093).
Efecto total SI -> UB
No significativo (B=.030, p=.486, IC=de -.057 a .116)
SI*Gender ->UB Género no significativo (B=-.010, p=.601, IC=de -.050
a .028)
SI*Age ->UB Edad no significativa (B=.032, p=.100, IC=de -.004 a .073)
SI*Experience ->UB Experiencia no significativa (B=.001, p=.938, IC=de
-.032 a .036)
SI*Voluntariness ->UB Voluntariedad de uso significativa (B=.032, p=.
039, IC=de .002 a .063)

Condiciones Facilitadoras (FC) -> Uso real (UB)
efecto directo positivo significativo
(B=.151, p=.002, IC=de .062 a .250)
FC*Age ->UB Edad no significativo
(B=.021, p=.455, IC=de -.032 a .078)
FC*Experience ->UB Experiencia no significativa
(B=.044, p=.100, IC=de -.011 a .094)
Condiciones
facilitadoras
*p<.05,**p<.01,***p<.001

1 2 3 4 5
Conclusiones
●  La Expectativa de Rendimiento es el predictor más fuerte de la Intención de Uso y
del Uso real.
●  La Expectativa de Esfuerzo influye negativamente en la Intención de Uso y en el Uso.
●  La Influencia Social influye positivamente en la Intención de Uso.
●  Las condiciones facilitadoras son determinantes directas del Uso.

Discusión general
1 2 3 4 5
Aportes
Primera aproximación en España hacia el conocimiento, las actitudes y las acciones
de emisores y receptores con respecto a la ciencia de datos, el Big Data y la
Inteligencia Artificial.
●  Receptores: familiarización, interés, conocimiento de aplicaciones, beneficios y
riesgos e información (FECYT, 2021)
●  Emisores: perfil, percepción de comprensibilidad, beneficios y riesgos, mecánicas de
trabajo y reconstrucción del proceso (Cortiñas Rovira et al., 2015; Kristiansen et al., 2016; Pont-Sorribes
et al., 2013; Williams & Clifford, 2009)

Discusión general
1 2 3 4 5
Aportes
●  Contenidos: comprensibilidad que presentan las publicaciones sobre ciencia de datos
en medios digitales generalistas. (Jiménez Taracido et al., 2016; Tianjiao, 2020)
○  Una base de datos de contenidos de medios digitales (20% clasificados por comprensibilidad)
○  Corpus de textos de temas de ciencia y tecnología en español (etiquetados por sentimiento)
○  Un clasificador de sentimiento basado en aprendizaje automático superficial y profundo,
orientado a contenidos científicos y tecnológicos y en idioma español.
Estudio de Adopción y Uso: Amplía la investigación previa existente sobre la intención
conductual de adopción y uso de una tecnología para aplicarlo a un nuevo campo de
estudio. (UTAUT; Venkatesh et al., 2003)

Discusión general
1 2 3 4 5
Limitaciones
●  Percepción social de la ciencia de datos:
○  Ciudadanos: Comparativas entre variables, cruzando por género y edad. Relación entre las
actitudes y el grado de conocimiento.
○  Periodistas: muestra pequeña y sin balance de género,
○  Contenidos: el esfuerzo requerido para codificar contenidos determina una menor muestra.
No incluye medios tradicionales. Ampliar el análisis de comprensibilidad y mantener el corpus
de sentimiento vivo.
●  Adopción y Uso: centrado en la aplicación exacta del modelo UTAUT, ampliable y
personalizable con otros factores.

Discusión general
1 2 3 4 5
Investigación futura
●  Estudios longitudinales de percepción social de la Ciencia de Datos
●  Estrategias para mejorar la percepción pública del Big Data y la Inteligencia Artificial:
○  Periodismo de Datos: efecto sobre el conocimiento y comprensibilidad
○  Persuasión Narrativa: impacto en las actitudes
●  Estudio de la comprensibilidad de los contenidos utilizados para la comunicación de la
Ciencia de Datos.
○  Participación activa de los ciudadanos y aplicando técnicas de colaboración online.
○  Diseño de un modelo automatizado de análisis de la comprensibilidad de los contenidos de
comunicación de la ciencia de datos
●  Componente ético de la Inteligencia Artificial.

Gracias por la atención
La comunicación de la
Ciencia de Datos en España
Defensa de Tesis Doctoral
Patricia Sánchez Holgado
Director: Carlos Arcila Calderón

La comunicación de datos en España

Más contenido relacionado

La actualidad más candente (20)

Similar a La comunicación de datos en España (20)

Más de Education in the Knowledge Society PhD (20)

Último (20)

La comunicación de datos en España