Integrantes:

• Ángel Joel Alvarado Crisanto

• Grimaldo René Abarca Urbano

• Javier Alexander Fernández Purizaca

• Jorge Raúl Valega Marquina

Resumen:
Este estudio compara tres técnicas extractivas (TextRank, LSA y MMR) con el modelo abstractivo Qwen2.5-1.5B-Instruct para resumir columnas de opinión del diario La República. Se construyó un corpus de 1 273 artículos depurados a partir de 1 336 iniciales, evaluando los métodos mediante ROUGE y BERTScore sobre 15 artículos con resúmenes de referencia. Qwen obtuvo el mejor desempeño cuantitativo en las cinco métricas, aunque presentó alteraciones factuales que evidencian la necesidad de verificación adicional. Entre los métodos extractivos, TextRank resultó el más equilibrado y MMR logró la mayor cobertura léxica. Los cuatro métodos se integraron en un aplicativo funcional desarrollado con Gradio.

Impacto:
Este trabajo aporta evidencia empírica sobre el resumen automático en español aplicado a un género poco estudiado —las columnas de opinión— cerrando un vacío de investigación relevante para la región. Su principal contribución práctica es un aplicativo funcional que integra los cuatro métodos en una herramienta accesible. Sin embargo, su hallazgo más importante es de carácter social: demuestra con evidencia concreta que los modelos generativos como Qwen pueden alterar hechos y cifras al resumir noticias, una advertencia directa sobre los riesgos de usar IA sin supervisión en contenido periodístico de interés público.

Palabras clave:
Generación automática de resúmenes, procesamiento del lenguaje natural, TextRank, LSA, MMR, Qwen2.5, ROUGE, BERTScore.

Autores:
Abarca Urbano, Grimaldo René
Alvarado Crisanto, Angel Joel
Fernández Purizaca, Javier Alexander
Valega Marquina, Jorge Raúl
Resumen:
El presente proyecto tuvo como objetivo principal el desarrollo y la evaluación de un modelo de aprendizaje automático (machine learning) capaz de predecir si un paciente sufre de obesidad o sobrepeso a partir de un conjunto de datos clínicos, demográficos y geográficos.
El proceso se inició con una fase exhaustiva de preparación y limpieza de datos. Se abordaron desafíos como la eliminación de registros de pacientes con diagnósticos inconsistentes, la estandarización de procedimientos de laboratorio y la conversión de todas las mediciones a unidades uniformes (mg/dL). Se realizó un tratamiento cuidadoso de los valores atípicos, imputando aquellos que eran fisiológicamente irreales para no perder información valiosa. Adicionalmente, se aplicó ingeniería de características para enriquecer el dataset, utilizando el código UBIGEO para incorporar nuevas variables predictivas como el nivel socioeconómico, la altitud y la prevalencia de la zona.
Para la fase de modelado, se evaluaron cuatro algoritmos distintos: Árbol de Decisión, Random Forest, XGBoost y una Red Neuronal. Se implementó una metodología robusta utilizando un pipeline que integraba el balanceo de clases con SMOTE (para corregir la desproporción entre casos de obesidad y sobrepeso) y el escalado de datos. El rendimiento de los modelos se optimizó mediante una búsqueda de hiperparámetros (BayesSearchCV) y se validó rigurosamente para asegurar su capacidad de generalización.
Los resultados demostraron la clara superioridad de los modelos de ensamblado (Random Forest y XGBoost) sobre el Árbol de Decisión. Tras una comparativa detallada de métricas clave, el modelo XGBoost fue seleccionado como la solución óptima, alcanzando un rendimiento destacado en el conjunto de prueba:
• Accuracy: 74.2%
• F1 Score: 0.823
• AUROC: 0.758
En conclusión, el proyecto ha culminado con éxito en la creación de un modelo predictivo fiable y competitivo, cuyo rendimiento se alinea con los estándares reportados en la literatura científica. Este modelo no solo es una herramienta técnica validada, sino que representa un activo estratégico con un impacto potencial significativo para la organización. Permite la identificación temprana y estratificación de pacientes en riesgo, facilita la optimización de recursos para programas de prevención, sirve como apoyo a la decisión clínica y ofrece información valiosa para la planificación de políticas de salud pública a nivel geográfico.
Palabras Clave:
Obesidad, Sobrepeso, Latinoamérica, OMS, IMC, IA, ML, XGBoost, Random Forest, Red Neuronal, Árbol de decisión, Feature Engineering, One-hot encoding, StandardScaler, EDA, Clasificación binaria