Título :
Vigilancia normativa automatizada mediante procesamiento de lenguaje natural: clasificación temática de proyectos de ley y disposiciones ambientales en Perú.

Autores:
Cristian Chávez, Jean Hernández, Marvin Quispe y Paul Yaringaño
Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima, Perú

Resumen:
La producción normativa peruana se encuentra dispersa entre múltiples portales institucionales y carece de una clasificación temática homogénea que permita su consulta sistemática. Esta investigación desarrolla un sistema de vigilancia normativa automatizada que aplica procesamiento de lenguaje natural para asignar tipologías temáticas a dos corpus complementarios del ciclo normativo: 14 864 proyectos de ley del Congreso de la República y 203 disposiciones jurídicas del Ministerio del Ambiente. Ante la ausencia de etiquetas de referencia, se adoptó una estrategia de supervisión débil basada en catálogos de palabras clave, con catorce tipologías temáticas y una categoría residual por corpus. Sobre esas etiquetas se entrenó un clasificador de regresión logística multinomial con representación TF-IDF de escalado sublineal, contrastado con Latent Dirichlet Allocation, factorización matricial no negativa, Word2Vec y BERTopic con embeddings contextuales multilingües. El clasificador supervisado alcanzó una exactitud de 0,873 y un F1-macro de 0,838 sobre quince clases en el corpus del Congreso, y un F1-macro por validación cruzada de 0,820 ± 0,090 sobre las nueve clases entrenables del corpus ministerial. Para mitigar la circularidad inherente a evaluar un modelo contra etiquetas generadas por diccionario, se recurrió a dos señales externas independientes del etiquetado: las comisiones dictaminadoras del Congreso y la entidad emisora de las normas ministeriales. Los resultados se materializan en una plataforma pública de consulta sobre más de 414 000 registros procesados.

Palabras clave:
procesamiento de lenguaje natural, clasificación temática, supervisión débil, modelado de tópicos, vigilancia normativa, textos legislativos, español jurídico

Título :
Detección de minería aurífera y cambios en la dinámica de explotación minera en la Amazonía peruana mediante inteligencia artificial aplicada a imágenes satelitales

Autores:
Marvin Quispe, Jean Hernández, Paul Yaringaño, y Cristian Chávez
Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima, Perú

Resumen:
La minería aurífera es uno de los principales impulsores de la deforestación en la Amazonía peruana, y una parte considerable de esta actividad se realiza de manera ilegal. El monitoreo de su expansión y de los cambios asociados resulta fundamental para la evaluación de amenazas, la formulación de políticas públicas y la planificación de operativos de interdicción. Por tal motivo, el presente estudio diseñó e implementó un sistema de inteligencia artificial para detectar minería aurífera, y cambios en su dinámica de explotación, en la Amazonía peruana mediante análisis de imágenes satelitales Sentinel-2. Evaluamos siete algoritmos de aprendizaje automático, con múltiples iteraciones para la optimización de hiperparámetros, destacando el modelo Extra Trees por presentar el mejor rendimiento, con un F1-Score de 93.84% para la identificación de áreas mineras, superando los resultados reportados en estudios previos para aplicaciones similares. Nuestra metodología incorporó un proceso innovador de enriquecimiento de datos y transformación de bandas espectrales, generando indicadores optimizados para la detección de patrones mineros. Un hallazgo clave fue la demostración de que los modelos basados en árboles de decisión mantienen un alto rendimiento sin requerir técnicas convencionales de preprocesamiento. El sistema desarrollado representa una herramienta efectiva para el monitoreo de amenazas, permitiendo la identificación temprana de zonas afectadas por minería aurífera con una precisión del 95%, lo que lo convierte en un valioso insumo para la gestión de ecosistemas amazónicos.

Palabras clave:
Minería aurífera, Amazonía peruana, Sentinel-2, Inteligencia artificial, Aprendizaje supervisado