Implementación de redes neuronales para la clasificación de fuentes informativas en periodismo digital sobre inteligencia artificial

Abstract

Introducción: En la era digital, clasificar fuentes informativas es esencial para mantener la calidad del periodismo, especialmente con inteligencia artificial (IA). Este estudio emplea redes neuronales para esta tarea, evaluando su efectividad y proporcionando interpretaciones claras de los resultados. Metodología: Se utilizó un conjunto de datos con 14 características del contenido periodístico, como género, sección de publicación, tipo de fuente y presencia de multimedia. La variable objetivo clasificaba la fuente principal del texto en categorías como experto, político, cultural, religioso, periodístico y otros. El modelo de red neuronal tenía dos capas densas ocultas de 64 neuronas cada una, con activación ReLU. Fue entrenado y evaluado con datos divididos en conjuntos de entrenamiento y prueba. La estandarización de características mejoró el rendimiento del modelo, alcanzando un 46% de precisión en la prueba. Resultados: Se aplicaron técnicas como SHAP y LIME para interpretar las predicciones del modelo. SHAP identificó las características más influyentes. LIME ofreció una comprensión detallada de cómo las características específicas afectan las predicciones. Conclusiones: Este estudio propone un enfoque innovador para clasificar fuentes informativas en el periodismo digital y destaca la importancia de la interpretabilidad en los modelos de IA.Introduction: In the digital era, classifying information sources is crucial for maintaining the quality of journalism, especially with artificial intelligence (AI). This study employs neural networks for this task, evaluating their effectiveness and providing clear interpretations of the results. Methodology: A dataset with 14 characteristics of journalistic content was used, including genre, publication section, source type, and multimedia presence. The target variable classified the primary source of the text into categories such as expert, political, cultural, religious, journalistic, and others. The neural network model had two hidden dense layers with 64 neurons each, using ReLU activation. It was trained and evaluated with data split into training and testing sets. Feature standardization improved the model’s performance, achieving 46% accuracy in testing. Results: Techniques like SHAP and LIME were applied to interpret the model’s predictions. SHAP identified the most influential features. LIME provided a detailed understanding of how specific features affect predictions. Conclusions: This study proposes an innovative approach to classifying information sources in digital journalism and highlights the importance of interpretability in AI models.