Evaluación del Estado Emocional de los empleados de la empresa FenixCorp-ADS mediante el uso de Machine Learning
Contenido principal del artículo
Resumen
La Inteligencia Artificial (IA) tiene hoy en día un gran auge, no solo en los procesos industriales, sino también, en campos relacionadas con las actividades que contribuyen al desarrollo de las organizaciones y del conocimiento humano. El Aprendizaje Automático se encuentra contenida dentro del contexto computacional de la IA, divida en tres grandes enfoques: Aprendizaje Automático Supervisado (AAS), Aprendizaje Automático No Supervisado y el Aprendizaje por Reforzamiento, que son técnicas y algoritmos capaces de “aprender y razonar” simulando al cerebro humano, y permite clasificar y predecir el comportamiento de los datos suministrado al modelo elegido, mediante la utilización de la biblioteca SciKit-Learn y otras herramientas de Python, lenguaje de programación muy utilizado en el análisis de datos y el análisis de sentimiento, otra herramienta para la extracción de información en base de opiniones subjetivas. El Estado Emocional (EE) es una reacción consiente e inconsciente como respuesta a un estímulo específico en un momento o situación que tiene los individuos. Con el fin de establecer una posible relación con el desempeño laboral de los empleados y la fuga de talento de la empresa FenixCorp-ADS, se elaboró un cuestionario vía Web y se eligieron los algoritmos de clasificación y predicción de aprendizaje automático supervisado y no supervisado que permitió elaborar un análisis comparativo para determinar el modelo más eficiente de los análisis de sentimientos efectuados, contribuyendo en su aplicación de forma más continua por las organizaciones empresariales a modo de su aprovechamiento para automatizar estos procesos.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
1. Derechos de autor
Las obras que se publican en 593 Digital Publisher CEIT están sujetas a los siguientes términos:
1.1. 593 Digital Publisher CEIT, conserva los derechos patrimoniales (copyright) de las obras publicadas, favorece y permite la reutilización de las mismas bajo la licencia Licencia Creative Commons 4.0 de Reconocimiento-NoComercial-CompartirIgual 4.0, por lo cual se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que:
1.1.a. Se cite la autoría y fuente original de su publicación (revista, editorial, URL).
1.1.b. No se usen para fines comerciales u onerosos.
1.1.c. Se mencione la existencia y especificaciones de esta licencia de uso.
Citas
Alcalde Chulilla, J. (2021). Análisis de sentimiento de textos basado en opiniones de películas usando algoritmos de aprendizaje computacional [Tesis de grado, Universidad Oberta de Catalunya]. https://openaccess.uoc.edu/bitstream/10609/132328/7/jchulillaTFG0621memoria.pdf
Andrade Muñoz, J. (2023). Entendiendo el poder de la Inteligencia Artificial. TEPEXI, Boletín Científico de la Escuela Superior del Rio, 10(20), 4. https://repository.uaeh.edu.mx/revistas/index.php/tepexi/issue/archive
Aragón Zepeda, K. I. (2019). Inteligencia emocional y su relación en el desempeño laboral. Revista Naturaleza, Sociedad y Ambiente, 6(1), 57-67. https://doi.org/10.37533/cunsurori.v6i1.41
Blanco Canales, A. (2019). La emoción y sus componentes. Grupo LEIDE, 7. https://grupoleide.com/wp-content/uploads/2019/09/Ana-Blanco-y-Nati-Hern%C3%A1ndez-C%C3%B3mo-sentimos-la-L2.pdf
Bobadilla, J. (2020). Machine learning y deep learning. Usando Python. Ediciones de la U. https://api.pageplace.de/preview/DT0400.9789587921465_A41974869/preview-9789587921465_A41974869.pdf
Carceller Llorens, F. (2023). Detección de estados de ánimo usando técnicas de machine learning [Tesis Magister, Universidad Politécnica de Valencia]. http://polipapers.upv.es/index.php/IA/article/view/3293
Lovo, J. (2020). Síndrome de burnout: Un problema moderno. Entorno, 70, 110-120. https://doi.org/10.5377/entorno.v0i70.10371
Olivas, J. Á., Montoro, A., & Lorenzo, A. (2023). Informe OBS Inteligencia Artificial (p. 38). OBS Business School. https://marketing.onlinebschool.es/Prensa/Informes/Informe%20OBS%20Inteligencia%20Artificial%202023.pdf
Rosenbrock, G., Trossero, S., & Pascal, A. (2021). Técnicas de Análisis de Sentimientos Aplicadas a la Valoración de Opiniones en el Lenguaje Español. CACIC 2021 UNSa, 291-300. https://www.researchgate.net/publication/355887680_Tecnicas_de_Analisis_de_Sentimientos_Aplicadas_a_la_Valoracion_de_Opiniones_en_el_Lenguaje_Espanol
Saura, J. R., Reyes Menéndez, A., & Palos Sánchez, P. (2018). Un análisis de sentimiento en Twitter con Machine Learning: Identificando el sentimiento sobre oferta de #Black Friday. Revista Espacios, 39(42), 16. https://www.revistaespacios.com/a18v39n42/a18v39n42p16.pdf
Tamayo y Tamayo, M. (2003). El proceso de la investigación científica (4.a ed.). Limusa, S.A.
Velásquez Sánchez, E. (2022). Estado del Arte de Machine Learning y su Aplicación en el Experimento LHCb [Estado del arte de maestría en matemáticas, Universidad Nacional Autónoma de Honduras]. https://mm.unah.edu.hn/dmsdocument/13661-estado-del-arte-de-machine-learning-y-su-aplicacion-en-el-experimento-lhcb-pdf