Mostrar el registro sencillo del ítem

Optimización de la generación de informes de auditoría mediante procesamiento de lenguaje natural: un enfoque basado en datos de auditorías de calidad en educación superior

dc.contributor.authorDurán, Claudia
dc.contributor.authorArias, Deccy
dc.contributor.authorRosado, Alveiro
dc.coverage.spatialColombiaen_US
dc.date.accessioned2025-04-20T16:07:50Z
dc.date.available2025-04-20T16:07:50Z
dc.date.issued2024-06-23
dc.identifier.issn1692-7257en_US
dc.identifier.urihttps://repositorioinstitucional.ufpso.edu.co/xmlui/handle/20.500.14167/5094
dc.description.abstractEsta investigación se centró en la automatización de la comprensión e identificación semántica de hallazgos para su clasificación en auditorías internas, utilizando técnicas de procesamiento de lenguaje natural. Se analizaron informes de auditorías internas para extraer textos vinculados a no conformidades, fortalezas y oportunidades de mejora. Para optimizar la presentación del texto para diversos algoritmos, se examinaron métodos como bolsa de palabras (BoW), frecuencia de término-frecuencia inversa de documento (TF-IDF), así como representaciones de texto a través de vectores de palabras incrustadas como Word2Vec y FastText. Se determinó que la mejor combinación de rendimiento provino de un clasificador lineal, que utiliza datos transformados mediante palabras incrustadas y equilibra las clases con sobre-muestreo. Este modelo fundamenta sus clasificaciones en palabras que capturan adecuadamente el sentido y contexto del hallazgo analizado.en_US
dc.language.isospaen_US
dc.relationfile:///C:/Users/maria/Downloads/Optimizaci%C3%B3n%20de%20la%20generaci%C3%B3n%20de%20informes%20de%20auditor%C3%ADa%20mediante%20procesamiento%20de%20lenguaje%20natural_%20un%20enfoque%20basado%20en%20datos%20de%20auditor%C3%ADas%20de%20calidad%20en%20educaci%C3%B3n%20superior.pdfen_US
dc.titleOptimización de la generación de informes de auditoría mediante procesamiento de lenguaje natural: un enfoque basado en datos de auditorías de calidad en educación superioren_US
dc.title.translatedOptimizing audit reporting using natural language processing: a data-driven approach from quality audits in higher educationen_US
dc.contributor.cvlac[0001380164]en_US
dc.contributor.googlescholar[XszWRgQAAAAJ]en_US
dc.contributor.orcid[0000-0001-9291-7841]en_US
dc.contributor.researchgate[Claudia-Chinchilla]en_US
dc.contributor.scopus[57369586400]en_US
dc.description.abstractenglishThis research focuses on automating the semantic understanding and identification of findings for classification in internal audits, using natural language processing techniques. Internal audit reports were analyzed to extract texts linked to nonconformities, strengths, and opportunities for improvement. To optimize text presentation for various algorithms, methods such as bag of words (BoW), term frequency-inverse document frequency (TF-IDF), and text representations through word embedding vectors such as Word2Vec and FastText were examined. The best performance combination was determined to be provided by a linear classifier, which uses data transformed by word embeddings and balances classes with oversampling. This model bases its classifications on words that adequately capture the meaning and context of the analyzed finding.en_US
dc.subject.proposalAprendizaje automáticoen_US
dc.subject.proposalauditoría internaen_US
dc.subject.proposalaprendizaje supervisadoen_US
dc.subject.proposalinteligencia artificialen_US
dc.subject.proposalprocesamiento del lenguaje naturalen_US
dc.subject.keywordsMachine learningen_US
dc.subject.keywordsinternal auditen_US
dc.subject.keywordssupervised learningen_US
dc.subject.keywordsartificial intelligenceen_US
dc.subject.keywordsnatural language processingen_US
dc.subject.lembCiencias Socialesen_US
dc.publisher.facultyFacultad educación artes y humanidadesen_US
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTen_US
dc.relation.referencesN. Calso, Guia practica para la integracion de sistemas de gestion. ISO 9001, ISO 14001 e ISO 45001, Madrid: AENORen_US
dc.relation.referencesM. Espino, Fundamentos de auditoría, México: Grupo Editorial Patria, 2015.en_US
dc.relation.referencesAENOR, ISO 9001: 2015 para la pequeña empresa.en_US
dc.relation.referencesJ. Cortés, Sistemas de gestión de calidad (ISO 9001:2015)en_US
dc.relation.referencesT. Sevilla, Auditoría de los sistemas integrados de gestión.en_US
dc.relation.referencesM. Vásquez, 6 pecados con la ISO 9001, Santa Cruz de la Sierra.en_US
dc.relation.referencesT. Xiao, C. Geng y C. Yuan, «How audit effort affects audit quality.en_US
dc.relation.referencesG. Boskou, E. Kirkos y C. Spathis, Classifying internal audit quality using textual analysis: the case of auditor selection.en_US
dc.relation.referencesD. Khurana, A. Koli, K. Khatter y S. Singh.en_US
dc.relation.referencesR. Stuart y P. Norvig, Artificial Intelligence: A Modern Approach.en_US
dc.relation.referencesJ. Han, M. Kamber y J. Pei, Data Mining Concepts and Techniques.en_US
dc.relation.referencesV. Lakshmanan, S. Robinson y M. Munn, Machine Learning Design Patterns, Sebastopol: O'Reilly Media, 2020en_US
dc.relation.referencesF. K. Khattak, S. Jebleea, C. Pou-Proma, M. Abdalla, C. Meaney y F. Rudzicz.en_US
dc.relation.referencesA. Müller y S. Guido, Introduction to Machine Learning with Python, Sebastopol: O’Reilly, 2017.en_US
dc.relation.referencesT. Verdonck, B. Baesens, M. Óskarsdóttir y S. Broucke.en_US
dc.relation.referencesS. Raschka y V. Mirjalili, Python Machineen_US
dc.relation.referencesT. Mikolov, K. Chen, G. Corrado y J. Dean.en_US
dc.relation.referencesT. Mikolov, I. Sutskever, K. Chen, G. Corrado y J. Dean.en_US
dc.relation.referencesP. Bojanowski, E. Grave, A. Joulin y T. Mikolov.en_US
dc.relation.referencesA. Géron, Hands-on Machine Learning with Scikit-Learn.en_US
dc.relation.referencesM. Galar, A. Fernández, E. Barrenechea, H. Bustince y F. Herrera.en_US
dc.relation.referencesM. Lango y J. Stefanowski, «Multi-class and feature selection extensions of Roughly Balanced Bagging for imbalanced data.en_US
dc.relation.referencesS. Sandha, M. Aggarwal, I. Fedorov y M. Srivastava, «Mango: A Python Library for Parallel Hyperparameter Tuning.en_US
dc.relation.referencesA. Zheng, Evaluating Machine Learning Models, Sebastopol: O’Reilly Media, 2015.en_US
dc.relation.referencesI. Witten, E. Frank, M. Hall y C. Pal, Data Mining: Practical Machine Learning Tools and Techniques, Burlington: Morgan Kaufmann, 2017.en_US
dc.relation.referencesS. Ahmed, M. Singh, B. Doherty, E. Ramlan, K. Harkin, M. Bucholc y D. Coyle, «An Empirical Analysis of State-of-Art Classification Models in an IT Incident Severity Prediction Framework.en_US
dc.relation.referencesW. Zhou, H. Wang, H. Sun y T. Sun, A Method of Short Text Representation Based on the Feature Probability Embedded Vector.en_US
dc.relation.referencesA. Bhattacharya, Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more, Birmingham: Packt, 2022.en_US
dc.relation.referencesA. Gasparetto, M. Marcuzzo, A. Zangari y A. Albarelli, «A Survey on Text Classification Algorithms: From Text to Predictions.en_US
dc.relation.referencesS. Galli, Python Feature Engineering Cookbook, Birmingham: Packt Publishing, 2020.en_US
dc.relation.referencesZ. Zhao, G. Feng, J. Zhu y Q. Shen, Manifold learning: Dimensionality reduction and high dimensional data reconstruction via dictionary learning.en_US
dc.relation.referencesA. Akkasi y M.-F. Moens, «Causal relationship extraction from biomedical text using deep neural models: A comprehensive survey.en_US
dc.relation.referencesK. Ghosh, A. Banerjee, S. Chatterjee y S. Sen, «Imbalanced Twitter Sentiment Analysis using Minority Oversampling.en_US
dc.relation.referencesM. García , La polisemia en el lenguaje cotidiano.en_US
dc.relation.referencesP. Robayo, «La innovación como proceso y su gestión en la organización: una aplicación para el sector gráfico colombiano.en_US
dc.relation.referencesC. Zheng, B. Huang, A. Agazaryan, B. Creekmur, T. Osuj y M. Gould, «Natural Language Processing to Identify Pulmonary Nodules and Extract Nodule Characteristics From Radiology Reports.en_US
dc.relation.referencesJ. Smith, Semántica y significado, Editorial Lingua , 2010.en_US
dc.relation.referencesR. García y M. Huerta , «Significado y sociedad.en_US
dc.relation.referencesM. Schonlau y R. Y. Zou, «The random forest algorithm for statistical learning,»en_US


Ficheros en el ítem

Thumbnail
Nombre:
Optimización de la generación ...
Tamaño:
409.0Kb
Formato:
PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem