Show simple item record

La manipulación, discriminación y parcialización de la información, una mirada desde la formación profesional

dc.contributor.authorRosado Gómez, Alveiro Alonso
dc.contributor.authorDuran Chinchilla, Claudia Marcela
dc.contributor.authorCalderón Benavides, Liliana
dc.coverage.spatialColombiaen_US
dc.date.accessioned2025-10-10T12:59:43Z
dc.date.available2025-10-10T12:59:43Z
dc.date.issued2021-10-01
dc.identifier.issn1646-9895en_US
dc.identifier.urihttps://repositorioinstitucional.ufpso.edu.co/xmlui/handle/20.500.14167/5711
dc.description.abstractLos profesionales en la actualidad, se encuentran inmersos en distintas tensiones de corte social, político, económico y ético, por si fuese poco, la digitalización de la información y el manejo de la misma, ha dado lugar a la transformación de su rol. Por esta razón, se hace necesario que los futuros profesionales, estén preparados para asumir una actitud crítica ante estas prácticas mal intencionadas. Esta investigación, utilizó un enfoque cualitativo para el análisis de las entrevistas que fueron aplicadas a los docentes de comunicación social o periodismo y ciencias computacionales, para conocer su percepción frente a la manipulación, discriminación y parcialización de la información, reflexionando desde el proceso de formación y desarrollo profesional. Se encontró, que aún no existe un consenso entre la forma de abordar este problema, debido a que es un fenómeno reciente que necesita marcos éticos que los regulen y actitudes críticas que los denuncien.en_US
dc.language.isospaen_US
dc.relationhttps://www.proquest.com/openview/3af57e779f875359b37f00bc1044b3e3/1?pq-origsite=gscholar&cbl=1006393en_US
dc.titleLa manipulación, discriminación y parcialización de la información, una mirada desde la formación profesionalen_US
dc.title.translatedThe manipulation, discrimination, and bias of information: a perspective from professional trainingen_US
dc.contributor.cvlacAlveiro Alonso Rosado Gómez [0001350760]en_US
dc.contributor.cvlacClaudia Marcela Duran Chinchilla [0001380164]en_US
dc.contributor.cvlacLiliana Calderón Benavides [0000068900]en_US
dc.contributor.googlescholarAlveiro Alonso Rosado Gómez [hLiV3CgAAAAJ]en_US
dc.contributor.googlescholarClaudia Marcela Duran Chinchilla [XszWRgQAAAAJ]en_US
dc.contributor.googlescholarLiliana Calderón Benavides [XihGBWoAAAAJ]en_US
dc.contributor.orcidAlveiro Alonso Rosado Gómez [0000-0003-2932-3383]en_US
dc.contributor.orcidClaudia Marcela Duran Chinchilla [0000-0001-9291-7841]en_US
dc.contributor.orcidLiliana Calderón Benavides [0000-0001-8658-9036]en_US
dc.contributor.researchgateAlveiro Alonso Rosado Gómez [Alveiro-Rosado-Gomez]en_US
dc.contributor.researchgateClaudia Marcela Duran Chinchilla [Claudia-Chinchilla-2]en_US
dc.contributor.scopusAlveiro Alonso Rosado Gómez [57205121079]en_US
dc.contributor.scopusLiliana Calderón Benavides [15043558200]en_US
dc.description.abstractenglishProfessionals today are immersed in different social, political, economic and ethical tensions, as if it were not enough, the digitization of information and its management, has led to the transformation of their role. For this reason, it is necessary for future professionals to be prepared to assume a critical attitude towards these malicious practices. This paper used a qualitative approach for the analysis of the interviews that were applied to teachers of social communication or journalism and computer science, to know their perception of the manipulation, discrimination and bias of information, reflecting from the training process and professional development. It was found that there is still no consensus on how to approach this problem, because it is a recent phenomenon that needs ethical frameworks to regulate them and critical attitudes to denounce them.en_US
dc.subject.proposalburbuja de informaciónen_US
dc.subject.proposalcomunicaciónen_US
dc.subject.proposalética en la inteligencia artificialen_US
dc.subject.proposalinteligencia artificialen_US
dc.subject.proposaljusticia algorítmicaen_US
dc.subject.proposalmanipulaciónen_US
dc.subject.proposalparcializaciónen_US
dc.subject.proposalplataformas digitalesen_US
dc.subject.proposalsesgo en la weben_US
dc.subject.keywordsfilter bubblesen_US
dc.subject.keywordscommunicationen_US
dc.subject.keywordsethics in artificial intelligenceen_US
dc.subject.keywordsartificial intelligenceen_US
dc.subject.keywordsalgorithmic fairnesen_US
dc.subject.keywordsmanipulationen_US
dc.subject.keywordsbiasen_US
dc.subject.keywordsdigital platformsen_US
dc.subject.keywordsbias on the weben_US
dc.publisher.facultyFacultad ingenieríasen_US
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTen_US
dc.relation.referencesAbebe, R., Barocas, S., Kleinberg, J., Levy, K., Raghavan, M., & Robinson, D. (2020). Roles for computing in social change. Conference on Fairness, Accountability, and Transparency (págs. 252–260). Barcelona: ACM. doi:10.1145/3351095.3372871en_US
dc.relation.referencesAguaded , J., & Romero , L. (2015). Mediamorfosis y desinformación en la infoesfera: Alfabetización mediatíca,digital e informacional ante los cambios de hábitos de consumo informativo. Education in the Knowledge Society, 1, 44-57. doi:10.14201/ eks2015161en_US
dc.relation.referencesAngwin, J., Larson, J., Mattu, S., & Kirchner, L. (23 de Mayo de 2016). Machine Bias. Obtenido de Propublica: https://www.propublica.org/article/machine-bias-riskassessments-in-criminal-sentencingen_US
dc.relation.referencesBaeza-Yates, R. (2018). Bias on the web. Communications of the ACM, 54-61. doi:10.1145/3209581en_US
dc.relation.referencesBantilan, N. (2018). Themis-ml: A Fairness-Aware Machine Learning Interface for End-To-End Discrimination Discovery and Mitigation. Journal of Technology in Human Services, 15-30.en_US
dc.relation.referencesBarocas, S., & Selbst, A. (2016). Big Data’s Disparate Impact. California Law Review, 671-732. doi:10.2139/ssrn.2477899en_US
dc.relation.referencesBarocas, S., Bradley, E., Honavar, V., & Provost, F. (2017). Big Data, Data Science, and Civil Rights. Computing Community Consortium, 1-8.en_US
dc.relation.referencesBarragán, A. (2007). Ética del periodísta: formación y práctica. Reencuentro(49), 37-452.en_US
dc.relation.referencesBates, J., Cameron, D., Checco, A., Clough, P., Hopfgartner, F., Mazumdar, S., Sbaffi,L.,Stordy,P. & de la Vega de León,A. (2020). Integrating FATE/critical data studies into data science curricula: where are we going and how do we get there? Conference on Fairness, Accountability, and Transparency (págs. 425–435). Barcelona: ACM. doi:10.1145/3351095.3372832en_US
dc.relation.referencesButterworth, M. (2018). The ICO and artificial intelligence: The role of fairness in the GDPR framework. Computer Law and Security Review, 257-268. doi:10.1016/j. clsr.2018.01.004en_US
dc.relation.referencesCath, C. (2018). Governing artificial intelligence: Ethical, legal and technical opportunities and challenges. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 1-8. doi:https://doi. org/10.1098/rsta.2018.0080en_US
dc.relation.referencesChu, Z., Gianvecchio, S., Wang, H., & Jajodia, S. (2012). Detecting Automation of Twitter Accounts: Are You a Human, Bot, or Cyborg? IEEE Transactions on Dependable and Secure Computing, 811-824. doi:10.1109/TDSC.2012.75en_US
dc.relation.referencesCortina, A. (2000). El sentido de las profesiones . Navarra: Verbo Divino.en_US
dc.relation.referencesDiaz-Bravo, L., Torruco-Garcia, U., Martinez-Hernandez, M., & Valera-Ruiz, M. (2013). La entrevista, recurso flexible y diniamico . Metodologia de Investigacion en Educacion Medica, 2(7), 162-167.en_US
dc.relation.referencesGajane, P., & Pechenizkiy, M. (2017). On Formalizing Fairness in Prediction with Machine Learning. Arxiv, 1-6.en_US
dc.relation.referencesGlaser, B. & Strauss, A. (1967). The discovery of grounded theory. Chicago: Aldine Press.en_US
dc.relation.referencesGoldenberg, A., & Gross, J. (2020). Digital Emotion Contagion. Trends in Cognitive Sciences, 1-13. doi:10.1016/j.tics.2020.01.009en_US
dc.relation.referencesHorta, M., Ottoni, R., West, R., Almeida, V., & Meira, W. (2020). Auditing radicalization pathways on YouTube. Conference on Fairness, Accountability, and Transparency (págs. 131–141). Barcelona: ACM. doi:10.1145/3351095.3372879en_US
dc.relation.referencesIlvento, C., Jagadeesan, M., & Chawla, S. (2020). Multi-category fairness in sponsored search auctions. Conference on Fairness, Accountability, and Transparency (págs. 348–358). Barcelona: ACM. doi:10.1145/3351095.3372848en_US
dc.relation.referencesJackson, M. (2017). The Friendship Paradox and Systematic Biases in Perceptions and Social Norms. Journal of Political Economy, 1-40. doi:10.1086/701031en_US
dc.relation.referencesKearns, M., Neel, S., Roth, A., & Wu, Z. (2018). Preventing fairness gerrymandering: Auditing and learning for subgroup fairness. 35 International Conference on Machine Learning (págs. 4008-4016). Stockholm: arxiv.en_US
dc.relation.referencesKhaldarova, I., & Pantti, M. (2016). Fake News The narrative battle over the Ukrainian conflict. Journalism Practice, 10. doi:10.1080/17512786.2016.1163237en_US
dc.relation.referencesLafuente-Ibáñez, C., & Marín-Egoscozábal, A. (2008). Metodologías de la investigación en las ciencias sociales: Fases, fuentes y selección de técnicas. Escuela de Administración de Negocios, 5-18.en_US
dc.relation.referencesLambrecht, A., & Tucker, C. (2019). Algorithmic Bias? An Empirical Study of Apparent Gender-Based Discrimination in the Display of STEM Career Ads. Management Science, 1-16. doi:10.2139/ssrn.2852260en_US
dc.relation.referencesLópez, G. (2014). El procesos de desintermediación comunicativa. Revista Intrencional del Mundo Económico y el Derecho, 69-091.en_US
dc.relation.referencesMayoral, J., Parratt , S., & Morata, M. (2017). Desinfoamción, manipulación y credibilidad periodistica: una perspectiva histórica. Historia y Comunicación, 24, 395-409. doi:10.5209/hics.66267en_US
dc.relation.referencesMehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2019). A Survey on Bias and Fairness in Machine Learning. arXiv, 1-31.en_US
dc.relation.referencesNtoutsi, E., Fafalios, P., Gadiraju, U., Iosifidis, V., Nejdl, W., Vidal, M.-E., . . . Ferna. (2020). Bias in Data-driven AI Systems -- An Introductory Survey. arXiv, 1-19.en_US
dc.relation.referencesOlteanu, A., Castillo, C., Diaz, F., & Kıcıman, E. (2019). Social Data: Biases, Methodological Pitfalls, and Ethical Boundaries. Frontiers in Big Data, 1-33. doi:10.3389/fdata.2019.00013en_US
dc.relation.referencesPodesta, J., Pritzker, P., Moniz, E., Holdren, J., & Zients, J. (2014). Big Data:Seizing Opportunities, Preserving Values. Washington: Executive Office of the President.en_US
dc.relation.referencesRestrepo, J. (2009). Ética en la empresa periodística. Enterprise, 8, 84-94.en_US
dc.relation.referencesRoveda, A. (2015). Plataformas digitales. (J. Trillos, & J. Soto, Entrevistadores)en_US
dc.relation.referencesSalaverría, R., & Negredo , S. (2008). Periodismo integrado: convergencia de medios y reorganización de redacciones . Sol90.en_US
dc.relation.referencesSalganik, M. (2017). Bit by Bit: Social Research in the Digital Age. Princeton: Princeton University Press.en_US
dc.relation.referencesSalimi, B., Rodriguez, L., Howe, B., & Suciu, D. (2019). Interventional Fairness : Causal Database Repair for Algorithmic Fairness. International Conference on Management of Data (págs. 793-810). Amsterdam: ACM. doi:10.1145/3299869.3319901en_US
dc.relation.referencesSuresh, H., & Guttag, J. (2019). A Framework for Understanding Unintended Consequences of Machine Learning. arxiv, 1-10.en_US
dc.relation.referencesTakacs, R., & McCulloh, I. (2019). Dormant Bots in Social Media: Twitter and the 2018 U.S. Senate Election. IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (págs. 196-800). Vancouver: IEEE. doi:10.1145/3341161.3343852en_US
dc.relation.referencesThorson, E. (2016). Belief echoes: the persistent effects el corrected misinfomation. Political Communication, 460-480. doi:10.1080/10584609.2015.1102187en_US
dc.relation.referencesTrillos, J. (2015). La red: un escenario para la fragmentación del poder y la política en América Latina. Madrid: Gedisa.en_US
dc.relation.referencesTrillos , J., & Soto, J. (2018). El poder de los medios masivos tradicionales y las plataformas digitales en el activismo político. Encuentros, 16, 62-78. doi:0.15665/ encuent.v16i02.1440en_US
dc.relation.referencesTsetsura, K., & Valentini, C. (2016). The holy, triad in media ethics; a conceptual model for understanding global media ethics. Relations Review(42), 573-581. doi:10.1016/j. pubrev.2016.03.013en_US
dc.relation.referencesViounnikoff-Benet, N. (2018). La imagen del candidato en la era digital Cómo gestionar la escenografía política. Barcelona: Universitat Oberta de Catalunya.en_US
dc.relation.referencesVosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146-1151. doi:10.1126/science.aap9559en_US
dc.relation.referencesWashington, A., & Kuo, R. (2020). Whose side are ethics codes on? power, responsibility and the social good. Conference on Fairness, Accountability, and Transparency (págs. 230–240). Barcelona: ACM. doi:10.1145/3351095.3372844en_US
dc.relation.referencesZheng, X., Men, J., Xiang, L., & Yang, F. (2019). Role of technology attraction and parasocial interaction in social shopping websites. International Journal of Information Management, 1-13. doi:https://doi.org/10.1016/j.ijinfomgt.2019.102043en_US


Files in this item

Thumbnail
Name:
La manipulación, discriminación ...
Size:
380.4Kb
Format:
PDF
View/Open

This item appears in the following Collection(s)

Show simple item record