[Orador 1]: Hola, soy Gastón Olivares y mi tesis es análisis de grandes volúmenes de datos, el aprendizaje automático y las redes complejas, plantea generar modelos para resolver diversas problemáticas sociales.

 Una de estas problemáticas podría ser la de cómo generar conocimiento a partir del conocimiento ya generado.

 Y para esto, para ponerlo en contexto, se podría decir que desde la informática y desde la electrónica emerge un nuevo conocimiento que es la robótica.

 Entonces, ¿qué hacemos?

 Lo que hacemos es tomar publicaciones científicas que estén asociadas a diversas áreas de conocimiento, donde una área de conocimiento no es más que una disciplina científica que puede ir desde las matemáticas hasta la filosofía, y como se puede observar en la imagen de la izquierda, para este caso de ejemplo, lo que tenemos son tres publicaciones, donde cada una de las publicaciones está asociada a distintas disciplinas, y lo que hacemos es generar vínculos entre estas disciplinas, donde la suma total de todos estos vínculos nos entrega una visualización de todo el conocimiento generado para estas publicaciones.

 Ahora bien, si queremos generalizar el modelo y realizarlo para un país entero, como en este caso el de Chile, lo que se realiza es juntar todas las publicaciones científicas de Chile, realizar el procedimiento ya descrito anteriormente y posteriormente realizar un pequeño filtro que elimina todas aquellas relaciones que ensucian a la visualización para finalmente obtener a lo que llamamos la cartografía del conocimiento de Chile.

 Como esto es un modelo de pronóstico, lo que planteamos es que cada universidad que sea surgir nuevas disciplinas, nos entregue sus datos y con todas sus disciplinas, estas son plasmadas dentro de esta cartografía, que en algunos casos se puede ver con los puntos rojos.

 Cada esto llamaremos disciplinas encendidas, mientras que todas aquellas disciplinas apagadas son las que están en gris.

 Y el modelo de pronóstico funciona más o menos de la siguiente manera.

 Todas aquellas disciplinas en estado apagado tienen una alta probabilidad de ser generadas en el futuro cuando se encuentren más cercanas a aquellas disciplinas que están en estado encendido.

 Para validar el modelo, utilizamos un dataset del periodo 2008 a 2012, y para el entrenamiento, para la evaluación, utilizamos el dataset del periodo 2013 a 2015.

 ¿Y esto qué nos dio como resultado?

 Que la precisión del pronóstico fluctúa entre un 51%, en el peor de los casos, hasta un 78%, Y con esto queremos llegar a la conclusión de que esta herramienta permite que las universidades puedan planificar de una mucho mejor manera cuáles son las nuevas áreas del conocimiento que quiere generar.

 Y lo más importante aún es que los vínculos entre los investigadores se hagan mucho más fuertes de una forma mucho más versátil.

 Gracias.