Evaluación del nivel de confiabilidad de noticias de salud mediante modelos de inteligencia artificial: una revisión sistemática

• Autores: Bracamonte Nuñez, Angie Stephanie, Gallo Aguila, Luis Piero
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17108
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17108
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial; Desinformación en salud; Aprendizaje profundo; Procesamiento del lenguaje natural; Revisión sistemática; https://purl.org/pe-repo/ocde/ford#2.02.04

La proliferación de desinformación sanitaria en entornos digitales, agudizada por la pandemia de COVID-19, constituye una amenaza crítica para la salud pública que supera las capacidades de verificación manual. La presente investigación tuvo como objetivo analizar las arquitecturas de inteligencia artificial más efectivas empleadas en la evaluación de la confiabilidad de información sanitaria durante el periodo 2020-2024. Mediante una revisión sistemática basada en el protocolo PRISMA, se examinaron 50 estudios provenientes de Scopus y Web of Science. La discusión de los hallazgos revela que los mejores rendimientos se obtienen a través de dos rutas metodológicas: la implementación de Transformers en arquitecturas híbridas y el uso de Machine Learning clásico potenciado por una ingeniería de características robusta. Asimismo, se observa una transición desde clasificaciones binarias simples hacia evaluaciones semánticas complejas y multimodales. Se concluye que, si bien el campo ha alcanzado madurez técnica, persisten desafíos significativos relacionados con la predominancia del idioma inglés y la falta de transparencia algorítmica. Por tanto, es prioritario el desarrollo de sistemas multilingües y explicables que permitan una detección proactiva y confiable de nuevas narrativas falsas en el ecosistema digital.