Métodos de aprendizaje automático para la clasificación de la pobreza: Análisis de la literatura científica

• Autores: Cubas Carranza, Miguel Angel, Ruidias Olivera, Diego Jefferson
• 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:20.500.12802/17050
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17050
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Pobreza multidimensional; Clasificación supervisada; Focalización social; Random forest; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación realizó una revisión sistemática de la literatura científica sobre aplicación de técnicas de aprendizaje automático en clasificación de pobreza multidimensional, analizando estudios publicados entre 2010 y 2024. El objetivo fue analizar estudios que aplican Machine Learning para clasificación de pobreza multidimensional en poblaciones vulnerables, evaluando métodos utilizados, fuentes de datos, rendimiento algorítmico y aplicaciones prácticas. Siguiendo el protocolo PRISMA 2020, se identificaron 40 estudios de 22 países, con concentración en Asia (50%) y América (27.5%). Random Forest (bosque aleatorio) emergió como algoritmo más utilizado (18 menciones, 9.3%), no por superioridad técnica sino por equilibrio entre precisión, interpretabilidad y viabilidad de implementación. Encuestas de hogares constituyeron la fuente primaria predominante (52.5%), mientras educación, composición del hogar e ingresos lideraron como variables socioeconómicas. Neural Networks demostraron mejor desempeño técnico (97.2% Accuracy), aunque ausencia casi total de reportes de Precision (0%) y Recall (4.1%) limita evaluación comprehensiva de equidad. Se identificó brecha crítica entre desarrollo académico de modelos (80% desarrollaron aplicaciones) e implementación efectiva en sistemas operativos (2.5%), reflejando desconexión entre objetivos de investigación y necesidades de protección social. Los hallazgos evidencian que efectividad operativa de algoritmos trasciende métricas de precisión, requiriendo balance entre rendimiento técnico, transparencia y sostenibilidad institucional para adopción en políticas públicas de focalización social. La investigación contribuye documentando sistemáticamente limitaciones metodológicas y barreras de implementación no abordadas en revisiones previas.