Aprendizaje no supervisado para sistemas sociales

Muchos datos sociales llegan sin etiquetas limpias. No siempre sabemos de antemano qué tipos de estudiantes, firmas, barrios, conversaciones o trayectorias culturales existen en los datos.

El aprendizaje no supervisado permite convertir esa incertidumbre en una herramienta analítica. Clustering, embeddings, reducción de dimensionalidad, modelos de tópicos y detección de anomalías ayudan a encontrar estructura sin imponer categorías demasiado temprano.

En CRiSS-LAB esto es clave para preguntas sobre grupos de estudiantes, memoria científica, movilidad urbana y cultura. Buenos flujos no supervisados no reemplazan la teoría: ayudan a formular mejores hipótesis.