Ciencias Sociales Computacionales | CRiSS-LAB Chile

Aprendizaje no supervisado para sistemas sociales

Sat, 30 May 2026 00:00:00 +0000

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.

Machine Learning No Supervisado

Sat, 30 May 2026 00:00:00 +0000

Este curso introduce el aprendizaje no supervisado como un marco práctico para encontrar estructura en datos complejos sin etiquetas predefinidas. Los estudiantes trabajan con clustering, reducción de dimensionalidad, embeddings, factorización matricial, modelos de tópicos, detección de anomalías, representaciones de grafos y validación de modelos.

El foco está en aplicaciones de ciencia de datos y ciencias sociales computacionales: trazas conductuales, texto, redes, educación, cultura, organizaciones y problemas de política pública.

Qué aporta la ciencia de redes a la educación

Thu, 11 Dec 2025 00:00:00 +0000

La educación es relacional. Los estudiantes aprenden con pares, los docentes coordinan intervenciones, los programas compiten y se complementan, y las instituciones moldean trayectorias mediante reglas, admisión e información.

La ciencia de redes permite hacer explícitas esas relaciones. Ayuda a distinguir estudiantes aislados de estudiantes integrados, colaboración redundante de acceso diverso a información, y trayectorias frágiles de ecosistemas educativos más robustos.

Para CRiSS-LAB, esto no es solo una preferencia metodológica. Es una postura práctica: mejor evidencia relacional puede apoyar mejores decisiones pedagógicas, mejor acompañamiento estudiantil y mejor diseño institucional.

Ciencias Sociales Computacionales

Fri, 01 Aug 2025 00:00:00 +0000

Esta línea docente introduce enfoques computacionales para estudiar comportamiento humano y sistemas sociales. Conecta teoría con pipelines de datos, pensamiento relacional, experimentos, trazas digitales, análisis de texto e interpretación responsable de datos observacionales a gran escala.