Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 15
Forecasting con Python, caso de estudio: visitas a las redes sociales en Ecuador
con machine learning
Forecasting with Python, case study: visits to social networks in Ecuador with machine
learning
Fabricio Marcillo1, Rebeca Rosado2, Pedro Zambrano3, Joan Velastegui4, Graciela Morales5,
Luis Lagla6, Alejandro Herrera7
1 Instituto Superior Tecnológico Japón, fmarcillo@itsjapon.edu.ec, Quito, Ecuador
2 Instituto Superior Tecnológico Japón, rerosadol@itsjapon.edu.ec, Quito, Ecuador
3 Instituto Superior Tecnológico Japón, pczambranoa@itsjapon.edu.ec, Quito, Ecuador
4 Instituto Superior Tecnológico Japón, jmvelasteguih@itsjapon.edu.ec, Quito, Ecuador
5 Instituto Superior Tecnológico Japón, ggmoraless@itsjapon.edu.ec, Quito, Ecuador
6 Instituto Superior Tecnológico Japón, lalaglac@itsjapon.edu.ec, Quito, Ecuador
7 Instituto Superior Tecnológico Japón, amherrerap@itsjapon.edu.ec, Quito, Ecuador
Autor para correspondencia: fmarcillo@itsjapon.edu.ec
Fecha de recepción: 2023.11.06 Fecha de aceptación: 2024.01.18
Fecha de publicación: 2024.02.20
RESUMEN
En este artículo, se enfatiza la importancia del respeto en el uso de las redes sociales en la sociedad
ecuatoriana, subrayando su diversidad y la necesidad de fomentar un diálogo constructivo en lugar
de la confrontación dañina en línea. Se proporciona una metodología que emplea técnicas de
aprendizaje automático y modelado estadístico, como el modelo ARIMA, para predecir el tráfico
web en las redes sociales de Ecuador. Además, se discuten diversas estrategias de backtesting para
evaluar y mejorar la precisión del modelo a lo largo del tiempo. Los resultados indican un
crecimiento significativo en el número de usuarios de redes sociales en Ecuador, con un enfoque
en el modelo ARIMA como eficaz para la predicción de series temporales, aunque se sugiere la
exploración de enfoques adicionales y mejoras continuas en futuras investigaciones. Este estudio
contribuye a comprender mejor el impacto de las redes sociales en la sociedad ecuatoriana y
proporciona una base metodológica para pronosticar el tráfico web en estas plataformas en el
futuro.
Palabras clave: ARIMA; Backtesting; Redes sociales; Machine learning.
ABSTRACT
This article emphasizes the importance of respect in the use of social networks in Ecuadorian
society, highlighting their diversity and the need to foster constructive dialogue rather than harmful
online confrontation. A methodology employing machine learning techniques and statistical
modeling, such as the ARIMA model, is provided to predict web traffic on social networks in
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 16
Ecuador. In addition, various backtesting strategies are discussed to evaluate and improve the
accuracy of the model over time. The results indicate significant growth in the number of social
network users in Ecuador, with a focus on the ARIMA model as effective for time series prediction,
although exploration of additional approaches and continued improvements are suggested in future
research. This study contributes to a better understanding of the impact of social networks in
Ecuadorian society and provides a methodological basis for forecasting web traffic on these
platforms in the future.
Key words: ARIMA; Backtesting; Social networks; Machine learning.
INTRODUCCIÓN
El adecuado manejo de las redes sociales en la sociedad ecuatoriana es de vital importancia,
especialmente si se considera el valor fundamental del respeto a los demás. En un mundo cada vez
más interconectado, las redes sociales se han convertido en una poderosa plataforma de
comunicación e interacción. El respeto por los demás se convierte en un pilar esencial para
mantener un entorno digital saludable y constructivo (Lupano Perugini & Castro Solano, 2023;
Shen et al., 2022).
Primero, respetar a los demás en las redes sociales incluye tratar a todos con cortesía y respeto,
independientemente de sus opiniones, creencias o antecedentes. La sociedad ecuatoriana, como
cualquier otra sociedad, es diversa y las redes sociales pueden ser un espacio para celebrar esta
diversidad en lugar de fomentar la división y el odio (Giuntini et al., 2021; Sampedro Guamán et
al., 2021). Además, una buena gestión de las redes sociales promueve el diálogo constructivo en
lugar de la confrontación dañina. La sociedad ecuatoriana se beneficia de la oportunidad de discutir
respetuosamente temas de importancia nacional y local, fomentando un ambiente de entendimiento
y cooperación (Figuereo-Benítez et al., 2021).
Asimismo, respetar a los demás en las redes sociales ayuda a proteger la privacidad y la seguridad
personal. Es importante recordar que detrás de cada perfil hay una persona real con intereses y
sentimientos. Usar la información de manera responsable y no difundir contenidos nocivos son
principios fundamentales en una sociedad que valora la dignidad humana (Acevedo-Argüello et
al., 2020; Wei et al., 2020).
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 17
De esta manera, un adecuado manejo de las redes sociales en la sociedad ecuatoriana, basado en el
respeto por los demás, es fundamental para fomentar un entorno digital que fomente la
comunicación positiva, el entendimiento y la convivencia mutua en armonía. El uso responsable
de estas plataformas contribuye a construir una sociedad más inclusiva y respetuosa (Luo et al.,
2022; Tejedor et al., 2021).
Las redes sociales en Ecuador, a mayo de 2023, alcanzaron 15,7 millones de cuentas en Meta
(Facebook + Instagram), 14 millones de cuentas en Facebook, 11,91 millones de cuentas en
TikTok, 7 millones de cuentas en Instagram, 6,2 millones de cuentas en Spotify, 3,9 millones de
cuentas en Linkedin, 3,5 millones de cuentas en Twitter, 0,7 millones de cuentas en Messenger,
0,5 millones de cuentas en Audience Network (Informe Estado Digital Ecuador 2023 - Mentinno -
Acompañamiento directivo y analítica para negocios, 2023).
Una serie temporal es una serie de datos clasificados en orden cronológico, separados a intervalos
iguales o desiguales. El proceso de pronóstico implica predecir el valor futuro de una serie de
tiempo, ya sea modelando la serie basándose únicamente en su comportamiento pasado
(autorregresivo) o utilizando otras variables externas (Nguyen et al., 2022; Yuliansyah et al., 2020).
Este artículo presenta un ejemplo del uso de aprendizaje automático y modelado estadístico
(ARIMA) para predecir el número de visitas diarias que reciben las redes sociales. Para ello
utilizamos skforecast, una sencilla biblioteca de Python que permite, entre otras cosas, adaptar
cualquier motor de regresión scikit-learn a problemas de previsión (Ashok et al., 2023; Maqsood
et al., 2022; Prakhar et al., 2022).
MATERIALES Y MÉTODOS
La data útil provee un historial diario de acceso a redes sociales disponible a partir del 01 de julio
de 2022. El objetivo es crear un modelo de previsión capaz de predecir cuánto tráfico web tendrán
las redes sociales en 7 días. En concreto, el usuario quiere poder ejecutar el modelo todos los lunes
y recibir previsiones de tráfico diarias hasta el lunes siguiente.
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 18
Para poder evaluar de forma robusta el rendimiento del modelo según su uso previsto, no se debe
limitarse a predecir solo los últimos 7 días de la serie temporal, sino que se debe simular todo el
proceso. El backtesting es un tipo especial de validación cruzada que se aplica a los períodos
anteriores y se puede utilizar con diferentes estrategias.
El backtesting con reentrenamiento, o "refit" en inglés, es una técnica de evaluación de modelos
de aprendizaje automático que implica entrenar un modelo inicial con un conjunto de datos, evaluar
su rendimiento en un conjunto de prueba y luego reentrenar el modelo combinando tanto los datos
de entrenamiento como los de prueba. Este enfoque se utiliza para adaptar y mejorar continuamente
el modelo a medida que se dispone de nuevos datos, lo que es especialmente útil en situaciones en
las que los datos cambian con el tiempo, como en los mercados financieros. El backtesting con
reentrenamiento ayuda a asegurarse de que el modelo sea capaz de adaptarse a las condiciones
cambiantes y mantener su precisión predictiva a lo largo del tiempo.
El proceso de reentrenamiento implica actualizar el modelo con datos más recientes, lo que puede
ayudar a prevenir la obsolescencia del modelo y garantizar que siga siendo relevante y efectivo en
un entorno en constante evolución. Sin embargo, es esencial equilibrar el reentrenamiento con la
necesidad de evitar el sobreajuste, ya que un reentrenamiento excesivo puede hacer que el modelo
se ajuste demasiado a los datos específicos y pierda su capacidad de generalización.
El backtesting con reentrenamiento y tamaño de entrenamiento constante, conocido como "rolling
origin," es una técnica de evaluación utilizada en el desarrollo y validación de modelos de
aprendizaje automático. En este enfoque, un modelo se entrena inicialmente con un conjunto de
datos históricos y se evalúa con un conjunto de prueba. Sin embargo, a diferencia del enfoque
tradicional de backtesting en el que se utilizan conjuntos de entrenamiento y prueba fijos, el rolling
origin implica deslizar una ventana temporal sobre los datos, manteniendo un tamaño de
entrenamiento constante a medida que se avanzan en el tiempo.
El rolling origin es valioso en situaciones en las que los datos cambian con el tiempo o siguen una
tendencia temporal. Permite evaluar la capacidad predictiva del modelo a medida que se avanza en
el tiempo y se presentan nuevos datos. Esta técnica es especialmente útil en campos como la
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 19
predicción financiera, donde las condiciones del mercado evolucionan constantemente. Al utilizar
un tamaño de entrenamiento constante, el rolling origin refleja con mayor precisión la capacidad
del modelo para adaptarse a condiciones cambiantes, lo que resulta en evaluaciones más realistas
y prácticas de su rendimiento a lo largo del tiempo.
El backtesting con reentrenamiento intermitente es una estrategia de evaluación utilizada en el
campo del aprendizaje automático y la modelización predictiva. En este enfoque, en lugar de
realizar reentrenamientos continuos, se programa un reentrenamiento periódico del modelo cada
"n" periodos de tiempo predeterminados. Durante cada ciclo de reentrenamiento, el modelo se
actualiza con datos más recientes y se evalúa su rendimiento en un conjunto de prueba, lo que
permite adaptar el modelo a cambios en los datos y en las condiciones del entorno en intervalos
regulares.
Esta técnica es útil en situaciones en las que los datos pueden no cambiar de manera constante,
pero se espera que el modelo se ajuste a las tendencias a lo largo del tiempo. Al reentrenar el
modelo en intervalos específicos, se equilibra la necesidad de adaptación continua con la
estabilidad del modelo, lo que puede resultar en una mejor capacidad predictiva a medida que se
incorporan nuevos datos. El backtesting con reentrenamiento intermitente es especialmente valioso
en escenarios como la predicción de ventas a largo plazo o la gestión de carteras financieras, donde
los patrones pueden cambiar gradualmente con el tiempo y es importante mantener un equilibrio
entre la adaptación y la estabilidad del modelo.
El backtesting sin reentrenamiento es una técnica utilizada en la evaluación de modelos de
aprendizaje automático y estadísticos en la que un modelo se entrena una sola vez en un conjunto
de datos inicial y luego se evalúa su rendimiento en un conjunto de prueba sin someterlo a
reentrenamiento continuo. A diferencia de otras estrategias, en este enfoque, el modelo se considera
estático una vez que ha sido entrenado inicialmente y se evalúa únicamente en función de su
capacidad para generalizar y hacer predicciones precisas en datos futuros sin modificaciones.
Esta técnica es apropiada en situaciones donde se desea medir la capacidad de un modelo para
mantener su rendimiento sin ajustes o cambios. Sin embargo, es importante destacar que en
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 20
entornos en los que los datos cambian con el tiempo o las condiciones evolucionan, el backtesting
sin reentrenamiento puede tener limitaciones, ya que el modelo puede volverse menos preciso con
el tiempo si no se ajusta a nuevas tendencias o patrones emergentes. Por lo tanto, la elección de
utilizar esta estrategia depende de la estabilidad de los datos y la necesidad de adaptación continua
del modelo.
La elección del método de validación más apropiado dependerá de la estrategia adoptada para la
implementación en producción, particularmente si se planea reentrenar periódicamente el modelo
antes de ejecutar las predicciones. En cualquier caso, es esencial evitar la inclusión de los datos de
prueba en el proceso de búsqueda, independientemente de la estrategia seleccionada, para prevenir
problemas de overfitting.
RESULTADOS Y DISCUSIÓN
Cuando se trabaja en la creación de un modelo de forecasting, es fundamental contar con una
representación adecuada de la serie temporal en estudio. Esta representación implica capturar la
estructura subyacente de los datos a lo largo del tiempo, lo que, a su vez, permite identificar
patrones significativos (véase Figura 1).
Uno de los patrones más comunes que se busca en un análisis de series temporales es la tendencia,
que se refiere a una dirección general en la evolución de los datos, ya sea crecimiento, declive o
una estabilidad a largo plazo. La capacidad de identificar tendencias es esencial para tomar
decisiones informadas, como planificar estrategias de crecimiento corporativo o ajustar políticas
cambiarias.
Además de la tendencia, la representación adecuada de la serie temporal también permite detectar
patrones de estacionalidad, que se refieren a fluctuaciones recurrentes que siguen un ciclo regular
a lo largo del tiempo (véase Figura 1). Estos patrones estacionales son críticos para la predicción
precisa, especialmente en áreas como los negocios minoristas en redes sociales, donde las ventas
pueden aumentar estacionalmente durante las vacaciones. En resumen, la representación de los
valores de la serie temporal es un paso crucial en la creación de modelos de forecasting, ya que
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 21
permite identificar y comprender los patrones de tendencia y estacionalidad que son esenciales para
la toma de decisiones y la planificación estratégica en una variedad de campos.
Figura 1. Visitas diarias de redes sociales
La estacionalidad en análisis de series temporales se refiere a patrones recurrentes que se repiten a
lo largo del tiempo, y puede manifestarse en diferentes escalas. La estacionalidad anual, por
ejemplo, es un patrón que se repite cada año (véase Figura 2), como las variaciones en las ventas
al por menor que se observan en períodos festivos. A nivel mensual (véase Figura 3), la
estacionalidad puede manifestarse en ciclos regulares dentro de cada mes (véase Figura 4), como
los patrones climáticos estacionales o la demanda de ciertos productos en un mes específico del
año.
Por otro lado, la estacionalidad semanal es aún más específica, con patrones que se repiten cada
semana, como la afluencia de clientes en un restaurante que tiende a aumentar los fines de
semana. Estos patrones estacionales son críticos en el forecasting, ya que permiten anticipar y
ajustar las operaciones o las estrategias comerciales según las variaciones predecibles en
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 22
diferentes escalas temporales, optimizando así la planificación y la toma de decisiones.
Figura 2. Distribución de visitas por mes
Figura 3. Distribución de visitas por días del mes
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 23
Figura 4. Distribución de visitas por día de la semana
En el proceso de construcción y entrenamiento del Modelo Autorregresivo Recursivo
(ForecasterAutoreg), se parte de un modelo de regresión lineal potenciado por la penalización
Ridge, una técnica que ayuda a evitar el sobreajuste del modelo (véase Figura 5). Este enfoque
incorpora una ventana temporal de 2 semanas, lo que significa que, en cada etapa de predicción, se
utilizan como predictores los datos de tráfico registrados en los 14 días previos, aprovechando así
la información histórica para informar las proyecciones futuras.
Además, es esencial destacar que, en el contexto de modelos Ridge, es necesario que los predictores
estén estandarizados, lo cual garantiza que todas las variables de entrada estén en la misma escala,
lo que es crucial para el funcionamiento eficiente de la regresión lineal y la penalización Ridge.
Para llevar a cabo esta estandarización, se implementa un StandardScaler mediante el argumento
transformer_y, lo que permite que el modelo se ajuste de manera óptima a los datos, mejorando así
su capacidad predictiva y su capacidad de generalización en aplicaciones de pronóstico.
Un modelo SARIMAX (Seasonal Autoregressive Integrated Moving-Average with Exogenous
Regressors) se erige como una extensión potente del modelo ARIMA, capaz de capturar tanto la
estacionalidad inherente en las series temporales como la influencia de variables exógenas en los
datos (véase Figura 6). Los modelos SARIMAX ocupan un lugar destacado en el arsenal de
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 24
herramientas de forecasting, ya que combinan la capacidad de modelar tendencias, estacionalidades
y comportamientos de datos con la flexibilidad de incorporar factores externos que pueden afectar
las predicciones.
Skforecast, en su implementación, aprovecha la funcionalidad del modelo ARIMA proporcionado
por la librería pmdarima en combinación con el ForecasterSarimax. Asimismo, ofrece utilidades
adicionales como las funciones backtesting_sarimax() y grid_search_sarimax() en su módulo
model_selection_sarimax, lo que permite llevar a cabo tanto la validación rigurosa de los modelos
SARIMAX como su optimización, facilitando la obtención de pronósticos altamente precisos y
adecuados a una amplia gama de aplicaciones prácticas.
Figura 5. Predicción (Autoreg-Ridge) vs vistas reales
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 25
Figura 6. Predicción ARIMA vs visitas reales
El forecasting con variables exógenas expande la capacidad predictiva al incorporar información
adicional que puede influir en el comportamiento de la variable objetivo. A diferencia de los
modelos que se basan únicamente en lags de la variable objetivo, esta estrategia permite aprovechar
la disponibilidad de datos relacionados, cuyos valores futuros son conocidos. Esto resulta
especialmente relevante en situaciones donde factores como días festivos, el mes del año, el día de
la semana o incluso la hora del día pueden tener un impacto significativo en las predicciones.
Por ejemplo (véase Figura 7), al observar el análisis gráfico que muestra una disminución de las
visitas a las redes sociales los fines de semana, se puede emplear el día de la semana como variable
exógena para mejorar la precisión del modelo. La inclusión de estas variables externas en el proceso
de forecasting permite explorar y cuantificar cómo afectan a las predicciones, lo que resulta en
modelos más robustos y adecuados para capturar la complejidad de las relaciones en los datos.
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 26
Figura 7. Predicción ARIMA vs visitas reales
CONCLUSIONES
El notable crecimiento porcentual de usuarios en las redes sociales en Ecuador durante el período de
septiembre de 2022 a mayo de 2023 refleja una tendencia significativa en la adopción y el uso de
plataformas digitales en el país. Estos impresionantes incrementos en la base de usuarios muestran la
importancia continua de las redes sociales en la vida de las personas, así como su influencia en
diversos aspectos de la sociedad ecuatoriana. Facebook 19,99%, Instagram 13,31%, TikTok 32,05%,
Spotify 10,71%, Linkedin 11,43% y Twitter 84,21%. han experimentado un aumento considerable
en su número de usuarios, destacando el interés y la participación de la población en estas
plataformas. Este fenómeno subraya la creciente relevancia de las redes sociales como canales de
comunicación, entretenimiento y networking en Ecuador, lo que tiene importantes implicaciones en
áreas como el marketing, la comunicación empresarial y la influencia digital.
La concentración de usuarios mayores de edad en Ecuador, con un total de 14'590.000 personas
registradas hasta mayo de 2023, ofrece una visión reveladora de la distribución demográfica en el
país. Estos usuarios están repartidos en diversas ciudades, con Guayaquil y Quito liderando la lista
con el 19,25% y el 14,23%, respectivamente. La presencia significativa de usuarios en ciudades como
Cuenca, Santo Domingo, Machala, Manta, Portoviejo, Ambato, Durán y Riobamba demuestra la
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 27
penetración de la red social meta en todo el territorio ecuatoriano. Este vasto alcance refleja el
impacto de las redes sociales como plataformas de comunicación y participación en la vida cotidiana
de las personas en Ecuador y destaca su influencia en una amplia variedad de ámbitos, desde la
política hasta el comercio y la cultura.
En el marco de nuestro estudio, es evidente que el modelo ARIMA sobresale al alcanzar un puntaje
impresionante en el backtesting, mostrando un valor de 1'102.425,75 frente a 1'139.257,36. Esto
destaca la eficacia de ARIMA en la predicción de series temporales y su capacidad para capturar
patrones significativos en los datos. No obstante, siempre existe margen para la mejora, y en este
contexto, se podrían explorar enfoques adicionales para enriquecer aún más el modelo. Una posible
mejora podría ser la incorporación de información sobre si un día es festivo a nivel nacional como
predictor, lo que podría ayudar a capturar las variaciones en el comportamiento durante las
festividades. Además, la exploración de modelos autorregresivos no lineales, como Random Forest
o Gradient Boosting, podría ser beneficioso, ya que estos modelos tienen la capacidad de manejar
relaciones más complejas en los datos. Otra opción interesante es el uso de modelos de pronóstico
directo de múltiples pasos que proporcionen predicciones a largo plazo en lugar de iteraciones
secuenciales, lo que podría adaptarse mejor a ciertas situaciones de series temporales.
Además, aunque ARIMA ha demostrado ser un modelo sólido en este contexto, siempre es prudente
explorar alternativas y considerar la incorporación de predictores adicionales para abordar la
complejidad de los datos. La elección del modelo óptimo dependerá en última instancia de la
naturaleza de los datos y de los objetivos específicos del pronóstico, y la búsqueda de mejoras
continuas es esencial para mantener la precisión en el análisis de series temporales.
REFERENCIAS
Acevedo-Argüello, C., Zabala-Vargas, S., Rojas-Mesa, J., & Guayán-Perdomo, O. (2020). Análisis
de Redes Sociales como estrategia para estudiar los Sistemas de Innovación. Revisión
sistemática de la literatura. Revista Interamericana de Investigación Educación y Pedagogía
RIIEP, 13(2), 370–402. https://doi.org/10.15332/25005421.6238
Ashok, K., Rajalakshmi, B., Chaitanya Reddy, K. S., Priyanka Guggulla, G., & Santhosh Krishna,
B. V. (2023). A Novel Women Safety Analyis and Monitoring Sysetm over Social Media
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 28
using Machine Learning. 2023 3rd International Conference on Intelligent Technologies,
CONIT 2023, 1–5. https://doi.org/10.1109/CONIT59222.2023.10205753
Figuereo-Benítez, J. C., González-Quiñones, F., & Machin-Mastromatteo, J. D. (2021). Instagram
como objeto de estudio en investigaciones recientes. Una revisión de literatura con enfoque
en revistas científicas. Ámbitos. Revista Internacional de Comunicación, 53(53), 9–23.
https://doi.org/10.12795/ambitos.2021.i53.01
Giuntini, F. T., De Moraes, K. L., Cazzolato, M. T., De Fatima Kirchner, L., De Jesus D. Dos Reis,
M., Traina, A. J. M., Campbell, A. T., & Ueyama, J. (2021). Modeling and Assessing the
Temporal Behavior of Emotional and Depressive User Interactions on Social Networks. IEEE
Access, 9, 93182–93194. https://doi.org/10.1109/ACCESS.2021.3091801
Informe Estado Digital Ecuador 2023 - Mentinno - Acompañamiento directivo y analítica para
negocios. (2023, 29 junio). Mentinno - Acompañamiento directivo y analítica para negocios.
https://www.mentinno.com/informe-estado-digital-ecuador-2023/
Luo, T., Cao, Z., Zeng, D., & Zhang, Q. (2022). A Dissemination Model Based on Psychological
Theories in Complex Social Networks. IEEE Transactions on Cognitive and Developmental
Systems, 14(2), 519–531. https://doi.org/10.1109/TCDS.2021.3052824
Lupano Perugini, M. L., & Castro Solano, A. (2023). Uso pasivo de redes sociales y malestar
psicológico. El rol de la comparación social. Interdisciplinaria. Revista de Psicología y
Ciencias Afines, 40(2), 543–558. https://doi.org/10.16888/interd.2023.40.2.31
Maqsood, U., Khuhawar, F. Y., Talpur, S., Jaskani, F. H., & Memon, A. A. (2022). Twitter Mining
based Forecasting of Cryptocurrency using Sentimental Analysis of Tweets. 2022 Global
Conference on Wireless and Optical Technologies, GCWOT 2022, 1–6.
https://doi.org/10.1109/GCWOT53057.2022.9772923
Nguyen, L., Yang, Z., Li, J., Pan, Z., Cao, G., & Jin, F. (2022). Forecasting People’s Needs in
Hurricane Events from Social Network. IEEE Transactions on Big Data, 8(1), 229–240.
https://doi.org/10.1109/TBDATA.2019.2941887
Prakhar, K., Sountharrajan, S., Suganya, E., Karthiga, M., & Sathis Kumar, B. (2022). Effective
Stock Price Prediction using Time Series Forecasting. 2022 6th International Conference on
Trends in Electronics and Informatics, ICOEI 2022 - Proceedings, Icoei, 1636–1640.
https://doi.org/10.1109/ICOEI53556.2022.9776830
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 15-29 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 29
Sampedro Guamán, C. R., Palma Rivera, D. P., Machuca Vivar, S. A., & Arrobo Lapo, E. V.
(2021). Digital transformation of marketing in small and medium companies through social
networks. Universidad y Sociedad, 13(3), 484–490.
Shen, C. Y., Yang, D. N., Lee, W. C., & Chen, M. S. (2022). Activity Organization for Friend-
Making Optimization in Online Social Networks. IEEE Transactions on Knowledge and Data
Engineering, 34(1), 122–137. https://doi.org/10.1109/TKDE.2020.2980516
Tejedor, S., Cervi, L., Martínez, F., & Tusa, F. (2021). Principales motivaciones en el uso de redes
sociales en estudiantes de Comunicación: perspectiva comparada entre Colombia, Ecuador y
España. Journal of Iberian and Latin American Research, 27(1), 163–182.
https://doi.org/10.1080/13260219.2021.1947353
Wei, X., Xu, G., Wang, H., He, Y., Han, Z., & Wang, W. (2020). Sensing Users’ Emotional
Intelligence in Social Networks. IEEE Transactions on Computational Social Systems, 7(1),
103–112. https://doi.org/10.1109/TCSS.2019.2944687
Yuliansyah, H., Othman, Z. A., & Bakar, A. A. (2020). Taxonomy of link prediction for social
network analysis: A review. IEEE Access, 8(1), 183470–183487.
https://doi.org/10.1109/ACCESS.2020.3029122
