Detección de factores relevantes en redes sociales incorporando información de expertos

La mayoría de las empresas utilizan las redes sociales como canales de comunicación debido a los beneficios empresariales que pueden proporcionar. Este artículo se centra en el impacto de las redes sociales en una fundación española dedicada a la innovación y la difusión del conocimiento, y en cómo...

Full description

Bibliographic Details
Authors: Pérez-Sánchez, José María, Acosta García, María, Gómez-Déniz , Emilio
Format: article
Publication Date:2024
Country:España
Institution:Universidad Pablo de Olavide (UPO)
Repository:RIO. Repositorio Institucional Olavide
Language:Spanish
OAI Identifier:oai:rio.upo.es:10433/23273
Online Access:https://hdl.handle.net/10433/23273
Access Level:Open access
Keyword:inferencia bayesiana
simulación MCMC
distribución a priori informativa
redes sociales
Bayesian inference
MCMC simulation methods
informative prior distributions
social networks
id ES_fdbc8c57ec6b8c5ac56bae4fc28e6d2b
oai_identifier_str oai:rio.upo.es:10433/23273
network_acronym_str ES
network_name_str España
repository_id_str
spelling Detección de factores relevantes en redes sociales incorporando información de expertosIncorporating expert judgment for detecting relevant factors in socialnetworks undetected by ordinary methodsPérez-Sánchez, José MaríaAcosta García, MaríaGómez-Déniz , Emilioinferencia bayesianasimulación MCMCdistribución a priori informativaredes socialesBayesian inferenceMCMC simulation methodsinformative prior distributionssocial networksLa mayoría de las empresas utilizan las redes sociales como canales de comunicación debido a los beneficios empresariales que pueden proporcionar. Este artículo se centra en el impacto de las redes sociales en una fundación española dedicada a la innovación y la difusión del conocimiento, y en cómo afectan a sus principales eventos y actividades. Examinamos los factores subyacentes a un retuit en Twitter o una compartición en Facebook con el fin de analizar la difusión de los eventos principales de esta fundación. Se realizaron comparaciones con tres modelos estadísticos (regresión estándar y regresión bayesiana con distribución a priori informativa y no informativa). Concluimos que la ventaja que ofrece la metodología bayesiana sobre la clásica se demuestra mediante la incorporación de información colateral, generalmente proporcionada por expertos, lo que permite refinar el modelo y obtener conclusiones que, de otro modo, no podrían ser identificadas. Esta conclusión puede tener implicaciones significativas para las empresas que utilizan redes socialesUniversidad Pablo de Olavide20252025-02-2120242024-12-0320242024-12-03journal articlehttp://purl.org/coar/resource_type/c_6501info:eu-repo/semantics/articleapplication/pdfhttps://hdl.handle.net/10433/23273reponame:RIO. Repositorio Institucional Olavideinstname:Universidad Pablo de Olavide (UPO)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:rio.upo.es:10433/232732026-06-13T12:46:27Z
dc.title.none.fl_str_mv Detección de factores relevantes en redes sociales incorporando información de expertos
Incorporating expert judgment for detecting relevant factors in socialnetworks undetected by ordinary methods
title Detección de factores relevantes en redes sociales incorporando información de expertos
spellingShingle Detección de factores relevantes en redes sociales incorporando información de expertos
Pérez-Sánchez, José María
inferencia bayesiana
simulación MCMC
distribución a priori informativa
redes sociales
Bayesian inference
MCMC simulation methods
informative prior distributions
social networks
title_short Detección de factores relevantes en redes sociales incorporando información de expertos
title_full Detección de factores relevantes en redes sociales incorporando información de expertos
title_fullStr Detección de factores relevantes en redes sociales incorporando información de expertos
title_full_unstemmed Detección de factores relevantes en redes sociales incorporando información de expertos
title_sort Detección de factores relevantes en redes sociales incorporando información de expertos
dc.creator.none.fl_str_mv Pérez-Sánchez, José María
Acosta García, María
Gómez-Déniz , Emilio
author Pérez-Sánchez, José María
author_facet Pérez-Sánchez, José María
Acosta García, María
Gómez-Déniz , Emilio
author_role author
author2 Acosta García, María
Gómez-Déniz , Emilio
author2_role author
author
dc.contributor.none.fl_str_mv
dc.subject.none.fl_str_mv inferencia bayesiana
simulación MCMC
distribución a priori informativa
redes sociales
Bayesian inference
MCMC simulation methods
informative prior distributions
social networks
topic inferencia bayesiana
simulación MCMC
distribución a priori informativa
redes sociales
Bayesian inference
MCMC simulation methods
informative prior distributions
social networks
description La mayoría de las empresas utilizan las redes sociales como canales de comunicación debido a los beneficios empresariales que pueden proporcionar. Este artículo se centra en el impacto de las redes sociales en una fundación española dedicada a la innovación y la difusión del conocimiento, y en cómo afectan a sus principales eventos y actividades. Examinamos los factores subyacentes a un retuit en Twitter o una compartición en Facebook con el fin de analizar la difusión de los eventos principales de esta fundación. Se realizaron comparaciones con tres modelos estadísticos (regresión estándar y regresión bayesiana con distribución a priori informativa y no informativa). Concluimos que la ventaja que ofrece la metodología bayesiana sobre la clásica se demuestra mediante la incorporación de información colateral, generalmente proporcionada por expertos, lo que permite refinar el modelo y obtener conclusiones que, de otro modo, no podrían ser identificadas. Esta conclusión puede tener implicaciones significativas para las empresas que utilizan redes sociales
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-12-03
2024
2024-12-03
2025
2025-02-21
dc.type.none.fl_str_mv journal article
http://purl.org/coar/resource_type/c_6501
dc.type.openaire.fl_str_mv info:eu-repo/semantics/article
format article
dc.identifier.none.fl_str_mv https://hdl.handle.net/10433/23273
url https://hdl.handle.net/10433/23273
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Pablo de Olavide
publisher.none.fl_str_mv Universidad Pablo de Olavide
dc.source.none.fl_str_mv reponame:RIO. Repositorio Institucional Olavide
instname:Universidad Pablo de Olavide (UPO)
instname_str Universidad Pablo de Olavide (UPO)
reponame_str RIO. Repositorio Institucional Olavide
collection RIO. Repositorio Institucional Olavide
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869425593852887040
score 15,228081

Similar Items