A continuación, se aplica el prompt genérico a la carrera de Ciencias de la Comunicación de la UAGRM. Se presentan 10 proyectos de investigación aplicada (TRL 6–8) con nombres creativos y descripción completa, enfocados en comunicación digital, periodismo de datos, análisis de discurso con IA, efectos de medios en salud pública, etc.
—
🎯 Enfoque prioritario para Ciencias de la Comunicación
· Detección automática de desinformación y fake news en redes sociales mediante PLN.
· Análisis de sentimiento y emociones en discursos políticos con transformers.
· Personalización de mensajes de salud pública usando modelos de audiencia.
· Estrategias de storytelling adaptativo para campañas de cambio social.
· Medición de engagement y persuasión en contenido audiovisual con eye tracking + IA.
—
1. Título: DeepFakeDetector – Modelo híbrido CNN-Transformer para identificación de videos manipulados en tiempo real (aplicado a campañas electorales)
Problema científico
La circulación de deepfakes en redes sociales erosiona la confianza en los medios, pero los sistemas actuales de detección tienen alta latencia y no están adaptados al español de Bolivia.
Hipótesis principal
Un modelo CNN (para artefactos espaciales) + Transformer (para inconsistencias temporales) alcanza una precisión >92% en la detección de deepfakes en videos cortos (≤30s) con latencia <2 segundos.
Modelo de Red Neuronal Propuesto
Arquitectura híbrida: EfficientNetB0 extrae características por fotograma; Transformer con atención temporal captura anomalías de sincronía labial y parpadeo.
Base Neuroeducativa
El cerebro humano detecta inconsistencias en rostros mediante el área fusiforme (FFA), pero es engañable. Los modelos computacionales imitan este proceso con mayor velocidad y precisión (Dolhansky et al., 2020, CVPR).
Diseño Metodológico
Estudio de validación técnica con base de datos FaceForensics++ y recopilación de 500 videos deepfake en español boliviano (creados éticamente). Métricas: AUC, F1-score, tiempo de inferencia. Validación cruzada por sujeto.
Viabilidad Técnica (TRL)
TRL 6 – prototipo funcional en servidor GPU (NVIDIA T4). Infraestructura: API REST desplegable en navegador o extensión de Chrome. Costo: $10.000 (cómputo y anotación).
Impacto Cuantificable
Reducción del 70% en tiempo de verificación de videos por periodistas. Métrica: precisión >92% y tasa de falsos positivos <5%.
Aplicabilidad Práctica Inmediata
Unidades de fact-checking (Bolivia Verifica, El Deber), periodistas de investigación, Tribunal Electoral Departamental (para monitoreo de campaña).
Proyección a 5 años
Plugin para navegador de uso gratuito; formación de periodistas en alfabetización mediática sobre deepfakes. Patente compartida UAGRM – DICIT.
—
2. Título: PoliSent – Análisis de polarización afectiva en comentarios de Facebook durante debates políticos mediante BERT multilingüe
Problema científico
La polarización afectiva (odio hacia el partido contrario) en redes sociales aumenta la desinformación y la crispación, pero no existen herramientas automatizadas para medirla en el contexto boliviano.
Hipótesis principal
Un modelo fine-tuned de BETO (BERT español) clasifica comentarios en 4 categorías (afecto positivo/negativo hacia candidato A/B) con una concordancia inter-ética (kappa) >0,85.
Modelo de Red Neuronal Propuesto
BERT multilingüe (base) + capa de clasificación softmax. Entrenado con 10.000 comentarios anotados por psicólogos sociales y comunicadores.
Base Neuroeducativa
El lenguaje emocional activa la amígdala y la corteza cingulada anterior, sesgando la toma de decisiones. La polarización afectiva se asocia con menor activación de la corteza prefrontal dorsolateral (control cognitivo). Referencia: Iyengar et al. (2019, Annual Review of Psychology).
Diseño Metodológico
Estudio longitudinal (3 meses) durante campaña electoral. Recolección de comentarios públicos de páginas de noticias y candidatos. Análisis: fine-tuning con validación cruzada 10-fold, comparación con humanos (3 jueces).
Viabilidad Técnica (TRL)
TRL 7 – prototipo desplegado en entorno real (monitoreo de elecciones subnacionales). Infraestructura: servidor con GPU, base de datos MongoDB. Costo: $8.000.
Impacto Cuantificable
Generación de reportes diarios de polarización para medios y candidatos. Métrica: reducción del 40% en el tiempo de análisis cualitativo (de 1 semana a 1 hora).
Aplicabilidad Práctica Inmediata
Observatorio de Medios de la UAGRM, periódicos (El Deber, La Razón), consultoras políticas.
Proyección a 5 años
Panel “PoliSent Bolivia” como herramienta pública de monitoreo de salud democrática. API abierta para investigadores.
—
3. Título: HealthNarrative – Generación automática de mensajes personalizados para campañas de vacunación usando GPT-4 y teoría de la persuasión
Problema científico
Los mensajes de salud pública estandarizados tienen baja efectividad en poblaciones heterogéneas; se requieren adaptaciones culturales y psicológicas.
Hipótesis principal
Un sistema basado en GPT-4 fine-tuned con prompts que incorporen los 6 principios de persuasión de Cialdini (reciprocidad, escasez, etc.) produce mensajes que aumentan la intención de vacunación en un 25% frente a mensajes genéricos.
Modelo de Red Neuronal Propuesto
Transformer generativo (GPT-4 o LLAMA2 70B) ajustado por RLHF con recompensa basada en puntuaciones de persuasión (evaluadas por un panel de psicólogos).
Base Neuroeducativa
Los sesgos cognitivos (aversión a la pérdida, prueba social) modulan la toma de decisiones en salud. La activación de la ínsula y la corteza prefrontal ventromedial predice el cambio de actitud (Falk et al., 2015, PNAS).
Diseño Metodológico
Ensayo controlado aleatorizado (n=600 adultos, 3 grupos: mensajes GPT-persuasivos, GPT-genéricos, mensaje oficial). Medición pre-post de intención de vacunación (escala de 1 a 7). Análisis: ANOVA de una vía.
Viabilidad Técnica (TRL)
TRL 6 – prototipo funcional con API de OpenAI o modelo open-source local (LLAMA 2). Costo por generación: $0,01 por mensaje. Total proyecto: $15.000 (incluyendo evaluación con humanos).
Impacto Cuantificable
Incremento del 25% en intención de vacunación (diferencia entre grupos) y reducción del 30% en hesitación vacunal.
Aplicabilidad Práctica Inmediata
Ministerio de Salud (campañas de vacunación contra influenza, COVID-19), Secretaría Municipal de Salud de Santa Cruz.
Proyección a 5 años
Plataforma “ComunicaSalud” que asesora a comunicadores de salud pública en la generación de mensajes segmentados por edad, nivel educativo y sesgos cognitivos.
—
4. Título: EyeComm – Predicción de engagement en video publicitario mediante eye tracking móvil y redes neuronales convolucionales
Problema científico
El engagement se mide post-publicación (clics, likes), pero no existe un modelo predictivo en tiempo real basado en atención visual durante la visualización del video.
Hipótesis principal
Un modelo CNN 3D (espacio-temporal) que procesa mapas de calor de mirada (obtenidos con eye tracker de móvil) predice la retención del mensaje (recuerdo asistido) con un error absoluto medio <15%.
Modelo de Red Neuronal Propuesto
CNN 3D con capas de atención espacial, entrenada con datos de eye tracking de 200 participantes viendo 50 videos publicitarios. Salida: puntaje de engagement (0-100).
Base Neuroeducativa
La atención visual selectiva está controlada por el sistema de saliencia (colículos superiores) y el control ejecutivo (corteza prefrontal). La fijación en elementos clave (rostro, logo, llamada a la acción) correlaciona con memoria a largo plazo (Wedel & Pieters, 2017, Journal of Marketing Research).
Diseño Metodológico
Estudio cuasi-experimental de laboratorio. Población: 200 estudiantes universitarios. Instrumentos: eye tracker de bajo costo (WebGazer.js o Gazepoint GP3), encuesta de recuerdo a las 24 horas. Modelo: CNN 3D con validación cruzada.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en laboratorio de comunicación. Hardware: cámara web estándar (eye tracking con WebGazer) o dispositivos móviles con front-camera. Costo: $5.000 (software y compensación a participantes).
Impacto Cuantificable
Aumento del 35% en la efectividad de anuncios pre-testeados con el sistema (mayor recuerdo y tasa de clics).
Aplicabilidad Práctica Inmediata
Agencias de publicidad en Santa Cruz (ej. BBDO, P4), departamento de marketing de empresas locales (Farmacorp, Hamburgo).
Proyección a 5 años
Herramienta SaaS “EyeComm” para pruebas A/B de creatividades publicitarias. Formación de especialistas en neuromarketing en la UAGRM.
—
5. Título: RumorStopper – Modelo de propagación de desinformación en WhatsApp basado en redes neuronales gráficas (GNN) para prevención temprana
Problema científico
WhatsApp es el principal vector de desinformación en Bolivia, pero su naturaleza cifrada impide la detección de mensajes dañinos antes de que se viralicen.
Hipótesis principal
Un modelo GNN que simula la red de reenvíos (grafos de usuarios) puede predecir qué rumores alcanzarán >10.000 reenvíos con 80% de precisión usando solo las primeras 100 propagaciones.
Modelo de Red Neuronal Propuesto
Graph Convolutional Network (GCN) sobre el grafo de usuarios, con nodos caracterizados por patrón temporal de reenvíos (velocidad, alcance). Entrenado con logs anonimizados de campañas de desinformación reales.
Base Neuroeducativa
La propagación de rumores explota sesgos cognitivos (sesgo de confirmación, heurística de disponibilidad) y la emocionalidad negativa (indignación). La detección temprana requiere modelar el contagio social (Vosoughi et al., 2018, Science).
Diseño Metodológico
Estudio observacional con datos históricos de cadenas de WhatsApp (2020-2024) proporcionadas por organizaciones de fact-checking. Se entrenará un modelo GNN para clasificar rumores en “alto riesgo de viralización” vs “bajo riesgo”. Validación temporal (rolling window).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con datos simulados o desidentificados. Infraestructura: servidor con GPU y librerías PyTorch Geometric. Costo: $20.000 (incluyendo adquisición de datos ética y colaboración con Bolivia Verifica).
Impacto Cuantificable
Reducción del 50% en el tiempo de respuesta de fact-checkers (de 24 horas a 4 horas) al priorizar rumores de alto riesgo.
Aplicabilidad Práctica Inmediata
Unidad de monitoreo de desinformación de la DEIS, alianza con Bolivia Verifica y Chequea Bolivia.
Proyección a 5 años
Sistema integrado en una app de alerta temprana para periodistas y ciudadanos. Capacitación a 500 comunicadores en periodismo de datos.
—
6. Título: EmoRadio – Análisis de emociones en transmisiones de radio en vivo mediante NLP y reconocimiento de prosodia
Problema científico
La radio sigue siendo un medio influyente en el área rural de Bolivia, pero no existen herramientas automatizadas para medir el tono emocional de los locutores y su efecto en la audiencia.
Hipótesis principal
Un modelo multimodal (texto + audio) basado en Wav2Vec2 + BETO clasifica segmentos de 10 segundos en 5 emociones (alegría, enojo, tristeza, miedo, neutral) con F1 >0,80 en español de Bolivia.
Modelo de Red Neuronal Propuesto
Fusión temprana: características de audio (MFCC, prosodia) extraídas por Wav2Vec2 + características textuales (ASR + BETO). Clasificador final con atención cruzada.
Base Neuroeducativa
El tono de voz activa la corteza auditiva y la amígdala, influyendo en la persuasión y la confianza. La congruencia emocional entre locutor y mensaje aumenta la retención (Van Berkum et al., 2019, Journal of Cognitive Neuroscience).
Diseño Metodológico
Recopilación de 100 horas de transmisiones de radio locales (ej. Radio Fides, ERBOL). Anotación por 5 psicólogos (kappa >0,70). Validación en 10 horas de transmisión en vivo. Métricas: precisión por emoción.
Viabilidad Técnica (TRL)
TRL 6 – prototipo offline. Hardware: servidor con GPU (NVIDIA RTX 3060). Software: Hugging Face, Whisper (ASR). Costo: $12.000 (anotación y cómputo).
Impacto Cuantificable
Generación automática de reportes emocionales por hora de programa. Métrica: correlación entre emociones predominantes y rating de audiencia (si disponible).
Aplicabilidad Práctica Inmediata
Emisoras universitarias (Radio UAGRM), radios comunitarias de Santa Cruz, programas de opinión política.
Proyección a 5 años
Herramienta de autoevaluación para locutores (“Dashboard EmoRadio”). Integración con sistemas de recomendación de contenido.
—
7. Título: StoryNet – Generación de narrativas periodísticas adaptativas a partir de datos estructurados usando transformers y teoría del framing
Problema científico
El periodismo de datos produce grandes volúmenes de información, pero la redacción manual de noticias personalizadas para diferentes audiencias (jóvenes, adultos, rurales) es inviable.
Hipótesis principal
Un modelo transformer fine-tuned con ejemplos de framing (atribución de responsabilidad, interés humano, conflicto) genera 3 versiones de una misma noticia (breve, estándar, detallada) indistinguibles de las escritas por periodistas (prueba de Turing superada por >70% de los lectores).
Modelo de Red Neuronal Propuesto
T5 (Text-to-Text Transfer Transformer) o BLOOM en español, fine-tuned con 10.000 pares (dato estructurado + noticia) y con etiquetas de framing.
Base Neuroeducativa
Los diferentes frames activan distintos esquemas mentales (guiones) y emociones, afectando la opinión pública. La adaptación de la narrativa mejora la comprensión y el recuerdo en poblaciones con diferente alfabetización mediática (Scheufele & Iyengar, 2017, Oxford Research Encyclopedia).
Diseño Metodológico
Experimento con 300 lectores asignados aleatoriamente a 3 versiones de 5 noticias (generadas por StoryNet vs. periodista humano). Medición: comprensión (test de 5 preguntas), credibilidad (escala Likert), preferencia ciega. Análisis: prueba t pareada.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con modelo open-source (Rostro o BLOOM-1b). Infraestructura: servidor con GPU 24GB. Costo: $25.000 (incluyendo fine-tuning y evaluación con lectores).
Impacto Cuantificable
Aumento del 40% en el tiempo de lectura y del 20% en recuerdo de hechos clave en la versión adaptada a cada segmento.
Aplicabilidad Práctica Inmediata
Redacción de medios digitales (El Deber, Página Siete, Unitel). Generación automática de versiones para redes sociales, boletines y población con baja lectoescritura.
Proyección a 5 años
API “StoryNet” integrada en sistemas de gestión de contenido (CMS) para medios latinoamericanos. Formación en periodismo aumentado.
—
8. Título: TrollHunter – Identificación de cuentas de desinformación coordinada en Twitter usando grafos temporales y detección de anomalías
Problema científico
Las cuentas automatizadas (bots) y los trolls coordinados manipulan el debate público, pero los detectores clásicos se basan solo en contenido y no en patrones temporales de interacción.
Hipótesis principal
Un modelo de detección de anomalías en grafos dinámicos (Graph Neural Network + LSTM) identifica cuentas coordinadas con una precisión >85% usando únicamente metadatos de retweets y menciones, sin analizar texto.
Modelo de Red Neuronal Propuesto
Evolución temporal del grafo de interacciones procesada por una GCN para cada ventana de 1 hora, luego una LSTM para capturar patrones de coordinación (picos de actividad, sincronía).
Base Neuroeducativa
La manipulación coordinada explota el contagio social y la cámara de eco. La detección temprana reduce el impacto de campañas de desinformación (Vosoughi et al., 2018, Science).
Diseño Metodológico
Recopilación de tuits de 10.000 cuentas durante 6 meses (incluyendo cuentas etiquetadas por Twitter como bots o suspendidas). Se entrenará un modelo binario. Validación temporal (entrenar en meses 1-5, probar en mes 6).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Infraestructura: base de datos de grafos (Neo4j) + GPU. Costo: $15.000 (almacenamiento y cómputo). Necesaria colaboración con Twitter API v2 (Academic Research).
Impacto Cuantificable
Reducción del 50% en el tiempo de identificación de campañas orquestadas (de días a horas). Métrica: recall >0,80 para cuentas coordinadas.
Aplicabilidad Práctica Inmediata
Observatorio de Medios Digitales de la UAGRM, periodismo de investigación, ONG de transparencia (Fundación Jubileo).
Proyección a 5 años
Herramienta pública “TrollHunter Bolivia” con reportes semanales. Alianza con el Tribunal Electoral para monitoreo de procesos democráticos.
—
9. Título: MemeSent – Clasificación de intención comunicativa (humor, sarcasmo, propaganda) en memes políticos mediante visión por computadora y OCR
Problema científico
Los memes son vehículo de propaganda y desinformación, pero combinan imagen y texto, lo que dificulta su análisis automatizado.
Hipótesis principal
Un modelo multimodal (ViT + BETO) que fusiona embeddings de imagen y texto clasifica memes en 4 intenciones (humor neutral, sarcasmo crítico, propaganda positiva, propaganda negativa) con F1 >0,75.
Modelo de Red Neuronal Propuesto
Vision Transformer (ViT) para imagen + OCR (Tesseract) para texto, procesado por BETO. Fusión mediante atención cruzada (Cross-Attention). Entrenamiento con 15.000 memes anotados.
Base Neuroeducativa
El humor y el sarcasmo activan la corteza prefrontal (integración semántica) y la amígdala (emoción). La detección de intención requiere procesar incongruencias (Dynel, 2020, Pragmatics & Cognition).
Diseño Metodológico
Recopilación de memes políticos de grupos de Facebook y Telegram durante elecciones. Anotación por 5 comunicadores (kappa >0,70). Entrenamiento con validación cruzada. Evaluación con 1.000 memes nuevos.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en laboratorio. Hardware: servidor con GPU. Software: PyTorch, Hugging Face. Costo: $18.000 (anotación y cómputo).
Impacto Cuantificable
Clasificación automática de 1.000 memes/hora. Métrica: capacidad de alertar sobre memes con intención propagandística negativa con precisión >80%.
Aplicabilidad Práctica Inmediata
Monitoreo de campañas políticas, unidades de fact-checking, análisis de tendencias en redes sociales.
Proyección a 5 años
API para integración en plataformas de monitoreo de redes sociales. Extensión a memes en quechua y guaraní (bajo recursos).
—
10. Título: FocusMedia – Medición de carga cognitiva en espectadores de noticieros usando sensores EEG de bajo costo (Neurofeedback aplicado a producción televisiva)
Problema científico
Los noticieros no miden la atención real de la audiencia más allá del rating. El exceso de información o la mala segmentación produce fatiga cognitiva.
Hipótesis principal
Un índice de carga cognitiva derivado de la relación theta/beta (EEG frontal) correlaciona negativamente (r > -0,7) con el recuerdo de noticias 24 horas después.
Modelo de Red Neuronal Propuesto
Regresión lineal regularizada (Ridge) que predice puntaje de recuerdo a partir de características espectrales EEG (potencia relativa en theta, alfa, beta) y variables de producción (velocidad de edición, cantidad de cambios de escena).
Base Neuroeducativa
La alta carga cognitiva (sobrecarga de la memoria de trabajo) reduce la consolidación de la memoria episódica. La relación theta/beta en Fz es un biomarcador validado de carga mental (Antonenko et al., 2019, Scientific Reports).
Diseño Metodológico
Estudio experimental (n=40 espectadores). Ven un noticiero de 30 minutos con EEG (Muse 2 o OpenBCI). A las 24 horas, test sorpresa de recuerdo (10 preguntas de opción múltiple). Análisis de correlación y regresión.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en laboratorio de comunicación. Hardware: EEG de 4 canales (Muse 2, costo $350/unidad). Software: Muse Lab, Python. Costo total: $10.000 (incluyendo pago a participantes).
Impacto Cuantificable
Recomendaciones concretas para productores de noticias (duración de segmentos, frecuencia de cortes) que mejoren el recuerdo en un 30% según prueba piloto.
Aplicabilidad Práctica Inmediata
Departamento de producción de canales de televisión (Unitel, Red Uno, ATB). Programas de entrenamiento para editores y periodistas.
Proyección a 5 años
Servicio de “auditoría cognitiva” para medios de comunicación. Desarrollo de un software de análisis automático de ritmo televisivo basado en principios neurocognitivos.
—
📌 Nota final
Estos 10 proyectos para Ciencias de la Comunicación cubren:
· Detección de deepfakes y desinformación (1, 5, 8)
· Análisis de sentimiento y polarización (2)
· Generación automatizada de mensajes persuasivos (3, 7)
· Neuromarketing y atención visual (4, 10)
· Emociones en medios tradicionales (6)
· Clasificación de memes (9)
Todos alcanzan TRL 6–7 y pueden ejecutarse en el contexto de Santa Cruz con recursos moderados ($5.000 – $25.000). Se recomienda articularlos con la DEIS (extensión a medios y municipios) y la DICIT (apoyo en cómputo de alto rendimiento).
¿Necesitas generar otra carrera (ej. Ingeniería Ambiental, Derecho, Medicina)? Indícalo y elaboro la lista correspondiente.