Detección de Contenido Adictivo en la plataforma TikTok usando algoritmos de  aprendizaje supervisado.

Contenido principal del artículo

Sebastian Paul Torres Tapia
Dennis Geovanna Tovar Pacheco
Danilo Martinez Espinoza PhD.

Resumen

El crecimiento exponencial de las plataformas de redes sociales, como TikTok, ha traído consigo preocupaciones sobre los efectos negativos del contenido adictivo en la salud mental y el bienestar de los usuarios, especialmente en niños y adolescentes. Este proyecto se centra en el desarrollo de un sistema de clasificación automatizada utilizando modelos de aprendizaje automático para identificar contenido potencialmente adictivo en TikTok. Se entrenaron y evaluaron varios modelos, incluidos Regresión Logística, Máquinas de Vectores de Soporte (SVM), k-Nearest Neighbors (k-NN), Árboles de Decisión, Naive Bayes y Redes Neuronales, utilizando un conjunto de datos de interacciones de usuarios y características del contenido. Los resultados preliminares muestran que los modelos de Redes Neuronales y SVM lineal  y Decision Tree son los más efectivos para capturar las complejas relaciones que definen la adictividad del contenido. Con una precisión superior al 90%, el sistema desarrollado puede ser una herramienta valiosa para mitigar la exposición de los usuarios a contenido perjudicial, reduciendo así el tiempo de pantalla y promoviendo hábitos digitales más saludables. Este estudio propone un enfoque innovador para abordar el problema emergente de la adicción a las redes sociales mediante la intervención directa en los algoritmos de recomendación.

Detalles del artículo

Cómo citar
Detección de Contenido Adictivo en la plataforma TikTok usando algoritmos de  aprendizaje supervisado. (2025). GEEKS DECC-REPORTS, 8(2). https://doi.org/10.24133/428vw925
Sección
Artículos Técnicos

Cómo citar

Detección de Contenido Adictivo en la plataforma TikTok usando algoritmos de  aprendizaje supervisado. (2025). GEEKS DECC-REPORTS, 8(2). https://doi.org/10.24133/428vw925