Desinformacion y Alfabetización Mediática: Clasificación de Patrones de Confianza en Noticias entre Adolescentes mediante Machine Learning

Autores/as

  • Marta-Lilia Eraña-Díaz Centro de Investigación en Ciencias Cognitivas (CINCCO), Universidad Autónoma del Estado de Morelos, MÉXICO https://orcid.org/0000-0001-8450-8247
  • Jorge Pablo Oseguera Gamba Centro de Investigación en Ciencias Cognitivas (CINCCO), Universidad Autónoma del Estado de Morelos, MÉXICO https://orcid.org/0000-0003-1339-411X
  • Nadia Lara Ruiz Facultad de Ciencias Químicas e Ingeniería (FCQeI), Universidad Autónoma del Estado de Morelos, MÉXICO https://orcid.org/0000-0001-6167-9000

DOI:

https://doi.org/10.30973/progmat/2026.18.1/2

Palabras clave:

Desinformación, aprendizaje automático, noticias falsas, confianza en los medios, cognición artificial, reproducibilidad

Resumen

Este estudio examina la detección de noticias falsas entre adolescentes utilizando técnicas de Machine Learning. Se plantean dos preguntas fundamentales: cómo reaccionan los jóvenes ante la desinformación y qué nivel de confianza tienen en la veracidad de las noticias. A través de un análisis detallado con algoritmos de aprendizaje automático, como k-means, Decision Trees y Random Forest, se clasificaron las respuestas de los participantes, revelando patrones significativos en su confianza hacia los medios de comunicación. Los hallazgos sobre esta muestra indican que aproximadamente el 15% de los adolescentes no confían plenamente en las noticias y casi el 50% carece de habilidades para identificar información falsa. Esto resalta la necesidad urgente de implementar programas de alfabetización mediática que fortalezcan la capacidad crítica de los jóvenes para discernir la veracidad de la información en un entorno digital saturado de desinformación. Además, el estudio sugiere que futuras investigaciones deben explorar otros algoritmos de Machine Learning y evaluar el impacto de intervenciones educativas en la alfabetización mediática.

Biografía del autor/a

Marta-Lilia Eraña-Díaz, Centro de Investigación en Ciencias Cognitivas (CINCCO), Universidad Autónoma del Estado de Morelos, MÉXICO

La Dra. Marta Lilia Eraña Díaz es Doctora en Ingeniería y Ciencias Aplicadas por la UAEMor. Cuenta con una licenciatura en Matemáticas Aplicadas a la Computación (UAM-I) y dos maestrías: en Ingeniería Industrial (ITESM CCM) y en Ciencias Cognitivas (CITPSi-UAEMor). Actualmente es profesora investigadora en el Centro de Investigación en Ciencias Cognitivas (CINCCO), donde también imparte clases en la Facultad de Ciencias Químicas e Ingeniería. Es miembro del Sistema Nacional de Investigadores (SNII) y miembro senior del IEEE, participando en la Computer Society y el grupo de afinidad WIE. Su trayectoria incluye liderar proyectos de automatización tecnológica alineados a la Industria 4.0. Colabora en el desarrollo de modelos matemáticos para análisis de datos en el Instituto de Psiquiatría Ramón de la Fuente Muñiz y el Instituto Profesional Multidisciplinario S.C., integrando disciplinas como ingeniería, cognición y análisis de datos.

Jorge Pablo Oseguera Gamba, Centro de Investigación en Ciencias Cognitivas (CINCCO), Universidad Autónoma del Estado de Morelos, MÉXICO

El Dr. Jorge Oseguera Gamba realizó su licenciatura en filosofía en la Universidad Nacional Autónoma de México, donde también obtuvo un diplomado en bioética. Llevó a cabo un intercambio en University of California, Berkeley. Recibió una beca Fulbright-García Robles para realizar su su maestría y su doctorado en Florida State University, donde ha dictado clases, así como en University of Colorado, Boulder. Actualmente es profesor investigador en el Centro de Investigación en Ciencias Cognitivas (CINCCO) de la Universidad Autónoma del Estado de Morelos (UAEM), donde también imparte clases sobre Políticas Públicas. Es miembro del SNII. Sus principales líneas de investigación son bienestar y cognición política. Actualmente sus proyectos en estas áreas son: 1) desarrollar un marco teórico y conceptual para investigar el bienestar de manera transdisciplinar y 2) analizar los impactos que la Inteligencia Artificial tendrá en la democracia.

Nadia Lara Ruiz, Facultad de Ciencias Químicas e Ingeniería (FCQeI), Universidad Autónoma del Estado de Morelos, MÉXICO

Su investigación doctoral se centró en desarrollar un prototipo de cámara para acelerar el crecimiento de plántulas, aportando soluciones agrícolas frente al cambio climático. Con una Maestría y Licenciatura en Ingeniería Industrial (FCQeI-UAEMor), ha contribuido a investigaciones, abordando mejoras en procesos agrícolas y su impacto en los Objetivos de Desarrollo Sostenible. Además, ha impartido cursos innovadores sobre el uso de inteligencia artificial en la docencia, colaborando con diversas instituciones educativas. Recientemente ha centrado su investigación en el impacto de la inteligencia artificial en la docencia, destacándose por su compromiso con la enseñanza, la investigación y la innovación tecnológica en agricultura y educación.

Citas

Newman N, Fletcher R, Robertson CT, Arguedas AR, Nielsen RK. Reuters Institute digital news report 2024. Oxford: Reuters Institute for the Study of Journalism; 2024. Disponible en: https://tinyurl.com/yvwbnpyx. https://doi.org/20.500.12592/kprrc2m

Vosoughi S, Roy D, Aral S. The spread of true and false news online. Science. 2018 Mar 9;359(6380):1146-1151. https://doi.org/10.1126/science.aap9559

Peng RD, Hicks SC. Reproducible Research: A Retrospective. Annual Review of Public Health. 2021 Apr 2;42(1):79-93. https://doi.org/10.1146/annurev-publhealth-012420-105110

Schackart KE III, Imker HJ, Cook CE. Detailed Implementation of a Reproducible Machine Learning-Enabled Workflow. Data Science Journal. 2024;23:1-14. https://doi.org/10.5334/dsj-2024-023

Bao W, Lianju N, Yue K. Integration of unsupervised and supervised machine learning algorithms for credit risk assessment. Expert Systems with Applications. 2019 Aug 15;128:301-315. https://doi.org/10.1016/j.eswa.2019.02.033

Alpaydin E. Machine learning. Cambridge, MA: MIT Press; 2021. https://doi.org/10.7551/mitpress/13811.001.0001

Mitchell TM. Does machine learning really work? AI Magazine. 1997 Fall;18(3):11-11. https://doi.org/10.1609/aimag.v18i3.1303

Proyecto "Teen Fake News Poll on After School" [Internet]. 2017 [citado 3 ago 2024]. Disponible en: https://data.world/afterschool/teen-fake-news-poll-on-after-school

Persson I, Khojasteh J. Python packages for exploratory factor analysis. Structural Equation Modeling: A Multidisciplinary Journal. 2021;28(6):983-988. https://doi.org/10.1080/10705511.2021.1910037

Au CH, Ho KK, Chiu DK. The role of online misinformation and fake news in ideological polarization: barriers, catalysts, and implications. Information Systems Frontiers. 2022;1-24. https://doi.org/10.1007/s10796-021-10133-9

Thompson RC, Joseph S, Adeliyi TT. A systematic literature review and meta-analysis of studies on online fake news detection. Information. 2022 Nov 1;13(11):527. https://doi.org/10.3390/info13110527

Pennycook G, Rand DG. The psychology of fake news. Trends in Cognitive Sciences. 2021 May;25(5):388-402. https://doi.org/10.1016/j.tics.2021.02.007

Bryanov K, Vziatysheva V. Determinants of individuals’ belief in fake news: A scoping review determinants of belief in fake news. PLoS ONE. 2021 Jun 24;16(6):e0253717. https://doi.org/10.1371/journal.pone.0253717

Herrero-Díaz P, Conde-Jiménez J, Reyes de Cózar S. Teens’ motivations to spread fake news on WhatsApp. Social Media + Society. 2020 Jul 1;6(3):2056305120942879. https://doi.org/10.1177/2056305120942879

Eraña-Díaz ML, Rosales-Lagarde A. Algoritmos inteligentes aplicados al análisis del perfil de estrés con perspectiva de género. Journal of Behavior, Health & Social Issues. 2024;16(1).

Smith ST, Kao EK, Mackin ED, Shah DC, Simek O, Rubin DB. Automatic detection of influential actors in disinformation networks. Proceedings of the National Academy of Sciences of the United States of America. 2021 Jan 26; 118(4): e2011216118. https://doi.org/10.1073/pnas.2011216118

Langley D, Reidy C, Towey M, Manisha, Dennehy D. Developing machine learning model for predicting social media induced fake news. In: Responsible AI and Analytics for an Ethical and Inclusive Digitized Society: 20th IFIP WG 6.11 Conf. on e-Business, e-Services and e-Society, I3E 2021, Galway, Ireland, September 1–3, 2021, Proc. 20. Springer; 2021. p. 656-669. https://doi.org/10.1007/978-3-030-85447-8_55

Varma R, Verma Y, Vijayvargiya P, Churi PP. A systematic survey on deep learning and machine learning approaches of fake news detection in the pre-and post-COVID-19 pandemic. International Journal of Intelligent Computing and Cybernetics. 2021;14(4):617-646. https://doi.org/10.1108/IJICC-06-2021-0114

After School [Internet]. [citado 3 ago 2024]. Disponible en: https://play.google.com/store/apps/details?id=co.april2019.as&hl=es_MX&pli=1

Data World [Internet]. 2019 [citado 3 ago 2024]. Disponible en: https://www.dataworld.com/es/compania/historia

Alikhanian H, Crawford D, DeSouza J, Blohm G. Adaptive cluster analysis approach for functional localization using magnetoencephalography. Frontiers in Neuroscience. 2013 May;7:73. https://doi.org/10.3389/fnins.2013.00073

Elhai JD, Montag C. The compatibility of theoretical frameworks with machine learning analyses in psychological research. Current Opinion in Psychology. 2020 Aug; 36:1-5. https://doi.org/10.1016/j.copsyc.2020.05.002

Fuhrer C, Solem JE, Verdier O. Scientific Computing with Python: High-performance scientific computing with NumPy, SciPy, and pandas. Birmingham: Packt Publishing Ltd; 2021.

Ahmed H, Lofstead J. Managing randomness to enable reproducible machine learning. In: Proceedings of the 5th International Workshop on Practical Reproducible Evaluation of Computer Systems; 2022 Jun. p. 15-20. https://doi.org/10.1145/3526062.3536354

Umargono E, Suseno JE, Gunawan SV. K-means clustering optimization using the elbow method and early centroid determination based on mean and median formula. In: The 2nd International Seminar on Science and Technology (ISSTEC 2019). Atlantis Press; 2020. p. 121-129. https://doi.org/10.2991/assehr.k.201010.019

Hanz K, Kingsland ES. Fake or for real? A fake news workshop. Reference Services Review. 2020;48(1):91-112. https://doi.org/10.1108/RSR-09-2019-0062

McGrew S, Ortega T, Breakstone J, Wineburg S. The challenge that’s bigger than fake news: Teaching students to engage in civic online reasoning. American Educator. 2017 Fall;41(3):4. Disponible en: https://www.commonsense.org/sites/default/files/pdf/2018-05/document-bigger-than-fake-news.pdf

McGrew S, Breakstone J, Ortega T, Smith M, Wineburg S. How students evaluate digital news sources. En: Unpacking Fake News: An Educator's Guide to Navigating the Media with Students. 2019. p. 60-73. Disponible en: https://www.academia.edu/65352037/Unpacking_Fake_News_an_Educator_s_Guide_to_Navigating_the_Media_with_Students

Pangrazio L. What’s new about ‘fake news’? Critical digital literacies in an era of fake news, post-truth and clickbait. Páginas de Educación. 2018;11(1):6-22. https://doi.org/10.22235/pe.v11i1.1551

Stein-Smith K. Librarians, information literacy, and fake news. Strategic Library. 2017;37(1-4):1-23. Disponible en: https://www.libraryspot.net/SL/SL_Mar17_1.pdf

Lavelli A, Califf ME, Ciravegna F, Freitag D, Giuliano C, Kushmerick N, Ireson N. Evaluation of machine learning-based information extraction algorithms: criticisms and recommendations. Language Resources and Evaluation. 2008 Dec;42:361-393. https://doi.org/10.1007/s10579-008-9079-3

Dobson JE. Can an algorithm be disturbed? Machine learning, intrinsic criticism, and the digital humanities. College Literature. 2015 Fall;42(4):543-564. https://doi.org/10.1353/lit.2015.0037

Blanco-Justicia A, Sánchez D, Domingo-Ferrer J, Muralidhar K. A critical review on the use (and misuse) of differential privacy in machine learning. ACM Computing Surveys. 2022 Aug;55(8):1-16. https://doi.org/10.1145/3547139

Rawson A, Brito M. A survey of the opportunities and challenges of supervised machine learning in maritime risk analysis. Transport Reviews. 2023;43(1):108-130. https://doi.org/10.1080/01441647.2022.2036864

Zhong X, Gallagher B, Liu S, et al. Explainable machine learning in materials science. npj Computational Materials. 2022 Sep 23;8:204. https://doi.org/10.1038/s41524-022-00884-7

Wu Q, Kumar V, Ross QJ, Ghosh J, Motoda H, McLachlan GJ, Ng A, Liu B, Philip SY. Top 10 algorithms in data mining. Knowledge and Information Systems. 2008 Jan;14(1):1-37. https://doi.org/10.1007/s10115-007-0114-2

Bholowalia P, Kumar A. EBK-means: A clustering technique based on elbow method and k-means in WSN. International Journal of Computer Applications. 2014;105(9).

Bottou L, Bengio Y. Convergence properties of the k-means algorithms. Advances in Neural Information Processing Systems. 1994;7.

Pelleg D, Moore AW. X-means: Extending k-means with efficient estimation of the number of clusters. ICML. 2000;1:727-734.

Chi S, Li X, Tian Y, Li J, Kong X, Ding K, et al. Semi-supervised learning to improve generalizability of risk prediction models. Journal of Biomedical Informatics. 2019 Apr;92:103117. https://doi.org/10.1016/j.jbi.2019.103117

Shaik AB, Srinivasan S. A Brief Survey on Random Forest Ensembles in Classification Model. En: Bhattacharyya S, et al., editores. Int. Conf. on Innovative Computing and Communications. LNNS. Singapore: Springer; 2019. p. 273-283. https://doi.org/10.1007/978-981-13-2354-6_27

Clark A, Chalmers D. The extended mind. Analysis. 1998 Jan;58(1):7-19. https://doi.org/10.1093/analys/58.1.7

Chalmers D. Extended cognition and extended consciousness. Andy Clark and his critics. 2019;9-20. https://philarchive.org/archive/CHAECA-9

Descargas

Publicado

10-02-2026

Cómo citar

Eraña-Díaz, M.-L., Oseguera Gamba, J. P., & Lara Ruiz, N. (2026). Desinformacion y Alfabetización Mediática: Clasificación de Patrones de Confianza en Noticias entre Adolescentes mediante Machine Learning. Programación matemática Y Software, 18(1), 11–30. https://doi.org/10.30973/progmat/2026.18.1/2

Número

Vol. 18 Núm. 1 (2026): Febrero de 2026

Sección

Artículos

Licencia

Derechos de autor 2026 Marta-Lilia Eraña-Díaz, Jorge Pablo Oseguera Gamba, Nadia Lara Ruiz

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.

Artículos más leídos del mismo autor/a