Objetivo:

Identificar de manera no supervisada mediante topic modeling los temas de mayor interés en el campo de la Salud Laboral y los Servicios de Atención a Domicilio de los artículos científicos publicados en la materia.

Método:

Este estudio empleó el algoritmo de Machine Learning no supervisado Asignación Latente de Dirichlet para el topic modeling y el lexicón NRC para la realización del análisis de sentimientos del corpus de las fichas documentales obtenidas de MEDLINE (vía PubMed) usando los descriptores “Salud Laboral” y “Servicios de Atención de Salud a Domicilio”.

Resultados:

Del total de 70 fichas documentales analizadas, se obtuvo que la intensidad de las emociones en los textos era baja (oscilando en valores de 5 a 10), teniendo una mayor representación los sentimientos positivos frente a los negativos en una relación de 60/40. No hubo una variación de las proporciones de las emociones con respecto al período del estudio. Se identificaron los cuatro temas de mayor interés en los artículos analizados: cuidado domiciliario y satisfacción de los cuidadores, período de lactancia, programas de rehabilitación, y actividad física para mitigación del dolor.

Conclusiones:

Se ha podido constatar que las metodologías del procesado de lenguaje natural pueden ser una gran herramienta de apoyo al análisis de artículos científicos. Concretamente, se ha logrado determinar de manera clara y no supervisada los temas de mayor interés en el campo de la Salud Laboral y la Atención de Salud a Domicilio.

        · abstract in English     · text in Spanish     · Spanish ( pdf )