Diseño de un sistema automático de perfilado indirecto de la personalidad en base a datos extraídos de redes sociales
No Thumbnail Available
Date
2023-01-31
Journal Title
Journal ISSN
Volume Title
Publisher
Centro Universitario de la Defensa en la Escuela Naval Militar
Abstract
La personalidad permite inferir comportamientos, ya que personalidad y conducta van de la
mano, tal y como lo muestran diversos estudios psicológicos a lo largo de la historia. Estos estudios han
modelado la personalidad de los individuos de diferentes formas, realizando agrupaciones de las
características o rasgos de la personalidad, tales como los modelos de Eysenck o los Big Five. Conocer
la personalidad, y, por tanto, poder inferir la conducta, es de interés para los servicios de información de
los diferentes cuerpos de seguridad ya que ello aporta información muy valiosa en las investigaciones
sobre sospechosos o captación de fuentes.
El lenguaje es un recurso básico en la comunicación humana y puede ser usado como herramienta
para inferir la personalidad de las personas. Las palabras que las personas utilizan muestran sus
creencias, emociones, estados de ánimo, relaciones sociales y, por consiguiente, su personalidad, tal
como muestran numerosos trabajos en el ámbito de la psicología moderna. Hoy en día las redes sociales
suponen unos de los canales habituales de comunicación del grueso de la población, lo cual supone una
fuente inmensa de información emitida por los individuos y puede ser tomada de muestra para inferir su
personalidad.
Los modelos psicológicos tradicionales se basan en los tests psicométricos habituales y en las
entrevistas clínicas para identificar los rasgos de la personalidad de los individuos. Sin embargo, estas
formas de estudio directas no son siempre posible. Existen modelos de la personalidad que permiten un
estudio indirecto de los rasgos psicológicos que caracterizan a los individuos y lo hacen en base a ciertos
indicadores que se extraen observando el comportamiento de los sujetos. Esos indicadores,
concretamente en los centrados en los verbales, trasladados a una orientación informática, abren la puerta
a poder utilizarlos para el perfilado indirecto de forma automática.
Con este estudio se pretende plantear un diseño de un sistema que, con información descargada
en formato texto de las redes sociales de los individuos, permita de forma automática inferir su
personalidad en base a unos indicadores extraídos de un modelo de perfilado indirecto.
Para ello, una vez definida unos requisitos básicos que deba cumplir el sistema, se elegirá un
modelo de perfilado indirecto de la personalidad, y se extraerán los indicadores del lenguaje necesarios
para inferir los rasgos de forma indirecta. Después se hará un recorrido por aquellas tecnologías actuales
que proporcionen los medios para realizar un diseño de un sistema que cumpla los requisitos
especificados. Se estudiarán tecnologías como el procesamiento del lenguaje natural (PLN), que permite
que las máquinas trabajen sobre el lenguaje que utilizan los humanos, permitiendo el estudio y el análisis
de los mensajes analizando su semántica profunda, su estructura y su sintaxis; el Machine Learning
(ML), que utiliza algoritmos y modelos de aprendizaje que permiten a la máquina aprender de una forma
parecida a como lo hace el humano, con la intención de predecir resultados en base a lo aprendido; y
diferentes modos de almacenamiento y generación de informes para los usuarios finales del sistema.
El producto de este estudio será un diseño completo de la arquitectura de un sistema de
información que permita extraer los rasgos de la personalidad de un individuo a través de textos
generados por él, en este caso datos de sus redes sociales. El sistema plantea una apertura en su diseño
para otro tipo de preguntas sobre los datos. Este diseño de arquitectura pretende ser el paso previo a una
implementación del sistema en fases posteriores, no contenidas en este trabajo.
Description
Keywords
Personalidad, Perfilado Indirecto, ENCUIST, Redes Sociales, Procesamiento de Lenguaje natural, Machine Learning