Evaluación de la calidad de visualizaciones de datos basada en el proceso analítico jerárquico y redes neuronales de propagación hacia atrás

• Autores: Lezcano Airaldi, Andrea Fernanda; Acevedo Duprat, Joaquín Cruz; Godoy, María Laura
• Año de publicación: 2021
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Proceso analítico jerárquico; Redes neuronales; Visualización de datos; Evaluación de calidad
• Institución: Universidad Nacional del Nordeste

Fil: Lezcano Airaldi, Andrea Fernanda. Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura; Argentina.
Fil: Acevedo Duprat, Joaquín Cruz. Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura; Argentina.
Fil: Godoy, María Laura. Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura; Argentina.
La visualización de datos se ha vuelto esencial para comprender grandes conjuntos de datos y comunicar hallazgos. La narrativa basada en datos se utiliza cada vez más para dar soporte a la toma de decisiones en diferentes ámbitos, por lo cual resulta fundamental evaluar su calidad. Este trabajo propone la implementación del proceso analítico jerárquico en combinación con redes neuronales de propagación hacia atrás (AHP-BP), teniendo en cuenta el conocimiento y experiencia de los evaluadores. Se analizaron estudios existentes para conocer los factores de mayor influencia en la calidad de visualizaciones narrativas y se elaboró el sistema de índices de evaluación. Se seleccionaron diferentes usuarios como expertos evaluadores y se calculó el peso de cada uno. Se ajustaron los valores iniciales de las evaluaciones con los pesos de los expertos y luego se ponderaron para mitigar la subjetividad de los cálculos. Finalmente, con los resultados de la evaluación de 20 visualizaciones se entrenó un modelo de red neuronal BP. Los resultados demuestran que el método refleja la competencia de los expertos y reduce la subjetividad de la evaluación. La capacidad de aprendizaje de la red neuronal proporciona resultados precisos y confiables.