Tendencias en redes neuronales artificiales en literatura iberoamericana (2019-2023): análisis sistemático de arquitecturas y algoritmos de entrenamiento

El presente trabajo analiza sistemáticamente investigaciones científicas publicadas en artículos entre los períodos 2019 y 2023 en las bases de datos Redalyc, REDIB y SciELO, las cuales fueron desarrolladas aplicando algún modelo de red neuronal artificial (RNA). El propósito del estudio fue identificar tres variables claves: el tipo de red neuronal artificial más empleado, el algoritmo de entrenamiento más predominante y el dominio de aplicación, se adoptó para la investigación el método documental-descriptivo con un enfoque cualitativo; además, se emplearon 2 técnicas de recolección de datos cualitativas, tales como la observación y el análisis documental. Se revisaron 14 artículos que cumplieron con los criterios establecidos, incluyendo específicamente el tipo de red neuronal y el algoritmo de entrenamiento. Con soporte en los resultados obtenidos, se identificó que el modelo Perceptrón Multicapa es el tipo de red neuronal artificial que domina el 64.3% de los estudios analizados, especialmente en tareas de predicción en dominios industriales, biomédicos y agrícolas. El algoritmo de entrenamiento Levenberg-Marquardt es el más implementado (42.9%), seguido de Back Propagation (21.4%). La principal contribución de este trabajo es demostrar que la selección de arquitecturas de RNA en la literatura iberoamericana está determinada más por el dominio específico del problema que por el contexto pre-, durante, post-COVID-19, lo que tiene implicaciones directas para investigadores y practicantes al momento de elegir modelos.