[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-121806-es":3,"doc-seo-121806-110":30,"detail-sidebar-cat-0-es-110":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":4,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},121806,962084925636,"Olivia Brown","https://ap-avatar.wpscdn.com/davatar_994ba38a5ba835b3df7d355c54d3ed8d",41,"Investigación e Informes","Detección de situaciones de emergencias usando el modelo Naive-Bayes de machine learning","La propuesta aborda la detección oportuna de emergencias mediante mensajes publicados en la red social X (Twitter), con el fin de separar eventos reales de alertas falsas. El trabajo se enmarca en la necesidad de reducir el caos informativo y la incertidumbre sobre necesidades y servicios tras accidentes viales, incendios, tormentas e inundaciones. Se aplica el algoritmo Naive-Bayes para clasificar las publicaciones, obteniendo exactitud del 74.6% en pronósticos y resultados de evaluación de 73.4% para emergencias y 75.4% para emergencias falsas.","Mundo Fesc E-ISSN: 2216-0388 P-ISSN: 2216-0353  \nArtículo Original  \nDetección de situaciones de emergencias usando el modelo Naive-Bayes de machine learning.  \nDetection of emergency situations using the Naive Bayes machine learning model.  \nRecibido: 26 de agosto de 2022  \nAprobado: 4 de diciembre de 2022  \nForma de citar: I.L. Vásquez Rojas, M.J. Vívas Cortez,“Detección de situaciones de emergencias usando el modelo Naive-Bayes de machine learning”, Mundo Fesc, vol 13, no. 25, pp. 21-40 de 2023. [https://doi](https://doi). org/10.61799/2216-0388.1286  \nIván Leonel Vásquez Rojas   \nDecanato Ciencias Económicas y Contables  \n[vasquezivan@ucla.edu.ve](vasquezivan@ucla.edu.ve)[ ](vasquezivan@ucla.edu.ve)Universidad Lisandro Alvarado Barquisimeto, Venezuela.  \nMiguel José Vívas Cortez*   \nFacultad de ciencias exactas y naturales [mjvivas@puce.edu.ec](mjvivas@puce.edu.ec)  \nPontificia Universidad Católica del Ecuador Quito, Ecuador.  \n*Autor para correspondencia:  \n[mjvivas@puce.edu.ec](mjvivas@puce.edu.ec)  \n© 2023. Fundación de Estudios Superiores Comfanorte. Vol 13, no. 25, pp. 21-40 de 2023  \nDetección de situaciones de emergencias usando el modelo Naive-Bayes de machine learning  \nResumen  \nDetección de situaciones deemergenciasusando el modelo Naive-Bayes de machine learning  \nEn la actualidad, las redes sociales han ganado terreno en la generación y obtención de información al instante. Esta característica la hace de gran utilidad en la detección y advertencias de emergencias tales como accidentes viales, incendios, tormentas, inundaciones, etc. Esto ha motivado la generación de una gran cantidad de trabajos acerca delaprovechamiento de esta información para enfrentar los problemas generados por tales emergencias, trabajo como el de A. Kansal, Y. Singh, N. Kumar “Detection of forest fire using Machine Learning technique” [1] o de Chamorro Verónica “Clasificación de tweets mediante modelos deaprendizaje supervisado” [2], muestran el uso de técnicas de machine learning para la detección de situaciones extraordinarias. Tras estas situaciones catastróficas ode emergencias es necesario gestionar los servicios deatencióny protecciónde la población.Problemas como caosinformativo, incertidumbre en las necesidades y servicios pueden encontrar solución en la detección oportuna decuáles eventos son realmente emergencias, así el propósitode este trabajo utiliza mensajes deX (Twitter) para clasificarcuáles emergencias en son reales o no. Se utiliza para ello, el algoritmo de machine Learning conocido como NaiveBayes, en este problema de clasificación de los mensajes de X, para determinar las emergencias reales, con un resultado en la evaluación de la exactitud en la clasificaciónde emergencia real con una proporción del 73.4% entre las clasificadas como emergencias y clasifica las emergencias falsas con una precisión del 75.4% entre la clasificada como falsa. En general el modelo obtenido tiene una exactitud del 74.6% en sus pronósticos de clasificación. Se considera que la utilización de un modelo Naive-Bayes para un prototipo en la clasificación de los mensajes de emergencias de la red social X podría ser de gran utilidad con base a los resultados de la evaluación de su performance de clasificación.  \nPalabras clave: aprendizaje automático, Bayes, clasificación, emergencias, modelos, twitter  \nMundo Fesc E-ISSN 2216-0353 P-ISSN 2216-0388 Vol 13, no. 25, pp. 21-40 de 2023 21  \nIván Leonel Vásquez Rojas, Miguel José Vívas Cortéz  \nDetection of emergency situations using the Naive Bayes machine learning model  \nAbstract  \nNowadays, social networks have gained ground in generating and obtaining instant information. This characteristic makes it very useful in the detection and warning of emergencies such as road accidents, fires, storms, floods, etc. This has led to the generation of a large number of works on the use of this information to address the problems generated by such emergencies, work such as that of A. Kansal, Y. Singh, N. Ku","cbCaihIzmkHg3Mfw","https://ap.wps.com/l/cbCaihIzmkHg3Mfw","pdf",591157,1,21,"Spanish","es",110,"# Resumen\n# Introducción\n# Metodología\n## Clasificación con Naive-Bayes\n# Resultados y evaluación\n# Conclusiones","[{\"question\":\"Cuál es el objetivo del trabajo sobre emergencias?\",\"answer\":\"Clasificar, a partir de mensajes de X (Twitter), cuáles emergencias son reales y cuáles corresponden a alertas falsas, para apoyar una detección oportuna.\"},{\"question\":\"Qué algoritmo se utiliza para la clasificación?\",\"answer\":\"Se utiliza el algoritmo de aprendizaje automático Naive-Bayes para determinar las emergencias reales en el problema de clasificación de mensajes.\"},{\"question\":\"Qué desempeño alcanza el modelo en la evaluación?\",\"answer\":\"El modelo presenta una exactitud global del 74.6% en sus pronósticos; además, alcanza 73.4% para emergencias reales y 75.4% para emergencias falsas.\"}]","Detección de situaciones de emergencias usando el modelo Naive-Bayes de machine learning | PDF",1785806964,32,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"detection-of-emergency-situations-using-the-naive-bayes-machine-learning-model","",{"@graph":36,"@context":85},[37,54,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/es/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/es/document/detection-of-emergency-situations-using-the-naive-bayes-machine-learning-model/121806/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":62,"encodingFormat":61,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-04",true,{"@type":65,"interactionType":66,"userInteractionCount":4},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"Cuál es el objetivo del trabajo sobre emergencias?","Question",{"text":75,"@type":76},"Clasificar, a partir de mensajes de X (Twitter), cuáles emergencias son reales y cuáles corresponden a alertas falsas, para apoyar una detección oportuna.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Qué algoritmo se utiliza para la clasificación?",{"text":80,"@type":76},"Se utiliza el algoritmo de aprendizaje automático Naive-Bayes para determinar las emergencias reales en el problema de clasificación de mensajes.",{"name":82,"@type":73,"acceptedAnswer":83},"Qué desempeño alcanza el modelo en la evaluación?",{"text":84,"@type":76},"El modelo presenta una exactitud global del 74.6% en sus pronósticos; además, alcanza 73.4% para emergencias reales y 75.4% para emergencias falsas.","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,98,102,106,110,112,116,120,124,128],{"id":94,"doc_module":4,"doc_module_name":46,"category_name":95,"show_sort_weight":96,"slug":97},39,"Cómic",60,"comic",{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":96,"slug":101},43,"Estilo de Vida","lifestyle",{"id":103,"doc_module":4,"doc_module_name":46,"category_name":104,"show_sort_weight":96,"slug":105},38,"Examen","exam",{"id":107,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":96,"slug":109},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":96,"slug":111},"research-report",{"id":113,"doc_module":4,"doc_module_name":46,"category_name":114,"show_sort_weight":96,"slug":115},37,"Literatura","literature",{"id":117,"doc_module":4,"doc_module_name":46,"category_name":118,"show_sort_weight":96,"slug":119},22,"Relatos y Novelas","story-novel",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":96,"slug":123},42,"Religión y Espiritualidad","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":96,"slug":127},40,"Salud y Atención Médica","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":96,"slug":131},24,"Tecnología","technology"]