[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-125222-es":3,"doc-seo-125222-110":31,"detail-sidebar-cat-0-es-110":92},{"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":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},125222,3985741905716,"Rowan","https://ap-avatar.wpscdn.com/davatar_994ba38a5ba835b3df7d355c54d3ed8d",41,"Investigación e Informes","Gender Biases in Professions - A Machine Learning - Powered Search Engines Analysis - Tesis de Ingeniería Industrial","Investigación orientada a determinar si existen sesgos de género en algoritmos de motores de búsqueda de imágenes que emplean machine learning. El estudio ejecuta búsquedas de diversas profesiones en Google, DuckDuckGo y Yandex, recupera muestras mediante web scraping y clasifica manualmente las imágenes por género. Con indicadores estadísticos y pruebas (media, desviación estándar, coeficiente de variación, intervalos de confianza, regresión logística y Chi-Cuadrado) se evalúa la representación. Se observa asociación entre hombres y liderazgo/STEM y predominio femenino en ocupaciones vinculadas al cuidado y la crianza, afectando el acceso a profesiones.","Universidad de Lima Facultad de Ingeniería Carrera de Ingeniería Industrial  \nGENDER BIASES IN PROFESSIONS: A MACHINE LEARNING – POWERED SEARCH ENGINES  \nANALYSIS  \nTesis para optar el Título Profesional de Ingeniero Industrial  \nNicolas Alejandro Tirado Vilela  \nCódigo 20181885  \nAdriana Maemi Ueunten Acevedo  \nCódigo 20181929  \nAsesor  \nMarcos Fernando Ruiz Ruiz  \nLima – Perú  \nNoviembre de 2024  \n\n| Propuesta\u003Cbr>Carrera Ingeniería Industrial |\n| --- |\n| Título\u003Cbr>Gender Biases in Professions. A Machine Learning – Powered Search Engines Analysis |\n| Autor(es)\u003Cbr>[20181885@aloe.ulima.edu.pe](20181885@aloe.ulima.edu.pe)\u003Cbr>[20181929@aloe.ulima.edu.pe](20181929@aloe.ulima.edu.pe)\u003Cbr>Universidad de Lima |\n| Resumen: El Machine Learning está adquiriendo cada vez más relevancia en la vida de las personas, pero cuando sus resultados reflejan sesgos sostenidos en prejuicios arraigados a la sociedad, el bienestar psicológico de múltiples grupos vulnerables puede verse afectado. Es por ello que la presente investigación tiene como objetivo determinar si existen sesgos de género en los algoritmos de motores debúsqueda de imágenes que utilizan Machine Learning. El estudio consistió en la búsqueda de diversas profesiones en Google, DuckDuckGo y Yandex. Utilizando técnicas de web scraping, se recuperó unamuestra de imágenes para cada profesión seleccionada y motor de búsqueda. Posteriormente, las imágenes se clasificaron manualmente por género y mediante una serie de análisis estadísticos y cálculo de indicadores se comprobaron sesgos en la representación de cada género. Los análisis consistieron en una comparación de resultados entre los motores de búsqueda, cálculo de la media, desviación estándar y coeficiente de variación, análisis de intervalos de confianza, análisis de regresión logística y una prueba de Chi-Cuadrado. Se descubrió una fuerte asociación entre los hombres y los puestos de liderazgo o las profesiones STEM, mientras que las mujeres predominan en profesiones tradicionalmente asociadas avalores de cuidado y crianza (docencia, enfermería) . Por ejemplo, se encontró que el 100% de los resultados de búsqueda para secretarias y enfermeras en Yandex son mujeres, mientras que el 94% de los resultados para ingenieros son hombres. Estadísticas similares se encontraron en DuckDuckGo, donde el 96% de los resultados para matemáticos eran hombres, y en Google, donde el 73% de los resultados para docentes eran mujeres. Estos hallazgos revelan manifestaciones de los prejuicios de género en la sociedad contemporánea y su potencial para afectar el acceso a determinadas profesiones.\u003Cbr>Palabras Clave: Diversidad, sesgos de género, machine learning, profesiones, motores de búsqueda.\u003Cbr>Abstract: Machine learning is becoming increasingly important and pervasive in people's lives, yet when its conclusions reflect biases that support ingrained prejudices in society, many vulnerable groups'psychological wellbeing may be impacted. To investigate if gender biases exist in image search engine algorithms that use machine learning, the study focuses on occupations. To do this, searches for various professions were run on Google, DuckDuckGo, and Yandex. Using web scraping techniques, a sample of images was retrieved for each selected profession and search engine. The images were then manually classified by gender, and statistical indicators and analyses were computed to detect potential biases in the representation of each gender. This analysis included a comparison between search engines, the calculation of mean, standard deviation, and coefficient of variation, a confidence interval analysis, a logistic regression analysis, and a Chi-Square test. It was discovered that there is a strong association between men and leadership positions or STEM professions, while women are predominantly portrayed in traditionally female-associated professions. For instance, it was discovered that 100% of the search results for secretaries and nurses in Yandex are fe","cbCaipD5d6q9AMgv","https://ap.wps.com/l/cbCaipD5d6q9AMgv","pdf",329720,3,1,8,"Spanish","es",110,"# Resumen\n# Planteamiento del problema\n## Sesgos en resultados de búsqueda y representación de género\n## Impacto en oportunidades y bienestar\n# Objetivo de la investigación\n# Metodología\n## Búsqueda en Google, DuckDuckGo y Yandex\n## Web scraping y clasificación manual por género\n# Análisis y pruebas estadísticas\n## Comparación entre motores de búsqueda\n## Estadísticos descriptivos\n## Intervalos de confianza\n## Regresión logística y prueba de Chi-Cuadrado\n# Resultados\n## Asociación hombres con liderazgo/STEM\n## Predominio de mujeres en profesiones tradicionalmente femeninas","[{\"question\":\"Cuál es el objetivo principal del estudio sobre gender biases en profesiones?\",\"answer\":\"Determinar si existen sesgos de género en algoritmos de motores de búsqueda de imágenes basados en machine learning al representar distintas profesiones.\"},{\"question\":\"Cómo se recopilaron y prepararon los datos para el análisis?\",\"answer\":\"Se realizaron búsquedas de profesiones en Google, DuckDuckGo y Yandex; luego se recuperaron muestras de imágenes mediante web scraping y se clasificaron manualmente por género.\"},{\"question\":\"Qué métodos estadísticos se usaron para comprobar los sesgos?\",\"answer\":\"Se aplicaron comparación entre motores, cálculo de media, desviación estándar y coeficiente de variación, análisis de intervalos de confianza, regresión logística y una prueba de Chi-Cuadrado.\"}]","Gender Biases in Professions - A Machine Learning - Powered Search Engines Analysis - Tesis de Ingeniería Industrial | PDF",1785897575,12,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"gender-biases-in-professions-a-machine-learning-powered-search-engines-analysis-industrial-engineering-thesis","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/gender-biases-in-professions-a-machine-learning-powered-search-engines-analysis-industrial-engineering-thesis/125222/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo principal del estudio sobre gender biases en profesiones?","Question",{"text":76,"@type":77},"Determinar si existen sesgos de género en algoritmos de motores de búsqueda de imágenes basados en machine learning al representar distintas profesiones.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Cómo se recopilaron y prepararon los datos para el análisis?",{"text":81,"@type":77},"Se realizaron búsquedas de profesiones en Google, DuckDuckGo y Yandex; luego se recuperaron muestras de imágenes mediante web scraping y se clasificaron manualmente por género.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué métodos estadísticos se usaron para comprobar los sesgos?",{"text":85,"@type":77},"Se aplicaron comparación entre motores, cálculo de media, desviación estándar y coeficiente de variación, análisis de intervalos de confianza, regresión logística y una prueba de Chi-Cuadrado.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]