Análisis Etnográfico asistido por Inteligencia Artificial para determinar el catastro y la calidad de vida de la Comunidad Nativa Manacamiri

Autores/as

  • Ciro Rodriguez Rodriguez Universidad Nacional Mayor de San Marcos, Lima, Perú https://orcid.org/0000-0003-2112-1349
  • Norberto Ulises Roman Concha Universidad Nacional Mayor de San Marcos, Lima, Perú https://orcid.org/0000-0002-3302-7539
  • Pedro Martin Lezama Gonzales Universidad Nacional Mayor de San Marcos, Lima, Perú
  • Ivan Carlo Petrlik Azabache Universidad Nacional Mayor de San Marcos, Lima, Perú https://orcid.org/0000-0002-1201-2143
  • Carlos Edmundo Navarro Depaz Universidad Nacional Mayor de San Marcos, Lima, Perú
  • Carlos Ernesto Chavez Herrera Universidad Nacional Mayor de San Marcos, Lima, Perú

DOI:

https://doi.org/10.15381/risi.v17i2.29344

Palabras clave:

Inteligencia Artificial, Etnográfico, Catastro, Calidad de Vida, Visión Computacional

Resumen

El presente artículo tiene como objetivo determinar el catastro y la calidad de vida de la comunidad nativa de Manacamiri a través de un estudio etnográfico apoyado por la inteligencia artificial. La investigación es de tipo no aplicada y mixta, con un enfoque descriptivo. El diseño del estudio es no experimental, y se trabajó con una muestra de 33 pobladores nativos seleccionados aleatoriamente, complementado con información obtenida de imágenes del territorio capturadas por un dron. Los resultados abarcan aspectos económicos, sociales y de salud, así como la identificación de características y anomalías en las imágenes, diagnosticadas mediante modelos de inteligencia artificial para definir las condiciones de vida de la comunidad nativa de Manacamiri.

Descargas

Los datos de descarga aún no están disponibles.

Descargas

Publicado

2024-12-31

Número

Sección

Artículos

Cómo citar

[1]
“Análisis Etnográfico asistido por Inteligencia Artificial para determinar el catastro y la calidad de vida de la Comunidad Nativa Manacamiri”, Rev.Investig.sist.inform., vol. 17, no. 2, pp. 103–114, Dec. 2024, doi: 10.15381/risi.v17i2.29344.