Fuentes de sesgos en inteligencia artificial: principios básicos para evitarlos en el área de RRHH/Inteligencia Artificial y Decisión

Ezeiza Pohl, Carlos Enrique

Por favor, use este identificador para citar o enlazar este ítem: http://repositoriocyt.unlam.edu.ar/handle/123456789/2855

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.rights.license	Licencia Creative Commons Atribución 2.5 Argentina (CC BY 2.5 AR)	spa
dc.creator	Ezeiza Pohl, Carlos Enrique	spa
dc.date	2026	spa
dc.date.accessioned	2026-07-18T16:47:52Z	-
dc.date.available	2026-07-18T16:47:52Z	-
dc.identifier	https://ror.org/01bmj8t37	spa
dc.identifier.citation	Ezeiza Pohl, C. E. (2026). Fuentes de sesgos en inteligencia artificial: principios básicos para evitarlos en el área de RRHH/Inteligencia Artificial y Decisión. RInCE, 17(34), 5-12. https://doi.org/10.54789/rince.34.2	spa
dc.identifier.uri	http://repositoriocyt.unlam.edu.ar/handle/123456789/2855	spa
dc.description	Entre los principales retos que presenta la Gobernanza de la IA en la actualidad se encuentran las fuentes de sesgos que afectan a los distintos modelos de IA, tanto en el caso del razonamiento automático como en el del Machine Learning. Identificar adecuadamente los sesgos y propiciar buenas prácticas para evitarlos se constituye uno de los desafíos críticos que afectan al desarrollo y uso de aplicaciones en IA. En este trabajo de carácter teórico se presenta una revisión sistemática de literatura sobre las fuentes de sesgos en IA y su aplicación a la toma de decisiones basadas en IA en el área de búsqueda y selección de personal. Se relevan e identifican los principales sesgos detectados (algorítmicos, cognitivos, confirmación, exclusión, medición, homogeneidad del exogrupo, prejuicio, recuerdo, muestra/selección, estereotipos), y los elementos a tener en cuenta para evitarlos (modelos de aprendizaje supervisados y no supervisados; datos de procedencia diversa, completos y equilibrados; composición diversificada del staff que diseña y mantiene la aplicación de IA e cuanto a género, edad, experiencia, etnia y multiculturalidad; monitoreo constante e infraestructura de TI). Se presentan los resultados parciales de una revisión sistemática de literatura de casos de sesgos detectados en aplicaciones de IA utilizadas para la búsqueda y selección de personal y los aspectos para tener en cuenta con el propósito de reducir su impacto y consecuencias para las organizaciones y la sociedad en su conjunto.	spa
dc.description	Fil: Ezeiza Pohl, Carlos Enrique. Universidad Nacional de La Matanza; Argentina.	spa
dc.format	application/pdf	spa
dc.format.extent	5 p.	spa
dc.language	spa	spa
dc.publisher	Universidad Nacional de La Matanza. Departamento de Ciencias Económicas	spa
dc.relation	info:eurepo/semantics/altIdentifier/doi/10.54789/rince.34.2	spa
dc.rights	info:eu-repo/semantics/openAccess	spa
dc.rights	https://creativecommons.org/licenses/by-nc-sa/2.5/ar/	spa
dc.source	Revista de Investigaciones del Departamento de Ciencias Económicas. 2026; 17(34) : 5-12	spa
dc.source	ISSN: 1851-3239	spa
dc.subject	INTELIGENCIA ARTIFICIAL	spa
dc.subject	TECNICAS DE TOMA DE DECISIONES	spa
dc.subject	RECURSOS HUMANOS	spa
dc.subject	EVALUACION DE LA TECNOLOGIA	spa
dc.title	Fuentes de sesgos en inteligencia artificial: principios básicos para evitarlos en el área de RRHH/Inteligencia Artificial y Decisión	spa
dc.type	info:eu-repo/semantics/article	spa
dc.type	info:ar-repo/semantics/artículo	spa
dc.type	info:eu-repo/semantics/publishedVersion	spa
Aparece en las colecciones:	2026, Vol. 17 Nro. 34

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
RInCE.17.34.3.pdf		764.92 kB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem