Sistema de visión artificial para recomendar perfiles profesionales por medio del reconocimiento facial y de texto
DOI:
https://doi.org/10.56162/transdigital362Palabras clave:
visión artificial, reconocimiento facial, reconocimiento de escritura, perfiles profesionales, orientación vocacionalResumen
Esta investigación desarrolló un sistema de visión artificial que utiliza el reconocimiento facial y de texto para recomendar perfiles profesionales. Esto con el objetivo de mejorar la orientación vocacional y el reclutamiento de personal. El proceso se realizó en el Tecnológico de Estudios Superiores de Ecatepec, México. El sistema emplea técnicas avanzadas de procesamiento de imágenes y aprendizaje automático en Python para evaluar características faciales y de escritura. Los resultados mostraron una precisión de 87.5% en el análisis facial y de 85.93% en el análisis de texto. Además, se consiguió una exactitud general de 86.72% al combinar el análisis facial y de texto. Los usuarios señalaron sentirse satisfechos con las recomendaciones recibidas. Sin embargo, se destacan preocupaciones éticas sobre la posible discriminación al utilizar inteligencia artificial. A pesar de estos desafíos, el sistema representa una herramienta novedosa y efectiva para asignar perfiles profesionales, beneficiando tanto a estudiantes como a empresas en el proceso de orientación y selección.
Citas
Canul-Arceo, L., López Martínez, J. L., & Narváez-Díaz, L. (2015). Algoritmo rápido de la transformada de Hough para detección de líneas rectas en una imagen. Programación matemática y Software, 7(2), 8–13.
Codina Acedo, M. (2013). Manual completo de morfopsicología y la interpretación del rostro. Bubok Publishing S.L.
Doyle, J. R., & Bottomley, P. A. (2004). Font appropriateness and brand choice. Journal of Business Research, 57(8), 873-880. https://doi.org/10.1016/S0148-2963(02)00487-3
Hamermesh, D. S., & Biddle, J. E. (1994). Beauty and the labor market. The American Economic Review, 84(5), 1174-1194. https://www.jstor.org/stable/2117767
Holland, J. L. (1997). Making vocational choices: A theory of vocational personalities and work environments (3rd ed.). Psychological Assessment Resources.
Idelfonso-Romero, N. (2024). Grafología como herramienta científica para el análisis psicológico de la personalidad. Revista de Psicología de la Universidad Autónoma del Estado de México, 13(38), 174-191. https://doi.org/10.36677/rpsicologia.v13i38.24193
ISO. (2006). ISO/IEC 19795-1:2006 Information technology—Biometric performance testing and reporting—Part 1: Principles and framework. ISO. https://www.iso.org/standard/41447.html
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
Morales Olivera, Y., García Parrado, J., Reyes Fernández, P. E., & Lorenzo Ginori, J. V. (2012). Experiencias en la implementación de las operaciones morfológicas de erosión y dilatación para imágenes binarias empleando vecindades adaptativas. Ingeniería Electrónica, Automática y Comunicaciones, 33(2), 34-41.
Niño-Rondón, C. V., Castro-Casadiego, S. A., Medina-Delgado, B., Guevara-Ibarra, D., & Camargo-Ariza, L. L. (2021). Comparativa entre la técnica de umbralización binaria y el método de Otsu para la detección de personas. Revista UIS Ingenierías, 20(2), 65–74. https://doi.org/10.18273/revuin.v20n2-2021006
Ortiz Rangel, E., Mejía-Lavalle, M., & Sossa, H. (2017). Filtrado de ruido Gaussiano mediante redes neuronales pulso-acopladas. Computación y Sistemas, 21(2), 381-395. https://doi.org/10.13053/cys-21-2-2742
Rastogi, O. (2020). Working of Classifiers [Imagen]. Medium. https://medium.datadriveninvestor.com/haar-cascade-classifiers-237c9193746b
Serrador, P., & Pinto, J. K. (2015). Does Agile work?—A quantitative analysis of agile project success. International Journal of Project Management, 33(5), 1040-1051.
Suárez, P., & Villavicencio, M. (2017). Canny Edge Detection in Cross-Spectral Fused Images. Enfoque UTE, 8(1), 16–30. https://doi.org/10.29019/enfoqueute.v8n1.127
Sun, C., Shrivastava, A., Singh, S., & Gupta, A. (2017). Revisiting Unreasonable Effectiveness of Data in Deep Learning Era. En IEEE (Ed.), 2017 IEEE International Conference on Computer Vision (ICCV) (pp. 843-852). IEEE.
Tinto, V. (2017). Through the eyes of students. Journal of College Student Retention: Research, Theory & Practice, 19(3), 254-269.
Van Rossum, G., & Drake, F. L. (2009). Python 3 Reference Manual. CreateSpace.
Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. En IEEE (Ed.), 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (pp. 1-9). IEEE.
Zhao, W., Chellappa, R., Phillips, P. J., & Rosenfeld, A. (2003). Face recognition: A literature survey. ACM Computing Surveys (CSUR), 35(4), 399-458. https://doi.org/10.1145/954339.954342
Autor de correspondencia
El autor de correspodencia se identifica con el siguiente símbolo: *Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2024 Emmanuel Tonatihu Juárez Velázquez, Derlis Hernández Lara, Carlos Alfonso Trejo Villanueva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todos los artículos en Transdigital están licenciados bajo Creative Commons Attribution 4.0 International License Los autores poseen los derechos de autor y conservan los derechos de publicación sin restricciones.
