Resumen:La formulación de políticas de seguridad alimentaria en regiones con escasez de datos sigue siendo un desafío crítico debido a los limitados conjuntos de datos estructurados, los informes textuales fragmentados y el sesgo demográfico en los sistemas de toma de decisiones. Este estudio propone ZeroHungerAI, un marco integrado de procesamiento del lenguaje natural (NLP) y aprendizaje automático (ML) diseñado para modelar políticas de seguridad alimentaria basadas en evidencia en condiciones de extrema escasez de datos. El sistema combina indicadores socioeconómicos estructurados con incorporaciones de textos de políticas contextuales utilizando una arquitectura DistilBERT basada en el aprendizaje por transferencia. La evaluación experimental en un conjunto de datos híbridos de 1200 muestras en 25 distritos demuestra un rendimiento predictivo superior, logrando una precisión de clasificación del 91 por ciento, una precisión de 0,89, una recuperación de 0,85 y una puntuación F1 de 0,86 en condiciones de desequilibrio. El análisis comparativo muestra una mejora del rendimiento del 13 por ciento con respecto al SVM clásico y del 17 por ciento con respecto a los modelos de regresión logística. La evaluación de Precision Recall confirma una sólida detección de clases minoritarias (precisión promedio de alrededor de 0,88). La optimización consciente de la equidad reduce la diferencia de paridad demográfica al 3 por ciento, asegurando una inferencia equitativa de las políticas urbanas rurales. Los resultados validan que el aprendizaje contextual basado en transformadores mejora significativamente la inteligencia política en entornos de gobernanza de bajos recursos, permitiendo sistemas de predicción del hambre escalables y conscientes de los sesgos.
Publicado originalmente en export.arxiv.org el 23 de marzo de 2026.
Ver fuente original
