Resumen: El análisis oportuno y preciso de los datos a nivel de población es crucial para una toma de decisiones eficaz durante emergencias de salud pública como la pandemia de COVID-19. Sin embargo, la entrada masiva de datos semiestructurados, incluida información demográfica estructurada y retroalimentación humana no estructurada, plantea desafíos importantes a los métodos de análisis convencionales. Las evaluaciones manuales realizadas por expertos, aunque precisas, son ineficientes, mientras que los canales de PNL estándar a menudo requieren grandes conjuntos de datos etiquetados para tareas específicas y tienen dificultades para generalizar en diversos dominios. Para abordar estos desafíos, proponemos un novedoso marco de razonamiento basado en gráficos que integra grandes modelos de lenguaje con atributos demográficos estructurados y retroalimentación pública no estructurada en un proceso débilmente supervisado. El enfoque propuesto modela dinámicamente la evolución de las necesidades de los ciudadanos en un gráfico consciente de las necesidades, lo que permite análisis específicos de la población basados en características clave como la edad, el género y el Índice de Privaciones Múltiples. Genera conocimientos interpretables para informar la toma de decisiones receptivas en materia de políticas de salud. Probamos nuestro método utilizando un conjunto de datos del mundo real y los resultados experimentales preliminares demuestran su viabilidad. Este enfoque ofrece una solución escalable para el monitoreo inteligente de la salud de la población en entornos clínicos y gubernamentales con recursos limitados.
Publicado originalmente en export.arxiv.org el 7 de octubre de 2025.
Ver fuente original
