Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador

Identification

Clé publique
radar:r-d5f10cea9c36bab91b816db92e0e6570
Auteurs
Byron Oviedo · Blanca Priscila Carpio-Vanegas · Jomaira Lisbeth Gómez Villa · Lusitania Gutiérrez-Sánchez
Année déclarée
2026
Langue déclarée
es
Type source
article
Première détection
2026-11-14T01:59:49.873703+00:00
Dernière observation des métadonnées
2026-11-14T01:59:49.873703+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Universidad Técnica Estatal de Quevedo

Pays d’affiliation déclarés

EC

Résumé documentaire — langue originale

Public investment management in fiscally constrained municipalities faces the structural challenge of allocating scarce resources efficiently while preserving territorial equity and decision-making transparency. In Ecuador, this challenge is intensified by pronounced territorial heterogeneity and limitations in the availability and quality of public data. In response, this study proposes and validates a methodological framework that integrates Soft Computing techniques with Explainable Machine Learning to support the prioritization of public investment projects in low-resource municipalities. The proposed approach combines an adaptive neuro-fuzzy inference system capable of modeling non-linear relationships and handling uncertainty inherent to social and territorial data, with explainability techniques based on SHAP values that enable transparent interpretation of each variable’s contribution to the generated recommendations. The framework was applied to a dataset comprising 75 municipalities, using socioeconomic, demographic, and territorial indicators obtained from official and open data sources, and its performance was benchmarked against traditional models and black-box machine learning algorithms. The results show that the proposed hybrid model achieves predictive performance comparable to more complex black-box approaches, with no statistically significant differences, while offering substantial advantages in terms of interpretability, explanatory stability, and perceived fairness. The study concludes that the proposed framework is not intended to automate public decision-making, but rather to enhance informed deliberation by providing explicit and auditable criteria, thereby strengthening accountability, legitimacy, and the overall quality of municipal public investment management in resource-constrained contexts.

Identifiants

OPENALEX
https://openalex.org/W7159613735
DOI
10.21897/rii.4211

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Byron Oviedo; Blanca Priscila Carpio-Vanegas; Jomaira Lisbeth Gómez Villa; Lusitania Gutiérrez-Sánchez. Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador. 2026. https://doi.org/10.21897/rii.4211

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Byron Oviedo; Blanca Priscila Carpio-Vanegas; Jomaira Lisbeth Gómez Villa; Lusitania Gutiérrez-Sánchez. (2026). Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador. https://doi.org/10.21897/rii.4211
Chicago
Byron Oviedo; Blanca Priscila Carpio-Vanegas; Jomaira Lisbeth Gómez Villa; Lusitania Gutiérrez-Sánchez. Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador. 2026. https://doi.org/10.21897/rii.4211
ISO 690
Byron Oviedo; Blanca Priscila Carpio-Vanegas; Jomaira Lisbeth Gómez Villa; Lusitania Gutiérrez-Sánchez. Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador. 2026. https://doi.org/10.21897/rii.4211

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-d5f10cea9c36bab91b816db92e0e6570/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://revistacientifica.ugc.mx/index.php/rugc/article/view/345

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature