Procesamiento de lenguaje natural para la organización temática de programas de estudio de ingeniería: comparativa de modelado de tópicos y agrupamiento

Abstract

Las instituciones de educación superior gestionan grandes repositorios de programas de estudio, pero carecen de herramientas computacionales para analizar sistemáticamente sus contenidos temáticos. Este trabajo presenta un flujo de Procesamiento de Lenguaje Natural (PLN) para la organización temática automática de programas de estudio de ingeniería en español. Se procesaron 51 programas de la carrera de Ingeniería en Gestión Empresarial del sistema de Institutos Tecnológicos de México, aplicando técnicas de modelado de tópicos (LDA y NMF), agrupamiento (K-Means y jerárquico aglomerativo con Ward) y análisis de similitud coseno sobre representaciones TF-IDF. Se evaluaron métricas intrínsecas de coherencia ($C_v$, $C_{npmi}$) y de calidad de agrupamiento (Silhouette, Davies-Bouldin, CalinskiHarabasz). NMF con $K = 8$ tópicos obtuvo la mayor coherencia ($C_v=0.63$), generando agrupaciones temáticas interpretables que cubren áreas como matemáticas, estadística, economía, mercadotecnia, marco jurídico, desarrollo humano, producción y metodología de investigación. La reducción dimensional mediante SVD con 10 componentes mejoró el Silhouette Score de 0.04 a 0.42 en agrupamiento, demostrando que es indispensable para corpus pequeños con alta dimensionalidad. Análisis adicionales de variabilidad por semilla aleatoria ($CV