Cómo Elegir un Tema de Investigación en Machine Learning y Validarlo Paso a Paso

Qué debes definir antes de escribir una sola línea en Python

Puede que razones: quiero avanzar rápido, me voy directo al código.

Sin embargo, empezar sin planeación puede hacer que tu proyecto esté mal definido, que tengas que cambiar de dirección y que pierdas tiempo valioso.

¿Cuánto tiempo hay que planear? La respuesta es: hay que tener equilibrio. Elegir un tema requiere planificación estratégica, pero sin caer en la parálisis por análisis.

Como dice el refrán, "El que no sabe a qué puerto va, ningún viento es favorable". En investigación pasa lo mismo.

Si no tienes claro qué problema vas a resolver, puedes usar muchas herramientas y modelos avanzados, pero estarás trabajando sin rumbo.

Antes de escribir código, define:

• Qué problema resolverás
• Por qué importa resolverlo
• Cuál será tu contribución concreta
• Hasta dónde llegará tu trabajo

Eso no es perder tiempo. Es evitar errores.

Primero claridad estratégica, luego ejecución técnica.

Si te preguntas cómo validar un tema antes de escribir código, la respuesta está en tres puntos:

• Definir correctamente el problema
• Delimitar el alcance del proyecto
• Identificar el Research Gap

Paso 1: Explorar tendencias actuales en IA y Machine Learning

Aquí hay dos caminos posibles.

Puede que ya estés familiarizado con el problema que quieres resolver. O puede que solo sepas el sector que te interesa y quieras ver qué tendencias existen dentro de él.

Una opción es preguntarle a un asistente de IA, pero lo que realmente funciona es construir un query para Google Scholar y analizar los resultados con atención.

Explora las tendencias de tu sector en función de:

• Qué problemas existen
• Qué datos se usan
• Qué técnicas son populares

Con eso puedes decidir cuál de esas líneas quieres seguir.

Cómo buscar correctamente en Google Scholar

Algo que funciona muy bien es usar este esquema, reemplazando "sector" por tu área de interés:

No olvides aplicar el filtro de fecha: busca trabajos de no más de 3 a 4 años de antigüedad.

En esta etapa, concéntrate en el sector que te gusta, no tanto en el problema específico todavía.

Si tienes más contexto del problema, puedes reemplazar "sector" por una descripción más específica. Pero recuerda: que la IA lo haga todo de forma automática puede ser peligroso si no prestas atención a lo que estás haciendo.

Cómo identificar problemas, datasets y técnicas más utilizadas

¿Qué haces con todos esos resultados? Necesitas darles estructura.

Puedes pedirle a un asistente de IA: "Construye una tabla con las columnas: ¿qué problema existe?, ¿qué datos usa? y ¿qué técnica se usa? Coloca el top 5 de los más populares."

Por ejemplo, para el sector salud mental, los 5 temas más frecuentes son:

1. Predicción en salud mental (depresión, ansiedad, riesgo)

• Datos: encuestas clínicas, registros electrónicos (EHR), datos de comportamiento digital
• Técnica: ML supervisado, Deep Learning, NLP

2. Aplicaciones de IA en práctica clínica (diagnóstico, apoyo médico)

• Datos: Electronic Health Records (EHR), datos clínicos estructurados
• Técnica: Random Forest, SVM, Gradient Boosting, Redes Neuronales

3. Bias y equidad en modelos de salud

• Datos: EHR, datasets poblacionales de pacientes
• Técnica: Fairness-aware ML, mitigación de sesgo, auditorías algorítmicas

4. Explainable AI y confianza clínica

• Datos: modelos predictivos sobre EHR o imágenes médicas
• Técnica: SHAP, LIME, modelos interpretables, XAI frameworks

5. Salud pública y monitoreo digital (remote monitoring, IoT, wearables)

• Datos: sensores biométricos, wearables, datos IoT
• Técnica: Deep Learning, series de tiempo, LSTM, CNN

Antes de seguir, vale la pena preguntarte qué tipo de proyecto buscas:

• ¿Buscas algo muy innovador?
• ¿O algo con contribución suficiente pero rápido de ejecutar?
• ¿O algo relacionado con un problema de tu localidad?
• ¿O algo vinculado al trabajo de tu asesor?

Es muy importante verificar que existan datos disponibles para el problema que quieres resolver. Sin datos, no hay proyecto viable.

Paso 2: Crear una bitácora de research gap

No basta con leer artículos. Necesitas organizarlos.

Una vez que tienes un sector y preguntas que quieres resolver, haz una búsqueda más específica y construye una tabla enfocada en entender la brecha de investigación.

Ten en cuenta que la exigencia varía según tu grado:

• Licenciatura / Ingeniería: no se requiere generar conocimiento nuevo. Puede ser aplicar algo similar a un contexto diferente.
• Maestría: similar, con mayor rigor metodológico.
• Doctorado: se exige generar conocimiento nuevo, ya sea aplicado o básico.

Ejemplo de research gaps identificados en 3 papers destacados del sector salud:

Mental health prediction using ML: taxonomy, applications, and challenges (2022)

• Problema: predicción y clasificación de trastornos de salud mental
• Datos: encuestas psicológicas, EHR, datos conductuales
• Técnica: ML supervisado (SVM, Random Forest), Deep Learning
• Research gap: falta de generalización entre poblaciones, datasets pequeños, poca validación externa

Unmasking bias in AI: bias detection and mitigation in EHR-based models (2024)

• Problema: identificar y mitigar sesgo en modelos entrenados con registros de salud
• Datos: Electronic Health Records (EHR), datasets clínicos poblacionales
• Técnica: Fairness-aware ML, análisis estadístico comparativo
• Research gap: sin estandarización para medir bias; poca implementación en sistemas clínicos reales

Remote patient monitoring using AI (2023)

• Problema: monitoreo remoto de pacientes con IA
• Datos: IoT, wearables, sensores biométricos en tiempo real
• Técnica: Deep Learning, LSTM, CNN, series de tiempo
• Research gap: integración limitada con sistemas hospitalarios, problemas de privacidad y validación clínica insuficiente

Una vez que tienes tu research gap, tienes más seguridad y una visión más clara del problema que quieres resolver.

¿Cuántos artículos deberías revisar al elegir tu tema?

La respuesta honesta es: depende. Pero hay algo que no cambia:

La verdadera contribución surge cuando detectas qué falta en la literatura. Ahí es donde aparece el research gap.

Una referencia general por nivel académico:

• Licenciatura: 15 a 20 artículos base
• Maestría: 25 a 40 artículos con rigor metodológico
• Doctorado: 50 o más, con cobertura exhaustiva

Crea una bitácora de seguimiento desde el día uno. Para cada artículo registra:

• Autor y año
• Problema que aborda
• Dataset utilizado
• Modelo o técnica aplicada
• Resultados principales
• Limitaciones detectadas
• Posible research gap identificado

Con el tiempo, esa tabla se vuelve oro puro. Empiezas a ver patrones, notas qué se repite y qué nadie está resolviendo.

¿Cuánto tiempo es bueno investigar antes de decidir?

En Google Scholar, Scopus o IEEE, agrega siempre un filtro de no más de 3 o 4 años.

Machine Learning evoluciona muy rápido. Leer trabajos muy antiguos puede servir para contexto, pero necesitas entender el estado actual del campo.

5 a 10 artículos bien entendidos pueden ser suficientes para definir tu problema. No necesitas 100 papers mal leídos.

Una estrategia efectiva:

• Empieza con 20 o 30 artículos
• Organízalos por temas
• Identifica patrones comunes
• Quédate con los 3 a 5 más relevantes para tu enfoque

Aprende a leer artículos estratégicamente

Casi nadie lo enseña: no tienes que leer cada paper completo palabra por palabra.

Concéntrate en estas cuatro partes:

• Abstract — ¿de qué trata?
• Resultados — ¿qué lograron?
• Figuras — ¿qué muestra visualmente?
• Limitaciones — ¿qué no resuelven?

Con eso puedes decidir rápidamente si el artículo aporta a tu trabajo.

Si lees un artículo una o dos veces y no lo entiendes, cámbialo. No es que no seas capaz.

Relación entre revisión bibliográfica y estructura de tesis

Este proceso no es solo para "cumplir" con el estado del arte.

Te ayuda directamente a:

• Definir tu problema de investigación
• Justificar tu trabajo ante el comité
• Identificar variables y datasets disponibles
• Formular hipótesis sólidas
• Diseñar tu metodología de forma coherente

Una buena tesis no empieza con código. Empieza con una pregunta clara basada en un vacío real.

Paso 3: Detectar una brecha de investigación real

Qué significa realmente "novedoso" en investigación

Muchas veces decimos que un tema debe ser novedoso y estar en tendencia.

Pero "novedoso" puede ser un concepto bastante subjetivo. No existe un número exacto que nos diga qué tan novedoso es un proyecto.

Por eso no debes preocuparte demasiado por si algo es extremadamente innovador o no. Enfócate en cuál es tu contribución dentro del campo.

Una forma clara de hacerlo es investigar el research gap: aquello que aún no está resuelto o no ha sido suficientemente explorado.

Popularidad vs. impacto científico

Un proyecto puede ser muy popular, pero no necesariamente tener un gran impacto científico.

Y también puede ocurrir lo contrario: un impacto enorme con poca popularidad.

Cuando piensas en tu tema de tesis, no confundas tendencia con relevancia académica. La clave sigue siendo la contribución real que puedes aportar.

El árbol problema–solución

El árbol problema–solución te ayuda a definir tus objetivos, tu alcance, tus hipótesis e incluso a ajustar el problema inicial.

Es completamente normal que tengas que regresar a un punto anterior, mejorar algo o replantear una parte del proyecto. No te estreses por eso.

Hacer esta planeación te obliga a entender profundamente el problema, sus causas y por qué vale la pena resolverlo.

Si logras esa claridad, tendrás más entusiasmo al desarrollar tu trabajo y tendrás mucho más definido tu alcance y tu contribución.

Cómo definir un problema sin confundirlo con la solución

El árbol problema–solución empieza con la definición del problema. Y aquí es clave no confundir problema con solución.

Mal planteado:

"El sistema necesita más memoria RAM para todas las peticiones."

Este enunciado ya implica una solución (añadir RAM), limitando el análisis a una sola alternativa.

Bien planteado:

"El sistema no puede procesar todas las peticiones que se hacen al servicio."

Describe el problema real sin limitar las posibles soluciones.

Cuando defines correctamente el problema, no te limitas a una sola alternativa. Y eso es esencial para construir un proyecto sólido desde su base.

Checklist para validar que tu problema está bien formulado

• ¿Estoy describiendo una situación negativa observable, o estoy mencionando una tecnología o herramienta específica? Si mencionas la solución concreta, probablemente no es el problema.
• ¿El enunciado sigue siendo válido aunque cambie la posible solución? Si al quitar "modelo X" o "algoritmo Y" el problema deja de tener sentido, estaba mal formulado.
• ¿Mi redacción describe el efecto que ocurre y no la causa que supongo? Si estás afirmando lo que "crees que falta", probablemente estás escribiendo una solución encubierta.

Cómo definir objetivos, hipótesis y alcance a partir del árbol problema–solución

Si ya construiste tu árbol problema–solución, ahora viene convertirlo en algo formal para tu tesis.

Método Qué – Cómo – Para qué

Cuando ya detectaste el problema, analizaste el research gap y trabajaste el árbol problema–solución, necesitas claridad estratégica.

Aquí entra el método Qué – Cómo – Para qué. Simple, pero extremadamente poderoso.

Te obliga a resumir tu proyecto en tres preguntas fundamentales:

¿Qué? — Define la intervención principal.

Ejemplo: "Desarrollar un modelo predictivo."

¿Cómo? — Delimita la metodología técnica.

Ejemplo: "Usando redes neuronales LSTM."

¿Para qué? — Conecta con el impacto esperado.

Ejemplo: "Mejorar la precisión en predicción de demanda."

Cuando logras escribir tu objetivo general bajo esta estructura, todo empieza a tener coherencia.

Ya no tienes ideas sueltas. Tienes una dirección clara.

Si no puedes explicar tu proyecto en formato Qué – Cómo – Para qué, probablemente todavía no está lo suficientemente claro.

Salud

Industria

Finanzas

Educación

Datos Abiertos