Trabajo relacionado

Aplicaciones del ARS

El análisis de redes sociales permite la exploración y visualización de las interacciones entre individuos dentro de un grupo. Se han realizado estudios en diferentes campos como la salud pública, la educación, la informática, la sociología, entre otros. Díaz et al.⁷ investigaron el impacto del ARS en la optimización de la educación en entornos virtuales. Sus resultados indican que el ARS facilita la identificación de patrones de interacción y colaboración, contribuyendo a crear espacios para un aprendizaje más inclusivo y dinámico. En este caso, los autores optaron por realizar una revisión bibliométrica, empleando el software ATLAS.ti para el análisis de datos.

Por otra parte, Yao et al.⁸ utilizaron el ARS para investigar y comprender la relación entre los tuits en X (Twitter) y la difusión sobre información relacionada con la seguridad en la construcción. Los autores tuvieron como objetivo analizar cómo se comparte la información sobre la seguridad en la construcción a través de la red social mencionada. Para el estudio se utilizaron el ARS combinado con el análisis de sentimientos, empleando el software NodeXL para el procesamiento y visualización de los tuits que se relacionaron con los términos seleccionados para la búsqueda. Los resultados revelaron que las redes presentaban una densidad baja y la presencia de conexiones aisladas en las redes, lo que indica la escasez en la interacción entre los actores. También con X, Pascual et al.⁹ usaron el ARS para comprender la efectividad de la comunicación de riesgo emitida por los organizamos de salud pública durante la pandemia del COVID-19. Para ello, los autores optaron por utilizar el software Netlytic, que les permitió recolectar, visualizar y analizar los datos de X.

De forma complementaria, Ponce et al.¹⁰ aplicaron el ARS para caracterizar los factores que influyen en la baja producción científica de las universidades, construyendo redes basadas en datos personales, académicos y laborales de los docentes. Este enfoque permitió identificar patrones y relaciones que obstaculizan la generación de publicaciones científicas en instituciones de educación superior ecuatorianas.

En cambio, Chang et al.¹¹ utilizaron el ARS para analizar dos ámbitos diferentes: redes de amistad entre adolescentes y las redes de confianza en las transacciones de Bitcoin, con la finalidad de entender cómo influyen los comportamientos individuales y la seguridad de las plataformas. Para el estudio los autores utilizaron R, con el paquete RSiena, para modelar las redes y para el análisis de las redes de criptomonedas se empleó Gephi. Los resultados obtenidos mostraron que en las redes escolares existe una correlación significativa entre los patrones de amistad y ciertos comportamientos, mientras que en las redes de Bitcoin se identificaron nodos que revelan la vulnerabilidad en términos de seguridad.

Por último, se puede considerar el trabajo de Milovanović et al.¹², quienes desarrollaron un enfoque metodológico que permita realizar una preselección de candidatos mediante el ARS. La investigación se centra en la recogida automatizada de datos mediante el método de web scraping. A partir de la información recopilada de los perfiles de los usuarios, se crean tres clusters de habilidades e intereses: técnicos, empíricos y basados en la educación. Los clusters identificados permiten al responsable de la contratación buscar candidatos adecuados de forma eficaz.

Las investigaciones revisadas que aplican el ARS en diversos contextos evidencian importantes contribuciones, pero también presentan limitaciones comunes. Entre ellas destacan los posibles sesgos en la selección de información, las restricciones técnicas en la recolección de datos provenientes de redes sociales, el uso limitado de ciertas plataformas que reduce la interacción observable, así como la baja densidad de algunas redes analizadas. También se identifican limitaciones asociadas a la omisión de nodos relevantes y a enfoques metodológicos estáticos. Estas limitaciones sugieren la necesidad de fortalecer los diseños metodológicos y ampliar las fuentes de información para obtener análisis más completos y representativos.

Habilidades de los portales de empleo

Varios investigadores han utilizado Indeed como fuente de datos para sus estudios por ser considerado el portal de empleo con mayor popularidad. Los autores han optado por este portal por la cantidad de empleadores y usuarios que lo utilizan como medio para publicar sus ofertas laborales o encontrar un empleo^{(11, 13)}. Además, utilizan el portal porque proporciona una API que sirve para rastrear la información necesaria¹⁴.

Analizar las funciones y las competencias de los puestos de trabajo es esencial para determinar la brecha que existe entre las habilidades profesionales que el mercado laboral requiere y las que los estudiantes poseen al momento de ingresar al campo laboral. Es por tal motivo que Lee et al.¹⁵ analizaron los roles laborales y las habilidades que se requieren en diversas industrias en Singapur. Haciendo uso del ARS, estos investigadores identificaron relaciones entre los roles de empleo y las habilidades asociadas. Los resultados indican que esta visualización ofrece importantes percepciones a los usuarios que buscan empleo, empleadores y agencias de reclutamiento sobre las tendencias actuales del mercado laboral y las habilidades que son demandadas.

Asimismo, Suleman et al.¹⁶ identificaron las habilidades y atributos requeridos para los graduados en Europa, a partir de los anuncios de empleo publicados en el año 2019. El análisis se realizó mediante agrupamiento difuso para determinar patrones típicos de las habilidades exigidas por los empleadores, y como resultados se obtuvieron seis clusters. Se combinó EURES y Monster para la recopilación de datos, mientras que el análisis se fundamentó en métodos de contenido y análisis de clústers. Por otro lado, Walek y Pektor¹⁷ desarrollaron un sistema capaz de detectar requisitos laborales de los anuncios de empleo en los portales, específicamente en posiciones de TI. Mediante técnicas de minería de datos, aprendizaje automático y regresión logística. Los resultados muestran que el sistema logró identificar todos los requisitos en aproximadamente el 80 % de los anuncios analizados, con una precisión media del 93 %.

En este mismo contexto, Lipovac y Babac¹⁸ identificaron y compararon las habilidades que se requieren en las ofertas de trabajo que se publican en el portal de empleo de Indeed, que se centran en diferentes profesiones a nivel mundial. Para la investigación se utilizó un enfoque metodológico basado en el análisis de contenido y algoritmos de procesamiento de datos. Los resultados obtenidos resaltan la creciente demanda de habilidades sociales y comunicativas entre los empleadores, lo que evidencia un cambio de enfoque hacia las habilidades menos técnicas y más interpersonales.

Graham y Lu¹⁹ realizaron un análisis de una red semántica de anuncios de empleo que se relacionan con la ciberseguridad con la finalidad de identificar las habilidades blandas más requeridas por los empleadores y cómo se relacionan con las habilidades técnicas. Para el análisis se utilizó R como lenguaje de programación combinado con herramientas para el análisis de redes semánticas, permitiendo procesar un gran volumen de datos del portal de empleo Indeeed. Los resultados obtenidos mostraron que habilidades blandas en gestión del conocimiento, análisis de grandes datos y trabajo en equipo son altamente valoradas en ciberseguridad, evidenciando la creciente importancia de estas competencias junto a las habilidades técnicas.

Romanko y O'mahony¹² exploraron el uso de portales de empleo como una fuente innovadora para medir la demanda de las habilidades profesionales y las tendencias del mercado laboral. Para ello, emplearon web scraping, análisis de redes y modelos de procesamiento de lenguaje natural (NLP), destacando el uso del modelo Word2Vec para la extracción de habilidades. El lenguaje de programación utilizado fue Python, mediante bibliotecas como Gensim. El estudio se basó en datos de portales de empleo del Reino Unido como Indeed, Reed y Adzuna. Entre los principales resultados, se obtuvieron visualizaciones detalladas de habilidades más demandadas, análisis regionales, y se realizó una regresión para estimar el impacto de ciertas habilidades en el salario.

Los estudios revisados demuestran el potencial del ARS para identificar y visualizar las relaciones entre habilidades y roles laborales a partir de datos obtenidos de portales de empleo como Indeed. Aunque estas investigaciones ofrecen valiosos hallazgos sobre las tendencias del mercado laboral y los requerimientos de los empleadores, enfrentan limitaciones comunes como sesgos en los datos recolectados, restricciones en las API, dificultades para generalizar resultados y la escasa estructura en los anuncios. En este contexto, se vuelve relevante aplicar el ARS en estudios localizados, como en Ecuador, donde el análisis de las ofertas de empleo permitiría comprender mejor la brecha entre las competencias demandadas por el mercado y las habilidades que poseen los profesionales. Esto aportaría evidencia útil para la toma de decisiones educativas, políticas de empleo y orientación profesional ajustadas a la realidad nacional.

Primera etapa: Recopilación de datos

Esta etapa se centró en extraer los datos de empleos desde el sitio web seleccionado para la obtención de los anuncios disponibles en Ecuador. La extracción se llevó a cabo en enero de 2025. Se emplearon como términos de búsqueda los nombres de las carreras de una Facultad de Ciencias de Ingeniería de una universidad ecuatoriana. Para analizar el contenido HTML del portal de empleo se utilizó la biblioteca de Python BeautifulSoup. Esta librería facilitó la extracción de los anuncios de empleo disponibles para cada término de búsqueda. En la Figura 2 se presenta el algoritmo que se utilizó para la extracción de los anuncios.

De cada anuncio de empleo se extrajo siete atributos: título del empleo, nombre de la empresa, ciudad, valoración, sueldo, fecha de publicación y descripción del anuncio. Estos atributos se encontraron en cada anuncio de empleo del sitio indeed.com y se encuentran detallados en la Tabla 1. Se debe tener en cuenta que algunos de los datos extraídos presentan un único elemento (por ejemplo, el título del empleo, el nombre de la empresa, ciudad), mientras que otros tienen un formato de frases descriptivas (por ejemplo, la descripción del anuncio de empleo). Para extraer los atributos del código HTML, se buscó las etiquetas que contienen esta información; en este caso la etiqueta div o caja. Luego, se obtuvo de manera cíclica la información de cada etiqueta.

Segunda etapa: limpieza de datos

Se centró en la revisión del contenido de las variables dentro del conjunto de datos. Como las descripciones de los anuncios de empleo contienen textos en los que se explican diferentes aspectos del empleo, no fue posible utilizar directamente los datos; fue necesario extraer las habilidades que se requieren para un empleo en cada anuncio. La limpieza de los datos consistió en aplicar los siguientes criterios de eliminación:

Caracteres especiales.

Anuncios de empleos duplicados.

Anuncios de empleo sin relación a la carrera.

Para obtener las habilidades de la descripción de cada anuncio, se implementó el algoritmo de la Figura 3. El algoritmo comenzó importando el conjunto de datos al que se realizó la limpieza para luego recorrer cada columna de habilidad verificando si existe información relevante. Si se cumple la condición, se agrega a un conjunto auxiliar de habilidades; caso contrario, se pasa a la siguiente fila u oferta laboral.

Tercera etapa: Análisis de Redes Sociales

Para encontrar las relaciones se tomó como términos de búsqueda el nombre de las carreras y las habilidades que solicitaban en los anuncios de empleo. Se usó la librería tidyverse para la creación de la lista de nodos y arista, mientras que para crear los gráficos se usó visNetwork y networkD3 que son librerías disponibles en R para la creación y manipulación de redes. Para el ARS fueron utilizadas las columnas en donde se encontraba: nombre del área de conocimiento, ciudad, provincia y habilidades. Se tomaron las variables del área de conocimiento y habilidades de la carrera para conocer la relación que existe entre cada habilidad con las distintas carreras y si estas habilidades son solicitadas en otra carrera.

Para la construcción de una red se deben considerar dos aspectos: los nodos y las conexiones. Para conocer sus relaciones, fue necesario construir primero una matriz de adyacencia, que es una matriz cuadrada cuyos nombres de columna y fila son los nodos de la red. Dentro de la matriz de adyacencia, uno indica que hay una conexión entre los nodos y un cero indica que no hay conexión. La matriz sirve para conocer qué habilidades se relacionan con las diferentes carreras de la Facultad de Ingeniería seleccionada.

Las librerías utilizan datos numéricos para realizar las relaciones entre sí, por lo que para los nodos se creó un campo identificador para reconocer las columnas con datos alfanuméricos. Por otra parte, para las aristas se tomó el mismo conjunto de datos añadiendo una columna con el peso de cada arista. El peso es el equivalente al número de veces que se repite una habilidad en un área de conocimiento determinada.

Teniendo listos los datos, se usaron las funciones de los paquetes mencionados para crear gráficos interactivos de las habilidades y sus relaciones con las áreas del conocimiento, ciudades y/o provincias. Además, este proceso permitió agregar otros parámetros como tamaño de nodos, filtros en la red, controles de navegación, y modo de presentación. Finalmente, se realizó el cálculo de las métricas de centralidad, cercanía y densidad de la red para entender la estructura de cada red generada. La centralidad, indica la importancia o influencia de un nodo dentro de la red. Mientras mayor sea la centralidad, mayor influencia tendrá dentro de la red. Por otro lado, la cercanía evaluó qué tan cerca está un nodo del resto de la red. Por último, la densidad reflejó la proporción de conexiones dentro de la red. Teniendo en cuenta que una mayor densidad indica una red muy interconectada, mientras que una menor densidad sugiere una red más dispersa o fragmentada.

Anuncios de empleo recopilados y preparados

Se extrajo un total de 512 anuncios de empleo, en los que se identificaron un total de 755 habilidades profesionales. Del total de anuncios de empleo extraídos, 311 estuvieron relacionados con las carreras de Ingeniería en Sistemas e Ingeniería en Software. Esto se debe a que las empresas dedicadas al desarrollo de software utilizan estos medios para publicar sus ofertas de empleo. Por lo tanto, existe mayor demanda laboral para los egresados dedicados a esta área de conocimiento. La distribución de la cantidad de anuncios de empleos y habilidades extraídos para cada carrera de la Facultad de Ingeniería escogida se muestra en la tabla 2.

Resultado del Análisis de Redes Sociales

La relación de las habilidades profesionales con las carreras de la Facultad estudiada se muestra en la Figura 4. Del análisis se obtuvo que la mayoría de las habilidades se encontraban relacionadas con el desarrollo de software. La Tabla 3, por su parte, muestra la información de los nodos y el valor de los indicadores de la red, con lo que se determinó el nodo con mayor influencia en ella. De acuerdo con los resultados de las habilidades profesionales, se graficó además una nube de palabras (Figura 5) con las principales habilidades profesionales.

La información visualizada en la red es analizada a partir de los valores que tienen los indicadores de los nodos con mayor peso; en la Tabla 4 se indican las cinco principales habilidades para la carrera de Ingeniería en Sistemas. El análisis de los indicadores mostró que las habilidades con mayor demanda se relacionan directamente con el desarrollo y mantenimiento de sistemas computacionales. Se encontró que la habilidad “Bases de datos” presentó un total de 48 enlaces. En cuanto a la cercanía, los valores son relativamente bajos, la habilidad relacionada con el conocimiento del lenguaje de programación Java presenta la mayor cercanía (0.007289) y la habilidad en Redes la menor (0.011773), sugiriendo que ninguno de estos nodos está muy cercano al resto de la red. La densidad de la red es bastante baja, con un valor de 0.0930233, lo que indica que solo una pequeña proporción de las posibles conexiones entre nodos están presentes, reflejando una red dispersa. Por su parte, en la Figura 6 se graficó una nube de palabras para agrupar las habilidades mayormente demandadas.

Para la carrera de Ingeniería en Software, el indicador de grado de centralidad mostró que el nodo “Java” tiene un valor de 30 enlaces, lo que significa que un gran número de anuncios solicitaban como requerimiento esta habilidad. En la Tabla 5 se presentan los valores obtenidos en cada uno de los indicadores para las cinco principales habilidades profesionales. En cuanto a la cercanía, todos los nodos tienen valores similares y relativamente bajos (entre 0.0138 y 0.0144), lo que sugiere que ningún nodo está cercano al resto, reflejando una red dispersa. La densidad de la red es de 0.0175439, mucho menor que en la red de Ingeniería en Sistemas, indicando aún menos conexiones en comparación con el total de posibles, por lo que la red se caracteriza por ser poco interconectada. Para la carrera de Ingeniería en Software, la nube de palabras (Figura 7) muestra que las habilidades con mayor demanda están relacionadas con el dominio del lenguaje de programación “Java”.

Para la carrera de Ingeniería Mecánica, el indicador de grado de centralidad muestra que el nodo “AutoCAD” tiene un valor de 9 enlaces, lo que significa que un número considerable de anuncios solicitaban como requerimiento esta habilidad. En la Tabla 6 se presentan los valores obtenidos en cada uno de los indicadores de las principales cinco habilidades. La habilidad “conocimiento automotriz” tiene la menor centralidad con 4, sugiriendo una posición periférica en la red. En términos de cercanía, todos los nodos presentan valores muy bajos, entre 0.0042 y 0.0048, señalando una red dispersa. La densidad de la red es 0.0097561, lo que indica que la red es altamente dispersa y con pocas interconexiones entre nodos. Para el caso de la carrera de Ingeniería Mecánica la nube de palabras (Figura 8) muestra que la habilidad relacionada con “AutoCAD” tiene mayor demanda.

La Tabla 7 detalla los valores que tienen los nodos en cada uno de los indicadores para las cinco principales habilidades para la carrera de Ingeniería Eléctrica según la información de los anuncios de empleo. El análisis reveló que las habilidades profesionales se encuentran relacionadas con el mantenimiento y el diseño de sistemas eléctricos. Se encontró que la habilidad “Mantenimiento” presentó 16 enlaces. En contraste, las habilidades relacionadas con "Gestión de proyectos” y “PLC” tienen la menor centralidad, ambas con valor de 10, sugiriendo que estos nodos están en una posición menos influyente dentro de la red. En términos de cercanía, todos los nodos exhiben valores similares y bajos, en torno a 0.0117, lo que refleja que ninguno está particularmente cercano al resto. La densidad de la red es aproximadamente 0.0213, lo que indica que las conexiones existentes representan solo una pequeña proporción del total posible. También, la Figura 9 muestra la nube de palabras con habilidades profesionales con mayor demanda.

El cálculo de los indicadores de centralidad y cercanía de los nodos de la red de Arquitectura reveló que las habilidades con mayor demanda están relacionadas con el conocimiento de los softwares CAD y herramientas de diseño. Se encontró que la habilidad “AutoCAD” obtuvo un total de 16 enlaces. En la Tabla 8 se presentan las cinco principales habilidades requeridas para los puestos de esta carrera. Los nodos correspondientes a habilidades relacionadas con el dominio Sketchup y Lumion tienen una menor centralidad, ambos con valor de 3, sugiriendo que ocupan posiciones periféricas en la red. En relación con la cercanía, todos los nodos presentan valores bajos, en torno a 0.0014, lo que indica que ninguno está particularmente cercano al resto. La densidad de la red es muy baja, aproximadamente 0.04, equivalente a un 4 %, lo que confirma que solo una pequeña proporción de las conexiones posibles existen. Asimismo, la Figura 10 gráfica en una nube de palabras las habilidades con mayor demanda.

De igual manera, la Tabla 9 muestra las cinco principales habilidades con el valor de los indicadores para la carrera de Ingeniería Ambiental. El análisis demostró que las habilidades con mayor demanda se encuentran relacionadas con el manejo de herramientas para gestionar información geográfica. En cambio, las habilidades relacionadas con Proyectos de sostenibilidad y Agricultura sostenible tienen una centralidad de 1, lo que sugiere posiciones periféricas. En términos de cercanía, todos los nodos presentan valores iguales de aproximadamente 0.012, indicando una red dispersa. Por otra parte, la densidad, con un valor de aproximadamente 0.0344 o 3.44 %, es muy baja, evidenciando que solo unas pocas conexiones posibles están presentes. Para el caso de la carrera de Ingeniería Ambiental, la nube de palabras (Figura 11) muestra que los empleos requieren que los profesionales tengan conocimientos sobre herramientas de mapeo e información geográfica como “ArcGIS” y “MapInfo”.

Por su parte, la Tabla 10 muestra los valores de centralidad y cercanías para los nodos relacionados con la carrera de Ingeniería en Telemática. Los nodos con mayor influencia en esta red según el valor en el indicador grado de centralidad son Bases de datos, Java, Normas ISO, Python y Sistemas Operativos, lo que significa que las habilidades se relacionan principalmente con desarrollo y mantenimiento de sistemas informáticos. En cuanto a la cercanía, todos presentan un valor idéntico de aproximadamente 0.0047, sugiriendo que ninguno está particularmente cercano al resto en la red, reflejando una estructura dispersa. La nube de palabras para la carrera de Ingeniería en Telemática se muestra en la Figura 12.