Representaciones sociales del big data y la inteligencia artificial. Una exploración estructural

Abstract

En este trabajo se busca explorar las representaciones sociales en torno al big data y la inteligencia artificial. Para ello se realizó una encuesta con una técnica de asociación de palabras o evocaciones con estudiantes universitarios argentinos y graduados recientes de distintas ramas del conocimiento (N = 335 para big data y 255 para inteligencia artificial). Nos preguntamos por los sentidos a los que se asocian ambos fenómenos, la estructura de su representación, las similitudes y diferen- cias entre sí y con otros fenómenos, los posibles temas que se infieren, y los posibles posicionamientos diferenciales. Los resultados indican la preeminencia de sentidos ligados a la información (big data) y los robots (ai), conviviendo con nociones positivamente valoradas, como el conocimiento, y con referencias a problemas sociales, negativamente valorados, como el desempleo y el control social

Full text

89
Se autoriza la copia, distribución y comunicación pública de la obra, reconociendo la autoría, sin fines comerciales y sin autorización para
alterar, transformar o generar una obra derivada. Bajo licencia creative commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cultura y Representaciones Sociales ISSN: 2007-8110
Año 16, Núm. 31, septiembre de 2021
Casos | 89
RepResentaciones sociales del big data
y la inteligencia aRtificial.
Una exploRación estRUctURal
Social repreSentationS of big data and artificial
intelligence. a Structural exploration
Gastón Becerra1 y Juan Pablo Lopez Alurralde2
Resumen. En este trabajo se busca explorar las representaciones sociales
en torno al big data y la inteligencia artificial. Para ello se realizó una
encuesta con una técnica de asociación de palabras o evocaciones con
estudiantes universitarios argentinos y graduados recientes de distintas
ramas del conocimiento (N = 335 para big data y 255 para inteligencia
artificial). Nos preguntamos por los sentidos a los que se asocian ambos
fenómenos, la estructura de su representación, las similitudes y diferen-
cias entre sí y con otros fenómenos, los posibles temas que se infieren,
y los posibles posicionamientos diferenciales. Los resultados indican
la preeminencia de sentidos ligados a la información (big data) y los
robots (), conviviendo con nociones positivamente valoradas, como
el conocimiento, y con referencias a problemas sociales, negativamente
valorados, como el desempleo y el control social. Palabras clave: Big
data, inteligencia artificial, representaciones sociales
Summary. This work seeks to explore the social representations of big data
and artificial intelligence. A survey was carried out with a word associa-
1 https://orcid.org/0000-0001-9432-8848
2 https://orcid.org/0000-0002-6682-0170

Cultura y representaciones sociales90
Año 16, núm. 31 septiembre 2021
tion technique, with Argentine university students and recent graduates of
different branches of knowledge (N = 335 for big data and 255 for artifi-
cial intelligence). We explore the meanings to which both phenomena are
associated, the structure of their representation, the similarities and diffe-
rences between them and with other phenomena, the possible themes that
are inferred, and the possible differential positions of the groups. The results
indicate the predominance of senses linked to information (big data) and
robots (ai), coexisting with positively valued notions, such as knowledge,
and with references to negatively valued social problems, such as unemploy-
ment and social control. Keywords: Big data, artificial intelligence, social
representations
Introducción
El big data es un fenómeno social, tecnológico y cultural, resultante del proce-
so de datificación de nuestro mundo material, subjetivo y social que ha tenido
un crecimiento exponencial en las últimas décadas junto a la digitalización
(Dijck, 2014; Kitchin, 2021). Coincidentemente, se entiende a la inteligencia
artificial como un conjunto de desarrollos tecnológicos que permiten explotar
estos datos para controlar varios —si no todos— los aspectos de nuestra rea-
lidad (Sadin, 2018). Big data e inteligencia artificial se encuentran profunda-
mente imbricados —junto a otros fenómenos, como los algoritmos sociales—
en una transformación del capitalismo contemporáneo, la dinámica política,
y los criterios y expectativas del conocimiento.
El término “big data” fue introducido en el campo de I.T., hace aproxima-
damente una década, para referir a los desafíos computacionales implicados
en el manejo de grandes volúmenes de datos (Diebold, 2012). Luego, se po-
pularizó en el lenguaje de la consultoría de negocios cuando representantes
de firmas como Gartner o  empezaron a asociarla en sus documentos de
marketing con un listado de palabras con “V”: volumen, variedad, velocidad,
valor, entre las principales, a las que se fueron sumando otras, como veraci-
dad o visualización (van Rijmenam, 2014). En otro estudio se constata que,

Casos | 91
www.culturayrs.unam.mx
aún hoy, estas palabras se encuentran en la mayoría de las definiciones dadas
por los medios masivos de comunicación en artículos focales (Becerra, 2021).
En campos especializados del conocimiento tan distintos como sociología y
psicología (Favaretto et al., 2020), o ingeniería y ciencias de la computación
(De Mauro et al., 2015), esta manera de definir al big data convive con otras
que, en lugar de referir a propiedades y atributos, buscan poner el foco en los
procesos prácticos, sociales y tecnológicos que le dan origen y sentido. Por su
parte, la noción de “inteligencia artificial” surge en los años 40-50, a partir de
los desarrollos pioneros de la cibernética en la que confluyeron matemáticos
y psiquiatras de la talla de Ross Ashby o Norbert Wiener, y discípulos como
Alan Turing, cuyo trabajo (1950) le ganó el mote de “padre de la inteligencia
artificial”, que se propusieron modelar y replicar los procesos y las capaci-
dades cognitivas humanas a través de la técnica, desarrollando dispositivos
computacionales, matemáticos, mecánicos e incluso biológicos que pudieran
tener comportamientos inteligentes (Pickering, 2010; Franklin, 2014). En las
décadas siguientes, este esfuerzo tecnológico se ha ido desligando del objetivo
científico de modelar la mente humana, orientándose hacia el avance de ca-
pacidades mucho más acotadas, tales como las que se persiguen en el campo
del aprendizaje automático: reconocimiento de imágenes a partir de patrones,
procesamiento del lenguaje natural, construcción de modelos estadísticos y
predictivos, entre otros.
En los últimos años, desde las ciencias sociales se ha ido constituyendo
una línea de trabajo con una mirada crítica sobre el big data y la inteligencia
artificial que busca echar luz sobre los problemas sociales y los riesgos éticos a
los que nos enfrentan (Iliadis y Russo, 2016; Boyd y Crawford, 2012; Segun,
2021; Becerra y López-Alurralde, 2017). Así, se ha argumentado que lo que
llamamos big data es un nuevo estadío del capitalismo que captura y reduce
la experiencia humana con fines comerciales, o que la inteligencia artificial
—especialmente en la forma de algoritmos sociales— no se sustenta en capa-
cidades tecnológicas, sino en una ideología que cree posible organizar las inte-
racciones sociales, a modo de un power broker (Lanier y Weyl, 2020; O’Neil,
2016; Zuboff, 2019; Srnicek, 2018). Otro objetivo central de esta línea de
trabajo es discutir los sentidos sociales y las ideologías que han posibilitado el
enorme crecimiento del big data y la inteligencia artificial, desenmascarando
las retóricas que los presentan como tecnologías “neutrales” u “objetivas”. Así,
por ejemplo, hemos explorado junto con otros autores el discurso promocio-

Cultura y representaciones sociales92
Año 16, núm. 31 septiembre 2021
nal de los medios masivos que glorifican las potencialidades de estos desarro-
llos, mientras esconden su carácter social y propietario (Becerra, 2021; Elish
& Boyd, 2018; Sadowski, 2019; Portmess y Tower, 2015).
Teoría de las representaciones sociales
y su modelo estructural
Con el presente trabajo se busca continuar en esta indagación crítica de los
sentidos sociales del big data y la inteligencia artificial, guiados por una mira-
da psicosocial que pone el foco en sus representaciones sociales3.
Por representación social (en adelante, ) se entiende a una forma de cono-
cimiento de carácter práctico, orientado hacia la comunicación y la interacción
cotidiana con nuestra realidad (Jodelet, 1985; Wagner y Hayes, 2011). Mosco-
vici (1979, p. 18) las define como un “sistema de valores, nociones y prácticas
que proporcionan a los individuos los medios para orientarse en el contexto so-
cial y material, para dominarlo”. Las  se construyen activamente ante la nece-
sidad de dar sentido a fenómenos novedosos que nos interpelan, condicionados
por nuestra posición en el entramado de relaciones sociales (Marková, 2017).
El estudio original de Moscovici sobre las  del psicoanálisis (1979) es el caso
de un desarrollo científico que se inserta en el mundo del sentido común, con
apropiaciones y recortes propios para cada grupo social, proceso que se ve con-
dicionado por visiones ideológicas que reflejan las relaciones con otros grupos
sociales. No sería arriesgado hipotetizar que el proceso de representación del big
data y la inteligencia artificial nos ofrezca un caso análogo.
Particularmente, aquí adoptamos el modelo estructural de la Teoría de las
representaciones sociales (en adelante, ) propuesto por J. C. Abric (2001,
1993), que postula que toda  es un conjunto organizado de sentidos con
una estructura particular. Dicho modelo se compone, por un lado, de un
núcleo o sistema central de sentidos “estables, coherentes, consensuados e his-
tóricamente condicionados” (Abric, 1993, p. 76), es decir, los contenidos más
3 Este interés surge como una línea complementaria a una investigación de corte sociológica que
busca problematizar el fenómeno del big data desde la perspectiva de los sistemas sociales y el cons-
tructivismo (Becerra, 2018). En dicho enclave teórico se había asumido el objetivo de buscar el
signif icado social del big data en las diversas formas en que se lo tematiza desde distintos sistemas,
como la política, la economía, la ciencia, los medios de comunicación, entre otros.

www.culturayrs.unam.mx
Casos | 93
comunes y salientes de la representación en la memoria colectiva; por otro
lado, un sistema periférico “flexible, adaptativo y relativamente heterogéneo”
(Abric, 1993, p. 77) en los que encontraremos los sentidos más concretos y
vinculantes para la acción de los distintos individuos y sub-grupos sociales,
y, por ello, más permeables a las necesidades de sus contextos de prácticas. En
términos dinámicos, es en el sistema periférico donde se ubican informaciones
nuevas que pudieran desafiar los sentidos del núcleo, funcionando como una
suerte de “cinturón protector”.
Hasta donde se conoce, no hay estudios similares sobre el big data, plan-
teados desde la ; si hay un antecedente con el mismo modelo estructural
en torno a la  de los robots, con resultados muy cercanos a los que aquí se
registran para inteligencia artificial (Piçarra et al., 2016). Otros antecedentes
cercanos son los análisis de contenidos de diversos tipos de comunicaciones
sobre estos fenómenos, como en la prensa y los medios de masas (Becerra,
2021; Paganoni, 2019; Pentzold y Fischer, 2017), o de diferentes manifes-
taciones de la cultura (Hunter, 1993; Szollosy, 2017; Zdenek, 2003; Fast y
Horvitz, 2016).
Preguntas de investigación
Como se adelantó, nuestro objetivo es aportarle a una mirada crítica del big
data y la inteligencia artificial, explorando los sentidos sociales que condicio-
nan su aceptación y desarrollo. Para ello, nos interesa, en primer lugar, recons-
truir el mundo de sentidos a los que se asocian estos términos y su organiza-
ción, así como las actitudes u orientaciones valorativas. Esto último responde a
nuestro interés por explorar la polaridad que diversos estudios (e.g., Paganoni,
2019) señalan en torno al big data y la inteligencia artificial, y que los ubican
en un entendimiento donde conviven una mirada beneficiosa/utópica y otra
riesgosa/distópica. En segundo lugar, indagar en las relaciones entre estas ideas
evocadas en torno al big data y la inteligencia artificial, infiriendo posibles
temas en los que se ponga en juego un recorte —framing— y una valoración
particular. Finalmente, el interés por indagar en torno a las fuentes de informa-
ción acerca de estos temas, con foco en los medios de comunicación de masas
y distintas carreras universitarias. Aquí se parte de la hipótesis que informa que
al interior de cada uno de estos espacios de comunicación e interacción —que

Cultura y representaciones sociales94
Año 16, núm. 31 septiembre 2021
no son excluyentes— circulan distintos posicionamientos que tematizan al big
data y la inteligencia artificial de manera particular. Considerar el ámbito de
las carreras universitarias en esta primera exploración nos resulta relevante en
cuanto se hipotetiza que ambos fenómenos suponen una transformación en los
criterios y expectativas con los que se evalúa el conocimiento, y que esto pudiera
desencadenar posicionamientos condicionados por los enfoques propios de las
distintas ramas del conocimiento y su división (y competencia) en el mercado
laboral.
En resumen, se propone responder las siguientes preguntas:
a) RQ1: ¿Qué sentidos se asocian al big data y la inteligencia artificial?
¿Cómo se organizan y estructuran? ¿Cuál es la valoración de los
sentidos asociados?
b) RQ2: ¿Cuánto se asemejan, y en qué difieren los campos represen-
tacionales de dichos fenómenos?
c) RQ3: ¿Cómo se correlacionan estas ideas en las respuestas dadas por
los participantes? ¿Qué formas de recortar y tematizar al big data se
pueden inferir?
d) RQ4: ¿Cuáles son las fuentes de consulta acerca del big data y la
inteligencia artificial? ¿Cómo lo representan estudiantes de distintas
carreras universitarias?
Método
Instrumentos
La recolección se realizó a través de un formulario online, diseñado para este
estudio y difundido por redes sociales, basado en la técnica de evocación o
asociación libre de palabras (Figura 1), el cual tiene una larga tradición de uso
en la investigación de , debido a que permite fácilmente poner de manifies-
to un campo representacional ordenado (Doise et al., 1993; Wagner y Hayes,
2011). Los términos inductores utilizados en el formulario fueron “big data”

www.culturayrs.unam.mx
Casos | 95
e “inteligencia artificial”, priorizándolos sobre otros posibles, ya que estas son
las denominaciones más comunes en la sociedad argentina en los libros de
divulgación y en las notas de medios masivos. También incluimos los tér-
minos “ciencia de datos” y “conocimiento”, aunque con menor frecuencia
de aparición, como casos de contrastación con el objetivo de indagar en la
especificidad de los primeros. Para cada participante el formulario muestra
sólo uno de estos términos para evitar condicionamientos entre los mismos.
El formulario por default presentaba 5 campos para ingresar palabras, aunque
se podían agregar otros. También permitía asignar una valoración para cada
término introducido, por medio de un control deslizante entre “negativo” y
“positivo”. Finalmente, se incluyeron preguntas sociodemográficas, de forma-
ción (carrera), y referidas a las fuentes consultadas. La consigna fue la siguien-
te: Por favor, indícanos qué palabras o frases te vienen a la mente cuando pensás
en “[término]”. También te pedimos que, por favor, nos indiques si estas ideas
Figura 1
Captura del instrumento (técnica de evocación o asociación libre de palabras)

Cultura y representaciones sociales96
Año 16, núm. 31 septiembre 2021
que acabas de introducir se corresponden con algo que valoras positivamente (algo
que te agrada) o negativamente (algo que te desagrada), utilizando el deslizador
debajo de cada palabra.
Todas las tareas de pre-procesamiento, análisis y visualización fueron pro-
gramadas en R (Team R Core, 2018). Para el análisis prototípico se diseñó una
función4 que emula los del software IRaMuTeQ (Ratinaud, 2009), aunque
siguiendo un enfoque “tidy” para la manipulación de los datos (Wickham,
2019); para los análisis de redes se utilizó la librería tidygraph, lo cual ex-
tiende igraph; para los análisis factoriales se utilizó la librería FactorMineR
(Le et al., 2008).
Muestra
La muestra es no probabilística (Sampieri et al., 2006, p. 240), compuesta por
estudiantes y graduados universitarios de Argentina, invitados a participar a
través de redes sociales. Este es un primer estudio que no pretende exceder el
nivel exploratorio (Lee y Peng, 2015, p. 1314). La distribución de carreras,
sexo y edad para cada término inductor se muestra en la tabla 1.
4 El código y los datos se encuentran disponibles en un repositorio de GitHub https://github.com/
gastonbecerra/trs-estructural
Edad Educación Género
Término inductor Rtas. Asoc. Media sd FCIM Human Psi SCE mujer otro varón
Big data 335 1.688 33,0 12,1 80 58 70 127 239 3 93
Inteligencia articial 255 1.290 32,7 11,2 56 38 39 122 188 3 64
Ciencia de datos 102 513 29,7 8.26 23 15 11 53 63 3 36
Conocimiento 90 465 31.1 8.99 13 14 19 44 70 1 19
Tabla 1
Información de la muestra
Nota:
Educación: FCIM: Física, computación, ingeniería, matemática; Human: humanidades; Psi: Psicología, medi-
cina y ciencias de la salud, CSE: Ciencias sociales y empresariales.

www.culturayrs.unam.mx
Casos | 97
Preprocesamiento
El preprocesamiento del corpus de respuestas consistió en varios pasos:
• los términos fueron lemmatizados (reducidos a su raíz), y se removieron
símbolos, puntos y números, asimismo también artículos y adverbios;
• se reemplazaron caracteres especiales y acentos;
• se convirtió el corpus a minúscula;
• en el caso de que la respuesta fuese una frase o varios términos, se
unieron con “_”;
• el único reemplazo que se realizó fue “gran_” por “grande_”.
Previo al preprocesamiento para todos los términos indagados, se contaba
con un vocabulario de 1945 palabras únicas, de las cuales, 1490 aparecían una
sola vez y, la más frecuente, tenía 131 repeticiones. Al terminar el preproce-
samiento, el vocabulario se redujo a 1517 palabras únicas, de las cuales, 1081
aparecían una sola vez y, la más frecuente, tenía 182 repeticiones.
Análisis
Para responder el primer conjunto de preguntas (RQ1.) se realizó un “análi-
sis prototípico” de las evocaciones, consistente en calcular, por cada término
indagado, la frecuencia y rango de evocación de las respuestas, para clasificar-
los luego en 4 segmentos que pueden ser interpretados como el núcleo de la
representación, sus elementos periféricos y dinámicos, y sus manifestaciones
Edad Educación Género
Término inductor Rtas. Asoc. Media sd FCIM Human Psi SCE mujer otro varón
Big data 335 1.688 33,0 12,1 80 58 70 127 239 3 93
Inteligencia articial 255 1.290 32,7 11,2 56 38 39 122 188 3 64
Ciencia de datos 102 513 29,7 8.26 23 15 11 53 63 3 36
Conocimiento 90 465 31.1 8.99 13 14 19 44 70 1 19
Estímulo freq_cut rank_cut min_cut dix_length
Big data 13.65 2.93 5.00 57.00
Inteligencia articial 10.82 3.06 4.00 61.00
Ciencia de datos 4.94 3.28 2.00 62.00
Conocimiento 4.31 3.09 2.00 70.00
Tabla 2
Criterios para el análisis de evocaciones
freq_cut = Valor de corte para frecuencia; rank_cut = Valor de corte para ranking;
min_cut = Frecuencia mínima; dix_length = Tamaño del diccionario

Cultura y representaciones sociales98
Año 16, núm. 31 septiembre 2021
singulares e idiosincráticas (Abric, 1993). Como criterio de corte para seg-
mentar entre los términos evocados más/menos rápido, y entre los más/menos
frecuentes, se utilizó la media (De Rosa, 2002). Este criterio no tiene consenso
en la literatura, sino que suele justificarse por la conveniencia para efectuar
análisis posteriores (Dany et al., 2014; Ferrara y Friant, 2016; Wachelke y
Wolter, 2011). También se establecieron frecuencias mínimas para cada térmi-
no buscando que el número de asociaciones incluídas en los segmentos fuese
relativamente parejo, para facilitar futuros análisis de comparación. Todo este
procedimiento, de acuerdo con Wachelke y Wolter (2011), es solo una forma
de organizar la información relativa a una evocación, una convención para
la presentación de los datos. Su finalidad es aportar una primera exploración
sobre los sentidos, sugiriendo una posible estructura, sin pretender carácter
estadístico.
Luego, para vincular y comparar las  del big data y la inteligencia artifi-
cial (RQ2), se ha calculado la similitud entre los términos evocados, usando
el índice de asociación de Ellegard (Bisconsin-Júnior et al., 2020; Doise et
al., 1993). Este índice se calcula dividiendo el número de palabras en común
entre dos diccionarios por la raíz cuadrada del producto de las palabras totales,
variando en un rango de 0 (diccionarios totalmente distintos) a 1 (dicciona-
rios idénticos). Luego, las distancias entre pares de diccionarios se analizaron
con un análisis de cluster jerárquico (, Hierarchical Cluster Analysis), uti-
lizando las distancias euclidianas. Con el fin de tener mayor base de compara-
ción, en este proceso de comparación se trabajó también con las evocaciones
de los términos “conocimiento” y “ciencias de datos”.
Para responder al tercer conjunto de preguntas (RQ3.), se calcularon las
relaciones entre palabras en el nivel de las respuestas, para luego construir un
grafo (Ferrara y Friant, 2016; Verges y Bouriche, 2001). De entre las distintas
maneras de construir estas relaciones, aquí se optó por calcular las correla-
ciones (alpha de Cronbach) entre palabras en el nivel de las respuestas, con-
siderando sólo las palabras comprendidas en los primeros 3 segmentos de la
representación, y filtrando las correlaciones negativas, para aplicar luego un
algoritmo de detección de comunidades.
Finalmente, nos interesó indagar las fuentes de consulta sobre el big data
y la inteligencia artificial, y las diferencias en las  entre participantes de
distintas carreras (RQ4.). Para lo primero, se realizó una diferencia de me-
dias entre fuentes; para lo segundo, se llevó a cabo un análisis factorial de co-

www.culturayrs.unam.mx
Casos | 99
Figura 2
Análisis prototípico para asociaciones de “big data”
Figura 3
Análisis prototípico para asociaciones de “inteligencia artificial”
rrespondencias (Husson et al., 2017) entre las palabras asociadas y la carrera
reportada por los participantes (Barreiro et al., 2014; Doise et al., 1993;
Sarrica, 2007). Este segundo análisis se realizó sobre las palabras que quedaron
dentro de los cuatro cuadrantes del análisis prototípico, y se consideraron los
grupos de carreras.

Cultura y representaciones sociales100
Año 16, núm. 31 septiembre 2021
Resultados
RQ1. Estructura de la rS del big data y la inteligencia artificial
Para explorar la estructura de la  de los objetos que nos interesan, se siguió el
procedimiento del análisis “prototípico” que resulta en una tabla con distintos
segmentos de los sentidos evocados, distinguiendo entre los más/menos fre-
cuentes y los evocados más/menos rápido. Para establecer los límites entre los
segmentos se usaron dos indicadores: la frecuencia media para su generalidad,
y la media de su accesibilidad o saliencia, entendida en términos de un rango
medio del orden de evocación. Los Gráficos 2 y 3 presentan la estructura de
la  del big data y la inteligencia artificial.5 Las líneas punteadas marcan los
puntos de corte. Así, el cuadrante inferior derecho de cada gráfico incluye las
asociaciones registradas con una frecuencia mayor y un rango por debajo de
la media (las que se evocan más rápido); en el cuadrante de arriba a la derecha
se ubican las asociaciones de alta frecuencia, con un rango de evocación por
arriba de la media; en los 2 cuadrantes de la izquierda se ubican las principales
zonas de contraste, con las asociaciones menos frecuentes. El color denota la
valoración media, en una escala de rojo (1/10) a verde (10/10). La frecuencia
tiene una transformación (log) para visualizar mejor.
En primer lugar, nos interesan las asociaciones más frecuentes y salientes.
Estas son las principales candidatas para expresar los sentidos más centrales
y consensuados de la representación. Para el caso de big data se trata de los
términos: informacion, dato, control, internet, analisis, grande, manipulacion,
base_dato, conocimiento (en orden de frecuencia decreciente). La gran mayoría
de estos términos evocados, remiten a la premisa epistémica del big data, con-
sistente en que hay grandes conjuntos de datos que pueden ser analizados para
generar información y conocimientos. Es interesante señalar que el término
grande (lemma donde convergen distintos términos, tales como grandes, mu-
cho) es el único en el núcleo que remite a las palabras con V’s. Sin embargo,
también se debe aclarar que algunas de estas ideas están presentes en varias
palabras compuestas de menor frecuencia, y que otro preprocesamiento las
podría haber puesto en un lugar más predominante. Con la excepción de con-
5 Con estas figuras se busca proponer en una alternativa visual a la tabla de cuadrantes generalmente
presentada en los análisis prototípicos (e.g., Sarrica y Wachelke, 2010, p. 321).

www.culturayrs.unam.mx
Casos | 101
trol —que es un término compartido con el mismo segmento en inteligencia
artificial— y manipulación, cuya valoración es de 2.5 y 1.5/10 respectivamen-
te, todos estos términos tienen una valoración media positiva, cercana a 8/10.
Para el caso de inteligencia artificial, los términos evocados son: robot, tecno-
logía, futuro, computadora, ciencia, control, máquina, automatización, robótico,
algoritmo, innovación, progreso, robótica (en orden de frecuencia decreciente).
El campo semántico que se puede inferir de estas palabras remite a tecnolo-
gías desarrolladas, algunas de ellas con las que interactuamos cotidianamente,
como computadora o algoritmos, aunque las más frecuentes robot, robótico, ro-
bótica pueden ubicarse antes en el imaginario popular que en la interacción
cotidiana. En este sentido, a diferencia de lo visto en big data, estos sentidos
no permiten inferir usos particulares. Y si bien la media de las valoraciones de
estos términos también es positiva, por arriba de 6.5/10, la misma es relativa-
mente más baja que la del mismo segmento para big data.
En torno al núcleo central se ubica una periferia que, de acuerdo con Abric
(1993), puede incluir sentidos más concretos y dinámicos, que adaptan los
sentidos centrales a diversos contextos, o expresan la particularidad de algún
grupo. En esta periferia se encuentran, en primer lugar, aquellas asociaciones
de alta frecuencia, pero un rango de evocación por arriba de la media (en las
Figuras 2 y 3, en el recuadro de arriba a la derecha), es decir, sentidos consen-
suados que no se evocan tan rápidamente; y en segundo lugar, aquellas de baja
frecuencia pero muy salientes, indicativas de sentidos muy significativos, aun-
que sólo para algunos grupos minoritarios de participantes. En el caso de big
data, se trata de las asociaciones tales como tecnología, privacidad e informáti-
ca, para el primer grupo, y de computadora, marketing, espionaje, poder, entre
algunas variantes de otras asociaciones más centrales ya mencionadas, como
mucha información, o grandes datos. Se pueden agrupar estas asociaciones en
dos grandes sentidos: en primer lugar, aparece la materialidad del big data, con
referencias a su infraestructura o la remisión a un sector de la economía y la
actividad laboral, con una valoración media positiva, que oscila entre 5-7/10;
en segundo lugar, aparece el principal riesgo del big data: la explotación con
fines comerciales o políticos, avasallando la privacidad hacia los datos perso-
nales. En el caso de inteligencia artificial, se trata de asociaciones como avance,
desempleo, programación y también big data, para el primer segmento, e inno-
vación, progreso, evolución para el segmento. Las valoraciones medias en estos
segmentos son mucho más altas y menos dispersas que las de big data, aunque

Cultura y representaciones sociales102
Año 16, núm. 31 septiembre 2021
no tanto como la de los objetos de contraste que hemos seleccionado (cono-
cimiento y ciencia de datos). Entre los términos más negativos se encuentra
el desempleo (y más abajo en la frecuencia, el del reemplazo). Finalmente, en el
último segmento (en las Figuras2 y 3, ubicados en el recuadro de arriba a la
izquierda) se encuentra una zona periférica de la representación que incluye
sentidos con muy poco consenso y poca significatividad, de modo que pueden
ser considerados idiosincráticos y menos interesantes para su caracterización.
RQ2. Relaciones entre la rS del big data
y la inteligencia artificial
Es claro que los fenómenos del big data y la inteligencia artificial se encuen-
tran profundamente imbricados no sólo en su historia, sino también en que
tienen una relación fluida en la retórica con que se los presenta. Como señalan
Elish y Boyd (2018), algunos actores en la industria tecnológica suelen usar
un término o el otro, de acuerdo con el nivel de entusiasmo que generen en
el público. No debería entonces asombrarnos que en la  del big data y la
inteligencia artificial encontremos al otro en su periferia: big data se encuentra
en el segundo segmento de las asociaciones de inteligencia artificial, y éste se
encuentra en el cuarto segmento de big data. También comparten algunos de
sus sentidos más consensuados, y si observamos las diferentes posiciones que
ocupan, se puede inferir una posible clave para relacionarlos: elementos cen-
trales de la representación del big data, especialmente las que se pueden inferir
que remiten a su dimensión epistémica, como información, internet o conoci-
miento, que se corresponden con sentidos en la periferia de inteligencia artifi-
cial; en contraparte, asociaciones centrales de inteligencia artificial, relativas a
su infraestructura, como tecnología y computadora, se ubican en la periferia del
big data. Más interesante, puede observarse que comparten a control en cada
núcleo, lo que sugiere que la relación entre ambos está teñida de suspicacia.
Para aclarar más el campo de sentidos que quedan involucrados en torno
al big data y la inteligencia artificial, se puede recurrir a una comparación con
las  de otros dos objetos de interés: el conocimiento y la ciencia de datos
(Figura 4). Si se calcula la distancia entre los diccionarios compuestos por los 3
primeros segmentos de cada representación, se observa (Figura5) que big data
y ciencia de datos se encuentran muy cercanas, en tanto comparten gran parte

www.culturayrs.unam.mx
Casos | 103
de los sentidos; que en términos relativos les sigue inteligencia artificial; y que
conocimiento presenta una mayor diferencia con el resto. Esto permite conje-
turar que, si bien, la posibilidad de dar lugar a un conocimiento novedoso es
un elemento central de la retórica tanto del big data como de la inteligencia
artificial, este sentido no es equivalente a la  del conocimiento, el cual pre-
Big data IA
Término Ranking Segmento Ranking Segmento
información 1 1 23 3
control 3 1 6 1
internet 4 1 19 3
conocimiento 9 1 24 3
tecnología 10 2 2 1
computadora 14 3 4 1
innovación 28 3 11 1
Tabla 3
Términos compartidos en las asociaciones entre “Big data”
e “Inteligencia artificial”
Figura 4
Análisis prototípico para asociaciones
de “Ciencia de datos” (izq.) y “Conocimiento” (der.).

Cultura y representaciones sociales104
Año 16, núm. 31 septiembre 2021
senta varios elementos que las anteriores no contienen, como la referencia al
saber, poder, libro, cultura, ignorancia y, comparativamente, tampoco presenta
elementos de valoración baja o negativa en su núcleo. Por otro lado, si bien
es claro que big data e inteligencia artificial tienen sentidos complementarios,
la dimensión del análisis, investigación y/o extracción de conocimiento es más
presente en la primera que en la segunda, lo que confirma un poco más la
inespecifidad, o la falta de un objetivo claro para la inteligencia artificial, más
allá del control.
RQ3. Temas en la rS del big data y la inteligencia artificial
Los análisis anteriores, tributarios del modelo estructural, son útiles para ge-
nerar hipótesis en torno a una organización jerárquica de la , pero requieren
de subsiguientes análisis para aclarar las relaciones entre sí de los sentidos. Por
ello, aquí hemos calculado las asociaciones entre palabras, y observar cómo se
juntan en las respuestas, y estas asociaciones construyen un grafo. Luego, se
detectan comunidades automáticamente con un algoritmo de detección de
comunidades. Las Figuras 6 y 7 reflejan estas relaciones: el color de los puntos
denota el grupo de términos, mientras que su grosor denota el grado de aso-
ciación entre los términos, y el color denota la comunidad o grupo.
Figura 5
Distancia entre los diccionarios de asociaciones

www.culturayrs.unam.mx
Casos | 105
Figura 6
Relaciones entre evocaciones de “big data”
Figura 7
Relaciones entre evocaciones de “inteligencia artificial”
Al considerar estas correlaciones entre sentidos evocados en torno a big data,
se puede sugerir que hay 2 grandes posibles temas: un primer tema está marcado
por el primer grupo de correlaciones más fuertes, que se corresponden con una
definición básica del big data, donde prácticamente no excede a la traducción
de dicho término, y que vincula a datos e información con nociones de volúme-
nes, tales como grande, mucho, o importante; en el mismo sentido se encuentra
otro grupo que incluye a muchos datos, bases de datos, mucha información, pero
también a manipulación; junto a estos, un tercer grupo incluye a grandes datos
junto a nociones de informática y estadística; luego, hay un segundo tema con

Cultura y representaciones sociales106
Año 16, núm. 31 septiembre 2021
Big data IA
Carrera Cursos Diarios Formación Sitios Cursos Diarios Formación Sitios
Física, comput. e ingeniería 0.47% 0.39% 0.46% 0.65% 0.55% 0.30% 0.41% 0.57%
Humanidades 0.36% 0.34% 0.41% 0.60% 0.42% 0.53% 0.21% 0.74%
Psicología y medicina 0.29% 0.43% 0.30% 0.51% 0.38% 0.64% 0.28% 0.49%
Sociales y empresariales 0.50% 0.43% 0.40% 0.56% 0.50% 0.57% 0.29% 0.67%
Tabla 4
Fuentes de consulta
términos fuertemente correlacionados, mayormente vinculados con los peligros
del big data: control, marketing, espionaje, poder y complejidad. Los sentidos da-
dos a inteligencia artificial se correlacionan en menor grado, pero entre mayor
número de elementos, dando grupos con menos definición. Sin embargo,
pueden diferenciarse algunos temas: uno de ellos incluye términos relaciona-
dos con los usos posibles y sus consecuencias sociales, como desempleo, edu-
cación, innovación, ciencia, o evolución, progreso, mente, aprendizaje; otro
tema, más cercano a la computación y la robótica, y a modos de implementar
o instanciar la inteligencia artificial, sin referencia a un uso social particular,
como red neuronal o algoritmo, y que incluye también algunas menciones
vinculadas con el riesgo, como peligro, skynet, o control.
RQ4. Fuentes de difusión y consulta
del big data y la inteligencia artificial
Finalmente, nos interesa indagar acerca de las fuentes que los participantes utili-
zan para informarse sobre nuestros objetos de interés. Con respecto a las fuentes,
la Tabla 4 nos muestra algunas particularidades: los participantes consultan ma-
yormente sitios web, sin distinción de carreras de origen; los que más reportan
haberse formado dentro de su carrera sobre estos temas son los que provienen
de Física, computación e ingeniería; en el espacio de la formación dentro de
las carreras, el big data parece haberse insertado con mucho más peso que la
inteligencia artificial, a pesar de que esta última es un campo transdiciplinar
de las ciencias con una larga tradición; quienes más se informan por medio de

www.culturayrs.unam.mx
Casos | 107
Figura 8
Análisis factorial de fuentes para “big data”
Figura 9
Análisis factorial de fuentes para “Inteligencia artificial”

Cultura y representaciones sociales108
Año 16, núm. 31 septiembre 2021
diarios y noticias son los estudiantes de psicología, medicina y ciencias de la
salud; los estudiantes y graduados de ciencias sociales y negocios, son quienes
más reportan la realización de cursos sobre big data e inteligencia artificial,
presumiblemente para complementar su formación profesional frente a la
irrupción de estas tecnologías en las áreas de competencia laboral.
Luego, una forma posible de indagar la incidencia de estos medios en la 
es mediante un análisis de correspondencia que permita representar en forma
simultánea los términos y los grupos de carrera (Figuras 8 y 9). Para esto se
redujeron los datos de cada representación a dos ejes factoriales que cubren
cerca de 70-80 % de la varianza. Sin embargo, en tanto esta técnica busca ex-
plorar posicionamientos diferenciales relativos, los resultados solo pueden ser
tomados como posibles indicios de significaciones a explorar con otros méto-
dos. Puntualmente, se observa: que los estudiantes y graduados de psicología
y otras ciencias de la salud crean mayor foco en las consecuencias más amplias,
como el control y marketing para big data, y el reemplazo de la humanidad, o la
evolución para la inteligencia artificial; que los estudiantes y graduados de hu-
manidades, ponen el foco en problemáticas como privacidad, desempleo, además
de identificar factores (tecnológicos) del desarrollo de ambas, como los celulares,
internet o (tecnologías en la) nube; que los estudiantes y graduados de física, com-
putación e ingeniería, vinculan explícitamente big data e inteligencia artificial,
junto con otras nociones informáticas, pero sin dejar de señalar peligros como
la manipulación; y finalmente, que los estudiantes y graduados de ciencias so-
ciales y negocios constituyen el mayor grupo en nuestra población, de modo
que sus posiciones son más cercanas al sentido común relevado.
Conclusiones
En este trabajo se buscó aportar una mirada crítica del big data y la inteligen-
cia artificial, a través de la exploración de sus sentidos sociales, entendiendo
que éstos condicionan la problematización de los grupos sociales, así como sus
expectativas, demandas y reparos. Para ello, se administra una encuesta con
una técnica de asociación de palabras o evocaciones, que se ha interpretado
siguiendo el modelo estructural de la .
En nuestra RQ1. se pregunta por el contenido y la organización de estas 
y sus valoraciones y actitudes asociadas, y en RQ2. el interés está en indagar

www.culturayrs.unam.mx
Casos | 109
sobre las relaciones entre estas ideas evocadas. Según los resultados obtenidos,
el núcleo central de la  del big data discurre en sentidos vinculados con la
información y los datos, así como los de inteligencia artificial se centran en
la figura del robot y la tecnología. En ambos casos se trata de ideas abstrac-
tas, valoradas positivamente. Estos sentidos conviven con otros que remiten
al campo del conocimiento y la ciencia, también con valoraciones positivas;
otros, advierten peligros y riesgos, con valoraciones muy negativas. Entre los
sentidos positivos redundan aquellos que remiten tanto a las imágenes del
fenómeno como a su proyección: así los datos y los robots conviven con pro-
mesas de información, conocimiento y futuro. En otro estudio, limitado al big
data (Becerra, 2021), nos referimos a estos componentes como la “premisa”
y la “promesa”, señalando que ambos son profundamente cuestionables, en
tanto, e.g., la idea de la gran disponibilidad de datos del big data esconde que
estos datos son propietarios y que presentan un acceso muy desigual (Andre-
jevic, 2014).
Por otro lado, entre las ideas más negativas destaca la del control, que
vincula ambos fenómenos en un posible escenario distópico, donde nuestra
información personal no está a disposición nuestra, sino que es utilizada en
contra de nuestros intereses, limitando incluso nuestro rango de acción polí-
tica (Helbgling et al., 2019). Esta mirada crítica del big data y los desarrollos
con inteligencia artificial —especialmente, los algoritmos sociales— ha empe-
zado a aparecer en la discusión pública a partir de casos como el Cambridge
Analytica, y se ha reflejado en documentales y series de consumo masivo,
como The social dilemma o The big hack. Sin embargo, este componente crí-
tico en la  del big data y la inteligencia artificial parece estar limitada a
expresar el peligro, sin identificar actores sociales o intereses. Incluso, en los
sentidos más concretos, donde se tematiza explícitamente a la tecnología, a
la infraestructura material, o a la industria, no hay referencias a empresas o a
servicios, buscando generar valor con big data e inteligencia artificial. Sólo hay
una referencia al marketing y la publicidad en la periferia del big data, donde
se asigna un valor negativo. Luego, en las áreas periféricas se observan sentidos
subalternos que concretizan estas nociones generales, como indica la , pre-
sumiblemente por remitir a las representaciones de grupos particulares. Son
estos sentidos los que se equiparan a la infraestructura y las áreas de aplicación
(e.g., comercial), y también a los problemas sociales más concretos (e.g., el
avasallamiento sobre la privacidad y el desempleo por la automatización).

Cultura y representaciones sociales110
Año 16, núm. 31 septiembre 2021
Los análisis de correlación de la RQ3. permiten confirmar algunas de estas
inferencias en cuanto a la manera de vincular estos sentidos: se encuentran
definiciones básicas, casi literales, que refieren a datos y robots y los ubican en
la tecnología; se tienen áreas de aplicación y los problemas (sociales) que allí
podrían desencadenar; existe un discurso crítico que alerta riesgos en torno
al control, especialmente el social; y hay nociones tecnológicas y referencias
a otros desarrollos, así como a los valores de futuro e innovación, que dan
la pauta de que estos fenómenos son parte de un conjunto más amplio. Los
análisis realizados en RQ4. apuntaron a buscar posicionamientos particulares,
considerando las carreras de orígen de los participantes, y explorando si acaso
estos distintos contexto disciplinares y profesionales ofrecen posicionamientos
propios. El desbalance en la muestra no nos permite generalizar una tenden-
cia, no obstante, pareciera que estos temas señalados no son exclusivos de
ningún grupo, sino que más bien hay un sentido común genérico, abierto a
distintos anclajes, que no necesariamente son antagónicos, y donde convive
una narrativa positiva con una crítica.
En conclusión, una mirada crítica de los fenómenos del big data y la inte-
ligencia artificial, que pusiera el foco en sus sentidos sociales, parece enfren-
tarnos a desarrollos sociales y tecnológicos con mecanismos abstractos que
tienen una gran capacidad de transformación, aunque no se identifique un
objetivo particular en su explotación, lo cual sugiere las marcas de un discurso
meramente promocional (Elish y Boyd, 2018). Al respecto, Zuboff (2019)
ha sugerido que esto es posible porque las transformaciones recientes en el
capitalismo no apuntan a inculcarnos ningún ethos, sino a automatizar nues-
tros comportamientos por sobre cualquier nivel de consciencia o voluntad. La
sensación de peligro o amenaza de control social es parte central de las  del
big data y de la inteligencia artificial, balanceando el discurso promocional,
aunque se debe enfatizar que no se identifican agentes sociales detrás de estos
mecanismos. Se podría conjeturar, siguiendo a Srnicek (2018), que esta falta
de conciencia acerca del rol de las corporaciones de la economía de platafor-
mas, que extraen y procesan big data, y que explotan algoritmos (sociales) de
inteligencia artificial para potenciar el engagement de los usuarios, se debe a su
particular manera de combinar ubicuidad e invisibilidad: se presentan como
meros intermediarios entre tipos de usuarios cuando, por su rol y arquitectura,
controlan la interacción entre ellos y los someten a prácticas monopólicas. Si
nuestra interpretación es correcta, es tarea de las ciencias sociales y de los estu-

www.culturayrs.unam.mx
Casos | 111
dios críticos del big data y la inteligencia artificial, desentrañar los mecanismos
que lograron esta configuración.
Los resultados aquí presentados reflejaron una primera exploración de la
 del big data y la inteligencia artificial que requiere de futuras investigacio-
nes. Entre las limitaciones de nuestro estudio se debe señalar la naturaleza de
la muestra con la que se ha trabajado y su composición desbalanceada entre
las carreras. Un análisis más profundo de los posicionamientos diferenciales
de los distintos grupos sociales necesitará un diseño que contemple estas limi-
taciones. Luego, otras limitaciones propias del enfoque estructural de las 
y de la técnica de asociación de palabras o evocaciones, nos comprometen a
complementar estas exploraciones con otros diseños metodológicos, cualitati-
vos y de análisis de contenido.
Referencias
Abric, J. -C. (1993). Central System, Peripheral System: Their functions and
roles in the dynamics of social representations. Papers on Social Repre-
sentations, 2(2), 75-78.
Abric, J.-C. (2001). Prácticas sociales y representaciones. Presses Universitaires.
Andrejevic, M. (2014). The big data divide. International Journal of Commu-
nication, 8(1), 1673-1689. https://doi.org/1932–8036/20140005
Barreiro, A., Gaudio, G., Mayor, J., Santellan-Fernández, R., Sarti, D., y Sar-
ti, M. (2014). La justicia como representación social: Difusión y posi-
cionamientos diferenciales. Revista de Psicologia Social, 29(2), 319–345.
https://doi.org/10.1080/02134748.2014.918821
Becerra, G. (2018). Interpelaciones entre el Big data y la Teoría de los siste-
mas sociales. Propuestas para un programa de investigación. Hipertextos,
6(9), 41-62. http://revistahipertextos.org/ediciones/hipertextos-no-9/
Becerra, G. (2021). The promise and the premise: How digital media present
big data. First Monday, 26(9). https://doi.org/https://doi.org/10.5210/
fm.v26i9.10539
Becerra, G., y Alurralde, J. P. L. (2017). Big data y Data mining. Un análisis
crítico acerca de su significación para las ciencias psicosociales a partir
de un estudio de caso. psocial 3(2), 66–85. http://publicaciones.socia-
les.uba.ar/index.php/psicologiasocial/article/view/2610

Cultura y representaciones sociales112
Año 16, núm. 31 septiembre 2021
Bisconsin-Júnior, A., Rodrigues, H., Behrens, J. H., Lima, V. S., Silva, M. A.
A. P. da, Oliveira, M. S. R. de, Januário, L. A., Deliza, R., Netto, F. M.,
y Mariutti, L. R. B. (2020). Examining the role of regional culture and
geographical distances on the representation of unfamiliar foods in a
continental-size country. Food Quality and Preference, 79(August 2019),
103779. https://doi.org/10.1016/j.foodqual.2019.103779
Boyd, D., y Crawford, K. (2012). Critical Questions for Big Data. Informa-
tion, Communication & Society, 15(5), 662-679.
Dany, L., Urdapilleta, I., y Lo Monaco, G. (2014). Free associations and so-
cial representations: some reflections on rank-frequency and importan-
ce-frequency methods. Quality and Quantity, 49(2), 489–507. https://
doi.org/10.1007/s11135-014-0005-z
De Mauro, A., Greco, M., y Grimaldi, M. (2015). What is big data? A con-
sensual definition and a review of key research topics. aip Conference
Proceedings, 1644, 97-104. https://doi.org/10.1063/1.4907823
De Rosa, A. S. (2002). The associative network: a technique for detecting
structure, contents, polarity and stereotyping indexes of the semantic
fields. European Review of Applied Psychology, 52(3-4), 181-200.
Diebold, F. X. (2012). The Origin(s) and development of “ Big Data ”: the
phenomenon, the term, and the discipline. Penn Economics Working Pa-
per, 12. https://doi.org/10.2139/ssrn.2202843
Dijck, J. van. (2014). Datafication, dataism and dataveillance: Big data be-
tween scientific paradigm and ideology. Surveillance and Society, 12(2),
197-208.
Doise, W., Clemence, A., y Lorenzi-Cioldi, F. (1993). The Quantitative Analy-
sis of Social Representations. Harverster Wheatshead.
Elish, M. C., y Boyd, D. (2018). Situating methods in the magic of Big Data
and AI. Communication Monographs, 85(1), 57-80. https://doi.org/10.
1080/03637751.2017.1375130
Fast, E., y Horvitz, E. (2016). Long-Term Trends in the Public Perception of
Artificial Intelligence. January 1986. http://arxiv.org/abs/1609.04904
Favaretto, M., de Clercq, E., Schneble, C. O., y Elger, B. S. (2020). What is
your definition of Big Data? Researchers’ understanding of the pheno-
menon of the decade. PLoS ONE, 15(2), 1–20. https://doi.org/10.1371/
journal.pone.0228987

www.culturayrs.unam.mx
Casos | 113
Ferrara, M., y Friant, N. (2016). The application of a multi-methodology
approach to a corpus of social representations. Quality and Quantity,
50(3), 1253-1271. https://doi.org/10.1007/s11135-015-0203-3
Franklin, S. (2014). History, motivations, and core themes. En K. Frankish &
Wi. M. Ramsey (Eds.), The Cambridge Handbook of artificial intelligen-
ce. Cambridge University Press.
Helbing, D., Frey, B. S., Gigerenzer, G., Hafen, E., Hagner, M., Hofstetter,
Y., Hoven, J. van den, Zicari, R. V., y Zwitter, A. (2019). Will Demo-
cracy Survive Big Data and Artificial Intelligence? In Towards digital
enlightenment (pp. 73-98). Springer International Publishing. https://
doi.org/10.1007/978-3-319-90869-4_7
Hunter, L. A. C. (1993). AI and representation: A study of a rhetorical context
for legitimacy. AI and Society. https://doi.org/10.1007/BF01901816
Husson, F., Lê, S., y Pagès, J. (2017). Exploratory multivariate analysis by
example using R (Vol. 39).  Press. https://doi.org/10.1080/026647
63.2012.657409
Iliadis, A., y Russo, F. (2016). Critical data studies: An introduction. Big
Data & Society, 3(2), 205395171667423. https://doi.org/10.1177
/2053951716674238
Jodelet, D. (1985). La representación social: fenómenos, conceptos y teoría.
In S. Moscovici (Ed.), Psicología social ii (pp. 17-40). Paidós.
Kitchin, R. (2014). Big Data, new epistemologies and paradigm
shifts. Big Data & Society, 1(1). http://journals.sagepub.com/
doi/10.1177/2053951714528481
Kitchin, R. (2021). Data Lives. How data are made and shape our world. Bris-
tol University Press.
Lanier, J., y Weyl, G. (2020).  is an Ideology, Not a Technology. Wired, 1-9.
https://www.wired.com/story/opinion-ai-is-an-ideology-not-a-tech
nology/
Le, S., Josse, J., y Husson, F. (2008). FactoMineR: An R Package for Multiva-
riate Analysis. Journal of Statistical Software, 25(1).
Leek, J. T., y Peng, R. D. (2015). What is the question? Science, 347(6228),
1314-1315. https://doi.org/10.1126/science.aaa6146
Marková, I. (2017). The making of the theory of social representations. Ca-
dernos Da Pesquisa, 47(163), 358–374.
Moscovici, S. (1979). El psicoanálisis, su imagen y su público. Huemul.

Cultura y representaciones sociales114
Año 16, núm. 31 septiembre 2021
O’Neil, C. (2016). Weapons of math destruction. Crown/Archetype.
Paganoni, M. C. (2019). Framing big data : a linguistic and discursive approach.
palgrave macmillan.
Pentzold, C., y Fischer, C. (2017). Framing Big Data: The discursive cons-
truction of a radio cell query in Germany. Big Data & Society, 4(2).
https://doi.org/10.1177/2053951717745897
Pickering, A. (2010). The cybernetic brain. Sketches of another future. The Uni-
versity of Chicago.
Piçarra, N., Giger, J.-C., Pochwatko, G., y Gonçalves, G. (2016). Making
sense of social robots: A structural analysis of the layperson’s social re-
presentation of robots. Revue Européenne de Psychologie Appliquée, 66(6),
277–289. https://doi.org/10.1016/j.erap.2016.07.001
Portmess, L., y Tower, S. (2015). Data barns, ambient intelligence and cloud
computing: the tacit epistemology and linguistic representation of
Big Data. Ethics and Information Technology, 17(1), 1-9. https://doi.
org/10.1007/s10676-014-9357-2
Puschmann, C., y Burgess, J. (2014). Metaphors of Big Data. International
Journal of Communication, 8, 1690-1709.
Ratinaud, P. (2009). IRaMuTeQ: interface de R pour les analyses multidimen-
sionnelles de textes et de questionnaires [software]. http://www.iramuteq.
org
Rijmenam, M. van. (2014). Think bigger. American Management Associa-
tion.
Sadin, É. (2018). La inteligencia artificial o el desafío del siglo. Anatomía de un
antihumanismo radical. Caja Negra.
Sadowski, J. (2019). When data is capital: Datafication, accumulation,
and extraction. Big Data and Society, 6(1), 1-12. https://doi.org
/10.1177/2053951718820549
Sampieri, R., Collado C. y Lucio, P. (2006). Metodología de la Investigación.
McGraw-Hill
Sarrica, M. (2007). War and peace as social representations’ cues of struc-
tural stability. Peace and Conflict, 13(3), 251-272. https://doi.
org/10.1080/10781910701471298
Schmarzo, B. (2013). Big data. Understanding how data powers big business.
Wiley.

www.culturayrs.unam.mx
Casos | 115
Segun, S. T. (2021). Critically engaging the ethics of AI for a global au-
dience. Ethics and Information Technology, 23(2), 99-105. https://doi.
org/10.1007/s10676-020-09570-y
Srnicek, N. (2018). Capitalismo de plataformas. Caja Negra.
Szollosy, M. (2017). Freud, Frankenstein and our fear of robots: projection in
our cultural perception of technology. AI and Society, 32(3), 433-439.
https://doi.org/10.1007/s00146-016-0654-7
Team R Core. (2018). R: A language and environment for statistical computing.
R Foundation for Statistical Computing. https://www.r-project.org/
Turing, A. (1950). Computing machinery and intelligence. Mind, LIX(236),
433-460. https://doi.org/10.1093/mind/LIX.236.433
Verges, P., y Bouriche, B. (2001). Data analysis by the similarity graphs. Scien-
ces Humaines. https://www.scienceshumaines.com/textesInedits/Bouri-
che.pdf
Wachelke, J. .., y Wolter, R. .. P. .. (2011). Critérios de construção e rela-
to da análise prototípica para representações sociais. Psicologia: Teo-
ria E Pesquisa, 24(4), 521-526. https://doi.org/10.1590/S0102-3772
2011000400017
Wagner, W., y Hayes, N. (2011). El discurso de lo cotidiano y el sentido común.
La teoría de las representaciones sociales. Anthropos.
Wickham, H. (2019). Welcome to the tidyverse. Journal of Open Source Sof-
tware, 4(43). https://doi.org/https://doi.org/10.21105/joss.01686
Zdenek, S. (2003). Artificial intelligence as a discursive practice: The case of
embodied software agent systems. AI and Society, 17(3-4), 340-363.
https://doi.org/10.1007/s00146-003-0284-8
Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.