Dirigido a:

• Estudiantes de licenciatura (en los últimos semestres) y/o posgrado en Ciencia Política, Sociología, Administración Pública, Relaciones Internacionales, Ciencias de la Comunicación, Antropología Social, Psicología y áreas afines.
• Profesionales de las ciencias sociales interesados en ampliar sus competencias en análisis de datos, inteligencia artificial y metodologías innovadoras de investigación.
• Personas de otras áreas que deseen aprender a aplicar herramientas de IA y ciencia de datos en proyectos de investigación, sin necesidad de conocimientos previos de programación.

Observaciones:

• No se requieren conocimientos previos de programación ni de inteligencia artificial.
• Es recomendable contar con equipo de cómputo personal (laptop o PC) con conexión estable a internet.
  Algunas herramientas empleadas son de acceso libre o gratuitas, pero se sugiere disposición para instalar programas adicionales (ej. Zotero, JASP, Looker Studio, Knime, etc).
• Parte de la bibliografía y las plataformas de Inteligencia Artificial (IA) están en inglés, por lo que se recomienda nivel de lectura básico-intermedio.
• El diplomado se impartirá de manera semanal (sábados por la mañana), para facilitar la participación de estudiantes y profesionales que laboran entre semana.
• Se fomentará la participación activa y la colaboración en proyectos prácticos
• La única manera de obtener tu certificado de finalización es mediante la aprobación del un proyecto final.

Perfil de egreso:

• Identificar oportunidades y limitaciones de las tecnologías de IA aplicadas a las ciencias sociales.
• Seleccionar y aplicar herramientas de IA apropiadas para distintas etapas de la investigación social.
• Analizar datos de redes sociales y grandes volúmenes de información utilizando plataformas low-code.
• Detectar patrones, tendencias y sentimientos en datos no estructurados.
• Visualizar datos complejos de manera efectiva para comunicar hallazgos.
• Evaluar críticamente las implicaciones éticas del uso de IA en investigación social.
• Implementar flujos de trabajo que integren herramientas de IA en proyectos de investigación.
• Crear dashboards interactivos para presentar resultados de investigación.
• Aplicar técnicas de verificación de información y detección de fake news.

Criterios de evaluación

• Para tener derecho a la evaluación es necesario que la persona cumpla con asistencia mínima al 80 % de las sesiones, por lo tanto, no podrá ser considerada como un elemento con valor porcentual.
• Para acreditar la actividad se requiere obtener promedio mínimo de 80 puntos de calificación final. Asimismo, las y los estudiantes deberán aprobar cada una de las evaluaciones parciales.
• Se aplicarán evaluaciones modulares al término de cada módulo.
• Se realizará un proyecto integrador final que articule conocimientos de todos los módulos.
• Valor porcentual asignado a cada actividad evaluada.
  
  • Entregas modulares. (proyectos parciales al finalizar cada módulo 50%)
  • Proyecto integrador final. (proyecto de alto impacto que integra que resalta las habilidades y competencias que adquiere el alumno durante el diplomado 50%)
• Fechas y términos de entrega de cada actividad a evaluar:
  
  • Cada módulo concluirá con una entrega parcial del proyecto final.
  • El proyecto integrador final se entregará en la penúltima sesión para su revisión, evaluación y retroalimentación por parte de los expertos.
  • El proyecto se presentará y se evaluará en la sesión de cierre del diplomado.
• Las personas que tomen esta actividad con Opción de titulación deberán cumplir con todos los requisitos que les soliciten las entidades colegiadas correspondientes.

Módulo 1. Fundamentos de IA para Ciencias Sociales
Módulo 2. Herramientas de IA para búsqueda y Revisión de Literatura
Módulo 3. Análisis de Datos con Herramientas LowC Code / No Code.
Módulo 4. Análisis de Redes Sociales y Opinión Pública.
Módulo 5. Detección de Fake News y Verificación con IA.
Módulo 6. Visualización de Datos y Storytelling para Ciencias Sociales.
Módulo 7. IA Generativa para Investigación Social.
Módulo 8. Proyecto Integrador.

Módulo 1. Fundamentos de IA para Ciencias Sociales. (40 horas).

Objetivos específicos:

• Comprender los conceptos básicos de la Inteligencia Artificial y su evolución.
• Reconocer aplicaciones y limitaciones de la IA en la investigación social.
• Identificar los principales desafíos éticos asociados al uso de IA.

Temas a revisar

• Introducción a la Inteligencia Artificial.
  • Conceptos básicos, historia y evolución.
  • Tipos de IA: débil vs. fuerte, estrecha vs. general.
  • Ecosistema actual de la IA.
• IA en Ciencias Sociales.
  • Aplicaciones actuales y transformación de métodos tradicionales.
  • Oportunidades y desafíos para investigadores.
  • Casos de éxito y lecciones aprendidas.
• Fundamentos técnicos (sin programación).
  • Algoritmos, datos y entrenamiento.
  • Machine Learning, Deep Learning y NLP: conceptos generales.
  • IA generativa: fundamentos y aplicaciones.
  • Datos estructurados y no estructurados.
• Consideraciones éticas y sesgos en IA.
  • Sesgos algorítmicos y su impacto.
  • Privacidad y protección de datos.
  • Marcos éticos en investigación social con IA.

Evaluación modular: Ensayo corto (3–4 cuartillas) o presentación grupal donde se analice un caso real de aplicación de IA en ciencias sociales, identificando oportunidades, limitaciones y riesgos éticos.

Porcentajes:

• Claridad conceptual 30%.
• Pertinencia del caso 30%
• Presentación 40%.

Módulo 2. Herramientas de IA para Búsqueda y Revisión de Literatura. (30 horas). 

Objetivos específicos:

• Optimizar la búsqueda de literatura científica mediante motores académicos potenciados con IA.
• Gestionar y organizar información científica con herramientas digitales low-code.
• Utilizar IA para síntesis, resúmenes y paráfrasis de textos académicos.
• Desarrollar criterios de evaluación crítica de fuentes y aplicar fact-checking en la revisión de literatura.

Temas a revisar

• Motores de búsqueda académica potenciados por IA.
  • Herramientas de búsqueda inteligente.
  • Estrategias de búsqueda optimizadas con IA.
• Gestión y análisis de literatura científica.
  • Uso de Zotero y extensiones de IA.
  • Herramientas de análisis de citaciones.
  • Mapas de conocimiento y redes de investigación.
• Herramientas de síntesis y resumen.
  • Técnicas de análisis de artículos.
  • ChatGPT para resúmenes y paráfrasis.
  • Comprensión de documentos técnicos.
  • Apoyo en escritura académica.
• Verificación de información y evaluación de fuentes.
  • Criterios para evaluar credibilidad de fuentes.
  • Detección de predatory journals con IA.
  • Herramientas para fact-checking.
  • Validación cruzada de información.

Evaluación modular: Elaboración de un mapa (mapeo) de literatura en el área de interés del estudiante utilizando Zotero y herramientas de IA (mínimo 15 fuentes organizadas con análisis breve de pertinencia).

Porcentajes:

• Pertinencia de las fuentes seleccionadas 20%.
• Organización de referencias 20%
• Uso de herramientas de IA para síntesis/resumen 20%
• Claridad de la presentación del mapa de literatura 40%

Módulo 3. Análisis de Datos Sociales con Herramientas Low Code/No Code (40 horas) 

Objetivos específicos:

• Comprender los fundamentos del análisis de datos aplicados a la investigación social.
• Manejar herramientas low-code para análisis cuantitativo y cualitativo sin necesidad de programación avanzada.
• Preparar, limpiar y transformar datasets para su posterior análisis.
• Interpretar de manera crítica los resultados estadísticos y cualitativos.

Temas a revisar

• Fundamentos de análisis de datos para investigación social.
  • Tipos de datos en ciencias sociales.
  • Niveles de medición y su importancia.
  • Muestreo y representatividad.
  • Preparación de datos para análisis.
• Herramientas low-code para análisis cuantitativo.
  • Google Sheets y complementos de análisis.
• LibreOffice Calc para estadística (open source).
• JASP como alternativa gratuita a SPSS.
• Orange Data Mining para análisis visual.
• Interpretación de resultados estadísticos.
• Herramientas low-code para análisis cualitativo.
  
• Codificación cualitativa.
  • Análisis textual.
  • Análisis de contenido.
  • Integración con herramientas de IA para pre-codificación.
• Limpieza y transformación de datos sin código.
• Técnicas de limpieza de datos.
• Transformación de datos.
• Detección de valores atípicos.
• Preparación de datasets para análisis posterior.

Evaluación modular: Actividad: Análisis de un dataset social (cuantitativo o cualitativo) utilizando al menos una herramienta cuantitativa y/o una cualitativa low-code/no-code, con entrega de un breve informe de resultados.

Porcentajes:

• Selección y justificación del datasets 20%.
• Limpieza y preparación de datos 20%
• Uso correcto de herramientas lowcode/nocode 20%
• Claridad en la interpretación y comunicación de resultados 40%

Módulo 4. Análisis de Redes Sociales y Opinión Pública (40 horas)

Objetivos específicos:

• Diseñar estrategias de social listening para fenómenos sociales y políticos.
• Extraer y organizar datos de plataformas y medios digitales con herramientas accesibles.
• Aplicar análisis de sentimiento, detección de tendencias y lectura crítica de resultados.
• Analizar y visualizar redes/comunidades, interpretando métricas clave y consideraciones éticas.

Temas a revisar

• Fundamentos del social listening
  • Conceptos clave y alcances en investigación social.
  • Métricas relevantes para análisis social.
  • Diseño de estrategias de monitoreo.
  • Consideraciones éticas y legales.
• Herramientas para extracción y análisis de redes sociales.
• Social Searcher para análisis de menciones (gratuito).
• SocialBlade para análisis de tendencias (gratuito).
• Análisis de medios. 
• Análisis de sentimiento y opinión pública
  • Análisis de sentimiento
  • Interfaces de análisis emocional
  • Detección de tendencias y patrones
  • Interpretación de resultados
• Visualización de redes y comunidades.
• Análisis y visualización de redes.
• Mapas de sistemas complejos.
• Interpretación de métricas de redes sociales
  (Contenido basado en el temario del diplomado).

Evaluación modular: Realizar un análisis de sentimiento y tendencias en redes sociales de un tema a elección del estudiante.

Entregable: Reporte o presentación breve con métricas y del sentimiento o tendencia del fenómeno estudiando en redes sociales.

Porcentajes:

• Selección y justificación del tema 20%
• Análisis del sentimiento/tendencia 20%
• Visualizaciones claras de métricas 30%
• Claridad en la interpretación de los resultados 30%

Módulo 5. Detección de Fake News y Verificación con AI 0 (30 horas)

Objetivos específicos:

• Comprender el fenómeno de la desinformación y sus efectos en la opinión pública y la democracia.
• Conocer herramientas de fact-checking y verificación de contenidos digitales (texto, imágenes y video).
• Aplicar metodologías asistidas por IA para validar información y detectar fake news.
• Identificar sesgos, narrativas manipuladas y campañas de desinformación coordinadas.

Temas a revisar

• Introducción al fenómeno de la desinformación.
  • Tipología de fake news y desinformación.
  • Impacto en la opinión pública y democracia.
  • Mecanismos de propagación en redes sociales.
  • Desafíos actuales en la verificación.
• Herramientas de fact-checking y verificación.
• Plataformas oficiales de fact-checking.
• InVID para verificación de videos.
• TinEye y Google Lens para verificación de imágenes.
• Herramientas de IA para detección de deep fakes.
• Metodologías de verificación asistida por IA
  • SIFT (Stop, Investigate, Find, Trace).
  • Triangulación de fuentes con IA.
  • Verificación cruzada de información.
  • Desarrollo de protocolos de verificación.
• Detección de manipulación y análisis de narrativas.
• Análisis de discurso con herramientas de IA.
• Detección de sesgos y propaganda.
• Identificación de campañas coordinadas.
• Monitoreo de polarización en debates públicos.

Evaluación modular:  Análisis de una noticia viral. Los estudiantes deberán verificar su autenticidad utilizando al menos dos herramientas de fact-checking y una metodología de verificación asistida por IA.

Entregable: Informe breve con evidencias de la verificación, conclusiones y limitaciones del análisis.

Porcentajes:

• Identificación y justificación del tema 20%.
• Aplicación de herramientas de verificación 20%
• Metodología y análisis 30%.
• Claridad en la interpretación de los resultados 30%

Módulo 6. Visualización de Datos y Storytelling para Ciencias Sociales (30 horas)

Objetivos específicos:

• Comprender los principios de la visualización de datos aplicada a la investigación social.
• Utilizar herramientas low-code para crear gráficos y dashboards interactivos.
• Desarrollar narrativas efectivas basadas en datos para comunicar hallazgos de investigación.
• Reconocer los riesgos de la manipulación visual y aplicar buenas prácticas de diseño.

Temas a revisar

• Principios de visualización de datos para ciencias sociales.
  • Tipos de visualizaciones según objetivos y datos.
  • Gramática de los gráficos.
  • Percepción visual y diseño efectivo.
  • Evitando manipulaciones visuales.
• Herramientas low-code para visualización.
  • Visualizaciones interactivas (gratuitas).
  • Gráficos narrativos (gratuitos).
  • Google Data Studio / Looker Studio para dashboards (gratuito).
• Creación de dashboards para proyectos de investigación.
  • Principios de diseño de dashboards.
  • Selección de métricas clave.
  • Interactividad y filtrados.
  • Integración en reportes de investigación.
• Storytelling con datos sociales.
  • Estructura narrativa para hallazgos.
  • Combinación de datos cuantitativos y cualitativos.
  • Técnicas para aumentar impacto y comprensión.
  • Adaptación a diferentes audiencias.

Evaluación modular:  Diseño de un dashboard interactivo que presente hallazgos de un conjunto de datos sociales, acompañado de una narrativa escrita o presentación que explique la interpretación de los resultados.

Entregable: Dashboard en la herramienta de su preferencia más un documento narrativo o presentación.

Porcentajes:

• Pertinencia y Claridad de la visualización 25%.
• Narrativa y storytelling 25%
• Uso correcto de herramientas lowcode/nocode 25%.
• Creatividad e impacto en la comunicación de los hallazgos 25%

Módulo 7. IA Generativa para Investigación Social (30 horas)

Objetivos específicos:

• Comprender los fundamentos de la inteligencia artificial generativa y sus aplicaciones en la investigación social.
• Aplicar herramientas como ChatGPT, Gemini y Claude en distintas etapas de la investigación.
• Desarrollar habilidades en prompt engineering para obtener mejores resultados.
• Evaluar críticamente las limitaciones, riesgos y consideraciones éticas del uso de IA generativa.
• Implementar asistentes y chatbots de recolección de datos para proyectos de investigación.

Temas a revisar

• Fundamentos de IA generativa.
  • Modelos de lenguaje grandes (LLMs).
  • Generación de texto, imagen y multimedia.
  • Funcionamiento y limitaciones.
  • Consideraciones éticas específicas.
• Uso efectivo de ChatGPT, Gemini y Claude.
  • Técnicas de prompt engineering.
  • Estrategias para diferentes etapas de investigación.
  • Validación y fact-checking de outputs.
  • Citación y transparencia académica.
• Asistentes de investigación basados en IA.
  • IA para búsqueda aumentada.
  • Jenni IA para asistencia en escritura académica.
• Creación de chatbots para recolección de datos.
  • Plataformas no-code para chatbots.
  • Diseño de conversaciones para recolección de datos.
  • Integración en metodologías de investigación.
  • Análisis de datos conversacionales.

Evaluación modular: Diseño de un prototipo de asistente de investigación (chatbot/asistente) que apoye en la recolección o análisis de datos de un tema social específico.

Entregable: Demostración funcional básica (capturas de pantalla o enlace) más informe breve explicando diseño, usos potenciales y limitaciones el chatbot o flujo conversacional.

Porcentajes:

• Calidad de Promp Engineering 25%.
• Uso adecuado de herramientas 25%
• Reflexión crítica y ética del uso del chatbot/asistente 25%
• Diseño y utilidad del asistente/chatbot 25%.

Módulo 8. Proyecto Final (30 horas)

Objetivos específicos:

• Integrar los conocimientos y herramientas de IA adquiridos durante el diplomado en un proyecto de investigación social completo.
• Formular preguntas de investigación abordables con IA y seleccionar metodologías apropiadas.
• Implementar procesos de recolección, análisis y visualización de datos aplicados a un caso real.
• Evaluar críticamente los resultados obtenidos, considerando limitaciones, sesgos y aspectos éticos.
• Comunicar de manera efectiva los hallazgos mediante reportes, dashboards y presentaciones

Temas a revisar

• Diseño de proyectos de investigación social con IA.
  • Formulación de preguntas abordables con IA.
  • Selección de herramientas apropiadas.
  • Diseño metodológico integrado.
  • Planificación y gestión del proyecto.
• Implementación y documentación.
  • Recolección y preparación de dato.
  • Análisis con herramientas adecuadas.
  • Documentación del proceso.
  • Manejo de limitaciones y contingencias.
• Evaluación crítica y reflexión.
  • Validación de resultados.
  • Identificación de limitaciones y sesgos.
  • Reflexión ética.
  • Propuestas de mejora.
  • Comunicación de resultados.
• Preparación de reportes efectivos.
  • Visualizaciones y dashboards finales.
  • Presentación a stakeholders.
  • Estrategias para maximizar impacto.

Evaluación final: Desarrollo de un proyecto integrador de investigación social con IA en el área de interés del estudiante (ciencias políticas, sociología, relaciones internacionales u otras afines).

Entregable:

• Un informe escrito que incluya la metodología, el proceso, el análisis y los resultados.
• Dashboard que comunique los hallazgos de manera clara.
• Presentación virtual de los resultados ante el grupo de docentes expertos para su evaluación.

Porcentajes:

• Diseño metodológico y claridad en las preguntas de investigación (Diseño del problema) 20%
• Recolección, limpieza y análisis de datos 20%
• Diseño del modelo o uso eficiente de herramientas LowCode/Nocode 20%
• Calidad y claridad en la comunicación de resultados (Visualización de datos más Storytelling) 20%
• Originalidad, pertinencia e impacto del proyecto 20%

Coordinación: Dr. José Manuel Meza Cano.

Doctor en Psicología por la Universidad Nacional Autónoma de México y Maestro en Comunicación y Tecnologías Educativas por el Instituto Latinoamericano de la Comunicación Educativa México, con una trayectoria amplia y consistente en el ámbito de la psicología educativa y del desarrollo, con particular énfasis en la integración de tecnologías digitales al aprendizaje. Su paso por la UNAM y su formación especializada han dado forma a un perfil que combina rigor metodológico, diseño pedagógico y visión tecnológica y estratégica.
A lo largo de su carrera ha dirigido decenas de proyectos de titulación, investigaciones y colaboraciones internacionales, siempre con un sello claro: la capacidad de articular y liderar equipos, generar redes de trabajo y orientar esfuerzos hacia resultados concretos y sostenibles. Su participación como responsable y corresponsable de proyectos PAPIME y PAPIIT, así como en iniciativas conjuntas con empresas tecnológicas de alcance global, evidencia no solo su liderazgo académico, sino también su habilidad para tender puentes entre la universidad, la investigación y la innovación.

El Dr. Meza Cano también es reconocido por el Sistema Nacional de Investigadores, sus publicaciones nacionales e internacionales muestran una constante búsqueda por responder a los desafíos de la educación contemporánea, como el aprendizaje autorregulado, el diseño instruccional y la integración y uso estratégico de las tecnologías emergentes. Ha colaborado en la División de Educación Continua y Vinculación en el diseño e implementación de diversos cursos y en la coordinación académica de diplomados.

Claustro académico: 

Dr. León David Zayas Ornelas.

Politólogo con experiencia en la gestión de docencia a nivel licenciatura, elaboración y acreditación de planes y programas de educación superior, y
en el desarrollo de contenidos para programas de licenciatura y especialidad en modalidades presencial y a distancia, así como en el diseño y puesta
en marcha de políticas de coordinación interinstitucional con alto valor público en materia de combate a la corrupción e inclusión laboral.

• Director de Proyectos y Políticas Anticorrupción, Secretaría de la Función Pública, Gobierno de México.
• Secretario Académico de la División del Sistema de Universidad Abierta y Educación a Distancia de la FCPyS, UNAM.
• Elaborador de reactivos para exámenes del Consejo Nacional de Evaluación para la Educación Superior, A.C. (CONEVAL).
• Consejero Electoral Distrital, Instituto Nacional Electoral (Instituto Federal Electoral) e Instituto Electoral de la Ciudad de México.
• Consultor independiente para Consultoría Social ZARU, S.C., Iniciativa Ciudadana y Desarrollo Social, A.C. (INCIDE Social), Agenda Ciudadana, A.C.,
• Comisión Especial Encargada de Vigilar el Correcto Uso de los Recursos Federales, Estatales y Municipales en los Procesos Electorales, LXI
• Legislatura, Cámara de Diputados.
• Asesor de la Subsecretaría de Inclusión Laboral, Secretaría del Trabajo y Previsión Social (STPS), Gobierno de México.
• Subdirector de Vinculación Laboral, STPS, Gobierno de México.
• Asistente Dirección General, Facultad Latinoamericana de Ciencias Sociales (FLACSO), Sede México.

Dr. Jorge Víquez Rodríguez.

Doctor en Educación, Maestro en Terapia Familiar Sistémica por la UNAM  e Ingeniero en Comunicaciones y Electrónica por el IPN con amplia experiencia en metodologías cuantitativas y cualitativas, especializado en el uso de tecnologías digitales aplicadas al análisis y evaluación de problemáticas sociales. Desde 2006 se desempeña como profesor de Procesos Estadísticos en la FES Iztacala-UNAM. Ha sido responsable de proyectos de análisis estadístico en el INEGI y cuenta con una sólida trayectoria en el diseño de materiales didácticos, cursos y diplomados universitarios. Su producción académica incluye artículos y manuales sobre educación, psicología y metodologías aplicadas, así como aportes en congresos nacionales e internacionales.

Mtra. María Cañizales Espinoza.

Doctorante en Educación Multimodal por la Universidad Autónoma de Querétaro, con Maestría en Educación especializada en Práctica Docente por la Universidad de Guanajuato y Licenciatura en Psicología por la UNAM. Su trayectoria combina la docencia, la investigación y la gestión académica, con experiencia en la impartición y tutoría de módulos en el SUAyED de Psicología-UNAM, así como en preparatoria y nivel universitario. Ha colaborado en proyectos y seminarios de titulación en el área de procesos organizacionales y desarrollo humano. Sus intereses se enfocan en la educación multimodal, el desarrollo de competencias docentes y la intervención psicosocial en contextos educativos.

Mtro. Rodrigo Daniel Medrano Figueroa.

Maestro en Educación Digital por la Universidad Virtual del Estado de Guanajuato y Licenciado en Psicología por la FES Iztacala UNAM. Especialista en psicología educativa e intervención psicosocial, con experiencia en el uso de tecnologías digitales aplicadas a procesos de enseñanza-aprendizaje. Se desempeña como profesor de asignatura en la carrera de Psicología del SUAyED, FES Iztacala-UNAM, donde imparte módulos en psicología educativa y atención a necesidades educativas especiales. Ha participado en proyectos de investigación como el PAPIIT “Andamios cognitivos”, enfocado en desinformación y alfabetización digital, y colabora en el Centro de Apoyo Psicológico y Educativo a Distancia (CAPED), supervisando prácticas en orientación psicoeducativa. Sus líneas de investigación se centran en habilidades digitales, pensamiento crítico y problemáticas sociales contemporáneas vinculadas a la educación.