DOI: https://doi.org/1=
0.56712/latam.v6i3.3986
Análisis de sentimientos en artículos sobre
técnicas de visualización de datos para comunicar insights
efectivamente en la gestión empresarial
Sentiment
analysis in articles on data visualization techniques to effectively commun=
icate
insights in business management
Ambar Nicole Flores Bastidas
https://orcid.org/0009-0004-8693-0651
Universidad Est=
atal
de Guayaquil
Guayaquil ̵=
1;
Ecuador
David Arquimede
Martillo Caicedo
https://orcid.org/0009-0004-6833-3124
Universidad Est=
atal
de Guayaquil
Guayaquil ̵=
1;
Ecuador
Katty=
Nancy Lino Castillo
katty.linoc@ug.edu.ec
https://orcid.org/0000-0002-0345-3246
Universidad Est=
atal
de Guayaquil
Guayaquil ̵=
1;
Ecuador
Artículo recibido: 12 de mayo de 2025.
Aceptado para publicación: 26 de mayo de 2025.
Conflictos de
Interés: Ninguno que declarar.
Resumen
Este estudio aborda la visualización de datos como una herra=
mienta
fundamental en la gestión empresarial para interpretar y comunicar
información compleja de forma eficaz. Se aplicó un
análisis de sentimientos mediante una red neuronal implementada en
Google Colab, utilizando Python para el procesa=
miento
y análisis de datos. La investigación se centró en
resúmenes de artículos relacionados con visualización =
de
datos y técnicas de comunicación efectiva en el ámbito
empresarial, sometidos a una revisión y depuración
sistemática. Los resultados se presentaron mediante tres
representaciones gráficas: una nube de palabras para identificar
términos frecuentes, una matriz de confusión para evaluar la
precisión del modelo y un gráfico lineal que reflejó la
evolución de los datos analizados. Estas visualizaciones facilitaron=
la
segmentación de los artículos más relevantes conforme a
los objetivos del estudio. Los hallazgos evidencian que esta metodolog&iacu=
te;a
no solo mejora la selección de literatura pertinente, sino que
también fortalece la toma de decisiones al priorizar aquellos trabaj=
os
que abordan el tema con mayor claridad y exactitud. Este enfoque integrado
combina técnicas avanzadas de procesamiento de lenguaje natural con
herramientas visuales, proporcionando una solución eficaz para la
gestión de información en entornos empresariales complejos.
Palabras clave: red neuronal, comunicación
efectiva, gestión empresarial, python, <=
span
class=3DSpellE>google colab
Abstract
This study addresses data visualization as a fundamental tool in bus=
iness
management to interpret and communicate complex to interpret and communicate
complex information effectively. A sentiment analysis was applied using a
neural network implemented in Google Colab, usi=
ng
Python for data processing and analysis. Google Colab<=
/span>,
using Python for data processing and analysis. The research focused on
abstracts of articles related to data visualization and effective data
visualization and effective communication techniques in the business
environment, reviewed and and effective communication techniques in the
business environment, subjected to a systematic review and debugging. The
results were were presented using three graphical representations: a word c=
loud
to identify frequent terms, a confusion matrix to identify frequent terms, a
confusion matrix to assess the accuracy of the model, and a line graph to
identify the accuracy of the model, and a line graph reflecting the evoluti=
on
of the data analyzed. analyzed. These visualizations facilitated the
segmentation of the most relevant articles according to the objectives of t=
he
study. the most relevant articles according to the objectives of the study.=
The
findings show that this methodology not only that this methodology not only
improves the selection of relevant literature, but also strengthens the
Keywords: neural
network, effective communication, business management, python, google colab
T=
odo
el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades, publicado en este sitio está disponibles bajo
Licencia Creative Commons.=
![](3D"0642_FloresBastidas_archivos/image004.jpg")
<=
/span><=
o:p>
Cómo citar: Flores Bastidas, A. N., Martillo
Caicedo, D. A., & Lino Castillo, K. N. (2025). Análisis de
sentimientos en artículos sobre técnicas de visualizaci&oacut=
e;n
de datos para comunicar insights efectivamente =
en la
gestión empresarial. LATAM R=
evista
Latinoamericana de Ciencias Sociales y Humanidades 6 (3), 766 – 781.
https://doi.org/10.56712/latam.v6i3.3986
INTRODUCCIÓN
La visualización de datos ha emergido c=
omo
una disciplina fundamental en el ámbito de la gestión
empresarial, desempeñando un papel crucial en la interpretació=
;n y
comunicación de información compleja. A medida que las
organizaciones enfrentan un aumento exponencial en la generación de
datos, la capacidad de presentar esta información de manera clara y
comprensible se ha vuelto esencial para la toma de decisiones informadas. D=
esde
los gráficos pioneros desarrollados por William Playfair
en el siglo XVIII, que introdujeron conceptos básicos como los
gráficos de barras y líneas, hasta las sofisticadas herramien=
tas
actuales como Tableau y Po=
wer
BI, la evolución de la visualización de datos ha estado marca=
da
por un constante avance tecnológico y un creciente reconocimiento de=
su
importancia en el análisis de información. Ante este panorama,
surge la necesidad de evaluar de manera sistemática la efectividad de
las diferentes técnicas de visualización de datos en la
comunicación empresarial.
En particular; se plantea que, las técn=
icas
interactivas resultan significativamente más efectivas para comunica=
r insights complejos comparadas con las técnicas
estáticas, especialmente entre audiencias con diversos niveles de
experiencia. La interactividad en las visualizaciones permite a los usuarios
explorar los datos de manera más profunda, facilitando una
comprensión más rica y matizada. Según (Heer & Shneiderman, 2=
012);
las visualizaciones interactivas permiten a los usuarios manipular los dato=
s,
aplicar filtros y realizar exploraciones dinámicas, lo que no solo
mejora la comprensión, sino que también fomenta un aprendizaje
más activo. Esto es especialmente relevante en contextos donde los d=
atos
son complejos o multidimensionales, ya que permite a los usuarios descubrir
patrones y relaciones que podrían no ser evidentes a través de
representaciones estáticas.
El análisis de sentimiento, tambi&eacut=
e;n
conocido como minería de opiniones, se dedica a identificar, extraer,
examinar y categorizar las actitudes, opiniones y comentarios que los usuar=
ios
publican en diversas plataformas digitales como Facebook, Twitter, LinkedIn,
foros, microblogs, entre otros. Estos datos son
procesados mediante la aplicación conjunta de algoritmos de aprendiz=
aje
automático, técnicas de minería de datos, minerí=
;a
web y minería de textos (Agarwal & Mittal, 2016),con
el propósito de determinar la orientación emocional del mensa=
je,
ya sea positiva, negativa o neutral (Haddi, Liu,
& Shi, 2013)
No obstante, es crucial reconocer que, a pesar=
del
entrenamiento exhaustivo, la efectividad de los resultados del Análi=
sis
de Sentimientos nunca alcanzará una precisión del 100%. Esta
limitación inherente se debe a la ausencia de una herramienta
completamente precisa para indagar en la subjetividad intrínseca del=
lenguaje
humano.
Lo esencial del Análisis de Sentimiento=
s es
el reconocimiento de las emociones y su tipo de polaridad; las emociones se
enfocan en extraer un grupo de etiquetas de “emoción” pa=
ra
así poder ver en cuál de ellas se encuentra los comentarios, =
frases,
palabras etc. La segunda es un tipo de clasificación binaria con
resultados que se ven en “positivo y “negativo”; se
consideran tres tipos de enfoques principales para realizar el Análi=
sis
de Sentimientos ( Cambria, 2016)
Técnicas
basadas en conocimiento: El texto se clasifica en grupos donde utilizan léxicos
preexistentes u otras bases de conocimiento probabilístico que son ya
entrenadas a partir de corpus lingüísticos.
Métodos
estadísticos: Tiene formatos como las máquinas de soporte vectorial y el
aprendizaje profundo, son ampliamente usados para la clasificación de
los textos
Enfoques
híbridos: Combina los dos anteriores
Para la realización del análisis=
de
sentimiento en este trabajo, se construyó una base de datos a partir=
de
los resúmenes de artículos científicos seleccionados e=
n el
campo de las Técnicas de Visualización de Datos para la
Comunicación Efectiva de Insights en la
Gestión Empresarial. La elección de estos resúmenes,
definidos por su concisión, objetividad y capacidad para destacar la
información clave de un artículo, se fundamenta en su pertine=
ncia
para obtener un corpus lingüístico especializado y relevante pa=
ra
el análisis propuesto.
METODOLOGÍA
El desarrollo de este proyecto se apoya en Goo=
gle Colaboratory (Colab), un =
servicio
gratuito que permite ejecutar y desarrollar código Python en el
navegador (PlaysDev, 2024). Esta herramienta fa=
cilita
la conexión y el montaje de los archivos donde reside la
información, además de integrar las librerías requerid=
as
por la aplicación. El proyecto también utiliza Python, un
lenguaje de programación libre y gratuito, con amplias aplicaciones
(Europea, Universidad Europea, 2023),para llevar=
a
cabo el análisis de sentimiento propuesto.
Fase 1:
Construcción y Preparación del Corpus:
De acuerdo con el tema se encontró una
cantidad de 100 artículos en diferentes idiomas, pero se recopil&oac=
ute;
un corpus de 18 resúmenes de artículos científicos en
español cargados desde el OneDrive, donde todos estaban enfocados en
Técnicas de Visualización de Datos para la Comunicación
Efectiva de Insights en la Gestión
Empresarial. Los artículos fueron publicados entre 2019 al 2024 los
mismos que abordan temáticas como el uso de Excel en la analí=
tica
empresarial, la inteligencia estratégica, plataformas de
visualización de datos, tableros automatizados, técnicas de
visualización en la compresión de datos entre otros. Se
creó un archivo “csv” en un =
Dataframe que son secciones bidimensionales formadas =
por
filas y columnas, que permiten sobresalir las relaciones entre las diferent=
es
variables de la serie de datos (Science D. , 2024).
Dentro de todo esto se seleccionó solo el campo Abstract/Resumen de los artículos, donde
también usamos el título, autores, año para poder iden=
tificar
mejor de qué artículo se extraía la información=
que
al final se guardó en un archivo tipo CSV para
su uso.
Limpieza y
Preprocesamiento de datos
=
Para
preparar el corpus para el Análisis de Sentimientos, se aplicaron
diversas técnicas de limpieza de datos. Además, se incluy&oac=
ute;
detalles para un mejor procesamiento como convertir todas las palabras a
minúsculas, eliminar dígitos, signos de puntuación,
espacios en blanco y palabras comunes como preposiciones, a esto tambi&eacu=
te;n
se lo conoce como las “stop_words” o
palabras vacías, son términos que no son registrados por los
robots de Google debido a que no aportan un significado específico al
contenido (Arimetrics, 2024). Además, se
usó técnica de tokenizacion que se
puede definir como el proceso de segmentar un texto en partes más
pequeñas llamadas “tokens”; que pueden ser palabras,
Fase 2:
Entrenamiento y Validación del modelo de Análisis de Sentimie=
nto
El análisis de sentimientos es una
técnica del procesamiento de lenguaje natural que busca identificar y
extraer emociones y opiniones de textos. En los últimos años,=
el
uso de redes neuronales ha mejorado significativamente la precisión =
de
este análisis. Por ejemplo, (Reyes Paredes, 2020), desarrolló=
un
modelo basado en la red neuronal Long Short-Term Memory (LSTM) para evaluar
cómo las noticias positivas influyen en el estado de ánimo de=
las
personas. Así mismo, (Zarate Calderon, 2=
022)
exploró el uso de redes neuronales recurrentes para analizar
sentimientos en medios periodísticos y redes sociales, resaltando la
eficacia de estas técnicas en la clasificación de polaridades=
en
textos en español. Más recientemente, (Salgado Reyes &
Trujillo Moreno, 2024), aplicaron técnicas de procesamiento de lengu=
aje
natural y aprendizaje automático para analizar opiniones y sentimien=
tos
en datos de redes sociales, enfatizando la importancia de adaptar continuam=
ente
los modelos a las dinámicas lingüísticas y culturales ca=
mbiantes.
Estos estudios evidencian el papel crucial de las redes neuronales en el av=
ance
del análisis de sentimiento en diversos contextos.
Tras aplicar las técnicas de limpieza de
datos y preparar el corpus, se procedió a realizar un análisi=
s de
sentimiento de tipo Polaridad. Este análisis, busca determinar si los
datos textuales expresan un sentimiento positivo o negativo. Los investigad=
ores
usan herramientas de análisis de sentimiento para obtener con clarid=
ad y
contexto los mensajes transmitidos a través de palabras y así
determinar lo más significativo (Stewart, 2025). Además, se t=
oma
en cuenta que se usa para extraer y poder identificar el contenido emociona=
l de
los datos en este caso de texto, puede ser comentarios escritos, artí=
;culos
de noticias o investigaciones, tipos de encuestas, publicaciones en redes
sociales. Cada resumen fue sometido a un análisis donde se pudo
verificar su polaridad emocional (positiva, negativa o neutral). Para ello =
se
utilizó un modelo preexistente de análisis de sentimientos que
asigna valores numéricos a la polaridad del texto.
<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●
Fuente: Código de Python en entorno Google Col=
ab
Gráfico =
1
Gráfico =
de
Distribución de frecuencia (10 palabras más comunes)
![3D"Gráfico,](3D"0642_FloresBastidas_archivos/image008.gif")
Fuente: Código de Python en entorno Google Col=
ab
La tabla de datos recopilando la
información y el grafico muestran la frecuencia de las 10 palabras
más comunes en el texto. El eje x representa las palabras y el eje y
representa la frecuencia (número de veces que aparece cada palabra).=
Las
palabras que aparecen con mayor frecuencia se ubican en la parte superior d=
e la
gráfica. La gráfica ayuda a identificar las palabras clave o
términos más relevantes en el texto, lo que puede ser ú=
;til
para entender el tema principal del texto o para realizar análisis de
texto más profundos en el análisis de sentimiento.
Figura 1
Todos los
artículos con su valor de análisis de sentimientos
![](3D"0642_FloresBastidas_archivos/image010.jpg")
=
Fuente: Código de Python en entorno Google Col=
ab
Análisis
cuantitativo
Se realizó un conteo total de las clasi=
ficaciones
obtenidas para identificar tendencias generales en el corpus. Los resultados
fueron los siguientes de los 18 Artículos:
Sentimientos
positivos: 6 instancias.
Sentimientos
negativos: 4 instancias.
Sentimientos
neutrales: 8 instancias.
Figura 2=
![](3D"0642_FloresBastidas_archivos/image012.jpg")
=
Muestra de los primeros 5 artículos con su polaridad (Cabece=
ra)
Fuente: Código de Python en entorno Google Col=
ab
El análisis de sentimientos realizado e=
n el
archivo de Python muestra una clasificación de los artículos
según su polaridad emocional: positiva, negativa y neutral. Los
resultados indican que, de un total de 18 evaluaciones, 6 se clasificaron c=
omo
positivas, 4 como negativas y 8 como neutrales. Este balance refleja una
predominancia de percepciones neutrales en los textos evaluados, lo que
podría sugerir un enfoque objetivo o técnico en los temas
tratados.
Tabla 2
Datos Obtenidos
Sobre la Polaridad de los Artículos (para matriz de confusión=
)
![3D"Tabla
El](3D"0642_FloresBastidas_archivos/image014.gif")
Fuente: Código de Python en entorno Google Col=
ab.
Gráfico =
3
Matriz de
Confusión de Artículos
![3D"Gráfico,](3D"0642_FloresBastidas_archivos/image016.gif")
Fuente: Código de Python en entorno Google Col=
ab
Se realizó una Matriz de confusió=
;n
donde muestra la comparación entre la clasificación real y la
clasificación predicha de sentimientos en los resúmenes de
artículos.
Eje Y (Real): Representa las
clases verdaderas (lo que realmente es cada instancia)
Eje X (Predicho=
): Representa las
clases predichas por el modelo
Celdas:<=
/b> Indican la
cantidad de veces que una clase real fue clasificada como una clase
específica.
El modelo tuvo una clasificación perfec=
ta
sin errores en las predicciones. Se observó que la clase neutral tie=
ne
mayor cantidad de artículos (8), seguida por la clase positiva (6) y,
finalmente, la clase negativa (4), la menos frecuente.
DISCUSIÓN
Los resultados obtenidos tienen implicaciones =
muy
importantes para verificar y entender el impacto emocional y cuáles
serían los artículos con mayor afinidad hacia el tema y para
analizarlos. El 33.33% de los textos (revisar gráfica) fue clasifica=
do
con sentimiento positivo, el 22.22% con sentimientos negativos y el 44.44% =
con
sentimiento neutral.
Gráfico =
4
Distribuci&oacu=
te;n
de la Polaridad
![3D"Gráfico,](3D"0642_FloresBastidas_archivos/image018.gif")
Fuente: Código de Python en entorno Google Col=
ab
Gráfico =
5
![3D"Gráfico,](3D"0642_FloresBastidas_archivos/image020.gif")
Porcentajes General
Fuente: Código de Python en entorno Google Col=
ab
En relación con lo mencionado la
predominancia de clasificaciones neutrales sugiere que lo revisado aborda s=
us
temas desde un punto técnico descriptivo o equilibrado más que
emocional, esto puede ser por un lado útil para audiencias y
profesionales que buscan contenido objetivo y basado en datos. Por el lado =
de
la polaridad positiva destaca las palabras afirmativas y relevantes y recon=
ocen
el valor de las herramientas y metodologías de visualización =
de
datos analizadas para los Insights. Por
último, la polaridad negativa suele contener tipos de palabras y
observaciones críticas, Por citar un ejemplo, el artículo sob=
re
tableros automatizados podría haber creado percepciones negativas de=
bido
a desafíos más técnicos o limitaciones prácticas
dadas en su contenido, en cambio el artículo sobre plataformas de
visualización se percibe de manera positiva gracias a su tipo de enf=
oque
en soluciones más efectivas y al instante en el ámbito
empresarial.
Figura 3
Resultados del
Análisis de Sentimientos Separados en Artículos
![](3D"0642_FloresBastidas_archivos/image022.gif")
Fuente: Código de Python en entorno Google Col=
ab.
Limitaciones del
Análisis de Sentimientos
Es trascendental reconocer que el análi=
sis
de sentimientos es una simplificación de lo complejo que es el lengu=
aje
humano, las emociones y opiniones son matizadas y pueden cambiar segú=
;n
el contexto, cultura y las experiencias individuales o descripción de
resultados personales, Incluso un modelo sofisticado como el que usamos que=
es
VADER puede a veces no capturar todas las sutilezas del lenguaje y a veces =
lo
que se interpreta puede ser subjetivo. En este punto encontramos que las
limitantes pueden ser de dos franjas, la cantidad de artículos
relacionados al tema que fue una sorpresa ya que existen pero de manera
más generalizada y necesitamos enfocarnos en un área para pod=
er
obtener sobre la misma la percepción que deseábamos de obtener
una visión positiva de los mejores artículos de Técnic=
as
de Visualización de Datos para la Comunicación Efectiva de
CONCLUSIÓN
Tras el análisis de la percepció=
n en
los resúmenes de artículos científicos sobre
técnicas de visualización de datos, se logró encontrar=
una
tendencia que va hacia la neutralidad y positividad. Este tipo de
inclinación indica que, en general, la comunidad científica y=
los
artículos relacionados a este tema se perciben como valiosos y objet=
ivos
en el ámbito de gestión empresarial. La presencia de
términos muy usados como “Datos”,
“Análisis” y “Eficaz” en los resúmenes
que dan peso en esta visión, destacando la parte acertada que, si bi=
en
la mayoría muestra una postura neutral, la presencia de polaridad
positiva indica el potencial de las técnicas en los artículos=
que
sí son una base para mejorar la visualización de datos y
facilitar la comunicación insights. Por =
el
contrario, los resúmenes con polaridad negativa señalan
áreas donde se puede mejorar la implementación de herramientas
para la visualización de datos y la comunicación insights y no optar por confiar de manera directa en =
dichos
artículos hasta no ser verificados.
Al final este Análisis de Sentimientos
proporciona una visión general de cómo se percibe y lo
predominante que puede ser un artículo enfocado y redactado exponien=
do
los mejores puntos para técnicas de visualización de datos,
destacando sus metodologías como resultados. Esta investigació=
;n
puede servir como punto de partida para otras que busquen explorar a mayor
profundidad el impacto y los mejores artículos de técnicas de
visualización para la gestión empresarial y su capacidad para
cambiar la forma en que las organizaciones se guían y toman decision=
es
en base a resultados o data científica, además como recomendación se puede=
dar
la apertura a verificar si con otras redes predefinidas se obtienen los mis=
mos
o mejores datos con Resúmenes de áreas específicas o p=
ara
otro tipo de sectores como tema salud o educación donde puede mejora=
r la
calidad y los tiempos en investigaciones y puesta de escena de los resultad=
os.
REFERENCIAS
Cambria, E. (2016). Affective Computing and
Sentiment Analysis. IEEE Intelligent Systems. doi:10.1=
109/MIS.2016.31
Agarwal, B., & Mittal, N. (2016). Machi=
ne
Learning Approach for Sentiment Analysis. In: Prominent Feature Extraction =
for
Sentiment Analysis. doi:https://doi.org/10.1007/978-3-319-25343-5_3
Arimetrics. (01 de 11 de 2024). Arimetrics.
Obtenido de Arimetrics: https://www.arimetrics.com/glosario-digital/stop-word
Europea, U. (05 de 07 de 2023). Universidad
Europea. Obtenido de Universidad Europea:
https://universidadeuropea.com/blog/usos-python/#:~:text=3DPython%20es%20un=
%20lenguaje%20de,que%20sirve%20de%20%E2%80%9Ctraductor%E2%80%9D.
Haddi, E., Liu, X.,
& Shi, Y. (2013). The Role of Text Pre-processing in Sentiment Analysis=
. doi:https://doi.org/10.1016/j.procs.2013.05.005
Heer, J., &
Hutto, C., & Gilbert, E. (2014). VADER: =
Un
modelo parsimonioso basado en reglas para el análisis de sentimiento=
s en
textos de redes sociales. Actas de la Conferencia Internacional AAAI sobre Web y Redes Sociales, 8, 216-225. doi:https://doi.org/10.1609/icwsm.v8i1.14550
Medium. (2024). BERT vs. VADER: ¡Guerras=
de
sentimientos al descubierto! Obtenido de
https://medium.com/@wl8380/bert-vs-vader-sentiment-wars-unveiled-f5dca46b99=
31
Merino Ulizarna, L=
. (27
de 07 de 2023). Adictos al Trabajo by izertis. Obtenido de Adictos al Trabajo by
izertis: https://adictosal=
trabajo.com/2023/07/27/nltk-python/#03
PlaysDev. (17 de 04 de 2024). PlaysDev.
Obtenido de PlaysDev: https://playsdev.com/blog/what-is-google-colab/
Reyes Paredes. (2020). Análisis de
sentimientos de noticias escritas usando un modelo basado en la red neurona=
l de
memoria a largo plazo para determinar si las noticias positivas mejoran el
estado de ánimo de las personas. Universidad de Lima. doi:https://doi.org/10.26439/ciis2019.5500
Salgado Reyes, & Trujillo Moreno. (2024).
Análisis de sentimientos en datos de redes sociales: aplicació=
;n
de técnicas de procesamiento de lenguaje natural y machine learning =
para
analizar opiniones y sentimientos en datos de redes sociales en el contexto=
de
sistemas de información. Dominio de las Ciencias. doi:https://doi.org/10.2385=
7/dc.v10i1.3714
Science, D. (27 de 05 de 2024). DataScientest. Obtenido de DataS=
cientest:
https://datascientest.com/es/que-es-un-dataframe
Stewart, L. (2025). Atlas=
.ti.
Obtenido de Atlas.ti:
https://atlasti.com/es/research-hub/analisis-de-sentimientos-en-la-investig=
acion
Zarate Calderon. (=
2022).
Análisis de sentimiento en información de medios
periodísticos y redes sociales mediante redes neuronales recurrentes.
Pontificia Universidad Católica del Perú. doi:http://hdl.handle.net/20.500.12404/21525
Todo
el contenido de LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, publicados en este
sitio está disponibles bajo Licencia Creative
Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"0642_FloresBastidas_archivos/image023.jpg")
.
LATAM
Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción,
Paraguay.
ISSN en línea: 2789-3855, mayo, 2025,
Volumen VI, Número 3 p 752.=
![](3D"0642_FloresBastidas_archivos/image002.jpg")