Tipología de consumidores de productos de comercio justo y variables que inciden en su compra

El consumo mundial sigue creciendo pese a la fuerte crisis que azota al planeta, y sigue siendo el impulsor del desarrollo de los pueblos, pero este crecimiento, no está siendo igual para todos, ya que los efectos del consumo desmesurado están siendo perniciosos en los países en vías de desarrollo. Ante una situación como esta, son los consumidores responsables que opten por consumir productos elaborados bajo unos criterios de justicia, equidad y solidaridad hacia los países en vía de desarrollo, los que podrán influir en el presente y transformar el futuro de estos pueblos. Con el objetivo de analizar la situación, y poder establecer una tipología de este tipo de consumidores, así como la incidencia que sobre la compra de los productos de Comercio Justo tiene el desconocimiento de los mismos y la no accesibilidad en el punto de venta, hemos realizado durante los meses de febrero-abril de 2011 este trabajo de investigación. Como resultado de este trabajo, podemos primero, definir el perfil que caracteriza a este tipo de consumidores, y dos, concluir que el conocimiento y la accesibilidad en el punto de venta de los productos de Comercio Justo, inciden en la intención de compra de este tipo de productos, siendo la relación diferente en función de la afinidad o no afinidad a este movimiento.

Diseño e implementación de un módulo para la estructuración de notas clínicas

El presente Trabajo Fin de Grado (TFG) surge de la necesidad de disponer de tecnologías que faciliten el Procesamiento de Lenguaje Natural (NLP) en español dentro del sector de la medicina. Centrado concretamente en la extracción de conocimiento de las historias clínicas electrónicas (HCE), que recogen toda la información relacionada con la salud del paciente y en particular, de los documentos recogidos en dichas historias, pretende la obtención de todos los términos relacionados con la medicina. El Procesamiento de Lenguaje Natural permite la obtención de datos estructurados a partir de información no estructurada. Estas técnicas permiten un análisis de texto que genera etiquetas aportando significado semántico a las palabras para la manipulación de información. A partir de la investigación realizada del estado del arte en NLP y de las tecnologías existentes para otras lenguas, se propone como solución un módulo de anotación de términos médicos extraídos de documentos clínicos. Como términos médicos se han considerado síntomas, enfermedades, partes del cuerpo o tratamientos obtenidos de UMLS, una ontología categorizada que agrega distintas fuentes de datos médicos. Se ha realizado el diseño y la implementación del módulo así como el análisis de los resultados obtenidos realizando una evaluación con treinta y dos documentos que contenían 1372 menciones de terminología médica y que han dado un resultado medio de Precisión: 70,4%, Recall: 36,2%, Accuracy: 31,4% y F-Measure: 47,2%.---ABSTRACT---This Final Thesis arises from the need for technologies that facilitate the Natural Language Processing (NLP) in Spanish in the medical sector. Specifically it is focused on extracting knowledge from Electronic Health Records (EHR), which contain all the information related to the patient's health and, in particular, it expects to obtain all the terms related to medicine from the documents contained in these records. Natural Language Processing allows us to obtain structured information from unstructured data. These techniques enable analysis of text generating labels providing semantic meaning to words for handling information. From the investigation of the state of the art in NLP and existing technologies in other languages, an annotation module of medical terms extracted from clinical documents is proposed as a solution. Symptoms, diseases, body parts or treatments are considered part of the medical terms contained in UMLS ontology which is categorized joining different sources of medical data. This project has completed the design and implementation of a module and the analysis of the results have been obtained. Thirty two documents which contain 1372 mentions of medical terminology have been evaluated and the average results obtained are: Precision: 70.4% Recall: 36.2% Accuracy: 31.4% and F-Measure: 47.2%.