Resumen

En este trabajo, queremos averiguar si el sesgo de género afectará al éxito y si hay algunas leyes comunes que impulsan el éxito en el mundo del espectáculo. Diseñamos un experimento, establecemos como variables independientes el género y la productividad de un actor o actriz en un periodo determinado, e introducimos técnicas de aprendizaje profundo para hacer la predicción del éxito, extraer las características latentes y comprender los datos que utilizamos. Se han entrenado tres modelos: el primero se entrena con los datos de un actor, el segundo se entrena con los datos de una actriz, y el tercero se entrena con los datos mixtos. Se construyen tres modelos de referencia con las mismas condiciones. Los resultados del experimento muestran que nuestros modelos son más generales y precisos que los de referencia. Un hallazgo interesante es que los modelos entrenados con los datos de un actor/actriz sólo consiguen un rendimiento similar con los datos de otro género sin pérdida de rendimiento. Esto demuestra que el sesgo de género está débilmente relacionado con el éxito. Mediante la visualización de los mapas de características en el espacio de incrustación, vemos que los modelos de predicción han aprendido algunas leyes comunes aunque estén entrenados por datos diferentes. Utilizando los resultados anteriores, se puede construir un modelo más general y preciso para predecir el éxito en el mundo del espectáculo.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:datos, derecho común, mundo del espectáculo, sesgo de género, éxito, actriz, técnicas de aprendizaje profundo, actor, predicción del éxito, modelo
• Keywords:data, common law, show business, gender bias, success, actress, deep learning techniques, actor, prediction of success, model