Escala lingüística neutrosófica para la valoración del conocimiento sobre protección de datos personales importancia y desarrollo normativo

Autores/as

  • Pablo Ermely Espinosa Pico Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Byron Javier Chulco Lema Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Diego Israel Chuncha Villa Universidad Regional Autónoma de Los Andes, Ambato. Ecuador

Palabras clave:

neutrosofía, datos personales, privacidad, intimidad

Resumen

La evolución tecnológica, así como la cuarta revolución industrial originaron cambios irreversibles en la dinámica social, siendo resultado de estos la incontrolable producción de datos personales en todo lugar y momento. Esto ha conllevado que se mantengan en bases de datos tanto públicas como privadas cantidades ingentes de información personal que puede ser utilizada de diversas formas desde la investigación criminal hasta marketing comercial y electoral.  El universo digital aun en exploración y con poca regulación normativa necesita de forma urgente de una intervención legal integral en aras de proteger derechos de relativo nuevo reconocimiento como el derecho a la protección de datos personales, derecho al olvido, derecho a la rectificación. Se desarrolló una investigación descriptiva y transversal siguiendo las pautas de un enfoque mixto. Es por ello que el objetivo de la presente investigación se orienta hacia: aplicar una escala lingüística neutrosófica para la valoración del conocimiento sobre protección de datos personales importancia y desarrollo normativo. Para el estudio se utilizaron métodos y técnicas del orden teóricos, empíricos y estadísticos matemáticos. Los resultados obtenidos luego de la Neutrosoficación de los datos denotan validez y dejan abiertos a otras aristas de la problemática investigada.

Publicado

2023-12-24

Cómo citar

Escala lingüística neutrosófica para la valoración del conocimiento sobre protección de datos personales importancia y desarrollo normativo. (2023). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 30, 190-197. https://fs.unm.edu/NCML2/index.php/112/article/view/465