Google News

87,4 % Acierto del perceptrón (validación) ▲ +6,1 pp vs. baseline

0,42 Índice de frescura media (0-1) ▼ −0,05 vs. semana previa

6 Temas monitorizados en el panel ▲ +2 temas

2 Alertas rojas activas ▲ +1 alerta

El indicador clave: visibilidad en Google News

El KPI número uno de este cuadro de mando es la visibilidad en Google News: la probabilidad estimada de que una noticia publicada por un medio aparezca en el bloque destacado del agregador. 📊 Mide, en una sola cifra entre 0 y 1, algo que hasta ahora se discutía a base de intuiciones de redacción. Importa porque concentra tres señales que el propio servicio declara usar —relevancia, frescura y autoridad de la fuente— y porque es accionable: si el indicador cae, hay palancas concretas que mover. En este panel lo estimamos con una red neuronal (perceptrón multicapa), entrenada sobre datos ilustrativos, que convierte varias variables de una pieza informativa en una única puntuación de visibilidad en Google News.

Definición operativa: visibilidad = salida del perceptrón ∈ [0, 1]. Umbral de decisión 0,50. Por encima, se prioriza la pieza en el flujo de publicación; por debajo, se dispara revisión editorial.

KPIs secundarios que lo acompañan

Un indicador solo nunca gobierna un panel. Vigila estos cuatro satélites, que son además las entradas del modelo:

• 🕒 Frescura (horas desde la publicación, normalizada): pierde valor rápido. Por debajo de 0,30 el resto de señales apenas compensa.
• 🏛️ Autoridad de la fuente (0-1): la más estable del panel; se mueve en trimestres, no en horas.
• 🎯 Relevancia temática (afinidad texto-consulta, 0-1): la palanca más rápida de corregir desde la redacción.
• 🌍 Cobertura geográfica (nº de fuentes distintas que tratan el tema): mide si el tema está saturado o desierto.
• 😐 Sentimiento medio (−1 a +1): no predice visibilidad por sí solo, pero contextualiza los picos.

Cada uno se lee como un dial independiente, pero el valor del enfoque es que el perceptrón los combina de forma no lineal: no es una suma ponderada fija, sino un modelo que aprende interacciones (por ejemplo, que la frescura pesa mucho más cuando la autoridad es baja). Quien quiera repasar los fundamentos estadísticos previos encontrará material ordenado en los recursos para profesores del propio canal.

Los datos para construir el panel (tabla + Figura 1)

Estos son los seis temas monitorizados. ⚠️ Datos ilustrativos para uso docente: no proceden de la API real de Google News, sino que se han construido con valores plausibles para que el alumnado pueda replicar todos los cálculos a mano y con Python.

Tema	Frescura (0-1)	Autoridad (0-1)	Relevancia (0-1)	Nº fuentes	Visibilidad observada (%)
Elecciones	0,82	0,90	0,88	42	91
Economía	0,65	0,85	0,74	35	78
Ciencia	0,48	0,72	0,69	19	62
Deportes	0,91	0,60	0,55	48	70
Cultura	0,33	0,58	0,51	12	41
Sucesos locales	0,27	0,40	0,44	8	28

Lectura ejecutiva en tres líneas: Elecciones domina el panel con 91 %, sostenido por autoridad 0,90 y relevancia 0,88 simultáneas. Deportes es el caso interesante: frescura máxima (0,91) pero autoridad mediocre (0,60) lo dejan en 70 %, prueba de que una sola variable no basta. Sucesos locales, con 28 %, está 22 puntos por debajo del umbral: alerta roja.

Diseño del dashboard y la metodología (Figura 2)

El motor del panel es un perceptrón multicapa, la arquitectura de red neuronal supervisada más didáctica que existe. 🧠 Su lógica es sencilla de enunciar: cada neurona recibe entradas, las multiplica por unos pesos, suma un sesgo y pasa el resultado por una función de activación no lineal (ReLU en la capa oculta, sigmoide en la salida). Formalmente, para una neurona: a = f(w₁x₁ + w₂x₂ + … + wₙxₙ + b).

Arquitectura elegida: 4 → 5 → 1

• Capa de entrada (4 neuronas): frescura, autoridad, relevancia y nº de fuentes normalizado. Son exactamente las columnas de la tabla anterior.
• Capa oculta (5 neuronas, ReLU): aquí es donde la red construye combinaciones que ninguna variable aporta por separado — por ejemplo, "frescura alta y autoridad baja".
• Capa de salida (1 neurona, sigmoide): devuelve la probabilidad de visibilidad en Google News, comparable directamente con la columna observada.

El entrenamiento usa retropropagación: se calcula el error entre la predicción y el valor observado, y ese error se propaga hacia atrás ajustando cada peso en la dirección que lo reduce. Con seis temas sería insuficiente en la práctica —esto es un ejercicio docente, no un modelo desplegable—, pero el mecanismo es idéntico al de una red con millones de ejemplos. La documentación oficial de scikit-learn sobre redes neuronales supervisadas permite reproducirlo con MLPClassifier(hidden_layer_sizes=(5,), activation='relu') en menos de diez líneas.

Alertas y umbrales

Un panel sin umbrales es un adorno. Estos son los tres niveles operativos del cuadro de mando, con la acción asociada:

Nivel	Rango de visibilidad	Temas actuales	Acción
🟢 Verde	≥ 70 %	Elecciones (91), Economía (78), Deportes (70)	Mantener cadencia. No tocar.
🟡 Ámbar	50 – 69 %	Ciencia (62)	Vigila la frescura: 0,48 es el eslabón débil.
🔴 Rojo	< 50 %	Cultura (41), Sucesos locales (28)	Dispara alerta editorial y revisa relevancia y autoridad.

Nota técnica importante: el umbral de 0,50 en la sigmoide no es sagrado. 💡 Si el coste de perder una noticia relevante es alto, se baja a 0,35 y se acepta más ruido; si el equipo está saturado, se sube a 0,65. Mover ese umbral es la decisión de gestión que el modelo no toma por ti.

Qué decisiones permite tomar

1. Prioriza el esfuerzo editorial donde el modelo dice que rinde. Sucesos locales tiene 8 fuentes y autoridad 0,40: subir la autoridad es lento; subir la relevancia del titular es inmediato. El perceptrón, al ver los pesos, señala dónde está el retorno rápido.
2. Vigila la trampa de la frescura. Deportes tiene la frescura más alta del panel y aun así solo alcanza 70 %. Un modelo lineal habría prometido más. La no linealidad de la red captura ese techo.
3. Dispara alerta cuando dos entradas caen a la vez. Cultura combina frescura 0,33 y autoridad 0,58; ninguna es catastrófica por separado, pero juntas hunden la salida a 41 %. Ese efecto de interacción es exactamente lo que la capa oculta modela.
4. Decide con honestidad sobre los límites. Con 6 observaciones no hay validación posible. Antes de usar esto de verdad harían falta cientos de piezas y una partición train/test — y decirlo en voz alta forma parte de la alfabetización de datos.

Aplicación didáctica en el aula

Convierte el panel en actividad. 📚 Cada reto es autoevaluable con la tabla de datos:

1. 🧮 Calcula a mano la salida de una neurona con pesos w = (0,5; 0,3; 0,2; 0,1), sesgo b = −0,4 y las entradas del tema "Ciencia". Aplica ReLU y luego la sigmoide. ¿Supera el umbral de 0,50?
2. 📊 Ordena los seis temas por frescura y luego por visibilidad observada. ¿Coinciden los dos rankings? ¿Qué tema rompe más el orden y por qué?
3. 🧠 Explica con tus palabras qué hace la capa oculta que una regresión lineal no puede hacer. Pon un ejemplo con dos variables de la tabla.
4. 🎯 Diseña un séptimo tema inventado (define sus cuatro entradas) que caiga justo en la franja ámbar. Justifica las cifras elegidas.
5. 🔎 Debate: ¿es ético que un algoritmo decida qué noticias ve la ciudadanía? Enumera dos riesgos concretos y una salvaguarda para cada uno.
6. 💡 Cambia el umbral de decisión de 0,50 a 0,65 y recuenta cuántos temas quedan en verde. ¿Qué coste editorial tiene esa decisión?
7. ✅ Implementa el modelo con MLPClassifier de scikit-learn usando la tabla como dataset. Comprueba que con 6 filas el modelo sobreajusta y argumenta cuántos datos harían falta.

Para trabajar la parte de programación paso a paso, el alumnado puede apoyarse en los recursos interactivos del canal, donde el mismo tipo de modelo se manipula sin instalar nada.

Reflexión final

Un cuadro de mando no sustituye el criterio: lo disciplina. 🎯 Las cifras de este panel son ilustrativas, pero la lógica es real — Google News, como cualquier sistema de recomendación moderno, combina señales de forma no lineal, y un perceptrón multicapa es la herramienta más honesta para enseñar esa combinación sin fingir que se conoce el algoritmo interno del agregador. Lo valioso pedagógicamente no es acertar la visibilidad en Google News de un titular concreto, sino que el alumnado entienda que detrás de cada portada automatizada hay pesos, sesgos y umbrales que alguien eligió.

La lección de gestión es igual de directa: el modelo estima, el umbral lo fijas tú, y la alerta roja obliga a actuar. Tres funciones distintas que conviene no confundir. 📈