DOCTORADO EN BIG DATA Y TRANSFORMACIÓN DIGITAL

El Doctorado en Big Data y transformación digital está dirigido a profesionales con título de Maestría interesados en desarrollar investigación aplicada y liderazgo en la gestión, análisis e interpretación de grandes volúmenes de datos con fines sociales, institucionales y estratégicos. El programa se orienta a la formación de investigadores, docentes y líderes capaces de diseñar e implementar políticas públicas, proyectos tecnológicos y soluciones sostenibles basadas en datos, con una visión ética, crítica e interdisciplinaria.

El objetivo principal de este doctorado es formar doctores y doctoras, formar investigadores y líderes con alta especialización capaces de diseñar, implementar y evaluar soluciones estratégicas basadas en Big Data, orientadas a la transformación social, política y económica desde una perspectiva ética, inclusiva y basada en evidencia. El programa busca generar profesionales con rigor científico, sensibilidad social y pensamiento crítico, capaces de
incidir en la toma de decisiones, formular políticas públicas y promover una cultura de datos al servicio del desarrollo sostenible, la equidad y la justicia digital.

Career Opportunities

Al finalizar el Doctorado, los egresados serán capaces de ejercer en puestos de alta dirección e investigación, liderando proyectos de innovación tecnológica, científica y social en los ámbitos académico, empresarial y público. Estarán preparados para diseñar, desarrollar y gestionar soluciones avanzadas de inteligencia artificial y ciencia de datos, aplicando principios éticos, de eficiencia y reproducibilidad.
Asimismo, podrán desempeñarse como profesionales de la docencia e investigación especializada en inteligencia artificial y tecnologías emergentes.
Contando con las siguientes salidas profesionales:

• Director/a de Data Science y Estrategia de IA.

• Científico/a de Datos (Data Scientist) con especialización en analítica predictiva.

• Ingeniero/a de Machine Learning (MLOps) para entornos Big Data.

• Consultor Estratégico en Big Data e Inteligencia Artificial.

• Especialista en Salud Pública Digital (Modelos predictivos epidemiológicos).

• Director/a de Innovación Pública (Gobierno Basado en Evidencia).

• Experto/a en Sistemas Educativos basados en Datos Abiertos.

• Consultor/a en Ética Algorítmica y Gobernanza de Datos (IA Responsable).

• Arquitecto/a de Soluciones de Datos con ML y sistemas de clasificación.

• Investigador/a y Docente universitario en IA y Ciencias Sociales Computacionales.

• Asesor/a en políticas tecnológicas y equidad algorítmica.

• Desarrollador/a avanzado de Minería de Datos y automatización de procesos.

• Líder de Proyectos de Transformación Social basados en la evidencia de datos.

Study Plan

1º Cuatrimestre
FASE: TUTORIZACIÓN

En esta primera fase se trata de una coordinación del programa entre el alumno y el tutor asignado. Con el apoyo de su tutor, el alumno elaborará la propuesta del esquema de tesis doctoral. La organización académica de los estudios de doctorado implica la realización de un plan de trabajo, cuyo esquema deberá ser desarrollado durante esta fase de tutorización.

• Duración: 160

• Finalidad: Orientar a definir el tema, objetivos, hipótesis y metodología

FASE: METODOLOGÍA DE LA INVESTIGACIÓN CIENTÍFICA
En esta fase del programa continua la coordinación entre el alumno y el tutor asignado. El estudiante deberá continuar elaborando la propuesta del esquema de tesis doctoral, con el apoyo siempre de su tutor. Los estudios de doctorado implican la realización de un plan de trabajo, cuyo esquema continuará desarrollándose a lo largo de toda la fase de tutorización.

• Duración: 160

• Finalidad: Transformar la propuesta inicial en un plan de investigación robusto

FASE: INTRODUCCIÓN A LAS TÉCNICAS DE INVESTIGACIÓN
Los objetivos generales de esta asignatura son:

• Comprender y aplicar el proceso de investigación científica valorando objetivos, elementos y fines.
  • Identificar los tipos de investigación así como sus características y fines.
  • Aplicar los métodos de investigación correspondientes a las CC.SS.
  • Establecer las diferencias entre la investigación cualitativa y cuantitativa.
  • Plantear un problema acorde con la justificación teórica correspondiente.
  • Aprender a formular hipótesis científicas.
  • Interpretar y analizar los datos recogidos de la muestra de investigación.
  • Analizar y elaborar los elementos de un proyecto de investigación.
  • Conocer la estructura y aspectos formales de una tesis doctoral.
  • Manejar los elementos del programa estadístico SPSS.

Con el apoyo del director de tesis el alumno debe elaborar la propuesta del esquema de tesis doctoral, permitiendo al estudiante desarrollar sus habilidades investigativas gradualmente.

• Duración: 160

• Finalidad: Elaborar la propuesta del esquema de tesis doctoral

2º Cuatrimestre
FASE: DOCENCIA
A lo largo de esta fase se cursan a distancia una serie de asignaturas definidas de acuerdo a los estudios previos y a la temática de la tesis. En esta fase el doctorando debe cursar una serie de asignaturas adecuadas al tema de tesis elegido, siendo las dos primeras obligatorias y la tercera una optativa. A continuación se señala la descripción de las actividades académicas de investigación.
Las asignaturas obligatorias son las siguientes:
A1: Minería de datos y algoritmos de clasificación (obligatoria)
Esta asignatura introduce los principios conceptuales y técnicos de la minería de datos, orientada al análisis de grandes volúmenes de información. El estudiante aprenderá a implementar algoritmos de clasificación y evaluación de modelos, aplicándolos a problemáticas sociales, políticas y económicas. Se enfatiza el uso ético y responsable de la analítica predictiva en la toma de decisiones y en la promoción del bienestar social.

• Comprender los principios de la programación avanzada orientada al análisis de datos, automatización de
  procesos y desarrollo de modelos de IA.

• Reconocer los fundamentos conceptuales y técnicos de la minería de datos como disciplina orientada a la exploración de grandes volúmenes de
  información.
  • Comprender el funcionamiento de los principales algoritmos de clasificación y su aplicación en problemas de carácter social, político o económico.
  • Aplicar técnicas de preprocesamiento, selección de atributos y evaluación de modelos clasificatorios con base en criterios de precisión, sensibilidad y
  especificidad.
  • Valorar el impacto del uso de modelos de clasificación automatizados en contextos de decisión pública, bienestar social y equidad.

• Duración: 144

• Finalidad: Capacitar al alumno para analizar e interpretar grandes volúmenes de datos mediante técnicas de minería y clasificación automatizada

A2: Machine Learning aplicado a Big Data (obligatoria)
Esta asignatura aborda los fundamentos y flujos de trabajo del aprendizaje automático aplicado a grandes volúmenes de datos. El estudiante aprenderá a implementar y evaluar modelos de regresión, clasificación y clustering, utilizando herramientas y librerías especializadas. Se fomenta el diseño de soluciones interpretables, reproducibles y socialmente responsables que impulsen la innovación y la transformación en contextos reales.
• Comprender los principios de la programación avanzada orientada al análisis de datos, automatización de procesos y desarrollo de modelos de IA.

• Comprender los principios, tipos y flujos de trabajo del aprendizaje automático (Machine Learning) en entornos de Big Data.

• Aplicar algoritmos de regresión, clasificación y clustering en grandes volúmenes de datos utilizando librerías específicas.

• Evaluar el rendimiento y la eficiencia de mode los de aprendizaje supervisado y no supervisado en escenarios complejos.

• Diseñar soluciones de Machine Learning interpretables y reproducibles que contribuyan a la transformación social en contextos reales.

• Duración: 144

• Finalidad: Capacitar al estudiante para diseñar y aplicar soluciones de Machine Learning en entornos de Big Data que permitan la toma de decisiones informadas y la innovación social

A3: Optativa I
A4: Optativa II

• Duración: 144

A elegir entre las siguientes:
1. Big Data y salud pública:
Esta asignatura introduce la aplicación del análisis de datos masivos (Big Data) a los desafíos de la salud pública. Aprenderás a identificar las
fuentes de datos sanitarios, evaluar su calidad y utilizar herramientas analíticas para detectar patrones y predecir riesgos poblacionales. El
objetivo final es que diseñes soluciones innovadoras basadas en evidencia para mejorar la equidad y la toma de decisiones en los sistemas de salud.

• Explicar el funcionamiento matemático y computacional
  de las redes neuronales artificiales.

• Identificar los fundamentos conceptuales, sociales y tecnológicos de la salud pública y su relación con el análisis de datos masivos.

• Analizar fuentes, flujos y calidad de los datos en salud en distintos niveles (clínico, epidemiológico, poblacional).

• Aplicar herramientas de Big Data para detectar patrones, predecir riesgos y evaluar intervenciones sanitarias.

• Diseñar soluciones innovadoras basadas en evidencia que contribuyan a mejorar la equidad, la accesibilidad y la toma de decisiones en sistemas de
  salud.

2. Big Data y administración pública:
Esta asignatura explora el potencial del Big Data para transformar la gestión pública y la toma de decisiones. Analizarás los marcos
normativos y las tecnologías que permiten usar datos masivos, abiertos y ciudadanos en el sector público. Aprenderás a aplicar metodologías de análisis para resolver problemas administrativos y de política pública, diseñando propuestas de innovación pública basada en evidencia.

• Identificar las oportunidades y desafíos del uso de Big Data en la gestión pública contemporánea.

• Analizar casos, marcos normativos y tecnologías que permiten la toma de decisiones basada en evidencia.

• Aplicar metodologías de análisis de datos para resolver problemas administrativos, presupuestales o de política pública.

• Diseñar propuestas de innovación pública utilizando flujos de datos masivos, abiertos y ciudadanos.

3. Educación basada en datos abiertos:
Esta asignatura se centra en la aplicación de los datos masivos para comprender y mejorar los contextos educativos. Aprenderás a analizar variables clave como el rendimiento y el abandono escolar usando herramientas de datos abiertos. El objetivo es que desarrolles estrategias de análisis y visualización para facilitar la toma de decisiones pedagógicas y administrativas basadas en evidencia y transparencia.

• Comprender los fundamentos, enfoques y usos de los datos en contextos educativos.

• Analizar sistemas de evaluación, rendimiento, abandono escolar y otras variables educativas desde una perspectiva basada en datos.

• Aplicar principios y herramientas de datos abiertos para generar procesos de transparencia, innovación y mejora educativa.

• Diseñar estrategias de análisis, visualización y toma de decisiones pedagógicas y administrativas con base en evidencia.

4. Ética algorítmica y seguridad de datos personales:
Esta asignatura aborda los principios éticos, legales y sociales del uso de algoritmos y datos en la toma de decisiones. Aprenderás a analizar dilemas de privacidad y automatización de decisiones en contextos públicos y privados. El objetivo es que apliques criterios normativos para evaluar sistemas algorítmicos desde la perspectiva de los derechos y propongas marcos de gobernanza de datos que promuevan la equidad y la
transparencia.Comprender los fundamentos, enfoques y usos de los datos en contextos educativos.

• Reconocer los principios éticos, legales y sociales involucrados en el uso de algoritmos en contextos públicos y privados.

• Analizar los dilemas éticos que emergen en la recolección, procesamiento y automatización de decisiones basadas en datos personales.

• Aplicar criterios normativos y conceptuales para evaluar sistemas algorítmicos desde una perspectiva de derechos.

• Proponer marcos de gobernanza de datos que articulen innovación con equidad, privacidad y transparencia.

3º Cuatrimestre
FASE: INVESTIGACIÓN
El objetivo de esta fase es redactar una de las partes más importantes de un estudio de investigación, la justificación. En fases anteriores se
desarrolló el esquema de tesis doctoral, donde se plantearon el problema de investigación y los objetivos de forma resumida. En esta fase, el objetivo es fundamentar y argumentar las razones que motivan el estudio y cuáles son los beneficios que derivan de la investigación. Describir brevemente aquellos aspectos del contexto y del debate teórico en que se ubica la investigación y que definen su relevancia y su pertinencia.

• Duración: 160

• Finalidad: Elaborar una justificación sólida y argumentada para la investigación

FASE: RESULTADOS Y ACCIONES DE LA INVESTIGACIÓN
El objetivo de esta fase es plantear los modelos, teorías y conceptos pertinentes al problema de investigación, de tal manera que fundamenten el análisis y la interpretación de los resultados (estudios análogos, revisión de literatura que fundamenta el diagnóstico realizado, fundamentación teórica del diseño del proyecto). Así como explicar la metodología que será empleada en el desarrollo de la tesis doctoral.

• Duración: 160

• Finalidad: Establecer el marco teórico-metodológico de la investigación, interpretar resultados y justificar el diseño metodológico de la tesis doctoral

FASE: INICIO DE TESIS DOCTORAL
El objetivo de esta fase consiste en elaborar y definir el marco empírico de la tesis doctoral a través del desarrollo de objetivos, hipótesis y variables. Elaborar el diseño y el tipo de investigación, establecer el método de recolección de datos, los instrumentos y la población objetivo de estudio. En esta fase, se comenzará con la recolección de datos a través de los instrumentos planteados.

• Duración: 320

• Finalidad: Consolidar el marco empírico de la tesis doctoral mediante la definición de objetivos, hipótesis y variables, el diseño metodológico y el inicio de la recolección de datos.

4º Cuatrimestre
FASE: DESARROLLO DE TESIS DOCTORAL
El objetivo de esta fase de investigación es interpretar y redactar los resultados que arrojan nuestra investigación tras el análisis realizado en la fase anterior. Esta interpretación debe ir apoyada con gráficos, tablas e imágenes, así como la inclusión de anexos que sean necesarios para la comprensión de los resultados. En esta fase también se debe comenzar a construir el apartado de “referencias bibliográficas”
cumpliendo estrictamente con la normativa APA.

• Duración: 192

• Finalidad: Analizar, interpretar y presentar los resultados de la investigación, apoyándolos con recursos visuales y anexos, y elaborar las referencias bibliográficas conforme a la normativa APA.

FASE: PROYECTO DE TESIS DOCTORAL
En esta última fase, el alumno bajo la supervisión del Director de Tesis llevará a cabo trabajos de investigación conducentes a la realización de su proyecto de tesis. Se redactará el 100% de la investigación en base al análisis y resultados conseguidos y se plasmará en el protocolo avanzado de investigación. Esta última parte de la fase supone, además, la finalización y defensa de la tesis en Disertación Pública.

• Duración: 192

• Finalidad: Consolidar y culminar la tesis doctoral mediante la redacción completa del proyecto de investigación, su integración en el protocolo avanzado y la preparación para su defensa pública.

Research Lines

Línea 1. Modelos Predictivos y Machine Learning para Datos Masivos
Objetivo:
Desarrollar e implementar modelos predictivos avanzados y algoritmos de machine learning que permitan extraer patrones útiles a partir de grandes volúmenes de datos, con aplicaciones en contextos sociales, económicos y estratégicos.

Línea 2. Análisis de Big Data para Políticas Públicas y Toma de Decisiones
Objetivo:
Aplicar técnicas de análisis de datos masivos para mejorar el diseño, implementación y evaluación de políticas públicas, promoviendo una toma de decisiones basada en evidencia.

Línea 3. Big Data en Salud Pública y Epidemiología Digital
Objetivo:
Investigar cómo el análisis de datos masivos puede contribuir a la vigilancia epidemiológica, la predicción de brotes y la optimización de estrategias de salud pública en tiempo real.

Línea 4. Big Data y Perspectiva de Género, Inclusión y Poblaciones Vulnerables
Objetivo:
Utilizar herramientas de análisis de datos para identificar desigualdades sociales y de género, promoviendo políticas inclusivas que atiendan las necesidades de colectivos vulnerables.

Línea 5. Gobierno Abierto y Transparencia basada en Datos
Objetivo:
Explorar el potencial del Big Data para fomentar la transparencia gubernamental, el acceso a la información pública y la participación ciudadana informada.

Línea 6. Big Data y Economía del Envejecimiento
Objetivo:
Analizar datos masivos para comprender mejor los retos y oportunidades económicos asociados al envejecimiento poblacional, apoyando el desarrollo de políticas sostenibles y servicios adaptados.

Línea 7. Análisis Ético y Normativo del Uso de Datos
Objetivo:
Examinar los marcos éticos y legales que regulan el uso de datos masivos, proponiendo enfoques responsables que garanticen la privacidad, la equidad y los derechos fundamentales.

Línea 8. Visualización de Datos y Narrativas Digitales Estratégicas
Objetivo:
Diseñar estrategias de visualización de datos que faciliten la comprensión de fenómenos complejos y potencien la comunicación efectiva en ámbitos académicos, institucionales y sociales.