tayloR (ft. Python): The Life of A Nerd Girl

Paula Iazmín Pereda SuárezLeave a comment

Quienes me conocen saben lo que me encanta Taylor Swift y que la sigo –fervientemente– desde los 13 años. La obsesión/fanatismo ha evolucionado de maneras raras hasta taylorR (2021), y hoy, tayloR (ft. Python).

El fin de semana pasado scrapeé la letra de sus 244 canciones oficiales, sus 12 eras: desde su homónimo “Taylor Swift” hasta la más fresca, “The Life of a Showgirl”. Sí, estuve trabajando en un análisis de sentimientos y emociones en las canciones de Taylor Swift, usando modelos de procesamiento de lenguaje natural (exacto, Inteligencia Artificial) para análisis de sentimientos.

ACTO I: El Mapa de la Evolución Emocional

Este es el mapa completo del viaje: cada canción tiene su propia personalidad emocional. Para construirlo, utilicé el modelo cardiffnlp/twitter-roberta-base-sentiment-latest, un sistema de inteligencia artificial especializado en detectar el tono emocional de textos. ¿Por qué este modelo específicamente? Fue entrenado con millones de tweets y textos informales, lo que lo hace especialmente bueno para captar el lenguaje coloquial y emocional que caracteriza a las letras de canciones.

El proceso fue el siguiente: cada una de las 244 canciones pasó por un análisis automático que clasificó su sentimiento en tres categorías fundamentales:

  • Positiva (verde): canciones con tono optimista, esperanzador o alegre
  • Negativa (rojo): canciones con tono melancólico, doloroso o sombrío
  • Neutral (amarillo): canciones que mantienen un equilibrio o ambigüedad emocional

Lo implementé mediante la clase SentimentAnalyzer en Python, que procesa las letras limpias de cada canción y genera scores para cada categoría. Luego, estos valores individuales se agregaron por álbum para obtener el promedio emocional de cada era.

El hallazgo más revelador: De toda la discografía, cada álbum tiende hacia la neutralidad emocional en su conjunto. Fearless balancea perfectamente alegría country con heartbreak adolescente. 1989 mezcla euforia pop con vulnerabilidad. Reputation combina venganza con amor redentor. Excepto uno…

“The Tortured Poets Department” es el único álbum que rompe este patrón. Con un 45% de contenido negativo versus apenas 13% positivo, es el trabajo más emocionalmente oscuro y desequilibrado de toda su carrera. No hay equilibrio aquí: es dolor destilado en 31 tracks.

¿Qué significa esto artísticamente? Que después de 11 álbumes perfeccionando el arte del balance emocional, Taylor finalmente se permitió crear una obra completamente desequilibrada. Y quizás esa sea su declaración más honesta.

ACTO II: El Velocímetro de la Reinvención

Para responder la pregunta “¿cuándo cambió realmente?”, necesitaba algo más sofisticado que solo sentimientos. Necesitaba medir el cambio semántico: qué tan diferente es el contenido, las metáforas, los temas, el lenguaje mismo de un álbum respecto al anterior.

Aquí entra la física aplicada a la música. Utilicé el modelo sentence-transformers/all-mpnet-base-v2, uno de los sistemas de embeddings más potentes disponibles. ¿Qué hace exactamente? Convierte cada canción en un vector de 768 dimensiones en un espacio matemático donde canciones similares están cerca y canciones diferentes están lejos. Es como crear un mapa multidimensional del significado.

Con estos embeddings, implementé la clase ArtisticTrajectoryAnalyzer, que calcula dos métricas:

Velocidad: La distancia euclidiana entre los centroides (punto promedio) de dos álbumes consecutivos. Un número alto significa reinvención dramática, uno bajo significa evolución gradual. Es como medir qué tan lejos “viajó” artísticamente entre un álbum y el siguiente.

Aceleración: El cambio en la velocidad misma. Si la velocidad aumenta repentinamente, significa que no solo cambió, sino que el ritmo del cambio se aceleró. Es el “cambio del cambio”, la segunda derivada de su evolución artística.

Los datos revelan exactamente CUÁNDO Taylor decidió romper con su sonido anterior:

1989 → reputation (velocidad: 0.255)
El salto más radical de su carrera hasta ese momento. No fue solo el sonido electrónico oscuro; fue un cambio total de vocabulario, metáforas y perspectiva narrativa. Los embeddings capturaron algo que los críticos tardaron años en articular: reputation no es “1989 con más sintetizadores”, es un universo léxico completamente diferente. Del “shake it off” a “I don’t trust nobody and nobody trusts me” hay una distancia semántica mensurable.

reputation → folklore (velocidad: 0.253)
Una reinvención casi tan drástica, pero en dirección opuesta. Del urbano revanchista al folk introspectivo. La aceleración aquí es fascinante: después del frenazo de Lover (velocidad baja), folklore representa un salto cuántico. No evolucionó gradualmente hacia el indie; saltó directamente.

THE TORTURED POETS DEPARTMENT → The Life of a Showgirl (velocidad: 0.287, aceleración: 0.096)
La reinvención más abrupta de su carrera reciente. Después de sumergirse en las profundidades emocionales más oscuras, el salto hacia The Life of a Showgirl representa el pico más alto en el gráfico de aceleración. No solo cambió: aceleró el cambio mismo.

Lo fascinante del análisis de embeddings es que no le dije al modelo qué buscar. No programé “busca cambios de género musical” o “detecta si usa más metáforas urbanas”. El modelo simplemente midió la distancia semántica pura. Y aún así, capturó perfectamente los tres momentos que cualquier swiftie identificaría como sus mayores reinvenciones.

ACTO III: La Psicología de los Álbumes

Si el Acto I reveló qué siente cada canción y el Acto II midió cuándo cambió entre eras, el Acto III responde la pregunta más cinematográfica: ¿cómo cuenta historias cada álbum completo?

Aquí viene la parte fascinante: tomé los datos de sentimiento del primer análisis (cardiffnlp/twitter-roberta-base-sentiment-latest) y los procesé con la clase EmotionalArcAnalyzer para descubrir algo que solo percibes cuando escuchas un álbum completo en orden: la narrativa emocional.

Calculé la valencia emocional de cada canción (positive – negative), creando un número que va de muy negativo a muy positivo. Luego tracé estas valencias en el orden exacto del álbum usando la columna position del dataset. El resultado es una curva emocional, como el electrocardiograma del álbum.

Pero el análisis no se detiene ahí. El algoritmo identifica automáticamente:

  • Picos emocionales: Momentos de máxima positividad (las estrellas doradas en el gráfico)
  • Valles emocionales: Los puntos más bajos y vulnerables (triángulos azules)
  • Puntos de inflexión: Dónde cambia la dirección emocional

Con esta información, clasifiqué cada álbum en uno de cinco arquetipos narrativos:

  • Ascendente/Esperanzador: El álbum termina más positivo que como empezó. Es el viaje del héroe clásico: dolor inicial, lucha, y finalmente redención o esperanza. Como una película que cierra con la protagonista sonriendo después de superar la adversidad.
  • Descendente/Melancólico: Un viaje hacia la oscuridad. Empieza con cierta luz pero progresivamente se sumerge en territorio más sombrío. Es la tragedia shakesperiana aplicada al pop: el arco de la caída.
  • Valle (Caída y Recuperación): La estructura narrativa más satisfactoria. Empieza neutral o positivo, desciende hacia la vulnerabilidad y el dolor en el medio del álbum, pero se recupera hacia el final. Es el “todo está perdido” del segundo acto seguido por la resolución del tercero. Catarsis pura.
  • Montaña (Auge y Caída): El arco invertido del valle. Comienza construyendo hacia un clímax emocional positivo, pero luego desciende hacia la melancolía o la reflexión. Como esas películas europeas que te dejan pensando en lugar de darte un final feliz.
  • Estable/Neutral: Mantiene una valencia emocional consistente a lo largo del álbum. No hay grandes subidas ni bajadas dramáticas. Esto no significa que sea monótono; significa que mantiene un mood cohesivo de inicio a fin, como una película de atmósfera constante.

Lo revolucionario de este análisis es que respeta el orden intencional del álbum. En la era del streaming donde escuchamos en shuffle, olvidamos que Taylor (como todo gran artista) secuencia sus álbumes como una experiencia narrativa completa. El track 1 no es intercambiable con el track 12.

Los datos en me permitieron cuantificar algo que antes solo podíamos intuir: que folklore tiene un arco de valle casi perfecto, que reputation es una montaña emocional que sube hacia “Delicate” y luego baja, que THE TORTURED POETS DEPARTMENT es descendente sin recuperación.

ACTO IV: Las Personalidades Emocionales

Si cada álbum fuera una persona con su propia personalidad emocional, ¿qué sentiría predominantemente? El análisis de sentimiento del Acto I fue solo el aperitivo: positivo, negativo, neutral. Ahora llega el plato fuerte.

Para este análisis implementé el modelo j-hartmann/emotion-english-distilroberta-base, un sistema entrenado específicamente para detectar el espectro completo de emociones humanas. No se limita a “¿es feliz o triste?”, sino que pregunta: “¿Es alegría, tristeza, enojo, miedo, sorpresa, disgusto o neutral?”

La clase GranularEmotionAnalyzer procesa cada canción identificando las 7 emociones fundamentales de la psicología Ekman, generando un perfil emocional completo. Luego, agregué estos perfiles por álbum, calculando el promedio de cada emoción para crear lo que llamo “huellas emocionales”: el ADN psicológico de cada era.

Los resultados revelan patrones que transforman completamente cómo entendemos su discografía:

reputation: La Era del Enojo (anger)
Con los niveles más altos de ira de toda su carrera, reputation no solo es “oscuro” o “negativo” en términos generales. Es específicamente furioso. El modelo detecta una concentración de lenguaje agresivo, vengativo y confrontacional que no aparece en ningún otro álbum. Esto va más allá de la tristeza post-ruptura; es rabia destilada. “Look What You Made Me Do” no es solo un bop pegajoso, es un manifiesto de ira que marca el tono de todo el álbum.

Lover: La Era de la Alegría (joy)
El álbum con el score más alto en joy de toda su discografía. Después de la oscuridad de reputation, Lover es el péndulo completo hacia el otro extremo. No es solo “positivo”, es específicamente alegre: eufórico, celebratorio, radiante. El modelo captura la ligereza, el optimismo casi ingenuo, la sensación de enamoramiento fresco. Es el álbum más brillante en su paleta emocional, literalmente.

folklore/evermore: Las Eras de la Tristeza (sadness)
Aquí está la melancolía pura. No enojo, no miedo, no disgusto. Tristeza contemplativa. El modelo detecta un vocabulario de pérdida, nostalgia y reflexión melancólica que define estos álbumes gemelos. Es la diferencia entre el dolor agudo de Red (que también tiene tristeza pero mezclada con otras emociones intensas) y la tristeza suave, casi confortable de folklore. Es el tipo de tristeza que te permite escribir desde una cabaña en el bosque.

1989: La Era de la Sorpresa (surprise)
Algo que no esperaba: 1989 puntúa alto en surprise. Tiene sentido: es el álbum del descubrimiento, de “¿qué pasa si lo intento así?”, de giros inesperados tanto en producción como en narrativa. “Blank Space” juega con expectativas, “Wildest Dreams” sorprende con su cinematografía lírica, “Clean” cierra con un twist emocional inesperado.

THE TORTURED POETS DEPARTMENT: El Cóctel Tóxico
Lo más interesante: no domina una sola emoción. Tiene altos scores en sadness, anger, disgust y fear simultáneamente. Es un álbum emocionalmente “sucio”, complejo, incómodo. No es catártico como folklore ni explosivo como reputation. Es… torturado. Literalmente.

Lo poderoso de este análisis es que confirma científicamente lo que los fans intuyen visceralmente. Cuando decimos que “reputation suena enojado” o que “folklore es triste”, no estamos proyectando arbitrariamente. Hay patrones lingüísticos medibles, vocabulario específico, construcciones sintácticas que el modelo de IA detecta objetivamente.

Cada álbum tiene su propia personalidad emocional, tan distintiva como una persona real. Y ahora tenemos su perfil psicológico completo.

ACTO V: La Diversidad Emocional – Montañas Rusas vs. Monotemas

Después de identificar qué emociones dominan cada álbum, llegó la pregunta del millón: ¿qué álbumes son más emocionalmente complejos? ¿Cuáles te llevan por una montaña rusa de sentimientos y cuáles mantienen un tono más uniforme?

Para responderlo, profundicé en el mismo modelo j-hartmann/emotion-english-distilroberta-base, pero esta vez usando la clase GranularEmotionAnalyzer para calcular métricas de complejidad emocional. No solo “qué siente”, sino “qué tan variado es lo que siente”.

Desarrollé tres métricas científicas:

Entropía Emocional

La entropía es un concepto de la teoría de la información que mide desorden o variabilidad. Aquí la adapté para emociones: ¿cuántas emociones distintas conviven significativamente en el álbum?

Alta entropía → Variedad emocional rica. El álbum visita múltiples estados emocionales con frecuencias similares. Es como un menú degustación: un poco de todo. Escucharlo es una experiencia multifacética, impredecible. Red es el ejemplo perfecto: alegría, tristeza, enojo, confusión, todo mezclado en 16 tracks.

Baja entropía → Coherencia o monotema emocional. El álbum se concentra en una o dos emociones dominantes. No es “monótono” en sentido peyorativo; es temáticamente cohesivo. folklore tiene baja entropía porque es consistentemente melancólico-reflexivo de principio a fin. Sabe lo que es y no se disculpa por serlo.

Rango Emocional

Esta métrica es más simple pero igual de reveladora: la diferencia entre el score más alto y el más bajo de todas las emociones detectadas.

Alto rango → Amplitud emocional extrema. El álbum contiene tanto los momentos más eufóricos como los más devastadores. Los picos son altísimos y los valles profundísimos. Es el 1989: de la ligereza de “Shake It Off” a la vulnerabilidad de “Clean”. La distancia emocional entre tracks es enorme.

Bajo rango → Tono emocional más acotado. Las emociones se mueven dentro de un espectro más estrecho. No hay saltos dramáticos. evermore es así: tristeza suave, nostalgia, melancolía contemplativa. Todo vive en la misma vecindad emocional.

Número de Emociones Distintas Presentes

La más directa: ¿en cuántas de las 7 emociones básicas puntúa significativamente el álbum?

Speak Now toca las 7 emociones. THE TORTURED POETS DEPARTMENT también, pero de manera más caótica. Lover se concentra principalmente en 3-4 emociones (joy, neutral, algo de sadness y surprise), ignorando prácticamente anger y disgust.

Los Hallazgos Reveladores:

Red: La Montaña Rusa Suprema
Alta entropía + alto rango + 7 emociones presentes = el álbum más emocionalmente complejo y caótico de su discografía. No por nada lo describe como “sentir todo intensamente”. El modelo matemáticamente confirma esa experiencia visceral.

folklore/evermore: La Coherencia Melancólica
Baja entropía + rango moderado + concentración en 4-5 emociones = álbumes temáticamente puros. Son emocional y estéticamente cohesivos. Cada canción pertenece al mismo universo emocional.

THE TORTURED POETS DEPARTMENT: El Caos Contenido
Alta entropía pero de forma diferente a Red. Aquí no es variedad saludable; es desorden emocional. Toca todas las emociones pero ninguna de manera liberadora. Es complejidad sin catarsis.

Lover: La Simplicidad Intencional
Baja entropía + rango bajo = el álbum más emocionalmente “simple” (y uso ese término con cariño). Sabe exactamente qué quiere ser: una celebración alegre con momentos de vulnerabilidad controlada. No necesita ser complejo para ser efectivo.

Lo fascinante es que ningún enfoque es objetivamente superior. Red nos emociona precisamente por su caos. folklore nos conmueve por su coherencia. Son estrategias narrativas diferentes para experiencias artísticas diferentes.

ACTO VI: La Gramática Emocional – Cómo Fluyen las Emociones

Si los actos anteriores revelaron qué siente cada álbum, este acto descubre algo más sutil y cinematográfico: cómo se mueven las emociones de una canción a la siguiente. ¿Cómo secuencia Taylor sus álbumes para crear narrativas emocionales?

Para responder esto, volví al modelo j-hartmann/emotion-english-distilroberta-base pero con un enfoque completamente diferente. Usando la clase GranularEmotionAnalyzer, analicé no las canciones aisladas, sino las transiciones entre canciones consecutivas dentro de cada álbum.

La metodología es crucial aquí: utilicé la columna position del dataset para respetar el orden exacto del tracklist. En la era del shuffle esto parece trivial, pero es fundamental: Taylor no coloca “All Too Well” en la posición 5 de Red por accidente. El orden importa. El flujo importa.

El resultado y su visualización más poderosa: la Matriz de Transiciones Emocionales. Cada celda indica la probabilidad de que una emoción específica sea seguida por otra. Es como descubrir las reglas gramaticales del lenguaje emocional de Taylor Swift.

Los Patrones Reveladores:

La Ira y el Asco son Estables — Cuando Aparecen, Se Quedan

Observa la diagonal en la matriz: Ira → Ira (0.36), Asco → Asco (0.75). Estas emociones tienen una inercia gravitacional. Cuando un álbum entra en territorio de enojo o repulsión, tiende a permanecer ahí por múltiples canciones consecutivas.

reputation es el caso de estudio perfecto: “Look What You Made Me Do” → “…Ready For It?” → “End Game”. Una secuencia de ira sostenida. No hay alivio inmediato. El álbum te obliga a sentarte en el enojo, a habitarlo completamente antes de permitirte salir.

La Tristeza es el Destino Más Frecuente

Mira la columna de “Tristeza”: prácticamente todas las emociones eventualmente conducen allí. Ira → Tristeza (0.25), Miedo → Tristeza (0.25), Sorpresa → Tristeza (0.31), Alegría → Tristeza (0.17).

Es como si la tristeza fuera el estado de reposo emocional de su discografía. La gravedad natural hacia donde todo cae cuando las otras emociones se agotan. La ira se quema y deja cenizas de melancolía. El miedo se calma en tristeza reflexiva. Incluso la sorpresa eventualmente se asienta en nostalgia.

folklore y evermore demuestran esto magistralmente. Las canciones no empiezan tristes necesariamente, pero casi siempre terminan ahí. Es el destino inevitable del álbum.

La Alegría Rara Vez Dura: Casi Siempre Da Paso al Miedo o la Melancolía

Aquí está el hallazgo más devastador: cuando una canción es alegre, hay 50% de probabilidad de que la siguiente sea sobre miedo (0.50) y 17% de que sea sobre tristeza. La alegría directamente a más alegría es extremadamente rara (0.00 en esta matriz).

Es la arquitectura del realismo emocional. Taylor no te permite flotar en la euforia indefinidamente. Después de “Shake It Off” viene algo más complejo. Después de “ME!” viene la vulnerabilidad. La alegría pura es tratada como un estado temporal, una estación de paso, no un destino.

Lover intenta romper este patrón y por eso se siente tan anómalo en su discografía. Pero incluso ahí, eventualmente, la gravedad emocional jala hacia abajo.

El Miedo Se Autoperpetúa

Miedo → Miedo (0.51) es una de las transiciones más altas. Cuando entra la ansiedad, el álbum tiende a mantenerse en ese estado. Es el efecto de espiral: una canción ansiosa te pone en un headspace que hace que la siguiente canción también se sienta ansiosa.

THE TORTURED POETS DEPARTMENT vive aquí. No es solo triste; está ansioso. Y esa ansiedad se alimenta a sí misma track tras track.

Las Emociones “Oscuras” Son Pegajosas

La diagonal oscura de la matriz no es coincidencia: Ira, Asco, Miedo y Tristeza tienen alta probabilidad de auto-transición. Las emociones “negativas” son viscosas. Te atrapan. Requieren múltiples canciones para procesar.

Mientras que la alegría y la sorpresa son volátiles, efímeras, transitorias. Aparecen como destellos pero no sostienen álbumes completos.

Implicaciones Narrativas:

Esto revela que Taylor secuencia álbumes como un guionista experimentado. No mezcla emociones aleatoriamente. Hay una lógica, una gramática, una sintaxis emocional.

Los álbumes “oscuros” (reputation, THE TORTURED POETS DEPARTMENT) te sumergen en la emoción y no te dejan salir fácilmente. Los álbumes “mixtos” (Red, Speak Now) usan transiciones dramáticas como giros de trama. Los álbumes “cohesivos” (folklore, 1989) mantienen transiciones suaves dentro de una paleta emocional limitada.

La matriz de transiciones es, literalmente, el manual de gramática emocional de su obra completa. Y ahora sabemos por qué ciertos álbumes se sienten como catarsis y otros como descenso sin escape: está en la probabilidad matemática de cómo una emoción fluye a la siguiente.


Datos que sean de moda: ¿es realmente el marrón -en todas sus tonalidades- el color de la temporada?

Paula Iazmín Pereda SuárezLeave a comment

Ciencia de datos, moda y una paleta que se viste de tierra

Este es el primer post de una serie donde exploro cómo aplicar ciencia de datos al análisis de tendencias en moda, usando como insumo la base de productos de Moweek, la semana de la moda uruguaya. Hace tres años empecé este proyecto con una idea sencilla: ¿qué pasaría si scrapeamos sistemáticamente los datos de cada edición y los analizamos como si fueran datos más típicos como una encuesta?

Inspirada en @databutmakeitfashion, desarrollé un pipeline propio que incluye scraping, limpieza, procesamiento de imágenes y análisis visual. El objetivo: crear un dataset completo de productos de moda locales, con metadatos estructurados (marca, precio, color, talle, producción nacional y sustentable) y un repositorio de imágenes que luego sirvan para explorar cosas como paletas dominantes, formas recurrentes o cambios entre temporadas, es decir, tendencias.

¿Cómo lo hago?

  1. Mapeo las categorías desde el sitio de Moweek, generando una estructura jerárquica que ordena las prendas por tipo.
  2. Scrapeo el JSON-LD de cada producto para obtener atributos como marca, precio, color, tamaño, producción nacional y sustentable.
  3. Descargo las imágenes asociadas a los productos.
  4. Limpio y verifico: corrijo nombres, identifico duplicados, estandarizo etiquetas.
  5. Aplico machine learning visual con YOLO + SAM para segmentar prendas, detectar colores dominantes, patrones y texturas (tendencias).

El resultado: una base de datos limpia, reproducible y rica en detalles que permite responder preguntas como “¿sigue reinando el negro?” o “¿el marrón es una moda pasajera o una tendencia consolidada?”.

Vestimenta: el ascenso de los neutros cálidos

En la categoría vestimenta —que incluye tops, vestidos, pantalones y capas— la familia del marrón supera por poco al negro. Si bien el negro representa el 18,8 % de las prendas, tonos como beige (9,3 %), marrón (8,1 %), crudo, camel y tostado suman más de un 20 %. Es una señal clara de que los neutros cálidos no son sólo un complemento: son protagonistas.

Por subcategoría:

  • Tops: los sweaters chocolate y blusas beige se imponen como base del uniforme “de oficina relajada”.
  • Bottoms: pantalones sastre camel y faldas marrón reemplazan al típico pantalón negro.
  • Vestidos y conjuntos (One piece): el slip dress marrón y el vestido jersey beige marcan el tono de los eventos diurnos.
  • Layering/Knits: ruanas crudo-marrón y chalecos camel dan lugar al layering monocromático texturizado, una suerte de “latte dressing”.
  • Outerwear: tapados chocolate y blazers beige reemplazan al clásico negro como primera capa visual.

Carteras y zapatos: donde el marrón grita más fuerte

Donde la tendencia se vuelve inequívoca es en los accesorios. En carteras:

  • Marrón (9,8 %) y camel (7,5 %) duplican su cuota respecto a las prendas.
  • El bloque tierra alcanza un 26 %.
  • Aunque el negro sigue liderando (30 %), el marrón se consolida como el color statement.

En calzado, se repite el patrón:

  • Marrón (7,8 %), chocolate (6,5 %) y camel (6,3 %) suman más del 20 %.
  • El negro domina (29,9 %), pero los tierra se posicionan como su contrapeso cálido.

¿El veredicto?

Sí: el marrón está en tendencia. Pero más que un solo color, lo que define esta temporada es una paleta: del beige mantecoso al chocolate profundo, los neutros cálidos se convirtieron en el nuevo uniforme. No se trata sólo de sobriedad, sino de comunicar calidez, sofisticación y conexión con lo natural.

Ciencia de datos (también) es esto

Este análisis no salió de un desfile. Salió de un dataset limpio, un scraping riguroso y una idea: aplicar herramientas de datos a un terreno inesperado. En esta serie, voy a seguir explorando cómo usar ciencia de datos para mirar la moda con otros ojos: ¿Qué nos pueden contar los datos de la Moweek F/W25?

Todo el código de este proyecto se encuentra alojado en este repositorio.

Natalidad sin niñez: la urgencia de mirar lo que ya está

Paula Iazmín Pereda SuárezLeave a comment

Uruguay ha registrado en los últimos años una disminución sostenida en el número de nacimientos, llegando a la cifra más baja desde finales del siglo XIX (1888). Por cuarto año consecutivo, además, se da la paradoja de que mueren más personas de las que nacen. Enseguida surgen discursos y propuestas pronatalistas que buscan revertir esta tendencia. Sin embargo, antes de apresurarnos a promover políticas para aumentar la natalidad o recurrir a la inmigración como forma de ampliar la población activa, vale la pena preguntarnos: ¿cómo viven los pocos niños, niñas y adolescentes que ya tiene Uruguay?

La realidad de la infancia y adolescencia uruguaya

Actualmente, en Uruguay hay 884.969 niños, niñas y adolescentes de entre 0 y 18 años. Esto representa el 25,2% de la población total. Desglosando, quienes tienen entre 0 y 4 años equivalen al 5,1% de la población, los de 5 a 9 años al 6,6% y los de 10 a 14 años al 6,8%.

En cuanto a la pobreza monetaria, las cifras son elocuentes: el 18,6% de las personas menores de 18 años viven en situación de pobreza, en contraste con el 8,7% de quienes tienen entre 18 y 64 años y el 2,2% de las personas de 65 o más. Esta brecha refleja con claridad que la infancia y la adolescencia son los grupos con mayor vulnerabilidad económica. Pero la pobreza no es solo una cuestión de ingresos, y ahí entra en juego el Índice de Pobreza Multidimensional (IPM).

Pobreza multidimensional por edades

El IPM integra múltiples privaciones —educación, vivienda, servicios básicos, protección social, El Índice de Pobreza Multidimensional (IPM) combina privaciones en educación, vivienda, servicios básicos, protección social y empleo, mostrando así cómo cada dimensión afecta de manera distinta a cada etapa del ciclo vital.

En el ámbito educativo, el rezago y la desvinculación escolar crecen a medida que aumenta la edad, de modo que la adolescencia (13 a 17 años) termina concentrando los mayores desafíos de continuidad educativa. Al mismo tiempo, los hogares con niños y niñas menores de 6 años exhiben altos niveles de escolarización insuficiente en los adultos responsables, lo que apunta a carencias formativas estructurales que inciden en la dinámica familiar.

En cuanto a las condiciones habitacionales y el acceso a servicios básicos, la primera infancia presenta las mayores tasas de hacinamiento, tenencia insegura y problemas de materialidad, junto con carencias marcadas en conectividad (internet), calefacción y saneamiento. Estas vulnerabilidades indican un contexto especialmente precario para quienes tienen menos de 6 años, y pueden afectar de forma crítica su desarrollo físico, cognitivo y socioemocional.

Si nos detenemos en la protección social y el empleo, vemos que el acceso a cuidados formales para los más pequeños suele ser muy limitado; la seguridad social dirigida a la niñez también es escasa en todos los grupos. Aunque los menores de edad no participan directamente en el mercado laboral, los altos índices de informalidad, desempleo y subempleo en las personas adultas de sus hogares repercuten en la calidad de vida y las oportunidades de desarrollo de la infancia y la adolescencia.

En síntesis, la primera infancia (0 a 5 años) se ve fuertemente afectada por privaciones estructurales en vivienda y servicios, la adolescencia se enfrenta más a la desconexión educativa (rezago y abandono), y el grupo de 6 a 12 años se ubica en un término intermedio, con indicadores igualmente preocupantes pero un matiz distinto en cada dimensión.

Repensar el discurso pronatalista

Estos indicadores nos alertan sobre la situación de quienes ya están naciendo y creciendo en el país. Con tantos desafíos sin resolver —desde la precariedad de vivienda y servicios básicos, hasta la fragilidad educativa—, sería apresurado fomentar la llegada de más niños y niñas o recurrir a la inmigración sin antes atender las carencias existentes.

Las políticas de natalidad pueden ser una estrategia, pero si hoy, con un número reducido de niños, niñas y adolescentes, no logramos garantizarles condiciones de vida dignas, ¿qué nos hace pensar que podríamos hacerlo con más? Para que los discursos pronatalistas resulten coherentes, primero deberíamos asegurar la protección social, el acceso a la educación, a las condiciones habitacionales apropiadas y a oportunidades laborales para los adultos responsables de su crianza.

Conclusión

Uruguay vive una etapa de declive demográfico, pero la urgencia no solo está en aumentar la población nacida, sino también en garantizar calidad de vida y oportunidades a los niños, niñas y adolescentes que ya forman parte de su presente. Pocas infancias, muchas deudas: este podría ser un resumen de la situación actual. Y antes de apostar por estrategias de crecimiento poblacional, conviene zanjar las asignaturas pendientes en materia de pobreza, educación y protección social para las infancias existentes.

En definitiva, los discursos pronatalistas carecen de fundamento si no vienen acompañados de políticas firmes que garanticen las condiciones mínimas para que cada niño crezca libre de privaciones y con el pleno ejercicio de sus derechos. De lo contrario, seguiremos teniendo pocos niños, niñas y adolescentes, y muchos de ellos sumidos en desigualdades que limitan su futuro y, en última instancia, el futuro mismo del país.

Desdibujando al “científico loco”: medio siglo de estereotipos en manos infantiles

Paula Iazmín Pereda SuárezLeave a comment

¿A qué edad comenzamos a imaginar al científico como un hombre de mediana edad, con bata blanca y lentes gruesos? ¿Cuándo asimilamos la idea de que la ciencia es “cosa de hombres”? Estas preguntas, que parecieran meras curiosidades, se vuelven fundamentales cuando pensamos en cómo los niños y niñas construyen su visión del mundo y se insertan en él. El Draw-A-Scientist Test (DAST) —o “Dibuja un/a Científico/a”— nació precisamente para descifrar ese rompecabezas.

Orígenes del Draw-A-Scientist Test: caricaturas tempranas de la ciencia

El Draw-A-Scientist Test (DAST) no es una prueba estandarizada con respuestas correctas o incorrectas, sino un ejercicio proyectivo sumamente revelador. Creado por el investigador David Wade Chambers, tomó forma a partir de 1966, cuando comenzó a recopilar dibujos de niños de preescolar y primaria en distintos países. Su meta era ambiciosa: descubrir cómo los estereotipos de la figura del científico —ya evidentes en adolescentes, según las antropólogas Margaret Mead y Rhoda Métraux— anidaban en la mente de los más pequeños.

La consigna era sencilla: “Dibuja un científico” (en la versión original en inglés, “Draw a Scientist”, la palabra scientist es neutra en cuanto al género, no es necesario especificar si se trata de una mujer o un varón hombre). Sin embargo, los resultados retrataron mucho más que simples monigotes. Entre 1966 y 1977, Chambers aplicó el DAST a 4.807 participantes y clasificó los dibujos de acuerdo con siete indicadores estereotípicos (bata de laboratorio, lentes, vello facial, frascos químicos, etc.). Sus conclusiones, publicadas en 1983, sorprendieron: casi todos los dibujos presentaban a un hombre rodeado de tubos de ensayo. Apenas un 0,6% imaginó a una científica mujer —todas, dibujadas por niñas—. Dicho en otras palabras: desde edades tempranas, la bata y los bigotes predominaban.

No era cuestión de madurez intelectual: Chambers buscaba revelar la forma en que niños y niñas absorbían los mensajes culturales sobre el “científico loco”. Y lo que encontró fue claro: la imagen estereotipada se asoma incluso en los primeros años de primaria. A medida que los pequeños avanzan de grado, incorporan cada vez más “detalles de laboratorio” y, sobre todo, un sesgo de género marcado.

Medio siglo de dibujos: ¿qué ha cambiado?

1. El peso de la edad

Desde la década de los 60 hasta hoy, el DAST se ha replicado en al menos 78 estudios, mostrando un patrón que no sorprende y, a la vez, preocupa: conforme los niños crecen, sus dibujos se vuelven más estereotípicos. Los de preescolar, por ejemplo, a veces representan científicos y científicas con la misma frecuencia. Pero al llegar a bachillerato, cerca del 80% dibuja un varón. El “científico con bata y lentes” permanece casi intacto.

¿Por qué? Porque en los primeros años de vida, el estereotipo “científico = varón” todavía no está tan arraigado. Sin embargo, conforme avanza la escolaridad, se multiplican las referencias culturales: libros, películas, historiales de “grandes hombres de ciencia”, series de TV, libros escolares… Entonces, la noción de la ciencia como dominio masculino va calando hondo. Así se entiende que muchas niñas pequeñas dibujen a una mujer científica —porque aún no asumen esa restricción de género—, pero las adolescentes opten, en su mayoría, por retratar a varones.

2. El factor género

Otro tema relevante es quién dibuja y a quién dibuja. Históricamente, tanto niños como niñas han tendido a ilustrar científicos varones. Sin embargo, las niñas son más proclives a dibujar científicas que los niños. Esta brecha, aunque se ha reducido en las últimas décadas, todavía existe. El meta-análisis de Miller et al. (2018), que analizó 20.860 dibujos de niños de 5 a 18 de las últimas cinco décadas, muestra que, si bien hoy el porcentaje de niñas que dibuja científicas es mayor (llegando incluso a 58% en algunos estudios recientes), los niños siguen rezagados, dibujando a mujeres científicas en apenas 10% de los casos.

Esto confirma lo que ya insinuaba Chambers: la infancia no es inmune a los sesgos socioculturales. Sin embargo, hay avances. En la década de 1960, apenas 0,6% de los dibujos mostraba científicas mujeres; en estudios actuales, esa cifra se eleva a 28% o más. Se trata de un progreso innegable, vinculado al creciente protagonismo de las mujeres en STEM y a la visibilización de científicas en distintos ámbitos. Pero, aun así, el varón de bata blanca continúa siendo la imagen más repetida.

Del diagnóstico a la acción: el DAST como herramienta de cambio

Si bien el DAST nació como un método de diagnóstico, hoy también sirve para medir el impacto de intervenciones educativas que buscan cambiar la percepción infantil de la ciencia. Talleres de verano, campamentos, clubes escolares y reformas curriculares aprovechan este ejercicio —en modelos pre y post— para evaluar si la visión de “quién es científico y qué hace” se torna más inclusiva y realista.

Un ejemplo contundente es el estudio de İsmail Dönmez et al. (2023), donde un grupo de niñas adolescentes participó en un campamento STEM, conviviendo con ingenieras y científicas reales. Después de esa experiencia, sus dibujos cambiaron radicalmente, retratando mujeres que ejercen la ciencia con naturalidad y reflejando una comprensión más amplia de las tareas científicas. Al final, muchas dijeron verse a sí mismas como posibles científicas.

No se trata de un caso aislado: intervenciones similares en Turquía, Corea y otros países demuestran que, al exponer a los niños y niñas a modelos más diversos —personas de distintas edades, géneros y ámbitos de investigación—, la imagen del “científico loco” se desdibuja. En su lugar, asoma una representación más cercana a la realidad: individuos de ambos sexos, contextos laborales más amplios y menos obsesión con los tubos de ensayo.

Eso sí, los cambios no siempre son inmediatos ni drásticos. Muchos sesgos están arraigados en la cultura popular, y revertirlos puede requerir múltiples experiencias positivas y repetidas a lo largo del tiempo. Sin embargo, la tendencia general es optimista. Varios estudios señalan que una intervención educativa diseñada con cuidado —por ejemplo, con mentorías de científicas y científicos de diversas áreas— ayuda a debilitar el estereotipo tradicional.

Los números con los que deberíamos quedarnos

El análisis, que abarcó cinco décadas de dibujos infantiles (Miller, 2018), cuentan una historia de cambio:

  • Un asombroso 99,4% de los niños en las décadas de 1960 y 1970 ni siquiera imaginaba a una mujer con bata de laboratorio: de 5.000 dibujos, solo 28 mostraban científicas femeninas.
  • Hemos avanzado, pero no lo suficiente: incluso en 2016, apenas alrededor de un tercio de los dibujos de niños representaba a mujeres científicas.
  • Las niñas más pequeñas empiezan creyendo en sí mismas: un poderoso 70% de las niñas de 6 años dibujan científicas que se parecen a ellas.
  • Pero algo sucede: a los 16 años, solo el 25% de las chicas todavía se imagina a una mujer en la ciencia.
  • Y la visión masculina de la ciencia sigue siendo obstinadamente varonil: aunque el 17% de los varones de 6 años puede imaginar a una mujer científica, en bachillerato ese número se desploma a un alarmante 2%, perpetuando el ciclo para otra generación.

Conclusiones: una tarea en construcción

A más de cincuenta años de los primeros dibujos recopilados por Chambers, el Draw-A-Scientist Test sigue siendo una ventana para entender cómo la niñez concibe la ciencia. Sus hallazgos reflejan un camino dual: por un lado, muestran la persistencia de estereotipos (bata blanca, lentes, varón solitario en un laboratorio), y por el otro, evidencian avances notables, como la creciente representación de mujeres.

El mensaje es claro: si queremos que todos los niños y niñas se sientan con la libertad de soñar con la ciencia —sea con bata o sin ella—, es fundamental seguir promoviendo modelos diversos y herramientas educativas que rompan con la idea de “la ciencia es de varones y para varones”. Cada intervención, por pequeña que sea, suma en el proceso de derribar barreras invisibles y ensanchar el horizonte de quienes desde la infancia imaginan cómo será su futuro.

El DAST, que comenzó como una curiosidad académica, se ha transformado en un indicador crucial de cambio social y educativo. Que un niño dibuje a una mujer científica —o a un varón que hace ciencia en un océano, en un campo o mirando estrellas— implica reconocer que la ciencia es tan variada y humana como la sociedad misma.

Referencias

  • Chambers, D. W. (1983). “Stereotypic images of the scientist: The Draw-A-Scientist Test.” Science Education, 67(2), 255–265.
  • Mead, M. & Métraux, R. (1957). “Image of the Scientist among High-School Students.” Science, 126(3270), 384–390.
  • Finson, K. D. (2002). “Drawing a Scientist: What We Do and Do Not Know after Fifty Years of Drawings.” School Science and Mathematics, 102(7), 335–345.
  • Miller, D. I., Nolla, K. M., Eagly, A. H., & Uttal, D. H. (2018). “The Development of Children’s Gender-Science Stereotypes: A Meta-Analysis of 5 Decades of U.S. Draw-A-Scientist Studies.” Child Development, 89(6), 1943–1955.
  • Hernández, C. (2021). “Por más mujeres en la ciencia y las matemáticas.” Revista CorreodelMaestro, No. 505.
  • Dönmez, İ. et al. (2023). “Breaking Gender Stereotypes: How Interacting with STEM Professionals Changed Female Students’ Perceptions.” Journal of Baltic Science Education, 22(6), 974–990.
  • Hayes, C. R. et al. (2020). “First results from the Dark Skies, Bright Kids astronomy club draw-a-scientist test.” Phys. Rev. Phys. Educ. Research, 16(1), 010131.
  • Leblebicioğlu, G. et al. (2021). “How do science camps affect middle grade students’ image of scientists?” Research in Science & Technological Education, 39(3), 242–265.
  • Schibeci, R. & Sorensen, I. (1983). “Elementary School Children’s Perceptions of Scientists.” School Science and Mathematics, 83(1), 14–20.
  • Symington, D. & Spurling, H. (1990). “The ‘Draw a Scientist’ Test: Interpreting the Data.” Research in Science Education, 20, 218–224.
  • Barman, C. R. (1997). “Students’ Views of Scientists and Science: Results from a National Study.” Science and Children, 35(1), 18–23.
  • Buldu, M. (2006). “Young Children’s Perceptions of Scientists: A Preliminary Study.” Educational Research, 48(1), 121–132.
  • Maoldomhnaigh, M. & Hunt, A. (1989). “Some Factors Affecting the Image of the Scientist Drawn by Older Primary School Pupils.” Research in Science & Technological Education, 7(2), 159–166.
  • Song, J. & Kim, K. (1999). “How Korean Students See Scientists: The Images of the Scientist.” International Journal of Science Education, 21(9), 957–977.