Si tu trabajo de grado de ciencia de datos o inteligencia artificial entrena un modelo con un dataset abierto, con información extraída por web scraping o con registros administrativos de una organización, la pregunta de protección de datos que enfrentas es distinta de la que resuelve una encuesta convencional. No recogiste los datos directamente de la persona, así que no hay un formulario de consentimiento que firmar en el momento de la recolección — pero eso no significa que la Ley 1581 de 2012 deje de aplicar. Esta guía explica cómo se gestiona la protección de datos personales cuando la fuente es un dataset o un proceso de extracción automatizado, no una encuesta.
Por qué este escenario es distinto al de una encuesta

La guía sobre datos personales, habeas data y la Ley 1581 de 2012 explica el escenario más común: tu propia encuesta pide nombres, correos o cédulas, y necesitas la autorización explícita del titular en el momento de recogerla. En ciencia de datos e inteligencia artificial, el escenario típico es distinto: trabajas con datos que ya existen —un dataset público, información extraída de internet, registros administrativos entregados por una organización— sin haber tenido contacto directo con las personas cuyos datos contiene ese conjunto.
Eso no te exime de la Ley 1581: el artículo 10 de la ley contempla excepciones específicas para datos de naturaleza pública y para tratamiento con fines históricos, estadísticos o científicos, pero esas excepciones vienen con condiciones —principalmente, la obligación de anonimizar cuando el dato es sensible— que conviene entender antes de construir tu conjunto de entrenamiento.
Datos de fuentes de acceso público: qué permite realmente la ley
El artículo 10 de la Ley 1581 reconoce que los datos de fuentes de acceso público —registros abiertos, publicaciones oficiales— pueden tratarse sin la autorización previa exigida para otros casos. Pero «público» tiene un significado técnico preciso: que la información esté visible en internet no la convierte automáticamente en dato de acceso público en el sentido legal, especialmente si se trata de un dato sensible (salud, orientación sexual, datos biométricos, entre otros) que exige un tratamiento más cuidadoso incluso cuando está disponible abiertamente.
Web scraping y redes sociales: la zona gris

Extraer datos de redes sociales u otras plataformas web mediante scraping para entrenar o evaluar un modelo es una práctica extendida en trabajos de grado de ciencia de datos, pero tiene tres capas de riesgo que conviene declarar en el capítulo de método:
- Los términos de servicio de la plataforma —independientes de la Ley 1581— pueden prohibir o restringir la extracción automatizada de datos, y su incumplimiento es un riesgo distinto al de protección de datos personales.
- La finalidad declarada. Si vas a usar los datos con fines científicos o estadísticos (la excepción del artículo 10, literal e, de la Ley 1581), esa finalidad debe quedar explícita desde el diseño, y el resultado debe anonimizarse antes de compartirlo o publicarlo.
- Los datos sensibles incidentales. Un scraping diseñado para capturar un tipo de contenido puede arrastrar datos sensibles no buscados (opiniones políticas, datos de salud mencionados en un texto), que exigen el mismo cuidado que si los hubieras recogido intencionalmente.
El riesgo de reidentificación en modelos de machine learning
Un riesgo específico de la ciencia de datos que no existe en una encuesta convencional es que un modelo entrenado con datos personales puede, en ciertas condiciones, memorizar y luego «filtrar» información identificable a través de sus predicciones o de ataques de inferencia, incluso si el dataset de entrada fue anonimizado de forma superficial. Esto es especialmente relevante en modelos de lenguaje entrenados con texto que puede contener información personal incidental, o en modelos que procesan datos muy dispersos donde una combinación única de variables identifica a una sola persona, aunque el nombre nunca aparezca en el dataset.
Para un trabajo de grado, lo razonable es declarar este riesgo explícitamente en el capítulo de discusión o de limitaciones cuando el diseño del modelo lo haga plausible, y describir qué medidas de mitigación se aplicaron, aunque no exista todavía un estándar único y obligatorio para evaluarlo en el contexto de un trabajo de pregrado.
Técnicas de anonimización para datasets de entrenamiento
| Técnica | Qué hace | Cuándo usarla |
|---|---|---|
| Eliminación de identificadores directos | Quita nombre, correo, número de documento | Siempre, como mínimo, antes de cualquier análisis |
| Seudonimización | Sustituye el identificador por un código, con la tabla de equivalencias guardada aparte | Cuando necesitas poder rastrear un registro después (por ejemplo, para corregir un error) |
| Generalización o agregación (k-anonimato) | Agrupa valores específicos en rangos (edad exacta → rango de edad) hasta que cada combinación describe a un grupo, no a un individuo | Cuando el dataset combina varias variables que juntas podrían identificar a alguien |
| Perturbación o adición de ruido | Modifica ligeramente los valores numéricos sin alterar las tendencias agregadas | En datasets donde la precisión exacta del dato individual no es necesaria para el análisis |
La técnica correcta depende de qué tan sensible es el dato y de qué tan robusto necesita ser el análisis posterior; documenta en el capítulo de método cuál elegiste y por qué, en vez de aplicar una anonimización genérica sin justificarla.
Cuando usas un dataset ya construido por otra persona
Si tu trabajo usa un dataset público ya existente (por ejemplo, de Kaggle, de un repositorio académico o de una entidad gubernamental), verifica su licencia de uso y su documentación (data sheet o ficha técnica) para confirmar si ya fue anonimizado por quien lo construyó y bajo qué criterio, en vez de asumir automáticamente que es seguro para cualquier uso. Cita el dataset con su fuente original, su versión y la fecha de descarga, igual que citarías cualquier otra fuente de datos secundarios.
Cómo documentar esta decisión en el capítulo de método
Un jurado que revisa un trabajo de ciencia de datos o inteligencia artificial espera encontrar, dentro del capítulo de método, una sección explícita dedicada al origen y al tratamiento ético de los datos, no solo la descripción del modelo o del algoritmo. Esa sección debería responder, como mínimo, a cuatro preguntas concretas:
- ¿De dónde salió cada dataset? Nombre exacto, fuente, fecha de obtención y, si aplica, el método de extracción (API oficial, descarga directa, scraping).
- ¿Contenía datos personales o sensibles en su forma original? Aunque la respuesta sea negativa, conviene justificarla en vez de darla por sentada.
- ¿Qué técnica de anonimización se aplicó, si alguna, y en qué momento del pipeline? Antes de dividir en entrenamiento y prueba, o después, cambia el análisis de riesgo.
- ¿Qué licencia o términos de uso cubren el dataset, y se respetaron? Un dataset con licencia de solo-investigación no puede reutilizarse igual que uno de dominio público.
Redactar esta sección con el mismo rigor que el resto de la metodología —citando la fuente exacta del dataset, describiendo el procedimiento de limpieza y anonimización paso a paso, y explicando la justificación de cada decisión— evita que el jurado interprete la ausencia de esta discusión como un vacío ético del trabajo, incluso cuando el diseño técnico sea sólido. Vincular esta sección con tu matriz de consistencia ayuda a mostrar que el tratamiento de datos está alineado con tus objetivos y no es un añadido de último momento.
Datos abiertos, datos licenciados y datos con acceso restringido
No todos los datasets «disponibles en internet» tienen el mismo estatus legal, y confundirlos es uno de los errores más comunes en trabajos de ciencia de datos:
| Categoría | Qué implica | Ejemplo típico |
|---|---|---|
| Dominio público / licencia abierta (CC0, MIT, etc.) | Uso, redistribución y modificación libres, generalmente sin restricción de finalidad | Datasets de entidades gubernamentales publicados bajo datos abiertos |
| Licencia de solo-investigación | Permite el uso académico o científico, pero prohíbe fines comerciales o redistribución | Muchos datasets académicos de benchmarking en visión por computador o procesamiento de lenguaje natural |
| Acceso restringido con solicitud previa | Requiere firmar un acuerdo de uso de datos (data use agreement) antes de la descarga, con condiciones específicas de almacenamiento y anonimización | Datasets clínicos o de salud pública con información potencialmente sensible |
| Extraído por scraping propio | No tiene licencia explícita; su legalidad depende de los términos de servicio de la plataforma de origen y del tipo de dato extraído | Publicaciones de redes sociales, reseñas de productos, foros |
Verifica siempre la licencia específica de cada dataset que uses, en vez de asumir que «académico» equivale automáticamente a «libre de restricciones»: muchas licencias de investigación exigen citar el dataset de una forma particular, prohíben identificar a personas específicas incluso si el dato ya está en el conjunto, o exigen eliminar los datos al finalizar el proyecto.
Errores frecuentes en esta gestión
- Asumir que «público» significa «sin restricciones». Un dato visible en internet puede seguir siendo un dato sensible que exige anonimización antes de su tratamiento científico.
- No declarar el origen exacto del dataset. «Datos de Twitter» sin especificar el método de extracción, el periodo y los criterios de filtrado no es reproducible ni verificable por el jurado.
- Ignorar el riesgo de reidentificación por combinación de variables. Un dataset sin nombres pero con muchas variables específicas puede seguir siendo identificable en la práctica.
- No revisar los términos de servicio de la plataforma de origen antes de hacer scraping. Es un riesgo distinto y adicional al de protección de datos personales.
Preguntas frecuentes
¿Necesito el aval del comité de ética si solo uso un dataset ya existente y anonimizado?
Depende del reglamento de tu programa, pero muchos comités consideran de menor riesgo el uso de datos secundarios ya anonimizados frente a la recolección directa de nuevos datos; verifica con tu director si tu diseño específico requiere el trámite completo según la Resolución 8430.
¿Puedo publicar mi dataset de entrenamiento como anexo del trabajo de grado?
Solo si está correctamente anonimizado según el nivel de sensibilidad de los datos, y si no infringe los términos de licencia del dataset original en caso de que provenga de una fuente de terceros. Si tiene datos sensibles sin anonimizar, no debe publicarse en el repositorio institucional de acceso abierto.
¿El web scraping es legal en Colombia para fines académicos?
No existe una prohibición general del scraping en la legislación colombiana, pero su legalidad depende de los términos de servicio de la plataforma específica y de si los datos extraídos incluyen información personal sujeta a la Ley 1581. Consulta con tu director antes de asumir que cualquier extracción automatizada está exenta de restricciones.
¿Qué pasa si mi modelo termina memorizando información sensible sin que yo lo haya buscado?
Es un riesgo conocido en ciertos tipos de modelos, particularmente los de lenguaje entrenados con grandes volúmenes de texto. Declara esta limitación en el trabajo si es plausible dado tu diseño, y evita compartir el modelo entrenado de forma abierta si existe un riesgo razonable de que pueda revelar información identificable de su conjunto de entrenamiento.
¿Cómo cito un dataset que descargué de un repositorio público?
Con la misma exigencia de precisión que cualquier fuente de datos secundarios: nombre del dataset, autor o entidad que lo publicó, versión, año y la URL o el identificador persistente (DOI) si el repositorio lo asigna, más la fecha en que lo descargaste.
¿Puede el jurado preguntarme por esto en la sustentación?
Sí, y suele ser una de las preguntas de ética metodológica más frecuentes en trabajos de ciencia de datos e inteligencia artificial. Prepara la respuesta con el mismo formato que cualquier otra decisión metodológica: origen del dato, criterio de anonimización aplicado y justificación. La guía sobre las preguntas del jurado sobre la metodología explica la estructura de respuesta que funciona para este y otros temas éticos.
¿Estás documentando el origen y el tratamiento de tus datos de entrenamiento? Organiza tu trabajo de grado de ciencia de datos en Tesify y mantén la trazabilidad de tus fuentes junto con el resto del capítulo metodológico.
