Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
DOI: https://doi.org/10.46296/ig.v8i15.0231  
ANÁLISIS DE MODELOS PREDICTIVOS EN INSTAGRAM: TENDENCIAS  
ACTUALES Y BRECHAS EN LA INVESTIGACIÓN  
PREDICTIVE MODEL ANALYSIS ON INSTAGRAM: CURRENT TRENDS  
AND RESEARCH GAPS  
Loor-Bravo Briggitte Nathaly ; Rivadeneira-Barreiro Lucía Bernarda 2  
1
1
Universidad Técnica de Manabí. Portoviejo, Ecuador.  
Correo: bloor6116@utm.edu.ec. ORCID ID: https://orcid.org/0009-0005-5075-5609.  
2
Universidad Técnica de Manabí. Portoviejo, Ecuador.  
Correo: lucia.rivadeneira@utm.edu.ec. ORCID ID: https://orcid.org/0000-0001-5989-7703.  
Resumen  
Las predicciones en redes sociales permitieron comprender el comportamiento de los usuarios e  
identificar tendencias, optimizando las estrategias de contenido. A pesar de investigaciones  
previas en diversas plataformas, persistió una brecha en el análisis de modelos predictivos  
enfocados en Instagram. Por ello, este estudio tuvo como propósito realizar una revisión  
sistemática de la literatura en bases de datos académicas sobre modelos de predicción de  
popularidad en esta red social. Los resultados revelaron que las organizaciones emplearon estos  
modelos para mejorar decisiones de marketing, detectar tendencias y personalizar contenido. Se  
encontró que las publicaciones con fotos individuales fueron las más investigadas, mientras que  
formatos como reels y carruseles plantearon desafíos analíticos debido a la necesidad de  
técnicas avanzadas de preprocesamiento de texto para mejorar la precisión. Aunque se avanzó  
en el desarrollo de modelos para otras redes, los estudios específicos en Instagram presentaron  
limitaciones en cuanto a transparencia, ética y privacidad, además de un uso reducido de ciertos  
tipos de contenido para realizar predicciones. Las implicaciones de este estudio son prácticas,  
ya que proporcionan a los profesionales de marketing y a los creadores de contenido una  
comprensión integral de cómo los modelos predictivos en Instagram pueden optimizar la  
estrategia de contenido en esta plataforma.  
Palabras clave: modelo predictivo, Instagram, redes sociales, tendencias, brechas.  
Abstract  
Social media predictions allowed for an understanding of user behavior and the identification of  
trends, optimizing content strategies. Despite prior research across various platforms, a gap  
remained in the analysis of predictive models focused on Instagram. Therefore, this study aimed  
to conduct a systematic literature review in academic databases on models for predicting  
popularity on this social network. The findings revealed that organizations employed these models  
to improve marketing decisions, detect trends, and personalize content. It was found that  
individual photo posts were the most studied, while formats like reels and carousels posed  
analytical challenges due to the need for advanced text preprocessing techniques to enhance  
accuracy. Although progress has been made in developing models for other networks, studies  
specific to Instagram still presented limitations regarding transparency, ethics, and privacy, as  
well as a limited use of certain types of content for making predictions. The implications of this  
study are practical, as they provide marketing professionals and content creators with a  
comprehensive understanding of how predictive models on Instagram can be used to optimize  
content strategy on this platform.  
Keywords: predictive model, Instagram, social media, trends, gaps.  
Información del manuscrito:  
Fecha de recepción: 03 de octubre de 2024.  
Fecha de aceptación: 19 de diciembre de 2024.  
Fecha de publicación: 10 de enero de 2025.  
1
8
Loor-Bravo et al. (2025)  
1
. Introducción  
Dentro de este contexto, la  
predicción de la popularidad de las  
publicaciones en Instagram ha  
Actualmente, las redes sociales se  
han convertido en un insumo  
importante dentro del campo de la  
ciencia de datos, comunicación y el  
marketing. Esto se debe a que la  
atraído  
el  
interés  
tanto  
de  
académicos como de profesionales  
dentro de las organizaciones. La  
importancia  
de  
entender  
e
generación  
y
consumo  
de  
implementar predicciones en esta  
red social radica en la capacidad  
para anticipar el comportamiento de  
los usuarios, permitiendo a los  
creadores de contenido adaptar sus  
estrategias para mejorar la visibilidad  
y el alcance de sus publicaciones  
información en redes sociales se ha  
popularizado durante los últimos  
años,  
haciendo  
que  
estas  
plataformas sean una fuente  
relevante de contenido que permite  
un mayor entendimiento de las  
interacciones de los usuarios. Entre  
las diversas plataformas que han  
surgido en la última década,  
Instagram se ha posicionado como la  
red social más popular (Casaló et al.,  
(
Chaudhary et al., 2021). Además,  
contar con modelos predictivos  
precisos puede significar la  
diferencia entre el éxito y el fracaso  
dentro de campañas de marketing  
2
021; Saeidi & Baradari, 2023), con  
cerca de 1.4 billones de usuarios al  
024 (Dixon, 2024), a causa de su  
(
Yu & Egger, 2021). Los modelos  
predictivos permiten entender cuál  
es el mejor momento para publicar,  
los tipos de contenido preferidos  
entre los usuarios, la mitigación de  
riesgos y determinar las estrategias  
2
atractivo visual, interfaz amigable  
para los usuarios, al sentido de  
comunidad que se genera mediante  
el uso de hashtags, comentarios o  
mensajes directos y a la necesidad  
que  
pueden  
incrementar  
la  
participación e interacción de los  
usuarios (Ibrahim & Aljarah, 2023).  
Los modelos predictivos optimizan  
también la planificación y ejecución  
de campañas en Instagram, así  
como la elaboración de estrategias  
de marketing más efectivas y  
basadas en datos, lo cual permite  
de gratificación (Diefenbach  
&
Anders, 2022). Debido a esta  
popularidad, Instagram se ha  
convertido en un espacio clave para  
organizaciones,  
usuarios  
y
creadores de contenido que buscan  
captar la atención de su público.  
1
9
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
una mayor eficacia en la generación  
de contenido.  
estructura.  
En  
tareas  
de  
clasificación, pueden identificar y  
predecir categorías discretas, como  
en el reconocimiento de imágenes o  
la categorización de texto. En  
contraste, en tareas de regresión,  
pueden predecir valores continuos,  
como el precio de una vivienda.  
Además, los modelos entrenados en  
El desarrollo e implementación de  
modelos predictivos se ha basado  
mayormente en algoritmos de  
aprendizaje automático, conocido en  
inglés como machine learning.  
Cuando  
supervisados se desarrollan las  
predicciones usando datos  
históricos, los cuales se dividen en  
subconjuntos de datos de  
entrenamiento y de prueba. En el  
entrenamiento, los algoritmos  
aprenden de los patrones  
los  
algoritmos  
son  
una  
tarea  
pueden  
transferir  
conocimientos  
a
otras tareas  
relacionadas, lo que permite el  
desarrollo de soluciones integrales  
que combinan ambas capacidades  
en aplicaciones del mundo real. Sin  
embargo, la efectividad de estos  
modelos también depende de la  
calidad y la cantidad de datos  
disponibles, así como de la  
capacidad de los algoritmos para  
manejar la variabilidad inherente en  
las interacciones de los usuarios.  
y
relaciones encontrados entre las  
variables independientes, que son  
las predictoras, y su influencia en la  
variable dependiente, que es la  
resultante. Este conocimiento es  
evaluado en el subconjunto de  
prueba, que contiene datos que el  
algoritmo  
previamente. Los algoritmos de  
supervisión, como las redes  
no  
ha  
observado  
En  
Instagram,  
investigaciones  
previas se han enfocado en modelos  
predictivos en distintas áreas de  
conocimiento. Por ejemplo, en el  
campo de turismo para predecir  
cómo los colores de las fotografías  
influyen en el número de me gusta y  
comentarios (Yu & Egger, 2021), en  
el marketing para reforzar las  
relaciones entre clientes y marcas  
(Ibrahim & Aljarah, 2023), dentro de  
neuronales o máquinas de soporte  
de vectores (SVM) son versátiles ya  
que pueden aplicarse tanto a  
problemas de clasificación como de  
regresión (Mohammed Kora,  
&
2
023). Estos algoritmos aprenden de  
patrones complejos en datos,  
independientemente de su forma o  
2
0
Loor-Bravo et al. (2025)  
áreas médicas para predecir  
depresión (Chiu et al., 2021) o para  
brechas en la literatura relacionados  
con la transparencia y explicabilidad  
de los algoritmos, consideraciones  
aspectos  
relacionados  
a
la  
personalidad (Wu et al., 2022). A  
pesar de estos avances en la  
literatura, y hasta el mejor de nuestro  
conocimiento, no existen estudios  
previos que abarquen de forma  
integral los modelos predictivos  
específicamente diseñados para  
Instagram, considerando carruseles  
o carretes, que es un conjunto de  
fotos o videos en una misma  
publicación, y reels que son videos  
cortos. Debido a esta necesidad,  
este estudio tiene como propósito  
realizar una revisión de literatura  
sobre las tendencias actuales de  
modelos en Instagram e identificar  
las brechas en el conocimiento con  
relación a los temas donde aún es  
éticas  
y
privacidad, así como  
modelos predictivos que usen  
carruseles y reels como fuentes de  
datos.  
El resto del documento se estructura  
de la siguiente forma: En la Sección  
2
se explica la metodología del  
estudio, donde se detalla cómo se  
recolectaron y analizaron los datos  
para  
la  
investigación.  
Posteriormente, se presenta en la  
Sección 3 los resultados y la  
discusión, donde se realiza un  
análisis crítico del estado del arte de  
modelos predictivos en Instagram,  
así como la identificación de las  
brechas  
Finalmente, en la Sección 4 se  
presentan las conclusiones  
del  
conocimiento.  
necesario  
desarrollar  
nuevas  
investigaciones. Para ello, la  
metodología utilizada incluye una  
búsqueda exhaustiva en las bases  
de datos Scopus, Web of Science,  
Taylor & Francis, IEEE y Springer,  
utilizando palabras clave en inglés y  
español relacionadas con modelos  
predictivos en Instagram. Los  
resultados de esta revisión indican  
que, aunque ha habido un progreso  
en el desarrollo de modelos  
predictivos en Instagram, aún hay  
principales del estudio, limitaciones y  
áreas para investigaciones futuras.  
2
. Materiales y métodos  
Es sección expone los pasos que se  
realizó para determinar las  
tendencias dentro del área de  
conocimiento y brechas siguiendo la  
metodología PRISMA (Page et al.,  
2
021). PRISMA proporciona un  
2
1
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
marco estructurado para desarrollar  
una revisión de literatura  
en Instagram para el entendimiento  
del comportamiento de los usuarios?  
transparente, rigurosa y reproducible  
por otros investigadores. Como parte  
del enfoque de esta investigación se  
formularon las siguientes preguntas  
de investigación (PI) que se orientan  
al desarrollo del estudio:  
PI3:  
Qué  
técnicas  
se  
de  
preprocesamiento  
utilizan  
comúnmente en los estudios sobre la  
predicción de la popularidad en  
Instagram?  
PI4: ¿Cuáles son las brechas en la  
literatura sobre la predicción de la  
popularidad en Instagram?  
PI1:  
¿Cómo  
utilizan las  
los modelos  
organizaciones  
predictivos basados en datos de  
Instagram?  
Además, el proceso de identificación  
de los artículos se lo elaboró en  
cuatro pasos, como se refleja en la  
Figura 1, los cuales son explicados a  
continuación.  
PI2: ¿Qué tipos de publicaciones y  
métricas son más efectivas en los  
modelos predictivos de popularidad  
Figura1. Flujograma de PRISMA relacionado con los documentos académicos relacionados  
con modelos predictivos en Instagram.  
El primer paso se refiere a una  
identificación inicial, donde se  
procedió a realizar una búsqueda en  
bases de datos académicas,  
2
2
Loor-Bravo et al. (2025)  
incluyendo a Scopus, Web of  
Science, Taylor & Francis, IEEE y  
Springer. En esta búsqueda, se  
Posteriormente, durante la etapa de  
legibilidad se procedió a elegir los  
documentos  
académicos  
que  
seleccionaron  
estudios  
que  
aportaban mayor información al  
tema de tendencias de Instagram y  
otras redes sociales con modelos  
predictivos, analizándolos en mayor  
detalle. En esta etapa se aplicó un  
análisis riguroso para incluir y excluir  
estudios que no cumplían con los  
criterios metodológicos establecidos  
en este estudio. Después de este  
proceso, se seleccionaron 103  
guardaran relación con los modelos  
predictivos y las tendencias en  
Instagram y otras redes sociales,  
usando cadena de búsqueda con  
palabras claves incluyendo como  
modelo  
predictivo,  
predicción,  
Instagram, popularidad, aprendizaje  
automático. Estas palabras también  
fueron usadas en inglés y se  
restringió la búsqueda a artículos  
publicados dentro de los cinco  
últimos años, lo que reflejó un total  
de 1008 documentos. El segundo  
paso involucró la selección de  
documentos, donde se eliminaron  
aquellos que no eran relevantes al  
caso de estudio revisando los títulos  
y resúmenes. Por ejemplo, los que  
incluían la palabra Instagram, pero  
para un contexto general que no  
eran de consideración para el  
alcance de esta revisión. O también  
aquellos documentos que no fueran  
artículos científicos de revistas y  
conferencias, libros o capítulos de  
libros o que no tuvieran metodología  
cuantitativa. Con base en esta  
documentos  
Finalmente, durante la fase de  
inclusión se tomaron en  
académicos.  
consideración los estudios que  
cumplieron con los criterios de  
inclusión  
por  
relacionarse  
directamente con tendencias de  
popularidad en Instagram. Algunos  
estudios fueron excluidos debido a  
que, a pesar de ser recientes, se  
centran en aspectos que han sido  
superados. De este modo, este  
estudio contempló finalmente 43  
estudios sobre la popularidad de  
Instagram y otras redes sociales  
usando modelos predictivos  
y
métodos cuantitativos. Los criterios  
de inclusión y exclusión usados en  
este estudio se ven reflejados en la  
Tabla 1 a continuación.  
selección  
quedaron  
596  
documentos.  
2
3
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
Tabla 1. Criterios de inclusión y exclusión implementados en este estudio. Fuente: Las autoras.  
Criterio  
Inclusión  
Exclusión  
Tipo de estudios Artículos revisados por pares Estudios que no hayan pasado por  
académicos, libros, capítulos de revisión por pares, como blogs,  
libros  
conferencias  
learning, análisis  
y
publicaciones  
en informes, o material de fuente que  
sobre  
machine no sean de ámbito académico. Se  
datos, excluyeron tesis de pregrado y  
de  
tecnología, publicados en inglés y posgrado.  
en español en Scopus, Web of  
Science, Taylor & Francis, IEEE y  
Springer.  
Fecha de  
Estudios publicados en los últimos Estudios  
realizados  
a
años  
publicación  
5 años, que abarca desde el 2019 anteriores al 2019.  
hasta el 2024.  
Relevancia del  
tema  
Artículos  
que  
aborden  
la Artículos que no se centren en la  
popularidad de Instagram y otras popularidad de Instagram u otras  
redes sociales con modelos redes sociales y que se enfocan  
predictivos  
o
métodos solo en metodología cualitativa.  
cuantitativos, como algoritmos,  
métricas, análisis de datos.  
Metodología  
Estudios que definan claramente la Estudios que en la metodología  
metodología, y con datos que contiene deficiencia o falta de  
respalden sus conclusiones.  
información.  
Para el análisis se usó la técnica de  
análisis de contenido mixto para  
examinar las principales tendencias  
y patrones en la literatura sobre la  
predicción de popularidad en  
análisis de contenido mixto combina  
dos enfoques para estudiar cómo las  
personas se comunican en redes  
sociales. Primero, usa métodos  
cualitativos para entender en  
profundidad el significado detrás de  
los mensajes y la interacción. Luego,  
incorpora métodos cuantitativos para  
medir y contar las diferentes formas  
de comunicación. Juntas, estas dos  
Instagram.  
Este  
enfoque  
es  
relevante en el contexto de las redes  
sociales, donde la medición de  
variables  
cuantitativas  
como me  
de  
interacción,  
gusta,  
comentarios, clics y menciones, y las  
cualitativas como el alcance y la  
influencia requiere una comprensión  
integral de los comportamientos y  
motivaciones de los usuarios. El  
perspectivas  
proporcionan  
una  
imagen más completa de los  
patrones y tendencias en las redes  
sociales (Grassia et al., 2024).  
2
4
Loor-Bravo et al. (2025)  
3
. Resultados y discusión  
2, se resumen las investigaciones  
más relevantes usados en este  
Esta sección presenta los principales  
hallazgos de la revisión de la  
literatura sobre la predicción de la  
popularidad de Instagram, de  
acuerdo con las PI planteadas  
anteriormente. Además, en la Tabla  
estudio,  
destacando  
sus  
contribuciones,  
enfoques  
metodológicos y hallazgos sobre la  
eficacia de modelos predictivos en  
Instagram.  
Tabla 2. Resumen de estudios usados en esta investigación de modelos predictivos. Fuente:  
Las autoras.  
Autores  
Modelo  
predictivo  
Técnicas de  
preprocesamiento  
Red social  
Variables predictoras  
Tipo de  
publicación  
usada en el  
estudio  
Contribución  
Adiningtyas Latent Dirichlet  
•
Conversión a  
minúsculas  
Eliminación de  
caracteres no  
alfabéticos  
Tokenización  
Eliminación de  
stopwords y  
stemming.  
Instagram  
Valor emocional, social y  
calidad.  
Comentarios  
El modelo LDA identificó  
nueve temas principales que  
los usuarios mencionaban con  
&
Auliani  
Allocation  
(LDA).  
(2024)  
•
frecuencia  
en  
sus  
comentarios. Estos temas  
abarcan problemas con el  
servicio, como fallos en las  
transferencias bancarias, en  
la actualización de cuentas,  
en las promociones de  
cashback, y también aspectos  
positivos, como la recepción  
de incentivos del programa  
gubernamental Prakerja.  
•
•
Aldous et  
al. (2023)  
AdaBoost,  
Decision Tree y  
Random Forest.  
•
Term  
Frequency-  
Inverse  
Document  
Frequency (TF-  
IDF)  
Tokenización y  
lematización  
Reducción de  
ruido.  
•
•
•
•
•
Facebook Características del  
Publicaciones El estudio desarrolló un marco  
de noticias de de interacción de cuatro  
Instagram lenguaje, derivadas de  
TF-IDF.  
53 medios de  
niveles para clasificar la  
Twitter  
comunicación interacción del usuario desde  
la interacción privada hasta el  
YouTube  
Reddit  
Características de  
metadatos, incluidos  
vectores de temas,  
longitud del contenido,  
emojis, puntuación y  
análisis de sentimiento.  
intercambio público. También  
•
•
proporcionó modelos  
predictivos para ayudar a los  
creadores de contenido  
a
optimizar la interacción en  
función del análisis de  
sentimientos.  
Chakrabarti Support Vector  
•
•
•
Eliminación de  
publicaciones  
no  
relacionadas,  
en idiomas  
distintos al  
inglés  
Técnicas de  
extracción de  
hashtags y  
palabras clave  
utilizando  
modelos como  
KeyBERT.  
Limpieza de  
datos  
Twitter  
Métricas de interacción,  
como me gusta,  
comentarios,  
compartidos, el número  
de seguidores del  
usuario, y los hashtags  
utilizados en las  
Texto de  
tweets  
El método propuesto superó a  
las técnicas existentes al  
mejorar la precisión de las  
et al.  
Regression,  
(2023)  
Extreme  
Gradient  
Boosting,  
Random Forest  
y aprendizaje  
profundo  
recomendaciones  
de  
hashtags, logrando una tasa  
de éxito del 82.81% en  
publicaciones  
de  
baja  
publicaciones.  
popularidad y 18.81% en las  
de popularidad media.  
personalizado.  
Chaudhary  
et al.  
Arboles de  
decisión  
•
•
•
•
•
•
Facebook Me gusta, seguidores,  
Fotos y  
videos  
El  
modelo  
predijo  
de  
con  
el  
los  
una  
Twitter  
visitas y descargas de los  
productos en cada  
plataforma social.  
comportamiento  
consumidores  
(2021)  
supervisados,  
Regresión  
eliminando  
valores  
perdidos y  
registros  
LinkedIn  
YouTube  
Instagram  
Pinterest  
precisión del 98% en datos de  
Lineal, Bosques  
Aleatorios,  
2
5
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
Regresión con  
AdaBoost y  
XGBoost  
duplicados  
validación, siendo el árbol de  
decisión el más preciso.  
•
Técnicas de  
detección de  
datos atípicos y  
se eliminaron  
datos ruidosos.  
Decodificación  
de emoticones  
Eliminación de  
elementos  
Chiu et al.  
2021)  
Redes  
Neuronales  
Convolucionales  
•
•
Instagram  
•
•
Imágenes:  
Imágenes y  
textos  
El estudio logró una medida  
F1 de 0.835 en la detección  
de usuarios depresivos. La  
combinación multimodal y el  
(
Características  
visuales extraídas  
con CNN  
(CNN),  
Word2Vec,  
Random Forest  
redundantes  
Segmentación  
de palabras.  
Texto:  
enfoque  
temporal  
de  
agregación  
demostraron  
•
Características  
semánticas extraídas  
con Word2Vec y  
LSTM  
mejorar la precisión en la  
detección  
de  
tendencias  
depresivas.  
•
Comportamiento:  
Número de me  
gusta, tiempo entre  
publicaciones,  
localización, hora y  
día de la publicación.  
Visual: Color y  
formas  
El Bahy et  
al. (2024)  
Big Five  
No se especifica.  
Instagram  
•
•
Fotos  
Los resultados muestran que  
las  
predicciones  
de  
Emocional:  
Sentimiento  
personalidad  
obtuvieron  
buenos resultados, con mayor  
precisión en la predicción de  
rasgos como conciencia para  
las mujeres y apertura para  
los hombres. También se  
evaluó el impacto de la  
cantidad de imágenes en la  
precisión de la predicción  
asociado a la imagen  
Contenido: Ttipo de  
publicación.  
•
Khairy et  
al. (2024)  
Multinomial  
Naive Bayes,  
Bernoulli Naive  
Bayes,  
Regresión  
Logística,  
Clasificador de  
Gradiente  
Estocástico  
•
•
Limpieza de  
datos  
•
•
•
Twitter  
YouTube  
Kaggle  
Características extraídas  
del texto, principalmente  
mediante TF-IDF.  
Comentarios  
y
publicaciones remuestreo  
Se  
encontró  
que  
el  
rendimiento de las técnicas de  
eliminando  
palabras vacías  
Normalización,  
stemming, y  
transformación  
de texto en  
datos  
numéricos  
mediante TF-  
IDF.  
mejora  
de  
en  
el  
los  
datos  
de texto  
rendimiento  
clasificadores  
desequilibrados. Entre las  
técnicas más efectivas están  
SMOTE y SMOTE combinado  
con TOMEK Links. Además,  
el clasificador Random Forest  
logró un desempeño superior  
con la técnica de random  
oversampling.  
(SGD), SVC,  
Linear SVC,  
Árbol de  
Decisión y  
Random Forest.  
Khorrami et Árboles extra,  
No se especifica.  
Instagram  
Instagram  
Color de las fotos.  
Imágenes  
Imágenes  
Los resultados mostraron que  
cada rasgo de personalidad  
al. (2022)  
árboles  
gradientes y  
bosques  
aleatorios.  
tiene un tipo especial de  
preferencia  
de color  
y
publicación de fotografías.  
Kumar &  
Vohra  
Algoritmos de  
aprendizaje  
profundo.  
•
Eliminación de  
datos  
Características visuales,  
emocionales y de  
contenido.  
El estudio destaca que  
aprovechar el aprendizaje  
profundo y el análisis de  
metadatos es crucial para  
avanzar en la sostenibilidad  
tecnológica en el sector  
turístico.  
(2023)  
duplicados y  
manejos de  
datos nulos  
Normalización  
y escalas  
•
•
Tokenización y  
estandarización  
Lekkas et  
al. (2021)  
Modelo de  
Estandarización de  
datos.  
Instagram  
•
•
Actividad: Número  
de seguidores,  
número de seguidos,  
cantidad de  
publicaciones,  
promedio de  
comentarios y "me  
gusta" por  
publicación  
Imágenes  
El modelo ensamblado logró  
una precisión del 70.2% en la  
predicción de la ideación  
suicida aguda. Las variables  
de actividad en Instagram,  
aprendizaje  
automático en  
ensamblaje.  
como  
el  
número  
de  
seguidores y la interacción,  
tuvieron mayor importancia  
predictiva  
que  
las  
Lingüísticas:  
Cantidad de  
características lingüísticas. El  
uso de palabras asociadas a  
2
6
Loor-Bravo et al. (2025)  
palabras, uso de  
pronombres en  
emociones negativas también  
fue relevante en la predicción  
primera persona,  
palabras de afecto,  
emociones  
negativas, procesos  
cognitivos y facilidad  
de lectura  
•
Derivadas: Relación  
seguidores/seguidos,  
nivel de interacción  
(engagement),  
promedio de  
comentarios y "me  
gusta" por seguidor.  
Saeidi &  
Baradari  
SVM, CART  
(Árboles de  
Clasificación y  
Regresión), y  
Random Forest  
•
•
Limpieza y  
transformación  
de los datos  
Asignación de  
número a  
Instagram  
Número de seguidores,  
número de likes por  
publicación, número de  
comentarios por  
publicación, y número de  
publicaciones  
Publicaciones El estudio encontró que existe  
en general  
una correlación inversa entre  
el número de publicaciones y  
el número de me gusta.  
También mostró que el  
número de seguidores no  
impacta en la cantidad de me  
gusta ni en los comentarios. El  
modelo propuesto alcanzó  
una precisión del 94% en la  
detección de páginas falsas.  
(2023)  
variables  
categóricas  
Eliminación de  
datos.  
•
Yu & Egger SVM y Bosque  
Etiquetas y  
Agrupación de  
imágenes.  
Instagram  
Instagram  
Composiciones de  
colores  
Foto única  
Las combinaciones de colores  
afectan el engagement en  
(2021)  
aleatorio  
Instagram:  
tonos  
azules  
aumentan el engagement en  
fotos de naturaleza, mientras  
que el rojo lo hace en  
imágenes de gastronomía  
Zhong et  
al. (2020)  
Neural Link  
Prediction  
Codificación de  
redes neuronales de  
grafos para agregar  
información local de  
las conexiones del  
usuario y actualizar  
sus  
Atributos de ubicación  
(check-ins) y hashtags.  
Usuarios que  
realizaron al  
menos 100  
NeuLP demostró ser efectivo  
en la predicción de enlaces  
sociales en comparación con  
otros modelos basados en  
redes neuronales de grafos,  
logrando hasta un 5.8% de  
(NeuLP)  
Variables estructurales de check-ins de  
la red, Interacciones  
lineales y no lineales.  
ubicación y  
tenían un  
mínimo de 10 mejora en la métrica AUC.  
representaciones  
embebidas.  
amigos.  
Además, el modelo es flexible  
y permite la predicción de  
enlaces utilizando múltiples  
tipos de atributos de usuarios.  
PI1:  
¿Cómo  
utilizan  
las  
usuarios de esta red social están  
expuestos publicaciones  
organizaciones  
los modelos  
a
predictivos basados en datos de  
Instagram?  
relacionados con fotos individuales,  
carruseles y reels. Este crecimiento  
ha creado la necesidad de  
desarrollar herramientas y técnicas  
Instagram, como una de las  
plataformas de redes sociales más  
populares a nivel mundial, ha  
avanzadas  
para  
analizar  
y
aprovechar estos datos. Debido a  
esta necesidad, los modelos  
predictivos han emergido como una  
herramienta clave para extraer valor  
experimentado  
un  
crecimiento  
exponencial en el número de  
usuarios y en la cantidad de datos  
consumidos  
y
generados. Los  
2
7
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
de la cantidad de datos y tener  
ventajas competitivas en el ámbito  
organizacional (Gon, 2021). Los  
modelos predictivos varían en  
complejidad y metodología. Los más  
utilizados son los modelos de redes  
neuronales, SVM, árboles de  
decisión, y los métodos basados en  
regresión. Estos modelos han  
demostrado ser eficaces para  
predecir la popularidad de una  
médico,  
Instagram  
ha  
sido  
ampliamente usado para estudios  
psicológicos (Chaudhary et al., 2021;  
El Bahy et al., 2024; Lekkas et al.,  
2021), mientras que para el turismo  
se ha usado para la predicción de  
sitios de interés para turistas  
(Sohrabi et al., 2020; Son & Park,  
2023). También estudios previos se  
han enfocado en predicciones de  
sostenibilidad (Kumar & Vohra,  
2023; Mahmoud et al., 2022) que  
permiten tener un entendimiento  
más integral sobre la aplicabilidad de  
modelos predictivos usando los  
datos de Instagram, lo cual refuerza  
publicación  
métricas,  
utilizando  
como me  
diversas  
gusta,  
comentarios, acciones y seguidores.  
Un aspecto relevante para la  
popularidad de la adopción de  
Instagram se basa en que puede  
guiar la toma de decisiones basadas  
en datos. Esta plataforma se usa  
para la personalización de contenido  
con base en las necesidades del  
público objetivo y para la predicción  
de tendencias emergentes. Por  
ejemplo, se ha demostrado su  
efectividad en el entendimiento de  
las necesidades de los usuarios de  
sectores demográficos específicos  
su  
versatilidad  
como  
una  
herramienta predictiva y analítica en  
diversos campos.  
Sin  
embargo,  
es  
necesario  
puntualizar las limitaciones que  
pueden surgir del uso de los datos de  
Instagram para efectos predictivos.  
Quizá uno de los más importantes se  
refiere a la calidad y veracidad de los  
datos debido a su influencia en las  
predicciones (Sallah et al., 2023;  
Zachlod et al., 2022). Es decir, si los  
datos están incompletos, incorrectos  
o con ruido, el modelo podría  
producir predicciones erróneas o  
insuficientes. Además, el uso de  
datos de plataformas de redes  
(Gupta et al., 2021; Hazari & Sethna,  
2
023), en la personalización de  
experiencias para efectos de  
marketing e intención de compra  
(Cavdar Aksoy et al., 2021; Hussain  
et al., 2023). Dentro del campo  
2
8
Loor-Bravo et al. (2025)  
sociales conlleva preocupaciones  
éticas, especialmente en relación  
con la privacidad de los usuarios  
gusta y comentarios, las cuales  
pueden tener una capacidad limitada  
para reflejar la calidad real del  
contenido. Además, estas métricas  
pueden ser manipuladas mediante  
prácticas engañosas, como el uso de  
cuentas automatizadas o la compra  
de seguidores. Por esta razón, es  
(Chaudhary et al., 2021; Fernández-  
Rovira, 2022). Ante esta situación es  
relevante garantizar que se cumplen  
con las regulaciones de privacidad y  
se tiene el consentimiento adecuado  
para el manejo de datos de otros  
usuarios. Bajo este principio,  
actualmente Instagram no permite  
realizar procesos de minería de  
datos ni raspado de web debido a  
consideraciones éticas y legales.  
Otra limitación es la transparencia  
con la cual los algoritmos desarrollan  
las predicciones (Williams et al.,  
importante  
realizar  
análisis  
cualitativos que permita proporcionar  
un análisis más profundo de la  
interacción de los usuarios.  
PI2: ¿Qué tipos de publicaciones y  
métricas son más efectivas en los  
modelos de  
popularidad en Instagram para el  
entendimiento del  
predictivos  
2
023), así como la interpretabilidad.  
Por ejemplo, se consideran a  
algoritmos como las redes  
comportamiento de los usuarios?  
Como se mencionó anteriormente,  
Instagram  
se  
compone  
neuronales o máquinas de vectores  
de soporte como cajas negras  
puesto que sus procesos internos  
tradicionalmente de publicaciones  
relacionadas con fotos individuales,  
carruseles y reels. Adicionalmente,  
también están las historias que son  
son difíciles de interpretar  
o
comprender. Esto ha evidenciado la  
necesidad de la transparencia y  
explicabilidad de los modelos  
predictivos usando algoritmos como  
razonamiento evidencial (Fang et al.,  
publicaciones  
temporales  
que  
desaparecen después de 24 horas y  
videos de una duración mayor a 60  
minutos, que anteriormente se  
conocía como IGTV. Uno de los tipos  
de publicaciones que más se ha  
usado para modelaciones son las  
fotos individuales. Por ejemplo, para  
predecir suicidios en adolescentes  
2
021) que permite a las personas  
entender cómo los algoritmos toman  
decisiones. Finalmente, los estudios  
que miden la popularidad suelen  
centrarse en métricas como me  
2
9
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
(
Lekkas et al., 2021), personalidad  
de usuarios extrayendo aspectos  
visuales, emocionales de  
como el número de me gusta que  
representa la aprobación, los  
y
comentarios  
que  
reflejan  
la  
contenido (El Bahy et al., 2024;  
Khorrami et al., 2022), o también  
para predicción de la popularidad de  
marcas de alta moda (Javadian  
Sabet et al., 2021). Sin embargo, no  
existen mayores investigaciones  
relacionadas con el uso de  
carruseles o reels debido a que  
tienden a ser más complejos para  
análisis, en comparación con las  
fotos individuales. Dado que un  
carrusel puede contener hasta diez  
fotos o videos, la predicción se  
vuelva más compleja, ya que no es  
fácil identificar qué elemento está  
influyendo en las predicciones. De  
igual manerea, el análisis de reels  
interacción de los usuarios, los  
compartidos que mide la difusión de  
la  
publicación.  
También  
las  
impresiones el cual es un indicador  
que mide el número de veces que la  
publicación es vista, la tasa de clics  
que simboliza las acciones de los  
usuarios frente a enlaces en las  
publicaciones,  
seguidores  
el  
las  
número  
de  
y
reacciones  
obtenidas en las historias. Se ha  
evidenciado, además, que el uso de  
hashtags, emojis y menciones, por  
citar algunos, influye en la  
popularidad de las publicaciones  
(Chakrabarti et al., 2023; Siever et  
al., 2020). Sin embargo, también hay  
críticas al uso exclusiva de este tipo  
de métricas debido a que no  
requiere  
enfoques  
analíticos  
variados para lograr un análisis  
eficiente e integral.  
necesariamente  
publicación de  
reflejan  
calidad,  
una  
por  
Por otro lado, las métricas usadas en  
los modelos predictivos varían  
dependiendo de la naturaleza de las  
investigaciones, sobre todo cuando  
se refiere a la popularidad de las  
publicaciones. Este concepto se  
refiere al grado de interacción y  
visibilidad recibidas (Yang et al.,  
interacciones superficiales, sesgo de  
popularidad o incluso debido a la  
manipulación de ellas mediante el  
uso automáticas  
Cuevas-Molano et al., 2021; Shin &  
Lee, 2020; Tafesse & Wood, 2021).  
de  
cuentas  
(
PI3:  
¿Qué  
técnicas  
de  
2
020).  
Tradicionalmente,  
este  
preprocesamiento se  
utilizan  
concepto se ha asociado a métricas  
comúnmente en los estudios  
3
0
Loor-Bravo et al. (2025)  
sobre la predicción de la  
popularidad en Instagram?  
Instagram se puede aplicar  
a
variables relacionadas con el tipo de  
contenido que se publica o con las  
etiquetas de usuario, lo cual permite  
que el modelo predictivo lo interprete  
de forma más adecuada. Además, la  
normalización y estandarización de  
datos numéricos, como la cantidad  
de seguidores o frecuencia de  
publicaciones, es importante para  
evitar que las características con  
escalas más grandes dominen al  
modelo (Aldous et al., 2023). Por otro  
lado, técnicas relacionadas con el  
manejo de datos textuales también  
son relevantes en el contexto de los  
datos de esta plataforma, donde las  
descripciones y comentarios son una  
fuente valiosa de información. Por  
En la construcción de modelos  
predictivos,  
las  
técnicas  
de  
preprocesamiento  
son  
fundamentales para optimizar el  
rendimiento de los algoritmos, ya  
que maximizan la calidad del  
proceso, así como la mejora en la  
precisión  
y
eficacia de las  
predicciones. Entre estas técnicas se  
encuentra la limpieza de los datos,  
que implica la reducción de ruido,  
dimensionalidad, valores atípicos y  
datos incompletos (Khairy et al.,  
2
024; Khan & Ali, 2024). En el  
contexto de Instagram esto puede  
significar la eliminación de registros  
con datos faltantes, imputación de  
datos, corrección de inconsistencias  
ejemplo,  
la  
y
tokenización,  
lematización  
eliminación de  
en el etiquetado, remoción  
o
palabras vacías son usadas para  
transformar texto crudo en un  
formato que pueda ser analizado por  
transformación de datos que no  
aportan valor para los procesos de  
predicción (Adiningtyas & Auliani,  
algoritmos  
de  
aprendizaje  
2
024; Gusain et al., 2025; Rahman et  
automático. Y, el análisis de  
sentimiento y extracción de palabras  
claves a través de modelos de  
lenguaje natural son esenciales para  
capturar el contenido semántico del  
texto en las publicaciones.  
al., 2024).  
Otra técnica que se ha usado es la  
transformación de características,  
conocidas en inglés como one-hot  
encoding. Incluye la conversión de  
datos categóricos en formatos  
numéricos mediante la codificación  
de etiquetas (Zhong et al., 2020). En  
3
1
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
PI4: ¿Cuáles son las brechas en la  
literatura sobre la predicción de la  
popularidad en Instagram?  
y de privacidad, especialmente dado  
el uso creciente de datos sensibles.  
A medida que las plataformas  
sociales recopilan más información  
personal, surge la necesidad de  
establecer prácticas éticas que  
protejan la privacidad de los  
usuarios. Las investigaciones futuras  
deberían centrarse en desarrollar  
directrices claras para la recolección  
y uso de datos, creando marcos que  
integren principios éticos en el  
diseño de modelos predictivos. Esto  
podría incluir la colaboración con  
Se identificaron varias brechas que  
requieren atención dentro del área  
de modelos predictivos. Primero, es  
crucial  
desarrollar  
modelos  
predictivos utilizando algoritmos  
transparentes y explicables. La falta  
de transparencia en estos modelos  
puede generar desconfianza entre  
los usuarios y perpetuar sesgos,  
afectando la equidad en el alcance y  
visibilidad de las publicaciones. Para  
expertos en ética  
y
derechos  
abordar  
esta  
brecha,  
futuras  
digitales para asegurar que los  
modelos cumplan con normativas  
legales y respeten la dignidad de los  
usuarios.  
investigaciones deberían centrarse  
en crear herramientas que no solo  
sean efectivas en sus predicciones,  
sino  
que  
también ofrezcan  
claras  
visualizaciones  
y
Tercero, aunque existen estudios  
que se han enfocado en la predicción  
de la popularidad a través de  
fotografías individuales, es esencial  
expandir este enfoque para incluir  
comprensibles de cómo se generan  
esos resultados. Esto podría incluir  
la implementación de técnicas de  
explicabilidad, como LIME (Local  
Interpretable  
Model-agnostic  
formatos  
emergentes  
como  
Explanations) o SHAP (SHapley  
Additive exPlanations), que ayudan a  
carruseles y reels. Estos tipos de  
contenido son cada vez más  
populares y su dinámica puede influir  
en la interacción de los usuarios. La  
investigación futura debería explorar  
cómo estos formatos afectan las  
métricas de popularidad y qué  
elementos específicos, como la  
los usuarios  
características específicas influyen  
en la popularidad de sus  
a
entender qué  
publicaciones.  
Segundo,  
es  
fundamental  
comprender las implicaciones éticas  
3
2
Loor-Bravo et al. (2025)  
secuencia de imágenes o la duración  
de los videos, son más efectivos.  
Implementar estudios de caso y  
cuando son usados de forma  
adecuada, pueden dar ventajas  
competitivas a las organizaciones.  
También se identificó como la  
literatura ha usado los tipos de  
publicaciones, métricas para evaluar  
el rendimiento de los algoritmos y las  
análisis  
comparativos  
podría  
proporcionar una comprensión más  
profunda de los factores que  
impulsan la popularidad en estos  
nuevos formatos. Además, la  
técnicas  
de  
preprocesamiento.  
interacción  
entre  
usuarios  
y
Finalmente, se evidenciaron brechas  
relacionadas con la transparencia y  
explicabilidad de los algoritmos,  
algoritmos representa un área poco  
explorada, y comprender cómo los  
usuarios ajustan sus estrategias de  
contenido en respuesta a cambios  
en las políticas de Instagram puede  
proporcionar resultantes relevantes  
para las organizaciones. También es  
crucial considerar el impacto de las  
tendencias sociales y culturales en la  
popularidad de las publicaciones,  
investigando cómo movimientos  
sociales y eventos culturales influyen  
en la participación del público.  
consideraciones  
éticas  
y
de  
privacidad de los datos y el uso de  
carruseles y reels para efectos  
predictivos.  
Con relación a la limitación del  
estudio podemos identificar dos. La  
primera se relaciona con los idiomas  
seleccionados para las búsquedas  
de los documentos académicos que  
se centraron en inglés y español,  
mientras que la segunda limitación  
se relaciona con las bases de datos  
académicas seleccionadas, debido a  
4
. Conclusiones  
que  
podrían  
existir  
estudios  
Este estudio se ha enfocado en  
realizar una revisión de la literatura  
sobre la predicción de la popularidad  
de Instagram examinando métodos y  
técnicas para predecir el éxito de  
relevantes publicados en otras bases  
de datos. Finalmente, futuros  
estudios pueden centrarse en el  
desarrollo de modelos predictivos  
transparentes y explicables, los  
cuales son cada vez más necesarios  
publicaciones.  
Los  
resultados  
evidencian que Instagram es una  
fuente relevante de datos para el  
desarrollo de modelos predictivos y,  
para  
comprender  
cómo  
los  
algoritmos toman decisiones. Es  
3
3
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
fundamental  
explorar  
las  
Casaló, L. V., Flavián, C., & Ibáñez-  
Sánchez, S. (2021). Be  
creative, my friend! Engaging  
users on Instagram by  
promoting positive emotions.  
implicaciones éticas y de privacidad  
que pueden surgir en el proceso de  
obtención de datos y modelado.  
Además, se debe investigar la  
influencia de diferentes tipos de  
publicaciones, como carruseles y  
reels, en los modelos predictivos, así  
como el impacto de movimientos  
Journal  
of  
Business  
Research, 130, 416–425.  
https://doi.org/10.1016/j.jbusr  
es.2020.02.014  
Cavdar Aksoy, N., Tumer Kabadayi,  
E., Yilmaz, C., & Kocak Alan,  
A. (2021). A typology of  
personalisation practices in  
marketing in the digital age.  
sociales  
y
culturales en la  
participación del público y en la  
popularidad de las publicaciones en  
Instagram.  
Journal  
Management,  
091–1122.  
https://doi.org/10.1080/02672  
7X.2020.1866647  
of  
Marketing  
37(11–12),  
1
Bibliografía  
5
Adiningtyas, H., & Auliani, A. S.  
Chakrabarti, P., Malvi, E., Bansal, S.,  
& Kumar, N. (2023). Hashtag  
(2024). Customer perceived  
value: A study based on  
customer perception on social  
media. Seventh Information  
recommendation  
for  
enhancing the popularity of  
social media posts. Social  
Network Analysis and Mining,  
Systems  
Conference (ISICO 2023),  
34, 1451–1458.  
https://doi.org/10.1016/j.procs  
2024.03.145  
International  
13(1),  
21.  
2
https://doi.org/10.1007/s1327  
8-023-01024-9  
.
Chaudhary, K., Alam, M., Al-  
Rakhami, M. S., & Gumaei, A.  
(2021). Machine learning-  
Aldous, K. K., An, J., & Jansen, B. J.  
2023). What really matters?  
(
Characterising and predicting  
user engagement of news  
based mathematical  
modelling for prediction of  
social media consumer  
postings multiple  
using  
platforms, sentiments and  
behavior using big data  
analytics. Journal of Big Data,  
topics.  
Behaviour  
&
Information  
Technology,  
8(1),  
73.  
4
2(5),  
545–568.  
https://doi.org/10.1186/s4053  
7-021-00466-2  
https://doi.org/10.1080/01449  
9X.2022.2030798  
2
Chiu, C. Y., Lane, H. Y., Koh, J. L., &  
Chen, A. L. P. (2021).  
3
4
Loor-Bravo et al. (2025)  
Multimodal  
detection  
depression  
instagram  
https://doi.org/10.1007/s1104  
2-024-19101-2  
on  
considering time interval of  
posts. Journal of Intelligent  
Information Systems, 56(1),  
Fang, R., Liao, H., Yang, J.-B., & Xu,  
D.-L. (2021). Generalised  
probabilistic  
linguistic  
2
5–47.  
https://doi.org/10.1007/s1084  
-020-00599-5  
evidential reasoning approach  
for multi-criteria decision-  
making under uncertainty.  
Journal of the Operational  
Research Society, 72(1),  
130–144.  
4
Cuevas-Molano, E., Matosas-López,  
L., & Bernal-Bravo, C. (2021).  
Factors increasing consumer  
engagement  
of  
branded  
https://doi.org/10.1080/01605  
682.2019.1654415  
content in Instagram. IEEE  
Access, 9, 143531–143548.  
https://doi.org/10.1109/ACCE  
SS.2021.3121186  
Fernández-Rovira, C. (2022). Ethical  
insights for the social media  
age.  
En  
Predictive  
Diefenbach, S., & Anders, L. (2022).  
The psychology of likes:  
Relevance of feedback on  
Instagram and relationship to  
self-esteem and social status.  
Psychology of Popular Media,  
Technology in Social Media  
(First, pp. 158–179). CRC  
Press.  
Gon, M. (2021). Local experiences  
on Instagram: Social media  
data as source of evidence for  
experience design. Journal of  
1
1(2), 196–207.  
https://doi.org/10.1037/ppm00  
0360  
Destination  
Marketing  
&
0
Management, 19, 100435.  
https://doi.org/10.1016/j.jdmm  
.2020.100435  
Dixon, S. J. (2024). Instagram:  
Number of global users 2020-  
2
025.  
Statista.  
Grassia, V., d’Apuzzo, F., Alansari,  
https://www.statista.com/stati  
stics/183585/instagram-  
number-of-global-users/  
R.  
A.,  
Jamilian,  
A.,  
Sayahpour, B., Adel, S. M., &  
Nucci, L. (2024). Instagram  
and clear aligner therapy: A  
content analysis of patient  
perspectives. Seminars in  
Orthodontics.  
El Bahy, S., Aboutabit, N., & Hafidi, I.  
(2024). and  
Analysis  
prediction of personality traits  
using  
database  
instagram users: Impact of  
gender on image content and  
quantity  
accuracy. Multimedia Tools  
and Applications.  
a
self-generated  
Moroccan  
of  
https://doi.org/10.1053/j.sodo.  
2024.05.009  
Gupta, M., Sinha, N., Singh, P., &  
on  
prediction  
Liébana-Cabanillas,  
F.  
(2021). Instagram advertising  
3
5
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
among young consumers in  
wearable fitness trackers: The  
moderating role of technology  
acceptance factors. Journal of  
Global Marketing, 34(5), 411–  
loyalty through customer  
relationship quality. Journal of  
Marketing Communications,  
29(1),  
1–25.  
https://doi.org/10.1080/13527  
266.2021.1984279  
4
32.  
https://doi.org/10.1080/08911  
62.2021.1931616  
Javadian Sabet, A., Brambilla, M., &  
Hosseini, M. (2021). A multi-  
perspective approach for  
analyzing long-running live  
events on social media. A  
case study on the “Big Four”  
international fashion weeks.  
Online Social Networks and  
7
Gusain, R., Shekhar, S., Vidyarthi,  
A., Prakash, R., & Gowri, R.  
(2025). Smart healthcare  
system using machine  
learning and IoT: Vaccine  
delivery and monitoring. En  
Embedded  
Internet of Things (pp. 153–  
77). CRC Press.  
Devices  
and  
Media,  
24,  
100140.  
https://doi.org/10.1016/j.osne  
m.2021.100140  
1
Hazari, S., & Sethna, B. N. (2023). A  
Khairy, M., Mahmoud, T. M., & Abd-  
El-Hafeez, T. (2024). The  
comparison  
marketing  
of  
and  
lifestyle  
brand  
effect  
techniques  
of  
rebalancing  
on the  
influencer advertising for  
generation Z Instagram users.  
classification performance in  
cyberbullying datasets. Neural  
Computing and Applications,  
Journal  
Management, 29(4), 491–  
34.  
https://doi.org/10.1080/10496  
91.2022.2163033  
of  
Promotion  
5
36(3),  
1049–1065.  
https://doi.org/10.1007/s0052  
1-023-09084-w  
4
Hussain, A., Hooi Ting, D., Zaib  
Abbasi, A., & Rehman, U.  
Khan, A., & Ali, R. (2024). Unraveling  
minds in the digital era: A  
review on mapping mental  
(2023). Integrating the S-O-R  
model to examine purchase  
intention based on Instagram  
health  
disorders  
through  
machine learning techniques  
using online social media.  
Social Network Analysis and  
sponsored  
Journal  
advertising.  
Promotion  
of  
Management, 29(1), 77–105.  
Mining,  
14(1),  
78.  
https://doi.org/10.1080/10496  
https://doi.org/10.1007/s1327  
8-024-01205-0  
4
91.2022.2108185  
Ibrahim, B., & Aljarah, A. (2023). The  
era of Instagram expansion:  
Khorrami, M., Khorrami, M., &  
Farhangi,  
Evaluation  
ensemble  
F.  
of  
algorithms  
(2022).  
tree-based  
Matching  
social  
media  
marketing activities and brand  
for  
3
6
Loor-Bravo et al. (2025)  
predicting  
the  
big  
five  
native  
generations.  
Marketing Communications,  
28(8), 864–888.  
https://doi.org/10.1080/13527  
266.2021.1971282  
vs  
non-native  
Journal of  
personality traits based on  
social media photos:  
Evidence from an Iranian  
sample. Personality and  
Individual Differences, 188,  
11479.  
https://doi.org/10.1016/j.paid.  
021.111479  
1
Mohammed, A., & Kora, R. (2023). A  
comprehensive review on  
ensemble deep learning:  
Opportunities and challenges.  
2
Kumar, A., & Vohra, R. (2023).  
Impact of deep learning  
Journal  
of  
King  
Saud  
models  
for  
technology  
University - Computer and  
Information Sciences, 35(2),  
757–774.  
https://doi.org/10.1016/j.jksuci  
.2023.01.014  
sustainability in tourism using  
big data analytics. En V.  
Kadyan, T. P. Singh, & C.  
Ugwu (Eds.), Deep Learning  
Technologies  
Sustainable  
Goals: Issues and Solutions in  
for the  
Development  
Page, M. J., McKenzie, J. E.,  
Bossuyt, P. M., Boutron, I.,  
Hoffmann, T. C., Mulrow, C.  
D., Shamseer, L., Tetzlaff, J.  
M., Akl, E. A., Brennan, S. E.,  
Chou, R., Glanville, J.,  
the Post-COVID Era (pp. 83–  
9
6). Nature  
Singapore.  
https://doi.org/10.1007/978-  
81-19-5723-9_6  
Springer  
Grimshaw,  
J.  
M.,  
9
Hróbjartsson, A., Lalu, M. M.,  
Li, T., Loder, E. W., Mayo-  
Wilson, E., McDonald, S., …  
Alonso-Fernández, S. (2021).  
Declaración PRISMA 2020:  
Una guía actualizada para la  
publicación de revisiones  
Lekkas, D., Klein, R. J., & Jacobson,  
N. C. (2021). Predicting acute  
suicidal ideation on Instagram  
using ensemble machine  
learning models. Internet  
Interventions, 25, 100424.  
https://doi.org/10.1016/j.inven  
t.2021.100424  
sistemáticas.  
Española de Cardiología,  
4(9), 790–799.  
Revista  
7
Mahmoud, A. B., Ball, J., Rubin, D.,  
Fuxman, L., Mohr, I., Hack-  
Polay, D., Grigoriou, N., &  
Wakibi, A. (2022). Pandemic  
pains to Instagram gains!  
COVID-19 perceptions effects  
https://doi.org/10.1016/j.reces  
p.2021.06.016  
Rahman, T., Shahrin, R., Pospu, F.  
A., Sultana, N., & Rahman, R.  
M. (2024). Text-based data  
analysis for mental health  
using explainable AI and deep  
learning. En R. Lee (Ed.),  
on  
behaviours  
towards  
fashion brands on Instagram  
in Sub-Saharan Africa: Tech-  
3
7
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Análisis de modelos predictivos en Instagram: Tendencias actuales y brechas en la investigación.  
Networking  
Parallel/Distributed  
and  
Siever, C. M., Siever, T., & Stöckl, H.  
(2020). Emoji-text relations on  
Instagram: Empirical corpus  
studies on multimodal uses of  
the iconographetic mode. En  
Shifts toward Image-Centricity  
in Contemporary Multimodal  
Practices (pp. 177–203).  
Routledge.  
Computing Systems: Volume  
8 (pp. 17–31). Springer  
Nature Switzerland.  
https://doi.org/10.1007/978-3-  
31-53274-0_3  
1
0
Saeidi, S., & Baradari, Z. (2023).  
Examining the correlation  
between metrics in the  
Instagram social network to  
identify fake pages and  
Sohrabi, B., Raeesi Vanani, I., Nasiri,  
N., & Ghassemi Rudd, A.  
(2020). A predictive model of  
tourist destinations based on  
improve  
Computers  
Behavior  
marketing.  
Human  
in  
tourists’  
interests using text analytics.  
Tourism Management  
comments  
and  
Reports,  
12,  
1
00341.  
https://doi.org/10.1016/j.chbr.  
023.100341  
Perspectives, 35, 100710.  
https://doi.org/10.1016/j.tmp.2  
2
0
20.100710  
Sallah, A., Alaoui, E. A. A., & Agoujil,  
S. (2023). Interpretability  
based approach to detect fake  
profiles in Instagram. En M.  
Son, H., & Park, Y. E. (2023).  
Predicting user engagement  
with textual, visual, and social  
media features for online  
travel agencies’ Instagram  
post: Evidence from machine  
learning. Current Issues in  
Ben  
Ahmed,  
B.  
A.  
Abdelhakim, B. K. Ane, & D.  
Rosiyadi (Eds.), Emerging  
Trends in Intelligent Systems  
&
Network Security (pp. 306–  
Tourism,  
1–15.  
3
14). Springer International  
https://doi.org/10.1080/13683  
500.2023.2278087  
Publishing.  
Shin, J., & Lee, S. (2020). Intimacy  
between actual users and  
virtual agents: Interaction  
Tafesse, W., & Wood, B. P. (2021).  
Followers’ engagement with  
instagram influencers: The  
role of influencers’ content  
and engagement strategy.  
Journal of Retailing and  
through  
comments”.  
“likes”  
2020  
and  
14th  
“
International Conference on  
Ubiquitous  
Management  
Information  
and  
Consumer  
102303.  
Services,  
58,  
Communication (IMCOM), 1–  
https://doi.org/10.1016/j.jretco  
nser.2020.102303  
4
.
https://doi.org/10.1109/IMCO  
M48794.2020.9001810  
Williams, D., Khan, E. M., Pathak, N.,  
&
Srivastava, J. (2023). Social  
3
8
Loor-Bravo et al. (2025)  
value: A computational model  
for measuring influence on  
purchases and actions for  
https://doi.org/10.1016/j.jbusr  
es.2022.02.016  
Zhong, Z., Zhang, Y., & Pang, J.  
individuals and  
Journal of Advertising, 52(2),  
47–263.  
https://doi.org/10.1080/00913  
67.2021.2002743  
systems.  
(2020). NeuLP: An end-to-end  
deep-learning model for link  
prediction. En Z. Huang, W.  
Beek, H. Wang, R. Zhou, & Y.  
2
3
Zhang  
(Eds.),  
Web  
Wu, C.-C., Hsu, P.-Y., Xu, N., Cheng,  
M.-S., & Chen, Y.-Y. (2022).  
Prediction of personality traits  
through Instagram photo  
HSV. En M. Kurosu (Ed.),  
Human-Computer Interaction.  
Technological Innovation (pp.  
Information  
Systems  
Engineering – WISE 2020 (pp.  
96–108). Springer  
International Publishing.  
2
79–287).  
Springer  
International Publishing.  
Yang, K., Kim, H. M., & Tanoff, L.  
(2020). Signaling trust: Cues  
from  
Instagram  
posts.  
Electronic  
Commerce  
Research and Applications,  
3, 100998.  
4
https://doi.org/10.1016/j.elera  
p.2020.100998  
Yu, J., & Egger, R. (2021). Color and  
engagement  
Instagram  
in touristic  
pictures:  
A
machine learning approach.  
Annals of Tourism Research,  
8
9,  
103204.  
https://doi.org/10.1016/j.annal  
s.2021.103204  
Zachlod, C., Samuel, O., Ochsner,  
A., & Werthmüller, S. (2022).  
Analytics of social media data:  
State of characteristics and  
application.  
Business Research, 144,  
064–1076.  
Journal  
of  
1
3
9