SDMC

Systemic Dimensional Model of Cyberprofiling

SDMC es una implementación pública y source-available del Modelo Sistémico Dimensional de Ciberperfilamiento propuesto como apoyo a labores de SOCMINT. El proyecto convierte la base conceptual del TFM Modelo sistémico dimensional de apoyo a labores de ciberperfilamiento para actividades de SOCMINT en una herramienta reproducible para calcular, documentar y discutir perfiles dimensionales a partir de datos públicos y evaluaciones controladas.

El repositorio no pretende diagnosticar personalidad ni sustituir criterio profesional. Su objetivo es ofrecer un marco calculable, trazable y responsable para organizar percepciones observables en redes sociales, explicar los supuestos usados y producir reportes que puedan ser revisados por analistas.

Licencia y uso comercial

SDMC es público para consulta, revisión académica y evaluación no comercial, pero no es software libre/open source ni permite uso comercial sin pago. Todo derecho económico queda reservado por Edwin Javier Peñuela Camacho.

Cualquier uso comercial, profesional, institucional, remunerado, de consultoría, SOCMINT/OSINT operativo, capacitación pagada, integración en productos, servicios, reportes para clientes, SaaS, API, dashboard, dataset, modelo, flujo interno de negocio o cualquier beneficio económico directo o indirecto requiere autorización previa por escrito y una licencia comercial pagada.

Consulta la licencia completa en LICENSE.

Qué contiene

• Paquete Python sdmc con el modelo matemático principal.
• CLI para analizar perfiles desde JSON o desde un ejemplo reproducible.
• Validación de entradas para dimensiones, pesos, centralidad y parámetros.
• Reporte Markdown automatizado para dejar evidencia del análisis.
• Documentación metodológica derivada del TFM.
• Pruebas unitarias para proteger la fórmula y la validación básica.
• Script histórico Cyberprofile_Tesis_Mejorado.py conservado como wrapper de compatibilidad.

Base del modelo

El TFM plantea que el ciberperfilamiento para SOCMINT puede entenderse como un sistema multidimensional donde interactúan:

• SOCMINT: recolección y análisis de información pública de redes sociales.
• Percepción visual humana: evaluación de datos visibles del perfil y publicaciones.
• DISC: marco descriptivo de tendencias conductuales observables.
• Teoría General de Sistemas: integración de sistemas abiertos, relaciones, atributos y entorno.
• Influencia en red: lectura de impacto, centralidad y propagación por grados.

La versión ejecutable modela seis dimensiones:

Dimensión	Descripción sintética
D1	Datos e información visibles del perfil
D2	Emoción percibida al leer contenido público
D3	Rasgos DISC observables como tendencia, no diagnóstico
D4	Relacionamiento o proxémica digital
D5	Percepción de influencia e impacto
D6	Grado de influencia percibida

La fórmula base calcula el perfil ponderado:

P_u = alpha1*D1 + alpha2*D2 + alpha3*D3 + alpha4*D4 + alpha5*D5 + alpha6*D6

Luego ajusta la influencia directa con centralidad de intermediación:

I_u = P_u * (1 + beta*C_b)

Y estima la influencia por grados con decaimiento exponencial:

I_u^(n) = I_u * e^(-lambda*n)

El impacto total suma la influencia directa y la propagación hasta el grado configurado:

T_u = sum(I_u * e^(-lambda*n)) para n = 0..N

Instalación

Requisitos:

• Python 3.10 o superior.

Uso directo desde el checkout:

python -m sdmc.cli --sample --format markdown --output report.md

Instalación editable para desarrollo:

python -m pip install -e .
sdmc --sample --format json

Uso con datos propios

Crea un archivo JSON con dimensiones normalizadas entre 0 y 1:

{
  "profile_id": "perfil_demo",
  "dimensions": {
    "D1": 0.8,
    "D2": 0.6,
    "D3": 0.7,
    "D4": 0.5,
    "D5": 0.9,
    "D6": 0.4
  },
  "centrality_betweenness": 0.7,
  "parameters": {
    "alpha1": 0.25,
    "alpha2": 0.2,
    "alpha3": 0.15,
    "alpha4": 0.15,
    "alpha5": 0.15,
    "alpha6": 0.1,
    "beta": 0.6,
    "lambda_decay": 0.25,
    "max_degree": 3
  }
}

Ejecuta:

python -m sdmc.cli --input examples/sample_profile.json --format markdown --output report.md

Uso responsable

SDMC debe utilizarse sólo sobre información pública, con finalidad legítima, minimización de datos y revisión humana. Los resultados deben tratarse como indicadores de análisis, no como veredictos automáticos sobre una persona. El propio TFM identifica limitaciones de muestra, necesidad de más perfiles, participación interdisciplinaria y validación futura.

Consulta:

• Base académica del TFM
• Modelo matemático y dimensiones
• Metodología operativa
• Ética, privacidad y uso responsable
• Validación, limitaciones y trabajos futuros
• Licencia y uso comercial

Pruebas

python -m unittest discover -s tests

Estado

Este repositorio es una base técnica y documental para investigación aplicada. No incluye el TFM completo ni datos personales de los perfiles evaluados. La documentación pública resume el fundamento, las fórmulas, los límites y los criterios de uso responsable para facilitar revisión, extensión y auditoría.

La disponibilidad pública del repositorio no autoriza explotación comercial sin licencia pagada del autor.