El aprendizaje automático (AA) es cada vez más útil a medida que los datos crecen en volumen y accesibilidad. El AA puede realizar tareas (por ejemplo, categorización, toma de decisiones, detección de anomalías, etc.) a través de la experiencia y sin instrucciones explícitas, incluso cuando los datos son demasiado vastos, complejos, altamente variables y están llenos de errores para ser analizados de otras maneras. Así, el AA es excelente para el lenguaje natural, imágenes u otros datos complejos y desordenados disponibles en grandes volúmenes en crecimiento. La selección de modelos de AA para tareas depende de muchos factores, ya que varían en la supervisión necesaria, niveles de error tolerables y capacidad para tener en cuenta el orden o el contexto temporal, entre muchas otras cosas. Es importante destacar que los métodos de AA para tareas que utilizan datos explícitamente ordenados o dependientes del tiempo tienen dificultades con errores o asimetría de datos. La mayoría de los datos están (implícitamente) ordenados o son dependientes del tiempo, lo que potencialmente permite que una "flecha del tiempo" oculta afecte el rendimiento del AA en tareas no temporales. Esta investigación explora la interacción del AA y el orden implícito utilizando dos modelos de AA para clasificar automáticamente (una tarea no temporal) tweets (datos temporales) en condiciones que equilibran el volumen y la complejidad de los datos. Los resultados muestran que el rendimiento se vio afectado, lo que sugiere que los investigadores deben considerar cuidadosamente el tiempo al emparejar modelos de AA apropiados con tareas, incluso cuando el tiempo solo se incluye de manera implícita.