Academic Theses

Detección automática de problemas de accesibilidad en controles deshabilitados y en el uso de color como proveedor de información

Entidades Relacionales en Motores de Búsqueda: Comparando diseños y soluciones en espacios vectoriales y bases de datos relacionales

Un estudio sobre el impacto UX smells móviles en la eficiencia de uso

Métodos y herramientas para la abstracción de modelos de objetos en contenido web por parte de los usuarios finales

La gran cantidad de información existente en la web y su forma de localización es un verdadero reto para un usuario que desea obtener resultados de forma rápida y precisa, incluso utilizando herramientas de inteligencia artificial que hasta cierto punto no son ideales puesto que cometen errores. En este sentido, esta tesis presenta un enfoque que permite a usuarios sin conocimientos de programación, abstraer contenidos de sitios web, componerlos y entregar información de forma rápida y eficiente, misma que puede servir como insumo para su análisis y uso, permitiendo satisfacer las necesidades de usuarios no contemplados por los sitios web de forma individual. Este enfoque y su conjunto de herramientas de apoyo, brindan a los usuarios un ma- yor control y transparencia sobre la extracción y el formato de los datos. Adicionalmente aborda el desarrollo por usuarios finales con técnicas como Aumentación Web y Web Scraping que son transparentes para el usuario, librando así de las preocupaciones que contraen estas técnicas, para el usuario sin conocimientos de programación. En este con- texto se desarrolló dos herramientas esenciales: la primera que crea servicios de búsqueda de un sitio web denominado Search API y la segunda, otra herramienta que realiza la composición o integración de los servicios de búsqueda. El enfoque fue evaluado por 50 participantes que no tenían conocimientos de progra- mación, mismos que evaluaron la usabilidad de las herramientas, mostrando resultados prometedores de este enfoque.

Modelo combinado de co-training y aprendizaje por transferencia para clasificación de documentos, a partir de un análisis comparativo de modelos de aprendizaje semi-supervisados

La escasez de documentos etiquetados en la mayoría de los conjuntos de datos en distintos dominios dificulta la correcta clasificación de documentos y la generación de aprendizaje, además de implicar altos costos en términos de recursos para su proceso de etiquetado. En este contexto, los modelos de aprendizaje semi-supervisados (Semi-Supervised Learning, SSL) surgen como una alternativa para mitigar esta limitación, sin embargo, la falta de un análisis comparativo que evidencie las fortalezas y debilidades de los distintos tipos de modelos dificulta su selección. Así, se plantea una Revisión de Literatura Sistemática (Systematic Literature Review, SLR) que identifica que las principales limitaciones de los modelos están relacionadas con los límites de decisión y la adaptación de dominio, factores que afectan sus niveles de rendimiento medidos en precisión. Es por esta razón que en la presente tesis se propone diseñar un modelo combinado de clasificación SSL que optimiza el proceso de etiquetado y la clasificación de documentos, mejorando su eficacia y niveles de precisión. Para ello, se desarrolla un marco comparativo que evalúa los distintos tipos de modelos y se implementa una estructura que integra las mejores prácticas identificadas. La metodología de trabajo para el análisis de los modelos se fundamenta en el enfoque PICOC para la estrategia de búsqueda y en la guía PRISMA para la definición de los criterios de exclusión. El modelo propuesto se estructura empleando una combinación de técnicas de coentrenamiento y transferencia de aprendizaje (COTRA) para el procesamiento y entrenamiento de datos respectivamente, su entrenamiento se refuerza mediante el uso del conjunto de datos pre-entrenado de BERT. A diferencia de modelos previos, la estructura de COTRA fortalece el estado del arte al abordar de manera conjunta los desafíos de adaptación de dominio y límite de decisión. Esto se logra mediante una representación multivista optimizada que integra diversas representaciones de documentos con información complementaria proveniente de fuentes pre-entrenadas. Esta estrategia permite reducir la incertidumbre en la asignación de etiquetas y mejorar la capacidad de generalización en escenarios con datos etiquetados limitados, proporcionando un modelo más robusto y adaptable para la clasificación de textos en contextos con restricciones de datos. Para la evaluación de COTRA, se llevaron a cabo experimentos con documentos científicos clasificados en cinco y once categorías correspondientes a sus áreas de estudio. El modelo se comparó con modelos SSL individuales basados en auto-entrenamiento, así también con modelos que incorporan co-entrenamiento, algoritmos genéticos y aprendizaje por transferencia a través de pipelines de clasificación como enfoques zero-shot. COTRA ha logrado los mejores niveles de rendimiento en comparación con el resto de modelos, alcanzando una precisión máxima de 0,87 entre los modelos de co-entrenamiento, frente a la mejor métrica de 0,78 obtenida por los modelos individuales de auto-entrenamiento en la clasificación de cinco categorías. Estos resultados indican que el co-entrenamiento representa una estrategia efectiva para mejorar el desempeño predictivo en la clasificación de documentos.

Dos hojas de ruta para aprender computación cuántica

El objetivo central de este trabajo de tesina es diseñar y analizar comparativamente dos estrategias diferenciadas de aprendizaje sobre el paradigma de computación cuántica, tomando como base las experiencias de dos personas que abordan el tema mediante estrategias y fuentes de consulta distintas. Dicho análisis busca extraer lecciones sobre los métodos de apropiación de conocimientos en este campo emergente de la informática, con especial énfasis en estudiantes provenientes de la computación tradicional.

Flowtion: Herramienta de soporte para facilitar experiencias de co-diseño virtual

Desde los obstáculos hasta las estrategias: integración de la inteligencia artificial en el ciclo de vida del desarrollo del software

En el presente estudio se realizó una revisión narrativa sobre la integración de la AI (artificial intelligence) en el SDLC (Software Development Life Cycle), analizando tanto los avances tecnológicos como los obstáculos que impiden su adopción plena. A través de una sistematización de la información extraída de estudios recientes, se identificaron y clasificaron las principales herramientas de AI aplicadas en cada fase del SDLC, así como los desafíos asociados, que se agrupan en dimensiones técnicas, organizacionales y éticas. La metodología empleada incluyó la revisión y análisis comparativo de literatura de alta relevancia, utilizando criterios de selección rigurosos y la elaboración de una matriz de extracción de datos para identificar patrones y tendencias en la integración de la AI. Los hallazgos revelan que, aunque la aplicación de técnicas como el aprendizaje profundo, el procesamiento de lenguaje natural y los agentes inteligentes ofrecen oportunidades para optimizar procesos clave (como la planificación, el diseño, la generación de código, las pruebas y el mantenimiento), persisten barreras significativas que limitan la efectividad de estas estrategias. Entre los desafíos se destacan la calidad y la estructuración de datos, la compatibilidad con sistemas heredados, la resistencia organizacional y la falta de transparencia en los modelos de AI. En consecuencia, se proponen estrategias integrales que combinan mejoras técnicas, amplios programas de capacitación y marcos éticos robustos para favorecer una integración más sostenible y eficiente de la AI.

Recomendaciones para juegos serios basadas en analíticas de aprendizaje

Las Analíticas de Aprendizaje en Juegos Serios (Serious Games, SG) constituyen una herramienta clave para obtener información sobre las competencias que el jugador demuestra durante su interacción. No obstante, por sí solas, estas métricas no alcanzan para automatizar de forma integral el proceso de enseñanza-aprendizaje. Surge entonces la necesidad de dotar a los SG de sistemas adaptativos que, a partir de los datos recolectados, sean capaces de ofrecer recomendaciones personalizadas y retroalimentación inmediata. De esta manera, cada sesión de juego no solo constituye una experiencia lúdica, sino también un espacio de aprendizaje guiado que contribuye a acercar al estudiante al estado de conocimiento deseado.El objetivo general de la investigación es construir un marco teórico-práctico que permita incorporar dichas recomendaciones en un SG, apoyándose en las métricas del desempeño obtenidas mediante las Analíticas de Aprendizaje. Entre los objetivos específicos se destacan: (1) diseñar e implementar un sistema adaptativo capaz de utilizar Inteligencia Artificial para generar recomendaciones basadas en datos, y (2) realizar un trabajo de campo que permita analizar la viabilidad y posibilidades de integración de este proceso en un juego concreto.

"Experiencia de usuario de estudiantes de carreras STEM utilizando Smart Glasses

La Experiencia de Usuario (UX) se refiere a los sentimientos y emociones que las personas experimentan al interactuar con la tecnología. Este concepto también se aplica a los dispositivos portátiles, como las gafas inteligentes, que se han adoptado en diversos entornos educativos. La evolución constante de la tecnología portátil, combinada con la Realidad Aumentada (RA), ha permitido importantes avances en la enseñanza y el aprendizaje. La RA tiene un gran potencial en la educación, por lo que las gafas inteligentes y las aplicaciones de RA se han convertido en herramientas excepcionales en diferentes niveles y campos educativos, ganando popularidad en los últimos años. Esta tesis investiga los aspectos relacionados con la UX de estudiantes de pregrado de carreras de Ciencias, Tecnología, Ingeniería y Matemáticas (STEM) que utilizan gafas inteligentes en contextos educativos, contribuyendo al campo de la UX y educación STEM. A través de una metodología rigurosa que incluye la implementación de un diseño experimental, la recopilación de datos desde múltiples fuentes y el análisis estadístico, para comprender cómo las gafas inteligentes afectan la UX de los estudiantes, sugiriendo que las aplicaciones de realidad aumentada tienen un gran potencial para facilitar el aprendizaje de conceptos científicos, especialmente cuando las gafas inteligentes se utilizan en combinación con estas aplicaciones. Se llevaron a cabo varios estudios empíricos enfocados en evaluar la UX de los estudiantes de STEM con gafas inteligentes y una aplicación de RA desarrollada para apoyar tareas de aprendizaje específicas en estas cuatro áreas de conocimiento. El objetivo es comprender cómo esta tecnología puede afectar la experiencia de usuario de los estudiantes en su proceso de aprendizaje. La contribución de esta tesis es doble: en primer lugar, investiga los aspectos relacionados con la experiencia de usuario y la usabilidad de las gafas inteligentes con estudiantes de STEM y, en segundo lugar, investiga la efectividad de una aplicación de RA que apoya el aprendizaje de las cuatro áreas STEM. Los hallazgos de los estudios indican que la aplicación de RA proporciona una buena experiencia de usuario, a pesar de la presencia de algunos problemas de factor de forma. Las puntuaciones de usabilidad de los estudiantes, tanto para la aplicación de RA como para las gafas inteligentes, se correlacionan positivamente con el aprendizaje percibido por los estudiantes. Estos resultados pueden ser de utilidad como guía para el diseño y desarrollo de nuevas tecnologías de aprendizaje inmersivo en contextos educativos STEM, así como para el diseño de gafas inteligentes más efectivas y adecuadas para el entorno educativo por parte de los desarrolladores de tecnología. Se discuten las contribuciones y se plantean posibles líneas de trabajo futuro.