Producción académica de la escuela. xmlui/handle/123456789/3 2026-11-03T03:34:19Z 2026-11-03T03:34:19Z Mondragón Prieto, Elmer xmlui/handle/123456789/743 2026-11-02T17:43:28Z 2026-10-01T00:00:00Z

Marco evaluativo de sistemas de IA musical para accesibilidad y autonomía en discapacidad motora (2021-2026) Mondragón Prieto, Elmer Quita espacios: Los sistemas de inteligencia artificial (IA) musical pueden ampliar las formas de interacción y participación de personas con discapacidad motora; sin embargo, la literatura suele evaluarlos mediante criterios fragmentados, concentrados en novedad técnica, usabilidad aislada o calidad del resultado. Este artículo presenta un marco evaluativo para analizar y comparar dichos sistemas desde una perspectiva integral y trazable. Se realizó una revisión sistemática de literatura publicada entre 2021 y 2026, complementada con la integración de ISO/IEC 25010:2023, ISO/IEC 25059:2023, WCAG 2.2, CIF/ICF y NIST AI RMF. El marco resultante organiza la evaluación en seis dimensiones: interacción inclusiva y accesibilidad; confiabilidad y predictibilidad; seguridad y riesgo; interpretabilidad y transparencia; mantenibilidad y sostenibilidad; y contexto funcional y resultados. La propuesta emplea una escala ordinal de cuatro niveles basada en suficiencia de evidencia e incorpora la categoría N/A. Una aplicación ilustrativa a un caso documentado mostró capacidad inicial para organizar evidencia heterogénea, identificar fortalezas y vacíos, y construir perfiles por dimensión. El aporte principal es metodológico: una estructura común para valorar cuándo la IA mejora efectivamente la accesibilidad y la autonomía y cuándo introduce complejidad, opacidad o dependencia adicional.

2026-10-01T00:00:00Z Solano Mora, Eric Trejos Zelaya, Ignacio xmlui/handle/123456789/737 2026-10-23T17:51:58Z 2026-10-01T00:00:00Z

RAG-Based Multi-Agent System for Financial Contract Analysis and User Comprehension Validation in Costa Rica Solano Mora, Eric; Trejos Zelaya, Ignacio Este artículo documenta la evolución de un sistema de comprensión de contratos financieros, desde un prototipo conversacional basado en generación aumentada por recuperación (RAG), sometido a evaluación, hasta una arquitectura modular multiagente en el contexto de Costa Rica. El trabajo comenzó con la definición del problema, la recopilación de evidencia secundaria, el análisis de las partes interesadas y entrevistas exploratorias. Posteriormente, avanzó mediante actividades basadas en el modelo Double Diamond y Design Sprint, la creación de prototipos con GPT personalizado, la iteración pública de Loanix, la implementación de un sistema RAG basado en WhatsApp y su evaluación con usuarios, hasta llegar a una arquitectura objetivo más modular. El prototipo RAG evaluado combina el procesamiento de contratos, la recuperación de información normativa, modelos de lenguaje de OpenAI y almacenamiento vectorial temporal para generar explicaciones estructuradas dirigidas a usuarios no expertos. Una evaluación posterior al uso, realizada con cinco usuarios, obtuvo valoraciones unánimemente positivas en cuanto a la facilidad de uso, la utilidad, la satisfacción general y la confianza en las respuestas generadas. El proyecto también ha desarrollado un GPT personalizado de acceso público, ampliando el alcance del artefacto de investigación hacia una herramienta de usuario orientada a la divulgación.

2026-10-01T00:00:00Z Lizano Gallegos, José Andrés Jara Cordero, Adolfo Leon Vega, Luis xmlui/handle/123456789/736 2026-10-23T17:30:18Z 2026-10-01T00:00:00Z

Prototipo Funcional Basado en Inteligencia Artificial para Evaluar el Riesgo Crediticio que asumen los Ahorrantes en Entidades Financieras Costarricenses Reguladas por la SUGEF Lizano Gallegos, José Andrés; Jara Cordero, Adolfo; Leon Vega, Luis Cada día, ahorrantes e inversores depositan su dinero en instituciones financieras con la esperanza de que su capital esté seguro y crezca con el tiempo. Sin embargo, tras cada decisión subyace una realidad compleja: comprender la verdadera salud financiera de estas instituciones es difícil y la información necesaria (aunque de acceso público) suele ser abrumadora, técnica y difícil de interpretar. En Costa Rica, la Superintendencia General de Entidades Financieras (SUGEF) publica un amplio conjunto de indicadores destinados a informar al público; no obstante, el enorme volumen y la naturaleza multidimensional de estos datos generan una brecha entre la información disponible y aquella que las personas pueden utilizar realmente para tomar decisiones financieras con confianza. Para reducir esta brecha, este trabajo presenta WISE Investors, una solución que transforma datos financieros dispersos en información clara y accesible mediante una combinación de aprendizaje automático (machine learning), herramientas visuales interactivas y un agente conversacional basado en grandes modelos de lenguaje (LLMs), que integra RAG (Generación Aumentada por Recuperación) con SQL generado por IA. La metodología analítica incorpora el algoritmo Isolation Forest para detectar comportamientos inusuales, K-Means para agrupar instituciones con perfiles financieros similares e indicadores sintéticos que permiten a los usuarios comparar entidades mes a mes. Asimismo, se propone un enfoque de clasificación prudencial basado en percentiles que ayuda a resaltar tendencias significativas, evitando al mismo tiempo fluctuaciones a corto plazo que podrían inducir a error. La evaluación experimental, realizada con 50 consultas del ámbito financiero, demuestra que el agente conversacional alcanza una fidelidad del 100 %, una similitud semántica máxima del 28,1 % y una cobertura de respuesta de hasta el 86 %, dependiendo del modelo utilizado. En términos de eficiencia, la configuración recomendada (OpenAI gpt-5.4-mini) ofrece respuestas en un promedio de 7,3 segundos con un consumo de 4955 tokens por consulta, logrando el mejor equilibrio entre precisión, coste y escalabilidad. El estudio aporta tres avances clave: un método para convertir indicadores financieros públicos en una medida interpretable del desempeño institucional; un sistema de clasificación sensible al riesgo que incorpora el contexto histórico para ofrecer evaluaciones más estables y realistas; y una plataforma integrada donde los usuarios pueden explorar los resultados visualmente y formular preguntas en lenguaje natural. Este prototipo busca reducir la asimetría de información y empoderar a las personas para que tomen decisiones financieras más informadas y seguras.

2026-10-01T00:00:00Z Oviedo Seas, Sergio xmlui/handle/123456789/732 2026-09-08T17:31:56Z 2026-04-01T00:00:00Z

Optimización de Modelos de IA para el Reconocimiento de Patrones en Tiempo Real en Sistemas Embebidos de Bajo Costo en Edge Computing Oviedo Seas, Sergio En los últimos años, el desarrollo de inteligencia artificial embebida ha experimentado un notable avance, particularmente en el uso de modelos optimizados para ejecutarse en el borde (edge computing). Sin embargo, a pesar de los progresos tecnológicos, no existe un marco metodológico accesible, estructurado y validado que oriente la implementación completa de soluciones de visión por computadora en dispositivos de bajo costo. Esta falta de guía integral dificulta la adopción práctica de estas tecnologías en contextos donde los recursos computacionales y económicos son limitados, como la educación técnica, el prototipado rápido o proyectos de innovación aplicada. La presente investigación busca responder a esa necesidad mediante el diseño de un marco metodológico modular y replicable, que permita integrar modelos de aprendizaje automático en microcontroladores como el Nicla Vision y el Portenta H7. Este marco aborda todo el proceso: desde la selección del hardware y la optimización del modelo, hasta su despliegue y validación funcional en el borde, sin depender de procesamiento en la nube. La propuesta se alinea con las tendencias globales en edge AI y TinyML, y tiene el potencial de fortalecer la formación práctica en inteligencia artificial embebida, así como fomentar la autonomía y eficiencia energética en el desarrollo de soluciones inteligentes. Esta investigación se desarrolla en el contexto académico, bajo un enfoque técnico-aplicado, y busca generar un aporte metodológico sustentado en revisión científica, observación técnica y fundamentación tecnológica. Su finalidad no es únicamente resolver una problemática puntual, sino también ofrecer una herramienta de referencia para estudiantes, docentes y desarrolladores interesados en la aplicación real de inteligencia artificial en sistemas embebidos de bajo consumo.

2026-04-01T00:00:00Z