xmlui/handle/123456789/3 Producción académica de la escuela. 2026-04-07T14:25:02Z xmlui/handle/123456789/645 Is Productivity in Quantum Programming Equivalent to Expressiveness? Corrales Garro, Francini; Valerio Ramírez, Danny; Núñez Corrales, Santiago The expressiveness of quantum programming languages plays a crucial role in the efficient and comprehensible representation of quantum algorithms. Unlike classical programming languages, which offer mature and well-defined abstraction mechanisms, quantum languages must integrate cognitively challenging concepts such as superposition, interference and entanglement while maintaining clarity and usability. However, identifying and characterizing differences in expressiveness between quantum programming paradigms remains an open area of study. Our work investigates the landscape of expressiveness through a comparative analysis of hosted quantum programming languages such as Qiskit, Cirq, Qrisp, and quAPL, and standalone languages including Q# and Qmod. We focused on evaluating how different quantum programming languages support the implementation of core quantum algorithms—Deutsch-Jozsa, Simon, Bernstein-Vazirani, and Grover—using expressiveness metrics: Lines of Code (LOC), Cyclomatic Complexity (CC), and Halstead Complexity (HC) metrics as proxies for developer productivity. Our findings suggest that different quantum programming paradigms offer distinct trade-offs between expressiveness and productivity, highlighting the importance of language design in quantum software development. 2025-12-01T00:00:00Z xmlui/handle/123456789/644 Sistema predictivo basado en inteligencia artificial para anticipar la calidad del jugo natural a partir de características fisicoquímicas de la fruta antes del procesamiento Chavarría Cubero, Luis David La calidad natural del jugo es un parámetro crítico dentro de la industria agroindustrial, ya que determina tanto la aceptación del consumidor como la eficiencia del proceso productivo. El presente estudio desarrolla y evalúa un sistema predictivo basado en algoritmos de inteligencia artificial para clasificar la calidad del jugo utilizando variables fisicoquímicas, sensoriales y visuales. Se recopilaron datos históricos provenientes de análisis industriales y, posteriormente, se aplicaron técnicas de clusterización y reducción dimensional para depurar la información y mejorar la separabilidad entre clases. Se entrenaron cinco modelos supervisados: MLP, SVM-RBF, Random Forest, ExtraTrees y Gradient Boosting. El modelo MLP demostró el mejor desempeño, alcanzando una exactitud de 0.996952 y una excelente capacidad para identificar patrones no lineales en la composición química del jugo. Se diseñó una interfaz funcional que integra el modelo predictivo para uso de personal técnico, permitiendo clasificaciones rápidas y confiables en planta. Los resultados confirman la viabilidad operativa del sistema y evidencian su potencial para reducir la subjetividad humana, mejorar la estandarización del producto y optimizar las decisiones de mezcla y procesamiento. Este estudio constituye un aporte estratégico para la modernización tecnológica de la industria de jugos. 2025-12-01T00:00:00Z xmlui/handle/123456789/643 Creación de un sistema de procesamiento lenguaje natural para la preservación e identificación del lenguaje Bribri Bagnarello Hernández, Gianfranco Esta investigación desarrolló un sistema de reconocimiento automático de voz (ASR) para el idioma Bribri, lengua indígena costarricense de bajos recursos, utilizando el modelo Whisper Tiny de OpenAI mediante técnicas de aprendizaje por transferencia. El principal aporte técnico consistió en demostrar que, mediante un riguroso proceso de preparación de datos que incluyó normalización textual, segmentación manual precisa y alineamiento audio-texto, fue posible superar el estado del arte previo (79% WER con Whisper Large v2), alcanzando un 76.19% WER utilizando un modelo 38 veces más pequeño (39 millones vs 1,500 millones de parámetros). Se realizaron 111 experimentos automatizados de optimización de hiperparámetros utilizando las plataformas Optuna y Weights & Biases. Los datos provinieron del Corpus Pandialectal Oral de la Lengua Bribri y del portal SE'IE, totalizando 279 segmentos de 30 segundos cada uno después del preprocesamiento. La investigación demuestra que la calidad en la preparación de datos puede compensar limitaciones en tamaño de modelo y recursos computacionales, logrando resultados superiores con una sola GPU de consumo (NVIDIA RTX 4070 8GB) en comparación con infraestructura HPC utilizada en estudios previos. Estos hallazgos tienen implicaciones importantes para el desarrollo de tecnologías del habla en lenguas indígenas de bajos recursos, reduciendo significativamente las barreras de entrada para comunidades e investigadores. 2025-12-01T00:00:00Z xmlui/handle/123456789/642 Modelado y predicción del consumo energético de vehículos eléctricos ligeros en hogares costarricenses a partir de patrones de carga y características técnicas. Chacón Garro, Maverick Josué; López López, Marni Andrei El acelerado crecimiento de vehículos eléctricos (VE) en Costa Rica ha generado la necesidad de comprender el impacto energético y económico asociado a la recarga residencial. Este artículo presenta un enfoque predictivo basado en aprendizaje automático para estimar el consumo energético y el incremento en la factura eléctrica en hogares costarricenses. Se emplearon datos del Electric Vehicle Population Dataset de 2024 y se procesaron mediante ingeniería de características, selección de variables, algoritmos de regresión, XGBoost y redes neuronales artificiales. Los resultados muestran que el modelo MLP logra un desempeño sobresaliente (R² = 0,89), superando alternativas tradicionales. Se integra además una simulación tarifaria basada en tarifas reales de Costa Rica, permitiendo estimar costos y generar escenarios de uso. El trabajo aporta una base técnica y metodológica para la adopción informada de electromovilidad en la región. 2025-08-01T00:00:00Z