Search

How do data scientists frame their relations with domain experts? This study focuses on data scientists' aspired professional jurisdiction and their multiple narratives regarding data science's relations to other fields of expertise. Based on the analysis of 60 open-ended, in-depth interviews with data scientists, data science professors, and managers in Israel, the findings show that data scientists institutionalize three narratives regarding their relations with domain experts: (a) replace experts, (b) absorb experts' knowledge, and (c) provide a service to experts. These three narratives construct data scientists' expertise as universal and omnivorous; namely, they are relevant to many domains and allow data scientists to be flexible in their claim for authority. [ABSTRACT FROM AUTHOR]

La diversidad de sistemas y tecnologías de la información ha propiciado la creación de una serie de procesos que buscan garantizar la gobernanza y la calidad de la información del patrimonio cultural. Este estudio presenta una propuesta del flujo de trabajo y de datos necesarios para la gestión de la información en la documentación del patrimonio industrial inmueble. Para ello, nos centramos en el caso del patrimonio conservero del Bajo Guadiana en Andalucía. Asimismo, el trabajo debate acerca de la complejidad de gestión de datos, y las competencias específicas necesarias para los profesionales que lidian con la documentación patrimonial.

La seguridad en el trabajo es preocupación de toda organización que aspire la excelencia, no solo porque garantiza un espacio de trabajo libre de accidentes, sino también, porque aumenta la confianza, el compromiso y la motivación d los empleados. El uso de herramientas avanzadas y técnicas analíticas para explorar conjuntos de datos grandes y pequeños puede ayudar a identificar estos problemas con suficiente antelación para tomar decisiones oportunas. A pesar de la preocupación por los accidentes, hasta la fecha se han realizado pocos análisis para identificar tendencias o patrones específicos, por lo que este estudio se centra en una base de datos que contiene información sobre los accidentes ocurridos entre 2015 y 2023 en una empresa del Estado. El objetivo principal es analizar las causas de los accidentes. Se utilizó algoritmos de aprendizaje automático y técnicas de ciencia de datos para identificar patrones y tendencias en accidentes laborales. Luego, los datos se clasifican en detalle para comprender mejor el comportamiento cambiante basándose en la regresión lineal. Después de analizar las previsiones se logró determinar que estas fueron muy consistentes con los resultados reales, lo que confirma la precisión del modelo utilizado.

Early detection and prediction of diseases in livestock are essential to ensure animal welfare, improve productivity, and reduce economic losses in the livestock sector. In this context, Machine Learning (ML), a key advancement within artificial intelligence, emerges as a transformative tool for managing animal health. This technology enables the development of complex algorithms capable of analyzing large volumes of clinical and environmental data, identifying early warning patterns in symptoms and behaviors associated with diseases. Through predictive models, ML assesses risk factors and estimates the likelihood of disease occurrence, significantly enhancing diagnostic accuracy and treatment effectiveness. This article provides a comprehensive review of ML's use in livestock production, covering cutting-edge applications, models, and techniques for disease detection and management in livestock. It also highlights the ethical and privacy challenges that accompany the implementation of these technologies, aiming to pave the way for more efficient and responsible livestock management. [ABSTRACT FROM AUTHOR]

The study of computer-related careers is a perfect opportunity for young people due to the high impact that technology has today since there is an increase in job opportunities for qualified personnel in this area. In addition to having a high offer of jobs, most of these are the best paid today. The most encouraging part of preparing in this area is that in the immediate future, it is envisioned to continue with this demand and have a career that will not be absorbed by automation and the development of artificial intelligence. On the other hand, the means of communication where young people can find out about the academic offer are isolated, or they must have a clear idea of a university, or it is generally achieved by recommendation of another professor or by having seen a lecture by a particular professor. Notice that students do not have a general vision of the academic offer. This article presents an initiative to concentrate information on careers related to Computing in Mexico and presents statistics on the data collected. This study aims to present an academic offer to young people in careers related to computing. The academic degrees are bachelor's/engineering, master's, and doctoral. The data presented corresponds to 33 bachelor's/engineering, 30 master's, and 21 doctoral programs. The careers related to computing and information technology most offered in Mexico in 2022 were: computer systems engineering and computer engineering. The information presented here is available at: http://computo.fismat.umich.mx/smcc/mapaComputacion/. [ABSTRACT FROM AUTHOR]

The emergence of digital Game-Based Learning (GBL) has sparked interest in assessing its efficacy. This assessment needs to consider the complex mix of narrative and interactivity typical of video games, which makes it difficult to evaluate to what extent a video game achieves its stated learning objectives. This challenge is exponentially increased when gaming sessions happen spontaneously in informal contexts, without any supervision by educators or the option to assess the players' prior knowledge and skills. This work presents a methodology for analyzing GBL experiences based on data science and the data collection functionalities offered by current game development platforms. This strategy is applied to the analysis of a social media simulator designed to promote information literacy within the video game Julia: A Science Journey. The system collected data on 436 sessions from 112 unique players over six months. The records included information on replayability, identification of fake news, and reaction times. The results suggest that players become more adept and swifter at identifying fake news through repeated games. Success in identifying misinformation is also related to the topic, with hoaxes related to scientific content being more easily recognized than those associated with political controversies. [ABSTRACT FROM AUTHOR]

Este estudio rastrea los indicios de Ciudadanía Global que revelan las voces de los participantes cuando están inmersos en experiencias de aprendizaje relacionadas con la ciencia de datos. Se usaron datos cívicos, software de visualización y los principios de la Ciudadanía Global para diseñar experiencias de aprendizaje que encarnaban algún tipo de problema global (calentamiento global, contaminación de aguas superficiales, emisiones de dióxido de carbono). Se implementaron las experiencias de aprendizaje con diferentes poblaciones: estudiantes de primaria, estudiantes de secundaria y profesores en ejercicio y se grabó en audio y video cada encuentro. Los encuentros se transcribieron verbatim y sobre las transcripciones se rastrearon los indicios de la Ciudadanía Global. Los resultados sugieren que las declaraciones verbales de los participantes ofrecen indicios de Ciudadanía Global en las dimensiones cognitiva (conocimiento), socioemocional (empatía, responsabilidad, solidaridad) y comportamental (acciones transformativas) como resultado de la exposición a las experiencias de aprendizaje.

Este estudio aborda la aplicación de la metodología Cross-Industry Standard Process for Data Mining (CRISP-DM) en el análisis de los gases disueltos en aceite de transformadores de potencia, siendo este un componente crítico en los sistemas eléctricos. La adopción de este método estructurado de seis fases permitió evaluar de forma integral la condición de las unidades de transformación del sistema eléctrico ecuatoriano a partir del análisis de datos de inversión y expansión del sector, así como del estudio de 1 099 perfiles DGA (Dissolved Gas Analysis) obtenidos de una población de 153 transformadores ubicados en las distintas regiones de Ecuador continental. Los hallazgos descritos en este trabajo tienen el potencial de mejorar significativamente las estrategias y políticas de inversión y mantenimiento. Además, se propone la adopción de técnicas de automatización en el proceso de clasificación DGA, utilizando modelos de aprendizaje supervisado para potenciar la confiabilidad y eficiencia del servicio público de energía. Los resultados sugieren que este enfoque no solo mejora el diagnóstico dentro de las actividades de mantenimiento, sino que también proporciona una base sólida para trazar una hoja de ruta hacia una gestión predictiva de los activos, lo que se traduce en una mejora sustancial de la confiabilidad del sistema eléctrico nacional.

La medicina moderna está experimentando una transformación sin precedentes gracias a los avances en Ciencia de Datos (CD) y la Inteligencia Artificial (IA). Uno de los aspectos más interesantes de la aplicación de la CD y la IA en medicina es su capacidad para mejorar la precisión en el diagnóstico de enfermedades.

Objective of the study: We aim to propose, and test an integrative framework for actors’ orchestration in the dairy sector based on a data science perspective to drive innovation. Methodology/Approach: To achieve this aim, a systematic literature review and content analysis were conducted, then, an integrative framework was developed and empirically tested. Subsequently, incremental adjustments in the framework’s data structure were performed based on the interviews conducted through the focus group were taken into consideration. Increasing the framework assertiveness and adaptability in different contexts. Originality/Relevance: The article delves into the world of dairy production, focusing on the key players in the milk and its derivatives sector. It emphasizes the crucial role of data in driving innovation and value co-creation among these actors. By collecting and displaying the relevant data, each player can unlock new opportunities for growth and collaboration within the value chain. The data science principle forms the bedrock of this process, as it enables a deeper understanding of the data flow and facilitates effective information-sharing across the right value chain actors. Main results: A framework that encompasses key data that can be shared among actors, to foster information exchange and long-term relationships, promoting transparency in the process, which raises a sense of trustworthiness, responsibility, and innovation. Theoretical/Methodological contributions: The study involves the development of an integrative framework that is constructed based on insights gathered from the systematic literature review and content analysis. This framework serves as a comprehensive and cohesive structure for understanding the utilization of data flow to connect stakeholders in the dairy sector. It highlights the key elements necessary for successful actors' relationships and outlines the potential impact on value co-creation and the generation of valuable information. Empirical contributions are made through the testing and validation of this framework with a diverse range of stakeholders in the dairy sector. Through focus groups involving multiple players within the industry, valuable insights are gathered, and the framework is tested. The empirical findings validate the applicability and effectiveness of the framework, ensuring its practicality and relevance. Social/management contributions: The framework elevates the knowledge level about the dairy sector and its practices among stakeholders. It amplifies the potential for innovation within the sector, serves as a guiding tool that encourages stakeholders to explore new avenues for enhancing the customer experience. The social and management contributions are evident in its ability to empower stakeholders with knowledge, inspire innovation, and elevate the overall customer experience in the dairy sector. [ABSTRACT FROM AUTHOR]

Copyright of Santander. Estudios de Patrimonio is the property of Santander Estudios de Patrimonio and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Comunicaciones en Estadística is the property of Universidad Santo Tomas and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Este artículo trata sobre el desarrollo de un modelo de Machine Learning aplicado a un conjunto de datos recopilados en una granja avícola. Su objetivo es obtener un modelo predictivo basado en variables ambientales para anticipar eventos futuros. Este modelo predictivo busca optimizar decisiones relacionadas con el bienestar ambiental de las aves y reducir costos de producción en proyectos avícolas. Para esta investigación, se obtuvo el set de datos del sistema "Smart Poultry Farm" como guía del desarrollo, se utilizó la metodología SEMMA y el lenguaje de programación Python en el entorno IDE Google Colaboratory. El modelo se construyó mediante el algoritmo de regresión logística binomial en el contexto de aprendizaje supervisado. La evaluación del modelo predictivo incluyó la matriz de confusión y métricas como: el Índice General de Calidad, Precisión, Sensibilidad, Especificidad y F1-Score. Se aplicaron distintos escenarios para anticipar la activación/desactivación de los ventiladores del galpón, en función de los parámetros ambientales: humedad, temperatura e índice de calor.

Copyright of Meta: Avaliação is the property of Revista Meta: Avaliacao and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

El presente proyecto analiza las variables de depresión que puede tener un estudiante universitario de la Escuela Politécnica Nacional (EPN) mediante modelos de aprendizaje automático (ML). Participaron un total de 302 estudiantes de distintas carreras quienes completaron de manera voluntaria y anónima una encuesta en línea constituida por el Inventario de Depresión de Beck II (BDI-II). Las 19 preguntas de la encuesta están relacionadas al estilo de vida promedio de un estudiante de la EPN y fueron revisadas y avaladas sobre su relación con trastornos depresivos por una profesional en el campo de la psicología. Se utilizó la metodología CRISP-DM para las fases del proyecto que consistieron en el análisis de la situación actual, planteamiento de objetivos, recolección, análisis y preparación de datos, construcción de modelos de ML para predecir la severidad de depresión con base en las métricas de BDI-II y evaluación de modelos. Se obtuvo un modelo con 0.59 de exactitud y se verificó que las variables de género, edad y relaciones interpersonales son las más significativas al determinar la severidad de depresión.

La big data, las computadoras y la ciencia de datos se han convertido en instrumentos clave para la generación de conocimiento. En este contexto se hace interesante entender cómo estas metodologías influyen en lo que los usuarios de distintos ámbitos (científico, económico, financiero, etc.) pueden afirmar respecto a qué es lo que conocen y lo que no. El presente artículo describe los problemas epistemológicos derivados del uso de big data; se propone además plantear en qué medida esta nueva realidad tecnológica puede ser una fuente de contextualismo epistémico, y cómo, utilizando las reglas propuestas por Lewis (1996), se puede encontrar un punto de entendimiento entre quienes ven el mundo como un enorme conjunto de datos que contienen la respuesta a los problemas, y quienes creen que solo el método científico y las pruebas de hipótesis pueden lograr el conocimiento más certero sobre los fenómenos del mundo.

There is a wide variety of techniques and models for forecasting electrical energy consumption, depending on both the type of user, the forecast horizon, and the resolution of the available data. Likewise, there are different metrics to evaluate the performance of these models. So, in this research an integrated multi-criteria methodology is proposed to select the best forecast model for residential electricity consumption, using the Analytical Hierarchical Process (AHP) to establish the weights of relative importance of the decision criteria, and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) to make the selection of the optimal model. The methodology is in turn framed within a data science process, through which the data is extracted, processed, and analyzed, prior to the application of the machine learning algorithms to obtain the forecast models, which will correspond to decision alternatives. The performance metrics in the evaluation phase of the models, and the performance metrics obtained from the forecast phase, are considered as the decision criteria. From the pairwise comparisons technique, it was obtained that the mean absolute percentage error (MAPE) of the prognosis phase was the criterion with the greatest weight of importance, followed by the coefficient of determination R2 and the MAPE of the evaluation phase. From the TOPSIS method, the Multiple Linear Regression model was selected as the optimal forecast model. [ABSTRACT FROM AUTHOR]

Cada actividad que se realiza en la vida cotidiana requiere hacer, en la mayoría de los casos, una reflexión de las posibles consecuencias que habrá que enfrentar. Por supuesto, para hacer el contraste de estos resultados con los fenómenos que se observan en el día a día, será necesario contar con muchos datos que ayuden a generar información, que finalmente, servirá para tomar las mejores decisiones. Hacer estas interpretaciones requiere estar en permanente contacto con el acontecer mundial: económico, social y cultural. Además, será necesario conocer sobre los diferentes elementos tecnológicos (por ejemplo, software y hardware) que, de manera gratuita, están a la disposición de la mayoría de nuestra población. Para la Universidad Nacional Autónoma de Honduras, es de vital importancia asumir el liderazgo en cuanto al manejo de la estadística y de todos aquellos elementos tecnológicos que permitan la visualización de datos, especialmente, en estos momentos en los que el país, posterior a la pandemia, necesita retomar la senda del desarrollo.

El Cuarto Paradigma de la Ciencia o Ciencia de Datos ha sido explosivo acompañando al desarrollo de las megatendencias de la Industria 4.0. Aquel sería, continuidad en brecha paradigmática, del desarrollo histórico de los precedentes vinculados con las ciencias observacionales, teóricas y experimentales en la construcción del mundo digital a partir del analógico, focalizándose desde una filosofía de la tecnología. Sus postulantes la asocian con la Estadística diferenciándolas por la influencia de la Informática. Esto es comprensible si convergemos la asincronía de la relación Estadística-Informática en contexto del desarrollo de la ciencia y su impacto en el Estado-Nación. La Estadística tiene claramente origen político como descriptora de la sociedad a partir del dato como elemento hermenéutico que fluye por estos tipos de ciencia. Aquí reconstruimos esa historia a partir de la Estadística y su transformación en Ciencia de Datos teniendo de fondo y objeto al Estado-Nación.

This research study proposes a methodology based on data science to estimate the technical feasibility of implementing hybrid solar-wind power systems by calculating the plant factor, also known as capacity factor (CF). Data is gathered from the NOVALYNX 110-WS-18 weather station, between the years 2018 and 2020, to determine the energetic potential available for the Candelaria campus at the La Salle University (Colombia). A k-means data clustering algorithm, developed in Matlab, is applied over the following descriptors: time, solar radiation, wind speed, and temperature. The results show that the photovoltaic and wind power systems have a CF of 36.69% and 2.15%, respectively. It is concluded that it is technically feasible to implement a photovoltaic system at the La Salle University, but not a wind power system as it does not meet the minimum CF required. [ABSTRACT FROM AUTHOR]

Lograr que las políticas públicas realmente logren resultados que mejoren la calidad de vida de las personas es un tema que siempre preocupa a los decisores públicos; más aún en un contexto de restricciones presupuestales como el que la mayoría de países atraviesa o atravesará en la situación de pospandemia. Por otro lado, la ciencia de datos, la inteligencia artificial, los datos abiertos y, en general, las tecnologías impulsadas por las grandes cantidades de datos cada día van ganando terreno en el ámbito de la gestión pública. El presente artículo tiene por objetivo conocer el estado actual de las investigaciones acerca de la interacción entre estos dos ámbitos, tomando como objeto de estudio la aplicación de la ciencia de datos a la evaluación del impacto de las políticas públicas, a fin de identificar los vacíos en la investigación existente. Luego de una revisión sistemática de la literatura, se encontró que el objeto de estudio propuesto no ha estado en el centro de la investigación académica. Lo que se ha investigado es el ciclo completo de desarrollo de políticas o la gestión pública en general. Se verificó también que esta interacción entre la cosa pública y la ciencia de datos aún es un campo emergente y, en opinión de muchos académicos, hacen falta investigaciones con una visión holística y con una mirada que vaya más allá de lo eminentemente técnico.

Copyright of Dilemas Contemporáneos: Educación, Política y Valores is the property of Dilemas Contemporaneos: Educacion, Politica y Valores and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Revista Médica Clínica Las Condes is the property of Editorial Sanchez y Barcelo and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Revista Médica Clínica Las Condes is the property of Editorial Sanchez y Barcelo and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

La comunicación de la ciencia de datos, y específicamente del big data y la inteligencia artificial, es uno de los mayores retos de la sociedad actual, porque la tecnología está en constante cambio y la ciudadanía necesita comprenderla para tomar las mejores decisiones. Tradicionalmente la comunicación científica se ha centrado en el estudio de las actitudes y percepciones sociales hacia los temas más polémicos, como en el entorno español, con la Encuesta de Percepción Social de la Ciencia y la Tecnología, elaborada por la FECYT cada dos años. Este trabajo reporta los resultados del primer informe nacional centrado en el conocimiento, la comprensión y las actitudes del público hacia el big data y la inteligencia artificial. Se ha llevado a cabo una encuesta nacional en enero de 2020 a una muestra de 684 personas españolas. Se observa que el conocimiento sobre el big data y la inteligencia artificial es moderado, con un menor grado de conocimiento e interés entre las personas de más edad y que la inteligencia artificial es más conocida y despierta mayor interés y actitudes más favorables que el big data. La manera en que el público se informa no varía con respecto a las encuestas tradicionales, por lo que la información puede llegarles por esas vías.

The overall aim of this study was to discuss the main innovations in psychological assessment made possible by the existence of social networks. More specifically, we characterize the practices (and weaknesses) of conventional psychological assessment, the most modern methods of computational psychometry and examples of applications of computational psychometry using data from social networks. In general, the conventional practices of psychological assessment of psychometrics were created in the 19th century and many of its practices, developed around the middle of the 20th century, continue to be used in a non-critical way. As an alternative, computational psychometrics, an approach to psychometrics that combines data-driven methods of computer science and psychometric theory, has been used to generate innovations in the area of assessment. Finally, we discuss some applications of computational psychometrics and how these innovations are likely to generate profound changes in the assessment context. [ABSTRACT FROM AUTHOR]

Este artículo aborda la necesidad actual de hacer analítica en la industria, frente a los elementos que desarrollan la capacidad de tomar decisiones basadas en datos. Para ello se discuten las siguientes preguntas estratégicas: ¿qué significa generar capacidad analítica a nivel empresarial?, ¿qué requieren las empresas para hacer analítica?, ¿qué talento analítico demanda actualmente la industria? y ¿qué conocimientos y competencias se requieren entre los equipos de analítica?

El presente artículo, se presenta con el propósito fundamental de precisar la aplicabilidad de la denominada “Ciencia de Datos” (Data Science) y sus herramientas de “Inteligencia Artificial” (IA), como apoyo al desarrollo de investigaciones cualitativas, aplicadas al estudio de fenómenos sociales complejos. La metodología se corresponde con el denominado Análisis Comparativo Cualitativo, para ello se toman los datos de una investigación cualitativa, referencial, desarrollada usando el método Fenocomplejo, fundamentado en los Modelos de Sistemas Viables de Stafford Beer y la Fenomenología Hermenéutica de Van Manen. Los hallazgos se enfocaron en la comparación de las relaciones existentes entre frases y palabras, así como a los sentimientos emanados desde las anécdotas protocolares de cuatro profesores universitarios activos en dos universidades públicas del estado Trujillo. Finalmente se considera que la Ciencia de Datos y la Inteligencia Artificial son perfectamente aplicables, y recomendables, como apoyo al desarrollo de este tipo de investigaciones

Copyright of Digital Education Review is the property of University of Barcelona, Virtual Teaching & Learning Research Group and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Machine learning assembles a broad set of methods and techniques to solve a wide range of problems, such as identifying individuals with substance use disorders (SUD), finding patterns in neuroimages, understanding SUD prognostic factors and their association, or determining addiction genetic underpinnings. However, the addiction research field underuses machine learning. This two-part narrative review focuses on machine learning tools and concepts, providing an introductory insight into their capabilities to facilitate their understanding and acquisition by addiction researchers. This first part presents supervised and unsupervised methods such as linear models, naive Bayes, support vector machines, artificial neural networks, and k-means. We illustrate each technique with examples of its use in current addiction research. We also present some open-source programming tools and methodological good practices that facilitate using these techniques. Throughout this work, we emphasize a continuum between applied statistics and machine learning, we show their commonalities, and provide sources for further reading to deepen the understanding of these methods. This two-part review is a primer for the next generation of addiction researchers incorporating machine learning in their projects. Researchers will find a bridge between applied statistics and machine learning, ways to expand their analytical toolkit, recommendations to incorporate well-established good practices in addiction data analysis (e.g., stating the rationale for using newer analytical tools, calculating sample size, improving reproducibility), and the vocabulary to enhance collaboration between researchers who do not conduct data analyses and those who do. [ABSTRACT FROM AUTHOR]

In a continuum with applied statistics, machine learning offers a wide variety of tools to explore, analyze, and understand addiction data. These tools include algorithms that can leverage useful information from data to build models; these models can solve particular tasks to answer addiction scientific questions. In this second part of a two-part review on machine learning, we explain how to apply machine learning methods to addiction research. Like other analytical tools, machine learning methods require a careful implementation to carry out a reproducible and transparent research process with reliable results. This review describes a workflow to guide the application of machine learning in addiction research, detailing study design, data collection, data pre-processing, modeling, and results communication. How to train, validate, and test a model, detect and characterize overfitting, and determine an adequate sample size are some of the key issues when applying machine learning. We also illustrate the process and particular nuances with examples of how researchers in addiction have applied machine learning techniques with different goals, study designs, or data sources as well as explain the main limitations of machine learning approaches and how to best address them. A good use of machine learning enriches the addiction research toolkit. [ABSTRACT FROM AUTHOR]

Copyright of Revista Médica Clínica Las Condes is the property of Editorial Sanchez y Barcelo and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Dilemas Contemporáneos: Educación, Política y Valores is the property of Dilemas Contemporaneos: Educacion, Politica y Valores and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Actualidad Economica (0327585X) is the property of Instituto de Economia y Finanzas de la Facultad de Ciencias Economicas and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Esta investigación cuantitativa analiza el impacto del aula invertida en el proceso de enseñanza-aprendizaje sobre los mapas de Karnaugh, para ello considera la ciencia de datos, las redes neuronales y el aprendizaje automático (regresión lineal). En el aprendizaje automático, la sección de entrenamiento utilizó el 60%, 70% y 80% de la muestra para evaluar las hipótesis de investigación. Los mapas de Karnaugh permiten identificar la función lógica que minimiza el número de componentes electrónicos utilizados durante la construcción de los circuitos digitales. El objetivo general es implementar y analizar el uso sobre el aula invertida en el proceso educativo sobre los mapas de Karnaugh. La muestra está compuesta por 26 estudiantes de la Licenciatura Ejecutiva en Sistemas Computacionales que cursaron la asignatura Lógica secuencial y combinatoria en una universidad mexicana. Esta investigación propone la implementación del aula invertida por medio de la consulta de videos YouTube (antes de la clase), el uso del protoboard en forma colaborativa (durante la clase) y el empleo del software Crocodile Clips (después de la clase). El protoboard es una placa de pruebas que permite la construcción de circuitos digitales y el software Crocodile Clips permite realizar diversas simulaciones sobre el funcionamiento de los circuitos digitales. Los resultados del aprendizaje automático indican que el aula invertida influye positivamente el rol activo y la motivación del estudiantado durante el proceso de aprendizaje. La ciencia de datos identifica 6 modelos predictivos sobre el aula invertida por medio de la técnica árbol de decisión. La información sobre el perfil del estudiantado (sexo y edad) y el uso de las herramientas (videos YouTube, protoboard y software Crocodile Clips) permiten la construcción de estos modelos. Asimismo, las redes neuronales identifican los aspectos del aula invertida que influyen en el rol activo y la motivación del estudiantado. Por último, en este estudio se ha comprobado que el aula invertida mejora las condiciones de enseñanza-aprendizaje por medio de la consulta de videos YouTube, el uso del protoboard en forma colaborativa y el empleo del software Crocodile Clips.

Copyright of Meta: Avaliação is the property of Revista Meta: Avaliacao and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Revista Electrónica Gestión de las Personas y Tecnologías is the property of Revista Electronica Gestion de las Personas y Tecnologia and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

This research focuses on the general idea of e xploring the technical characteristics of the Python programming language, identifying its potential in software development and applications related to Artificial Intelligence (AI). Currently, decision-making in the business environment requires more complex fields of action that link current technologies in key processes of organizational action, software development has found different areas of technical specialization and job opportunities are beginning to require solid knowledge in the development of Artificial Intelligence (AI) to process information. To address this phenomenon, an exploratory study was carried out with a qualitative approach, this with the purpose of investigating concepts related to the Python programming language, as a new area of r esearch applied to software development in the field of Artificial Intelligence. Among the main findings, we found different professional experiences among the programmers that form a community of knowledge in software development, the importance of the development of data analysis, that Python language offers facilities for learning; Furthermore, to apply Artificial Intelligence an understanding of programming in general and the link with technology is needed. Therefore, the use of the Python language can be involved in software development learning processes, and a choice to go deeper into studies of the usefulness of technology and employ artificial intelligence knowledge to contribute to the technological development. [ABSTRACT FROM AUTHOR]

Los datos y la significación representan estructuras secuenciales para la relevancia científica. El propósito del estudio fue identificar barreras epistemológicas en la arquitectura de los datos y la significación del modelo predictivo de la ciencia. El estudio se realizó desde enero hasta julio del 2020 seleccionándose mediante un muestreo probabilístico aleatorio, 100 artículos de Scopus donde se accedió a través, de la plataforma ScienceDirect como herramienta científica de búsqueda. Las estructuras secuenciales se compararon mediante la prueba t-Student considerándose significativos los resultados con un nivel de confianza del 95% y dónde se encontró diferencias entre ellas (t = -53,88; p = 7,09). Se observó que, el análisis de los datos fue menos relevante en comparación con la importancia que se atribuye a su significación. Se concluyó que, la identificación de las barreras epistemológicas para la arquitectura de los datos y la significación en el modelo predictivo de la ciencia representa una guía a considerarse para la medición de las variables y su interpretación hacia un conocimiento científico.

Con el despegue de la popularidad del área de analítica de aprendizaje durante la última década, numerosas investigaciones han surgido y la opinión pública se ha hecho eco de esta tendencia. Sin embargo, la realidad es que el impacto que ha tenido en la práctica ha sido bastante bajo, y se está produciendo poca transferencia a las instituciones educativas. Una de las posibles causas es la elevada complejidad del campo, y que no existan procesos claros; por ello, en este trabajo, se propone un pragmático proceso de implementación de analíticas de aprendizaje en cinco etapas: 1) entornos de aprendizaje, 2) recolección de datos en crudo, 3) manipulación de datos e ingeniería de características, 4) análisis y modelos y 5) aplicación educacional. Además, se revisan una serie de factores transversales que afectan esta implementación, como la tecnología, ciencias del aprendizaje, privacidad, instituciones y políticas educacionales. El proceso que se detalla puede resultar de utilidad para investigadores, analistas de datos educacionales, educadores e instituciones educativas que busquen introducirse en el área. Alcanzar el verdadero potencial de las analíticas de aprendizaje requerirá de estrecha colaboración y conversación entre todos los actores involucrados en su desarrollo, que permita su implementación de forma sistemática y productiva.

La inteligencia artificial y el Big Data se articulan para poder lidiar con diferentes problemas relacionados con el análisis de datos masivos, en particular información de la COVID-19. En el presente artículo se muestran algunos proyectos de investigación relacionados con el aprendizaje profundo, el aprendizaje automático, el Big Data y la ciencia de datos, tendientes a dar soluciones plausibles bien en el monitoreo, detección, diagnóstico y tratamiento de las enfermedades asociadas con el virus. Con esto en mente, se muestra la correspondencia entre las tecnologías disruptivas y la información crítica, creando sinergias que permiten elaborar sistemas más avanzados de estudio y análisis facilitando la obtención de datos relevantes para la toma de decisiones sanitarias.

RESUMEN: Esta investigación cuantitativa tiene como objetivo analizar el impacto de la Aplicación web para el proceso Educativo sobre el Logaritmo (AEL) por medio de la ciencia de datos y el aprendizaje automático (regresión lineal). La muestra está compuesta por 29 alumnos que cursaron la asignatura Matemáticas Básicas en una universidad mexicana durante el ciclo escolar 2015. La AEL presenta el procedimiento matemático sobre el uso del logaritmo para calcular el tiempo (número de años) durante la solicitud de un crédito bancario. El modelo TPACK permite organizar la AEL por medio del conocimiento tecnológico (lenguaje de programación PHP), conocimiento pedagógico (estrategia de simulación) y conocimiento disciplinar (uso del logaritmo en el campo de las matemáticas financieras). Los resultados del aprendizaje automático con 50%, 60% y 70% de entrenamiento indican que la AEL influye positivamente la asimilación del conocimiento sobre el logaritmo, el desarrollo de habilidades matemáticas y la comprensión sobre los conceptos teóricos del logaritmo en el campo de las matemáticas financieras. Asimismo, la ciencia de datos identifica tres modelos predictivos sobre el uso de la AEL en el proceso de enseñanza-aprendizaje. Por último, la tecnología está transformando la interacción entre los contenidos escolares y estudiantes durante el Siglo XXI. PALABRAS CLAVE: tecnología; enseñanza superior; ciencia de datos; TIC; aprendizaje automático. ABSTRACT: This quantitative research aims at analyzing the impact of the Web Application for the Educational Process on Logarithm (AEL) through data science and machine learning (linear regression). The sample is composed of 29 students who studied the Basic Mathematics course in a Mexican university during the 2015 school year. The AEL presents the mathematical procedure on the use of the logarithm to find the time (number of years) during the application for a bank loan. The TPACK model allows the organization of the AEL through technological knowledge (PHP programming language), pedagogical knowledge (simulation strategy) and disciplinary knowledge (use of the logarithm in the field of financial mathematics). The results of machine learning with 50%, 60% and 70% training indicate that the AEL positively influences the assimilation of knowledge about the logarithm, development of mathematical skills and understanding of the theoretical concepts of the logarithm in the field of financial mathematics. Likewise, data science identifies three predictive models on the use of the AEL in the teaching-learning process. Finally, technology is transforming the interaction between the school content and students during the 21st century. KEYWORDS: technology; higher education; data science; ICT; machine learning.