Tarea 5. Divulgación y fraude

 

OpenAI. (2025). Imagen generada con DALL·E. https://chat.openai.com

Tarea 5 - Divulgación y fraude

Soy bastante consumidor de divulgación, y no solo en temas que están directamente relacionados con mi tesis. Aunque es verdad que me interesa mucho aprender sobre inteligencia artificial y educación, que es el tema central de mi investigación, también disfruto mucho explorando otras áreas que no tienen nada que ver con lo que estudio. Me encanta descubrir cómo se está aplicando la tecnología para mejorar la experiencia de aprendizaje, pero también me atrae sumergirme en otras ramas del conocimiento que despiertan mi curiosidad.

Para consultar toda esta información, recurro muchísimo a YouTube. Para mí es una plataforma muy cómoda para aprender cosas nuevas, ya que hay muchos canales que explican de forma muy sencilla y visual temas que pueden ser algo complejos. Algunos de los canales de YouTube que más suelo visitar serían los siguientes:

• Inteligencia artificial (@la_inteligencia_artificial) de Jon Hernández, es un canal que de forma muy amena repasa las principales novedades en inteligencia artificial. Es especialmente útil para mantenerse al día con lo rápido que avanza este campo.
• QuantumFracture  (@QuantumFracture) de José Luis Crespo, es otro de mis favoritos. Está centrado en la física, la astronomía y la ciencia en general, y tiene un estilo muy visual y bien cuidado.
• Memorias de Pez (@MemoriasDePez) y Memorias de Tiburón (@MemoriasdeTiburón), siguen una línea creativa parecida: presentan temas de manera muy esquematizada, divertida y rápida. El primero se enfoca en sucesos históricos como guerras y revoluciones, mientras que el segundo se centra en curiosidades e historias más impactantes.
• VisualEconomik (@VisualEconomik) y VisualPolitik (@VisualPolitik), forman parte de lo que ellos mismos llaman, la VisualFactory y son muy conocidos en la divulgación en español. Hablan de política internacional, economía y finanzas, con un toque muy característico y visual.
• Solo Fonseca (@SoloFonseca), analiza temas de política internacional y economía de forma muy clara y con un toque personal. Sus vídeos suelen tratar temas de actualidad, conflictos internacionales y geopolítica.
• El Viejo Continente (@ElViejoContinente), que combina historia y política con una narrativa muy atractiva, mezclando datos históricos y actualidad política de forma muy equilibrada.

Además de YouTube, también aprovecho para escuchar podcasts en Spotify, sobre todo cuando estoy en el trabajo o entrenando en el gimnasio. Eso sí, soy menos constante con los podcasts y me centro únicamente en dos que considero especialmente interesantes:

• Big Data e Inteligencia Artificial, de Marta Arroyo, es sin duda el podcast que despertó mi curiosidad por la inteligencia artificial. Tiene 100 episodios donde repasa temas técnicos sobre este área tan amplia, aunque ahora Marta ha pasado a una modalidad premium en su propia plataforma, a la que sigo suscrito porque me interesa mucho su enfoque personal.
• Doctorando, que no es poco, de UMA Divulga. Lo descubrí hace poco y está hecho por la Universidad de Málaga. Este podcast trata temas que son muy importantes para la vida de un doctorando: desde la admisión y las ayudas disponibles, hasta la salud mental, las metodologías de trabajo y las estancias de investigación.

Y finalmente, para terminar el repaso de toda esa divulgación que devoro, está la newsletter THE BATCH de DeepLearning.AI, que recibo semanalmente en mi correo. Es una newsletter creada por Andrew Ng, un profesor de ciencias de la computación en la Universidad de Stanford que es considerado un gurú en el mundo de la inteligencia artificial. Me gusta mucho porque me permite estar al día de las novedades y tendencias.

¿Te ves produciendo divulgación?

Ojalá en el futuro, pero ahora mismo no me veo produciendo divulgación porque siento que todavía tengo mucho que aprender. Me veo más como una esponja que absorbe todo lo que puede y trata de entender cada cosa que encuentra. Quizá más adelante, cuando tenga más claro lo que quiero compartir o sienta que tengo algo interesante que aportar, me anime a dar el paso y compartir mis reflexiones sobre cómo la inteligencia artificial y la computación afectiva pueden ayudar a mejorar la educación.

¿Mantendrías el blog que has tenido que abrir en la asignatura a tal fin?

Aunque pienso que este blog que hemos creado para la asignatura podría ser un buen punto de partida, creo que me sentiría más cómodo haciendo esa divulgación complementándola con otros formatos. Tal vez podría utilizar este blog como un espacio más personal para explayarme sobre aquello que me apetezca y, a la vez, usar un canal de YouTube, que podría encajar mejor con la naturaleza más visual de mi investigación, para compartir información de una forma más atractiva.

Lo que más me gusta de tener un blog de este tipo es precisamente la libertad de enfrentarme a un lienzo en blanco donde puedo contar todo lo que me pasa por la cabeza, sin el ruido de otros formatos como los que suelo consumir habitualmente.

Tarea 4. Revisión por partes y factor de impacto.

 

OpenAI. (2025). Imagen generada con DALL·E. https://chat.openai.com

Tarea 4. Revisión por partes y factor de impacto.

Lo que más me ha llamado la atención de las lecturas previas a esta tarea es la manera en que el factor de impacto, aunque se usa mucho para medir la calidad de las revistas, en realidad no lo cuenta todo. Es verdad que nos da una idea de cuántas veces se citan los artículos de una revista y eso puede ser una buena pista sobre su reputación o sobre lo que interesa en la comunidad científica. Pero también puede engañarnos un poco, porque no siempre significa que todos los artículos que publica esa revista sean buenos o importantes.

Por eso me parece crucial que no nos quedemos solo con ese número como algo fundamental, sino que pensemos también en otros aspectos que acompañen al factor de impacto y que puedan explicar mejor la calidad de un artículo. Por ejemplo, cómo está hecho el trabajo, si la metodología es sólida y si los resultados están bien explicados.

También me ha parecido interesante que haya revistas que tienen políticas más transparentes y que piden a los autores que expliquen bien cómo han hecho su trabajo o que compartan los datos. Todo eso ayuda a que un artículo sea más fiable y, posiblemente, de mayor calidad, aunque no esté en una revista con un factor de impacto alto.

En resumen, creo que el factor de impacto es solo un punto de partida. Para mí, la calidad real de un artículo debería basarse en más cosas: cómo está hecho, la honestidad en cómo se presentan los datos y si ha pasado por una buena revisión por pares. Como investigadores que estamos empezando, creo que es clave tener claro esto para no quedarnos solo con un número y no perder de vista el objetivo de nuestra tarea investigadora, que es aportar algo de valor a la ciencia.

Tarea 3. Comparación estructura IMRAD

  

OpenAI. (2025). Imagen generada con DALL·E. https://chat.openai.com

Tarea 3. Comparación estructura IMRAD

En esta tercera tarea, he decidido realizar el apartado 2 de la propuesta y comparar dos de los artículos que he tenido la oportunidad de leer recientemente y que tienen relación con el objeto de mi tesis. Los artículos en cuestión son los siguientes:

1. Capturing physiological data for detecting boredom in educational contexts (Astudillo et al., 2024).

1. Collecting and Implementing Ethical Guidelines for Emotion Recognition in an Educational Metaverse (Di Dario et al., 2024).

Primer artículo: Astudillo et al. (2024)

En este primer artículo, se sigue la estructura IMRAD de manera bastante rigurosa. Las secciones están muy bien diferenciadas y con títulos claros, lo que las hace muy fáciles de identificar.

• Introducción: En esta sección se explica por qué es importante estudiar las emociones en el aprendizaje. Justifican por qué eligen centrarse en el aburrimiento en su estudio y explican el objetivo principal del trabajo, que es crear un marco para medir el aburrimiento usando datos fisiológicos que recogen de estudiantes en clases.
  
• Método: En esta sección separa el contenido en dos secciones diferenciadas:
  
• Proposal of a framework, donde explican cómo funciona la plataforma tecnológica que usan y hacen una descripción de los sensores que han utilizado.
  
• Design and Development of the Experiment, donde cuentan cómo se seleccionaron a los estudiantes que participaron, cómo definieron el protocolo del experimento y cómo sincronizaron las señales fisiológicas. Toda esta parte está explicada con mucho detalle y parece que han hecho un buen trabajo para que quede clara la manera cómo lo hicieron y que sea fácilmente reproducible.

• Resultados: Se presentan en una llamada Implementation of the experiment and preliminary results donde cuentan detalles concretos del estudio piloto. Incluyen gráficas e imágenes para mostrar los datos que obtuvieron y explican cómo es la calidad de esos datos recogidos. Todo esto ayuda a entender mejor lo que encontraron gracias a llevar a cabo su experimento.
  
• Conclusiones: Aunque esta sección se llame conclusiones, en realidad también funciona como discusión. Aquí reflexionan sobre la calidad de los datos que han obtenido, las limitaciones del experimento y las posibles aplicaciones futuras del sistema que plantean. Además, comparan sus resultados con otros estudios y comentan la posibilidad de ampliar el protocolo para medir otras emociones, no solo el aburrimiento. Todo esto le da un punto de vista más crítico al trabajo y muestra que la parte de análisis y discusión está bien realizada, ya que conecta los resultados con lo que ya sabe y con los retos de investigación que se plantean.

En resumen, el artículo mantiene bien la estructura IMRAD, con cada apartado claramente diferenciado y con un nivel de detalle que permite entender fácilmente los objetivos, cómo se hizo el estudio y qué resultados se obtuvieron.

Segundo artículo: Di Dario et al. (2024)

En este segundo artículo, aunque en esencia sí que se sigue la estructura IMRAD, se hace de una manera algo más confusa y menos directa. Las secciones no están presentadas de forma tan clara y separada como en el otro artículo, y algunas partes como los resultados y la discusión están mezcladas en una sola sección.

• Introducción: Aquí explican qué es el metaverso, cuáles son sus ventajas y qué retos presenta en la educación. También dicen por qué es importante tener en cuenta los problemas éticos que pueden aparecer cuando se usan sistemas que reconocen emociones, como la privacidad y el consentimiento.

• Métodos: No aparece una sección con el título de manera explícita, pero aun así en la práctica está descrito en los siguientes dos apartados:

• Related Work, donde revisan literatura previa publicada sobre dilemas éticos en el reconocimiento de emociones.
• Collecting Ethical Guidelines for Emotion Recognition, donde se cuenta cómo hicieron la búsqueda de artículos, qué palabras clave usaron y cómo analizaron la información para sacar conclusiones. Aunque no lo llamen "Métodos", es donde explican el proceso de búsqueda y análisis.

• Resultados y Discusión: En el caso de las secciones de resultados y discusión, están presentadas en dos apartados que se complementan entre sí:
• Implementing Protection of Privacy for Emotion Recognition, explican cómo aplicaron esas guías éticas en la plataforma SENEM. Hablan de las medidas para proteger la privacidad y cómo usaron un modelo de red neuronal para detectar emociones.
• Discussion and Future Direction, en este apartado se comentan las diferencias entre las directrices teóricas y técnicas y hablan de la importancia de usar blockchain como futuras líneas de investigación.
• Conclusiones: Esta sección cierran el trabajo resumiendo lo que han encontrado y mencionan los próximos pasos que quieren seguir para ampliar la revisión y usar nuevas tecnologías.

En resumen, el segundo artículo sigue la estructura IMRAD, pero de una forma más flexible. Las partes no están tan claramente separadas y, de hecho, a simple vista resulta difícil saber dónde buscar muchas de las secciones IMRAD. Esto puede hacer que la comprensión del proceso de investigación y de los resultados sea un poco más complicada.

Tarea 2 (bis): El camino de la ciencia

    OpenAI. (2025). Imagen generada con DALL·E. https://chat.openai.com

Tarea 2 (bis): El camino de la ciencia

No podía dejar pasar la oportunidad sin mencionar algo que me ha resonado a partir de una de las lecturas de este tema y se trata de la importancia de saber escuchar a quienes, como nosotros, han tenido que abrirse camino en este fascinante mundo de la ciencia. Cada palabra de quienes nos ayudan contiene la experiencia de muchos años de tropiezos y aciertos, y es allí donde, a menudo, se esconde la mejor brújula para los que aún estamos dando nuestros primeros pasos.

Aunque llevo relativamente poco tiempo en la investigación, la lectura de Ruy Pérez Montfort sobre qué es la investigación científica me ha traído a la memoria aquellos momentos iniciales, cuando comenzaba a perfilar la temática de la que, de momento, es mi tesis y recibía consejos de mis directores. Aquellas conversaciones iniciales, llenas de dudas y también de entusiasmo, me ayudaron a entender que la ciencia no es un camino recto, sino una ruta llena de desvíos inesperados.

Después de tantos años trabajando en proyectos con objetivos muy definidos y plazos fijos, me sorprendió escuchar de uno de mis directores que “es muy probable que la investigación que empiezas se transforme en otra cosa totalmente diferente”. Al principio, me costaba comprender cómo algo tan incierto podía formar parte de un proceso que, en otros ámbitos, siempre busca la precisión y la certeza. Sin embargo, poco a poco he aprendido a ver esta incertidumbre como un elemento esencial del proceso científico.

Al contrario de lo que ocurre en los proyectos con fechas de entrega y resultados esperados, la investigación avanza, como indica Montfort, a base de nuevas hipótesis que se ponen a prueba, errores que abren otras puertas y curiosidad que no se apaga. El método científico no es solo un conjunto de pasos para demostrar teorías, sino también un modo de pensar que nos invita a cuestionar lo que dábamos por cierto. La investigación se convierte así en una especie de viaje personal, donde cada paso nos enseña algo nuevo y cada error se convierte en una oportunidad para aprender y crecer.

Lo más enriquecedor de este proceso es que no estamos solos. Al escuchar las voces o escritos de quienes han caminado antes que nosotros, aprendemos que la ciencia no se construye en soledad, sino a partir de un diálogo continuo. Es un intercambio que atraviesa generaciones, disciplinas y contextos, y que nos conecta con una comunidad que comparte la misma pasión.

Quizás, lo más valioso que he aprendido hasta ahora es que el éxito de un investigador no está en llegar exactamente al destino que imaginaba al principio, sino en la capacidad de adaptarse y cambiar de rumbo cuando las circunstancias lo exigen. Esa humildad para aceptar que nunca lo sabremos todo, junto con la seguridad de que los descubrimientos más valiosos nacen de la colaboración y la curiosidad compartida, son las verdaderas compañeras de viaje en este camino de la ciencia.

La ciencia, nos enseña a vivir con la incomodidad de no tener todas las respuestas, a celebrar cada pequeño avance y a mantener viva la curiosidad que nos impulsa a seguir explorando. Es un ejercicio constante de apertura y aprendizaje, que no termina nunca, pero que, precisamente por eso, resulta tan apasionante.

Tarea 2. ¿Qué es ciencia?

    OpenAI. (2025). Imagen generada con DALL·E. https://chat.openai.com

Tarea 2: ¿Qué es ciencia?

Después de leer las entradas del blog que hacen referencia a este tema, una de las ideas que más me ha llamado la atención es la de entender la ciencia no por su contenido, sino por su forma de trabajar: observar, preguntar, dudar, contrastar, argumentar y compartir el descubrimiento.

Por este motivo, me he sentido muy identificado con mi trabajo de investigación. Mi tesis se centra en el campo de la inteligencia artificial en educación y, como explico en mi primera entrada del blog, más concretamente en el uso de la computación afectiva para mejorar la experiencia de aprendizaje del alumnado. Aunque mi estudio pueda parecer alejado de la imagen tradicional de la ciencia, no es la típica idea de tubos de ensayo y laboratorio, se centra en el estudio de las emociones, y el proceso que sigo es plenamente científico.

Comienzo con una revisión sistemática de la literatura para identificar el estado actual del área. A partir de ahí, formulo la hipótesis sobre cómo el reconocimiento de emociones puede influir en la motivación y el rendimiento del estudiante. El siguiente paso es el diseño de un sistema adaptativo, que se pondría a prueba en un entorno educativo real y se evaluaría mediante técnicas empíricas: recogida de datos, observación, análisis cuantitativo y cualitativo, y comparación de resultados.

Otro punto interesante de lo que he estado leyendo, es el papel que se le da a la comunicación científica. Documentar bien el proceso, publicar los resultados, permitir su replicación o contrastarlos con otras investigaciones… todo esto forma parte del trabajo científico y no debemos olvidarlo.

En definitiva, estas lecturas me han hecho reflexionar sobre cómo el espíritu científico está presente más allá de los laboratorios. La ciencia también busca comprender fenómenos complejos como el aprendizaje o la emoción, como en mi caso, y mi investigación intenta aportar herramientas y conocimiento útil para ello. Por tanto, sí, por suerte, lo que hago también es ciencia.

Tarea 1. La presentación de mi investigación

    OpenAI. (2025). Imagen generada con DALL·E. https://chat.openai.com/

Tarea 1: La presentación de mi investigación

Aunque la inteligencia artificial está ganando terreno en muchos ámbitos de nuestra vida, su uso para comprender cómo nos sentimos durante el aprendizaje sigue siendo bastante limitado. 

Las emociones juegan un papel fundamental en los procesos de enseñanza-aprendizaje y, sin embargo, rara vez se tienen en cuenta en el diseño de experiencias formativas.

Mi investigación busca explorar cómo la inteligencia artificial, y en particular la computación afectiva, una de sus ramas más centradas en la dimensión humana, puede ayudar a detectar las emociones de las personas mientras aprenden y cómo esa información podría utilizarse para adaptar la experiencia y hacerla más significativa y personalizada.

De esta manera, la pregunta que humildemente me planteo responder es:

¿Cómo puede el reconocimiento de las emociones mediante inteligencia artificial mejorar la motivación y la experiencia de aprendizaje?