4092 artículos
Este artículo introduce "Entrenamiento como Tratamiento", un marco causal que modela las asignaciones de roles de datos y las elecciones de procesos como intervenciones para analizar rigurosamente las métricas de evaluación de aprendizaje automático, considerando la interferencia inducida por el modelo y permitiendo diagnósticos más robustos para la equidad, la filtración y la generalización.
Este estudio propone y evalúa un sistema de reconocimiento automático del habla en tigrigna independiente del hablante basado en un marco de Modelo Oculto de Markov para procedimientos judiciales etíopes, logrando una precisión de palabras del 73,84% utilizando un modelo acústico dependiente del contexto entrenado con un corpus personalizado de 24 hablantes nativos.
Este artículo demuestra que las Ecuaciones Diferenciales Universales, que integran estructuras SIR mecánicas conocidas con redes neuronales para la dinámica de transmisión incierta, superan a las Neural ODEs totalmente basadas en datos en precisión de pronóstico, robustez y eficiencia de datos, particularmente bajo condiciones de datos limitados y alto ruido.
Esta síntesis sistemática de la evidencia de revisión desde 2015 hasta 2025 identifica determinantes y barreras clave para la adopción de la Realidad Virtual en diversos dominios, destacando la necesidad de un marco integrado que aborde las brechas metodológicas y combine factores cognitivos, experienciales, fisiológicos y organizacionales para asegurar el compromiso del usuario a largo plazo.
Este artículo presenta un modelo de evaluación de retroalimentación multimodal asistido por computadora para la educación artística en la escuela secundaria que integra el análisis visual y textual con el seguimiento de evidencia y la revisión docente para mejorar significativamente la fiabilidad de la evaluación y reducir las tasas de error.
Este artículo presenta un marco de trabajo que operacionaliza el linaje de datos como infraestructura para tuberías de datos financieros confiables, demostrando mediante su implementación que reduce significativamente los tiempos de respuesta de auditoría y permite el seguimiento verificable por máquinas de las fuentes y transformaciones de datos.
Este artículo audita sistemas de IA educativa utilizando modelos de lenguaje a nivel de caracteres y encuentra que, si bien pueden predecir con éxito transiciones curriculares no vistas en conjuntos de datos sintéticos y del mundo real, esta capacidad proviene de la explotación de la factorización explícita de metadatos en lugar de la comprensión semántica del contenido de la lección.
Este artículo propone un sistema de clasificación de la gravedad de la enfermedad de Parkinson no invasivo utilizando datos de sensores IMU triaxiales y aprendizaje por conjunto, demostrando que el modelo LightGBM supera a otros algoritmos de aprendizaje automático con una precisión de aproximadamente el 97%.
Este estudio evalúa cinco modelos de aprendizaje automático supervisado para la detección de ataques de día cero en datos desbalanceados, seleccionando finalmente a XGBoost como la solución óptima debido a su equilibrio superior entre alta precisión y tiempo de procesamiento rápido en comparación con el más preciso pero más lento Random Forest.
Este estudio introduce un flujo de trabajo de aprendizaje automático de tres etapas, validado en más de 670.000 casos de tribunales de magistrados kenianos, el cual utiliza modelos LightGBM y CatBoost para predecir las duraciones del procesamiento de casos y clasificar las resoluciones en el mismo día, permitiendo así una gestión proactiva de la acumulación de casos mediante un esquema de riesgo derivado empíricamente y una aplicación web implementada.