<?xml version="1.0" encoding="UTF-8"?>
<feed xmlns="http://www.w3.org/2005/Atom" xmlns:dc="http://purl.org/dc/elements/1.1/">
<title>Volumen 26 | Número 01</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193815" rel="alternate"/>
<subtitle/>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193815</id>
<updated>2026-11-19T10:24:40Z</updated>
<dc:date>2026-11-19T10:24:40Z</dc:date>
<entry>
<title>A Comparison of Technologies for Layer 2 Network Extension over IP: EoIP vs. VxLAN</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193829" rel="alternate"/>
<author>
<name>Núñez Agurto, Alberto Daniel</name>
</author>
<author>
<name>Espinoza, Jordan</name>
</author>
<author>
<name>Pérez, Franklin</name>
</author>
<author>
<name>Camino, Edwin</name>
</author>
<author>
<name>Rodríguez, German</name>
</author>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193829</id>
<updated>2026-04-30T20:12:21Z</updated>
<published>2026-04-01T00:00:00Z</published>
<summary type="text">Articulo
Comparación de tecnologías para la extensión de redes de Capa 2 sobre IP: EoIP vs. VxLAN
Journal of Computer Science &amp; Technology; vol. 26, no.1
Technology and communication are fundamental in modern enterprise environments, making network performance evaluation crucial. To analyze their impact on enterprise infrastructure performance, this study compares EoIP and VxLAN, two technologies used for Layer 2 network extension over IP. The PPDIOO methodology was employed to structure and optimize the network analysis and improvement process. The implementation included configuring MikroTik devices running RouterOS, playing a key role in the topologies used. Tests on bandwidth, latency, and transfer rate were conducted in simulated environments using hping, iperf, and Wireshark to assess performance. The results indicate that VXLAN provides better latency performance, whereas EoIP offers lower overhead and greater configuration simplicity.&#13;
These findings highlight the importance of considering various factors when choosing between these technologies, ensuring that the implementation aligns with the specific requirements of each enterprise environment. This study provides key insights for network administrators and IT architects seeking to optimize their organization’s infrastructure through advanced segmentation and network virtualization technologies.; En los entornos empresariales modernos, la tecnología y la comunicación son fundamentales, haciendo crucial la evaluación del rendimiento de las redes. Este estudio compara EoIP y VxLAN, dos tecnologías utilizadas para la extensión de redes de Capa 2 sobre IP, con el objetivo de analizar su impacto en el desempeño de infraestructuras empresariales. Se utilizó la metodología PPDIOO para estructurar y optimizar el proceso de análisis y mejora de la red. La implementación incluyó la configuración de dispositivos MikroTik con RouterOS, desempeñando un papel clave en las topologías utilizadas. Para evaluar el rendimiento, se realizaron pruebas de ancho de banda, latencia y tasa de transferencia en entornos simulados, utilizando herramientas como hping, iperf y Wireshark. Los resultados indican que VXLAN ofrece mejor rendimiento en latencia, mientras que EoIP presenta menor sobrecarga y simplicidad en la configuración. Estos hallazgos resaltan la importancia de considerar diversos factores al elegir entre estas tecnologías, asegurando que la implementación se adapte a las necesidades específicas de cada entorno empresarial. Este estudio proporciona información clave para administradores de redes y arquitectos de TI que buscan optimizar la infraestructura de sus organizaciones mediante tecnologías avanzadas de segmentación y virtualización de red.
</summary>
<dc:date>2026-04-01T00:00:00Z</dc:date>
<dc:description>Technology and communication are fundamental in modern enterprise environments, making network performance evaluation crucial. To analyze their impact on enterprise infrastructure performance, this study compares EoIP and VxLAN, two technologies used for Layer 2 network extension over IP. The PPDIOO methodology was employed to structure and optimize the network analysis and improvement process. The implementation included configuring MikroTik devices running RouterOS, playing a key role in the topologies used. Tests on bandwidth, latency, and transfer rate were conducted in simulated environments using hping, iperf, and Wireshark to assess performance. The results indicate that VXLAN provides better latency performance, whereas EoIP offers lower overhead and greater configuration simplicity.&#13;
These findings highlight the importance of considering various factors when choosing between these technologies, ensuring that the implementation aligns with the specific requirements of each enterprise environment. This study provides key insights for network administrators and IT architects seeking to optimize their organization’s infrastructure through advanced segmentation and network virtualization technologies.

En los entornos empresariales modernos, la tecnología y la comunicación son fundamentales, haciendo crucial la evaluación del rendimiento de las redes. Este estudio compara EoIP y VxLAN, dos tecnologías utilizadas para la extensión de redes de Capa 2 sobre IP, con el objetivo de analizar su impacto en el desempeño de infraestructuras empresariales. Se utilizó la metodología PPDIOO para estructurar y optimizar el proceso de análisis y mejora de la red. La implementación incluyó la configuración de dispositivos MikroTik con RouterOS, desempeñando un papel clave en las topologías utilizadas. Para evaluar el rendimiento, se realizaron pruebas de ancho de banda, latencia y tasa de transferencia en entornos simulados, utilizando herramientas como hping, iperf y Wireshark. Los resultados indican que VXLAN ofrece mejor rendimiento en latencia, mientras que EoIP presenta menor sobrecarga y simplicidad en la configuración. Estos hallazgos resaltan la importancia de considerar diversos factores al elegir entre estas tecnologías, asegurando que la implementación se adapte a las necesidades específicas de cada entorno empresarial. Este estudio proporciona información clave para administradores de redes y arquitectos de TI que buscan optimizar la infraestructura de sus organizaciones mediante tecnologías avanzadas de segmentación y virtualización de red.</dc:description>
</entry>
<entry>
<title>Security Enhancement of FinTech Platforms with Artificial Intelligence and Blockchain: A Systematic Literature Review</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193828" rel="alternate"/>
<author>
<name>Ibarra, Gabriel Alejandro</name>
</author>
<author>
<name>Gindre, Francisco</name>
</author>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193828</id>
<updated>2026-04-30T20:12:22Z</updated>
<published>2026-04-01T00:00:00Z</published>
<summary type="text">Articulo
Mejora de la seguridad en plataformas FinTech con inteligencia artificial y blockchain: una revisión sistemática de la literatura
Journal of Computer Science &amp; Technology; vol. 26, no.1
The integration of artificial intelligence (AI) and blockchain has become a relevant research topic in the Fintech domain due to its potential to improve security, regulatory compliance, and operational transparency. This systematic literature review examines how the combined use of these technologies contributes to the protection of Fintech platforms. The review follows the PRISMA guidelines and analyzes studies published between 2010 and 2024. A total of 667 studies were identified and 175 primary articles were selected according to predefined inclusion and exclusion criteria. The results indicate that this integration is mainly applied to identity management, fraud detection, and Know Your Customer (KYC) processes, improving data integrity, traceability, and auditability. However, the literature also reports persistent challenges related to scalability, interoperability, and regulatory uncertainty, which hinder large-scale adoption. This review provides a consolidated view of the current state of research and identifies open challenges for the development of secure and trustworthy Fintech infrastructures.; La integración de la inteligencia artificial (IA) y la tecnología blockchain se ha convertido en un tema de investigación relevante en el dominio Fintech debido a su potencial para mejorar la seguridad, el cumplimiento normativo y la transparencia operativa. Esta revisión sistemática de la literatura analiza cómo el uso combinado de estas tecnologías contribuye a la protección de las plataformas Fintech. La revisión sigue las directrices PRISMA y examina estudios publicados entre 2010 y 2024. Se identificaron un total de 667 estudios y se seleccionaron 175 artículos primarios de acuerdo con criterios de inclusión y exclusión predefinidos. Los resultados indican que esta integración se aplica principalmente a la gestión de identidades, la detección de fraude y los procesos de Conozca a su Cliente (KYC), mejorando la integridad, la trazabilidad y la auditabilidad de los datos. Sin embargo, la literatura también reporta desafíos persistentes relacionados con la escalabilidad, la interoperabilidad y la incertidumbre regulatoria, que dificultan su adopción a gran escala. Esta revisión proporciona una visión consolidada del estado actual de la investigación e identifica desafíos abiertos para el desarrollo de infraestructuras Fintech seguras y confiables.
</summary>
<dc:date>2026-04-01T00:00:00Z</dc:date>
<dc:description>The integration of artificial intelligence (AI) and blockchain has become a relevant research topic in the Fintech domain due to its potential to improve security, regulatory compliance, and operational transparency. This systematic literature review examines how the combined use of these technologies contributes to the protection of Fintech platforms. The review follows the PRISMA guidelines and analyzes studies published between 2010 and 2024. A total of 667 studies were identified and 175 primary articles were selected according to predefined inclusion and exclusion criteria. The results indicate that this integration is mainly applied to identity management, fraud detection, and Know Your Customer (KYC) processes, improving data integrity, traceability, and auditability. However, the literature also reports persistent challenges related to scalability, interoperability, and regulatory uncertainty, which hinder large-scale adoption. This review provides a consolidated view of the current state of research and identifies open challenges for the development of secure and trustworthy Fintech infrastructures.

La integración de la inteligencia artificial (IA) y la tecnología blockchain se ha convertido en un tema de investigación relevante en el dominio Fintech debido a su potencial para mejorar la seguridad, el cumplimiento normativo y la transparencia operativa. Esta revisión sistemática de la literatura analiza cómo el uso combinado de estas tecnologías contribuye a la protección de las plataformas Fintech. La revisión sigue las directrices PRISMA y examina estudios publicados entre 2010 y 2024. Se identificaron un total de 667 estudios y se seleccionaron 175 artículos primarios de acuerdo con criterios de inclusión y exclusión predefinidos. Los resultados indican que esta integración se aplica principalmente a la gestión de identidades, la detección de fraude y los procesos de Conozca a su Cliente (KYC), mejorando la integridad, la trazabilidad y la auditabilidad de los datos. Sin embargo, la literatura también reporta desafíos persistentes relacionados con la escalabilidad, la interoperabilidad y la incertidumbre regulatoria, que dificultan su adopción a gran escala. Esta revisión proporciona una visión consolidada del estado actual de la investigación e identifica desafíos abiertos para el desarrollo de infraestructuras Fintech seguras y confiables.</dc:description>
</entry>
<entry>
<title>On the use of the Novel Zorro Activation Functions in Long Short-Term Memory Neural Networks</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193827" rel="alternate"/>
<author>
<name>Jimenez, Victor A.</name>
</author>
<author>
<name>Roodschild, Matías</name>
</author>
<author>
<name>Gotay Sardiñas, Jorge</name>
</author>
<author>
<name>Will, Adrián</name>
</author>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193827</id>
<updated>2026-04-30T20:12:22Z</updated>
<published>2026-04-01T00:00:00Z</published>
<summary type="text">Articulo
Uso de la función de activación Zorro en redes neuronales LSTM
Journal of Computer Science &amp; Technology; vol. 26, no.1
Activation functions are fundamental components of modern neural networks, including Large Language Models (LLMs). Nonlinear activations regulate the flow of information in most models and determine how data is processed. However, training or even fine-tuning very large and complex models with such activations, like those used in ChatGPT and DeepSeek, remains out of reach for many researchers due to computational constraints. Therefore, traditional architectures such as LSTM remain highly relevant for smallto medium-scale, real-world applications. In this context, the choice of appropriate functions can significantly influence a model’s learning capability, stability, and training efficiency under limited computational resources. In this work, we analyze the behavior of a novel family of activation functions, called Zorro, when used as gating functions in LSTM architectures. We propose replacing traditional activation and gating functions with Zorro variants to improve both model performance and convergence speed. Unlike conventional approaches, our method assigns a different function to each gate or activation, enabling flexible adaptation to different gated architectures. We evaluate the proposed models on widely used benchmark datasets, including Japanese Vowels and Human Activity Recognition for classification, and Chickenpox and Turbofan Degradation for regression. The results show accuracy improvements of up to 10% and reduction in training time of up to 15%, demonstrating that the proposed approach provides a practical and computationally efficient alternative for deploying LSTM-based models in resource-constrained environments and real-world time-series applications.; Las funciones de activación son componentes fundamentales de las redes neuronales modernas, incluidos los modelos de lenguaje a gran escala (LLMs). Las activaciones no lineales regulan el flujo de información en la mayoría de los modelos y determinan cómo se procesan los datos. Sin embargo, entrenar o incluso ajustar modelos muy grandes y complejos con estas activaciones, como los utilizados en Chat- GPT y DeepSeek, sigue estando fuera del alcance de muchos investigadores debido a las limitaciones computacionales. Por esta razón, arquitecturas tradicionales como las LSTM siguen siendo muy relevantes para aplicaciones del mundo real a pequeña y mediana escala. En este contexto, la elección de funciones adecuadas puede influir significativamente en la capacidad de aprendizaje, estabilidad y eficiencia de entrenamiento de un modelo con recursos computacionales limitados. En este trabajo, analizamos el comportamiento de una nueva familia de funciones de activación, llamada Zorro, cuando se utilizan como funciones de compuerta en arquitecturas LSTM. Proponemos reemplazar las funciones de activación y compuerta tradicionales en las LSTM por las variantes Zorro para mejorar el rendimiento del modelo y la velocidad de convergencia. A diferencia de los enfoques convencionales, nuestro método asigna una función diferente a cada compuerta o activación, permitiendo una adaptación flexible a diferentes arquitecturas con compuertas. Evaluamos los modelos propuestos en conjuntos de datos ampliamente utilizados, incluyendo Japanese Vowels y Human Activity Recognition para clasificación, así como Chickenpox y Turbofan Degradation para regresión. Los resultados muestran mejoras de precisión de hasta 10% y reducciones del tiempo de entrenamiento de hasta el 15%, lo que demuestra que el enfoque propuesto ofrece una alternativa práctica y eficiente desde el punto de vista computacional para desplegar modelos basados en LSTM en entornos con recursos limitados y aplicaciones de series de tiempo del mundo real.
</summary>
<dc:date>2026-04-01T00:00:00Z</dc:date>
<dc:description>Activation functions are fundamental components of modern neural networks, including Large Language Models (LLMs). Nonlinear activations regulate the flow of information in most models and determine how data is processed. However, training or even fine-tuning very large and complex models with such activations, like those used in ChatGPT and DeepSeek, remains out of reach for many researchers due to computational constraints. Therefore, traditional architectures such as LSTM remain highly relevant for smallto medium-scale, real-world applications. In this context, the choice of appropriate functions can significantly influence a model’s learning capability, stability, and training efficiency under limited computational resources. In this work, we analyze the behavior of a novel family of activation functions, called Zorro, when used as gating functions in LSTM architectures. We propose replacing traditional activation and gating functions with Zorro variants to improve both model performance and convergence speed. Unlike conventional approaches, our method assigns a different function to each gate or activation, enabling flexible adaptation to different gated architectures. We evaluate the proposed models on widely used benchmark datasets, including Japanese Vowels and Human Activity Recognition for classification, and Chickenpox and Turbofan Degradation for regression. The results show accuracy improvements of up to 10% and reduction in training time of up to 15%, demonstrating that the proposed approach provides a practical and computationally efficient alternative for deploying LSTM-based models in resource-constrained environments and real-world time-series applications.

Las funciones de activación son componentes fundamentales de las redes neuronales modernas, incluidos los modelos de lenguaje a gran escala (LLMs). Las activaciones no lineales regulan el flujo de información en la mayoría de los modelos y determinan cómo se procesan los datos. Sin embargo, entrenar o incluso ajustar modelos muy grandes y complejos con estas activaciones, como los utilizados en Chat- GPT y DeepSeek, sigue estando fuera del alcance de muchos investigadores debido a las limitaciones computacionales. Por esta razón, arquitecturas tradicionales como las LSTM siguen siendo muy relevantes para aplicaciones del mundo real a pequeña y mediana escala. En este contexto, la elección de funciones adecuadas puede influir significativamente en la capacidad de aprendizaje, estabilidad y eficiencia de entrenamiento de un modelo con recursos computacionales limitados. En este trabajo, analizamos el comportamiento de una nueva familia de funciones de activación, llamada Zorro, cuando se utilizan como funciones de compuerta en arquitecturas LSTM. Proponemos reemplazar las funciones de activación y compuerta tradicionales en las LSTM por las variantes Zorro para mejorar el rendimiento del modelo y la velocidad de convergencia. A diferencia de los enfoques convencionales, nuestro método asigna una función diferente a cada compuerta o activación, permitiendo una adaptación flexible a diferentes arquitecturas con compuertas. Evaluamos los modelos propuestos en conjuntos de datos ampliamente utilizados, incluyendo Japanese Vowels y Human Activity Recognition para clasificación, así como Chickenpox y Turbofan Degradation para regresión. Los resultados muestran mejoras de precisión de hasta 10% y reducciones del tiempo de entrenamiento de hasta el 15%, lo que demuestra que el enfoque propuesto ofrece una alternativa práctica y eficiente desde el punto de vista computacional para desplegar modelos basados en LSTM en entornos con recursos limitados y aplicaciones de series de tiempo del mundo real.</dc:description>
</entry>
<entry>
<title>Predictive Model using Neural Networks and Multitechnique Validation in Digital Environments with Scarce Data for Sustainable WEEE management</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193826" rel="alternate"/>
<author>
<name>Facuy, Jussen</name>
</author>
<author>
<name>Pasini, Ariel Cristian</name>
</author>
<author>
<name>Estévez, Elsa Clara</name>
</author>
<author>
<name>Moran, César</name>
</author>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193826</id>
<updated>2026-04-30T20:12:23Z</updated>
<published>2026-04-01T00:00:00Z</published>
<summary type="text">Articulo
Modelo Predictivo mediante Redes Neuronales y Validación Multitécnica en Entornos Digitales con Datos Escasos para la Gestión Sostenible de RAEE
Journal of Computer Science &amp; Technology; vol. 26, no.1
The sustainable management of Waste Electrical and Electronic Equipment (WEEE) is a critical global challenge, particularly in contexts with limited data. This study proposes a predictive model based on artificial neural networks, developed from surveys and historical records in the city of Guayaquil, with the aim of estimating WEEE generation on annual and monthly scales. The model was structured in phases of data collection, preprocessing, training, and validation, integrating sociodemographic variables and categories of discarded devices. To ensure reliability, a multi-technique validation protocol was applied, including Hold-Out, Stratified K-Fold, and Bootstrap Sampling methods. Results showed strong performance, with a coefficient of determination (R²) of 0.9125 in initial tests, an average of 0.9097 in cross-validation, and up to 0.9789 with bootstrap, significantly outperforming traditional linear regression methods. These findings confirm the model’s ability to capture non-linear relationships and produce accurate forecasts in data-scarce environments. It is concluded that neural networks represent an effective tool to support strategic planning and decision-making in sustainable WEEE management, providing a replicable framework for other regions facing similar challenges.; La gestión sostenible de Residuos de Aparatos Eléctricos y Electrónicos (RAEE) constituye un desafío crítico a nivel global, especialmente en contextos con datos limitados. Este estudio propone un modelo predictivo basado en redes neuronales artificiales, desarrollado a partir de encuestas y registros históricos en la ciudad de Guayaquil, con el objetivo de estimar la generación de RAEE en periodos anuales y mensuales. El modelo se estructuró en fases de recolección, preprocesamiento, entrenamiento y verificación, integrando variables sociodemográficas y tipos de dispositivos desechados. Para garantizar su confiabilidad, se implementó un protocolo de validación multitécnica que incluyó métodos Hold-Out, K-Fold estratificado y Bootstrap Sampling. Los resultados evidenciaron un desempeño robusto, con un coeficiente de determinación (R²) de 0.9125 en pruebas iniciales, un valor promedio de 0.9097 en validación cruzada y hasta 0.9789 mediante bootstrap, superando ampliamente los métodos de regresión lineal tradicionales. Estos hallazgos confirman la capacidad del modelo para capturar relaciones no lineales y generar proyecciones precisas en entornos de datos escasos. Se concluye que las redes neuronales constituyen una herramienta eficaz para apoyar la planificación estratégica y la toma de decisiones en la gestión sostenible de RAEE, ofreciendo un marco replicable para otras regiones con desafíos similares.
</summary>
<dc:date>2026-04-01T00:00:00Z</dc:date>
<dc:description>The sustainable management of Waste Electrical and Electronic Equipment (WEEE) is a critical global challenge, particularly in contexts with limited data. This study proposes a predictive model based on artificial neural networks, developed from surveys and historical records in the city of Guayaquil, with the aim of estimating WEEE generation on annual and monthly scales. The model was structured in phases of data collection, preprocessing, training, and validation, integrating sociodemographic variables and categories of discarded devices. To ensure reliability, a multi-technique validation protocol was applied, including Hold-Out, Stratified K-Fold, and Bootstrap Sampling methods. Results showed strong performance, with a coefficient of determination (R²) of 0.9125 in initial tests, an average of 0.9097 in cross-validation, and up to 0.9789 with bootstrap, significantly outperforming traditional linear regression methods. These findings confirm the model’s ability to capture non-linear relationships and produce accurate forecasts in data-scarce environments. It is concluded that neural networks represent an effective tool to support strategic planning and decision-making in sustainable WEEE management, providing a replicable framework for other regions facing similar challenges.

La gestión sostenible de Residuos de Aparatos Eléctricos y Electrónicos (RAEE) constituye un desafío crítico a nivel global, especialmente en contextos con datos limitados. Este estudio propone un modelo predictivo basado en redes neuronales artificiales, desarrollado a partir de encuestas y registros históricos en la ciudad de Guayaquil, con el objetivo de estimar la generación de RAEE en periodos anuales y mensuales. El modelo se estructuró en fases de recolección, preprocesamiento, entrenamiento y verificación, integrando variables sociodemográficas y tipos de dispositivos desechados. Para garantizar su confiabilidad, se implementó un protocolo de validación multitécnica que incluyó métodos Hold-Out, K-Fold estratificado y Bootstrap Sampling. Los resultados evidenciaron un desempeño robusto, con un coeficiente de determinación (R²) de 0.9125 en pruebas iniciales, un valor promedio de 0.9097 en validación cruzada y hasta 0.9789 mediante bootstrap, superando ampliamente los métodos de regresión lineal tradicionales. Estos hallazgos confirman la capacidad del modelo para capturar relaciones no lineales y generar proyecciones precisas en entornos de datos escasos. Se concluye que las redes neuronales constituyen una herramienta eficaz para apoyar la planificación estratégica y la toma de decisiones en la gestión sostenible de RAEE, ofreciendo un marco replicable para otras regiones con desafíos similares.</dc:description>
</entry>
<entry>
<title>House Price Prediction in Andalusia: A Comparative Study of Hedonic and Machine Learning Approaches Using Online Data</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193819" rel="alternate"/>
<author>
<name>Gutiérrez, Emiliano</name>
</author>
<author>
<name>López del Río, Lorena Caridad</name>
</author>
<author>
<name>Ocerín, José María Caridad</name>
</author>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193819</id>
<updated>2026-04-30T20:12:23Z</updated>
<published>2026-04-01T00:00:00Z</published>
<summary type="text">Articulo
Predicción de precios de la vivienda en Andalucía: un estudio comparativo de enfoque hedónico y aprendizaje automático utilizando datos en línea
Journal of Computer Science &amp; Technology; vol. 26, no.1
This study explores housing price prediction in six major cities of Andalusia using a combination of traditional and machine learning models. Online property listings were compiled to build a detailed dataset incorporating structural, socioeconomic, and locational variables. A traditional hedonic model was estimated using Ordinary Least Squares (OLS), and its performance was compared with that of Random Forest, K-Nearest Neighbours, and XGBoost. Results show that linear models tend to underperform, highlighting the relevance of non-linear approaches in capturing the complex dynamics of the housing market. To enhance interpretability, SHapley Additive exPlanations (SHAP) values were applied to the XGBoost model, enabling the identification of the most influential predictors in each city. While structural variables remained important across all models, socioeconomic and locational features exhibited varying effects depending on the city. These findings underscore the potential of combining rich data sources with interpretable machine learning techniques for urban housing market analysis.; Este estudio analiza la predicción de precios de la vivienda en seis ciudades principales de Andalucía mediante una combinación de modelos tradicionales y de aprendizaje automático. Se recopilaron anuncios inmobiliarios en línea para construir un conjunto de datos detallado que incorpora variables estructurales, socioeconómicas y de localización. Se estimó un modelo hedónico tradicional mediante Mínimos Cuadrados Ordinarios (MCO) y se comparó su rendimiento con el de Random Forest, K-Nearest Neighbours y XGBoost. Los resultados muestran que los modelos lineales tienden a tener un desempeño inferior, lo que destaca la relevancia de los enfoques no lineales para capturar la compleja dinámica del mercado inmobiliario.&#13;
Para mejorar la interpretabilidad, se aplicaron valores SHapley Additive exPlanations (SHAP) al modelo XGBoost, lo que permitió identificar los predictores más influyentes en cada ciudad. Si bien las variables estructurales siguieron siendo importantes en todos los modelos, las características socioeconómicas y de localización mostraron efectos variables según la ciudad. Estos hallazgos subrayan el potencial de combinar fuentes de datos con técnicas de aprendizaje automático interpretables para el análisis del mercado de la vivienda urbana.
</summary>
<dc:date>2026-04-01T00:00:00Z</dc:date>
<dc:description>This study explores housing price prediction in six major cities of Andalusia using a combination of traditional and machine learning models. Online property listings were compiled to build a detailed dataset incorporating structural, socioeconomic, and locational variables. A traditional hedonic model was estimated using Ordinary Least Squares (OLS), and its performance was compared with that of Random Forest, K-Nearest Neighbours, and XGBoost. Results show that linear models tend to underperform, highlighting the relevance of non-linear approaches in capturing the complex dynamics of the housing market. To enhance interpretability, SHapley Additive exPlanations (SHAP) values were applied to the XGBoost model, enabling the identification of the most influential predictors in each city. While structural variables remained important across all models, socioeconomic and locational features exhibited varying effects depending on the city. These findings underscore the potential of combining rich data sources with interpretable machine learning techniques for urban housing market analysis.

Este estudio analiza la predicción de precios de la vivienda en seis ciudades principales de Andalucía mediante una combinación de modelos tradicionales y de aprendizaje automático. Se recopilaron anuncios inmobiliarios en línea para construir un conjunto de datos detallado que incorpora variables estructurales, socioeconómicas y de localización. Se estimó un modelo hedónico tradicional mediante Mínimos Cuadrados Ordinarios (MCO) y se comparó su rendimiento con el de Random Forest, K-Nearest Neighbours y XGBoost. Los resultados muestran que los modelos lineales tienden a tener un desempeño inferior, lo que destaca la relevancia de los enfoques no lineales para capturar la compleja dinámica del mercado inmobiliario.&#13;
Para mejorar la interpretabilidad, se aplicaron valores SHapley Additive exPlanations (SHAP) al modelo XGBoost, lo que permitió identificar los predictores más influyentes en cada ciudad. Si bien las variables estructurales siguieron siendo importantes en todos los modelos, las características socioeconómicas y de localización mostraron efectos variables según la ciudad. Estos hallazgos subrayan el potencial de combinar fuentes de datos con técnicas de aprendizaje automático interpretables para el análisis del mercado de la vivienda urbana.</dc:description>
</entry>
<entry>
<title>Editor’s note, vol. 26, no. 1: April 2026</title>
<link href="http://sedici.unlp.edu.ar:80/handle/10915/193817" rel="alternate"/>
<author>
<name>Rucci, Enzo</name>
</author>
<id>http://sedici.unlp.edu.ar:80/handle/10915/193817</id>
<updated>2026-04-30T20:12:24Z</updated>
<published>2026-04-01T00:00:00Z</published>
<summary type="text">Contribucion a revista
Journal of Computer Science &amp; Technology; vol. 26, no.1
This issue presents five manuscripts: four on artificial intelligence and one on computer networks. A total of 18 different authors from 8 different universities in Argentina, Ecuador, and Spain were involved.
</summary>
<dc:date>2026-04-01T00:00:00Z</dc:date>
<dc:description>This issue presents five manuscripts: four on artificial intelligence and one on computer networks. A total of 18 different authors from 8 different universities in Argentina, Ecuador, and Spain were involved.</dc:description>
</entry>
</feed>
