http://sedici.unlp.edu.ar:80/handle/10915/190125 Thu, 12 Nov 2026 23:24:36 GMT 2026-11-12T23:24:36Z http://sedici.unlp.edu.ar:80/handle/10915/190674 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El presente trabajo expone el desarrollo de un agente tutor basado en modelos grandes de lenguaje (LLM) y grafos de conocimiento (KG) con implementación en bases de datos orientadas a grafos, dedicado a asistir a estudiantes de carreras de ingeniería en la materia de Bases de Datos, pudiendo, en el futuro ser aumentado para prácticas de otras materias. Particularmente, este trabajo se enfoca en la resolución de ejercicios deálgebra relacional y SQL, proponiendo una solución educativa que fomenta la autonomía del alumno sin proporcionar respuestas directas, sino acompañamiento para la resolución adecuada del problema ayudando al alumno a recalibrar su razonamiento para llegar a una solución compatible con la respuesta al ejercicio. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190674 2025-01-01T00:00:00Z El presente trabajo expone el desarrollo de un agente tutor basado en modelos grandes de lenguaje (LLM) y grafos de conocimiento (KG) con implementación en bases de datos orientadas a grafos, dedicado a asistir a estudiantes de carreras de ingeniería en la materia de Bases de Datos, pudiendo, en el futuro ser aumentado para prácticas de otras materias. Particularmente, este trabajo se enfoca en la resolución de ejercicios deálgebra relacional y SQL, proponiendo una solución educativa que fomenta la autonomía del alumno sin proporcionar respuestas directas, sino acompañamiento para la resolución adecuada del problema ayudando al alumno a recalibrar su razonamiento para llegar a una solución compatible con la respuesta al ejercicio. http://sedici.unlp.edu.ar:80/handle/10915/190669 Objeto de conferencia eDwards: Multi-agent system implementation Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El objetivo de este trabajo es presentar la implementación de un sistema multi-agente capaz de asistir al usuario en diferentes tareas y procesos. Se repasan los primeros acercamientos hacia un agente conversacional con el fin de agilizar las interacciones con los procesos y minimizar la fricción con los sistemas involucrados a través de experiencias de usuario conversacionales (CUX). Con la irrupción de los grandes modelos de lenguaje (LLMs) pre-entrenados surgieron nuevas técnicas y oportunidades en la creación de dichas experiencias, facilitando la implementación de sistemas multi-agente especializados. Se exploran los requisitos técnicos, incluyendo el manejo de conocimiento estructurado y no estructurado, reconocimiento de entidades, y la conversión de formularios web en diálogos, así como los frameworks existentes y el estado del arte. Finalmente se presenta una arquitectura conformada por tres agentes que resuelven distintos problemas, y se discuten los desafíos y aprendizajes obtenidos al comparar diferentes modelos de agentes.; This paper presents a multi-agent system implementation capable of assisting users with various tasks and processes. It explores previous approaches to conversational agents with the goal of streamlining interactions with processes and reducing friction with involved systems through conversational user experiences (CUX). With the advent of pre-trained Large Language Models (LLMs), new techniques and opportunities have emerged for creating these experiences, accelerating the development of specialized multi-agent systems. This paper examines the technical requirements, including the ability to handle both structured and unstructured knowledge, entity recognition, and the transformation of web forms into dialogues. It also explores different frameworks and the state of the art. Finally, it presents an architecture that leverages three agents to solve different problems, discussing challenges and lessons learned from the implementation of various conversational agent architectures. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190669 2025-01-01T00:00:00Z El objetivo de este trabajo es presentar la implementación de un sistema multi-agente capaz de asistir al usuario en diferentes tareas y procesos. Se repasan los primeros acercamientos hacia un agente conversacional con el fin de agilizar las interacciones con los procesos y minimizar la fricción con los sistemas involucrados a través de experiencias de usuario conversacionales (CUX). Con la irrupción de los grandes modelos de lenguaje (LLMs) pre-entrenados surgieron nuevas técnicas y oportunidades en la creación de dichas experiencias, facilitando la implementación de sistemas multi-agente especializados. Se exploran los requisitos técnicos, incluyendo el manejo de conocimiento estructurado y no estructurado, reconocimiento de entidades, y la conversión de formularios web en diálogos, así como los frameworks existentes y el estado del arte. Finalmente se presenta una arquitectura conformada por tres agentes que resuelven distintos problemas, y se discuten los desafíos y aprendizajes obtenidos al comparar diferentes modelos de agentes. This paper presents a multi-agent system implementation capable of assisting users with various tasks and processes. It explores previous approaches to conversational agents with the goal of streamlining interactions with processes and reducing friction with involved systems through conversational user experiences (CUX). With the advent of pre-trained Large Language Models (LLMs), new techniques and opportunities have emerged for creating these experiences, accelerating the development of specialized multi-agent systems. This paper examines the technical requirements, including the ability to handle both structured and unstructured knowledge, entity recognition, and the transformation of web forms into dialogues. It also explores different frameworks and the state of the art. Finally, it presents an architecture that leverages three agents to solve different problems, discussing challenges and lessons learned from the implementation of various conversational agent architectures. http://sedici.unlp.edu.ar:80/handle/10915/190668 Objeto de conferencia Moderated revision Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025); https://doi.org/10.1016/j.ijar.2024.109126 En este trabajo presentamos un nuevo tipo de operador de revisión al que llamamos Revisión Moderada. En principio, es un operador no-priorizado que surge de combinar un operador AGM clásico con un operador de revisión de credibilidad limitada. La idea subyacente es la siguiente: cuando se recibe una nueva observación μ, se acepta pero de forma cuestionada, es decir, con incertidumbre. Para ello, usamos un operador de revisión para modelar la aceptación de la observación y un operador de credibilidad limitada para representar la incertidumbre, en caso de que sea necesario. En tal caso, el operador de credibilidad limitada selecciona parte del conocimiento original para balancear el resultado de la revisión mediante una disyunción, permitiendo que el agente acepte parte de la nueva observación y permanezca indeciso sobre el resto.; In this article, we provide a new kind of belief revision operator that we call Moderated Revision. At first glance, it is a nonprioritized operator that combines a basic classical AGM operator with a credibility-limited one. The underlying idea is this: when new observation μ is received, it is accepted but with doubts, i.e., uncertainty.We use a revision operator to model the accepted part and a credibility limited one to represent uncertainty, whenever necessary. In the presence of uncertainty, a selection of the old knowledge balances the result of the revision through a disjunction, allowing the agent to accept part of the new observation and remain unsettled about the rest. Link al trabajo completo en documentos relacionados. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190668 2025-01-01T00:00:00Z En este trabajo presentamos un nuevo tipo de operador de revisión al que llamamos Revisión Moderada. En principio, es un operador no-priorizado que surge de combinar un operador AGM clásico con un operador de revisión de credibilidad limitada. La idea subyacente es la siguiente: cuando se recibe una nueva observación μ, se acepta pero de forma cuestionada, es decir, con incertidumbre. Para ello, usamos un operador de revisión para modelar la aceptación de la observación y un operador de credibilidad limitada para representar la incertidumbre, en caso de que sea necesario. En tal caso, el operador de credibilidad limitada selecciona parte del conocimiento original para balancear el resultado de la revisión mediante una disyunción, permitiendo que el agente acepte parte de la nueva observación y permanezca indeciso sobre el resto. In this article, we provide a new kind of belief revision operator that we call Moderated Revision. At first glance, it is a nonprioritized operator that combines a basic classical AGM operator with a credibility-limited one. The underlying idea is this: when new observation μ is received, it is accepted but with doubts, i.e., uncertainty.We use a revision operator to model the accepted part and a credibility limited one to represent uncertainty, whenever necessary. In the presence of uncertainty, a selection of the old knowledge balances the result of the revision through a disjunction, allowing the agent to accept part of the new observation and remain unsettled about the rest. http://sedici.unlp.edu.ar:80/handle/10915/190666 Objeto de conferencia KE-tableaux for intuitionistic propositional logic Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Los KE-tableaux son generalizados a lógica intuicionista proposicional mediante fórmulas signadas etiquetadas y restricciones entre tales etiquetas, de modo que el sistema resultante imita la construcción de contramodelos en la semántica relacional. Para hacer más eficiente la búsqueda de demostraciones, dotamos al sistema de variables libres y demostramos algunas de las propiedades básicas del mismo: correctitud, completitud y terminación.; KE-tableaux are generalized to intuitionistic propositional logic by means of labeled signed formulas and constraints between labels, so that the resulting system closely mimics countermodel construction in the relational semantics. To improve on proof-search, we further endow the system with free-variables and show some of its basic properties: soundness, completeness and termination. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190666 2025-01-01T00:00:00Z Los KE-tableaux son generalizados a lógica intuicionista proposicional mediante fórmulas signadas etiquetadas y restricciones entre tales etiquetas, de modo que el sistema resultante imita la construcción de contramodelos en la semántica relacional. Para hacer más eficiente la búsqueda de demostraciones, dotamos al sistema de variables libres y demostramos algunas de las propiedades básicas del mismo: correctitud, completitud y terminación. KE-tableaux are generalized to intuitionistic propositional logic by means of labeled signed formulas and constraints between labels, so that the resulting system closely mimics countermodel construction in the relational semantics. To improve on proof-search, we further endow the system with free-variables and show some of its basic properties: soundness, completeness and termination. http://sedici.unlp.edu.ar:80/handle/10915/190663 Objeto de conferencia BotGBIF: una herramienta para consultar datos de GBIF en lenguaje natural Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) BotGBIF es un prototipo de chatbot que facilita el acceso a datos de biodiversidad del Sistema Global de Información sobre Biodiversidad (GBIF) mediante consultas en lenguaje natural. Utiliza Streamlit para la interfaz, la API REST de GBIF para obtener datos y GPT-4 como modelo de lenguaje. Su objetivo es simplificar la interacción con los datos para usuarios sin conocimientos técnicos, permitiendo consultas intuitivas y accesibles para investigadores, conservacionistas y el público general.; This project introduces BotGBIF, a prototype chatbot designed to enhance user access to biodiversity data from the Global Biodiversity Information Facility (GBIF) through natural language queries. Utilizing the Python Streamlit library for the frontend, the GBIF REST API for data retrieval, and the capabilities of GPT-4 as a large language model (LLM), BotGBIF aims to simplify the interaction with complex datasets for users who may lack technical expertise in utilizing the GBIF portal. By integrating the GBIF API with GPT-4, the chatbot allows users to ask questions in everyday language and receive intuitive responses, thereby making biodiversity data more accessible to a range of stakeholders, including researchers, conservationists, and the general public. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190663 2025-01-01T00:00:00Z BotGBIF es un prototipo de chatbot que facilita el acceso a datos de biodiversidad del Sistema Global de Información sobre Biodiversidad (GBIF) mediante consultas en lenguaje natural. Utiliza Streamlit para la interfaz, la API REST de GBIF para obtener datos y GPT-4 como modelo de lenguaje. Su objetivo es simplificar la interacción con los datos para usuarios sin conocimientos técnicos, permitiendo consultas intuitivas y accesibles para investigadores, conservacionistas y el público general. This project introduces BotGBIF, a prototype chatbot designed to enhance user access to biodiversity data from the Global Biodiversity Information Facility (GBIF) through natural language queries. Utilizing the Python Streamlit library for the frontend, the GBIF REST API for data retrieval, and the capabilities of GPT-4 as a large language model (LLM), BotGBIF aims to simplify the interaction with complex datasets for users who may lack technical expertise in utilizing the GBIF portal. By integrating the GBIF API with GPT-4, the chatbot allows users to ask questions in everyday language and receive intuitive responses, thereby making biodiversity data more accessible to a range of stakeholders, including researchers, conservationists, and the general public. http://sedici.unlp.edu.ar:80/handle/10915/190659 Objeto de conferencia Zorro: una familia paramétrica flexible y diferenciable de funciones de activación que extiende ReLU y GEL Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Incluso en arquitecturas recientes de redes neuronales como Transformers y Extended LSTM (xLSTM), así como en arquitecturas tradicionales como las redes neuronales convolucionales (CNN), las funciones de activación son componentes esenciales. Permiten un entrenamiento más efectivo y la captura de patrones no lineales. En los últimos 30 años se han propuesto más de 400 funciones, con parámetros fijos o entrenables, aunque solo unas pocas se utilizan de forma generalizada. ReLU es una de las más empleadas, y variantes como GELU y Swish aparecen cada vez con mayor frecuencia. Sin embargo, ReLU presenta puntos no diferenciables y problemas de gradientes explosivos; a su vez, al probar distintos parámetros en variantes de GELU y Swish se obtienen resultados dispares, lo que exige más parámetros para adaptarse a conjuntos de datos y arquitecturas. Este artículo introduce un nuevo conjunto de funciones de activación denominado Zorro, una familia flexible y continuamente diferenciable compuesta por cinco funciones principales que fusionan ReLU y la sigmoide. Las funciones Zorro son suaves y adaptables, actúan como compuertas de información y se alinean con ReLU en el intervalo [0,1], ofreciendo una alternativa a ReLU que no requiere normalización y evita la muerte neuronal y las explosiones de gradiente. Zorro también aproxima funciones como Swish, GELU y DGELU, al tiempo que proporciona parámetros para ajustarse a diferentes datasets y arquitecturas. Evaluamos su desempeño en arquitecturas totalmente conectadas, convolucionales y de tipo transformer para demostrar su efectividad.; Even in recent neural network architectures such as Transformers and Extended LSTM (xLSTM), and traditional ones like Convolutional Neural Networks, Activation Functions are an integral part of nearly all neural networks. They enable more effective training and capture nonlinear data patterns. More than 400 functions have been proposed over the last 30 years, including fixed or trainable parameters, but only a few are widely used. ReLU is one of the most frequently used, with GELU and Swish variants increasingly appearing. However, ReLU presents non-differentiable points and exploding gradient issues, while testing different parameters of GELU and Swish variants produces varying results, needing more parameters to adapt to datasets and architectures. This article introduces a novel set of activation functions called Zorro, a continuously differentiable and flexible family comprising five main functions fusing ReLU and Sigmoid. Zorro functions are smooth and adaptable, and serve as information gates, aligning with ReLU in the 0-1 range, offering an alternative to ReLU without the need for normalization, neuron death, or gradient explosions. Zorro also approximates functions like Swish, GELU, and DGELU, providing parameters to adjust to different datasets and architectures. We tested it on fully connected, convolutional, and transformer architectures to demonstrate its effectiveness. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190659 2025-01-01T00:00:00Z Incluso en arquitecturas recientes de redes neuronales como Transformers y Extended LSTM (xLSTM), así como en arquitecturas tradicionales como las redes neuronales convolucionales (CNN), las funciones de activación son componentes esenciales. Permiten un entrenamiento más efectivo y la captura de patrones no lineales. En los últimos 30 años se han propuesto más de 400 funciones, con parámetros fijos o entrenables, aunque solo unas pocas se utilizan de forma generalizada. ReLU es una de las más empleadas, y variantes como GELU y Swish aparecen cada vez con mayor frecuencia. Sin embargo, ReLU presenta puntos no diferenciables y problemas de gradientes explosivos; a su vez, al probar distintos parámetros en variantes de GELU y Swish se obtienen resultados dispares, lo que exige más parámetros para adaptarse a conjuntos de datos y arquitecturas. Este artículo introduce un nuevo conjunto de funciones de activación denominado Zorro, una familia flexible y continuamente diferenciable compuesta por cinco funciones principales que fusionan ReLU y la sigmoide. Las funciones Zorro son suaves y adaptables, actúan como compuertas de información y se alinean con ReLU en el intervalo [0,1], ofreciendo una alternativa a ReLU que no requiere normalización y evita la muerte neuronal y las explosiones de gradiente. Zorro también aproxima funciones como Swish, GELU y DGELU, al tiempo que proporciona parámetros para ajustarse a diferentes datasets y arquitecturas. Evaluamos su desempeño en arquitecturas totalmente conectadas, convolucionales y de tipo transformer para demostrar su efectividad. Even in recent neural network architectures such as Transformers and Extended LSTM (xLSTM), and traditional ones like Convolutional Neural Networks, Activation Functions are an integral part of nearly all neural networks. They enable more effective training and capture nonlinear data patterns. More than 400 functions have been proposed over the last 30 years, including fixed or trainable parameters, but only a few are widely used. ReLU is one of the most frequently used, with GELU and Swish variants increasingly appearing. However, ReLU presents non-differentiable points and exploding gradient issues, while testing different parameters of GELU and Swish variants produces varying results, needing more parameters to adapt to datasets and architectures. This article introduces a novel set of activation functions called Zorro, a continuously differentiable and flexible family comprising five main functions fusing ReLU and Sigmoid. Zorro functions are smooth and adaptable, and serve as information gates, aligning with ReLU in the 0-1 range, offering an alternative to ReLU without the need for normalization, neuron death, or gradient explosions. Zorro also approximates functions like Swish, GELU, and DGELU, providing parameters to adjust to different datasets and architectures. We tested it on fully connected, convolutional, and transformer architectures to demonstrate its effectiveness. http://sedici.unlp.edu.ar:80/handle/10915/190657 Objeto de conferencia Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Large Language Models (LLMs), such as GPT-2, exhibit human-like text processing, yet their internal mechanisms for resolving semantic ambiguity remain opaque, similar to the “black-box” of human cognition. This study investigates how LLMs disambiguate concrete nouns by comparing their semantic biases to human behavioral responses. A corpus of sentences containing ambiguous words (e.g., “note”) paired with biasing contexts (e.g., short paragraphs related to “music” and “education”) was created. Human participants identified their perceived meanings of ambiguous words in these contexts, establishing a behavioral ground truth (i.e. human bias). The computer bias was measured via cosine distances between meanings’ static embeddings and ambiguous words’ contextualized embeddings. To improve the computer bias metric, two technical steps were implemented: (1) the model was fine-tuned to obtain a word-based tokenization, and (2) each ambiguous word’s meaning was defined using word lists. Results revealed a nonlinear dynamic in the GPT-2 computer bias and an additive effect of both improvements analyzed in the present work. Additionally, we found that the correlation between human bias and computer bias, measured layer-by-layer, topped at the middle layers. This result is in line with previous findings in human-model alignment research. This suggests shared computational principles between human cognition and LLM processing for resolving ambiguity. The study advances interpretability research by linking model-internal representations to human behavioral benchmarks, offering insights into both artificial and biological language systems. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190657 2025-01-01T00:00:00Z Large Language Models (LLMs), such as GPT-2, exhibit human-like text processing, yet their internal mechanisms for resolving semantic ambiguity remain opaque, similar to the “black-box” of human cognition. This study investigates how LLMs disambiguate concrete nouns by comparing their semantic biases to human behavioral responses. A corpus of sentences containing ambiguous words (e.g., “note”) paired with biasing contexts (e.g., short paragraphs related to “music” and “education”) was created. Human participants identified their perceived meanings of ambiguous words in these contexts, establishing a behavioral ground truth (i.e. human bias). The computer bias was measured via cosine distances between meanings’ static embeddings and ambiguous words’ contextualized embeddings. To improve the computer bias metric, two technical steps were implemented: (1) the model was fine-tuned to obtain a word-based tokenization, and (2) each ambiguous word’s meaning was defined using word lists. Results revealed a nonlinear dynamic in the GPT-2 computer bias and an additive effect of both improvements analyzed in the present work. Additionally, we found that the correlation between human bias and computer bias, measured layer-by-layer, topped at the middle layers. This result is in line with previous findings in human-model alignment research. This suggests shared computational principles between human cognition and LLM processing for resolving ambiguity. The study advances interpretability research by linking model-internal representations to human behavioral benchmarks, offering insights into both artificial and biological language systems. http://sedici.unlp.edu.ar:80/handle/10915/190637 Objeto de conferencia Investigating the Frequency Distortion of Word Embeddings and its Impact on Bias Metrics Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Investigaciones recientes han demostrado que los word embeddings estáticos pueden codificar información sobre la frecuencia de las palabras. Sin embargo, poco se ha estudiado sobre este fenómeno y sus efectos en tareas posteriores. En este trabajo estudiamos sistemáticamente la asociación entre frecuencia y similitud semántica en varios word embeddings estáticos . Descubrimos que los embeddings Skip-gram, GloVe y FastText tienden a producir una mayor similitud semántica entre palabras de alta frecuencia que entre otras combinaciones de frecuencias. Demostramos que la asociación entre frecuencia y similitud también aparece cuando las palabras se mezclan aleatoriamente. Esto demuestra que los patrones encontrados no se deben a asociaciones semánticas reales presentes en los textos, sino que son un artefacto producido por los embeddings. Por último, ofrecemos un ejemplo de cómo la frecuencia de las palabras puede influir mucho en la medición del sesgo de género con métricas basadas en embeddings. En particular, llevamos a cabo un experimento controlado que demuestra que los sesgos pueden incluso cambiar de signo o invertir su orden manipulando las frecuencias de las palabras.; Recent research has shown that static word embeddings can encode words’ frequencies. However, little has been studied about this behavior. In the present work, we study how frequency and semantic similarity relate to one another in static word embeddings, and we assess the impact of this relationship on embedding-based bias metrics. We find that Skip-gram, GloVe and FastText embeddings tend to produce higher similarity between high-frequency words than between other frequency combinations. We show that the association between frequency and similarity also appears when words are randomly shuffled, and holds for different hyperparameter settings. This proves that the patterns we find are neither due to real semantic associations nor to specific parameters choices, and are an artifact produced by the word embeddings. To illustrate how frequencies can affect the measurement of biases related to gender, ethnicity, and affluence, we carry out a controlled experiment that shows that biases can even change sign or reverse their order when word frequencies change. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190637 2025-01-01T00:00:00Z Investigaciones recientes han demostrado que los word embeddings estáticos pueden codificar información sobre la frecuencia de las palabras. Sin embargo, poco se ha estudiado sobre este fenómeno y sus efectos en tareas posteriores. En este trabajo estudiamos sistemáticamente la asociación entre frecuencia y similitud semántica en varios word embeddings estáticos . Descubrimos que los embeddings Skip-gram, GloVe y FastText tienden a producir una mayor similitud semántica entre palabras de alta frecuencia que entre otras combinaciones de frecuencias. Demostramos que la asociación entre frecuencia y similitud también aparece cuando las palabras se mezclan aleatoriamente. Esto demuestra que los patrones encontrados no se deben a asociaciones semánticas reales presentes en los textos, sino que son un artefacto producido por los embeddings. Por último, ofrecemos un ejemplo de cómo la frecuencia de las palabras puede influir mucho en la medición del sesgo de género con métricas basadas en embeddings. En particular, llevamos a cabo un experimento controlado que demuestra que los sesgos pueden incluso cambiar de signo o invertir su orden manipulando las frecuencias de las palabras. Recent research has shown that static word embeddings can encode words’ frequencies. However, little has been studied about this behavior. In the present work, we study how frequency and semantic similarity relate to one another in static word embeddings, and we assess the impact of this relationship on embedding-based bias metrics. We find that Skip-gram, GloVe and FastText embeddings tend to produce higher similarity between high-frequency words than between other frequency combinations. We show that the association between frequency and similarity also appears when words are randomly shuffled, and holds for different hyperparameter settings. This proves that the patterns we find are neither due to real semantic associations nor to specific parameters choices, and are an artifact produced by the word embeddings. To illustrate how frequencies can affect the measurement of biases related to gender, ethnicity, and affluence, we carry out a controlled experiment that shows that biases can even change sign or reverse their order when word frequencies change. http://sedici.unlp.edu.ar:80/handle/10915/190621 Objeto de conferencia cGAN Application: Dose Prediction For Radiotherapy Treatments Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) En este trabajo presentamos la aplicación de un modelo basado en redes generativas adversariales condicionadas (cGAN) para la planificación de tratamientos de radioterapia corporal estereotáctica (SBRT) para cáncer de próstata. Proponemos una arquitectura inspirada en enfoques previos utilizados en la planificación de dosis para otros tipos de cáncer, adaptada específicamente a las características y requerimientos clínicos de tratamiento del cáncer de próstata. Evaluamos el desempeño del modelo utilizando datos de casos reales tratados en un centro de radioterapia de Córdoba, comparando los planes de dosis generados con los planes clínicos aprobados por especialistas. Los resultados obtenidos en el conjunto de prueba presentaron en los DVH en promedio un RMSE del 2,98% sobre el volumen del PTV, 3,56% sobre el volumen del recto y 2,32% sobre el volumen de la vejiga. Esto sugiere que el uso de redes generativas adversariales puede ser una herramienta prometedora para mejorar la eficiencia en la planificación de la SBRT.; In this work we present the application of a model based on conditional generative adversarial networks (cGAN) for the planning of stereotactic body radiotherapy (SBRT) treatments for prostate cancer. Inspired by previous approaches used in dose planning for other types of cancer, we propose an architecture adapted to the characteristics and clinical requirements of prostate cancer treatment. We evaluate the model’s performance using data from real cases treated at a radiotherapy center in C´ordoba, comparing the generated dose plans with the clinical plans approved by specialists. The results obtained on the test set show, on average, a RMSE of 2.98% over the PTV volume, 3.56% over the rectum volume and 2.32% over the bladder volume in the DVHs. This suggests that the use of generative adversarial networks could be a promising tool to improve efficiency in SBRT planning. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190621 2025-01-01T00:00:00Z En este trabajo presentamos la aplicación de un modelo basado en redes generativas adversariales condicionadas (cGAN) para la planificación de tratamientos de radioterapia corporal estereotáctica (SBRT) para cáncer de próstata. Proponemos una arquitectura inspirada en enfoques previos utilizados en la planificación de dosis para otros tipos de cáncer, adaptada específicamente a las características y requerimientos clínicos de tratamiento del cáncer de próstata. Evaluamos el desempeño del modelo utilizando datos de casos reales tratados en un centro de radioterapia de Córdoba, comparando los planes de dosis generados con los planes clínicos aprobados por especialistas. Los resultados obtenidos en el conjunto de prueba presentaron en los DVH en promedio un RMSE del 2,98% sobre el volumen del PTV, 3,56% sobre el volumen del recto y 2,32% sobre el volumen de la vejiga. Esto sugiere que el uso de redes generativas adversariales puede ser una herramienta prometedora para mejorar la eficiencia en la planificación de la SBRT. In this work we present the application of a model based on conditional generative adversarial networks (cGAN) for the planning of stereotactic body radiotherapy (SBRT) treatments for prostate cancer. Inspired by previous approaches used in dose planning for other types of cancer, we propose an architecture adapted to the characteristics and clinical requirements of prostate cancer treatment. We evaluate the model’s performance using data from real cases treated at a radiotherapy center in C´ordoba, comparing the generated dose plans with the clinical plans approved by specialists. The results obtained on the test set show, on average, a RMSE of 2.98% over the PTV volume, 3.56% over the rectum volume and 2.32% over the bladder volume in the DVHs. This suggests that the use of generative adversarial networks could be a promising tool to improve efficiency in SBRT planning. http://sedici.unlp.edu.ar:80/handle/10915/190619 Objeto de conferencia Anonymization of Legal Documents using Large Language Models with Continued Pretraining and Finetuning Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Para realizar inferencia y generación de textos con grandes modelos de lenguaje entrenados con bases de datos que contienen sentencias judiciales y documentos legales es fundamental garantizar la confidencialidad de los datos personales y la protección de información sensible. En este trabajo, proponemos una metodología para la anonimización de bases de datos legales basada en la extracción de entidades mediante modelos de lenguaje avanzados. Se utilizaron dos modelos de lenguaje de c´odigo abierto, LLaMA 3.1 (8B) y Qwen 2.5 (7B). Cada modelo de lenguaje es entrenado en dos etapas, primero un preentrenamiento continuo en el cual se adapta el modelo al lenguaje jurídico, mejorando su capacidad de comprensión y generación de textos en este dominio especializado. Para esto se utilizó un corpus de más de 26.000 documentos legales y se evalúa la efectividad del preentrenamiento a través de métricas como BLEU, BERTScore y perplejidad. En una segunda etapa se realiza un finetuning específico para la tarea de anonimización y extracción de entidades. Dicho finetuning se evaluó en un conjunto de 50 segmentos de prueba, obteniendo un 92,79% de anonimización correcta con Qwen 2.5 (7B) y 91,58% con LLaMA 3.1 (8B), mejorando en un 4,73% y un 12,87% con respecto al modelo base con finetuning, respectivamente, destacando el impacto del continued pretraining como paso previo. Ambos entrenamientos, tanto el continued pretraining como el finetuning, fueron realizados mediante LoRA.; To perform inference and text generation with large language models trained on datasets containing court rulings and legal documents, it is essential to ensure the confidentiality of personal data and the protection of sensitive information. In this work, we propose a methodology for the anonymization of legal databases based on entity extraction using advanced language models. Two open-source language models, LLaMA 3.1 (8B) and Qwen 2.5 (7B) are evaluated. Each language model is trained in two stages: first, a continued pretraining phase in which the model is adapted to legal language, improving its ability to understand and generate text in this specialized domain. With this end, we use a corpus of more than 26,000 legal documents composed of legislation, legal doctrine, and case law. The impact of the pretraining phase is evaluated with metrics such as BLEU, BERTScore, and perplexity. In the second stage, a task-specific finetuning is performed for anonymization and entity extraction. This finetuning is conducted using a dataset consisting of 150 segments. The finetuning was evaluated on a test set of 50 segments, achieving 92.79% correct anonymization with Qwen 2.5 (7B) and 91.58% with LLaMA 3.1 (8B), improving by 4.73% and 12.87% respectively compared to the base model with finetuning, highlighting the influence of continued pretraining as a preliminary step. Both training phases, continued pretraining and finetuning, were conducted using LoRA. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190619 2025-01-01T00:00:00Z Para realizar inferencia y generación de textos con grandes modelos de lenguaje entrenados con bases de datos que contienen sentencias judiciales y documentos legales es fundamental garantizar la confidencialidad de los datos personales y la protección de información sensible. En este trabajo, proponemos una metodología para la anonimización de bases de datos legales basada en la extracción de entidades mediante modelos de lenguaje avanzados. Se utilizaron dos modelos de lenguaje de c´odigo abierto, LLaMA 3.1 (8B) y Qwen 2.5 (7B). Cada modelo de lenguaje es entrenado en dos etapas, primero un preentrenamiento continuo en el cual se adapta el modelo al lenguaje jurídico, mejorando su capacidad de comprensión y generación de textos en este dominio especializado. Para esto se utilizó un corpus de más de 26.000 documentos legales y se evalúa la efectividad del preentrenamiento a través de métricas como BLEU, BERTScore y perplejidad. En una segunda etapa se realiza un finetuning específico para la tarea de anonimización y extracción de entidades. Dicho finetuning se evaluó en un conjunto de 50 segmentos de prueba, obteniendo un 92,79% de anonimización correcta con Qwen 2.5 (7B) y 91,58% con LLaMA 3.1 (8B), mejorando en un 4,73% y un 12,87% con respecto al modelo base con finetuning, respectivamente, destacando el impacto del continued pretraining como paso previo. Ambos entrenamientos, tanto el continued pretraining como el finetuning, fueron realizados mediante LoRA. To perform inference and text generation with large language models trained on datasets containing court rulings and legal documents, it is essential to ensure the confidentiality of personal data and the protection of sensitive information. In this work, we propose a methodology for the anonymization of legal databases based on entity extraction using advanced language models. Two open-source language models, LLaMA 3.1 (8B) and Qwen 2.5 (7B) are evaluated. Each language model is trained in two stages: first, a continued pretraining phase in which the model is adapted to legal language, improving its ability to understand and generate text in this specialized domain. With this end, we use a corpus of more than 26,000 legal documents composed of legislation, legal doctrine, and case law. The impact of the pretraining phase is evaluated with metrics such as BLEU, BERTScore, and perplexity. In the second stage, a task-specific finetuning is performed for anonymization and entity extraction. This finetuning is conducted using a dataset consisting of 150 segments. The finetuning was evaluated on a test set of 50 segments, achieving 92.79% correct anonymization with Qwen 2.5 (7B) and 91.58% with LLaMA 3.1 (8B), improving by 4.73% and 12.87% respectively compared to the base model with finetuning, highlighting the influence of continued pretraining as a preliminary step. Both training phases, continued pretraining and finetuning, were conducted using LoRA. http://sedici.unlp.edu.ar:80/handle/10915/190617 Objeto de conferencia How Much Longer? Estimating Bus Arrival Times with Predictive Models Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Predecir con precisión los tiempos de llegada de los autobuses es fundamental para mejorar la movilidad urbana y optimizar los servicios de transporte público. Las demoras y la incertidumbre en los horarios generan frustración en los pasajeros y dificultan la planificación eficiente de los viajes. En este contexto, contar con estimaciones confiables y en tiempo real sobre los tiempos de llegada puede ayudar a los usuarios a reducir la espera y tomar decisiones informadas. Este trabajo analiza distintos enfoques predictivos, incluyendo Regresión Lineal, ARIMA, redes LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Units), para estimar los tiempos de llegada a partir de datos reales de GPS de autobuses en la ciudad de Tandil (Buenos Aires, Argentina). Los resultados experimentales mostraron que los modelos de aprendizaje profundo, en particular LSTM, superan significativamente a los enfoques tradicionales, lo que resalta su potencial para optimizar los sistemas de transporte público. Además del desarrollo y evaluación de los modelos predictivos, se diseño e implementó una aplicación móvil que integra estas predicciones y ofrece a los usuarios información en tiempo real sobre los horarios estimados de llegada y posibles demoras.; Predicting bus arrival times accurately is essential for improving urban mobility and enhancing public transportation services. Delays and uncertainty in bus schedules can lead to passenger frustration and inefficient travel planning. In this context, providing real-time, reliable arrival time estimates can help commuters reduce waiting times and make informed decisions. This work explores different predictive approaches, including Linear Regression, ARIMA, Long Short-Term Memory (LSTM), and gated recurrent units (GRU), to estimate bus arrival times based on real-world bus GPS data from the city of Tandil (Buenos Aires, Argentina). Experimental results demonstrate that deep learning models, particularly LSTM, can significantly outperform traditional approaches, highlighting their potential to optimize public transportation systems. In addition to developing predictive models, we provide a mobile application that integrates the prediction models, offering users real-time information on bus arrival times. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190617 2025-01-01T00:00:00Z Predecir con precisión los tiempos de llegada de los autobuses es fundamental para mejorar la movilidad urbana y optimizar los servicios de transporte público. Las demoras y la incertidumbre en los horarios generan frustración en los pasajeros y dificultan la planificación eficiente de los viajes. En este contexto, contar con estimaciones confiables y en tiempo real sobre los tiempos de llegada puede ayudar a los usuarios a reducir la espera y tomar decisiones informadas. Este trabajo analiza distintos enfoques predictivos, incluyendo Regresión Lineal, ARIMA, redes LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Units), para estimar los tiempos de llegada a partir de datos reales de GPS de autobuses en la ciudad de Tandil (Buenos Aires, Argentina). Los resultados experimentales mostraron que los modelos de aprendizaje profundo, en particular LSTM, superan significativamente a los enfoques tradicionales, lo que resalta su potencial para optimizar los sistemas de transporte público. Además del desarrollo y evaluación de los modelos predictivos, se diseño e implementó una aplicación móvil que integra estas predicciones y ofrece a los usuarios información en tiempo real sobre los horarios estimados de llegada y posibles demoras. Predicting bus arrival times accurately is essential for improving urban mobility and enhancing public transportation services. Delays and uncertainty in bus schedules can lead to passenger frustration and inefficient travel planning. In this context, providing real-time, reliable arrival time estimates can help commuters reduce waiting times and make informed decisions. This work explores different predictive approaches, including Linear Regression, ARIMA, Long Short-Term Memory (LSTM), and gated recurrent units (GRU), to estimate bus arrival times based on real-world bus GPS data from the city of Tandil (Buenos Aires, Argentina). Experimental results demonstrate that deep learning models, particularly LSTM, can significantly outperform traditional approaches, highlighting their potential to optimize public transportation systems. In addition to developing predictive models, we provide a mobile application that integrates the prediction models, offering users real-time information on bus arrival times. http://sedici.unlp.edu.ar:80/handle/10915/190613 Objeto de conferencia Intelligent Breast Cancer Image Classifier using Convolutional Networks and Ant Lion Optimizer Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Las imágenes de ultrasonido son herramientas clave en el diagnóstico del cáncer de mama, ya que permiten evaluar el estado fisiopatológico del tejido mamario. No obstante, su interpretación requiere la intervención de especialistas y puede presentar desafíos en diagnósticos. En este trabajo se propone un sistema inteligente para la clasificación automática de imágenes ecográficas de mama, utilizando redes neuronales convolucionales (CNN) optimizadas mediante algoritmos metaheurísticos. Se implementaron dos arquitecturas: una CNN estándar y la red pre-entrenada ResNet50. La optimización de hiperparámetros se realizó utilizando el algoritmo metaheurístico Ant Lion Optimizer (ALO), con el objetivo de mejorar la exactitud en la clasificación. Los resultados experimentales muestran una mejora significativa en el rendimiento de ambos modelos: la CNN incrementó su exactitud del 56.57 % al 81.57 %, mientras que ResNet50 mejoró de 86.84 % a 92.00 %. Estos resultados evidencian el potencial de combinar arquitecturas de aprendizaje profundo con técnicas de optimización evolutiva para tareas de diagnóstico asistido por imágenes, especialmente en el contexto del cáncer de mama. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190613 2025-01-01T00:00:00Z Las imágenes de ultrasonido son herramientas clave en el diagnóstico del cáncer de mama, ya que permiten evaluar el estado fisiopatológico del tejido mamario. No obstante, su interpretación requiere la intervención de especialistas y puede presentar desafíos en diagnósticos. En este trabajo se propone un sistema inteligente para la clasificación automática de imágenes ecográficas de mama, utilizando redes neuronales convolucionales (CNN) optimizadas mediante algoritmos metaheurísticos. Se implementaron dos arquitecturas: una CNN estándar y la red pre-entrenada ResNet50. La optimización de hiperparámetros se realizó utilizando el algoritmo metaheurístico Ant Lion Optimizer (ALO), con el objetivo de mejorar la exactitud en la clasificación. Los resultados experimentales muestran una mejora significativa en el rendimiento de ambos modelos: la CNN incrementó su exactitud del 56.57 % al 81.57 %, mientras que ResNet50 mejoró de 86.84 % a 92.00 %. Estos resultados evidencian el potencial de combinar arquitecturas de aprendizaje profundo con técnicas de optimización evolutiva para tareas de diagnóstico asistido por imágenes, especialmente en el contexto del cáncer de mama. http://sedici.unlp.edu.ar:80/handle/10915/190611 Objeto de conferencia Fine-Tuning Diffusion Models for Audio Generation Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La música ha evolucionado junto con la tecnología, desde instrumentos primitivos hasta modernas herramientas de síntesis digital. Actualmente, la inteligencia artificial desempeña un rol importante en la generación musical, empleando transformers y técnicas de difusión para crear canciones completas a partir de indicaciones en lenguaje natural. Sin embargo, los modelos privados, como los de Udio y Suno AI, aunque prometedores, limitan la investigación por su naturaleza cerrada. En 2024, Stability AI lanzó Stable Audio Open (SAO), un modelo de síntesis de audio basado en difusión y código abierto, democratizando el campo. Pese a su calidad en efectos de sonido, SAO enfrenta limitaciones en generación musical debido a datos de entrenamiento escasos y con licencias abiertas. Nuestra investigación mejora las capacidades musicales de SAO mediante reentrenamiento con un conjunto de datos especializado. Se creó un pipeline que sintetiza audio a partir de archivos MIDI, enriquece metadatos con APIs (Spotify, LastFM) y genera indicaciones en lenguaje natural usando LLMs, obteniendo un conjunto de datos de 9 horas (538 minutos) compuesto por 1023 audios. Este conjunto incluye subconjuntos monofónico, polifónico y audios instrumentales de YouTube en partes iguales, con variedad de géneros, tempos, y tonalidades para diversificar la sonoridad. El modelo reentrenado (“Instrumental Finetune”) supera al SAO original, logrando mejoras en calidad de sonido, precisión instrumental y adherencia a géneros y tempos, alcanzando un 95,3% de precisión frente al 77,6% original. Aunque los desafíos en tonalidad persisten, métricas como KL-Passt y CLAP Score muestran que nuestro modelo iguala o supera el rendimiento de SAO y MusicGen, manteniendo generalización y optimización específica del dominio. Ejemplos auditivos que ilustran estas mejoras y confirman la ausencia de memorización están disponibles en el Project Web.; Music has evolved alongside technological advancements, from primitive percussion to modern digital synthesis tools. Today, artificial intelligence plays important role in music generation, utilizing state-ofthe-art architectures like transformers and diffusion models to generate complete songs from natural language prompts. Proprietary models by Udio and Suno AI demonstrate great potential but limit scientific research due to their closed nature. In June 2024, Stability AI released Stable Audio Open (SAO), an open-source diffusion-based audio synthesis model, democratizing research in this field. While SAO excels in sound effect generation, its musical capabilities are limited by scarce open-license training data. Our research enhances SAO’s musical generation capabilities through fine-tuning on a specialized dataset, addressing its inability to generate certain instruments, difficulties with specified musical elements, and inconsistencies in tempo and tonality. We developed a custom datasetcreation pipeline by synthesizing audio from MIDI files, enriching metadata using APIs like Spotify and LastFM, and generating natural language prompts via large language models. This pipeline produced a 9-hour (538 minutes) music dataset comprising 1023 audios, which includes monophonic, polyphonic, and instrumental YouTube audio subsets in equal parts, spanning various genres, tempos, and tonalities. Results show significant improvements in the fine-tuned model (“Instrumental Finetune”) over the original SAO, particularly in sound quality, instrument reproduction accuracy, genre adherence, and tempo adherence (95.3% accuracy vs. 77.6%). Although tone and scale accuracy remain challenging, embedding-based metrics (KL-Passt, CLAP Score) indicate our model matches or surpasses both SAO and the commercial MusicGen, maintaining generalization despite domain-specific optimization. Auditory examples illustrating these improvements and confirming the absence of memorization are available on the Project Web. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190611 2025-01-01T00:00:00Z La música ha evolucionado junto con la tecnología, desde instrumentos primitivos hasta modernas herramientas de síntesis digital. Actualmente, la inteligencia artificial desempeña un rol importante en la generación musical, empleando transformers y técnicas de difusión para crear canciones completas a partir de indicaciones en lenguaje natural. Sin embargo, los modelos privados, como los de Udio y Suno AI, aunque prometedores, limitan la investigación por su naturaleza cerrada. En 2024, Stability AI lanzó Stable Audio Open (SAO), un modelo de síntesis de audio basado en difusión y código abierto, democratizando el campo. Pese a su calidad en efectos de sonido, SAO enfrenta limitaciones en generación musical debido a datos de entrenamiento escasos y con licencias abiertas. Nuestra investigación mejora las capacidades musicales de SAO mediante reentrenamiento con un conjunto de datos especializado. Se creó un pipeline que sintetiza audio a partir de archivos MIDI, enriquece metadatos con APIs (Spotify, LastFM) y genera indicaciones en lenguaje natural usando LLMs, obteniendo un conjunto de datos de 9 horas (538 minutos) compuesto por 1023 audios. Este conjunto incluye subconjuntos monofónico, polifónico y audios instrumentales de YouTube en partes iguales, con variedad de géneros, tempos, y tonalidades para diversificar la sonoridad. El modelo reentrenado (“Instrumental Finetune”) supera al SAO original, logrando mejoras en calidad de sonido, precisión instrumental y adherencia a géneros y tempos, alcanzando un 95,3% de precisión frente al 77,6% original. Aunque los desafíos en tonalidad persisten, métricas como KL-Passt y CLAP Score muestran que nuestro modelo iguala o supera el rendimiento de SAO y MusicGen, manteniendo generalización y optimización específica del dominio. Ejemplos auditivos que ilustran estas mejoras y confirman la ausencia de memorización están disponibles en el Project Web. Music has evolved alongside technological advancements, from primitive percussion to modern digital synthesis tools. Today, artificial intelligence plays important role in music generation, utilizing state-ofthe-art architectures like transformers and diffusion models to generate complete songs from natural language prompts. Proprietary models by Udio and Suno AI demonstrate great potential but limit scientific research due to their closed nature. In June 2024, Stability AI released Stable Audio Open (SAO), an open-source diffusion-based audio synthesis model, democratizing research in this field. While SAO excels in sound effect generation, its musical capabilities are limited by scarce open-license training data. Our research enhances SAO’s musical generation capabilities through fine-tuning on a specialized dataset, addressing its inability to generate certain instruments, difficulties with specified musical elements, and inconsistencies in tempo and tonality. We developed a custom datasetcreation pipeline by synthesizing audio from MIDI files, enriching metadata using APIs like Spotify and LastFM, and generating natural language prompts via large language models. This pipeline produced a 9-hour (538 minutes) music dataset comprising 1023 audios, which includes monophonic, polyphonic, and instrumental YouTube audio subsets in equal parts, spanning various genres, tempos, and tonalities. Results show significant improvements in the fine-tuned model (“Instrumental Finetune”) over the original SAO, particularly in sound quality, instrument reproduction accuracy, genre adherence, and tempo adherence (95.3% accuracy vs. 77.6%). Although tone and scale accuracy remain challenging, embedding-based metrics (KL-Passt, CLAP Score) indicate our model matches or surpasses both SAO and the commercial MusicGen, maintaining generalization despite domain-specific optimization. Auditory examples illustrating these improvements and confirming the absence of memorization are available on the Project Web. http://sedici.unlp.edu.ar:80/handle/10915/190605 Objeto de conferencia Evaluating posterior probabilities: Decision theory, proper scoring rules, and calibration Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La mayoría de los clasificadores de aprendizaje automático están diseñados para generar probabilidades a posteriori para las clases, dadas las muestras de entrada. Estas probabilidades pueden utilizarse para tomar una decisión categórica sobre la clase de la muestra; proporcionarse como entrada a un sistema posterior; o entregarse a un humano para su interpretación. Evaluar la calidad de las probabilidades a posteriori generadas por estos sistemas es un problema esencial que fue abordado hace décadas con la invención de las proper scoring rules (PSRs). Desafortunadamente, gran parte de la literatura reciente en aprendizaje automático utiliza métricas de calibración —más comúnmente, el error de calibración esperado (ECE)— como un sustituto para evaluar el rendimiento de las probabilidades a posteriori. El problema con este enfoque es que las métricas de calibración reflejan solo un aspecto de la calidad de las probabilidades, ignorando el rendimiento en discriminación. Por esta razón, argumentamos que las métricas de calibración no deberían tener ningún papel en la evaluación de la calidad de las probabilidades a posteriori, y que en su lugar deberían utilizarse las PSRs esperadas para este propósito. Aunque no son útiles para evaluar el rendimiento, las métricas de calibración pueden usarse como herramientas de diagnóstico durante el desarrollo del sistema. Con este objetivo en mente, discutimos una métrica de calibración simple y práctica, llamada pérdida de calibración. Comparamos esta métrica con el ECE y con la divergencia de puntuación esperada, y argumentamos que la pérdida de calibración es superior a estas dos métricas.; Most machine learning classifiers are designed to output posterior probabilities for the classes given the input sample. These probabilities may be used to make the categorical decision on the class of the sample; provided as input to a downstream system; or provided to a human for interpretation. Evaluating the quality of the posteriors generated by these systems is an essential problem which was addressed decades ago with the invention of proper scoring rules (PSRs). Unfortunately, much of the recent machine learning literature uses calibration metrics—most commonly, the expected calibration error (ECE)—as a proxy to assess posterior performance. The problem with this approach is that calibration metrics reflect only one aspect of the quality of the posteriors, ignoring the discrimination performance. For this reason, we argue that calibration metrics should play no role in the assessment of posterior quality and expected PSRs should instead be used for this job. While not useful for performance assessment, calibration metrics may be used as diagnostic tools during system development. With this purpose in mind, we discuss a simple and practical calibration metric, called calibration loss. We compare this metric with the ECE and with the expected score divergence metric and argue that calibration loss is superior to these two metrics. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190605 2025-01-01T00:00:00Z La mayoría de los clasificadores de aprendizaje automático están diseñados para generar probabilidades a posteriori para las clases, dadas las muestras de entrada. Estas probabilidades pueden utilizarse para tomar una decisión categórica sobre la clase de la muestra; proporcionarse como entrada a un sistema posterior; o entregarse a un humano para su interpretación. Evaluar la calidad de las probabilidades a posteriori generadas por estos sistemas es un problema esencial que fue abordado hace décadas con la invención de las proper scoring rules (PSRs). Desafortunadamente, gran parte de la literatura reciente en aprendizaje automático utiliza métricas de calibración —más comúnmente, el error de calibración esperado (ECE)— como un sustituto para evaluar el rendimiento de las probabilidades a posteriori. El problema con este enfoque es que las métricas de calibración reflejan solo un aspecto de la calidad de las probabilidades, ignorando el rendimiento en discriminación. Por esta razón, argumentamos que las métricas de calibración no deberían tener ningún papel en la evaluación de la calidad de las probabilidades a posteriori, y que en su lugar deberían utilizarse las PSRs esperadas para este propósito. Aunque no son útiles para evaluar el rendimiento, las métricas de calibración pueden usarse como herramientas de diagnóstico durante el desarrollo del sistema. Con este objetivo en mente, discutimos una métrica de calibración simple y práctica, llamada pérdida de calibración. Comparamos esta métrica con el ECE y con la divergencia de puntuación esperada, y argumentamos que la pérdida de calibración es superior a estas dos métricas. Most machine learning classifiers are designed to output posterior probabilities for the classes given the input sample. These probabilities may be used to make the categorical decision on the class of the sample; provided as input to a downstream system; or provided to a human for interpretation. Evaluating the quality of the posteriors generated by these systems is an essential problem which was addressed decades ago with the invention of proper scoring rules (PSRs). Unfortunately, much of the recent machine learning literature uses calibration metrics—most commonly, the expected calibration error (ECE)—as a proxy to assess posterior performance. The problem with this approach is that calibration metrics reflect only one aspect of the quality of the posteriors, ignoring the discrimination performance. For this reason, we argue that calibration metrics should play no role in the assessment of posterior quality and expected PSRs should instead be used for this job. While not useful for performance assessment, calibration metrics may be used as diagnostic tools during system development. With this purpose in mind, we discuss a simple and practical calibration metric, called calibration loss. We compare this metric with the ECE and with the expected score divergence metric and argue that calibration loss is superior to these two metrics. http://sedici.unlp.edu.ar:80/handle/10915/190602 Objeto de conferencia Predicción de la calidad del trabajo en equipo usando caracter´ısticas basadas en el habla Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025); https://doi.org/10.21437/SMM.2023-1 Este artículo describe un nuevo protocolo para la anotación de la calidad del trabajo en equipo y variables relacionadas, basado únicamente en la señal de voz. Nuestro protocolo fue diseñado para anotar una versión en español del corpus Objects Games, un corpus de acceso público que contiene diálogos de personas jugando un videojuego colaborativo. El corpus fue anotado por 4 evaluadores, quienes alcanzaron un Coeficiente de Correlación Intraclase de 0.64 para la métrica principal de calidad del trabajo en equipo. Usando estas anotaciones, desarrollamos un sistema para predecir automáticamente la calidad promedio del trabajo en equipo según los evaluadores, utilizando características extraídas de las conversaciones, alcanzando un coeficiente de determinación, R², de 0.56. Este resultado sugiere que la predicción automática de la calidad del trabajo en equipo a partir de la señal de voz de los compañeros es una tarea viable.; This paper describes a novel protocol for annotating teamwork quality and related variables, based only on the speech signal. Our protocol was designed to annotate a Spanish version of the Objects Games corpus, a publicly available corpus that contains dialogues of people playing a collaborative computer game. The corpus was annotated by 4 raters, who achieved an Intr- aclass Correlation Coefficient of 0.64 for the main teamwork quality metric. Using the resulting annotations, we developed a system for automatic prediction of the average teamwork quality across raters using features extracted from the conversations, reaching a coefficient of determination, R2 of 0.56. This result suggests that automatic prediction of teamwork quality from the speech signal of the teammates is a feasible task. Link al trabajo completo en documentos relacionados. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190602 2025-01-01T00:00:00Z Este artículo describe un nuevo protocolo para la anotación de la calidad del trabajo en equipo y variables relacionadas, basado únicamente en la señal de voz. Nuestro protocolo fue diseñado para anotar una versión en español del corpus Objects Games, un corpus de acceso público que contiene diálogos de personas jugando un videojuego colaborativo. El corpus fue anotado por 4 evaluadores, quienes alcanzaron un Coeficiente de Correlación Intraclase de 0.64 para la métrica principal de calidad del trabajo en equipo. Usando estas anotaciones, desarrollamos un sistema para predecir automáticamente la calidad promedio del trabajo en equipo según los evaluadores, utilizando características extraídas de las conversaciones, alcanzando un coeficiente de determinación, R², de 0.56. Este resultado sugiere que la predicción automática de la calidad del trabajo en equipo a partir de la señal de voz de los compañeros es una tarea viable. This paper describes a novel protocol for annotating teamwork quality and related variables, based only on the speech signal. Our protocol was designed to annotate a Spanish version of the Objects Games corpus, a publicly available corpus that contains dialogues of people playing a collaborative computer game. The corpus was annotated by 4 raters, who achieved an Intr- aclass Correlation Coefficient of 0.64 for the main teamwork quality metric. Using the resulting annotations, we developed a system for automatic prediction of the average teamwork quality across raters using features extracted from the conversations, reaching a coefficient of determination, R2 of 0.56. This result suggests that automatic prediction of teamwork quality from the speech signal of the teammates is a feasible task. http://sedici.unlp.edu.ar:80/handle/10915/190601 Objeto de conferencia Exploring the possibilities of Multi-Agent Reinforcement Learning to solve coordinated cooperative tasks in Flexible manufacturing systems Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Los avances en inteligencia artificial y Sistemas Multi-Agente permiten coordinar agentes para cumplir múltiples objetivos, incluso contrapuestos, aplicables en "fabricas flexibles". Estas, impulsadas por tecnologías que integran lo físico, digital y biológico, evolucionan hacia "fábricas inteligentes ". Modelar un proceso productivo como un sistema multi-agente permite optimizar simultáneamente la eficiencia, reducción de desperdicios, sustentabilidad (económica, social y ambiental), ahorro de costos y reducción de tiempos de inactividad. Sin embargo, la flexibilidad requerida en entornos reconfigurables incrementa la complejidad del control descentralizado. Las pequeñas y medianas empresas (PyMEs) son un caso emblemático, ya que suelen producir lotes pequeños o bienes personalizados, lo que exige una adaptación constante. El aprendizaje por refuerzo multi-agente surge como una solución viable, evitando esquemas centralizados poco prácticos ante entornos cambiantes. Este trabajo analiza dicho enfoque para tareas colaborativas en manufactura, como la manipulación de materiales (una operación sin valor agregado donde la eficiencia es clave). Se presenta un caso de estudio preliminar que utiliza entornos virtuales para entrenar múltiples agentes en tareas de manipulación coordinada en escenarios de diversa complejidad.; Advances in artificial intelligence and Multi-Agent Systems enable coordinated agents to achieve multiple, often conflicting, objectives—making them ideal for ”flexible factories.” These factories, driven by technologies merging physical, digital, and biological domains, are evolving into ”smart factories.” Modeling production processes as multi-agent systems allows simultaneous optimization of efficiency, waste reduction, sustainability (economic, social, and environmental), cost savings, and downtime reduction. However, the flexibility needed in reconfigurable environments increases the complexity of decentralized control. Small and medium-sized enterprises (SMEs) are a key example, as they often produce small batches or customized goods, requiring constant adaptation. Multi-agent reinforcement learning provides a viable solution, avoiding impractical centralized control in dynamic settings. This work explores multi-agent reinforcement learning for collaborative manufacturing tasks, such as material handling (a nonvalue-adding operation where efficiency is critical). A preliminary case study is presented, using virtual environments to train multiple agents in coordinated material manipulation across varying complexity scenarios. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190601 2025-01-01T00:00:00Z Los avances en inteligencia artificial y Sistemas Multi-Agente permiten coordinar agentes para cumplir múltiples objetivos, incluso contrapuestos, aplicables en "fabricas flexibles". Estas, impulsadas por tecnologías que integran lo físico, digital y biológico, evolucionan hacia "fábricas inteligentes ". Modelar un proceso productivo como un sistema multi-agente permite optimizar simultáneamente la eficiencia, reducción de desperdicios, sustentabilidad (económica, social y ambiental), ahorro de costos y reducción de tiempos de inactividad. Sin embargo, la flexibilidad requerida en entornos reconfigurables incrementa la complejidad del control descentralizado. Las pequeñas y medianas empresas (PyMEs) son un caso emblemático, ya que suelen producir lotes pequeños o bienes personalizados, lo que exige una adaptación constante. El aprendizaje por refuerzo multi-agente surge como una solución viable, evitando esquemas centralizados poco prácticos ante entornos cambiantes. Este trabajo analiza dicho enfoque para tareas colaborativas en manufactura, como la manipulación de materiales (una operación sin valor agregado donde la eficiencia es clave). Se presenta un caso de estudio preliminar que utiliza entornos virtuales para entrenar múltiples agentes en tareas de manipulación coordinada en escenarios de diversa complejidad. Advances in artificial intelligence and Multi-Agent Systems enable coordinated agents to achieve multiple, often conflicting, objectives—making them ideal for ”flexible factories.” These factories, driven by technologies merging physical, digital, and biological domains, are evolving into ”smart factories.” Modeling production processes as multi-agent systems allows simultaneous optimization of efficiency, waste reduction, sustainability (economic, social, and environmental), cost savings, and downtime reduction. However, the flexibility needed in reconfigurable environments increases the complexity of decentralized control. Small and medium-sized enterprises (SMEs) are a key example, as they often produce small batches or customized goods, requiring constant adaptation. Multi-agent reinforcement learning provides a viable solution, avoiding impractical centralized control in dynamic settings. This work explores multi-agent reinforcement learning for collaborative manufacturing tasks, such as material handling (a nonvalue-adding operation where efficiency is critical). A preliminary case study is presented, using virtual environments to train multiple agents in coordinated material manipulation across varying complexity scenarios. http://sedici.unlp.edu.ar:80/handle/10915/190597 Objeto de conferencia No need for ad-hoc substitutes: The expected cost is a principled all-purpose classification metric Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El costo esperado (EC, por sus siglas en inglés) es una de las principales métricas de clasificación introducidas en libros de estadística y aprendizaje automático. Se basa en el supuesto de que, para una aplicación de interés determinada, cada decisión tomada por el sistema tiene un costo correspondiente que depende de la clase verdadera de la muestra. Una métrica de evaluación puede entonces definirse tomando la esperanza del costo sobre los datos. Dos casos especiales del EC son ampliamente utilizados en la literatura de aprendizaje automático: la tasa de error y la tasa de error balanceada. Otras instancias del EC pueden ser útiles para aplicaciones en las que algunos tipos de errores son más graves que otros, o cuando las probabilidades a priori de las clases difieren entre los datos de evaluación y el escenario de uso. Sorprendentemente, la forma general del EC rara vez se utiliza en la literatura de aprendizaje automático. En su lugar, se emplean métricas alternativas ad-hoc como el score F-beta y el coeficiente de correlación de Matthews (MCC). En este trabajo, argumentamos que el EC es superior a estas métricas alternativas, ya que es más general, interpretable y adaptable a cualquier escenario de aplicación. Proporcionamos tanto discusiones con base teórica como ejemplos para ilustrar el comportamiento de las distintas métricas.; The expected cost (EC) is one of the main classification metrics introduced in statistical and machine learning books. It is based on the assumption that, for a given application of interest, each decision made by the system has a corresponding cost which depends on the true class of the sample. An evaluation metric can then be defined by taking the expectation of the cost over the data. Two special cases of the EC are widely used in the machine learning literature: the error rate (one minus the accuracy) and the balanced error rate (one minus the balanced accuracy or unweighted average recall). Other instances of the EC can be useful for applications in which some types of errors are more severe than others, or when the prior probabilities of the classes differ between the evaluation data and the use-case scenario. Surprisingly, the general form for the EC is rarely used in the machine learning literature. Instead, alternative ad-hoc metrics like the F-beta score and the Matthews correlation coefficient (MCC) are used for many applications. In this work, we argue that the EC is superior to these alternative metrics, being more general, interpretable, and adaptable to any application scenario. We provide both theoretically-motivated discussions as well as examples to illustrate the behavior of the different metrics. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190597 2025-01-01T00:00:00Z El costo esperado (EC, por sus siglas en inglés) es una de las principales métricas de clasificación introducidas en libros de estadística y aprendizaje automático. Se basa en el supuesto de que, para una aplicación de interés determinada, cada decisión tomada por el sistema tiene un costo correspondiente que depende de la clase verdadera de la muestra. Una métrica de evaluación puede entonces definirse tomando la esperanza del costo sobre los datos. Dos casos especiales del EC son ampliamente utilizados en la literatura de aprendizaje automático: la tasa de error y la tasa de error balanceada. Otras instancias del EC pueden ser útiles para aplicaciones en las que algunos tipos de errores son más graves que otros, o cuando las probabilidades a priori de las clases difieren entre los datos de evaluación y el escenario de uso. Sorprendentemente, la forma general del EC rara vez se utiliza en la literatura de aprendizaje automático. En su lugar, se emplean métricas alternativas ad-hoc como el score F-beta y el coeficiente de correlación de Matthews (MCC). En este trabajo, argumentamos que el EC es superior a estas métricas alternativas, ya que es más general, interpretable y adaptable a cualquier escenario de aplicación. Proporcionamos tanto discusiones con base teórica como ejemplos para ilustrar el comportamiento de las distintas métricas. The expected cost (EC) is one of the main classification metrics introduced in statistical and machine learning books. It is based on the assumption that, for a given application of interest, each decision made by the system has a corresponding cost which depends on the true class of the sample. An evaluation metric can then be defined by taking the expectation of the cost over the data. Two special cases of the EC are widely used in the machine learning literature: the error rate (one minus the accuracy) and the balanced error rate (one minus the balanced accuracy or unweighted average recall). Other instances of the EC can be useful for applications in which some types of errors are more severe than others, or when the prior probabilities of the classes differ between the evaluation data and the use-case scenario. Surprisingly, the general form for the EC is rarely used in the machine learning literature. Instead, alternative ad-hoc metrics like the F-beta score and the Matthews correlation coefficient (MCC) are used for many applications. In this work, we argue that the EC is superior to these alternative metrics, being more general, interpretable, and adaptable to any application scenario. We provide both theoretically-motivated discussions as well as examples to illustrate the behavior of the different metrics. http://sedici.unlp.edu.ar:80/handle/10915/190596 Objeto de conferencia Building a pipeline for stellar network characterization using Kedro Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) El trabajo expone los pasos necesarios para implementar un pipeline de procesamiento de datos utilizando el framework Kedro, destinado al preprocesamiento de datos astronómicos, a fin de realizar una caracterización de grupos estelares, tendientes a determinar si el set de datos objetivo conforma una red de mundo pequeño. Se detallan las características de la herramienta utilizada, así como los criterios analizados para su adopción, a la vez que los pasos de consulta y descarga de datos, definición de etapas de preprocesamiento, implementación de las mismas, ejecución y resultados finales. Asimismo se analizará en las conclusiones, el valor que estas herramientas aportan a la repetibilidad y confiabilidad, tanto de las etapas de preprocesamiento de información, como de la analítica de datos que con posterioridad se realiza sobre dicha información, tendiente a obtener flujos de análisis de datos confiables, repetibles y de alta calidad analítica.; This paper presents the steps required to implement a data processing pipeline using the Kedro framework for preprocessing astronomical data to characterize stellar groups and determine whether the target dataset constitutes a small-world network. The tool’s characteristics and the criteria analyzed for its adoption are detailed, along with the steps for querying and downloading data, defining preprocessing stages, their implementation, execution, and final results. The conclusions also analyze the value that these tools contribute to the repeatability and reliability of both the data preprocessing stages and the subsequent data analytics performed on said data, aimed at obtaining reliable, repeatable, and high-quality data analysis flows. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190596 2025-01-01T00:00:00Z El trabajo expone los pasos necesarios para implementar un pipeline de procesamiento de datos utilizando el framework Kedro, destinado al preprocesamiento de datos astronómicos, a fin de realizar una caracterización de grupos estelares, tendientes a determinar si el set de datos objetivo conforma una red de mundo pequeño. Se detallan las características de la herramienta utilizada, así como los criterios analizados para su adopción, a la vez que los pasos de consulta y descarga de datos, definición de etapas de preprocesamiento, implementación de las mismas, ejecución y resultados finales. Asimismo se analizará en las conclusiones, el valor que estas herramientas aportan a la repetibilidad y confiabilidad, tanto de las etapas de preprocesamiento de información, como de la analítica de datos que con posterioridad se realiza sobre dicha información, tendiente a obtener flujos de análisis de datos confiables, repetibles y de alta calidad analítica. This paper presents the steps required to implement a data processing pipeline using the Kedro framework for preprocessing astronomical data to characterize stellar groups and determine whether the target dataset constitutes a small-world network. The tool’s characteristics and the criteria analyzed for its adoption are detailed, along with the steps for querying and downloading data, defining preprocessing stages, their implementation, execution, and final results. The conclusions also analyze the value that these tools contribute to the repeatability and reliability of both the data preprocessing stages and the subsequent data analytics performed on said data, aimed at obtaining reliable, repeatable, and high-quality data analysis flows. http://sedici.unlp.edu.ar:80/handle/10915/190592 Objeto de conferencia DataPruebas: una plataforma en línea para la recopilación de datos Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) We introduce DataPruebas, a user-friendly platform developed in Spanish, designed to streamline scientific data collection. The platform leverages public interest in contributing to scientific research. Participants can register, browse, and participate in various experiments either online with instant access or asynchronously through a flexible scheduling system. For researchers, the platform simplifies the process of uploading experimental protocols and specifying participant criteria based on demographic variables such as age, place of birth, and other relevant characteristics. It is compatible with multiple open-source experiment frameworks, including PsychoPy, jsPsych, and lab.js, allowing researchers to integrate existing paradigms with minimal adaptation. This flexibility makes it easy to migrate previously developed experiments or design new ones using familiar tools. The platform has already been utilised to collect data on decision-making, attention, memory, and survey-based studies, among others. In addition to supporting traditional behavioral experiments, DataPruebas is designed to facilitate the creation of high-quality datasets for machine learning research. It enables the collection of diverse data modalities, including audio recordings, webcam-based eye tracking, and mouse trajectories, allowing researchers to build multimodal datasets tailored to real-world applications. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190592 2025-01-01T00:00:00Z We introduce DataPruebas, a user-friendly platform developed in Spanish, designed to streamline scientific data collection. The platform leverages public interest in contributing to scientific research. Participants can register, browse, and participate in various experiments either online with instant access or asynchronously through a flexible scheduling system. For researchers, the platform simplifies the process of uploading experimental protocols and specifying participant criteria based on demographic variables such as age, place of birth, and other relevant characteristics. It is compatible with multiple open-source experiment frameworks, including PsychoPy, jsPsych, and lab.js, allowing researchers to integrate existing paradigms with minimal adaptation. This flexibility makes it easy to migrate previously developed experiments or design new ones using familiar tools. The platform has already been utilised to collect data on decision-making, attention, memory, and survey-based studies, among others. In addition to supporting traditional behavioral experiments, DataPruebas is designed to facilitate the creation of high-quality datasets for machine learning research. It enables the collection of diverse data modalities, including audio recordings, webcam-based eye tracking, and mouse trajectories, allowing researchers to build multimodal datasets tailored to real-world applications. http://sedici.unlp.edu.ar:80/handle/10915/190588 Objeto de conferencia Modeling Gender Inequality in Argentine ICT Degrees through Multiple Regression Simposio Argentino de Inteligencia Artificial y Ciencia de Datos (ASAID 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Este trabajo presenta un análisis cuantitativo de la brecha de género en carreras de Computación, Sistemas e Informática (CSI) en universidades argentinas, en el período 2010-2015. A partir de un enfoque de Ciencia de Datos, se empleó aprendizaje automático supervisado, utilizando un modelo de regresión lineal múltiple, para identificar los principales factores que afectan la graduación de estudiantes. Los resultados muestran que ser estudiante mujer disminuye significativamente la probabilidad de egreso, mientras que estudiar en universidades privadas o en la provincia de Buenos Aires incrementa dicha probabilidad. Este estudio proporciona evidencia empírica relevante para el diseño de políticas públicas orientadas a reducir las desigualdades de género en carreras STEM. Como trabajo futuro, se propone analizar esta problemática incorporando técnicas de machine learning más avanzadas y extendiendo el análisis a otras carreras STEAM.; This paper presents a quantitative analysis of the gender gap in Computer Science, Information Systems, and Informatics (CSI) degree programs at Argentine universities during the 2010–2015 period. Using a Data Science approach, supervised machine learning was applied—specifically, a multiple linear regression model—to identify the main factors influencing student graduation. The results show that being a female student significantly decreases the probability of graduation, while studying at private universities or in the province of Buenos Aires increases this probability. This study provides relevant empirical evidence for the design of public policies aimed at reducing gender inequality in STEM fields. As future work, the analysis will be extended by incorporating more advanced machine learning techniques and including other STEAM-related degrees. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190588 2025-01-01T00:00:00Z Este trabajo presenta un análisis cuantitativo de la brecha de género en carreras de Computación, Sistemas e Informática (CSI) en universidades argentinas, en el período 2010-2015. A partir de un enfoque de Ciencia de Datos, se empleó aprendizaje automático supervisado, utilizando un modelo de regresión lineal múltiple, para identificar los principales factores que afectan la graduación de estudiantes. Los resultados muestran que ser estudiante mujer disminuye significativamente la probabilidad de egreso, mientras que estudiar en universidades privadas o en la provincia de Buenos Aires incrementa dicha probabilidad. Este estudio proporciona evidencia empírica relevante para el diseño de políticas públicas orientadas a reducir las desigualdades de género en carreras STEM. Como trabajo futuro, se propone analizar esta problemática incorporando técnicas de machine learning más avanzadas y extendiendo el análisis a otras carreras STEAM. This paper presents a quantitative analysis of the gender gap in Computer Science, Information Systems, and Informatics (CSI) degree programs at Argentine universities during the 2010–2015 period. Using a Data Science approach, supervised machine learning was applied—specifically, a multiple linear regression model—to identify the main factors influencing student graduation. The results show that being a female student significantly decreases the probability of graduation, while studying at private universities or in the province of Buenos Aires increases this probability. This study provides relevant empirical evidence for the design of public policies aimed at reducing gender inequality in STEM fields. As future work, the analysis will be extended by incorporating more advanced machine learning techniques and including other STEAM-related degrees.