Carmen Benavides

This qualitative case study examines how a teacher orchestrated generative AI within an authentic, public-facing task, using a secondary-education classroom as a micro-laboratory with transfer potential to higher education and initial teacher education. Over seven lessons in a Digitalisation course (15–16-year-olds), students used ChatGPT to support the design of Instagram infographics and captions under explicit rules for verification, rewriting and responsible use. Evidence from teacher planning/diary notes, rubric-based assessment, and students’ open reflections (N = 30; thematically coded) shows that governance and ethics can be made visible through structured scaffolding, moderation choices, and assessment. Findings are synthesised into a reusable four-phase orchestration model: (1) risk mapping, (2) task and prompt design, (3) live orchestration, and (4) assessment and reflection. We discuss implications for designing authentic tasks, assessment, and the governance of generative AI in higher education and teacher preparation.

Este trabajo presenta un sistema para la representación adaptativa del estado de múltiples plataformas robóticas en un entorno compartido. El sistema se basa en la metodología CAD2SLAM para realizar una proyección de las posiciones individuales de cada robot sobre un mapa base común empleando una rejilla de proyección no-rígida ajustada mediante un conjunto de puntos de correspondencia y un proceso de optimización de mínimos cuadrados. Esto permite representar de forma coherente y comprensible la posición relativa de cada robot, independientemente del tipo de sensores o mapa que este utilice. El operador puede supervisar el estado global del sistema multi-robot de forma más intuitiva y eficiente, sin alterar la arquitectura interna ni el funcionamiento de los robots. Validado en entornos simulados y reales, demuestra robustez y ejecución en tiempo real. La principal novedad es el uso de un mapa base común, que facilita la cooperación entre plataformas heterogéneas y la interpretación visual del entorno.

El despliegue de la tecnología 5G está impulsando una nueva generación de conectividad inalámbrica, con un potencial transformador para industrias y empresas. A la vanguardia de esta evolución se encuentran las redes privadas 5G: redes móviles personalizadas diseñadas para satisfacer las necesidades específicas de rendimiento, control y seguridad de una organización. A diferencia de los sistemas inalámbricos tradicionales, las redes privadas 5G ofrecen características mejoradas como ultra baja latencia, alta fiabilidad, segmentación lógica de red de extremo a extremo (network slicing) y soporte para comunicaciones masivas de tipo máquina. Estas capacidades las hacen ideales para entornos que requieren respuesta en tiempo real, transmisión segura de datos y gestión escalable de dispositivos. La principal distinción entre redes 5G privadas y públicas radica en el grado de propiedad, personalización y gobernanza. Las redes públicas están gestionadas por operadores de telecomunicaciones y se construyen para el acceso general en amplias zonas geográficas (ejemplo: todo el país); dan servicio a millones de usuarios simultáneamente (ejemplo: operadores de redes públicas a nivel nacional) y ofrecen una capacidad limitada de personalización o niveles de rendimiento garantizados. En cambio, las redes privadas se construyen para una organización concreta, con control sobre el acceso de los usuarios, la autenticación de los dispositivos, los flujos de tráfico y las políticas de seguridad, lo que permite una mayor precisión, control directo y predecible del rendimiento y resiliencia en las aplicaciones críticas de la empresa. Una amplia gama de industrias puede beneficiarse de las redes privadas 5G. En la fabricación avanzada, el 5G privado soporta vehículos guiados automatizados, control de calidad en tiempo real y comunicación de máquina a máquina en la planta de producción. En logística, mejora la automatización de almacenes y el seguimiento de activos. En energía y servicios públicos, permite el mantenimiento predictivo de infraestructuras remotas y la comunicación segura en entornos de difícil acceso físico o aislados. Las organizaciones sanitarias pueden utilizar una red 5G privada para conectar dispositivos médicos, apoyar diagnósticos remotos o garantizar una transmisión de datos segura y de alta velocidad. Sin embargo, este cambio también introduce nuevos retos de seguridad. La flexibilidad y complejidad del 5G privado -especialmente cuando se integra con entornos de TI, OT y nube- amplían la superficie de ataque y exigen medidas de seguridad especializadas. Esta guía proporciona un marco práctico de mejores prácticas para ayudar a las organizaciones a desplegar y operar redes privadas 5G con confianza y resiliencia desde una perspectiva de ciberseguridad.

La gran exactitud y resolución que presentan las mediciones realizadas con sensores LiDAR (Light Detection And Ranging) los convierte en habituales en sistemas SLAM (Simultaneous Localization And Mapping). El gran volumen de datos proporcionado por dichos sensores se puede reducir a un conjunto de puntos característicos que definen el entorno. Dicha reducción de datos simplifica el proceso de mapeado y posicionamiento disminuyendo así la carga computacional del proceso SLAM. En este trabajo se propone un sistema para la estimación de la trayectoria seguida por un elemento robótico basado únicamente en información LiDAR 2D. La nube de puntos proporcionada por el sensor es analizada para extraer una serie de esquinas características que conforman el entorno de navegación, que nos permiten estimar el movimiento del robot mediante PLGO (Pose-Landmark Graph Optimization). Los resultados experimentales muestran como el sistema propuesto ofrece una precisión en la localización del robot comparable a la que se puede obtener mediante técnicas ICP (Iterative Closest Point).

The ability to map an unknown environment is a fundamental milestone for autonomous robotic vehicles. Solutions in this field must combine efficiency, accuracy, and precision. We propose a novel methodology for map feature extraction in indoor environments. The mathematical model and its implementation are designed to operate with 2-D light detection and ranging (LiDAR) measurements. Map parameters and associated uncertainty levels are determined through bivariate linear regression. The final step is experimental validation, using a low-cost commercial LiDAR sensor. The main contributions of the proposed methodology lie in the domains of computational efficiency and uncertainty. In addition, the results prove the ability of our methodology to handle large volumes of data while maintaining restrained growth in computational time. This outcome suggests considerable potential for real-time applications with limited hardware resources. A second methodology, extracted from the current state of the art, is used in parallel for benchmarking purposes.

The spread of the Internet of Things (IoT) is demanding new, powerful architectures for handling the huge amounts of data produced by the IoT devices. In many scenarios, many existing isolated solutions applied to IoT devices use a set of rules to detect, report and mitigate malware activities or threats. This paper describes a development environment that allows the programming and debugging of such rule-based multi-agent solutions. The solution consists of the integration of a rule engine into the agent, the use of a specialized, wrapping agent class with a graphical user interface for programming and testing purposes, and a mechanism for the incremental composition of behaviors. Finally, a set of examples and a comparative study were accomplished to test the suitability and validity of the approach. The JADE multi-agent middleware has been used for the practical implementation of the approach.

Background and objective: Diabetes is a chronic pathology which is affecting more and more people over the years. It gives rise to a large number of deaths each year. Furthermore, many people living with the disease do not realize the seriousness of their health status early enough. Late diagnosis brings about numerous health problems and a large number of deaths each year so the development of methods for the early diagnosis of this pathology is essential. Methods: In this paper, a pipeline based on deep learning techniques is proposed to predict diabetic people. It includes data augmentation using a variational autoencoder (VAE), feature augmentation using an sparse autoencoder (SAE) and a convolutional neural network for classification. Pima Indians Diabetes Database, which takes into account information on the patients such as the number of pregnancies, glucose or insulin level, blood pressure or age, has been evaluated. Results: A 92.31% of accuracy was obtained when CNN classifier is trained jointly the SAE for featuring augmentation over a well balanced dataset. This means an increment of 3.17% of accuracy with respect the state-of-the-art. Conclusions: Using a full deep learning pipeline for data preprocessing and classification has demonstrate to be very promising in the diabetes detection field outperforming the state-of-the-art proposals.