IRIlber Adonayt Ruge Ruge

Ilber Adonayt Ruge Ruge

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Ilber Adonayt Ruge Ruge has a total of 3 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Aprendizaje Servicio (ApS) como estrategia para fortalecer la formación en Ingeniería a partir de la enseñanza de STEM en educación básica secundaria

    by Ilber Adonayt Ruge Ruge, Ingrid Carolina Ortiz Alvarez, Edwin Javier Sánchez Uriza

    El aprendizaje profundo se potencia no solo a través de la lectura y cursos, sino también al enseñar a otros, lo que implica preparar contenidos y conectar temas. El Aprendizaje-Servicio (ApS) combina el aprendizaje de contenidos académicos con el compromiso social, permitiendo a los estudiantes aplicar conocimientos en contextos reales mientras desarrollan habilidades blandas y valores ciudadanos. En la formación en Ingeniería, el ApS permite conectar la teoría con la práctica, reforzar conocimientos y desarrollar habilidades como el trabajo colaborativo, la comunicación efectiva y el pensamiento crítico, promoviendo un aprendizaje más significativo y aplicable. Este articulo expone una experiencia de fortalecimiento de formación en ingeniería soportada en la estrategia ApS donde los estudiantes universitarios participan en actividades pedagógicas organizadas para fortalecer su aprendizaje y formación integral mediante la enseñanza a otros: los estudiantes mejoran su aprendizaje al preparar y enseñar contenidos. Esta metodología busca consolidar sus conocimientos al desarrollar materiales didácticos que responden a los requerimientos de instrucción. La población beneficiada son los estudiantes de la Institución Educativa Técnica Rafael Uribe del municipio de Toca Boyacá. Las actividades didácticas organizadas por los estudiantes universitarios se apoyan usando enfoque de Aprendizaje Basado en Proyectos (PBL) y utilizan elementos de robótica educativa como herramienta didáctica, enfocándose en la programación de robots para enseñar conceptos de ciencia, tecnología, ingeniería y matemáticas (STEM). Las actividades abarcan capacitación en electrónica básica, programación en Arduino IDE y el desarrollo de un prototipo de invernadero para el cultivo de tomate, con el respaldo de docentes de ambas instituciones. Los resultados reflejan un impacto positivo en el desarrollo de competencias técnicas, comunicativas y de autogestión en los estudiantes universitarios, lo que confirma la efectividad de la metodología de Aprendizaje-Servicio (ApS) en componentes clave de la formación en Ingeniería. Si bien la dimensión socioemocional presentó un desarrollo comparativamente menor, el balance general es favorable. En cuanto al fomento STEM a los estudiantes escolares, la percepción general fue mayoritariamente neutral, destacándose el constructo “confianza” con altos niveles de satisfacción.

  • Open Access

    Dispositivo de ultra-bajo costo para la clasificación de licores usando tecnología TinyML

    by Ilber Adonayt Ruge Ruge, Ingrid-Carolina Ortiz-Álvarez, Fabián-R. Jiménez-López

    Objective: To design and implement a liquor identification system using TinyML, employing an MQ-135 sensor and an ESP32 microcontroller from Espressif Systems. The objective is to optimize local processing for high precision and low latency, thereby validating its viability as an accessible solution in resource-constrained environments.Methodology: The methodology employed an Artificial Neural Network (ANN) to classify liquors based on volatile compounds detected by the sensor. A dataset comprising 6,000 measurements was collected, and the ANN model was trained in MATLAB® R2018a. For performance evaluation, the dataset was split into 70% for training, 15% for validation, and 15% for testing, with the Mean Squared Error (MSE) used as the primary metric.Results:The deployed ANN model converged after 375 epochs, achieving a minimal Mean Squared Error (MSE) of 1.05×10⁻⁹ and a correlation coefficient (R) of 1.0. Synthesized onto the ESP32 microcontroller, the model utilized only 24.8% of Flash memory and 6.3% of RAM. The inference time recorded for execution was 2.43 ms, yielding a classification accuracy of 84.4%. This cost-efficient solution, priced at 15 USD, outperforms existing commercial options.Conclusions: It achieves an exceptionally fast inference time of 2.43 ms with a minimal operational energy consumption ranging from 5 mA to 10 mA. This performance, coupled with the low fabrication cost (15 USD), contrasts sharply with commercial solutions often exceeding hundreds of dollars. Consequently, the system is highly viable for implementation in embedded quality control and food industry applications.