http://hdl.handle.net/10498/15863 Thu, 05 Nov 2026 19:31:02 GMT 2026-11-05T19:31:02Z http://hdl.handle.net/10498/40370 From Black Box to Glass Box: GenAI in Non-STEM Computing Education Gutiérrez Madroñal, Lorena; Caballero Hernández, Juan Antonio; Baena Pérez, Rubén; Palomo Duarte, Manuel The rapid integration of Generative AI into higher education challenges traditional assessment integrity. This quasi-experimental study analyses its impact on web development skills within an Advertising and Public Relations degree. Drawing on academic performance data, transparency logs, and student perception surveys across four distinct cohorts, the research traces the evolution from a pre-AI baseline through unregulated adoption to a regulated Glass box intervention. Quantitative analysis reveals that while unregulated adoption led to mark inflation, the Glass box protocol stabilised performance. Granular data exposes a dual impact: Generative AI hindered accuracy in foundational tasks due to unverified corrections, yet eliminated resubmissions in complex tasks. The paper contributes evidence-based guidelines for designing non-STEM assessments, demonstrating how Chain-of-Thought documentation converts GenAI from a threat into a verifiable auxiliary tool. Tue, 06 Oct 2026 00:00:00 GMT http://hdl.handle.net/10498/40370 2026-10-06T00:00:00Z http://hdl.handle.net/10498/40203 Early Prediction of Academic Performance in a Database Course Using Moodle Interaction Logs Balderas Alberico, Antonio; Caballero Hernández, Juan Antonio; Palomo Duarte, Manuel; Muñoz Ortega, Andrés; Dodero Beardo, Juan Manuel Academic failure and high dropout rates remain persistent challenges in STEM education, particularly in core disciplines like Computer Science. Using Moodle interaction logs for a compulsory course on Database Systems (183,917 log records from 131 students), we engineered 16 behavioral features that capture engagement, regularity, resource diversity, and temporal activity patterns. Four classification models were trained and evaluated using 5-fold cross-validation and an independent test set: Support Vector Machine, Random Forest, k-Nearest Neighbors, and Logistic Regression. The best-performing models reached an AUC of up to 0.812 (Logistic Regression) and 0.809 (Random Forest) on the independent test set. Notably, Random Forest demonstrated a recall of 81.2% for at-risk students, suggesting its potential suitability as the basis for an Early Warning System (EWS). Feature importance analysis reveals that resource access, total engagement, and formative quiz interaction are the strongest predictors of the final outcome. Furthermore, activity within the first four weeks ranks among the top six predictors, providing empirical evidence that early behavioral signals carry significant predictive power. These results suggest that identification of at-risk students is highly feasible and actionable within the first month of instruction, offering a robust foundation for automated pedagogical interventions. Fri, 08 May 2026 00:00:00 GMT http://hdl.handle.net/10498/40203 2026-05-08T00:00:00Z http://hdl.handle.net/10498/39983 Un Servicio de Gamificación para Mejorar la Cultura de la Ciberseguridad Lagares Galán, Jesús; Navas-Pérez, Pedro José; Peregrina-Pérez, María Jesús; Boubeta Puig, Juan La situación de la pandemia provocada por el COVID-19 ha generado un gran aumento en el número de ataques informáticos. Gracias a las técnicas, herramientas y servicios de ciberseguridad podemos prevenir y defendernos ante este tipo de ataques, independientemente del sector donde se realice. Sin embargo, todavía existe un gran desconocimiento de la ciberseguridad entre la población, así como una enorme falta de formación en este sector. Para lograr una mejora en la cultura de la ciberseguridad, este artículo propone la utilización de un servicio de gamificación, concretamente una competición Capture The Flag. Además, se expone un caso práctico con una serie de retos de ciberseguridad llevados a cabo en un entorno real. Los resultados demuestran que estas prácticas tienen interés entre la población y pueden ser una herramienta viable para una enseñanza amena de conceptos relacionados con la seguridad informática. Mon, 05 Sep 2022 00:00:00 GMT http://hdl.handle.net/10498/39983 2022-09-05T00:00:00Z http://hdl.handle.net/10498/39204 Análisis de Sentimientos y Polarización de Reseñas de Videojuegos a Través de Inteligencia Artificial Contreras Puerto, Alberto; Muñoz Ortega, Andrés; Palomo Duarte, Manuel; Caballero Hernández, Juan Antonio Los videojuegos generan miles de opiniones en línea cada día, pero comprender realmente qué piensan los usuarios no siempre es sencillo. El análisis de sentimientos no solo ayuda a los jugadores a identificar títulos bien valorados, sino que también puede ser útil en contextos profesionales, como en estudios donde se vinculan bonificaciones de productividad a la recepción crítica de un videojuego. En estos casos, una herramienta capaz de desglosar y evaluar automáticamente las reseñas permitiría establecer métricas más transparentes y centradas en aspectos específicos del producto, más allá de una simple media numérica. Este trabajo presenta una metodología para el análisis automatizado de sentimientos, polarización y calidad de las reseñas de videojuegos generadas por usuarios, utilizando el modelo de lenguaje LLaMA 3.2 (3B) de Meta AI, afinado con la librería Unsloth y un conjunto de 50.000 reseñas anotadas de Kaggle. El enfoque combina modelos de lenguaje de gran escala (LLMs) con técnicas clásicas de recuperación de información como TF-IDF y BM25 para generar resúmenes representativos de las opiniones. Además del análisis de sentimientos basado en aspectos que permite identificar y puntuar dimensiones clave como jugabilidad, gráficos, historia o sonido, el sistema evalúa también la calidad de cada reseña individual, determinando su polaridad (positiva, negativa o neutral) y asignando una calificación de 1 a 10 según su claridad, riqueza argumentativa y nivel de detalle. A partir de estas evaluaciones individuales, el sistema elabora una valoración general del videojuego que no solo refleja la media de opiniones, sino también los aspectos más destacados positiva o negativamente por la comunidad. Para validar la fiabilidad del modelo, se realizó una comparación manual con valoraciones humanas sobre una muestra total de 300 reseñas (20 reseñas evaluadas por 15 personas), lo que permitió contrastar las puntuaciones generadas por la IA con percepciones humanas reales. Los resultados demuestran que el sistema propuesto puede sintetizar con precisión la opinión colectiva de los usuarios, proporcionando una evaluación estructurada, transparente y centrada en múltiples dimensiones del producto. Fri, 19 Sep 2025 00:00:00 GMT http://hdl.handle.net/10498/39204 2025-09-19T00:00:00Z