http://hdl.handle.net/10498/17922 Sat, 07 Nov 2026 14:49:21 GMT 2026-11-07T14:49:21Z http://hdl.handle.net/10498/40532 Detección automatizada de rage bait en contenidos de redes sociales Roldán Benítez, Pedro Luis La toxicidad en línea es un problema cada vez más relevante en el día a día. La sociedad está más conectada que nunca, pero con ello vienen problemas específicos. Este proyecto se enfocó en la toxicidad que tiene como objetivo provocar ira o enfado en los usuarios que son víctimas de ella. Un ejemplo de esto es el rage bait, que se utiliza para aumentar la participación y, en consecuencia, las visitas y comentarios de quienes lo emplean. Por otro lado, está el trolling, el cual también es contenido provocativo, pero con el entretenimiento personal del usuario que lo publica como objetivo. El principal objetivo de este proyecto fue diseñar y evaluar sistemas de Inteligencia Artificial que utilizan diversas técnicas del área para identificar este tipo de contenido dañino en línea. Se partió de una fuente de datos ya creada de trolling y otros tipos de toxicidad y, después de ser modificada para dejar solo ejemplos de trolling y de contenido etiquetado como normal, se utilizó para alimentar los modelos implementados. Los modelos, aprovechándose de dichos datos, adquirieron una cierta capacidad de identificar de manera automática los ejemplos marcados como trolling como una aproximación al problema de detectar rage bait. Este problema se abordó empleando modelos típicamente utilizados para el Procesamiento del Lenguaje Natural. En concreto, se consideraron tres modelos principales: un modelo de potenciación de gradiente LightGBM, una máquina de soporte vectorial (SVM) y un modelo de Aprendizaje Profundo basado en BERT llamado DeBERTaV3, desarrollado por Microsoft. El mejor modelo obtenido fue DeBERTaV3 con una Macro F1 de 0.8944 (+/- 0.0101), una Exactitud Balanceada de 0.8959 (+/- 0.0117), un Coeficiente de Correlación de Matthews de 0.7898 (+/- 0.0201) y una ROC-AUC de 0.9642 (+/- 0.0067). Su suministran los enlaces al repositorio y modelos preentrenados. REPOSITORIO: https://github.com/PedroRB03/TFG MODELOS PREENTRENADOS: https://drive.google.com/file/d/11R7CLGIzm0KbH-_iD_aGGTknSBcCw2ew/view?usp=sharing Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/40532 2026-01-01T00:00:00Z http://hdl.handle.net/10498/40264 Wandering Echoes: Desarrollo de un Videojuego RPG Rogue-like con un Agente Conversacional como Núcleo de Interacción Hidalgo Mayén, Manuel Antonio En la actualidad, la industria de los videojuegos se encuentra en constante evolución, impulsada por la incorporación de nuevas tecnologías capaces de ampliar las posibilidades de interacción y mejorar la experiencia del jugador. Entre ellas, la inteligencia artificial ha adquirido una especial relevancia, permitiendo desarrollar sistemas más dinámicos y adaptativos, así como nuevas formas de interacción entre el jugador y el mundo virtual. En este contexto, el uso de técnicas de procesamiento del lenguaje natural y de agentes conversacionales plantea nuevas oportunidades para enriquecer la narrativa, la inmersión y la jugabilidad de los videojuegos, favoreciendo experiencias más personalizadas e interactivas. Este trabajo presenta el diseño y desarrollo de un videojuego RPG (role-playing game) con mecánicas roguelike y generación procedural, implementado utilizando el motor Unity y el lenguaje de programación C#. El videojuego propone una experiencia de juego rejugable en la que cada partida presenta una configuración diferente de la mazmorra y sus elementos. Como elemento central de la experiencia, se integra un agente conversacional basado en técnicas de procesamiento del lenguaje natural (PLN). La interacción del jugador con este agente durante la partida permite tomar decisiones que pueden influir en el desarrollo de la experiencia. El sistema combina elementos propios de los videojuegos RPG y roguelike, como la exploración de mazmorras generadas proceduralmente, el combate, la progresión del personaje, la gestión de objetos y el enfrentamiento contra enemigos y jefes, con mecánicas de interacción conversacional que buscan ampliar las posibilidades narrativas y de jugabilidad. Los resultados obtenidos permiten demostrar la viabilidad de integrar técnicas de inteligencia artificial en un videojuego como parte fundamental de su sistema de interacción. La incorporación de un agente conversacional puede contribuir positivamente a la experiencia del jugador, favoreciendo una mayor inmersión y ofreciendo una interacción más dinámica y personalizada. De este modo, el proyecto pone de manifiesto el potencial de combinar inteligencia artificial, procesamiento del lenguaje natural y generación procedural para desarrollar experiencias de juego innovadoras y con un mayor grado de adaptabilidad y rejugabilidad. Fri, 18 Sep 2026 00:00:00 GMT http://hdl.handle.net/10498/40264 2026-09-18T00:00:00Z http://hdl.handle.net/10498/40130 Aplicación de Explainable AI en la predicción de contaminantes atmosféricos Cantos Piñero, Iván La contaminación atmosférica y sus graves repercusiones sobre la salud pública constituyen uno de los mayores y más conocidos desafíos globales de este siglo. En España, esta problemática cobra especial urgencia en grandes ciudades como Madrid, donde los reiterados episodios de alta toxicidad han obligado a implementar estrictos protocolos de actuación y zonas de restricción de movilidad. A menudo, la activación de estas medidas preventivas genera rechazo ciudadano al percibirse como imposiciones repentinas. Para mejorar la anticipación y gestión de estos episodios, directrices europeas y la comunidad científica instan a las administraciones a transitar desde los tradicionales modelos deterministas de dispersión química hacia sistemas de predicción avanzados basados en aprendizaje automático. Sin embargo, estos algoritmos operan habitualmente como una caja negra. Si las futuras restricciones de movilidad urbana van a depender de estos modelos complejos, será imprescindible evitar que el sistema dictamine alertas de contaminación sin la capacidad de justificar el razonamiento subyacente a su predicción. Para resolver este reto, el presente trabajo propone el diseño, evaluación e integración de técnicas de Inteligencia Artificial eXplicable (XAI) aplicadas a la calidad del aire. A través del modelado de contaminantes como los óxidos de nitrógeno, el ozono troposférico o el tolueno, se auditará el comportamiento de múltiples arquitecturas predictivas sobre un amplio espacio de características que abarca la meteorología y el tráfico rodado de la capital. El despliegue de métricas XAI permitirá diseccionar el proceso interno de los algoritmos y traducir su compleja lógica matemática en causalidad física comprensible. Los resultados han demostrado la viabilidad de anticipar la calidad del aire en Madrid con un alto nivel de fiabilidad, apoyándose en la integración de datos meteorológicos y flujos de tráfico rodado. La aplicación de XAI ha certificado que el razonamiento interno de los algoritmos coincide con la física real de los contaminantes, confirmando que los modelos asimilan dinámicas atmosféricas legítimas a pesar de contar únicamente con un trimestre de registros.; Air pollution and its severe impacts on public health constitute one of the greatest and most widely recognized global challenges of this century. In Spain, this issue is particularly urgent in large cities like Madrid, where repeated episodes of high toxicity have forced the implementation of strict action protocols and mobility restriction zones. Often, the activation of these preventive measures generates public resistance, as they are perceived as sudden impositions. To improve the anticipation and management of these episodes, European guidelines and the scientific community urge administrations to transition from traditional deterministic chemical dispersion models to advanced prediction systems based on machine learning. However, these algorithms typically operate as a black box. If future urban mobility restrictions are to rely on these complex models, it will be essential to prevent the system from issuing pollution alerts without the ability to justify the reasoning underlying its predictions. To address this challenge, the present work proposes the design, evaluation, and integration of eXplainable Artificial Intelligence (XAI) techniques applied to air quality. Through the modeling of pollutants such as nitrogen oxides, tropospheric ozone, and toluene, the behavior of multiple predictive architectures will be audited across a broad feature space encompassing the capital's meteorology and road traffic. The deployment of XAI metrics will allow for the dissection of the algorithms' internal processes, translating their complex mathematical logic into understandable physical causality. The results have demonstrated the feasibility of anticipating air quality in Madrid with a high level of reliability, supported by the integration of meteorological data and road traffic flows. The application of XAI has certified that the internal reasoning of the algorithms aligns with the real physics of the pollutants, confirming that the models assimilate legitimate atmospheric dynamics despite relying on only a single quarter of recorded data. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/40130 2026-01-01T00:00:00Z http://hdl.handle.net/10498/40081 Framework basado en Deep Learning para el Análisis Automatizado de Ecografías Cerebrales Neonatales García-Matarredona Urbano, Claudia Durante años, el análisis automatizado de ecografías cerebrales neonatales ha representado una línea de investigación activa. Sin embargo, con el avance y consolidación del aprendizaje profundo, han surgido nuevas oportunidades para abordar problemas previamente considerados complejos o difíciles de resolver. Este trabajo es el resultado de una colaboración entre el Departamento de Ingeniería Informática de la Universidad de Cádiz y el Servicio de Pediatría del Hospital Universitario Puerta del Mar, que ha proporcionado un conjunto de neuroecografías tridimensionales reales. El objetivo principal es investigar y evaluar distintas estrategias basadas en aprendizaje profundo para lograr la clasificación automática de volúmenes patológicos y no patológicos. Además, se plantea explorar algoritmos para la segmentación macroestructural y realizar un estudio de viabilidad sobre modelos generativos. Los experimentos realizados demostraron el elevado desempeño de las redes convolucionales, así como la eficacia de diversas técnicas complementarias, tales como el aumento de datos, el uso de funciones de penalización o la implementación de bloques de atención. Por último, todas las funcionalidades desarrolladas se integraron con éxito en un framework interactivo que facilita su uso y aplicación. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/40081 2026-01-01T00:00:00Z