Revista Facultad de Ingeniería

EVALUATION OF FAIR PRINCIPLES IN RESEARCH DATA REPOSITORIES AT COLOMBIAN UNIVERSITIES

ABSTRACT The volume of data generated in research processes represents an opportunity for collaborative work, scientific advancement, and integration into the open science movement. This is facilitated by the reuse of data for purposes such as reproducibility, among others. The main goal is to identify the landscape of research data repositories as a strategy for sharing or publishing research data from higher education institutions (HEIs) in Colombia. The research data repositories (RDR) in Colombian universities listed in the SCImago Journal Rank and the Papyrus meta-repository were analyzed, along with their respective datasets. Subsequently, the implementation of the FAIR principles (Findable, Accessible, Interoperable, Reusable) in these repositories was evaluated. It was found that although there are institutional repositories, there are few RDR. However, the initiatives to share datasets are evident when evaluating the FAIR principles, as indicated by the level of completeness found in these HEIs. It is concluded that initiatives like Papyrus in Colombia serve as platforms for indexing and making visible RDRs in Colombia, with significant contributions from HEIs. The implementation of the FAIR principles promotes the integration and sharing of data for open science.

RESUMEN El volumen de datos generados en los procesos de investigación se constituye como una posibilidad de trabajo colaborativo, avance de la ciencia e integración al movimiento de ciencia abierta, lo cual se viabiliza a partir del reúso con fines de reproducibilidad que se puede dar a estos datos, entre otros. El objetivo de este trabajo fue identificar el panorama de los repositorios de datos de investigación (RDI) como estrategia de compartición o disponibilización de datos de investigación de las instituciones de educación superior (IES) en Colombia. Para ello, se analizó la existencia de RDI en universidades colombianas encontradas en el SCImago Journal Rank y en el meta-repositorio Papyrus y sus conjuntos de datos. Posteriormente, se evaluó la implementación de los principios FAIR (Findable, Accesible, Interoperable, Reusable) en dichos repositorios. Se encontró que, aunque existen repositorios institucionales, son pocos los RDI, no obstante, son claras las iniciativas de compartición de conjuntos de datos que se evidencian al evaluar los principios FAIR, debido al nivel de completitud encontrado en dichas IES. Se concluye que iniciativas como Papyrus en Colombia se presentan como plataformas de indexación y visibilidad de los RDI en Colombia, con alta contribución de las IES y la implementación de los principios FAIR favorecen la integración y compartición de datos para la ciencia abierta.

Recommendations for Publishing and Retrieving Online Educational Resources: Results of a Domain Ontology

RESUMEN El crecimiento exponencial de la información en la web ha generado un desafío en la organización, gestión y búsqueda de recursos. Generalmente se debe a que, en muchos casos, los recursos publicados en la web no poseen la estructura adecuada o no están descritos de forma apropiada imposibilitando su relación con otros de su mismo tipo, siendo crítico cuándo se hacen búsquedas relacionadas con recursos educativos en las que prima la urgencia y sobre todo la necesidad de contar con información clara y confiable de forma que sean utilizados por el usuario que lanza la búsqueda. Este trabajo aborda la importancia de establecer una guía de recomendaciones para gestionar los recursos educativos en línea, promoviendo la interoperabilidad y facilitando la búsqueda con el objetivo de optimizar la experiencia tanto de los creadores como de los consumidores de contenido. Estas recomendaciones fueron el resultado de la definición de dominio específico sobre la publicación y recuperación de recursos educativos. Para su construcción se realizaron tres iteraciones aplicando el método de patrón de investigación iterativo. En consecuencia, al realizar los pasos de esta guía se obtuvieron beneficios como mejor interpretación y comprensión de los recursos por parte de la máquina, reutilización e interoperabilidad, enlazabilidad y acceso.

ABSTRACT The exponential growth of information on the web poses a challenge regarding the organization, management, and search for resources. In many cases, the resources published on the web do not have the correct structure or are not described appropriately, thus making it difficult to link them to other resources of the same type. This is critical when searching for educational resources because sometimes urgency prevails and, above all, clear and reliable information is needed so that it can be used by the user who launches the search. This work addresses the need to establish a guide to manage online educational resources, promote interoperability, and ease the search, as well as to optimize the experience of both content creators and consumers. These recommendations resulted from defining a specific domain for the publication and recovery of educational resources. Three iterations were carried out for its construction, applying the Iterative Research Pattern method. Consequently, following the steps in the guide yielded benefits such as better interpretation and understanding of resources by machine, reuse and interoperability, linkability, and access.

Explainable Artificial Intelligence tools used in ensemble methods: A systematic literature review

RESUMEN Los modelos de aprendizaje automático se utilizan cada vez más por su alto rendimiento predictivo. Sin embargo, en ámbitos críticos como la salud, la seguridad y la defensa y las finanzas existe una necesidad urgente de modelos que también sean explicables. Por lo general, los modelos más complejos (como las redes neuronales profundas y los ensambles) obtienen los mejores resultados en problemas de gran envergadura. Pese a esto, su falta de transparencia limita su aplicación en áreas donde se requiere comprender el proceso de toma de decisiones. Teniendo en cuenta que los modelos de ensamble obtienen los mejores rendimientos en diversas aplicaciones -como se aprecia en las competencias de Kaggle, en particular XGBoost-, en este artículo se presenta una revisión sistemática de los artículos publicados entre el 2019 y el 2024, relacionados con el uso de herramientas de Explicabilidad de la Inteligencia Artificial (XAI) en modelos de ensamble. La metodología seguida para la revisión se basó en las directrices propuestas por Kitchenham et al. que consideran la planeación y la ejecución de la revisión junto con el reporte de los resultados obtenidos. Los resultados de la investigación permiten comprender los beneficios y desafíos del uso de XAI en los ensambles para apoyar la toma de decisiones y contribuir al derecho social de la explicación de estas. Además, al identificar las áreas en las que se está investigando y los contextos donde más se aplica, se visibilizan otras áreas de oportunidad para futuras investigaciones. Se concluye que existen herramientas y enfoques prometedores que permiten una mejor comprensión de la lógica de los modelos de ensamble y una mayor transparencia en los resultados, y se identifican áreas de mejora y la necesidad de continuar investigando para abordar los desafíos asociados con la explicabilidad de los modelos de ensamble.

ABSTRACT Machine Learning models are increasingly used due to their high predictive performance. However, in critical areas such as healthcare, security and defense, and finance, there is an urgent need for models that are also explainable. Generally, more complex models -such as Deep Neural Networks and ensemble methods- achieve the best results in high-complexity problems; nevertheless, their lack of transparency limits their application in areas that require understanding the decisionmaking process. Given that ensemble models achieve the best performance in various applications (as seen in Kaggle competitions, particularly XGBoost), this paper presents a systematic literature review of articles published between 2019 and 2024 on the use of Explainable Artificial Intelligence (XAI) tools in ensemble models. The methodology is based on the guidelines proposed by Kitchenham and others, which include planning and execution of the review along with reporting the results obtained. Research results shed light on the benefits and challenges of using XAI in ensemble models to support decision-making and contribute to the social right of explaining such decisions. In addition to identifying research areas and contexts where these models are most applied, opportunities for future research are highlighted. It concludes that there are promising tools and approaches that enable a better understanding of the logic behind these models and greater transparency in results; it also identifies areas for improvement and the need to continue researching to address the challenges associated with the explainability of ensemble models

ARTIFICIAL INTELLIGENCE AS A SUPPORTING TOOL IN STAFF SELECTION FOR BUSINESSES IN THE CONSTRUCTION SECTOR

ABSTRACT High staff turnover, influenced by the temporality and complexity of projects, poses significant operational and economic challenges. This research analyzes the integration of artificial intelligence (AI) in talent acquisition processes, given the existing relationship between staff selection and turnover. The main objective is to particularly focus on the construction and project management sectors. Through a bibliometric analysis and a systematic review based on the PRISMA guidelines, trends, tools, and applications regarding AI in recruitment are identified. The results underscore the potential of AI for automating tasks, optimizing the evaluation of candidates, and improving decision-making. However, some associated risks are recognized, such as the handling of biases, ethical concerns, and the need for clear regulations. This research demonstrates that AI can transform staff selection processes by improving their efficiency and aligning candidate selection with organizational objectives. In addition, it provides a basis for future research in sectors such as construction, where characteristics demand innovative and strategic solutions.

RESUMEN La alta rotación de personal, influenciada por la temporalidad y la complejidad de los proyectos, representa riesgos significativos tanto operativos como económicos. Esta investigación analiza la integración de la Inteligencia Artificial (IA) en los procesos de adquisición de talento, debido a la relación que existe entre la selección y la rotación de personal, principalmente se pretende dar un enfoque particular en el sector construcción y la gestión de proyectos. A través de un análisis bibliométrico y una revisión sistemática basada en las directrices PRISMA, se identificaron tendencias, herramientas y aplicaciones de la IA en el reclutamiento. Los resultados destacan el potencial de la IA para automatizar tareas, optimizar la evaluación de candidatos y mejorar la toma de decisiones. Sin embargo, se reconocen desafíos asociados, como el manejo de sesgos, preocupaciones éticas y la necesidad de normativas claras. Esta investigación demuestra que la IA puede transformar los procesos de selección de personal, aumentando la eficiencia y alineando la selección de candidatos con los objetivos organizacionales. Además, proporciona una base para futuras investigaciones en sectores como la construcción, donde las características particulares exigen soluciones innovadoras y estratégicas.

MICROSTRUCTURAL BEHAVIOR OF 316L AUSTENITIC STAINLESS STEEL UNDER GROOVE PRESSING (GP)

ABSTRACT The microstructural behavior of 316L austenitic stainless steel sheets subjected to severe plastic deformation (SPD) by the constrained groove pressing (CGP) technique without mass flow limitation up to 4 passes was analyzed. Two tool steel dies were used: a corrugated die with geometry (t = 2 mm and angle of 45°) and a flat die generating a maximum equivalent deformation of £~4.64. The microstructural behavior was analyzed using characterization techniques: Scanning Electron Microscopy (SEM), X-ray Diffraction (XRD), and Electron Backscatter Diffraction (EBSD). The results were analyzed from three different perspectives: 1. SEM was used to evaluate the presence of martensite induced by deformation. 2. The presence of martensite of the £ and a' types were confirmed by XRD, and 3. The effect of severe plastic deformation on the behavior of the austenitic grain in a steel with an SFE=28 mJ/m2 was analyzed by EBSD. The results showed a significant reduction in the austenitic grain size in the presence of special I3-type boundaries. Regarding the deformation mechanisms, the presence of dislocation gliding and mechanical twinning was observed, with the transformation of austenite twinning austenite - martensite (a').

RESUMEN El comportamiento microestructural de placas de acero inoxidable austenítico 316L sometido a deformación plástica severa (SPD) mediante la técnica de presión calibrada restringida son limitación en el flujo masico (GP) hasta 4 pases fue analizada. Para esto se utilizaron 2 matrices de acero para herramientas, una matriz corrugada con una geometría (t =2 mm y ángulo de 45°) y otra matriz plana, lo cual generan una deformación máxima equivalente de £ ~ 4,64. El comportamiento microestructural se analizó mediante técnicas de caracterización tales como: microscopía electrónica de barrido (SEM), difracción de rayos X (XRD) y difracción de electrones retrodispersados (EBSD). Los resultados se analizaron desde tres puntos de vista diferentes: 1. Mediante SEM se evaluó la presencia de martensita inducida por deformación. 2. Mediante DRX se ratificó la presencia de martensita del tipo £ y a' y 3. Mediante EBSD se analizó el efecto de la deformación plástica severa sobre el comportamiento del grano austenítico en un acero con una SFE=28 mJ/m2. Los resultados mostraron una reducción significativa del tamaño de grano austenítico con presencia de limites especiales del tipo 13. En cuanto a los mecanismos de deformación, se observó la presencia el deslizamiento de las dislocaciones y maclado mecánico, con transformación de austenita - austenita maclada - martensita (a').

RECOMMENDATION SYSTEM FOR PERSONALIZED NUTRITIONAL SOLUTIONS USING MACHINE LEARNING TECHNIQUES

ABSTRACT This study develops an advanced recommendation system for personalized nutritional solutions using machine learning techniques to optimize dietary planning. Based on a dataset that includes individual characteristics such as age, weight, height, body mass index, medical conditions, and nutritional goals, predictive models were built using algorithms like LightGBM, Random Forest, XGBoost, SVC, and Multi-Layer Perceptrons. Among these, LightGBM demonstrated the best performance, achieving a weighted F1-Score of 0.972 and an AUC of 0.997, showing high discrimination and accuracy. The system was complemented by an interactive interface designed to facilitate adoption by non-technical users, offering realtime recommendations. The results highlight the potential of artificial intelligence to transform personalized nutrition, improving health and well-being through data-driven interventions.

RESUMEN El presente trabajo desarrolla un sistema de recomendación avanzado para soluciones nutricionales personalizadas, utilizando técnicas de aprendizaje automático para optimizar la planificación dietética. A partir de un conjunto de datos que incluye características individuales como edad, peso, altura, índice de masa corporal, condiciones médicas y objetivos nutricionales, se construyeron modelos predictivos basados en algoritmos como LightGBM, Random Forest, XGBoost, SVC y Multi-Layer Perceptrons. Entre estos, LightGBM mostró el mejor rendimiento, alcanzando un Fl-Score ponderado de 0.972 y un AUC de 0.997, demostrando alta capacidad de discriminación y precisión. El sistema fue complementado con una interfaz interactiva diseñada para facilitar la adopción por parte de usuarios no técnicos, ofreciendo recomendaciones en tiempo real. Los resultados subrayan el potencial de la inteligencia artificial para transformar la nutrición personalizada, mejorando la salud y el bienestar a través de intervenciones basadas en datos.

Open-Source Software to Control and Monitor Ultrasonic Transducers in Biofluids: Local Storage and Real-Time Data Processing

RESUMEN El desarrollo de sistemas rápidos y precisos para la caracterización de biofluidos es cada vez más relevante debido a la complejidad de sus cinéticas y las dinámicas moleculares que ocurren en su interior. Estas interacciones reflejan los cambios estructurales de los biopolímeros al interactuar con otros agentes. Monitorear estos procesos es fundamental para comprender los mecanismos subyacentes de dichas interacciones. Este estudio presenta una solución de software de código abierto diseñada para controlar y monitorear transductores ultrasónicos para la medición en tiempo real de las propiedades de los biofluidos. El software, desarrollado en Python, se integra con hardware personalizado para realizar barridos de frecuencia 650 % más rápidos que los dispositivos comerciales como el LCR-8101G, reduciendo el tiempo de adquisición de datos a 0.169 segundos por muestra. Esta mejora significativa permite estudios cinéticos detallados de biofluidos, como se demuestra en la caracterización de las interacciones entre Albúmina Bovina (BSA) y urea. El diseño modular del sistema permite la fácil integración de sensores adicionales, como sondas de temperatura, que pueden mejorar el proceso de caracterización al proporcionar datos más completos. Además, la compatibilidad del software con modelos de aprendizaje automático abre la posibilidad de capacidades predictivas avanzadas lo que, potencialmente, permite la identificación en tiempo real de las propiedades de los biofluidos basándose en la respuesta ultrasónica. Los resultados de este estudio, en términos de tiempo de ejecución, validan la eficacia del software para acelerar la adquisición de datos sin comprometer la sensibilidad, convirtiéndolo en una herramienta valiosa para los investigadores que estudian fenómenos evolutivos en biofluidos. El trabajo futuro se centrará en expandir aún más las capacidades del sistema, estandarizar el software para una adopción más amplia y explorar su aplicación en diversos escenarios experimentales con el propósito de mejorar la comprensión del comportamiento de los biofluidos bajo diferentes condiciones.

ABSTRACT The development of fast and precise systems for biofluid characterization has become increasingly important due to the complexity of their kinetics and the dynamic molecular interactions within them. These interactions reveal structural changes in biopolymers when interacting with other agents. Monitoring these processes is essential to understand the underlying mechanisms of such interactions. This study presents an open-source software solution designed to control and monitor ultrasonic transducers and real-time measurement of biofluid properties. It was developed in Python and integrated with custom hardware to perform frequency sweeps 650% faster than commercial devices such as the LCR-8101G; therefore, it reduces data acquisition time to 0.169 seconds per sample. This improvement enables detailed kinetic studies of biofluids, as demonstrated by the characterization of Bovine Serum Albumin (BSA)-urea interactions. The system's modular design allows for easy integration of additional sensors, such as temperature probes, which can enhance the characterization process by providing more comprehensive data. Furthermore, the software's compatibility with machine learning models opens the door to advanced predictive capabilities, potentially allowing for real-time identification of biofluid properties based on ultrasonic response. The findings of this study validate the effectiveness of the software in accelerating data acquisition without compromising sensitivity; hence, it is a valuable tool for researchers studying evolving phenomena in biofluids. Future work will focus on further expanding the system's capabilities, standardizing the software for broader adoption, and exploring its application in various experimental scenarios to enhance the understanding of biofluid behavior under different conditions.