DSpace 9
DSpace is the world leading open source repository platform that enables organisations to:
- easily ingest documents, audio, video, datasets and their corresponding Dublin Core metadata
- open up this content to local and global audiences, thanks to the OAI-PMH interface and Google Scholar optimizations
- issue permanent urls and trustworthy identifiers, including optional integrations with handle.net and DataCite DOI
Join an international community of leading institutions using DSpace.
The test user accounts below have their password set to the name of this software in lowercase.
- Demo Site Administrator = dspacedemo+admin@gmail.com
- Demo Community Administrator = dspacedemo+commadmin@gmail.com
- Demo Collection Administrator = dspacedemo+colladmin@gmail.com
- Demo Submitter = dspacedemo+submit@gmail.com
Communities in DSpace
Select a community to browse its collections.
- W-STEM
- Supporting Culturally Responsive Leadership and Evaluation in Schools
- A Digital Ecosystem Framework for an Interoperable NEtwork-based Society (DEFINES)
- Evaluation environment for fostering intercultural mentoring tools and practices at school
Recent Submissions
Inteligencia híbrida: retos y límites de la automatización con inteligencia artificial
(Grupo GRIAL, 2026-07-17) García-Peñalvo, Francisco José
Conferencia plenaria invitada de 0,5 horas de duración, impartida en las I Jornadas Internacionales sobre Utilización de Recursos Tecnológicos y Técnicas de Inteligencia Artificial Aplicadas a la Neuropsicología y la Neurología: Retos y Oportunidades, celebradas en la Escuela Politécnica Superior de la Universidad de Burgos el 17 de julio de 2026.
Se plantea una idea central: el futuro de la inteligencia artificial en la educación no debería orientarse a sustituir a docentes y estudiantes, sino a construir sistemas de inteligencia híbrida en los que las capacidades humanas y artificiales se complementen. Frente al mito de una automatización total, se propone pasar de una visión de reemplazo a otra de ampliación. La IA puede asumir tareas repetitivas, analizar grandes volúmenes de datos o generar contenidos, mientras que las personas mantienen el propósito, el juicio crítico, la creatividad, la empatía y la responsabilidad en la toma de decisiones.
La inteligencia híbrida se define como la capacidad de alcanzar objetivos complejos combinando inteligencia humana y artificial, con resultados superiores a los que cada una obtendría por separado. Esta colaboración exige distribuir adecuadamente el control. El modelo de seis niveles de automatización muestra un continuo que abarca desde la actuación exclusiva del profesorado hasta la automatización total. En educación, la automatización condicional se presenta como el punto de equilibrio más razonable: la tecnología puede actuar con cierta autonomía, pero el ser humano conserva la supervisión y puede recuperar el control en cualquier momento.
Este enfoque también amplía el significado del aprendizaje híbrido. Ya no se trata únicamente de combinar presencialidad y formación en línea, sino de integrar espacios, IA, datos y responsabilidad. Los datos pueden provenir de plataformas educativas, de trabajos del alumnado y de señales multimodales. Sin embargo, más datos no significan necesariamente un mejor aprendizaje. Las evidencias directas, como las interacciones y los productos elaborados, deben tener prioridad frente a señales biométricas o conductuales, cuyo uso puede introducir vigilancia, errores de interpretación, sesgos y riesgos para la privacidad.
La adopción de la IA debe ajustarse al impacto de cada actividad. En tareas de bajo riesgo puede servir como apoyo responsable para generar borradores, ejemplos o retroalimentación inicial. En situaciones de colaboración guiada debe existir trazabilidad, revisión crítica y aportación humana significativa. Cuando la IA interviene en la evaluación, la acreditación o en decisiones sensibles, son necesarias evidencias de autoría, auditorías, revisión humana y controles reforzados. Cuanto mayor sea el impacto, mayor debe ser el rigor documental.
Se advierte también sobre tres problemas frecuentes: la desconexión entre los modelos y la realidad pedagógica, la fragilidad metodológica de algunas investigaciones y la falta de confianza causada por sistemas opacos. Por ello, la alfabetización en IA no puede reducirse al manejo instrumental. Requiere verificar los resultados, reconocer sesgos, comprender los límites, declarar el uso de las herramientas y mantener la agencia humana.
La propuesta final combina principios éticos, herramientas controladas por el profesorado y escenarios de adopción gradual. La tecnología debe adaptarse a la pedagogía, y no al contrario. El objetivo es avanzar hacia una IA educativa con más humanidad, más evidencia y más responsabilidad.
Este resumen se ha generado con ChatGPT 5.6 Sol (inteligencia media) el 14 de julio de 2026, tomando como fuente la presentación para la conferencia y, posteriormente, ha sido revisado y corregido por el autor.
IA e Investigación educativa: Consideraciones éticas
(Grupo GRIAL, 2026-07-09) García-Peñalvo, Francisco José
La conferencia “IA e Investigación educativa: Consideraciones éticas” se ha impartido en la Escuela de Verano SEP – Iniciarse en el proceso de investigación educativa: Claves para el Doctorado, celebrada en el Campus María Zambrano de Segovia de la Universidad de Valladolid el día 9 de julio de 2026, con una duración de 1 hora.
La conferencia plantea una cuestión muy concreta: la inteligencia artificial ya forma parte del trabajo investigador, pero su presencia no convierte la investigación en un proceso automático. En educación, donde se trabaja con personas, datos sensibles, trayectorias formativas y decisiones con impacto real, usar IA exige algo más que la habilidad técnica: criterio.
La IA generativa puede ayudar en muchas fases del ciclo de investigación. Puede servir para organizar tareas, explorar ideas, formular hipótesis iniciales, revisar la literatura, redactar borradores, traducir, programar, clasificar información o visualizar datos. Bien empleada, permite ganar tiempo para pensar mejor. Pero ese es precisamente el punto: no debe usarse para pensar menos. Su valor académico se evidencia cuando libera carga operativa sin desplazar la responsabilidad intelectual del investigador.
El problema no es solo ético. También es científico. Una respuesta plausible no equivale a evidencia. Las alucinaciones, las referencias inventadas, los sesgos ocultos, la falsa objetividad o la dependencia cognitiva pueden deteriorar la calidad del conocimiento producido. En una tesis, pedirle a la IA que complete lo que no se ha leído genera una deuda epistémica difícil de detectar. Por eso, toda cita, dato, categoría o inferencia relevante debe contrastarse con fuentes primarias, el diseño metodológico y el juicio experto.
La privacidad ocupa un lugar central. Antes de entregar información a una herramienta, hay que preguntarse qué datos se comparten: personales, sensibles o institucionales. En investigación educativa, subir transcripciones completas, datos de menores, observaciones de aula identificables o información contextual reidentificable puede cruzar una línea roja. La regla práctica es clara: anonimizar, minimizar, justificar y documentar antes de procesar.
La conferencia también conecta estas decisiones con marcos de referencia como la UNESCO, la AI Act, el Safe AI in Education Manifesto, el ICMJE, el COPE y las guías editoriales de Wiley. Todos convergen en ideas similares: supervisión humana, confidencialidad, transparencia, declaración de uso, revisión crítica y responsabilidad no delegable.
La conclusión es sencilla y exigente. La IA puede asistir, pero no puede ser autora, directora metodológica ni garante ética. La decisión final, la interpretación, la defensa del proceso y la rendición de cuentas siguen siendo humanas. Sin un humano en el bucle, no hay investigación educativa rigurosa, explicable y defendible.
Dirección y tutorización de tesis doctorales
(Grupo GRIAL, 2026-06-02) García-Peñalvo, Francisco José
Curso impartido en el ICE de la Universidad Politécnica de Madrid (ETSI Caminos) el día 2 de junio de 2026, dentro del Plan de Formación del Profesorado del Curso 2025-2026, con una duración de 2 horas.
En este seminario se plantea la dirección doctoral como una práctica de gobierno académico que combina supervisión científica, cumplimiento normativo y acompañamiento profesional. El seminario parte del marco regulador del doctorado en España, con especial atención al Real Decreto 99/2011 y sus modificaciones, así como a la normativa universitaria, la escuela de doctorado y los requisitos propios de cada programa. La idea central es que no se acepta solo un tema de tesis, sino una relación de trabajo viable, regulada y evaluable.
El curso organiza el proceso de dirección en trece bloques. Comienza con el marco normativo, el tiempo de permanencia y la entrevista inicial, entendida como un filtro para valorar el encaje científico, la motivación, los recursos, la disponibilidad, las expectativas, los riesgos éticos y la compatibilidad de los estilos de trabajo. A partir de ahí, se aborda el acuerdo de supervisión, con reglas explícitas sobre reuniones, entregas, revisión de textos, autoría, datos, confidencialidad, IA y resolución de conflictos. La presentación concede un espacio específico a los roles del director/a, tutor/a, comisión académica y doctorando/a, así como al diseño estratégico de la codirección, que debe justificarse por su valor real y no por cortesía académica.
El primer año aparece como un momento decisivo: debe elaborar un plan de investigación, un plan de formación personal y un documento de actividades que permitan hacer visible el progreso. Se profundiza en la construcción de la tesis desde la idea hasta la estructura: estado de la cuestión, preguntas, objetivos, hipótesis, metodología y evidencias. La revisión bibliográfica se presenta como una tarea continua, orientada a situar la tesis y justificar su aportación, mientras que las evidencias de progreso incluyen publicaciones, congresos, borradores, datos, código, estancias, formación e informes de reuniones.
La presentación también incorpora internacionalización, cotutela, mención industrial, ciencia abierta, ciencia ciudadana e IA generativa. En estos apartados se insiste en la planificación temprana, la transparencia, la trazabilidad, la protección de datos y la responsabilidad humana. Finalmente, el depósito y la defensa se entienden como fases que se preparan desde el inicio: informes externos, subsanación, control de originalidad, propuesta de tribunal, depósito y defensa pública. El seminario culmina con un kit operativo de plantillas para aceptar una dirección, entrevistar al doctorando, protocolizar la codirección, hacer seguimiento anual, planificar la formación y gestionar datos de investigación
AI Governance Strategies: A University Perspective
(GRIAL Research Group, 2026-05-13) García-Peñalvo, Francisco José
Keynote at the T4E Transformational Leadership Programme, held 13-14 May 2026 in the University of Alicante, Spain.
This keynote argues that universities must move beyond viewing artificial intelligence as a mere technological trend and recognise it as a core challenge for institutional governance, digital transformation, and academic responsibility. The presentation begins by framing digital transformation and AI as key terms in higher education government, but immediately questions a technology-centred view. Digital transformation is presented not only as the optimisation of processes through technology, but as a change in mindset, operating models, and institutional culture. Its central element is people, not tools.
The talk then defines the real challenge for universities: rethinking digital transformation from digitising processes to governing AI-enabled sociotechnical ecosystems with meaningful human oversight. AI is shown as affecting the three main university functions: teaching, administration, and research. In teaching, it enables personalised learning and engagement; in administration, automation and efficiency; and in research, data analysis and discovery acceleration. However, the presentation stresses that AI also creates risks: bias, opacity, legal non-compliance, privacy breaches, academic integrity concerns, dependence on third-party providers, and uneven access.
A major section focuses on responsible AI adoption through the Safe AI in Education Manifesto, whose principles include human oversight, confidentiality, alignment with educational strategies and didactic practices, accuracy, explainability, comprehensible interfaces, ethical model training, and transparency. These principles map to university governance strategies: human-oriented, infrastructure-oriented, and a governance/assurance layer. The presentation also highlights the need for ethical AI policies, critical AI literacy, communities of practice, and shared good practices.
The keynote further explores the strategic dilemma between relying on third-party proprietary tools and developing one’s own infrastructure based on open LLMs. It argues that there is no single best option: universities must evaluate privacy, cost, internal capacity, transparency, auditability, deployment speed, and strategic autonomy. In-house intelligent applications, such as learning assistants, are presented as examples of governed institutional services.
The closing message is that AI governance must be strategic, participatory, and ethical. Universities should not merely adopt AI systems but build an AI-augmented academic culture grounded in values, critical engagement, institutional responsibility, and human-centred innovation.
El papel de las instituciones para garantizar la equidad en el conocimiento y en el acceso a la inteligencia artificial
(Grupo GRIAL, 2026-06-18) García-Peñalvo, Francisco José
Participación en la sesión “Equidad en el conocimiento e IA: ecosistemas colaborativos y soberanía informacional en la adopción de la IA generativa”, organizada por la Knowledge Equity Network (KEN), la Open Education Latin America (OELATAM) y la Universidad Nacional del Sur (UNS) de Argentina, celebrada online el 18 de junio de 2026, con una duración de una hora.
Mi intervención sitúa la equidad en el conocimiento y el acceso a la inteligencia artificial como una responsabilidad institucional, no como una consecuencia automática de la disponibilidad tecnológica. El punto de partida es que las universidades deben repensar su transformación digital: ya no basta con digitalizar trámites o incorporar herramientas aisladas, sino que deben gobernar ecosistemas sociotécnicos habilitados por la Inteligencia Artificial (IA), con supervisión humana significativa, criterios de calidad académica y rendición de cuentas.
Desde esta perspectiva, la IA puede contribuir a la excelencia educativa en la docencia, la administración y la investigación, pero solo si se integra con sentido pedagógico, garantías éticas y capacidad institucional. El Manifiesto para una IA segura en la educación ofrece un marco operativo basado en siete principios: supervisión humana, confidencialidad, alineación con las estrategias educativas y las prácticas didácticas, precisión y explicabilidad, interfaces comprensibles, formación ética y transparencia. Estos principios deben traducirse en políticas, procesos y decisiones de gobernanza que conecten la innovación con la equidad.
Un eje central de la intervención es la alfabetización crítica en IA generativa. La formación de estudiantes, profesorado y personal de gestión no debe limitarse al manejo instrumental de herramientas, sino que debe orientarse a verificar antes de adoptar, proteger la privacidad, promover la inclusión, mantener explícita la agencia humana y documentar los procesos de toma de decisiones. Las comunidades de práctica y la compartición de buenas prácticas son claves para construir conocimiento colectivo, contextualizado y transferible.
También se aborda la tensión entre la dependencia de productos externos y el desarrollo de infraestructuras propias basadas en modelos abiertos. No existe una única opción óptima: cada institución debe evaluar la privacidad, la protección de datos, los costes, la capacidad interna, la velocidad de despliegue, las necesidades de personalización, la transparencia, la auditabilidad y la autonomía estratégica. En muchos casos, las estrategias híbridas serán las más realistas, siempre que estén cuidadosamente gobernadas.
Finalmente, se presentan los asistentes LAMB como ejemplo de infraestructura abierta para crear asistentes de IA integrados en sistemas de gestión del aprendizaje. Este enfoque permite desplegar asistentes vinculados a bases de conocimiento institucionales, con control docente, trazabilidad, revisión de interacciones y orientación al aprendizaje. La tesis central es que la IA generativa puede servir a la equidad si las universidades asumen la soberanía informacional, la gobernanza responsable, la formación crítica y la colaboración abierta como condiciones para una adopción con un impacto sostenible, verificable y alineado con la misión pública.