GRIAL resources
Permanent URI for this communityhttps://repositorio.grial.eu/handle/123456789/1
Browse
2 results
Search Results
Item Refactoring User Interfaces Through a Data-Driven Framework: a Case Study in the Health Domain(IEEE, 2023-10-16) Vázquez-Ingelmo, Andrea; García-Holgado, Alicia; García-Peñalvo, Francisco José; Pérez-Sánchez, Pablo; Antúnez-Muiños, Pablo; Sánchez-Puente, Antonio; Vicente-Palacios, Víctor; Dorado-Díaz, Pedro Ignacio; Sánchez, Pedro LuisUser interfaces (UIs) play a crucial role in defining user experiences and influencing the success of software products. While UI design has traditionally been subjective and iterative, data-driven approaches are becoming increasingly popular to ensure that Uis meet user needs and expectations. However, contextual factors such as the application domain can present challenges for designing Uis that are both effective and efficient. This is particularly true in the health domain, where Uis must be adapted to specific tasks and user expertise to maximize the support provided by software systems. Moreover, the urgency of delivering fully functional systems in short periods can relegate UI design to a second plane. This paper presents a framework proposal for refactoring and improving Uis using a data-driven approach, providing an efficient and systematic methodology to address not solved UI issues introduced during previous software development processes. The proposed framework has been successfully applied to two medical platforms, demonstrating the importance of data-driven approaches for UI refactoring in domains with particular necessities.Item Analíticas del aprendizaje basadas en datos e inteligencia artificial en la educación superior: una revisión sistemática(IEEE, 2025-09-29) González-Pérez, Laura Icela; García-Peñalvo, Francisco José; Argüelles-Cruz, Amadeo JoséLa integración responsable de la inteligencia artificial en la educación (IAED) ofrece una oportunidad estratégica para alinear los entornos formativos con los principios de la Sociedad 5.0, potenciando la sinergia humano-tecnología en favor de una educación de calidad y del bienestar social. Este estudio presenta una revisión sistemática de 36 artículos arbitrados (2021–2025), centrados en aplicaciones educativas que emplean analíticas de aprendizaje (LA) con enfoques data-driven e integran modelos de Machine Learning (ML) como parte de su evidencia empírica. En cada estudio se identificaron tres elementos clave: el contexto de aplicación de la IAED, el enfoque data-driven adoptado y el modelo de ML utilizado. Los hallazgos revelan una desconexión entre los modelos de IA empleados y los datos educativos, los cuales, en muchos casos, se reducen a logs de acceso a calificaciones capturadas manualmente, que no permiten medir procesos cognitivos de manera profunda. Esta limitación compromete tanto la capacidad de los modelos ML para entrenarse de manera efectiva como su utilidad para ofrecer intervenciones pedagógicas útiles, como pueden ser rutas de aprendizaje personalizadas, retroalimentación en tiempo real, detección temprana de dificultades y seguimiento y visualización. Otro hallazgo relevante es la ausencia de marcos psicopedagógicos integrados a estándares de calidad y de gobernanza de datos, indispensables para avanzar hacia enfoques prescriptivos y éticos, coherentes con las metas de aprendizaje. Se recomienda que los líderes educativos promuevan aplicaciones de IAED sustentadas en marcos de gestión de datos y ética, asegurando métricas válidas y confiables que impulsen una educación más equitativa e inclusiva.