GRIAL resources
Permanent URI for this communityhttps://repositorio.grial.eu/handle/123456789/1
Browse
1381 results
Search Results
Item Model of Characterization of Teamwork Competence Based on Three Types of Capabilities(Springer, 2025-07-15) Fidalgo-Blanco, Ángel; Sein-Echaluce, María Luisa; Fonseca, David; García-Peñalvo, Francisco Joséhere are various teamwork models with different orientations regard-ing the conceptual model, member involvement, evidence management, and even the training process for acquiring teamwork-related skills. This research defines a hybrid model that integrates the two main theoretical models (focused on group achievements and team member involvement) and an open-box method (with continuous generation and verification of both group and individual evidence). Therefore, teamwork competence is associated with a set of capabilities of dif-ferent types, classified into three main categories: group, individual, and general (soft skills), which are related to teamwork but not exclusive to it. This paper also presents the evidence that allows for continuous and transparent training and evaluation of these three types of capabilities.Item Integrating Individual and Collective Skills: A Rubric-Based Model for Teamwork Competence Assessment(Springer, 2024-06-29) Sein-Echaluce, María Luisa; Fidalgo-Blanco, Ángel; García-Peñalvo, Francisco José; Fonseca Escudero, DavidThe competence of teamwork comprises a set of skills that enable the assessment of teamwork evolution (collective skills) and the involvement of each team member (individual skills). In most research works, these skills are grouped without making this distinction between collective and individual skills. In this study, collective skills are associated with the different phases that constitute the evolution of teamwork, allowing for the identification of the precise moment when such a skill should be applied. Individual skills are applied in all phases of teamwork, as they measure individual involvement and responsibility, along with the competencies necessary at an individual level to develop teamwork. This work presents a rubric that associates phases, evidence, technology, and indicators and allows educators to measure the degree of acquisition of each and collective skill. The method used for the development of teamwork has been the Comprehensive Training Model of the Teamwork Competence, which supports both the continuous and transparent creation of evidence of teamwork development by the teams and each of their members, as well as the continuous monitoring of this development by educators.Item Enhancing Learning Assistant Quality Through Automated Feedback Analysis and Systematic Testing in the LAMB Framework(Springer, 2025-06-22) Alier-Forment, Marc; Pereira-Valera, Juanan; Casañ-Guerrero, María José; García-Peñalvo, Francisco Joséhe Learning Assistant Manager and Builder (LAMB) is an open-source software framework that lets educators build and deploy AI learning assis-tants within institutional Learning Management Systems (LMS) without cod-ing expertise. It addresses critical challenges in educational AI by providing privacy-focused integration, controlled knowledge bases, and seamless deploy-ment through standard protocols. This paper presents major enhancements that enable systematic quality assurance and continuous improvement of these learning assistants. The new LAMB includes mechanisms for structured feedback on real-world assistant behavior, transforming it into a test suite with curated prompts and expected correct or incorrect responses. When changes are made—such as prompt engineering, retrieval-augmented generation optimization, or knowledge base expansions—this suite enables automated validation of their impact. A key innovation is using frontier large language models (LLMs) to evaluate responses automatically, generating detailed reports that reveal improvement areas and confirm performance gains. This systematic feedback-driven testing fosters continuous refinement while preserving quality standards. Validation studies show measurable boosts in reliability and consistency. In various educational contexts, the framework identifies edge cases, maintains con-sistency across iterations, and provides actionable insights. Automated testing is especially beneficial for assistants with extensive knowledge bases and complex interaction patterns. This work advances educational AI by providing a robust methodology for quality assurance and ongoing improvement of learning assistants. Its structured feedback and automated evaluations ensure alignment with educational goals while refining assistants over time. The enhanced LAMB framework offers a scalable and reliable solution for educators aiming to integrate AI-driven support into their LMS environments.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 D-AI-COM: A DICOM Reception Node to Automate the Application of Artificial Intelligence Scripts to Medical Imaging Data(Springer, 2024-05-01) Vázquez-Ingelmo, Andrea; García-Holgado, Alicia; García-Peñalvo, Francisco José; Pérez-Sánchez, Pablo; Sánchez-Puente, Antonio; Vicente-Palacio, Víctor; Dorado-Díaz, Pedro Ignacio; Sánchez, Pedro LuisArtificial Intelligence (AI) has proven to be useful in several fields. The medical domain is one of the fields that benefits from the application of AI methods to automate and ease complex tasks including disease detection, segmentation, assessment of organ functions, etc. However, applying these kinds of methods to the variety of data formats involved in health contexts is not trivial. It is necessary to provide technologies that enable non-expert users to benefit from AI applications. This work presents a platform that acts as a DICOM reception node with the goal of automating the application of AI algorithms to medical imaging data. This platform is set to ease the process applying AI to their DICOM images by making the whole process transparent and straightforward for users without AI-related or programming skills.Item AI-Powered DICOM Image Segmentation: A Collaborative Platform for Continuous Expert Feedback(Springer, 2026-03-01) Santos-Blázquez, Pablo; Vázquez-Ingelmo, Andrea; García-Holgado, Alicia; García-Peñalvo, Francisco José; Sánchez-Puente, Antonio; Sánchez, P. L.his work presents the development of an interactive web platform that integrates deep learning techniques for the segmentation of cardiac ultra-sound (echocardiogram) images. The platform incorporates a Picture Archiving and Communication System (PACS) to facilitate the seamless visualization, anno-tation, and automated processing of DICOM images. The web platform features an intuitive interface that allows healthcare professionals to interactively annotate medical images, providing feedback that directly informs model improvements. The system’s retraining workflow ensures that AI-driven segmentation remains adaptable to real-world clinical needs. These findings underscore the importance of iterative AI model refinement through expert feedback, paving the way for more reliable and personalized medical image analysis.Item Management and Application of AI to DICOM Image Processing: A Systematic Mapping Literature Review(Springer, 2024-07-15) Fraile-Sanchón, Rubén; Vázquez-Ingelmo, Andrea; García-Peñalvo, Francisco José; García-Holgado, AliciaArtificial intelligence (AI) has the potential to bring unprecedented benefits to humankind. Therefore, it is worth investigating how to maximize these benefits while avoiding potential pitfalls. Given this context, the first task necessary to assess the potential of this approach is to understand the management landscape and the application of AI to DICOM image processing. In this case, the researchers employ a systematic mapping review. This paper presents this process and its main findings. 35 studies have been selected from a total of 154 analyzed. From them, in addition to obtaining a clear view of the application of AI to DICOM images, we can also conclude that pre-trained AI algorithms are used in a higher amount than non-trained algorithms in terms of DICOM image usage.Item Alfabetización en IA y su impacto en el empleo(Grupo GRIAL, 2026-05-11) García-Peñalvo, Francisco JoséParticipación en el curso “La IA en la búsqueda de empleo”, organizado por el Servicio de Empleo y Emprendimiento (SIPPE) de la Universidad de Salamanca, con el tema “Alfabetización en IA y su impacto en el empleo”, de 4 horas de duración, impartido el 11 de mayo de 2026. El material de la sesión “Alfabetización en IA y su impacto en el empleo” se estructura como un recorrido que abarca desde la activación inicial del grupo hasta una comprensión básica (pero rigurosa) de la IA y, finalmente, a su aterrizaje en el mercado laboral y en la búsqueda de empleo. Empieza con una dinámica de “romper el hielo” para diagnosticar el punto de partida del alumnado: un semáforo de familiaridad con la IA (de “no he usado IA” a “la uso a menudo y sé comparar resultados”), un sondeo rápido sobre las herramientas utilizadas (ChatGPT, Gemini, Claude) y un mapa de usos reales (estudio, trabajo y búsqueda de empleo). También incorpora una “línea de posición” para debatir mitos y miedos: desde “la IA me ayuda y me da ventaja” hasta “la IA pone en riesgo mi empleo”, conectando con el contexto social del cambio tecnológico y con el “shock del futuro”. A partir de ahí, se define qué es la Inteligencia Artificial desde distintas perspectivas: se reconoce la dificultad de definirla debido a la coexistencia de paradigmas, se introduce la definición de McCarthy y se incluye la de la Comisión Europea, que enfatiza sistemas capaces de analizar su entorno y actuar con cierto grado de autonomía. Se distingue entre IA fuerte y débil, y se presentan tipologías (ANI, AGI, ASI) y ámbitos de aplicación (derecho, medicina, industria, educación, etc.), para evidenciar que la IA ya opera en múltiples dominios. El bloque “cómo funciona una IA” utiliza una analogía pedagógica (un bebé que aprende) para explicar conceptos como modelo, datos, entrenamiento y evaluación, y para diferenciar entre el aprendizaje supervisado, el no supervisado y el por refuerzo. Se introduce el ajuste fino (fine-tuning) como una especialización, lo que refuerza la idea de que no existe un modelo universalmente excelente para todo: la especialización y el contexto importan. En la parte de Inteligencia Artificial Generativa se enmarca la disrupción asociada a los grandes modelos de lenguaje (LLM) y a la popularización de las interfaces conversacionales. Se explican, de forma accesible, conceptos como token, probabilidad de la siguiente palabra, parámetros y ventana de contexto. Se ofrece un panorama de técnicas (GAN, GPT, modelos de difusión, etc.), beneficios (productividad, creatividad, aprendizaje informal) y riesgos (alucinaciones, sesgos, privacidad, dependencia, impacto ambiental), con especial atención a las alucinaciones y sus tipos: contradicciones, errores factuales o matemáticos y citas inventadas. El tramo de mercado laboral aterriza en el ATS (Applicant Tracking System): un software que recibe, parsea y organiza las candidaturas, permite filtrar por palabras clave y prioriza una lista para su revisión humana. De ahí se derivan reglas prácticas: CV legible para el sistema y convincente para la persona, secciones estándar, texto real (evitar imágenes para datos clave), ítems claros con logros medibles y palabras clave coherentes sin “relleno”. Se enseña a identificar keywords en la oferta (técnicas, transversales, tareas y “knockout”) y dónde ubicarlas en el CV. Finalmente, se presenta cómo “traduce” la IA un perfil (experiencia → competencias inferidas → evidencias/logros → keywords) y se propone un proceso guiado con herramientas: crear cuentas, probar prompts y realizar un caso completo de oferta → requisitos → viñetas STAR y versión ATS. Como cierre, se subraya que el chat parece fácil, pero la calidad depende del prompt y del contexto; y que hay que verificar, medir y mantener la autenticidad.Item Una experiencia de integración segura de inteligencia artificial generativa en educación superior mediante asistentes de aprendizaje(Observatorio de Innovación Educativa y Cultura Digital (ODITE) y Asociación Espiral, Educación y Tecnología, 2026-04-26) Alier, Marc; Casañ, María José; Llorens, Ariadna; Pereira, Juanan; García-Peñalvo, Francisco JoséEste artículo presenta LAMB (Learning Assistant Manager and Builder), framework de código abierto que permite al profesorado crear asistentes de aprendizaje basados en inteligencia artificial Generativa (IAGen) sin necesidad de programación. A diferencia de chatbots genéricos como ChatGPT, estos asistentes están controlados por el docente, se basan en fuentes de información seleccionadas y se integran de forma segura en plataformas como Moodle. La experiencia se desarrolló con 47 estudiantes de Ingeniería Informática en la FIB y EPSEVG (UPC). Utilizaron un asistente de aprendizaje para realizar un análisis PESTLE sobre el robot Optimus de Tesla. Los resultados muestran una valoración muy positiva por parte del alumnado, destacando la utilidad para encontrar información relevante, la calidad de las respuestas y el valor añadido del acceso a fuentes verificables. Este trabajo demuestra cómo la IA puede ponerse al servicio del aprendizaje centrado en el estudiante, respetando principios de privacidad, seguridad y soberanía pedagógica.Item La evaluación de los trabajos fin de estudios(Grupo GRIAL, 2026-04-08) García-Peñalvo, Francisco JoséParticipación en la mesa redonda “La evaluación de los Trabajos fin de Estudios en Psicología”, de 1,5 horas de duración, en la “Jornada para la reflexión sobre la innovación docente en Trabajos fin de Estudios en tiempos de la Inteligencia Artificial”, celebrada el 8 de abril de 2026 en el Salón de Actos de la Facultad de Psicología de la Universidad de Sevilla. La irrupción de la inteligencia artificial (IA), y en particular de la IA generativa, obliga a replantear la evaluación de los trabajos de fin de estudios (TFE). Se parte de una idea general: la universidad debe reflexionar sobre cómo cambian los conocimientos, habilidades, competencias y valores en la era de la IA, porque ya no basta con evaluar únicamente el producto final, sino que también es necesario considerar cómo se ha construido. Tras introducir la diferencia entre inteligencia artificial e IA generativa, se subraya que esta última no posee conocimiento real ni criterio propio; puede inventar información, depende del contexto que se le proporciona y siempre requiere supervisión humana. Estas limitaciones hacen inviable la aceptación acrítica de sus resultados en contextos académicos de alto impacto, como los TFE. La presentación organiza el uso de la IA en educación en tres escenarios: apoyo responsable, colaboración guiada y cocreación con una declaración de uso reforzada. En el caso de los TFE, se defiende claramente este tercer escenario, ya que se trata de productos de alto impacto, para los cuales deben exigirse evidencias de autoría, comprensión y rigor. De ahí se derivan controles concretos: declaración de uso de IA, registro de prompts y de versiones del trabajo, verificación de fuentes, revisión humana previa a la calificación y atención a sesgos e inequidades. La idea central es que, cuando aumenta el impacto, también debe aumentar el rigor documental. Se proponen cinco criterios de evaluación de un TFE: autoría y trazabilidad, comprensión real del trabajo, rigor metodológico, capacidad crítica ante la IA y transparencia académica. Con ello, la evaluación deja de centrarse exclusivamente en el documento final y pasa a incorporar el proceso, la capacidad de justificación y la visibilidad del uso de herramientas de IA. Este planteamiento se apoya, además, en principios de alfabetización crítica y en marcos éticos y regulatorios, como los de la UNESCO, SAFE, el AI Act y el manifiesto Safe AI in Education. A nivel práctico, se concretan seis reglas de uso responsable: minimizar el uso de datos personales, respetar la propiedad intelectual, verificar la información, explicitar cuándo se admite la IA, revisar sesgos y mantener siempre el control humano. Finalmente, se propone avanzar hacia una inteligencia híbrida en educación, entendida como la colaboración entre la inteligencia natural y la inteligencia artificial, siempre bajo control humano, con supervisión experta, diálogo permanente y transparencia. En ese marco, la IA no sustituye el juicio académico, sino que obliga a hacerlo más explícito, más riguroso y más formativo.