GRIAL resources
Permanent URI for this communityhttps://repositorio.grial.eu/handle/123456789/1
Browse
68 results
Search Results
Item Dirección y tutorización de tesis doctorales(Grupo GRIAL, 2026-06-02) García-Peñalvo, Francisco JoséCurso 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 investigaciónItem AI Governance Strategies: A University Perspective(GRIAL Research Group, 2026-05-13) García-Peñalvo, Francisco JoséKeynote 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.Item 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 JoséParticipación 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.Item How to Conduct a Systematic Literature Review?(GRIAL Research Group, 2026-06-22) García-Peñalvo, Francisco JoséTraining course for doctoral students organized by the ICE and the EID of the Polytechnic University of Madrid, lasting 4 hours, taught on June 22 and 23, 2026, in online format. The main purpose of this training activity is to introduce researchers to conducting systematic literature reviews (SLRs). It begins with the need to conduct literature reviews to understand the state of the art, distinguishing between the concepts of a literature review and a systematic review. Several types of systematic reviews are presented, with special emphasis on the two most commonly used approaches: systematic literature reviews and literature mapping studies. Once the basic concepts are established, the main methodological frameworks for conducting systematic reviews are introduced. The three major phases of a systematic review (planning, conducting, and reporting) are described in detail. The course concludes with a simple case study of a systematic literature mapping review. The specific objectives of the course are: 1. To know what is meant by systematic review of the literature. 2. Evaluate the effort required to conduct a systematic review of the literature. 3. Plan a systematic review of the literature. 4. Conduct a systematic review of the literature. 5. Capture the work done in a report or research article. The contents of the seminar are: 1. Introduction to systematic reviews 2. Systematic literature reviews vs. Literature mapping reviews and Scoping reviews 3. Methodological frameworks of reference for systematic literature reviews 4. Planning phase 5. Conducting the review phase 6. Reporting phase 7. Case study 8. Bibliometrix 9. Collection of workflows and tools for conducting literature reviews 10. ConclusionsItem 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 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 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 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.