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
From Ethics to Agency: Participatory Design of a Teacher Training Course for AI in Education
(Grupo GRIAL, 2025-09-18) Mouta, Ana
Artificial Intelligence is increasingly being integrated into educational settings, yet its ethical implications and impact on pedagogical agency remain underexplored. This thesis investigates the ethical challenges and agency-related concerns in education through an educational design research process, with the aim of developing a teacher training course for K-12 educators, designed through their own voices.
The study begins with a systematic literature review (2011–2022), conducted using PRISMA guidelines, which maps the current state of research on AI in education. This phase identifies substantial gaps in ethical frameworks, teacher-specific guidance, and the preservation of educational agency. Building on this foundation, the research adopts a participatory futures methodology, using the Delphi Method to co-construct eight future scenarios. These scenarios explore the socio-technical imaginaries shaping AI's pedagogical implications, including issues of equity, assessment, student voice, and professional autonomy.
Subsequent research phases engage teacher educators through iterative focus groups, exploring how AI alters agency dynamics, subjective, intersubjective, and collective, within educational contexts. Findings reveal a pressing need to move beyond dominant techno-solutionist narratives and instead support teachers in reclaiming their roles as ethical and relational agents. These insights inform the co-design of a professional development course, which integrates dialogic, experiential, and reflective learning practices. The course is hosted on a custom-designed Canva platform and structured around a three-layered framework of educational agency, offering educators conceptual and practical tools to critically engage with AI.
By foregrounding the symbolic, relational, and ethical dimensions of education, this thesis argues that responsible AI integration must not only be technically sound but also aligned with the core purposes of education: subjectification, qualification, and socialisation. It proposes that sustaining teacher agency requires special attention to the preservation and care of the educational lexicon, one that sustains complexity, openness, ethical discernment, as well as desire and memory in the face of algorithmic pressures. For it is through desire that alternative imaginaries of socio-technical systems and comprehensive educational ecosystems are made possible.
This dissertation contributes four main outcomes: (1) a comprehensive ethical mapping of AI in education, (2) a participatory ethical dilemma toolkit, (3) a conceptual framework of agency in AI-mediated education, and (4) a context-responsive, agency-centred professional 8
Ana Mouta. 2025
development course for K–12 educators. Together, these outcomes constitute a theoretically grounded and empirically informed contribution to ongoing scholarly and professional efforts aimed at cultivating educational environments in which decisions regarding the use of AI, and the conditions under which it is integrated, are co-constructed through dialogic, participatory processes that uphold educational purpose, human agency, and the democratic ethos of schooling. It counters the depoliticising and deprofessionalising tendencies of technocratic models by supporting teachers in critically engaging with AI, resisting unreflective automation, and challenging algorithmic normativisation.
Alfabetización de datos y adopción inicial de IA en K-12: un análisis mixto comparativo entre Cataluña e Italia
(GRIAL, 2025-09-24) Donate Beby, Belén
Los grandes avances tecnológicos desarrollados en la sociedad no han pasado desapercibidos en ningún
ámbito. Aunque el sistema educativo presenta aún resistencias, se encuentra cada vez más presionado
hacia la digitalización y la adaptación a los cambios tecnológicos. Este proceso implica no solo la
incorporación de herramientas digitales, sino también el desarrollo de competencias específicas como
la alfabetización de datos, especialmente en las etapas educativas K-12, donde un uso estratégico de los
datos podría contribuir significativamente a la mejora de los procesos de enseñanza y aprendizaje.
La presente tesis doctoral se enmarca en un enfoque metodológico mixto y adopta un diseño
secuencial explicativo (DEXPLIS), articulado mediante dos estudios de caso en contextos europeos:
Cataluña e Italia. La investigación se sustenta en un enfoque no experimental, ex post facto, en el que
no se manipulan variables, sino que se analizan relaciones existentes entre ellas. El objetivo principal
es analizar el estado de la alfabetización de datos en el profesorado de educación primaria y secundaria,
así como su relación con el conocimiento, uso y percepción sobre la Inteligencia Artificial (IA) en
contextos educativos.
En una primera fase, se realizó una revisión sistemática y un mapeo de literatura sobre las
analíticas de aprendizaje y la alfabetización de datos en entornos K-12, lo que permitió establecer los
marcos teóricos y conceptuales de referencia. En el contexto educativo internacional, el concepto K-12
designa el conjunto de etapas educativas obligatorias que se desarrollan antes del acceso a la educación
superior, incluyendo tanto la educación infantil como la secundaria. Aunque su origen se encuentra en
los sistemas anglosajones, su uso se ha extendido en la literatura académica como una herramienta útil
para comparar enfoques pedagógicos, marcos normativos y competencias docentes en distintos países.
A partir de esta base, se diseñó y validó un cuestionario centrado en la alfabetización de datos,
que constituye el núcleo instrumental de esta tesis. De forma complementaria, se incorporó un segundo
cuestionario sobre IA, seleccionado por tratarse de uno de los elementos tecnológicos que más está
transformando los sistemas educativos contemporáneos y cuya integración resulta clave para una
evaluación completa de la alfabetización de datos en contextos escolares. Este segundo instrumento fue
también sometido a un proceso riguroso de validación mediante juicio de expertos, análisis factorial
exploratorio y confirmatorio, así como pruebas de fiabilidad interna.
Posteriormente, los instrumentos se administraron a dos muestras de docentes de ambos países,
complementándose con entrevistas semiestructuradas y un grupo de discusión para integrar perspectivas
cualitativas. El análisis multivariado incluyó la aplicación de modelos de ecuaciones estructurales
(Partial Least Squares Structural Equation Modelling – PLS-SEM), que permitieron observar
relaciones predictivas significativas entre el uso de la IA, el conocimiento de la IA y nivel de
alfabetización de datos. En particular, se evidenció que la alfabetización general en el uso de datos
presenta una relación predictiva significativa con el uso declarado de tecnologías basadas en IA en la
práctica docente.
Los resultados evidencian un nivel limitado de alfabetización de datos, especialmente en lo
relativo a la transformación de datos en decisiones pedagógicas. Asimismo, se identificaron diferencias
significativas entre contextos nacionales, aunque no en niveles educativos, observándose estas
diferencias en la preocupación por el uso de IA entre el alumnado, Uso general de datos y Prácticas
aplicadas de datos.
Finalmente, la tesis propone un conjunto de pautas prácticas para la mejora de la alfabetización de datos
docente, orientadas a la formación profesional, la toma de decisiones basada en evidencias y la integración estratégica de tecnologías emergentes. Este trabajo aporta no solo un marco empírico
comparativo, sino también herramientas prácticas para fortalecer la cultura del dato en el ámbito escolar
europeo.
Perfil Investigador y Ciencia Abierta
(Grupo GRIAL, 2025-10-03) García-Peñalvo, Francisco José
Curso financiado por la Escuela Internacional de Doctorado de la Universidad de Castilla-La Mancha como actividad formativa del Programa de Doctorado en Tecnologías Informáticas Avanzadas, celebrado online del 6 al 14 de octubre de 2025.
La Ciencia Abierta se ha convertido en una de las líneas estratégicas definidas tanto en la Unión Europea como en la Estrategia Nacional de Ciencia. Es imperativo que todos los investigadores y las investigadoras, tanto noveles como seniors, entiendan el concepto y los principios de la Ciencia Abierta, tanto para aplicarlos como para ser conscientes de las implicaciones que este movimiento tiene en sus carreras académicas. La Ciencia Abierta se sustenta en un complejo ecosistema digital que se nutre con la producción de cada investigador/a individual para calcular los indicadores que afectan tanto a las personas como a las instituciones, existiendo una estrecha relación entre la Ciencia Abierta y el perfil de los investigadores/as.
En este curso se explicarán las bases conceptuales y prácticas que relacionan la Ciencia Abierta con la carrera académica y el perfil digital de las personas involucradas.
Los objetivos del curso son:
1. Conocer el ecosistema abierto.
2. Entender el concepto de ciencia abierta.
3. Relacionar la ciencia abierta con la educación abierta y los datos abiertos.
4. Reconocer los principales modelos de publicación científica, con especial atención a los que permiten tener acceso abierto a las publicaciones.
5. Identificar los principales indicadores de reputación científica.
6. Crear y mantener una identidad digital como investigadores en el ecosistema de ciencia abierta.
Como actividad voluntaria se ha propuesto:
Registrar en un documento la identidad digital del investigador.
• Documento Word/Excel con la identidad digital del investigador con las siguientes entradas mínimas:
i. ORCID (id, número de documentos).
ii. De al menos una de las principales BD (WoS, Scopus o Google Scholar):
• Link al perfil.
• ID (excepto en Google Scholar).
• Número de documentos.
• Índice H.
• Citas totales.
• Promedio de citas en el período 2020-2024.
Los contenidos del curso son:
1. Introducción.
2. El ecosistema del conocimiento abierto.
3. Reputación e impacto.
4. Modelos de publicación científica.
5. Identidad digital del investigador.
6. Otros componentes del ecosistema de ciencia.
7. Conclusiones.
Diseño y validación de un modelo de mentoría interseccional para mujeres indígenas en STEM
(Grupo GRIAL, 2025-09-17) García Silva, Erika
A pesar de los avances en igualdad de derechos y oportunidades, las brechas estructurales persisten en muchos sectores, especialmente en el ámbito educativo y científico. Las mujeres indígenas, afromexicanas y rurales enfrentan una doble o incluso triple exclusión en su acceso, permanencia y desarrollo en las áreas de ciencia, tecnología, ingeniería y matemáticas (STEM). Esta exclusión no se explica únicamente por razones de género, sino por la intersección con otros ejes de desigualdad como la etnicidad, el contexto territorial, la lengua y la situación socioeconómica.
La brecha de género en STEM refleja no solo una distribución desigual en matrícula y empleo, sino también un entramado complejo de estereotipos, discriminación y barreras históricas. A pesar del incremento en el acceso a la educación superior en América Latina, la representación de mujeres indígenas en carreras STEM sigue siendo mínima. Estos campos, fuertemente masculinizados, excluyen no solo a través del currículo o la ausencia de referentes, sino también mediante prácticas institucionales que refuerzan el racismo estructural y los estereotipos de género.
En este contexto, esta tesis doctoral se propone diseñar y validar un modelo de mentoría con perspectiva de género y enfoque interseccional que fomente la participación de mujeres indígenas, afromexicanas y rurales en STEM. La hipótesis plantea que una mentoría culturalmente situada y contextualmente adaptada puede convertirse en una estrategia transformadora para revertir desigualdades educativas y generar trayectorias sostenibles en estas disciplinas.
La investigación se llevó a cabo entre noviembre de 2021 y julio de 2025, centrando su desarrollo empírico en México. Para su ejecución se han definido cuatro ciclos, de acuerdo con el marco metodológico de Investigación-Acción.
En el primer ciclo de la Investigación-Acción se delimitó el problema desde una perspectiva interseccional de género y etnia, centrada en las desigualdades en el acceso a la educación superior STEM de personas indígenas. Para fundamentar los objetivos, se realizaron dos revisiones sistemáticas de literatura: una sobre
programas e investigaciones dirigidas a estudiantes indígenas en STEM a nivel internacional y otra sobre brechas de género y etnicidad en la elección de estudios superiores en América Latina. Además, se aplicó un análisis de debilidades, amenazas, fortalezas, oportunidades (DAFO) de programas de mentoría implementados en el marco del proyecto europeo W-STEM y otras iniciativas internacionales.
Los resultados de este ciclo muestran que las brechas de género y etnicidad se manifiestan no solo en el acceso, sino también en la permanencia, orientación vocacional, ausencia de referentes culturales y racismo institucional. Asimismo, se identificó que los programas existentes tienden a centrarse en el acceso, sin integrar mentoría con enfoque interseccional y culturalmente situado. El análisis DAFO permitió identificar los componentes clave de un modelo de mentoría y sentó las bases para diseñar un acompañamiento académico y personal contextualizado e interseccional.
El segundo ciclo se centró en la adaptación, aplicación y validación del cuestionario de opinión sobre la interseccionalidad de género y etnia en los estudios superiores en ciencia, tecnología, ingeniería y matemáticas (QISHESTEM), una herramienta mixta adaptada al contexto mexicano, que recoge percepciones universitarias sobre género, etnia y STEM. Este instrumento se administró a una muestra de 379 estudiantes y permitió detectar sesgos, aspiraciones, barreras, motivaciones e iniciativas en relación con la elección de carreras STEM.
Los resultados confirman la persistencia de estereotipos de género, la falta de referentes en STEM y percepciones negativas sobre las capacidades de mujeres indígenas. Estas evidencias refuerzan que la brecha de género y etnicidad en STEM es una manifestación estructural del sistema educativo, social y económico, que requiere estrategias integrales, inclusivas y contextualizadas, donde la mentoría culturalmente situada cumple un rol clave.
El tercer ciclo se dedicó al diseño, implementación y evaluación del proyecto Retos Indigenius: Inspirando futuros STEM, una intervención para fomentar vocaciones científicas con dos componentes: (1) retos STEAM contextualizados para niñas y
niños indígenas de primaria y (2) charlas motivacionales con profesionales STEM indígenas y no indígenas para estudiantes de bachillerato y universidad. En este ciclo se trabajó con una muestra de 230 estudiantes de sexto grado (111 niños y 119 niñas) pertenecientes a cuatro escuelas primarias: una en Cadereyta Jiménez, Nuevo León, y tres en San Cristóbal de las Casas, Chiapas.
La puesta en práctica demostró que, en sexto de primaria, los retos STEAM contextualizados generan entusiasmo, participación activa y apropiación de saberes locales. En bachillerato y universidad, las charlas con profesionales STEM indígenas fortalecieron el sentido de pertenencia del alumnado al visibilizar trayectorias de éxito surgidas de sus propios contextos.
Por último, en el cuarto ciclo se diseñó y validó el modelo de Mentoría Interseccional de Acompañamiento en STEM para mujeres indígenas, afromexicanas y rurales (MIA-STEAM) mediante 16 entrevistas semiestructuradas con mentoras, mentees y coordinadoras; los datos se analizaron mediante análisis temático y DAFO por roles.
Las entrevistas revelaron una valoración positiva del modelo gracias a su enfoque de acción social y a cinco componentes clave: formación de mentoras, emparejamiento sensible al contexto y a las afinidades, actividades vinculadas a los ODS, retos STEAM y la sostenibilidad. El análisis DAFO identificó debilidades (limitación de recursos, sobrecarga emocional de mentoras), amenazas (resistencia institucional, riesgo de descontextualización), fortalezas (pertinencia cultural, flexibilidad, vínculo emocional) y oportunidades (escalabilidad, alianzas con universidades y ONG, redes de mentoras indígenas).
El modelo se considera replicable y escalable, siempre que se ajuste a cada contexto y conserve su enfoque interseccional, participativo y comunitario. Los resultados confirman la pertinencia y flexibilidad de MIA-STEAM, así como su impacto positivo en el acompañamiento académico, el empoderamiento personal y el sentido de pertenencia en STEM.
Como producto de esta tesis, se propone el modelo MIA-STEAM como una contribución original a los estudios sobre equidad en STEM. Este modelo abre nuevas líneas para investigar el impacto de la mentoría en comunidades diversas, promover políticas públicas inclusivas y transformar el acceso a la educación desde una perspectiva de justicia social.
Enseñanza con IA Generativa: Desafíos en Salud e Ingeniería
(Grupo GRIAL, 2025-09-05) García-Peñalvo, Francisco José
Seminario de 2 horas de duración impartido en el Salón de Actos de la Facultad de Ciencias de la Salud de la Universidad de Burgos el viernes 5 de septiembre de 2025, organizado por el GIR DATAHES, UIC JCYL N.º 348 y GID B-LCS.
Los objetivos específicos del seminario son:
1. Concienciar sobre el uso ético y responsable de la IA generativa en contextos educativos, especialmente en áreas sensibles como la salud y la ingeniería.
2. Presentar el marco del AI Safe in Education Manifesto y otros referentes internacionales como base de buenas prácticas en la docencia.
3. Explorar herramientas de IA generativa actuales y mapear actividades docentes donde profesores y estudiantes puedan integrarlas de manera segura y productiva.
4. Fomentar el debate crítico y reflexivo entre docentes y estudiantes para identificar riesgos, oportunidades y estrategias de implementación responsable.
Se propone una hoja de ruta práctica para un uso responsable y eficaz de la IAGen en educación superior. Parte de una alfabetización crítica: qué es la IAGen, cómo funciona (modelos, datos y límites), cuáles son sus riesgos (sesgos, alucinaciones, dependencia) y qué significa evaluar calidad y trazar responsabilidad humana. Introduce técnicas de prompting y el patrón de “deep research” para fundamentar contenidos y decisiones docentes.
En el eje normativo-ético, se sintetizan las directrices de la UNESCO (visión humanocéntrica, capacidad institucional y desarrollo docente), el marco regulatorio europeo (EU AI Act, enfoque basado en riesgos y obligaciones de transparencia y documentación) y el marco SAFE de EDSAFE AI (Seguridad, Accountability, Equidad, Eficacia), además del Safe AI in Education Manifesto como guía de principios operativos y compromiso institucional. Estas referencias sirven para alinear políticas de centro, prácticas de aula y diseño de materiales con estándares internacionales y obligaciones legales.
El “mapa de actividades” organiza usos de IAGen por fases del ciclo docente: 1) planificación (análisis de resultados de aprendizaje, detección de riesgos y datos necesarios); 2) creación de materiales (guiones de clase, casos, cuestionarios, visualizaciones con trazabilidad y citación de fuentes); 3) apoyo al aprendizaje (tutoría guiada por rúbricas, andamiaje y metacognición); 4) evaluación auténtica (diseños que preservan agencia humana, criterios de divulgación y registro del uso de IA). Se acompañan catálogos de herramientas actuales (LLM generalistas, verificadores y buscadores académicos, copilotos de código, generadores de imágenes con C2PA, gestores de referencias) y pautas de adopción segura.