Instituto de Investigación y Transferencia en Tecnología http://repositorio.unnoba.edu.ar/xmlui/handle/23601/91 2026-09-02T07:35:43Z 2026-09-02T07:35:43Z http://repositorio.unnoba.edu.ar/xmlui/handle/23601/1046 2026-08-07T19:38:54Z 2025-04-10T00:00:00Z

Trazando el futuro educativo: exploración, afinamiento y aplicación de grandes modelos del lenguaje en la educación superior Los grandes modelos de lenguaje (LLM) han transformado el procesamiento del lenguaje natural (NLP) mediante arquitecturas avanzadas como el Transformer y su mecanismo de autoatención. Modelos como GPT, LaMDA, LLaMA y BERT han impulsado aplicaciones en diversos sectores, incluyendo la educación. En el ámbito educativo, los LLM ofrecen oportunidades para personalizar el aprendizaje, adaptar contenido según las necesidades individuales de los estudiantes y mejorar la interacción mediante experiencias inmersivas. Además, facilitan el acceso a información relevante, optimizando el tiempo de docentes y administrativos al reducir tareas repetitivas. Sin embargo, la integración de los LLM en la educación plantea desafíos significativos, como la privacidad de los datos, la equidad en el acceso tecnológico y la ética en el uso de la inteligencia artificial. Asimismo, el análisis de los datos generados por la interacción con estos modelos puede proporcionar información valiosa para mejorar los procesos de enseñanza, identificar patrones de aprendizaje y ofrecer retroalimentación en tiempo real. Este trabajo busca evaluar el impacto de los LLM en la educación, explorando sus beneficios, limitaciones y riesgos. Además, se analizarán las mejores prácticas para su implementación efectiva y ética en la comunidad universitaria, garantizando un uso responsable y equitativo.

2025-04-10T00:00:00Z http://repositorio.unnoba.edu.ar/xmlui/handle/23601/1045 2026-08-07T19:32:25Z 2026-04-09T00:00:00Z

Asistentes virtuales de enseñanza basados en generación aumentada por recuperación Los avances recientes en los Grandes Modelos de Lenguaje (LLM) los han consolidado como una tecnología transformadora en inteligencia artificial. Entrenados con grandes volúmenes de texto, aprenden patrones del lenguaje que les permiten generar contenido coherente, responder preguntas, resumir, traducir, programar y asistir en tareas cognitivas complejas. En educación, su potencial es especialmente relevante: pueden actuar como tutores virtuales, adaptar explicaciones al nivel del estudiante, proponer ejercicios, corregir actividades y acompañar procesos de aprendizaje personalizado, favoreciendo la accesibilidad y la retroalimentación inmediata. No obstante, su aplicación efectiva requiere abordar el problema de las alucinaciones (es decir, la generación de información incorrecta o no verificada con apariencia plausible), así como integrar contenido institucional específico. En este sentido, la Generación Aumentada por Recuperación (RAG, Retrieval-Augmented Generation, por sus siglas en inglés) combina un modelo generativo con un sistema externo de recuperación de información, lo que permite consultar documentos y repositorios verificados antes de producir una respuesta. El presente trabajo propone medir empíricamente la mejora en la calidad de las respuestas de un LLM base frente a una variante con enfoque RAG en contextos educativos. Asimismo, busca elaborar una metodología para guiar la carga de contenido académico con dicha arquitectura.

2026-04-09T00:00:00Z http://repositorio.unnoba.edu.ar/xmlui/handle/23601/905 2025-02-05T12:08:29Z 2024-10-15T00:00:00Z

Deep Learning-Based Instance Segmentation of Neural Progenitor Cell Nuclei in Fluorescence Microscopy Images In this work, a Deep Learning-based machine vision model was devel- oped for the detection, segmentation and counting of Neural Progenitor Cell nuclei from fluorescence microscopy images. The cells were obtained from adult mice and cultivated in vitro, with cellular nuclei labeled using DAPI dye. Convolu- tional neural networks for instance segmentation, specifically the Mask R-CNN model with ResNet-50 and ResNet-101 backbones, were trained to recognize the nuclei, and their results were evaluated. Nuclei labeling was implemented semi- automatically, applying a Superpixel technique and then refining the segmentations from a manual process, also using a pre-trained model, which allowed to assem- ble a dataset of 66 images with 6392 labels in total. The results obtained with the Resnet-50 backbone show that there is an effectiveness of 98.6% for between the specialist count and model-predicted count, in addition to having an mAP50 of 98.0%. This approach has the potential to significantly reduce the time and effort required to analyze large image sets, which is especially useful in studies that require repetitive and detailed cellular analysis.

2024-10-15T00:00:00Z http://repositorio.unnoba.edu.ar/xmlui/handle/23601/904 2025-12-04T15:46:36Z 2024-04-19T00:00:00Z

Reconocimiento automático de marcadores biológicos a partir de técnicas de Visión e Inteligencia artificial En los últimos años, el avance respecto a la adquisición de grandes cantidades de imágenes de microscopía, ha hecho posible que el análisis digital de imágenes desarrolle herramientas capaces de obtener información de manera automática. Esta automatización y digitalización de procesos ha contribuido significativamente a reducir tanto los tiempos como los errores asociados con las técnicas manuales. El objetivo de la presente investigación es el diseño de un modelo basado en visión e inteligencia artificial que permita automatizar procesos de laboratorio, con la capacidad de segmentar y caracterizar automáticamente marcadores celulares en imágenes de microscopía. Estos resultados tienen el objetivo de reducir los tiempos dedicados al análisis visual de imágenes, generar información de soporte a la toma de decisiones y aportar herramientas para el especialista genetista.

2024-04-19T00:00:00Z