The aim of this study was to predict university students’ learning performance using different sources of performance and multimodal data from an Intelligent Tutoring System. We collected and preprocessed data from 40 students from different multimodal sources: learning strategies from system logs, emotions from videos of facial expressions, allocation and fixations of attention from eye tracking, and performance on posttests of domain knowledge. Our objective was to test whether the prediction could be improved by using attribute selection and classification ensembles. We carried out three experiments by applying six classification algorithms to numerical and discretized preprocessed multimodal data. The results show that the best predictions were produced using ensembles and selecting the best attributes approach with numerical data.

The purpose of this study lies in developing a comparison of neural network-based models for vehicular congestion prediction, with the aim of improving urban mobility and mitigating the negative effects associated with traffic, such as accidents and congestion. This research focuses on evaluating the effectiveness of different neural network architectures, specifically Transformer and LSTM, in order to achieve accurate and reliable predictions of vehicular congestion. To carry out this research, a rigorous methodology was employed that included a systematic literature review based on the PRISMA methodology, which allowed for the identification and synthesis of the most relevant advances in the field. Likewise, the Design Science Research (DSR) methodology was applied to guide the development and validation of the models, and the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology was used to structure the process, from understanding the problem to implementing the solutions. The dataset used in this study included key variables related to traffic, such as vehicle speed, vehicular flow, and weather conditions. These variables were processed and normalized to train and evaluate various neural network architectures, highlighting LSTM and Transformer networks. The results obtained demonstrated that the LSTM-based model outperformed the Transformer model in the task of congestion prediction. Specifically, the LSTM model achieved an accuracy of 0.9463, with additional metrics such as a loss of 0.21, an accuracy of 0.93, a precision of 0.29, a recall of 0.71, an F1-score of 0.42, an MSE of 0.07, and an RMSE of 0.26. In conclusion, this study demonstrates that the LSTM-based model is highly effective for predicting vehicular congestion, surpassing other architectures such as Transformer. The integration of this model into a simulation environment showed that real-time traffic information can significantly improve urban mobility management. These findings support the utility of neural network architectures in sustainable urban planning and intelligent traffic management, opening new perspectives for future research in this field.

This study aimed to evaluate the comparative predictive efficacy of the SARIMA statistical model and the Prophet machine learning model for forecasting monthly traffic accidents across the 24 provinces of Ecuador, addressing a critical research gap in model selection for geographically and socioeconomically heterogeneous regions. By integrating classical time series modeling with algorithmic decomposition techniques, the research sought to determine whether a universally superior model exists or if predictive performance is inherently context-dependent. Monthly accident data from January 2013 to June 2025 were analyzed using a rolling-window evaluation framework. Model accuracy was assessed through Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) metrics to ensure consistency and comparability across provinces. The results revealed a global tie, with 12 provinces favoring SARIMA and 12 favoring Prophet, indicating the absence of a single dominant model. However, regional patterns of superiority emerged: Prophet achieved exceptional precision in coastal and urban provinces with stationary and high-volume time series—such as Guayas, which recorded the lowest MAPE (4.91%)—while SARIMA outperformed Prophet in the Andean highlands, particularly in non-stationary, medium-to-high-volume provinces such as Tungurahua (MAPE 6.07%) and Pichincha (MAPE 13.38%). Computational instability in MAPE was noted for provinces with extremely low accident counts (e.g., Galápagos, Carchi), though RMSE values remained low, indicating a metric rather than model limitation. Overall, the findings invalidate the notion of a universally optimal model and underscore the necessity of adopting adaptive, region-specific modeling frameworks that account for local geographic, demographic, and structural factors in predictive road safety analytics.

Introducción. La educación evoluciona constantemente y cada vez mejora con la innovación de nuevas metodologías, estrategias, recursos y el avance tecnológico. Objetivo. Comparar el rendimiento académico de los estudiantes de educación mediante emociones para mejorar el aprendizaje virtual. Metodología. Se empleó la investigación de la ciencia del diseño. Los métodos que se aplicaron fueron el analítico, sintético y experimental. El estudio se realizó en la Unidad Educativa “Nueva Concordia”, a un grupo de once estudiantes que cursan el bachillerato obteniendo un muestreo no probabilístico debido a la pandemia mundial. El instrumento que se aplicó en la encuesta fue un cuestionario, que mediante la escala de Likert permitió medir la valoración de las emociones del estudiante y para el índice de consistencia interna se empleó el coeficiente Alfa de Cronbach con un valor de 0,82 de muy alta confiabilidad y validez. Luego para indicar el grado de relación estadística entre las emociones y las notas se aplicó el coeficiente de correlación de Pearson. Resultados. Los resultados mostraron que las emociones; felicidad, sorpresa y asco están correlacionadas positivamente y las emociones miedo y neutral de forma negativa con la nota del tutor virtual. Conclusión. La investigación permite concluir que las emociones no están fuertemente correlacionadas con la nota del estudiante luego de la interacción, sin embargo, sí influyen en la misma. Esto se debe a que todas las personas son distintas y aunque se encuentren algunas similitudes en este sentido no quiere decir que se cumplan de forma generalizada en todas las personas.

La revisión bibliográfica es una fase fundamental en un proyecto de investigación, y debe garantizar la obtención de la información más relevante en el campo de estudio. El objetivo principal de este proyecto es conocer los trabajos relacionados con el Internet de las Cosas Médicas, en adelante (IoMT). Se analiza un total de 535 artículos buscados en Association for Computing Machinery, en Adelante ACM, Web of Science y Scopus el dominio de búsqueda fue IoMT. Se establecieron tres parámetros, (problemática, artefacto y evaluación del artefacto), esto de acuerdo a la Investigación de la Ciencia del Diseño, en Adelante DSR, es un enfoque de investigación para la construcción de artefactos para proporcionar una solución útil a un problema en cada dominio. La ecuación (Internet de las cosas Y malla) dio como resultado 535, (Internet de las cosas Y medicina) un total de 417 y finalmente (Internet de las cosas Y malla médica) con 8, esto significa que hay mucho por indagar en este dominio de investigación. Las ventajas identificadas en este tipo de topología es llevar los mensajes de un nodo a otro por diferentes caminos, no puede haber absolutamente ninguna interrupción en las comunicaciones, cada servidor tiene sus propias comunicaciones con todos los demás servidores. Los grandes datos procedentes de los dispositivos IoMT han influido drásticamente en las cuestiones de salud e informática. En este documento, se realiza una revisión de la literatura científica y se mapean las tendencias de investigación sobre el paradigma IoMT en el ámbito de la salud. Por último, este documento amplía la literatura, y los resultados de este estudio pueden servir de base para futuras investigaciones.