Aphids are small insects that feed on plant sap, and they belong to a superfamily called Aphoidea. They are among the major pests causing damage to citrus crops in most parts of the world. Precise and automatic identification of aphids is needed to understand citrus pest dynamics and management. This article presents a dataset that contains 665 healthy and unhealthy lemon leaf images. The latter are leaves with the presence of aphids, and visible white spots characterize them. Moreover, each image includes a set of annotations that identify the leaf, its health state, and the infestation severity according to the percentage of the affected area on it. Images were collected manually in real-world conditions in a lemon plant field in Junín, Manabí, Ecuador, during the winter, by using a smartphone camera. The dataset is called LeLePhid: lemon (Le) leaf (Le) image dataset for aphid (Phid) detection and infestation severity. The data can facilitate evaluating models for image segmentation, detection, and classification problems related to plant disease recognition.

Se aborda la predicción del rendimiento de los cultivos a través del aprendizaje automático. Se usaron dos variables predictoras: hectáreas cosechadas, y producción en toneladas. Para el primer caso, el mejor modelo fue una arquitectura de red neuronal densa (DNN), con un MSE de 0.0081, seguido de los Random Forest (RF) con un MSE de 0.0104, árboles de decisión (AD) con 0.0168, y finalmente las máquinas de soporte vectorial (SVM) con 0.0328. Cuando se predijo producción en toneladas, el mejor modelo fue el de los RF con un MSE de 0.0550, seguidos de AD con 0.1418, DNN con 0.1489, y finalmente SVM con 0.3420. El test estadístico de diferencia significativa mostró que no existe tal diferencia entre el rendimiento de los modelos cuando se predice la variable hectáreas cosechadas, pero si para el caso de producción en toneladas, donde la capacidad predictiva de RF fue de 95% aproximadamente.

Lo que se presenta en este artículo es una revisión sistemática de literatura de estudios centrada en las aplicaciones de técnicas de Inteligencia Artificial Generativa (IAG) y Realidad Aumentada (RA) aplicadas en la Educación Secundaria, eligiendo un total de 39 estudios científicos que describen el uso, riesgos, prácticas y desafíos de estas tecnologías en la educación, haciendo uso de la metodología PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Para esta investigación se consideraron artículos de revistas digitales entre el año 2019 al 2024 y se estructura en 3 fases: planificación, desarrollo e informe, se plantearon 3 preguntas de investigación: la integración de estas herramientas tecnológicas en la educación secundaria, su implementación, los beneficios y desafíos para los estudiantes. Se aplicaron criterios de inclusión y exclusión que permitieron incluir ciertas investigaciones que tenían información relevante y se descartaron algunos que estaban orientados a otro tipo de enseñanza no estudiantil. Los resultados de este estudio, dan lugar a que la integración de la Inteligencia Artificial Generativa y la Realidad Aumentada en la Educación ayudaría significativamente la manera en que los estudiantes retienen conocimiento y desarrollan su pensamiento crítico, lo que se traduce en beneficios para los estudiantes e incluso para el docente ya que también debe saber y conocer cómo usar estas herramientas de manera eficiente en sus enseñanzas, hallazgos que hacen hincapié a la necesidad de continuar investigando para así maximizar los beneficios de la IAG y RA no solo en la educación secundaria sino también básica y superior.

Se propone una metodología para clasificar señales fisiológicas que representan la autorregulación cerebral (AC), utilizando cuantificadores como complejidad estadística y entropía. Los cuales se obtienen a partir de datos de velocidad de flujo sanguíneo cerebral (VFSC) y presión arterial media (PAM) disponibles en dos bases de datos. Los resultados para el análisis de señales en el plano C-H, donde se grafican los valores de complejidad y entropía de las señales de VFSC, muestran valores de AUC=90,18 %, mientras que en el caso de ∆ C-H, que es obtenido graficando los cambios en la entropía (∆H = H[PVFSC]−H[PPAM]) versus los cambios en complejidad (∆C = C[PVFSC]−C[PPAM]) con lo que se obtienen valores de AUC=94,26 % demostrando la capacidad que tiene el método en términos de clasificación.

La interacción entre los usuarios y las plataformas en línea influye considerablemente en sus niveles de percepción y satisfacción. En el caso de instituciones financieras, la experiencia del usuario al utilizar sus plataformas es crucial para construir relaciones sólidas y duraderas con sus clientes. Por lo tanto, ha resultado fundamental que estas instituciones identifiquen los aspectos de mejora en sus interfaces gráficas. En este proceso, la tecnología de seguimiento ocular, que captura la mirada del usuario, puede revelar de manera natural su intención al interactuar con una aplicación web, permitiendo así identificar muchos de los problemas de Interacción Humano-Computador presentes. En este estudio, se utilizó el dispositivo de seguimiento ocular Tobii Pro Nano para capturar la interacción de diez personas de entre 20 y 35 años y diez de entre 45 y 60 años con la plataforma web de la Cooperativa de Ahorro y Crédito Chone para cumplir con tres tareas: desplegar el menú de opciones, visualizar los movimientos de la cuenta y preparar una transacción interbancaria. El análisis realizado con ayuda de Tobii Pro Lab reveló que las personas de mayor edad experimentan más carga cognitiva y permitió proponer un plan de mejora de seis acciones.