Lebbihi Raouia

Dr. Lebbihi Raouia

orcid

Research Focus & Metrics

Academic Career Length

1Year (2026-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
18 September 2026 in Agronomy
Verified
Journal Article
Open access
PDF file
SASafia Ben amor
Safia Ben amor
LRLebbihi Raouia
Lebbihi Raouia
TTTerea Hafidha Terea
Terea Hafidha Terea
SMSamia Meliani
Samia Meliani
ABAlima Belaid
Alima Belaid
HDHector Duran-Muñoz
Hector Duran-Muñoz
Rising volumes of agri-food waste highlight the need for innovative valorization strategies that simultaneously reduce environmental burdens and support sustainable agriculture. In this study, eggshell powder (ESP), spirulina powder (SP), and tannic acid (TA)—three low-cost amendments derived from food waste and algal biomass—were combined for the first time to evaluate their effects on the germination of durum wheat (Triticum durum Desf., cv. Vitron ORD). A Box–Behnken design coupled with response surface methodology (RSM) was employed to optimize the formulation across 17 experimental runs, using SP (0.2–1.0 g), ESP (0.4–1.2 g), and TA (0.005–0.015 g) as independent variables. An untreated distilled-water control and an artificial neural network (ANN) model were used for comparison and prediction assessment. Germination percentage varied substantially among treatments, ranging from 10.67% to 82.67%, compared with 48.00% in the untreated control. Formulations containing low SP, moderate-to-high ESP, and low TA mass exceeded the control, whereas high SP mass generally exerted inhibitory effects. The quadratic RSM model showed an excellent fit to the experimental data (R2 = 0.9905; adjusted R2 = 0.9783). Desirability-function optimization identified an optimal formulation consisting of 0.200 g SP, 0.766 g ESP, and 0.00534 g TA, with a predicted germination rate of 82.68%. The ANN model showed slightly superior predictive performance compared with RSM (R2 = 0.99452; MAE = 0.470). Overall, the optimized low-dose SP–ESP formulation with minimal TA substantially enhanced germination relative to the untreated control, demonstrating the potential of combining algal biomass and food-waste-derived materials as a low-cost and environmentally sound strategy for seed priming and agricultural waste valorization.

14 May 2026 in RIIIT Revista Internacional de Investigación e Innovación Tecnológica
Verified
Journal Article
Open access
PDF file
JLJuan Badillo de Loera
Juan Badillo de Loera
JRJ. Ruiz-Gómez
J. Ruiz-Gómez
AGA. Guzmán-Fernández
A. Guzmán-Fernández
CGC. Guzmán-Valdivia
C. Guzmán-Valdivia
LRLeticia Adriana Ramirez-Hernandez
Leticia Adriana Ramirez-Hernandez
HDHector Duran-Muñoz
Hector Duran-Muñoz
Debido al problema en el incremento del índice de deserción escolar en las instituciones educativas, ha surgido la necesidad de implementar el uso de nuevas tecnologías. Una de estas es la inteligencia artificial (IA), por medio de la cual es posible identificar a los alumnos que tienen una mayor probabilidad de deserción escolar. Identificar los estudiantes con mayor probabilidad de deserción resulta ser una ardua tarea, debido a que involucra analizar una gran cantidad de datos, desde calificaciones de todas las materias y respuestas a test psico-socioeconómicos. Dicha tarea, debe realizarse en varias ocasiones durante el ciclo escolar. Desafortunadamente, para realizar dicha tarea, las instituciones educativas cuentan con muy poco personal, y este personal, por lo general no cuenta con una formación especializada para el uso de la IA y tampoco en el área de matemáticas, para poder plantear un modelo estadístico que logre inferir que estudiantes tienen mayor probabilidad de abandonar la escuela. Por lo tanto, el objetivo de este trabajo fue implementar un sistema de alerta temprana para la deserción escolar en nivel medio superior, el cual se denomina como SATA-SEEK, este sistema se basa en el uso del chatbot DeepSeek. La innovación de este trabajo es presentar una metodología sencilla que pueda ser reproducida por usuarios no expertos en estadística y en el uso de IA. La implementación de este sistema se realiza en 5 etapas. Entre los resultados destacados de este trabajo se encuentra el desarrollo de un sistema de alerta temprana para identificar los estudiantes con mayor riesgo de abandonar la escuela. Este sistema se basa en una metodología fácil de reproducir, con la finalidad de poder ser implementado en cualquier institución educativa. Adicionalmente, este sistema puede ayudar a proponer un mejor criterio en la designación de becas. Palabras clave: DeepSeek, Inteligencia Artificial, Deserción escolar.