El sistema operativo Android, siendo el más prevalente en dispositivos móviles a nivel mundial, se convierte en un objetivo atractivo para posibles ataques. La creciente amenaza de malware en el ecosistema Android puede resultar perjudicial para los usuarios, sus dispositivos y sus datos. Esta investigación propone la aplicación de técnicas avanzadas de minería de datos al tráfico de red de aplicaciones Android con el fin de detectar malware. Se exploran tres enfoques distintos: Naive Bayes, k-Nearest Neighbors y Random Forest Classifier. Los resultados del estudio revelan la efectividad de las técnicas de minería de datos en la detección de malware Android, destacando el rendimiento sobresaliente del clasificador de bosque aleatorio, logrando una precisión del 90%. Este trabajo representa una contribución significativa al desarrollo de soluciones más efectivas y adaptables para la detección de amenazas en el entorno Android. Al identificar y validar la eficacia de estas técnicas, se establece una base sólida para futuras investigaciones y la implementación práctica de sistemas de seguridad avanzados en dispositivos Android, fortaleciendo así la defensa contra las crecientes amenazas de malware en el panorama móvil global.
21 July 2026 in Ciencia Latina Revista Científica Multidisciplinar
El rendimiento académico en educación básica se ve afectado por factores como las inasistencias, el apoyo familiar y la salud mental. Este estudio predice el riesgo académico de estudiantes de Noveno Año de una institución secundaria de Quevedo, Ecuador, durante los períodos 2020-2021 a 2025-2026, mediante técnicas de minería de datos. Se siguió la metodología KDD con un enfoque cuantitativo predictivo sobre 695 estudiantes activos de seis cohortes. Se emplearon matrices de correlación, técnicas de agrupamiento (K-Means y DBSCAN) y modelos predictivos (regresión logística, árbol de decisión y redes neuronales), evaluados mediante validación cruzada estratificada con balanceo de clases y exclusión de variables con fuga de información. Los resultados evidenciaron una asociación alta entre comportamiento, inasistencias y riesgo académico. La Regresión Logística fue el modelo más confiable (AUC-ROC = 0.94), superando al Árbol de Decisión (AUC = 0.90) y a las Redes Neuronales (AUC = 0.70). Se concluye que la minería de datos combinada con variables socioemocionales permite anticipar el riesgo académico y diseñar intervenciones oportunas, aunque se recomienda validar el modelo en otras instituciones antes de su uso operativo.
12 October 2026 in Multidisciplinary Collaborative Journal
Video surveillance systems rely on human observers with limited attention capacity, which prevents visual coverage from becoming a timely alert when a firearm is involved. The aim of this work was to review and organize the literature on firearm detection in video surveillance using deep learning, focusing on datasets, models, evaluation and deployment. Articles published between 2016 and 2026 reporting experimental results on surveillance scenarios with documented datasets were collected. The findings show that the problem is constrained above all by data: the small size a weapon occupies within a frame is the main bottleneck, together with occlusion, lighting and objects visually similar to a weapon. Two-stage detectors, one-stage detectors and cascaded schemes offer different trade-offs between false positives and speed, although published figures do not warrant a ranking among architectures, since they come from custom datasets and heterogeneous metrics. It is concluded that these systems identify the appearance of a weapon rather than determine a threat, so the human verification protocol following the alert is as relevant as the detector itself