Neural networks have become a fundamental tool for solving complex problems, from image processing and speech recognition to time series prediction and large-scale data classification. However, traditional neural architectures suffer from interpretability problems due to their opaque representations and lack of explicit interaction between linear and nonlinear transformations. To address these limitations, Kolmogorov–Arnold Networks (KAN) have emerged as a mathematically grounded approach capable of efficiently representing complex nonlinear functions. Based on the principles established by Kolmogorov and Arnold, KAN offer an alternative to traditional architectures, mitigating issues such as overfitting and lack of interpretability. Despite their solid theoretical basis, practical implementations of KAN face challenges, such as optimal function selection and computational efficiency. This paper provides a systematic review that goes beyond previous surveys by consolidating the diverse structural variants of KAN (e.g., Wavelet-KAN, Rational-KAN, MonoKAN, Physics-KAN, Linear Spline KAN, and Orthogonal Polynomial KAN) into a unified framework. In addition, we emphasize their mathematical foundations, compare their advantages and limitations, and discuss their applicability across domains. From this review, three main conclusions can be drawn: (i) spline-based KAN remain the most widely used due to their stability and simplicity, (ii) rational and wavelet-based variants provide greater expressivity but introduce numerical challenges, and (iii) emerging approaches such as Physics-KAN and automatic basis selection open promising directions for scalability and interpretability. These insights provide a benchmark for future research and practical implementations of KAN.

Distributed denial-of-service (DDoS) attacks have become a critical threat to Internet of Things (IoT) infrastructures due to their high traffic dynamics, strong class imbalance, and strict resource constraints at the edge. This paper proposes ChebyKANRes, a lightweight intrusion detection model that combines Chebyshev polynomial expansions to parameterize learnable univariate transformations, a gate mechanism to modulate feature flow, and residual connections to stabilize optimization in deeper KAN-style stacks. Experiments were conducted on the CICIoT2023 dataset focusing on benign traffic and 12 DDoS subtypes, using a reproducible pipeline with stratified splitting, cross-validation (k = 5), and early stopping. The proposed model consistently improves multi-class performance (Accuracy: 0.9983) over an optimized MLP baseline (Accuracy: 0.9641), while maintaining a compact size suitable for edge deployment (≈123 k parameters; ~0.47 MB). Within CICIoT2023 and the evaluated split/training protocol, the proposed ChebyKANRes configuration shows improved imbalance-robust multiclass detection while maintaining a compact model size and comparable batch inference time.

La inteligencia artificial (IA) generativa ha marcado un punto de inflexión en la educación superior universitaria. La interaccion entre cognición humana y procesamiento algorítmico está redefiniendo las prácticas pedagogicas. En esta investigación presentamos una revisión narrativa y crítica (Snyder, 2019) sobre cómo el uso de las herramientas conversacionales como ChatGPT, Gemini o Claude se están incorporando en la enseñanza universitaria de habilidades lingüísticas. Analizamos treinta investigaciones empíricas publicadas entre 2022 y 2025, identificando cuatro ejes que consideramos fundamentales. Exploramos primero el impacto de estas herramientas en la competencia lingüística receptiva y productiva de los estudiantes. Luego examinamos las percepciones estudiantiles respecto a su utilidad, la motivación que generan y el desarrollo de autonomía. Posteriormente, examinamos el papel que debe asumir el docente en estos nuevos contextos de interacción humano-IA. Finalmente, discutimos los desafíos éticos, epistemológicos y pedagógicos que emergen al integrar estas herramientas en el currículo universitario. Nuestros hallazgos evidencian un panorama complejo. Los asistentes conversacionales, cuando se emplean dentro de marcos pedagógicos bien estructurados, pueden mejorar significativamente la fluidez, precisión y confianza comunicativa de los estudiantes. Sin embargo, también identificamos riesgos que no deben minimizarse. Los estudiantes podrían desarrollar una dependencia excesiva de estas tecnologías. Además, los modelos de lenguaje tienden a generar sesgos algorítmicos que reflejan los datos con los que fueron entrenados. Y si se usan sin criterio, estas herramientas pueden erosionar el pensamiento crítico, que es fundamental en los procesos formativos. Como aporte conceptual y práctico, proponemos el Modelo de Aula Expandida para el Aprendizaje Lingüístico mediado por IA (MAEL-IA). Este esquema pedagógico integra tres componentes esenciales. El primero consiste en acompañar a los estudiantes de manera estructurada a lo largo del proceso. El segundo busca desarrollar la alfabetización crítica en IA, capacitando a los estudiantes para evaluar estas tecnologías reflexivamente. El tercero se centra en diseñar actividades auténticas que generen experiencias formativas significativas. Consideramos que esta investigación contribuye al debate académico sobre la transformación digital en educación superior. Asimismo, ofrece orientaciones teóricas y prácticas para incorporar estas tecnologías emergentes de manera responsable, reflexiva y centrada en el desarrollo estudiantil. A partir de este marco conceptual, el presente trabajo persigue tres objetivos principales: primero, sintetizar críticamente la evidencia empírica reciente sobre el uso de asistentes conversacionales en la enseñanza universitaria de lenguas; segundo, identificar las dimensiones éticas, epistemológicas y didácticas asociadas a esta práctica; tercero, proponer un modelo teórico-práctico que guíe la integración reflexiva y significativa de estas tecnologías en contextos educativos expandidos.