Fecha: miércoles 28 de enero de 2026

Organización de las Jornadas

• La jornada estará organizada en una única sesión de 15:00 - 16:00 horas.
• Cada ponente dispondrá de 10 minutos para realizar su presentación más 5 minutos para responder a preguntas.
• Las ponencias serán presenciales (en la sala de grados de la Facultad de Informática), mientras que la asistencia podrá ser presencial u online (por Google Meet, en un enlace enviado por correo electrónico).

Presentaciones

Sesión 1: 15:00 - 16:00

Ponente	Ponencia	Resumen
Laura López Viñas	Del monitoreo crítico a la predicción cognitiva: un enfoque unificado de qEEG y machine learning en patologías neurológicas	El hilo principal de la tesis se centra en el desarrollo y validación de un marco computacional aplicado al EEG cuantificado (qEEG) para la detección y caracterización de distintos tipos de disfunción cerebral. El núcleo de investigación parte de un pipeline previamente validado en pacientes críticos, que optimiza la selección de transformadas matemáticas y de features derivadas de múltiples componentes de la señal cerebral, con el objetivo de mejorar la detección automática de crisis. Para ello, la tesis integra cuatro artículos científicos construidos sobre un flujo metodológico homogéneo que incluye preprocesado automatizado, extracción sistemática de biomarcadores (espectrales, temporales, energéticos, de complejidad y de conectividad) y aplicación de modelos de machine learning interpretables, acompañados de optimización de hiperparámetros y validación estratificada por etiologías. De forma paralela al estudio multicéntrico, la tesis amplía este enfoque al análisis de la disfunción cognitiva post-COVID y a la predicción temprana de neurotoxicidad asociada a terapias CAR-T, demostrando la versatilidad del pipeline en poblaciones heterogéneas. En conjunto, la tesis consolida un modelo computacional robusto, reproducible y escalable, capaz de integrar grandes volúmenes de qEEG clínico y generar herramientas automáticas con potencial translacional tanto para la práctica asistencial como para futuros desarrollos en el campo de la neurofisiología computacional
Mossab Ibrahim	Automated Arabic Narrative Story Generation (ANSG): A Hybrid Neuro-Symbolic Architecture with Culturally-Grounded Reinforcement Learning	We presents Arabic Narrative Story Generator (ANSG), a neuro- symbolic framework designed to bridge the persistent gap between linguistic fluency and cultural authenticity in automated Arabic storytelling. Contemporary neural language models, despite achieving impressive fluency metrics, systematically fail to preserve the deep narrative schemas, ethical frameworks, and rhetorical structures that characterize authentic Arabic narratives—a disconnect evidenced by a weak correlation (r=0.23) between surface fluency and cultural fidelity. ANSG addresses this challenge through four integrated architectural components: a morphological conditioning pipeline that preserves Arabic's root-pattern structure, a Cultural Schema Attention Mechanism embedding 12,341 cultural segments, Dialectal Adaptation Layers enabling generation across five major Arabic varieties, and a reinforcement learning framework optimizing cultural objectives without ground-truth references. The system was trained on the Arabic Narrative Heritage Corpus, a 70.4-million-token dataset with tri-layer cultural annotation. Comprehensive evaluation demonstrates substantial improvements over existing approaches, achieving 0.92 on the Cultural Meaning Preservation Index and 92.3% dialectal consistency, while expert human evaluation yielded 4.6/5.0 for cultural authenticity. The dissertation further examines ethical dimensions of culturally-grounded AI, incorporating stakeholder perspectives from traditional storytellers and cultural specialists, and articulates transferable principles for developing AI systems that honor cultural heritage.
Jorge Blázquez Saborido	Implementación verificada de contenedores asociativos con iteradores usando árboles rojinegros enhebrados	Presentaré nuestro último trabajo publicado, en el que abordamos la verificación formal de árboles rojinegros para implementar mapas y conjuntos. Nuestra implementación verificada está escrita en Dafny y permite verificar código cliente que puede mantener varios iteradores que escriben y leen el contenedor. Nuestra investigación tiene como objetivo facilitar la verificación formal de programas mientras mantenemos encapsulación.
Tiago Oliveira	Exploring Serious Games for Sign-Language Learning in Hearing Children	My PhD thesis focuses on the design and evaluation of a serious game aimed at supporting introductory sign language learning in hearing children. Sign language acquisition poses specific challenges due to its visual and gestural nature and the need to integrate handshape, movement, orientation, and spatial relations. My work follows a mixed research approach that combines a systematic literature review, design-based research, and experimental evaluation. Based on identified gaps in existing educational games for sign language, I developed Silent Hero, a prototype serious game. The game integrates a gesture-recognition module and an analytics layer based on the Experience API (xAPI) for tracking of player interactions, retries, and progression. I will present the design of the prototype, the evaluation methodology, and preliminary results from a pilot study conducted with hearing children aged 8 to 10. These early findings suggest short-term improvements in sign recognition and high levels of engagement.