https://rinacional.tecnm.mx/jspui/handle/TecNM/992 2026-06-20T23:19:50Z https://rinacional.tecnm.mx/jspui/handle/TecNM/13147 Title: Método para regular estados mentales utilizando datos multimodales de comportamiento y técnicas de gamificación en ambientes virtuales de aprendizaje inmersivo Authors: Romero Ramos, Luis%1313474 Description: En la última década, la Realidad Virtual Inmersiva (RVI) ha demostrado un gran potencial como herramienta de aprendizaje, al ofrecer experiencias inmersivas y multisensoriales que pueden incrementar la motivación y enriquecer el aprendizaje experiencial. Sin embargo, su efectividad depende de factores como el diseño pedagógico, la capacitación docente y la infraestructura tecnológica, y se enfrenta a limitaciones asociadas a costos, a la accesibilidad y a posibles efectos adversos sobre la salud. Paralelamente, la investigación en psicología cognitiva y neurociencia ha demostrado que los estados emocionales influyen de manera significativa en los procesos de aprendizaje. Esto ha impulsado la integración de la computación afectiva en entornos de RVI para desarrollar experiencias de aprendizaje adaptativas, capaces de reconocer y responder a las emociones de los usuarios. No obstante, los métodos más recurrentes en la literatura, que emplean sensores fisiológicos, reconocimiento facial o análisis de voz, presentan importantes limitaciones: suelen ser invasivos, requieren hardware externo y son susceptibles a interferencias como el ruido o la oclusión parcial del rostro, lo que restringe su aplicación efectiva en entornos inmersivos. En respuesta a estas limitaciones, la presente tesis propone un enfoque alternativo basado en datos de comportamiento y actividades gamificadas para la detección y regulación de estados mentales en Ambientes Virtuales de Aprendizaje Inmersivo (AVAI). Mediante técnicas de aprendizaje automático, se infiere la valencia emocional del usuario a partir de los datos de comportamiento obtenidos por el propio dispositivo de RVI, sin necesidad de equipo adicional. Cuando se identifica un estado mental poco propicio para el aprendizaje, se emplean actividades gamificadas para inducir un estado más favorable. Este planteamiento pretende sentar un precedente en el diseño e implementación de RVI adaptativos capaces de responder a las necesidades afectivas de los usuarios y operar en diversos escenarios. 2026-06-12T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/13130 Title: Análisis de métricas en el desarrollo de microservicios Authors: Venoso Lara, Said Misael%1343097 Description: En los últimos años, las arquitecturas basadas en microservicios han ganado una adopción creciente tanto en la industria como en la comunidad académica, debido a ventajas como la flexibilidad, la escalabilidad, y la agilidad en el desarrollo de software. Este enfoque arquitectónico permite descomponer sistemas monolíticos de gran tamaño en componentes independientes, lo que facilita su mantenimiento, evolución y despliegue. Sin embargo, a pesar de su amplia popularidad, se ha identificado que muchas métricas tradicionales, originalmente diseñadas para arquitecturas orientadas a objetos o arquitecturas orientadas a servicios, no resultan plenamente aplicables al contexto de los microservicios. Además, una gran parte de las métricas propuestas en la literatura carece de validación empírica o de un consenso claro respecto a su definición de uso. Ante esta problemática, el presente trabajo tiene como objetivo presentar un estudio integral de métricas orientadas al diseño e implementación de los microservicios, con la finalidad de desarrollar un modelo de calidad que sirva como guía para arquitectos y desarrolladores de software. Para ello, se llevó a cabo una recopilación y clasificación de métricas reportadas en la literatura especializada, así como la identificación de los atributos de calidad propuestos por la norma ISO/IEC 25010, con el propósito de alinear las características propias de los microservicios con dichos atributos. El análisis llevado a cabo permitió identificar tendencias, enfoques recurrentes y vacíos existentes en la revisión de la literatura en cuanto a métricas para microservicios. Los resultados del análisis cuantitativo evidencian una cobertura desigual de los atributos de calidad, además de una ausencia generalizada de umbrales claramente definidos, lo cual dificulta la aplicación práctica de las métricas existentes. Con el objetivo de validar el modelo de calidad propuesto, se realizaron pruebas preliminares a tres repositorios de libre acceso desarrollados en Java. Los resultados de estas pruebas mostraron que los proyectos evaluados presentan un bajo nivel de flexibilidad, lo cual se puede atribuir principalmente a deficiencias en los subatributos de escalabilidad y portabilidad. Finalmente, se concluyó que el modelo resulta fundamental para visibilizar las debilidades estructurales en implementaciones reales de arquitecturas de microservicios, especialmente en entornos basados en Java, así como para orientar futuras mejoras en su diseño y evaluación. 2026-03-06T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/12238 Title: Modelo de diferenciación de voz humana y sintética Authors: Rodriguez Garcia, Jibran Zaedt%1298260 Description: El presente trabajo se enfoca en el análisis y comparación de distintas técnicas para el reconocimiento de voces humanas y voces generadas sintéticamente mediante herramientas de clonación. Aunque el objetivo inicial fue desarrollar un sistema de reconocimiento, el proyecto derivó en una investigación experimental centrada en la caracterización de señales de voz, específicamente mediante la estimación de la frecuencia fundamental híbrida (hF0), como descriptor para diferenciar entre voces naturales y clonadas. Debido a la ausencia de un conjunto de datos confiable y equilibrado, se generó un dataset propio a partir de cuatro herramientas de clonación de voz ampliamente utilizadas: RVC, Voice.ia, ElevenLabs y Applio. Se recolectaron un total de 1,256 muestras de voz, equilibradas por idioma (español e inglés) y género (masculino y femenino). Los resultados experimentales muestran que la frecuencia fundamental constituye una característica relevante para la detección de voces clonadas, siendo su efectividad dependiente de la forma en que es representada y procesada. En particular, la representación de la hF0 mediante histogramas permitió obtener los mejores resultados de clasificación, alcanzando una precisión del 95%, mientras que otras variantes basadas en estadísticas simples o en salidas directas del modelo CREPE presentaron desempeños moderados. Estos hallazgos confirman el potencial del descriptor hF0 para la identificación de clonación de voz y resaltan la importancia de una adecuada extracción y representación de características acústicas. Asimismo, la construcción de un dataset diversificado con múltiples herramientas permitió reducir el sesgo asociado al uso de una sola técnica de clonación, proporcionando una base más robusta para futuros estudios en el área de la detección de deepfakes de voz. 2026-02-06T00:00:00Z https://rinacional.tecnm.mx/jspui/handle/TecNM/12178 Title: Pre-procesamiento de Prompt's para Modelos de Lenguaje Grandes Authors: Martínez Joffroy, Carlos Javier Description: Actualmente, la calidad de las interacciones entre los usuarios y los Modelos de Lenguaje es fundamental para alcanzar resultados óptimos en diversas aplicaciones. La experiencia demuestra que dicha calidad depende en gran medida de los Prompts empleados. Sin embargo, la literatura existente carece de estudios que evalúen de forma objetiva y cuantitativa la relación entre los Prompts y las respuestas generadas por un Modelo Grande de Lenguaje. Esto se debe, en parte, a la ausencia de métricas adecuadas para valorar la calidad de los textos de entrada, lo cual limita la evaluación precisa de los Prompts. En este contexto, el presente documento introduce PromptIQ, una métrica diseñada para medir la calidad de los Prompts y proporcionar un marco de referencia que permita la investigación sobre la relación entre las entradas y salidas de un Modelo Grande de Lenguaje. 2025-12-12T00:00:00Z