Publicaciones
A lo largo de estos años, se han desarrollado diversas investigaciones, contribuyendo con publicaciones y participaciones en congresos en distintos ámbitos. En esta sección, encontrarás una introducción a cada una de ellas, junto con un enlace para su descarga.
Nuestro objetivo es compartir conocimiento, fomentar el debate y seguir explorando nuevas ideas en un ambiente de colaboración e innovación.
¡Esperamos que las disfrutes y que te resulten de interés!
FAS-XAI: An Interpretable Framework for the Comparative Morphological Analysis of Lunar and Martian Impact Craters
Este trabajo presenta FAS-XAI, un marco interpretable que combina clustering difuso e inteligencia artificial explicable (XAI) para comparar la morfología de cráteres lunares y marcianos. El enfoque permite analizar estructuras geológicas complejas considerando incertidumbre, heterogeneidad de datos y transiciones graduales entre grupos morfológicos.
La metodología se aplica a la Moon Crater Database v1 y a la Robbins Mars Crater Database. Mediante Fuzzy C-Means se identifican grupos de cráteres, mientras que XGBoost y técnicas de XAI permiten evaluar y explicar la consistencia de dichos patrones.
El estudio muestra diferencias estructurales entre las poblaciones de cráteres de la Luna y Marte, ofreciendo una metodología reproducible e interpretable para el análisis comparativo en ciencia planetaria.
A Fuzzy and Explainable AI Framework for Comparing Physical and Perceptual Representations in Galaxy Morphology
Este trabajo presenta un marco basado en lógica difusa e inteligencia artificial explicable (XAI) para comparar clasificaciones físicas y perceptuales de la morfología galáctica. El enfoque permite analizar la relación entre propiedades estructurales medibles y la interpretación visual humana, considerando incertidumbre y transiciones graduales entre clases.
La metodología combina datos del Sloan Digital Sky Survey (SDSS), clasificaciones perceptuales de Galaxy Zoo 2, Fuzzy C-Means, modelos supervisados y explicabilidad basada en SHAP.
Los resultados muestran diferencias entre la estructura física de las galaxias y la percepción humana de su morfología, especialmente en sistemas transicionales u orientados de forma ambigua, ofreciendo una metodología reproducible para estudiar la coherencia entre modelos, datos físicos y clasificación humana.
A Unified Fuzzy–Explainable AI Framework (FAS-XAI) for Customer Service Value Prediction and Strategic Decision-Making
Este trabajo presenta FAS-XAI, un marco metodológico unificado que integra lógica difusa e inteligencia artificial explicable (XAI) para apoyar la toma de decisiones estratégicas en contextos reales caracterizados por incertidumbre y ambigüedad. El enfoque combina clustering difuso, modelos predictivos supervisados y técnicas de interpretabilidad para garantizar decisiones transparentes, coherentes y comprensibles para los responsables humanos.
La metodología se valida mediante un caso real de atención al cliente B2B, donde el comportamiento de los clientes se modela a través del esquema RFID (Recency, Frequency, Importance, Duration). Mediante Fuzzy C-Means se identifican perfiles de clientes con pertenencia gradual, y modelos XGBoost permiten predecir el riesgo de abandono, incorporando explicaciones globales y locales con SHAP, LIME y ELI5.
El marco FAS-XAI demuestra su valor operativo y explicativo para la gestión de relaciones con clientes y la toma de decisiones estratégicas, y se plantea como una metodología generalizable y centrada en el ser humano, aplicable a distintos dominios como la industria, la educación y la analítica avanzada.
Integrating Exploratory Data Analysis and Explainable AI into Astronomy Education: A Fuzzy Approach to Data-Literate Learning
La astronomía ofrece un contexto magnífico para desarrollar competencias como la alfabetización en datos, el pensamiento crítico y las habilidades computacionales. En este trabajo se presenta un enfoque de aprendizaje basado en proyectos (PBL) que integra análisis exploratorio de datos (EDA), lógica difusa e inteligencia artificial explicable (XAI) para enseñar, extraer y comprender conocimiento científico a partir de datos astronómicos reales.
Utilizando recursos de acceso abierto, JPL Horizons de la NASA y Gaia DR3 de la ESA, junto con Python y Astroquery, los estudiantes aprenden a adquirir, procesar y visualizar conjuntos de datos dinámicos de cometas, asteroides y estrellas. La metodología sigue todo el ciclo de la ciencia de datos: desde la obtención y el preprocesamiento de datos hasta el modelado y la interpretación de resultados, culminando con la aplicación del marco FAS-XAI para la detección de patrones y la explicabilidad de los modelos.
Este marco constituye un modelo que permite integrar inteligencia artificial, datos abiertos y prácticas de investigación, reproducibles en educación STEM.
FAS-XAI: Fuzzy and Explainable AI for Interpretable Vetting of Kepler Exoplanet Candidates
Este estudio presenta un modelo híbrido, FAS-XAI, diseñado para mejorar la transparencia en la clasificación de exoplanetas detectados por la misión Kepler. El método combina tres elementos: Clustering difuso (Fuzzy C-Means) para identificar patrones ocultos en las señales de tránsito, modelos supervisados (XGBoost) para predecir si un objeto es CONFIRMED, CANDIDATE o FALSE POSITIVE y técnicas de IA explicable (SHAP, LIME, ELI5) para entender por qué el modelo toma cada decisión.
El análisis revela tres regímenes claros de señales dentro del catálogo TCE, y muestra cómo los exoplanetas confirmados tienden a concentrarse en eventos de alta señal-ruido y duración intermedia.
El modelo supervisado, enriquecido con la información difusa, obtiene un rendimiento sólido (AUC = 0.855), separando con claridad los falsos positivos y los planetas reales, mientras que refleja la incertidumbre propia de los candidatos.
Las técnicas de explicabilidad permiten identificar las variables clave que gobiernan el proceso de clasificación: período, duración, profundidad, SNR y el grado de ambigüedad difusa. Además, al contrastar con los parámetros estelares del catálogo Kepler DR25, se confirma que los patrones detectados son físicamente coherentes.
Comparative Analysis of Explainable AI Methods for Manufacturing Defect Prediction: A Mathematical Perspective
Este estudio presenta un modelo híbrido para analizar defectos en procesos de fabricación, combinando técnicas de aprendizaje automático, segmentación de datos y explicabilidad. El objetivo es predecir con precisión cuándo se producirán fallos, además de entender por qué ocurren.
Se utiliza un conjunto de datos industrial para entrenar un modelo XGBoost que distingue entre contextos de alta y baja defectividad. Luego se aplican cinco técnicas de inteligencia artificial explicable (SHAP, LIME, ELI5, PDP e ICE) para identificar qué variables del proceso influyen más en los resultados. Además, se emplean algoritmos de clustering (Fuzzy C-Means y K-means) para descubrir perfiles ocultos de operación, que también se interpretan con XAI.
El enfoque permite combinar visión predictiva y estructural en un solo marco metodológico. Los resultados muestran que esta integración mejora la transparencia y facilita el diseño de sistemas inteligentes explicables aplicables a la Industria 4.0. Atendiendo al estudio de publicaciones relacionadas, es la primera vez que se combina supervisión, clustering y XAI de este modo en el análisis de defectos industriales.
Supporting Reflective AI Use in Education: A Fuzzy-Explainable Model for Identifying Cognitive Risk Profiles
Este estudio propone un modelo para ayudar a identificar diferentes perfiles de usuarios en función de cómo se relacionan con la IA en contextos educativos. El enfoque combina la agrupación difusa, el proceso de jerarquía analítica (AHP) y técnicas de IA explicable (SHAP y LIME). Se centra en cinco dimensiones: cómo se utiliza la IA, cómo verifican la información los usuarios, el esfuerzo cognitivo que supone, las estrategias de toma de decisiones y el comportamiento reflexivo.
El modelo se probó con datos de 1273 usuarios, revelando tres tipos principales de perfiles, desde usuarios muy dependientes de la automatización hasta usuarios más autónomos y críticos. La clasificación se validó con XGBoost, con una precisión superior al 99%. El análisis de explicabilidad nos ayudó a comprender qué factores influían más en cada perfil. En general, este marco ofrece una visión práctica para educadores e instituciones que buscan promover un uso más responsable y reflexivo de la IA en el aprendizaje.
A Fuzzy-XAI Framework for Customer Segmentation and Risk Detection: Integrating RFM, 2-Tuple Modeling, and Strategic Scoring
En este estudio se propone un marco interpretable para segmentar clientes y detectar riesgo de abandono, combinando clustering difuso, XAI y puntuación estratégica con AHP.
Partiendo de indicadores RFM normalizados (Recencia, Frecuencia, Valor), se aplica Fuzzy C-Means y representando los resultados en una escala lingüística 2-tupla para facilitar su interpretación. A continuación, se valida la coherencia de los clústeres con XGBoost y se aplica XAI (Explainable Artificial Intelligence) para obtener un entendimiento mayor de las predicciones.
Luego se calcula un score estratégico por cliente con AHP, también trasladado al dominio lingüístico, y se definen perfiles de riesgo. Finalmente, un segundo modelo predice este riesgo y se interpreta con XAI.
El enfoque busca combinar precisión, transparencia y utilidad práctica en analítica de clientes.
Quality Management in Chemical Processes Through Fuzzy Analysis: A Fuzzy C-Means and Predictive Models Approach
El control de calidad es fundamental en los procesos industriales modernos, especialmente en el contexto de la Industria 4.0. Este estudio propone un enfoque híbrido que combina clustering difuso, modelos predictivos e inteligencia artificial explicable para clasificar productos según su nivel de calidad. Se integran sistemas de inferencia difusa con técnicas como XGBoost y herramientas XAI para ofrecer decisiones automatizables, interpretables y adaptadas al conocimiento experto. Aplicado a datos reales del sector vitivinícola, el modelo permite segmentar la producción, anticipar defectos y apoyar decisiones críticas en entornos industriales complejos.
Fuzzy C-Means and Explainable AI for Quantum Entanglement Classification and Noise Analysis
El entrelazamiento cuántico es clave en mecánica cuántica y tecnologías como la computación cuántica. Este estudio propone un enfoque híbrido que combina simulación cuántica, análisis de ruido y clustering difuso para clasificar estados cuánticos bajo condiciones ruidosas. Se aplican técnicas de IA explicable para interpretar la estabilidad de los estados. Los resultados muestran que algunos estados pueden recuperarse parcialmente, mientras que otros pierden viabilidad, permitiendo estrategias diferenciadas según su resistencia al ruido.
A Methodological Framework for Business Decisions with Explainable AI and the Analytic Hierarchical Process
En el entorno empresarial actual, basado en datos, la toma de decisiones efectiva y transparente es clave para mantener una ventaja competitiva, especialmente en el servicio al cliente en entornos B2B. Este estudio propone un marco metodológico que integra Inteligencia Artificial Explicable (XAI), clustering con C-means y el Proceso Analítico Jerárquico (AHP) para mejorar la toma de decisiones estratégicas en las empresas.
Methodology for Analyzing Educational Forums with NLP: Searching for Economic Terms
Este capítulo presenta una metodología para analizar foros en economía mediante procesamiento de lenguaje natural (NLP), utilizando spaCy y transformers en Python. Basado en CRISP-DM, el proceso incluye recopilación y preprocesamiento de datos, modelado de temas con LDA y análisis de sentimiento con transformers. Los resultados se visualizan con gráficos y se documentan en informes detallados. Finalmente, se analizan las conclusiones y se proponen futuras investigaciones.
Understanding AI Adoption In Education: A Tam Perspective On Students’ And Teachers’ Perceptions
En los últimos 30 años, el avance tecnológico ha transformado el entorno universitario, con la llegada de Big Data, IA y aplicaciones móviles. Este estudio propone un modelo basado en el Technology Acceptance Model (TAM) para evaluar la adaptación de estudiantes y docentes a estas tecnologías. Utilizando un sistema de evaluación de madurez digital con un modelo difuso de 2-tuplas y AHP, los resultados muestran una correlación significativa entre el uso de IA y la mejora de la experiencia académica.
Integrating Fuzzy C-Means Clustering and Explainable AI for Robust Galaxy Classification
Este estudio aplica Fuzzy C-Means (FCM) y técnicas de explicabilidad para mejorar la clasificación de galaxias utilizando datos del Galaxy Zoo. Dado que las clasificaciones provienen de voluntarios no expertos, se introduce un grado de incertidumbre, que FCM ayuda a gestionar. Además, se emplean SHAP y LIME para interpretar los factores clave en la clasificación. Los resultados muestran una alta precisión y una mejor comprensión de las características galácticas, con aplicaciones potenciales en estudios ambientales en la Tierra.
Decoding Employee Attrition: A Unified Approach with XAI and AHP
Ante los crecientes retos que plantea la rotación de personal, las organizaciones recurren cada vez más a la inteligencia artificial (IA) para predecirla y abordarla. Este capítulo explora la aplicación de la IA explicable (XAI) para identificar la posible rotación de empleados, analizando su impacto en la productividad y la estabilidad de la organización. La segunda sección se centra en las técnicas de IA que aprovechan los datos históricos para predecir la rotación, lo que permite realizar intervenciones proactivas. La tercera parte introduce XAI para mejorar la transparencia del modelo, proporcionando a los profesionales de RRHH una visión más profunda para desarrollar estrategias de retención específicas alineadas con las necesidades individuales de los empleados. La integración del modelo de Proceso de Jerarquía Analítica (AHP) se hace imprescindible para asignar pesos a los criterios identificados por la IA como significativos y así efectuar una toma de decisiones basada en datos.
Study of the Factors that Influence the Tourism Sector’s Acceptance of the Use of ChatGPT
Este capítulo analiza la aceptación de ChatGPT en el sector turístico, identificando los factores que influyen en su adopción. Primero, se realiza un estudio bibliométrico sobre publicaciones científicas relacionadas, seguido de un análisis de co-ocurrencia para determinar las variables más relevantes. Con estos datos, se desarrolla una adaptación teórica del modelo de adopción tecnológica, permitiendo a las empresas evaluar el grado de aceptación de ChatGPT entre sus trabajadores y diseñar estrategias de adaptación.
Optimizing Tourism Data Extraction and Analysis: A Comprehensive Methodology
Este capítulo analiza la aceptación de ChatGPT en el sector turístico, identificando los factores que influyen en su adopción. Se realiza un estudio bibliométrico sobre publicaciones científicas, seguido de un análisis de co-ocurrencia para determinar las variables más relevantes. A partir de estos datos, se desarrolla una adaptación teórica del modelo de adopción tecnológica, permitiendo a las empresas medir la aceptación de ChatGPT entre sus empleados y diseñar estrategias de adaptación según sus necesidades.
The Pivotal Role of Interpretability in Employee Attrition Prediction and Decision-Making
Este artículo analiza la evolución de los algoritmos de Machine Learning (ML), destacando la creciente importancia de la interpretabilidad para mejorar la transparencia en las decisiones automatizadas. Se exploran avances en técnicas que facilitan la comprensión humana de estos procesos y el papel cambiante de los humanos en la toma de decisiones. Además, se propone un marco que integra el Proceso Analítico Jerárquico (AHP) con modelos ML interpretables, promoviendo un enfoque equilibrado y ético en la adopción de IA.
Explainable artificial intelligence (XAI) and ethical decision-making in business
Este artículo analiza la relevancia de la Inteligencia Artificial Explicable (XAI) en la toma de decisiones éticas en el ámbito empresarial. A medida que la IA avanza y supera capacidades humanas en diversas tareas, surgen preocupaciones sobre transparencia, interpretabilidad y ética. Se destaca la importancia de XAI para garantizar decisiones comprensibles y responsables en entornos empresariales.
Artificial Intelligence Applied to Human Resources Management: A Bibliometric Analysis
Este estudio analiza el impacto de la Inteligencia Artificial en la gestión de recursos humanos, destacando su papel en la selección de candidatos, predicción de abandono y automatización de procesos. Durante la pandemia de COVID-19, la investigación en este campo creció significativamente, con India como el país más activo. A través de un análisis bibliométrico (2013-2022) con VOSViewer, se identifican cuatro tendencias emergentes: ML para gestión de recursos, IA en reclutamiento, DSS para información y IA en formación.
The Growing Scientific Interest in Artificial Intelligence for Addressing Climate Change: A Bibliometric Analysis
Este estudio analiza el creciente interés de la comunidad científica en el uso de inteligencia artificial (IA) para abordar el cambio climático. A través de un análisis bibliométrico con datos de Scopus y procesados con VOSviewer, se examinan tendencias en el tiempo, áreas de estudio y países más activos. Los resultados muestran cómo la IA se integra en diversas estrategias para mitigar el impacto del cambio climático.
Enhancing Business Decision Making through a New Corporate Reputation Measurement Model: Practical Application in a Supplier Selection Process
Este estudio aborda la importancia de la reputación corporativa como un activo clave para el crecimiento y la sostenibilidad empresarial, destacando la dificultad de medirla cuantitativamente. Se propone un modelo de evaluación basado en fuzzy 2-tuples y AHP, considerando criterios como capacidad, benevolencia, integridad y Net Promoter Score, e integrando variables de sostenibilidad. Validado en un caso real de selección de proveedores, el modelo ofrece un enfoque estructurado para la gestión de la reputación y su impacto en la sostenibilidad. Se sugiere futuras investigaciones con machine learning y análisis de datos para mejorar la toma de decisiones.
Analyzing Employee Attrition Using Explainable AI for Strategic HR Decision-Making
Este estudio aborda la importancia de la reputación corporativa como un activo clave para el crecimiento y la sostenibilidad empresarial, destacando la dificultad de medirla cuantitativamente. Se propone un modelo de evaluación basado en fuzzy 2-tuples y AHP, considerando criterios como capacidad, benevolencia, integridad y Net Promoter Score, e integrando variables de sostenibilidad. Validado en un caso real de selección de proveedores, el modelo ofrece un enfoque estructurado para la gestión de la reputación y su impacto en la sostenibilidad. Se sugiere futuras investigaciones con machine learning y análisis de datos para mejorar la toma de decisiones.
Smart Cities and Citizen Adoption: Exploring Tourist Digital Maturity for Personalizing Recommendations
Este estudio aborda la importancia de la reputación corporativa como un activo clave para el crecimiento y la sostenibilidad empresarial, destacando la dificultad de medirla cuantitativamente. Se propone un modelo de evaluación basado en fuzzy 2-tuples y AHP, considerando criterios como capacidad, benevolencia, integridad y Net Promoter Score, e integrando variables de sostenibilidad. Validado en un caso real de selección de proveedores, el modelo ofrece un enfoque estructurado para la gestión de la reputación y su impacto en la sostenibilidad. Se sugiere futuras investigaciones con machine learning y análisis de datos para mejorar la toma de decisiones.
Group Decision-Making Model Based on 2-Tuple Fuzzy Linguistic Model and AHP Applied to Measuring Digital Maturity Level of Organizations
Este estudio analiza el impacto de la transformación digital en las empresas y la necesidad de una toma de decisiones grupal eficiente en este contexto. Se propone una metodología basada en modelos difusos de 2-tupla y AHP para calcular el nivel de madurez digital (DML) de las empresas según cinco criterios clave de la literatura. La metodología fue validada en 1428 pymes españolas, identificando tres clústeres para adaptar recomendaciones estratégicas. Los resultados muestran que el DML influye en el tamaño de la empresa y su mentalidad digital. Se sugiere extender el modelo a otros sectores y evaluar el impacto de tecnologías disruptivas como la inteligencia artificial en la transformación digital de las pymes.
Fuzzy Logic and Decision Making Applied to Customer Service Optimization
Este estudio propone una mejora en la gestión de priorización de incidencias en Contact Centers, combinando el modelo RFID (Recencia, Frecuencia, Importancia y Duración) con los criterios de Impacto, Urgencia y Carga Emocional de la metodología ITIL. Además, se incorporan factores como Tiempo de Espera y Carga de Trabajo del Contact Center para establecer un sistema de priorización dinámico y en tiempo real. Se propone un modelo basado en evaluaciones lingüísticas de 2-tupla y AHP para unificar información heterogénea y mejorar la toma de decisiones en la gestión de interacciones con los clientes.
XAI for Churn Prediction in B2B Models: A Use Case in an Enterprise Software Company
Este estudio aborda la predicción del abandono de clientes en entornos B2B, donde su impacto en el negocio es mayor que en B2C. Se introduce el modelo RFID (Recencia, Frecuencia, Importancia y Duración) para evaluar la relación entre el cliente y la marca a través del Contact Center, proporcionando una fuente de información adicional a los modelos tradicionales basados en transacciones (RFM). Se desarrolla un proceso metodológico basado en XAI para analizar la explicabilidad de las predicciones de IA sobre el abandono, aplicándolo a una empresa de distribución de software. El modelo es generalizable a otros contextos donde se requieran algoritmos de clasificación o regresión.
RFID: A Fuzzy Linguistic Model to Manage Customers from the Perspective of Their Interactions with the Contact Center
Este estudio propone un modelo de clasificación de clientes basado en su relación con el centro de contacto, en lugar de solo el proceso de compra. Se utilizan las variables recencia, frecuencia, importancia y duración de las interacciones con el servicio postventa para segmentar clientes y diseñar estrategias personalizadas. Aplicado al sector telecomunicaciones, el modelo permite optimizar la comunicación y mejorar la percepción de la marca en las fases de venta y postventa.
Interpretability Challenges in Machine Learning Models
Este artículo analiza la evolución histórica y el estado actual de los algoritmos de Machine Learning (ML), destacando la creciente necesidad de interpretabilidad. Se aborda el problema de los modelos de caja negra, cuyo funcionamiento no es comprensible para los humanos, y las iniciativas para desarrollar modelos interpretables (caja blanca) o técnicas que expliquen los modelos existentes. Además, se examinan los desafíos de la interpretabilidad desde perspectivas científicas, legales, industriales y regulatorias, resaltando su impacto en la toma de decisiones y la sociedad.
What Do Machines Think About?
El Test de Turing propuso evaluar la inteligencia artificial (IA) mediante su capacidad para imitar el comportamiento humano. Desde entonces, la IA ha superado a los humanos en diversas tareas, como juegos estratégicos, conducción, composición musical y planificación automática. En las últimas décadas, el avance en telecomunicaciones, almacenamiento y procesamiento de datos ha impulsado un cambio de paradigma, conocido como Industria 4.0, que redefine la interacción entre tecnología y sociedad.
Tesis Doctorales
Gestión estratégica de atención al cliente mediante modelos lingüísticos difusos, modelos de decisión y machine learning. Aplicación práctica en entornos B2C y B2B
Esta tesis propone un nuevo modelo basado en RFM ampliado con el modelo lingüístico difuso 2-tupla (LD2T) y el Proceso Analítico Jerárquico (AHP) para optimizar la gestión de clientes en Contact Centers. El objetivo es segmentar clientes no solo por sus compras, sino también por su historial de interacción con la marca, permitiendo desarrollar estrategias relacionales personalizadas. Además, el modelo se extiende para la gestión de colas de incidencias, aplicando toma de decisiones multicriterio en tiempo real para priorizar interacciones y recomendar el canal de comunicación más adecuado.