Revista Cubana de Transformación Digital

Estrategia de entrenamiento de alumnos talentos en concursos de informática en la enseñanza preuniversitaria del centro de entrenamiento de Camagüey durante el período 2016 – 2022

Antonio Bouza Pérez — 2026-09-29

En las competiciones de conocimientos de Informática en el nivel preuniversitario, la habilidad fundamental que debe desarrollar el concursante es la resolución de problemas mediante la programación competitiva, área que abarca estructuras de datos, grafos, programación dinámica y matemática computacional. Sin embargo, el currículo de Informática del bachillerato aborda los lenguajes de programación de forma limitada y no se enfoca en algoritmos ni estructuras de datos, lo que dificulta la preparación de los estudiantes que deciden concursar. El presente trabajo tiene como objetivo elevar la calidad del proceso de enseñanza-aprendizaje en las sesiones de entrenamiento del concurso de Informática. Partiendo de los aportes de varios autores, se defiende un papel más protagónico del profesor-entrenador, no solo como coordinador del trabajo grupal, sino como aportador de conocimientos, responsable de seleccionar y ordenar los contenidos y los problemas según su dificultad, y de acompañar al estudiante en la resolución. La metodología articula tres factores —dominio teórico, herramientas adquiridas por experiencia y motivación— y estructura cada contenido en formato digital (conferencia teórica, ejemplos y problemas graduados por complejidad), apoyándose en clasificaciones tipo USACO y en jueces en línea como DMOJ, Codeforces y pruebas internas. Se describe además un sistema de evaluación sistemática (categorías Retroceso, Estancado y Avance). Los resultados, basados en la actuación de los concursantes de Camagüey en el Concurso Nacional de Computación (2016–2022), muestran resultados positivos: múltiples medallas nacionales, participación en la Olimpiada Iberoamericana de Informática y en la IOI Japón 2018, lo que respalda la propuesta.

Algoritmos de balanceo probabilístico: desarrollo y evaluación de un sistema informático para clasificación binaria

Ireimis Leguen de Varona — 2026-03-30

El desbalance de clases es un problema habitual en tareas de clasificación supervisada, donde la clase minoritaria se encuentra representada por una proporción significativamente menor de instancias. Esta situación compromete la capacidad de los modelos para reconocer correctamente los casos más relevantes, como en la clasificación de texto, detección de fraudes o diagnósticos médicos. Aunque existen múltiples algoritmos de sobremuestreo que abordan este reto, las soluciones probabilísticas que se proponen en este trabajo: SMOTE-COV-LW, SMOTE-RL y SMOTE-EN, presentan un enfoque innovador basado en modelos probabilísticos. Sin embargo, su uso ha estado limitado a entornos de programación, lo que restringe su aplicación por parte de usuarios no especializados. Para facilitar su acceso, se diseñó un sistema informático que permite aplicar estos algoritmos de sobremuestreo probabilísticos para conjuntos de datos de clasificación binaria de forma gráfica y sin necesidad de conocimientos técnicos avanzados. El sistema fue desarrollado con tecnologías como Python y PyQt6, e incluye herramientas para importar bases de conocimientos de clasificación binarias, aplicar balanceo y exportar resultados. Para evaluar el rendimiento de los algoritmos probabilísticos propuestos, se realizó una comparación con técnicas clásicas ampliamente utilizadas (SMOTE, Borderline-SMOTE, SMOTE-RSB y ADASYN). La evaluación se realizó sobre múltiples conjuntos de datos de clasificación binaria desbalanceados, utilizando como clasificadores a C4.5, MLP, KNN, Random Forest y SVM, y como métricas de desempeño el AUC y el F1-Score. Los resultados mostraron que los algoritmos probabilísticos alcanzaron resultados similares o incluso superiores en varios escenarios, lo que evidencia su competitividad frente a los métodos tradicionales.

Estrategias de ingeniería para el ajuste fino supervisado y eficiente de los LLM específicos de dominio: un estudio de caso sobre patrimonio cultural

Reynier Hernández Palacios — 2026-04-23

Los modelos de lenguaje de gran tamaño (LLMs) muestran un alto rendimiento en tareas generales, pero su adaptación a dominios altamente especializados sigue siendo un desafío bajo restricciones computacionales. Este trabajo presenta un estudio de caso metodológico de supervised fine-tuning (SFT) del modelo Qwen 1.5 de 7B parámetros para tareas de pregunta–respuesta en un dominio especializado, utilizando el patrimonio cultural como caso de validación. Se propone un pipeline eficiente en recursos que combina técnicas de adaptación eficiente de parámetros y optimización computacional, incluyendo DoRA, QLoRA con cuantización de baja precisión, Flash Attention y gradient checkpointing, permitiendo el entrenamiento en hardware de consumo (NVIDIA RTX 3090, 24 GB de VRAM). El modelo fue ajustado sobre un dataset de 1,000 a 4,000 pares de preguntas y respuestas, generado de forma asistida por LLMs y validado mediante revisión experta. La evaluación cualitativa sistemática mostró mejoras claras en contextualización específica del dominio y reducción de errores respecto al modelo base. Los resultados demuestran la viabilidad de especializar LLMs en dominios altamente contextuales bajo entornos de recursos limitados y aportan un marco metodológico replicable para proyectos de adaptación de dominio.

Gestión del feedback de usuarios en el desarrollo de aplicaciones móviles: Un desafío para la transformación digital en Cuba

Alionuska Velazquez Cintra — 2026-05-01

Este artículo presenta un diagnóstico sobre la gestión e integración del feedback de usuarios en los procesos de toma de decisiones de los equipos de desarrollo de aplicaciones móviles en Cuba. La investigación se sustenta en un modelo de análisis de cinco dimensiones: organizacional, de gestión, operativa, técnica y estratégica. Mediante un enfoque mixto y una muestra de 72 especialistas, se identificó una brecha crítica: aunque el 90.7% reconoce el valor estratégico de las opiniones de los usuarios, el 83.5% realiza su gestión de forma manual. Los resultados revelan que el 78.3% del feedback es policodado (emojis, audios, símbolos), lo que genera una alta incertidumbre lingüística y técnica. Se concluye que la falta de herramientas para la estandarización y trazabilidad de información heterogénea constituye el principal cuello de botella para una toma de decisiones basada en datos, limitando el alcance de la transformación digital en el contexto nacional.

El patrimonio del Siglo XX en la era digital: hibridación normativa y salvaguardia tecnológica del Art Nouveau habanero

Pedro Ortega Ventureira — 2026-05-15

Este artículo reflexiona sobre la preservación del patrimonio arquitectónico del siglo XX en la era digital, tomando como caso de estudio el Art Nouveau habanero. Se plantea la evolución normativa de la UNESCO desde el patrimonio tangible hacia el intangible y digital, destacando la importancia de la Convención de 2003 y la Carta sobre Patrimonio Digital. El proyecto surge en el marco del Congreso Internacional Cibersociedad 2025, con la creación de un mapa digital del modernismo en La Habana mediante inteligencia artificial, geocodificación y plataformas de visualización interactiva. Se documentan edificios emblemáticos como el Palacio Cueto, la Casa de los Pelícanos y los Jardines de la Tropical, revelando la singularidad de la “arquitectura de molde” impulsada por Mario Rotllant, que democratizó el estilo a través de elementos prefabricados. La propuesta de candidatura UNESCO se reorienta hacia el patrimonio cultural inmaterial, reconociendo los saberes constructivos tradicionales (forja, vidriería, fundición de cemento) y apoyándose en tecnologías de restitución digital (fotogrametría, modelado 3D). Se concluye que la combinación de IA, GIS y marcos normativos internacionales potencia la investigación y salvaguardia del patrimonio, transformando datos en memoria cultural preservada para futuras generaciones.

Integración multimodal de datos cognitivos y morfométricos para el diagnóstico de la etapa de progresión de la enfermedad de Alzheimer

Sheyla León Pino — 2026-09-29

Este estudio aborda el diagnóstico temprano y preciso de la enfermedad de Alzheimer, un desafío clave en neurología clínica. Investigamos un enfoque que combina biomarcadores morfométricos de resonancia magnética con evaluaciones cognitivas, buscando superar las limitaciones de los métodos diagnósticos que utilizan estas fuentes de información de forma aislada. Analizamos datos de 1,382 participantes de la base ADNI, clasificados en controles cognitivos, deterioro cognitivo leve (MCI) y Alzheimer. Implementamos algoritmos de aprendizaje automático, destacando XGBoost con una precisión equilibrada de 83.72%, superior a los modelos basados solo en variables cognitivas. Los resultados indican que la integración multimodal mejoró la detección del estado MCI, con un aumento en sensibilidad. Los biomarcadores con mayor poder predictivo fueron los volúmenes hipocampales, de la corteza entorrinal y las medidas de sustancia gris total. Este enfoque ofrece una herramienta diagnóstica más precisa y se alinea con el marco de investigación NIA-AA, que enfatiza la definición biológica del Alzheimer a través de biomarcadores. Un diagnóstico más temprano y preciso permitiría intervenciones más oportunas y una mejor selección de pacientes para ensayos clínicos. Este trabajo demuestra el potencial de la inteligencia artificial para integrar diferentes fuentes de información en un modelo predictivo, con posibles aplicaciones en la práctica clínica.

Manejo de datos OOD en la generación de imágenes sintéticas: revisión del estado del arte

Arbolaez Espinosa Ariadna — 2025-12-31

La generación de imágenes sintéticas mediante modelos generativos ha experimentado un progreso notable, pero la identificación y manejo de datos fuera de distribución (OOD) sigue siendo un reto crítico para la implementación confiable de estos modelos. Esta revisión examina el estado del arte en la detección OOD dentro del contexto de la generación de imágenes sintéticas. Se analizan arquitecturas generativas ampliamente utilizadas, como Wasserstein GAN con penalización de gradiente (WGAN-GP) y StyleGAN2-ADA, junto con métricas de evaluación como la Fréchet Inception Distance (FID). Además, se revisan estrategias recientes que mejoran la discriminación OOD sin necesidad de datos OOD durante el entrenamiento, como SeTAR (que ajusta selectivamente representaciones internas) y ABET (que combina energía y escalado de temperatura aprendido). La síntesis de la literatura indica que la integración de técnicas de detección OOD en los modelos generativos no solo incrementa la capacidad de los modelos para distinguir entre ejemplos en distribución y fuera de distribución, sino que también promueve una mayor fidelidad visual y estabilidad en las imágenes sintéticas, especialmente en escenarios con datos reales limitados o críticos. La revisión concluye identificando vacíos en el conocimiento y proponiendo líneas futuras de investigación para fortalecer la aplicabilidad de estos modelos en dominios sensibles.

Sistema inteligente para la predicción de mortalidad en Unidades de Cuidados Intensivos

María del Rocío Vicente González — 2025-12-31

La predicción temprana de mortalidad en Unidades de Cuidados Intensivos (UCI) mediante técnicas de aprendizaje automático se ha convertido en una herramienta clave para apoyar la toma de decisiones clínicas en entornos altamente dinámicos y críticos. En este trabajo se desarrolla un modelo de red neuronal Perceptrón Multicapa (MLP) para predecir la mortalidad en la UCI del Hospital Universitario "Arnaldo Milián Castro" de Villa Clara, Cuba. Se aplicaron técnicas de preprocesamiento para manejar inconsistencias en los datos clínicos, así como métodos de balanceo como BorderlineSMOTE para abordar el desbalance de clases. El modelo alcanzó métricas destacables en pruebas de campo: sensibilidad superior al 85%, área bajo la curva ROC (AUC-ROC) de 0,93 y precisión global elevada. Además, se implementó el método LIME (Local Interpretable Model-Agnostic Explanations) para mejorar la interpretabilidad de las predicciones. Los resultados evidencian el potencial del sistema para identificar pacientes en riesgo con un mínimo margen de error, constituyendo una herramienta de apoyo valiosa para el personal médico en entornos de cuidados intensivos.