SocieCon-GD

Los objetivos generales del Grupo de Investigación en Grupo de I+D+i en Sociedades del Conocimiento y Gobernanza Digital son la investigación y transferencia al sector socio-productivo de métodos, marcos y plataformas de trabajo, servicios y herramientas que colaboren a la innovación de las sociedades del conocimiento y la gobernanza digital. En particular, y en la actualidad se trabaja en dos líneas de investigación:

  1. La automatización inteligente de servicios públicos que colaboran al desarrollo sostenible de las comunidades, así como a la mejora de la eficiencia y efectividad de políticas y servicios públicos.
  2. El desarrollo y adopción de productos y servicios vinculados a las tecnologías 4.0 para el desarrollo del sector socio productivo y la mejora del estado.

Ambas líneas se enmarcan dentro de las temáticas de las Sociedades del Conocimiento y Gobernanza Digital. Las tareas desarrolladas por el Grupo servirán para apoyar y reforzar las tareas desarrolladas por la Cátedra UNESCO en Sociedades del Conocimiento y Gobernanza Digital de la UNS.

Miembros del Grupo

Director: Elsa Estevez

Investigadores

  • Karina Cenci – DCIC (UNS),
  • Carlos I. Chesñevar,
  • Pablo R. Fillotrani,
  • Susana Finquelievich – IIGG (UBA-CONICET),
  • Ana G. Maguitman,
  • Gerardo I. Simari

Becarios

  • Inés Dennehy – CIC,
  • Ulises Girolimo – UBA-CONICET,
  • Belen Odena – CONICET.

More

RC

El principal objetivo del Grupo de Investigación en Robótica Cognitiva es hacer investigación, desarrollo e innovación de técnicas y formalismos del área de inteligencia artificial para proveer de capacidades cognitivas a robots o agentes de software de manera que puedan actuar en forma autónoma y sin intervención humana. Estos robots tienen que ser capaces de interactuar con el entorno en donde se desenvuelven, percibiendo información, razonando y actuando sobre dicho entorno. Además, se buscará contribuir al área de sistemas embebidos, utilizando inteligencia artificial para atacar problemas que se suelen resolver en forma ad-hoc en el área.
Los temas principales en los que se desarrollan actividades son:

  • Argumentación
  • Revisión de creencias
  • Planificación
  • Agentes y sistemas multi-agentes
  • Toma de decisión
  • Sistemas embebidos
  • Inteligencia artificial en sistemas de control
  • Percepción: recuperación de información a través de sensores complejos (cámaras, RFID, ultrasonido, infrarrojo, red, mensajes, etc.)
  • Actuadores

Miembros del Grupo

Director: Luciano H. Tamargo

Investigadores

  • Andrea Cohen,
  • Marcelo A. Falappa,
  • Alejandro J. García,
  • Diego R. García,
  • Sebastian Gottifredi,
  • Diego C. Martínez,
  • José H. Moyano,
  • Gerardo I. Simari,
  • Guillermo R. Simari,
  • Luciano H. Tamargo.

Becarios

  • Ramiro A. Agis,
  • Martín Buron B.,
  • Federico Joaquín,
  • Mariano Maisonnave,
  • Virginia Sabando,
  • Matías Selzer.

More

JuriSIA

Los objetivos del Grupo de Investigaciones Jurídico-Sociales e Inteligencia Artificial son la investigación para el desarrollo de teorías y formalismos para modelar el razonamiento jurídico, el desarrollo de prototipos de Software para brindar asistencia tecnológica a la práctica del razonamiento jurídico, y el dictado de seminarios y cursos de posgrado en la interdisciplina de la Inteligencia Artificial y el Derecho.

Nuestro desafío es construir un puente entre las Ciencias de la Computación y las Ciencias Jurídicas de forma que cada una se enriquezca por la perspectiva de la disciplina complementaria. Buscamos así, definir un lenguaje común para lograr una interacción fluida entre la inteligencia artificial y la filosofía del derecho. Además, las perspectivas de la sociología jurídica y las ciencias políticas nos permiten una mayor profundización sobre el análisis del funcionamiento de los sistemas legislativo y judicial en nuestro país.

Es incumbencia primordial lo relativo al análisis de correctitud y fortalecimiento de las justificaciones en la argumentación jurídica, mientras que, por el contrario, no será de interés la aplicación de herramientas probabilísticas que pretendan reemplazar el criterio humano en la toma de decisiones judiciales.

Principales áreas de investigación:

  • Argumentación formal, filosófica, jurídica y probatoria
  • Interpretación Jurídica
  • Razonamiento Hipotético
  • Dinámica del razonamiento y Revisión de Creencias
  • Representación de Conocimiento y lógicas no-clásicas: deónticas, descriptivas, multivaluadas, dinámicas, rebatibles, etc.
  • Minería de argumentos jurídicos y Procesamiento de Lenguaje Natural
  • Razonamiento Automatizado y Ontológico
  • Sociología Jurídica, Cs. Políticas, Social Choice, Judicial Politics
  • Derecho Constitucional, Penal, Procesal y Procesal Penal

Miembros del Grupo

Director: Martin O. Moguillansky

Investigadores

  • Gustavo Bodanza (Filosofía) – IIESS (UNS-CONICET),
  • Hernán G. Bouvier (Filosofía del Derecho) – CIJS (UNC-CONICET),
  • M. Laura Cobo (Inteligencia Artificial) – DCIC (UNS),
  • Juan Cumiz (Filosofía del Derecho) – Departamento de Derecho (UNS),
  • Eugenia Gastiazoro (Sociología Jurídica) – CIJS (UNC-CONICET),
  • Sebastián Linares Lejarraga (Ciencias Políticas) – IIESS (UNS-CONICET),
  • Diego C. Martínez (Inteligencia Artificial) – ICIC (UNS-CONICET),
  • Martín O. Moguillansky (Inteligencia Artificial y Derecho) – ICIC (UNS-CONICET),
  • Guillermo R. Simari (Inteligencia Artificial) – ICIC (UNS-CONICET),
  • Axel J. Soto (Inteligencia Artificial – Procesamiento de Lenguaje Natural) – ICIC (UNS-CONICET),
  • Luciano H. Tamargo (Inteligencia Artificial) – ICIC (UNS-CONICET).

Becarios

  • Federico A. Leiva (Filosofía y Derecho) – UNS.

More

VyCG

Las principales líneas de investigación del Grupo de Investigación y Desarrollo en Visualización y Computación Gráfica se centran en áreas temáticas de Analítica Visual y Visualización, Computación Gráfica y Visión Computacional.

Respecto a Visualización, la investigación y el desarrollo están orientados a Visualización basada en Semántica, Interacciones en Visualización y Análisis Visual de Grandes Conjuntos de Datos con especial énfasis en datos espaciales, temporales y espacio temporales provenientes de distintas áreas del conocimiento (Geología, Neurociencias, Estadísticas Sociales, Políticas y Económicas, etc.).

En cuanto a Computación Gráfica se está trabajando en las líneas de Realidad Aumentada en interiores y en exteriores, Realidad Virtual, Analítica Visual del Movimiento y Modelado y Rendering de Volúmenes en Medicina. En lo que respecta a Visión computacional, la temática se refiere al estudio de marcadores biométricos para la detección de distintas patologías y a Reconstrucción 3D.

Miembros del Grupo

Director: Martín L. Larrea

Investigadores

  • Silvia Castro,
  • M. Luján Ganuza,
  • Nicolás Gazcón,
  • Dana K. Urribarri.

Becarios

  • Juan I. Larregui,
  • Matías Selzer,
  • Juan Manuel Trippel.

More

Grupo de investigación dedicado al diseño, implementación, aplicación y validación de herramientas Bioinformáticas para el análisis de datos ómicos en el estudio del Cáncer

En la actualidad existen diversos métodos para extraer información a partir de los datos de expresión de genes obtenidos con los experimentos de microarray o RNA-Seq por ejemplo, desde netamente estadísticos hasta métodos de inteligencia artificial. Nuestro objetivo es generar conocimiento a partir de estos datos combinando las dos áreas, apoyados por un grupo de biología molecular que aporta distintas necesidades provenientes de problemas reales relacionados con el cáncer, y que a su vez valida la coherencia de nuestros resultados.

Miembros del Grupo

Director: Jessica Carballido

Investigadores

  • Jessica Carballido – ICIC (UNS- CONICET),
  • Silvia Castro – ICIC (UNS- CONICET),
  • Rocío Cecchini – ICIC (UNS- CONICET),
  • Lucía Fernandez Chavez – (Farmacia),
  • Alejandro Curino – INIBIBB (UNS-CONICET),
  • Maria Marta Facchineti – INIBIBB (UNS-CONICET),
  • Ma. Luján Ganuza – ICIC (UNS- CONICET),
  • Marilina Mascaró – INIBIBB (UNS-CONICET).

More

ICBD

El objetivo del Grupo de Investigación en Ingeniería Cognitiva y Bases de Datos es el de hacer investigación, desarrollo e innovación en modelos formales y herramientas para el apoyo de los procesos cognitivos de los usuarios de sistemas de información; los temas principales en los que se desarrollan actividades son:

  • Razonamiento bajo incertidumbre
  • Manejo de inconsistencia
  • Razonamiento con preferencias
  • Lenguajes ontológicos para la Web Semántica
  • Revisión de creencias
  • Ciber-seguridad
  • Integración de información
  • Sistemas híbridos que combinan aprendizaje automático con modelos basados en lógica
  • Bases de conocimiento social

Los análisis de tratabilidad computacional (teóricos y prácticos) conducen una parte importante del I+D+i en todos estos temas.

Miembros del Grupo

Director: Gerardo I. Simari

Investigadores

  • Maximiliano Budán – UNSE (CONICET),
  • Paola Budán – UNSE,
  • Cristhian A. Deagustini – UNER (CONICET),
  • Marcelo A. Falappa – ICIC (UNS-CONICET),
  • Melisa Escañuela Gonzalez – UNSE (CONICET),
  • M. Vanina Martinez – ICC (UBA-CONICET),
  • Cristian Pacífico – UNER,
  • Federico Rosenzvaig – UNSE,
  • Gerardo I. Simari – ICIC (UNS-CONICET),
  • Guillermo R. Simari – ICIC (UNS-CONICET),
  • Juan Carlos L. Teze – UNER (CONICET).

Becarios doctorales

  • Mario Leiva,
  • Yamil O. O. Soto.

Becarios posdoctorales

  • José N. Paredes.

More

RCR-SMA

Las líneas de investigación del Grupo de Investigación en Representación de Conocimiento y Razonamiento en Sistemas Multi-Agente (RCR-SMA) están orientadas desarrollar y mejorar las capacidades de agentes inteligentes que participan de Sistemas Multi-Agente (SMA). Se busca desarrollar e implementar técnicas que combinan los desarrollos de las áreas de programación lógica, argumentación, revisión de creencias, planificación automática, confianza y reputación, lenguajes de implementación de agentes, representación de conocimiento y razonamiento automático. Los resultados obtenidos y esperados buscan dar soluciones a problemas computacionales de estas y otras áreas de la ciencia y la tecnología.

Entre las líneas actuales de investigación se encuentran: Desarrollar nuevas técnicas de mantenimiento y revisión de los mecanismos computacionales de confianza y reputación en SMA, donde los agentes puedan recibir información de múltiples informantes. Desarrollar técnicas para mejorar la capacidad y eficiencia computacional de los sistemas argumentativos, incorporando una noción de soporte entre argumentos y relaciones de alto orden. Desarrollar métodos para equipar a los sistemas de argumentación con la posibilidad de tener en cuenta cambios dinámicos, integrando, de esta manera, técnicas de revisión de creencias a la argumentación rebatible. Desarrollar mecanismos para la toma de decisiones individuales o colectivas por parte de agentes inteligentes deliberativos de un SMA. Desarrollar técnicas para compartir conocimiento en un SMA.

Miembros del Grupo

Director: Alejandro J. García

Investigadores

  • Andrea Cohen,
  • Marcelo A. Falappa,
  • Alejandro J. García,
  • Diego R. García,
  • Sebastian Gottifredi,
  • Guillermo R. Simari,
  • Luciano H. Tamargo.

Becarios

  • Ramiro A. Agis,
  • Martín Buron B.,
  • Federico Joaquín

More

GIGCRI

El Grupo de Investigación en Gestión de Conocimiento y Recuperación de Información estudia, diseña y evalúa métodos orientados a resolver problemas dentro de las áreas de minería de la web, búsqueda de información basada en contexto, búsqueda distribuida y sistemas de recomendación. Los métodos desarrollados combinan técnicas de aprendizaje automático y minería de texto. El objetivo, es desarrollar herramientas inteligentes para para facilitar la captura, refinamiento y organización de conocimiento en diferentes dominios.

Miembros del Grupo

Director: Ana G. Maguitman

Investigadores

  • Fernando Delbianco – INMABB (UNS-CONICET),
  • Rocío L. Cecchini – ICIC (UNS-CONICET),
  • Carlos I. Chesñevar – ICIC (UNS-CONICET),
  • Elsa C. Estevez – ICIC (UNS-CONICET),
  • Carlos M. Lorenzetti – ICIC (UNS-CONICET),
  • Ana G. Maguitman – ICIC (UNS-CONICET),
  • Ignacio Ponzoni – ICIC (UNS-CONICET),
  • Axel J. Soto – ICIC (UNS-CONICET),
  • Fernando Tohmé – INMABB (UNS-CONICET),
  • Eduardo Xamena – UNSa (CONICET).

Becarios

  • Mariano Maisonnave,

More

BioChemTICs

El Grupo de Investigación en Bioinformática y Quimioinformática (BioChemTICs) pertenece a la Universidad Nacional del Sur, una universidad pública de Argentina. BioChemTICs es además parte del Instituto en Ciencias e Ingeniería de la Computación (ICIC), un instituto de investigación del Consejo Nacional de Ciencia y Tecnología de la Argentina (CONICET). BioChemTICs está integrado por seis miembros que trabajan en temáticas de aprendizaje maquinal y minería de datos grandes para abordar aplicaciones en Biología Computacional e Informática Molecular. Nuestras investigaciones se centran en el análisis de cantidades masivas de datos e involucre el uso de métodos de computación evolutiva, redes neuronales artificiales y analítica visual.

Miembros del Grupo

Director: Ignacio Ponzoni

Investigadores

Becarios

Publicaciones

  • Cravero, F., Schustik, S., Martínez, M.J., Barranco, C.D., Díaz, M.F., Ponzoni, I. “Computer-Aided Design of Polymeric Materials: Characterization of Databases for Prediction of Mechanical Properties under Polydispersity”. Chemometrics and Intelligent Laboratory Systems, Vol. 191, pp. 65-72 (2019). Elsevier. ISSN: 0169-7439. [doi: 10.1016/j.chemolab.2019.06.006]
  • Ponzoni I., Sebastian-Pérez V., Martínez M.J., Roca C., De la Cruz, C., Cravero F., Vazquez, G.E., Páez J.A., Díaz M.F., Campillo N.E. “QSAR Classification Models for Predicting the Activity of Inhibitors of Beta-Secretase (BACE1) Associated with Alzheimer’s Disease”. Scientific Reports, Vol. 9:9102, (2019). Nature Pub. Group. ISSN: 2045-2322. [doi: 10.1038/s41598-019-45522-3]
  • Díaz–Montaña, J.J., Díaz–Díaz, N., Barranco, C.D., Ponzoni, I. “Development and use of a Cytoscape app for GRNCOP2”, Computer Methods and Programs in Biomedicine. Vol. 177, pp. 211–218 (2019). Elsevier. ISSN: 0169-2607. [doi: 10.1016/j.cmpb.2019.05.030]
  • Sebastián-Pérez, V., Martínez, M.J., Gil, C., Campillo, N.E., Martínez, A., Ponzoni, I. “Inference of QSAR Models for identifying LRRK2 inhibitors for the treatment of Parkinson’s Disease”, Journal of Integrative Bioinformatics. Vol. 16, Issue 1 (2019). De Gruyter. ISSN: 1613-4516. [doi: 10.1515/jib-2018-0063]
  • Martínez, M.J., Razuc, M., Ponzoni I. “MoDeSuS: A Machine Learning Tool for Selection of Molecular Descriptors in QSAR Studies applied to Molecular Informatics”, BioMed International Research. Vol. 2019, Article number 2905203 (2019). Hindawi. ISSN: 2314-6133. [doi: 10.1155/2019/2905203]
  • Cecchini, R.L., Lorenzetti, C.M., Maguitman, A.G., Ponzoni, I. “Topic Relevance and Diversity in Information Retrieval from Large Datasets: A Multi-Objective Evolutionary Algorithm Approach”, Applied Soft Computing. Vol. 69, pp. 749-770 (2018). Elsevier. ISSN: 1568-4946. [doi: 10.1016/j.asoc.2017.11.016]
  • Martínez M.J., Dussaut J.S., Ponzoni, I. “Biclustering as Strategy for Improving Feature Selection in Consensus QSAR Modeling”, Electronic Notes in Discrete Mathematics, Vol. 69, pp. 117-124 (2018). Elsevier. ISSN: 1571-0653. [doi: 10.1016/j.endm.2018.07.016]
  • Dussaut J.S., Cecchini, R.L., Gallo, C.A., Ponzoni, I., Carballido, J.A. “A Review of Software Tools for Pathway Crosstalk Inference”, Currents Bioinformatics, 13 (1), pp. 64-72 (2018). Bentham Science.ISSN: 1574-8936. [doi: 10.2174/1574893611666161123123204]
  • Carballido, J.A., Latini M.A., Ponzoni, I., Cecchini, R.L. “An Evolutionary Algorithm for Automatic Recommendation of Clustering Methods and its Parameters”, Electronic Notes in Discrete Mathematics, Vol. 69, pp. 229-236 (2018). Elsevier. ISSN: 1571-0653. [doi: 10.1016/j.endm.2018.07.030]
  • Dussaut J.S., Gallo, C.A., Martínez M.J., Cravero F., Carballido, J.A., Ponzoni, I. “GeRNet: A Gene Regulatory Network Tool”, Biosystems. Vol. 162, pp. 1-11, (2017). Elsevier. ISSN: 0303-2647. [doi: 10.1016/j.biosystems.2017.08.006]
  • Ponzoni I., Sebastian-Pérez, Requena C., Roca C., Martínez M.J., Cravero F., Díaz M.F., Páez J.A., Gomez Arrayas R., Adrio J., Campillo N.E. “Hybridizing Feature Selection and Feature Learning Approaches in QSAR Modeling for Drug Discovery”, Scientific Reports. Vol. 7:2403, (2017). Nature Pub. Group. ISSN: 2045-2322. [doi: s41598-017-02114-3]
  • Cravero F., Martínez M.J., Vázquez G., Díaz M., Ponzoni I. “Feature Learning applied to the Estimation of Tensile Strength at Break in Polymeric Material Design”, Journal of Integrative Bioinformatics. Vol. 13, No. 2, 286 (2016). De Gruyter. ISSN: 1613-4516. [doi: 10.2390/biecoll-jib-2016-286]
  • Romero J.R., Carballido J.A., Garbus I., Echenique V.C., Ponzoni I. “A Bioinformatics Approach for Detecting Repetitive Nested Motifs using Pattern Matching”, Evolutionary Bioinformatics. Vol. 12, pp. 247-251, (2016). SAGE Publishing. ISSN: 1176-9343. [doi: 10.4137/EBO.S40138]
  • Gallo, C.A., Cecchini, R.L., Carballido, J.A., Micheletto, S., Ponzoni, I. “Discretization of gene expression data revised”, Briefings in Bioinformatics. Vol. 17 (5), pp. 758-770, (2016). Oxford University Press. ISSN: 1467-5463. [doi: 10.1093/bib/bbv074]
  • Dussaut J.S., Gallo, C.A., Cecchini, R.L., Carballido, J.A., Ponzoni, I. “Crosstalk Pathway Inference using Topological Information and Biclustering of Gene Expression Data”, Biosystems, Vol.150, pp. 1-12, (2016). Elsevier. ISSN: 0303-2647.[doi: 10.1016/j.biosystems.2016.08.002]
  • Martínez, M.J., Ponzoni, I., Díaz, M.F., Vazquez, G.E., Soto, A.J. “Visual analytics in cheminformatics: user‑supervised descriptor selection for QSAR methods”, Journal of Cheminformatics, Vol. 7, Paper 39, (2015). Springer. ISSN 1758-2946. [doi: 10.1186/s13321-015-0092-4]
  • Carballido, J.A., Gallo, C.A., Dussaut J.S., Ponzoni, I. “On Evolutionary Algorithms for Biclustering of Gene Expression Data”, Currents Bioinformatics, Vol. 10, No. 3, pp. 259-267, (2015). Bentham Science.ISSN: 1574-8936. [doi: 10.2174/1574893609666140829204739].
  • Ponzoni I., Nueda M.J., Tarazona S., Götz S., Montaner D., Dussaut J.S., Dopazo J., Conesa A. “Pathway network inference from gene expression data”, BMC Systems Biology, Vol. 8, S7. Springer Nature, (2014).ISSN: 1752-0509.[doi: 10.1186/1752-0509-8-S2-S7]
  • Romero, J.R., Roncallo, P.F., Akkiraju, P.C., Ponzoni, I., Echenique, V.C., Carballido, J.A. “Using classification algorithms for predicting durum wheat yield in the province of Buenos Aires”, Computers and Electronics in Agriculture, Vol. 96, pp. 173-179. Elsevier, (2013). ISSN: 0168-1699. [doi: 10.1016/j.compag.2013.05.006]
  • Palomba, D., Martínez, M.J., Ponzoni, I., Díaz, M.F., Vazquez, G.E., Soto, A.J. “QSAR models for predicting log Pliver on volatile organic compounds combining statistical methods and domain knowledge”, Molecules, Vol. 17, No. 12, pp. 14937-14953. MDPI AG, (2012). ISSN 1420-3049. [doi: 10.3390/molecules171214937]
  • Cecchini, R.L., Ponzoni, I., Carballido, J.A. “Multi-objective evolutionary approaches for intelligent design of sensor networks in the petrochemical industry”, Expert Systems with Applications, Vol. 39, pp. 2643-2649, Elsevier, (2012). ISSN: 0957-4174. [doi: 10.1016/j.eswa.2011.08.119]
  • Soto, A.J., Vazquez, G.E., Strickert, M., Ponzoni, I. “Target-driven subspace mapping methods and their applicability domain estimation”, Molecular Informatics, Vol. 30, pp. 779–789, Wiley, (2011). ISSN: 1868-1751. [doi: 10.1002/minf.201100053]
  • Gallo, C.A., Carballido, J.A., Ponzoni, I. “Discovering Time-Lagged Rules from Microarray Data using Gene Profile Classifiers”, BMC Bioinformatics. Vol. 12, paper 123, Springer Nature, (2011). ISSN: 1471-2105. [doi: 10.1186/1471-2105-12-123]
  • Soto, A.J., Cecchini, R.J., Vazquez, G.E., Ponzoni, I. “Multi-Objective Feature Selection in QSAR/ QSPR using a Machine Learning Approach”, QSAR & Combinatorial Science. Vol. 28, No. 11-12, pp. 1509-1523. Wiley, (2009). ISSN: 1611-020X. [doi: 10.1002/qsar.200960053]
  • Carballido, J.A., Ponzoni, I., Brignole, N.B. “SID-GA: an Evolutionary Approach for improving Observability and Redundancy Analysis in Structural Instrumentation Design”. Computers & Industrial Engineering. Vol. 56, No. 4, pp. 1419-1428, (2009). Elsevier. ISSN: 0360-8352. [doi: 10.1016/j.cie.2008.09.001]
  • Domancich, A.O., Durante, M., Ferraro, S., Hoch, P., Brignole N.B., Ponzoni I. “How To Improve the Model Partitioning in a DSS for Instrumentation Design”, Industrial & Engineering Chemistry Research. Vol. 48, No. 7, pp. 3513-3525, (2009). American Chemical Society. ISSN: 0888-5885. [doi: 10.1021/ie800449t]
  • Ponzoni, I., Azuaje, F.J., Augusto, J.C., Glass, D.H. “Inferring adaptive regulation thresholds and association rules from gene expression data through combinatorial optimization learning”. IEEE/ACM Transactions on Computational Biology and Bioinformatics. Vol. 4, No. 4, pp. 624-634 (2007). IEEE Computer Society. ISSN: 1545-5963. [doi: 10.1109/tcbb.2007.1049]
  • Carballido, J.A., Ponzoni, I., Brignole, N.B. “CGD-GA: A Graph-based Genetic Algorithm for Sensor Network Design”. Information Sciences. Vol. 177, No. 22, pp. 5091–5102 (2007). Elsevier. ISSN: 0020-0255. [doi: 10.1016/j.ins.2007.05.036]

More

Instrucciones para expositores

Audiencia

Están invitados a participar de este evento los investigadores y becarios del ICIC Conicet-UNS, docentes-investigadores del DCIC UNS así como alumnos y becarios avanzados de las carreras del DCIC UNS.

Contenidos de la presentación

Se espera que la presentación brinde una visión sintética de su trabajo de investigación que pueda ser comprensible para una audiencia general que tenga formación en Cs. de la Computación. El contenido de la presentación en transparencias debería cubrir (a modo de sugerencia) al menos los siguientes aspectos:

  • Contexto (¿qué tipo de beca tiene? ¿quiénes son sus directores? ¿Cuánto hace que está trabajando en el tema? Además de la beca, ¿desarrolla actividad docente? ¿en qué asignatura(s)? )
  • Descripción del problema (¿cuál es el tema en el que desarrolla su investigación? ¿cuáles son los interrogantes que está intentando responder?)
  • Resultados obtenidos hasta el momento (publicaciones en congresos, revistas, etc.; trabajos en preparación).
  • Desafíos para continuar la investigación (¿qué escollos son los que está enfrentando para poder avanzar en su trabajo? ¿qué caminos está ensayando para resolverlos?)
  • Planes a futuro (¿cuándo piensa terminar su tesis? ¿Qué expectativas, interrogantes o dudas tiene hacia el futuro?)

El formato de la presentación es libre, a fin de que cada becario pueda decidir el que considere más apropiado (transparencias Powerpoint, Prezi, videos, etc.).

Duración de la presentación:

Cada becario dispondrá de 10 minutos para hacer su presentación, seguida de unos minutos para preguntas y comentarios del público.

Pueden verse las presentaciones de la 1era edición como ejemplos.

More