Repositorio Institucional ITBA
Not a member yet
2611 research outputs found
Sort by
UNIVERSITY–INDUSTRY LINKAGE MODALITIES AND THE QUALITY OF COLLABORATION: EFFECTS ON KNOWLEDGE TRANSFER AND INNOVATION
No full textThis study examines how the quality of interpersonal ties influences the selection of university–industry (U–I) linkage modalities and the perceived benefits of collaboration. Based on a multiple case study from Argentine research centers, the findings show that strong ties are essential for bidirectional and innovation-oriented modalities, while weak ties are linked to service-based interactions. Researchers involved in strong-tie collaborations tend to gain intellectual benefits, while economic outcomes
dominate in service and commercial modalities. The study highlights the central role of trust, interdisciplinarity, and proactive engagement in fostering effective knowledge transfer. It calls for institutional incentives that support deeper, sustained U–I collaborations
Organización de la información espacial, direccional y de velocidad en la corteza entorrinal y en el hipocampo de ratas a lo largo de un ciclo de la oscilación theta
Full text linkEn la corteza entorrinal y el hipocampo se encuentran tipos específicos de neuronas que codifican información espacial, direccional y de velocidad. Estas neuronas, conocidas como grid cells, place cells, head direction cells y speed cells, están estrechamente relacionadas con las oscilaciones theta
presentes en el cerebro. En los ultimos años se han logrado numerosos avances sobre la relación entre estas neuronas y la oscilación theta. Esta investigación se centra en explorar cómo esta oscilación modula a las células previamente mencionadas del hipocampo y la corteza entorrinal, y cómo esta modulación varía para cada neurona según el área del cerebro, el subcampo o la capa. En este estudio se utilizaron registros neuronales de ratas proporcionados por el Laboratorio de Fisiología y Algoritmos del Cerebro de la Fundación Instituto Leloir. Estos registros fueron procesados para construir una base de datos, y luego se analizaron mediante técnicas como el cálculo de la tasa de disparo promedio, el contenido de información, la pendiente y la correlación. Además, se emplearon métodos de reducción de dimensionalidad y aprendizaje automático (Machine Learning) para interpretar los resultados y extraer conclusiones. Este estudio investiga cómo la oscilación theta modula el comportamiento de estas neuronas especializadas. Comprender esta modulación es fundamental para estudiar funciones cognitivas como la memoria y la navegación espacial, y puede ofrecer información valiosa para entender enfermedades neurodegenerativas como el Alzheimer, así como los mecanismos a través de los cuales estas condiciones afectan la función cerebral
FACTORS THAT AFFECT THE SURVIVAL OF MICRO BUSINESSES IN ARGENTINA
Full text linkMicro enterprises are vital to Argentina’s economy but often face sustainability challenges due to limited forecasting capabilities. This study explores how micro business owners in Buenos Aires predict short-term outcomes in sales, stock, and pricing, and which factors influence their accuracy. Based on data from 150 participants, the research examines correlations between prediction accuracy and variables such as education, experience, and business longevity. Findings show that higher education levels are strongly associated with better forecasting performance, while experience also contributes positively. Gender, however, does not appear to affect prediction accuracy. These results suggest that targeted business education and mentorship programs could strengthen the decision-making capacity and resilience of micro businesses. The study recommends expanding access to financial and inventory management training and promoting peer-learning among entrepreneurs. This research contributes to the understanding of success factors for micro businesses and offers insights for policy
and program development in emerging economies
Caracterización climatológica de la cuenca argentina norte para apoyo de las tareas exploratorias, de explotación y logísticas en plataformas offshore
No full textLa actividad marítima offshore, que comprende tanto la exploración y explotación de hidrocarburos como las operaciones logísticas asociadas, está fuertemente condicionada por variables meteorológicas y oceanográficas. Este trabajo caracteriza climatológicamente la Cuenca Argentina Norte, en el Mar Argentino, mediante un análisis estadístico de variables ambientales marinas como viento en superficie, estado del mar, visibilidad, ocurrencia de ciclones extratropicales y deriva de témpanos, con el fin de aportar información clave para la seguridad y eficiencia de las plataformas offshore en la región. Los datos utilizados provienen del Servicio de Hidrografía Naval y se aplicaron pruebas de tendencia y correlación lineal (coeficiente de Pearson), test de Pettit para detección de saltos climáticos y test de Mann-Kendall para evaluar series temporales. Los resultados muestran un incremento significativo en la frecuencia e intensidad del viento, la visibilidad reducida y las olas extremas, factores que aumentan los riesgos operativos, mientras que la altura media de las olas se mantiene constante. Se detectaron saltos climáticos en la década de 1980 que afectaron variables como visibilidad y viento medio. Asimismo, la región presenta alta actividad de ciclones extratropicales y posibles riesgos futuros asociados a mayor presencia de témpanos. Se recomiendan medidas de mitigación como la disponibilidad de servicios meteorológicos especializados, planes de evacuación, criterios de seguridad claros y uso de datos actualizados y comprensibles para los distintos actores. Los hallazgos constituyen una base sólida para mejorar la planificación, seguridad y resiliencia de las operaciones offshore en la Cuenca Argentina Norte
Sistema óptico de seguimiento de instrumental para entrenamiento en neurocirugía
No full text"La formación neuroquirúrgica exige herramientas de simulación que permitan practicar maniobras de alta precisión sin comprometer la seguridad del paciente. Los sistemas comerciales de neuronavegación ofrecen exactitudes submilimétricas, pero su costo y complejidad los vuelven inaccesibles para entornos docentes. Este trabajo presenta el diseño, implementación y validación de un sistema óptico de seguimiento tridimensional de instrumental quirúrgico de bajo costo, concebido para complementar modelos anatómicos impresos en 3D durante el entrenamiento. Es importante aclarar que este sistema no pretende alcanzar los niveles de precisión de los equipos de neuronavegación de grado médico.
El prototipo se basa en un módulo StereoPi v2 con dos cámaras Raspberry Pi NoIR sincronizadas y una fuente de iluminación infrarroja. Tras una calibración intrínseca y estereoscópica con tablero de ajedrez, se introdujo una recalibración automática mediante marcadores ArUco que permite alinear las cámaras con un sistema de referencia físico en menos de un minuto. El seguimiento o tracking emplea umbralización de alta intensidad y operaciones morfológicas para detectar los centros de cuatro marcadores retrorreflectivos fijados al instrumento; la triangulación resultante se suaviza con una media exponencial móvil de primer orden.
Los ensayos sobre una grilla milimetrada y sobre 17 puntos anatómicos de un modelo de columna lumbar impreso en PLA arrojaron un error euclídeo medio de 5,7 mm (máx. 13 mm). El desvío estándar en pruebas de precisión y estabilidad fue menor a 2 mm en los ejes laterales y menor a 6 mm en profundidad. La estimación angular del eje del instrumento mostró un error medio de 0,53° (error absoluto medio 0,73°). El sistema procesa video a ∼60 fps en una laptop convencional y proyecta la posición del instrumento en tiempo real sobre cortes transversales y sagitales precalculados del modelo anatómico.
Estos resultados demuestran la viabilidad de un neuronavegador abierto y económico capaz de aportar retroalimentación espacial cuantitativa durante la práctica. Futuras mejoras contemplan optimizar la estimación en profundidad, integrar filtros ópticos para luz infrarroja y migrar el procesamiento a hardware embebido de mayor rendimiento"
Deforestation Monitoring Using Machine Learning Methods and Time-Series Satellite Data
No full text"This thesis investigates the application of machine learning methods to the task of deforestation monitoring using time-series satellite data. The objective is to assess how different algorithmic approaches perform in detecting forest loss based on spectral and vegetation index signals derived from multi-temporal optical imagery. A comparative framework was developed to benchmark traditional classifiers and deep learning architectures with respect to their accuracy, computational efficiency, and interpretability.
The methodology combines pixel-level vegetation time series with stratified training samples and evaluates model outputs against validated reference data. Models were trained and tested in a cloud-based environment using consistent preprocessing and feature extraction pipelines. Key evaluation metrics were used to characterize the strengths and limitations of each approach.
The results show that, under the right conditions, well-optimized traditional machine learning models can achieve deforestation detection performance comparable to that of deep learning techniques. This highlights the importance of careful feature engineering and the quality of ground truth labels. While recurrent neural networks excel in capturing complex temporal dynamics, they come with substantial computational costs and implementation complexity. In contrast, classical models such as ensemble methods or linear classifiers offer competitive performance when paired with informative input representations and are better suited for scalable or resource-constrained monitoring systems.
These findings contribute to the broader discussion on operational deforestation monitoring by demonstrating that model choice must be aligned with the intended use case—whether focused on early-warning alerts, policy reporting, or high-throughput analysis—and by identifying practical trade-offs between accuracy, explainability, and computational demand.
Simulation of a hydraulic fracturing stage in the Vaca Muerta Formation, with Microseismic Monitoring correlation
No full text"In present work, a finite element model is developed for the hydraulic fracturing process applicable to a stage of a horizontal well in a shale formation, using the joint representation of the clusters that compose it. Based on the advancement of the fracture, several permeability evolution models are proposed and calibrated, and with actual DFIT curves the corresponding Model-Generated Stimulated Reservoir Volume (MGSRV) is determined. The model is calibrated for a well located in the Vaca Muerta formation, and the model is validated with a stage of interest from this well using its microseismic data. As the simulation time progresses, the resulting MGSRV increases progressively, and in the process, a higher proportion of microseismic events weighted by the energy associated with them is reached, indicating a high similarity with the fracture growth indicated by the microseismic report corresponding to the stage. Good agreement between the stimulated volume and the microsesimic data is found.
Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
No full textEl presente trabajo evalúa la capacidad predictiva de técnicas de aprendizaje automático supervisadas y no supervisadas para estimar la calidad del aire en la Ciudad Autónoma de Buenos Aires. A partir de datos geoespaciales y socioambientales, se desarrollaron dos modelos: un enfoque no supervisado basado en K-means clustering con reducción dimensional mediante PCA, y un modelo supervisado mediante XGBoost. Ambos se aplicaron a un conjunto de 3.552 fracciones censales con el objetivo de asignar valores de calidad del aire (CO, NO₂, PM₁₀) a zonas sin cobertura de monitoreo. Los resultados muestran que XGBoost alcanzó una precisión promedio del 83%, superando ampliamente a K-means (58%), y permitiendo una cobertura completa del 100% del territorio urbano. El estudio demuestra la viabilidad de integrar técnicas de ciencia de datos y análisis geoespacial para optimizar el monitoreo ambiental y apoyar políticas públicas basadas en evidencia
Sistema de detección de estrés a partir de la voz
Full text link"El estrés es un fenómeno que afecta a toda la población y que puede tener un impacto negativo en la salud si no es gestionado adecuadamente. Un monitoreo continuo del estrés implementado en sistemas portátiles podría mejorar la salud y la calidad de vida de las personas. En este contexto, la detección de estrés a través de la voz permite una evaluación no invasiva, accesible y escalable. Este proyecto plantea como objetivo principal obtener un modelo para clasificar estrés a partir de características acústicas del habla.
Se diseñó un protocolo de inducción de estrés donde se desafiaban principalmente las habilidades aritméticas y de construcción discursiva de los sujetos. A partir del protocolo, se obtuvieron grabaciones de voz que fueron procesadas utilizando librerías de código abierto. De esta manera, se obtuvieron características acústicas clave para la detección de estrés. También se registraron características fisiológicas (EDA, HR, IBI y BVP) a la par de las grabaciones y se construyó una base de datos con características acústicas y fisiológicas. Luego, esta base fue clasificada de forma automática según nivel de estrés utilizando los modelos k-means y XGBoost. Finalmente, se analizaron los valores SHAP para evaluar la importancia de las características utilizadas en los modelos.
De este proyecto derivaron dos publicaciones en revistas científicas. La base de datos de características fisiológicas se publicó en Physionet como Wearable Device Dataset from Induced Stress and Structured Exercise Sessions [1] y a partir de ella también se publicó Wearable Physiological Signals under Acute Stress and Exercise Conditions [2]. Además, se participó en congresos con los artículos: Stress Classification Model Using Speech: An Ambulatory Protocol-Based Database Study [3] y Wearable Device Dataset for Stress Detection [4].
El modelo de XGBoost basado en habla obtuvo un 71 % de exactitud para las etiquetas originales y un 77 % con las etiquetas generadas con k-means. Los modelos basados solo en características fisiológicas lograron hasta un 86 % de exactitud y los modelos que integraban características fisiológicas y de habla obtuvieron hasta un 90 % de exactitud. Estos resultados muestran la viabilidad de usar la voz como herramienta para detectar estrés y resaltan el potencial de integrar señales acústicas y fisiológicas.
Durante este trabajo, se desarrolló una base de datos única que combina señales de voz bajo estrés y señales fisiológicas. Se logró clasificar la base obtenida con un método interpretable, y se evaluó la importancia de las características acústicas y fisiológicas utilizadas. Los hallazgos de este proyecto definen las bases para avanzar hacia sistemas portátiles, accesibles y automatizados que contribuyan al monitoreo integral de la salud.
WOMAN LEADERSHIP: THEIR ROLE AND POSITIONING IN ECONOMIC ECOSYSTEMS OF INNOVATION AND ENTREPRENEURSHIP
No full textThis study offers a systematic analysis of women’s participation in entrepreneurship and innovation economic ecosystems. Through a comparative analysis of 415 data from ecosystem representatives from Barcelona, Madrid, Valencia, Spain; Mexico City, Mexico; Montevideo, Uruguay; Santiago, Chile; Buenos Aires; Sao Paulo, Brazil, and La Araucania Chile. This study provides valuable information regarding the role of women and how the female gender can influence the intensity of collaboration and the
development of entrepreneurship. Using complex network analysis and the TE-SER MODEL, the study will be able to reveal the interactions between actors, collaboration, and influence in different contexts. Highlighting and identifying women who lead different spaces and institutions, and influence decision-making is of crucial importance to promote a greater number of female managers. Thus, the percentage of female managers in ecosystems ranges from 22% to 38%, with low participation in relation to the management positions of men