BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.17.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20250101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20260731T110000
DTEND;TZID=America/Sao_Paulo:20260731T120000
DTSTAMP:20260728T132919Z
CREATED:20260728T132919Z
LAST-MODIFIED:20260728T132919Z
UID:10784-1785495600-1785499200@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Gianluca Capelo
DESCRIPTION:Título: Predicción de funciones ejecutivas con aprendizaje automático: Estudios de caso en cohortes online y contexto clínico presencial \nDirectores: Juan E Kamienkowski\, Gustavo Juantorena \nJuradxs: Fernando Schapachnik\, Melina Vladislauskas \n\nResumen: \nEl Trail Making Test (TMT) es una de las evaluaciones neuropsicológicas más utilizadas para el diagnóstico clínico. Tradicionalmente administrada con lápiz y papel\, esta tarea presenta alta sensibilidad\, aunque baja especificidad. Para abordar esta limitación\, se puso a prueba una versión computarizada del TMT (cTMT) que preserva la estructura original de la tarea y registra en detalle la serie temporal del cursor. A partir de estos registros\, se extrajeron atributos orientados a representar el rendimiento de los participantes. \nEl cTMT fue evaluado en dos estudios. En el primero\, con el objetivo de aumentar su accesibilidad\, se implementó la tarea en una plataforma online junto con tres tareas estandarizadas: Change Detection Task\, para memoria de trabajo visual\, y Go/No-Go y Stop-Signal Task\, para control inhibitorio. En una muestra de 484 participantes\, se utilizaron los atributos del cTMT para predecir la edad y diferencias individuales en funciones ejecutivas medidas mediante estas tareas de referencia. Los resultados mostraron predicciones estadísticamente significativas en ambos casos. \nEn el segundo estudio\, orientado a analizar el desempeño del cTMT en una población clínica\, 74 adultos mayores\, 41 con deterioro cognitivo leve y 33 controles sanos\, completaron el cTMT y una batería diagnóstica estándar administrada con lápiz y papel. Se compararon modelos basados en información demográfica\, atributos del cTMT y puntajes de la batería diagnóstica. Los modelos demográficos no alcanzaron significancia estadística\, mientras que los modelos basados en atributos del cTMT sí lo hicieron\, con un desempeño de AUC = 0\,67. Al combinar estos atributos con información demográfica\, el desempeño aumentó a AUC = 0\,70\, un valor cercano al obtenido con la batería diagnóstica estándar (AUC = 0\,76)\, que formó parte del criterio diagnóstico. Además\, los atributos del cTMT permitieron predecir significativamente el desempeño en cinco de las siete pruebas de la batería diagnóstica. \nEn conjunto\, estos resultados sugieren que el cTMT permite capturar información conductual relevante mediante una evaluación digital accesible y de bajo costo. Asimismo\, respaldan el potencial de esta metodología para complementar las herramientas tradicionales de evaluación neuropsicológica y contribuir a la detección temprana de enfermedades neurodegenerativas\, como la enfermedad de Alzheimer y otras demencias relacionadas.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-gianluca-capelo/
LOCATION:Aula 1302
CATEGORIES:Agenda
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20260731T190000
DTEND;TZID=America/Sao_Paulo:20260731T200000
DTSTAMP:20260728T132634Z
CREATED:20260728T132634Z
LAST-MODIFIED:20260728T132634Z
UID:10782-1785524400-1785528000@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Malena Alamo
DESCRIPTION:Título: Correlatos neurales de modelos computacionales de búsqueda visual híbrida \nDirectorxs: Juan E Kamienkowski\, Damian Care\, Gonzalo Ruarte \nJuradxs: Rodrigo Echeveste\, Stephanie Muller \nResumen: \nLa búsqueda visual híbrida (la tarea de localizar en una escena cualquiera de un conjunto de posibles objetivos mantenidos en memoria) puede describirse como un proceso de inferencia bayesiana en el que cada fijación ocular actualiza la creencia del observador sobre la ubicación del target. El modelo computacional nnELM (Neural Network Entropy Limit Minimization) (Ruarte et al.\, 2025) formaliza este proceso combinando redes neuronales profundas con un criterio de minimización de entropía esperada para seleccionar la siguiente fijación. Por otro lado\, el framework de Temporal Response Functions (TRFs) por regresión regularizada (Care et al.\, 2025) permite vincular predictores definidos a nivel de fijación con la señal de electroencefalografı́a (EEG) registrada de forma continua durante la tarea. Esta tesis se propuso articular ambas lı́neas de trabajo: diseñar y extraer\, a partir de los mapas internos del modelo nnELM\, variables que cuantifiquen distintos aspectos del proceso de búsqueda visual\, y evaluar si dichas variables poseen correlatos en la actividad cerebral registrada sobre el dataset HSEM (Hybrid Search Eye Movements)\, que incluye el registro simultáneo de movimientos oculares y EEG de 42 sujetos durante una tarea de búsqueda hı́brida en escenas naturales. Se diseñaron y extrajeron 20 variables organizadas en cinco categorı́as conceptuales\, se validó su coherencia con la dinámica esperada del proceso de búsqueda\, y se evaluó su contribución a la predicción de la señal EEG mediante un esquema de construcción incremental de modelos\, diagnosticado por VIF y evaluado mediante ∆AIC y TFCE. Se hallaron correlatos neurales significativos en variables de cuatro de las cinco categorías definidas\, en particular en variables relacionadas con la similitud visual con el target\, el estado del proceso bayesiano y la calidad de la decisión del sujeto respecto de la estrategia óptima del modelo. \nPalabras claves:  búsqueda visual híbrida\, inferencia bayesiana\, electroencefalografía\, movimientos oculares\, nnELM\, temporal response functions.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-malena-alamo/
LOCATION:Aula 1207
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR