Líneas futuras de trabajo

Finalmente, se presentan varias líneas de trabajo futuro que se abordarán con el objetivo de mejorar el sistema final. Estas diferentes áreas clave permitirán brindar una experiencia más diversa, personalizada y fluida. También, se comentarán otros posibles factores de mejora que no se hayan analizado previamente. Respecto al aumento en la diversidad de información que pueda aportarse, se encuentran mejoras en campos como:

• Ampliación del número de fuentes de extracción de información: actualmente, el sistema utiliza la API de Twitter para extraer enlaces a artículos digitales. Una posible mejora sería ampliar las posibilidades disponibles a la hora de acceder a otras fuentes, integrando otras redes sociales, sitios de noticias o blogs relevantes.

Esto aumentaría la diversidad y cobertura de la información obtenida, brindando a los usuarios una visión más completa de los temas de interés. Se ha de decir que ya se encuentra implementada y en funcionamiento NewsAPI como alternativa.

• Perfeccionamiento del perfilado del usuario: desarrollo de un sistema avanzado de personalización del usuario para que pueda seleccionar sus fuentes preferidas de información y adaptar el contenido según los gustos individuales en términos de formato, presentación, nivel de detalle, etc. Esto permitiría una experiencia aún más singular y satisfactoria para cada uno de los usuarios.

65

• Expansión de la capacidad de respuesta en otros idiomas: adaptar el sistema para que sea capaz de responder preguntas y proporcionar información relevante en varios idiomas. Esto ampliaría el número de usuarios potenciales y permitiría una mayor adopción del robot en diferentes contextos culturales y lingüísticos.

Respecto a la mejora en la fluidez de la interacción, que permita contemplar nuevos casos de error, se plantean posibles direcciones para futuras mejoras como:

• Optimización de los tiempos de interacción: aplicación de diferentes técnicas de procesamiento más eficientes y rápidas para reducir los tiempos de interacción del sistema. Incluyendo mejoras en el procesamiento de las salidas de los modelos de Inteligencia Artificial, como el uso de hardware especializado más avanzado que permita prescindir de las llamadas a las APIs de los modelos.

• Interfaz gráfica de personalización: se propone desarrollar una interfaz gráfica que facilite el acceso y la manipulación del JSON, proporcionando una manera más accesible, intuitiva y visual de interactuar con la personalización de los datos.

• Mejora del reconocimiento para las entradas del usuario: fortalecimiento del sistema de reconocimiento de temas y preguntas para lograr una comprensión más precisa y contextual. Esto implicaría el desarrollo de modelos más especializados para tareas de reconocimiento y predicción dada cualquier entrada de voz, lo que supondría la aplicación de técnicas más avanzadas del procesamiento del lenguaje natural.

• Capacidad de reconstrucción de mensajes cortados: implementar modelos que restauren respuestas que se hayan eliminado, cortado, truncado o interrumpido de forma inesperada durante la interacción. Esta modificación no solo mejoraría la coherencia y continuidad de la interacción, proporcionando una experiencia más fluida, sino que sería más robusta frente a este tipo de errores contemplados, pero no solventados con eficacia.

Por último, también se considera la mejora en lo que respecta con la veracidad de la información suministrada, y la integración con sistemas de recomendación que de manera proactiva sean capaces de seleccionar los temas preferentes por el usuario, adelantándose a su posible decisión. Entre estos casos, se proponen los siguientes:

66

• Análisis y detección de desinformación: dado el impacto de la desinformación en la sociedad, sería valioso considerar el desarrollo de nuevos algoritmos capaces de analizar y detectar noticias falsas o engañosas. Esto podría incluir la integración de técnicas de verificación de hechos, análisis de la credibilidad de las fuentes y evaluación de la consistencia de la información dada, entre otras estrategias para combatir la propagación de información errónea.

• Integración con sistemas de recomendación: considerar el uso de sistemas de recomendación permitiría ofrecer a los usuarios contenido adicional relevante de su interés. Basado en el análisis de los patrones de interacción y las preferencias registradas, se podrían recomendar artículos y noticias relevantes que se ajustaran a los intereses y necesidades individuales de cada usuario.

67

BIBLIOGRAFÍA

[1] M. Valencia y I. Berrío, «Envejecimiento de la población: un reto para la salud pública,»

Revista Colombiana de Anestesiología, vol. 40, nº 3, pp. 192-194, 2012.

[2] C. Orlando Benavides, «Perspectivas y retos en factores humanos e ingeniería de sistemas en ambientes médicos complejos,» Acta Colombiana de Cuidado Intensivo, vol. 17, nº 1, pp. 43-63, 2017.

[3] E. C. Muñoz, H. B. Gallegos, S. M. Jaque, M. M. Escalona, A. V. Rojas y J. F. Ordenes,

«Sistema mHEALTH para el registro electrónico de la atención de personas en condición de postración en el hogar,» Revista cubana de informática médica, vol. 5, nº 2, pp. 1-14, 2013.

[4] «Reglamento (UE) 2018/1725,» de Comisión Europea, Unión Europea, 2018, p. Octubre.

[5] «Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y garantía de los derechos digitales,» Boletín Oficial del Estado, Diciembre 2018.

[6] «Regulación y normativa en materia de Inteligencia Artificial,» Abril 2021.

[7] P. A. De Miguel Asensio, «Propuesta de Reglamento sobre inteligencia artificial,»

Universidad Complutense de Madrid, 2021.

[8] A. R. Hevner, «A Three Cycle View of Design Science Research,» Scandinavian Journal of Information Systems, vol. 19, nº 4, 2007.

[9] L. Royakkers y R. van Est, «A Literature Review on New Robotics: Automation from Love to War,» International Journal of Social Robotics, vol. 7, p. 549–570, 2015.

[10] C. Rammer, G. P. Fernández y D. Czarnitzki, «Artificial intelligence and industrial innovation: Evidence from German firm-level data,» Research Policy, vol. 7, nº 51, 2022.

[11] W. Hall y J. Pesenti, «Growing the artificial intelligence industry in the UKWendy Hall, Jérôme Pesenti,» Analysis & Policy Observatory, 2017.

[12] V. Redrován, D. Patricio y L. E. G. Delgado, «Diseño e implementación de un prototipo de robot asistente para personas con discapacidad motriz y adultos mayores, basado en inteligencia artificial,» Tesis de Licenciatura, 2014.

[13] Salichs, Miguel Ángel, et al, «Interacción humano robot en el proyecto ROBSEN,» de Jornadas Nacionales de Robótica, Valencia , 2017.

[14] O. Moreno, «Un robot de compañía para los ancianos: Proyecto Accompany,» I+S:

Revista de la Sociedad Española de Informática y Salud, nº 105, pp. 58-59, 2014.

[15] L. C. Hurtado, «Estudio y aplicación del robot Pepper para la interacción con personas mayores,» 2018.

[16] García, Rubén Martín, et al, «Robot Social de Interacción y Acompañamiento para Personas de la Tercera Edad en Situación de Aislamiento por COVID-19,» UPSA INNOVA, pp. 149-160, 2022.

[17] Tirado-Bou, Amparo, et al, «Estado del arte en robots de asistencia en hospitales, en entornos infecciosos (COVID-19),» de XLII Jornadas de Automática. Universidade da Coruña, 2021.

[18] J. Han, S. P. Miheon Jo y S. Kim, «The Educational Use of Home Robots for Children,»

IEEE International Workshop on Robot and Human Interactive Communication, pp. 378- 383, 2005.

[19] E. Herrera González, «Robótica educativa como herramienta de enseñanza-aprendizaje en personas con síndrome de down,» 2018.

[20] M. E. Foster, «Natural language generation for social robotics: opportunities and

challenges,» Philosophical Transactions of the Royal Society B, vol. 374, nº 1771, 2019.

[21] Y. L. Jianyang Deng, «The Benefits and Challenges of ChatGPT: An Overview,»

Frontiers in Computing and Intelligent Systems, vol. 2, nº 2, pp. 82-83, 2022.

68 [22] D. Khurana, A. Koli, K. Khatter y S. Singh, «Natural language processing: state of the art,

current trends and challenges,» Multimedia tools and applications, vol. 82, nº 3, pp. 3713- 3744, 2023.

[23] J. Llisterri, «Introducción a los sistemas de diálogo,» de Universitat Autònoma de Barcelona, Departament de Filologia Espanyola, 2006.

[24] C. M. Zapata y J. E. Mesa, «Los modelos de diálogo y sus aplicaciones en sistemas de diálogo hombre-máquina: revisión de la literatura,» Dyna, vol. 76, nº 160, pp. 305-315, 2009.

[25] T. Kobayashi, T. Miyazaki, R. Uchida, H. Tanaka y K. Arai, «Social Media Agency Robot for Elderly People,» Journal of Information Processing, vol. 26, pp. 736-746, 2018.

[26] S. Carrasco-Martínez, M. A. Quispe-Flores, J. Sevilla-Salcedo, J. Gómez-Jiménez, F.

Alonso-Martín y M. A. Salichs, «Comunicación remota entre familiares a través de la robótica social,» Universidade da Coruña, Servizo de Publicacións, pp. 565-572, 2021.

[27] J. Ofoeda, R. Boateng y J. Effah, «Application programming interface (API) research: A review of the past to inform the future,» International Journal of Enterprise Information Systems (IJEIS), vol. 15, nº 3, pp. 76-95, 2019.

[28] T. Bray, «The JavaScript Object Notation (JSON) Data Interchange Format,» 2014.

[29] L. Richardson, «Beautiful soup documentation,» 2007.

[30] D. Connolly y L. Masinter, «The'text/html'media type,» 2000.

[31] T. Bray, J. Paoli y C. M. Sperberg-McQueen, «Extensible markup language (XML) 1.0,»

1998.

[32] M. Fustes Montero, «Deep learning: Procesamiento del lenguaje natural utilizando Transformers,» 2022.

[33] J. Devlin, M.-W. Chang, K. Lee y K. Toutanova, «BERT: Pre-training of Deep Bidirectional Transformers for,» arXiv, 2019.

[34] Y. Liu, M. Ott, N. Goyal, J. Du, M. Joshi, D. Chen, O. Levy, M. Lewis, L. Zettlemoyer y V. Stoyanov, «RoBERTa: A Robustly Optimized BERT Pretraining Approach,» arXiv, 2019.

[35] M. Lewis, Y. Liu, N. Goyal, M. Ghazvininejad, A. Mohamed, O. Levy, V. Stoyanov y L.

Zettlemoyer, «BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension,» arXiv, 2019.

[36] L. Xue, N. Constant, A. Roberts, M. Kale, R. Al-Rfou, A. Siddhant, A. Barua y C. Raffel,

«mT5: A massively multilingual pre-trained text-to-text transformer,» arXiv, 2019.

[37] R. A. Grier, A. Bangor, P. Kortum y C. S. Peres, «The System Usability Scale: Beyond Standard Usability Testing,» vol. 57, nº 1, pp. 187-191, Septiembre 2013.

[38] M. Del Rocio Sevilla-Gonzalez, L. Moreno Loaeza, L. S. Lazaro-Carrera, B. Bourguet Ramirez y A. Vázquez Rodríguez, «Spanish Version of the System Usability Scale for the Assessment of Electronic Tools: Development and Validation,» JMIR Human Factors, vol. 7, nº 4, 2020.

[39] C. M. Carpinella, A. B. Wyman, M. A. Perez y S. J.Stroessner, «The Robotic Social Attributes Scale (RoSAS): Development and Validation,» Proceedings of the 2017 ACM/IEEE International Conference on human-robot interaction, pp. 254-262, Marzo 2017.

[40] M. K.X.J. Pan, E. A. Croft y G. Niemeyer, «Validation of the Robot Social Attributes Scale (RoSAS) for human-robot interaction through a human-to-robot handover use case,»

Proceedings of the IROS 2017 Workshop on Human-Robot Interaction in Collaborative Manufacturing Environments, Vancouver, BC, Canada, vol. 24, Septiembre 2017.

ANEXO A. PLANIFICACIÓN DEL PROYECTO

Se presenta el diagrama de Gantt resultante de la metodología de investigación empleada, comentada en su correspondiente apartado, junto con el propio desarrollo y la elaboración del presente documento.

Figura 26: Diagrama de Gantt

ANEXO B. GUION DEL PROCESO DE EXPERIMENTACIÓN

Se presenta el guion del proceso de experimentación seguido rigurosamente para cada uno de los usuarios evaluados.

1. El evaluado será recibido por el evaluador en la puerta de entrada de la sala de pruebas escogida e ingresará por delante del evaluador individualmente.

2. Una vez sentados delante del robot Mini, el evaluador se presentará y explicará el propósito de la prueba.

Evaluador: "Muy buenas, muchas gracias por participar en el experimento. A continuación, va a interaccionar con Mini en donde deberá seleccionar por voz o pantalla un tema, seguidamente le dará un resumen de una noticia actualizada que esté relacionada con el tema escogido y si lo desea podrá preguntarle acerca de dicho resumen tantas veces como quiera.

Toda la interacción se grabará de inicio a fin. Una vez terminada la interacción, se detendrá la grabación y rellenará un cuestionario de carácter general y un formulario evaluativo. Cabe mencionar que todos los datos extraídos se tratarán de manera anónima y confidencial.

Para comenzar con la prueba, deberá rellenar un formulario de consentimiento informado en donde deberá acceder a que se puedan tratar sus datos. ¿Tiene alguna duda?"

Se enfatizará la importancia de la participación del evaluado y se asegurará la confidencialidad de sus datos privados, en caso de tener alguna duda se resolverá antes de continuar y si es necesario se repetirá el propósito de la prueba.

3. El evaluador entregará al evaluado un formulario de consentimiento informado. Se le pedirá al evaluado que lea y complete el formulario de consentimiento informado. El evaluador responderá a cualquier pregunta que el evaluado pueda llegar a tener sobre el formulario de consentimiento informado. El evaluado rellenará al completo el formulario de consentimiento y se lo entregará al evaluador, en el que habrá aceptado las condiciones para poder continuar.

4. El evaluador grabará la interacción y pondrá al robot Mini en funcionamiento, apartándose de la zona de interacción y situándose por detrás de la línea de visión del evaluado.

5. Se iniciará Mini, y el evaluado comenzará a interactuar libremente según el desarrollo establecido. El evaluador observará las interacciones del evaluado. Además, se toman las siguientes mediciones durante el experimento:

- Número de veces que el evaluado aparta la mirada de Mini de manera prolongada o se desconcentra.

- Preferencia por el uso de Tablet o voz.

- Número de errores o incoherencia producidas por Mini.

- Número de preguntas realizadas y tema elegido.

Adicionalmente, el evaluador anotará los posibles errores que puedan ocurrir durante la interacción.

6. El evaluado terminará la interacción con el robot y dará por concluido el desarrollo.

7. El evaluador entregará al evaluado un cuestionario de carácter general con preguntas acerca de su rango de edad, nivel de estudios, experiencia en la tecnología, entre otras. Se le pedirá al evaluado que lea y rellene al completo el cuestionario de carácter general. El evaluador responderá cualquier pregunta que el evaluado pueda tener sobre el cuestionario de carácter general. El evaluado completará el cuestionario de carácter general y se lo entregará al evaluador.

8. Se proporcionará al evaluado un formulario de evaluación compuesto por una escala de usabilidad del sistema (SUS), una escala de atributos sociales del robot (RoSAS), una pregunta repetida en el cuestionario previo a modo de contraste, otra de evaluación global y finalmente, dos preguntas abiertas en donde indique un aspecto positivo y otro negativo sobre la interacción con Mini. Se le pedirá al evaluado que lea y complete el formulario evaluativo.

El evaluador responderá cualquier pregunta que el evaluado pueda tener sobre el formulario evaluativo. El evaluado completará el formulario de evaluación y se lo entregará al evaluador.

9. El evaluador agradecerá al evaluado por su participación.

Nuevamente, se asegurará al evaluado que su contribución es valiosa y ayudará a mejorar el desarrollo del robot.

Se recuerda al evaluado la confidencialidad de los datos proporcionados y la posibilidad de retirar, en cualquier momento, su consentimiento. El evaluado abandonará la sala y la prueba se dará por finalizada.

ANEXO C. FORMULARIO DE CONSENTIMIENTO INFORMADO

Se presenta el formulario de consentimiento informado empleado en la experimentación.

Figura 27: Formulario de consentimiento informado

ANEXO D. CUESTIONARIO DE CARÁCTER GENERAL

A continuación, el cuestionario de carácter general utilizado durante la experimentación.

Figura 28: Cuestionario de carácter general (primera parte)

Figura 29: Cuestionario de carácter general (segunda parte)

ANEXO E. FORMULARIO DE EVALUACIÓN

El formulario de evaluación estará compuesto fundamentalmente por los siguientes cuestionarios: System Usability Scale (SUS) y Robot Social Attributes Scale (RoSAS);

ampliamente validados por la comunidad científica por su rigor.

Figura 30: Formulario de evaluación (primera parte)

Figura 31: Formulario de evaluación (segunda parte)

Figura 32: Formulario de evaluación (tercera parte)