Conferencistas Magistrales

Walterio Mayol-Cuevas,

University of Bristol, United Kingdom

 

 

 


Laura Cruz Reyes,

IT-Ciudad Madero, México

Laura Cruz-Reyes es profesora en el Instituto Tecnológico de Ciudad Madero perteneciente al Tecnológico Nacional de México, doctora en ciencias de la computación del Centro Nacional de Investigación y Desarrollo Tecnológico, maestra en ciencias de la computación y en sistemas de información del Tecnológico de Monterrey e ingeniera química en producción del Instituto Tecnológico de Ciudad Madero. Es miembro del Sistema Nacional de Investigadores en el nivel III y líder del cuerpo académico de Optimización Inteligente ante PRODEP. Los programas de maestría y doctorado en los que participa están en el padrón nacional del CONACYT en el nivel consolidado. Su trabajo se ha enfocado en el modelado, solución y análisis de procesos de optimización de problemas complejos (NP-duros) para entornos multiobjetivo, dinámicos, y con preferencias del usuario. En este contexto, sus principales áreas de interés incluyen optimización inteligente, algoritmos heurísticos, lógica difusa, aprendizaje automático, decisión multicriterio y logística.

LA OPTIMIZACIÓN MULTIOBJETIVO Y LA TOMA DE DECISIONES.

Para muchos problemas del mundo real se busca dar cumplimiento a una gran cantidad de objetivos que regularmente están en conflicto, esto es, que la satisfacción de uno puede significar la degradación de otro. Un ejemplo de objetivos encontrados es minimizar el número de muertos por COVID-19 y minimizar el número de empleos perdidos por la pandemia. Para la solución de estos problemas se han propuesto algoritmos metaheuristicos con resultados satisfactorios en entornos aplicativos. Sin embargo, por su naturaleza, estos algoritmos producen muchas soluciones eficientes, dificultando al tomador de decisiones elegir solo una solución para su implementación. La dificultad proviene de las limitaciones de la mente humana para analizar simultáneamente múltiples soluciones. Además, la elección de una única solución puede variar entre usuarios, ya que sus preferencias están sujetas a perspectivas personales. Esta platica presenta el proceso de incorporación de preferencias del usuario en algoritmos multiobjetivo, para dirigir la búsqueda de soluciones hacia a la región de su interés. Primero se hace un recorrido breve en algunos aspectos retadores de los problemas multiobjetivo y algoritmos de solución. El recorrido continúa con una revisión panorámica de métodos de incorporación de preferencias. Finalmente se presentan algunas experiencias de investigación en esta área.

 


Carolyn Penstein Rose

Carneige Mellon University, Language Technologies Institute and HCI Institute

 
Dr. Carolyn Rosé is a Professor of Language Technologies and Human-Computer Interaction in the School of Computer Science at Carnegie Mellon University.  Her research program is focused on better understanding the social and pragmatic nature of conversation, and using this understanding to build computational systems that can improve the efficacy of conversation between people, and between people and computers. In order to pursue these goals, she invokes approaches from computational discourse analysis and text mining, conversational agents, and computer supported collaborative learning.  Her research group’s highly interdisciplinary work, published in over 270 peer reviewed publications, is represented in the top venues in 5 fields: namely, Language Technologies, Learning Sciences, Cognitive Science, Educational Technology, and Human-Computer Interaction, with awards in 4 of these fields.  She serves as Past President and Inaugural Fellow of the International Society of the Learning Sciences, Senior member of IEEE, Founding Chair of the International Alliance to Advance Learning in the Digital Era, and Co-Editor-in-Chief of the International Journal of Computer-Supported Collaborative Learning.
 

Modeling Social Meaning as a Reflection of the Human Experience

This talk reports on over a decade of research where theoretical foundations motivate computational models that produce real world impact in online spaces.  Both the earliest philosophers of language and the most recent researchers in computational approaches to social media analysis have acknowledged the distinction between the what of language, namely its propositional content, and the how of language, or its form, style, or framing.  What bridges between these realms are social processes that motivate the linguistic choices that result in specific realizations of propositional content situated within social interactions, designed to achieve social goals.  These insights allow researchers to make sense of the connection between discussion processes and outcomes from those discussions.  These findings motivate on the one hand design of computational approaches to real time monitoring of discussion processes and on the other hand the design of interventions that support interactions in online spaces with the goal of increasing desired outcomes, including learning, health, and wellbeing.  As an example, in this talk we probe into a specific quality of discussion referred to as Transactivity.  Transactivity is the extent to which a contribution articulates the reasoning of the speaker, that of an interlocutor, and the relation between them.  In different contexts, and within very distinct theoretical frameworks, this construct has been associated with solidarity, influence, expertise transfer, and learning. Within the construct of Transactivity, the cognitive and social underpinnings are inextricably linked such that modeling the who enables prediction of the connection between the what and the how.