Pasar al contenido principal

Resultados de investigación

Rights
Projectcode
Resultados totales (Incluyendo duplicados): 54623
Encontrada(s) 5463 página(s)
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/153967
Datos de investigación Set de datos (Dataset)

Dataset Heterogeneity in the conceptions of intelligence of university teaching staff

  • Matías García, José Antonio
  • Cubero Pérez, Rosario
This research project aims to measure and analyze the heterogeneity of university teachers’ conceptions of intelligence. To this end, we have developed a new method of analysis: Heterogeneity by Contradiction Analysis (HCA). We conducted semi-structured interviews with 20 university teachers, presenting them with a series of short cases or vignettes depicting different facets of intelligence. Based on the discourse elicited, we first created a category system. Then, we pre-defined a series of possible contradictions among pairs of categories. Using these pre-defined contradictions, a systematic sampling of theoretical contradictions could be obtained from the discourse. Finally, a researcher reviewed these sampled contradictions in order to find and code real contradictions, which were later analyzed., - Interview Script - Datos Heterogeneity - Manual de Codificación Concepciones de Inteligencia
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/167139
Datos de investigación Set de datos (Dataset)

Burkina Faso’s Housing Typologie [Dataset]

Burkina Faso’s Housing Typologies [Dataset]
  • Aguilar Sánchez, María
  • Almodóvar Melendo, José Manuel
Datos de monitorización de viviendas en Burkina Faso.
e-Archivo. Repositorio Institucional de la Universidad Carlos III de Madrid
oai:e-archivo.uc3m.es:10016/37466
Datos de investigación Sonido (Sound)

Episodio 2: Irene Gillabert y Alvaro Carvajal

  • UC3M. Departamento de Ingeniería Eléctrica
e-Archivo. Repositorio Institucional de la Universidad Carlos III de Madrid
oai:e-archivo.uc3m.es:10016/37300
Datos de investigación Sonido (Sound)

Episodio cero: Mónica y Pablo salen a buscar antiguos alumnos

  • UC3M. Departamento de Ingeniería Eléctrica
e-Archivo. Repositorio Institucional de la Universidad Carlos III de Madrid
oai:e-archivo.uc3m.es:10016/37301
Datos de investigación Sonido (Sound)

Episodio 1: Iván Partida nos cuenta el trabajo de un ingeniero de simulación en la certificación de nuevos parques eólicos y fotovoltaicos

  • UC3M. Departamento de Ingeniería Eléctrica
e-Archivo. Repositorio Institucional de la Universidad Carlos III de Madrid
oai:e-archivo.uc3m.es:10016/37467
Datos de investigación Sonido (Sound)

Episodio 3: Montserrat De la Maya

  • UC3M. Departamento de Ingeniería Eléctrica
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/166537
Datos de investigación Set de datos (Dataset)

Indicadores_diacronicos_poblacion_02_21 [Dataset]

  • Ojeda Zújar, José
  • Prieto Campos, Antonio
  • Vallejo Villalta, Ismael
Ofrece información sobre la evolución de la población entre las fechas de referencia para una serie de variables demográficas estimadas mediante técnicas dasimétricas a partir de las publicadas en la Malla Estadística del IECA (GRID250) procedentes del Registro Longitudinal de Población de Andalucía (RLPA). Los datos se representan mediante las celdas del GRID250., Geometrías de polígonos (GRID250), con tabla asociada con los campos referidos a variables demográficas.
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/166569
Datos de investigación Set de datos (Dataset)

Indicadores_diacronicos_vivienda_13_21 [Dataset]

  • Ojeda Zújar, José
  • Prieto Campos, Antonio
  • Vallejo Villalta, Ismael
Ofrece información sobre la evolución del número y tipología de viviendas que se obtienen a partir de la Dirección General de Catastro (formatos ATOM Y CAT) en los años de referencia. Los bienes inmuebles residenciales de cada parcela han sido vinculados a la dirección postal y edificios de la misma, siendo posteriormente agregados a la estructura de teselas que utiliza la malla Malla Estadística del IECA (GRID250)., Geometrías de polígonos (GRID250), con tabla asociada con los campos referidos a variables de viviendas.
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/153831
Datos de investigación Set de datos (Dataset)

Dataset Learner identity in secondary post‑compulsory education students from Areas in Need of Social Transformation

  • Cubero Pérez, Rosario
  • Cubero Pérez, Mercedes
  • Matías García, José Antonio
  • Bascón Díaz, Miguel Jesús
In this research, we used a convenience sampling and selected two high schools located in Areas in Need of Social Transformation in Seville (southern Spain). We studied the learner identity of all their students in the first and second grade of secondary postcompulsory education (N = 70). These students present a trajectory of resilience, as they remained in the education system despite facing many difficulties. In this exploratory research, their identity as learners was analysed through an interview applied in a focus group format (N = 12), where their supports, strengths and psycho-social obstacles that facilitate/ hinder their stay in the education system in the post-compulsory stage were also identified. Datasets show the instrument used for data collection, consisting of the LIRESI semi-structured interview script to be applied in focus groups, as well as the coding manual for the responses obtained in the interviews (narratives of the participants), that were fully transcribed., LIRESI Guión Grupo Focal v.1 LIRESI Manual de Codificación v.1
idUS. Depósito de Investigación de la Universidad de Sevilla
oai:idus.us.es:11441/189294
Datos de investigación Set de datos (Dataset)

Dataset from Four birds’ songs with a neuromorphic auditory sensor

  • Jiménez Fernández, Ángel Francisco
  • Ríos Navarro, José Antonio
  • Montes-Sánchez, Juan Manuel
  • Muñoz González, Tomás
  • Barocci, Michelangelo
  • Linares Barranco, Alejandro
En el proyecto se USECHIP desarrolla este dataset neuromórfico para estudiar la clasificación de aves mediante sistemas autónomos de bajo consumo y bajo coste. El conjunto incluye vídeos de canario, periquito, cotorra y gorrión, transformados mediante un Neuromorphic Auditory Sensor (NAS) en eventos pulsantes distribuidos en 64 bandas de frecuencia en estéreo. Las señales, registradas en ficheros .AEDAT con direcciones AER y marcas temporales, se procesan en MATLAB para generar muestras destinadas al acelerador de redes neuronales pulsantes y recurrentes ReckOn. El dataset final ofrece ficheros .dat equilibrados, creados con distintos umbrales de agrupación temporal., 1. Objetivo y alcance del dataset Uno de los objetivos del proyecto USECHIP es estudiar la biodiversidad mediante circuitos y sistemas autónomos, de bajo consumo y bajo coste, contribuyendo al objetivo europeo PERTE-chip. En este trabajo se evalúa la viabilidad de clasificar aves utilizando sistemas neuromórficos para el sensado y la grabación de audio, así como Redes Neuronales Pulsantes y Recurrentes para su clasificación. 2. Archivos mp4 de origen y clases de aves El dataset contiene vídeos en formato .mp4 (carpeta mp4) correspondientes a cuatro aves: canario, periquito, cotorra y gorrión. Los vídeos se han descargado de YouTube y sus enlaces se encuentran en el archivo links.txt. Los nombres de estos archivos son: 0_Canario_Canary.mp4, 1_Cotorra_Parakeet.mp4, 2_Gorrion_Sparrow.mp4 y 3_Jilguero_Goldfinch.mp4. El número al principio del nombre del archivo corresponde con la clase en numérica en el dataset. 3. Conversión del audio mediante el NAS a ficheros .aedat El Neuromorphic Auditory Sensor (NAS) descompone el audio en 64 bandas de frecuencia comprendidas entre 20 Hz y 20 kHz. El sistema emula la cóclea humana, que transmite al córtex auditivo información pulsante sobre las bandas detectadas en el audio de entrada. El NAS convierte el audio en modulación por frecuencia de pulsos (PFM) y filtra este flujo de pulsos mediante dos bancos de filtros de paso de banda, configurables en cascada o en paralelo. En la configuración en cascada, los filtros de paso de banda de mayor frecuencia reciben la señal pulsante, conservan la banda detectada y descartan los pulsos correspondientes a frecuencias menores. La salida descartada alimenta el filtro configurado con la siguiente banda de alta frecuencia. Este procedimiento se repite 64 veces, una por cada banda. Cada filtro dispone de dos salidas pulsantes, que representan la actividad positiva o negativa de la señal de audio. Las salidas pulsantes de los filtros se multiplexan en un bus digital asíncrono. Cada pulso genera un evento identificado numéricamente con el filtro que lo produjo. Los filtros de mayor frecuencia tienen identificadores menores. Cada filtro emplea dos identificadores: uno par para los eventos positivos y otro impar para los negativos. El NAS dispone de dos entradas de audio y permite trabajar con sonido estéreo. Las direcciones de ambas entradas son correlativas y abarcan de 0 a 255: las direcciones de 0 a 127 corresponden a la «oreja» izquierda y las de 128 a 255 a la derecha. La salida pulsante del NAS contiene información sobre el identificador de cada evento, en formato Address-Event Representation (AER), y sobre el instante en que se produce. Para conservar ambos datos, el sistema de captura OKAERTool asigna una marca temporal a cada evento y los empaqueta en tramas que se envían por USB al PC. El programa específico jAER almacena la información en ficheros .AEDAT, que contienen la secuencia AER y la marca temporal (timestamp) de cada evento. Por tanto, los ficheros .AEDAT representan la transformación del audio de los vídeos .mp4 a un formato neuromórfico descompuesto en bandas de frecuencia. Estos archivos se encuentran en la carpeta “aedat”. 4. Generación de muestras para ReckOn en ficheros .dat A partir de las grabaciones .AEDAT se extraen las muestras de entrenamiento y test destinadas al acelerador de redes neuronales pulsantes y recurrentes ReckOn. El procesamiento se realiza en MATLAB mediante los siguientes archivos (carpeta Matlab): 1. Loadaerdat.m. Recibe la ruta y el nombre de un fichero .aedat y devuelve un array de dos columnas y tantas filas como eventos contiene el archivo. Las columnas representan los eventos y sus marcas temporales. 2. gen_ds_reckon_birds_mw_max.m. Recibe un umbral (th) y un booleano que indica si deben mostrarse gráficos de las muestras extraídas. El umbral determina cuántos eventos consecutivos de cada filtro y con la misma polaridad deben recibirse para generar un evento de salida para ese filtro y polaridad. Se implementa con un contador por cada filtro que incrementa 1 si llega un evento positivo, y decrementa 1 si el evento que llega es negativo. Este comportamiento representa el umbral de una neurona Integrate & Fire situada a la salida de cada filtro. Esta neurona IF no incorpora ni olvido ni tiempo refractario. Además, el valor de th también se emplea para crear muestras de mayor duración temporal. Para ello, las marcas temporales se dividen por th antes de comprobar la duración. Todas las muestras tienen 2250 timesteps, con la relación 1 timestep = 1 timestamp × th. gen_ds_reckon_birds_mw_max.m itera sobre los cuatro archivos .aedat, llama a plot_reckon_mw_max.m para cada uno y, una vez extraídas las muestras de cada ave, las mezcla y concatena en un único fichero .dat con el formato de ReckOn. 3. Plot_reckon_mw_max.m. Recibe como parámetros de entrada el nombre del archivo .aedat, el número de clase asociado al ave, el umbral, el número máximo de muestras que se desea extraer y un booleano para representar gráficamente cada muestra. Llama a loadaerdat.m, recorre los eventos para implementar el circuito de filtro IF con el umbral indicado y procesa la lista reducida tras el filtrado haciendo un proceso de segmentación y etiquetado. La función recorta secuencias de eventos con marcas temporales de hasta 2250 × th. En cada muestra inserta un evento especial con dirección AER -2 y con timestep igual a la clase correspondiente. Al final añade otro evento especial con dirección -1 y timestep 2250. Los timesteps se calculan dividiendo entre th, mediante números enteros, la marca temporal del fichero .aedat. Además, las marcas temporales de cada muestra se desplazan para que comiencen siempre en el timestep 0. 5. Ficheros .dat disponibles El dataset contiene los siguientes archivos equilibrados (carpeta dat): o birds_mw_th1_balanced_max.dat: generado con th = 1; contiene 4000 muestras, 1000 por ave. o birds_mw_th20_balanced_max.dat: generado con th = 20; contiene 940 muestras, 235 por ave. o birds_mw_th50_balanced_max.dat: generado con th = 50; contiene 504 muestras, 126 por ave. o birds_mw_th100_balanced_max.dat: generado con th = 100; contiene 264 muestras, 66 por ave.
Buscador avanzado