Tesis para optar al grado de Magíster en Finanzas / Los activos financieros riesgosos son adquiridos por pocas personas. Identificar cómo es este proceso de decisión, ayudará a mejorar los mercados financieros. Resulta relevante establecer cómo y por qué, la habilidad cognitiva de una persona puede influir en la adquisición de activos financieros riesgosos. Este documento presentará evidencia empírica con base teórica sobre los determinantes de la tenencia de activos financieros riesgosos para una muestra de Australia, con especial interés en las habilidades cognitivas y la aversión al riesgo. Aquí se muestra que un mayor nivel de habilidad cognitiva hace más probable adquirir activos financieros, sin embargo, esta probabilidad se ve reducida al incluir la renuencia al riesgo de los individuos, que resulta ser un canal de transmisión indirecto de esta habilidad. Para tratar de cuantificar este efecto teórico, se utiliza una metodología ad-hoc, llamado mediación, que precisamente nos permite cuantificar si una variable sirve como canal de transmisión a la otra. Nuestros resultados muestran que un aumento en un punto porcentual de habilidad cognitiva aumenta la probabilidad de adquirir activos financieros riesgosos en 1,6 puntos porcentuales, sin considerar el efecto indirecto del nivel de aversión al riesgo. Al utilizar la mediación para considerar este efecto, encontramos que el 20% del efecto de la habilidad cognitiva sobre tenencia de activos financieros riesgosos, se transmite indirectamente a través del nivel de aversión al riesgo. Por lo anterior, hay un 80% que no está explicado, lo que deja abierta la posibilidad de explorar canales alternativos.

Ingeniero Civil Industrial / El presente trabajo de título tiene como objetivo la medición cuantitativa de los tiempos de respuesta a notificaciones según el nivel teórico de carga cognitiva y el perfil de uso de una persona con su Smartphone. Esto se calcula gracias a la instalación de una aplicación dedicada a recolectar datos de contexto en las que se encuentra un usuario y la información entregada por un cuestionario diseñado especialmente para medir posibles casos de sobreuso de Smartphone de un usuario. El proyecto toma en consideración una desagregación de la forma en que se interactúa con una notificación junto con el perfil de uso del Smartphone, consideraciones que no han sido estudiadas en profundidad en el estado del arte. Esta memoria está dentro del marco del proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez. El problema tipo de estudio de este proyecto es cuando un usuario debe dividir su atención entre una actividad primaria física por ejemplo, caminar, hablar e interacciones del usuario con un computador, ya sea de escritorio, Tablet o Smartphone. La aplicación mide el nivel teórico de carga cognitiva del usuario, tomando en consideración el nivel de ruido, la actividad física y el nivel de luminosidad. La investigación se desarrolla en terreno, solicitando al usuario instalar la aplicación y para luego como interactúa con esta y su Smartphone en el día a día. Se realizó el experimento en 2 ocasiones distintas debido a problemas con el instrumento de medición. Un total de 88 entregaron datos útiles que fueron estudiados y 150 personas completaron el cuestionario sobre el perfil de uso de Smartphone. Se usaron análisis estadísticos para ver si existen diferencias significativas entre los tiempos de respuesta para las distintas variables recolectadas y se aplicó el proceso de Knowledge Discovery in Databases para obtener una correcta aplicación de los algoritmos de minería de datos. Son usados los algoritmos de Support Vector Machine, Regresiones Logísticas y un algoritmo de Deep Learning para hacer clasificaciones sobre el tipo de interacción con una notificación enviada y el perfil del usuario. Los resultados indican que existen diferencias significativas en los tiempos de respuesta a una notificación según el nivel de carga cognitiva y el perfil de uso. Los mejores resultados para las clasificaciones son obtenidas por el algoritmo de Deep Learning, obteniendo un poder predictivo cercano al 90%. / Este trabajo ha sido financiado por el Proyecto Fondecyt N° 11130252

En la actualidad, la combinación de factores ambientales y genéticos ha incrementado la prevalencia de enfermedades neurodegenerativas. Una de éstas es la Enfermedad de Parkinson que se caracteriza por alteraciones motoras y cognitivas. En los últimos años, diversas terapias con fitofármacos han sido utilizadas en el tratamiento de alteraciones cognitivas de algunas enfermedades. Una de ellas es la administración de extracto estandarizado de Ginkgo biloba, que por su acción neuroprotectora y antioxidante, ha demostrado ser útil en el tratamiento de enfermedades como el Alzheimer. Pese a esto, no hay estudios publicados que demuestren los beneficios de este fármaco en personas con Enfermedad de Parkinson. El objetivo de esta investigación es determinar posibles cambios de la actividad cerebral en personas con esta enfermedad. Para ello, se escogió un paciente con diagnóstico de Enfermedad de Parkinson y se le administró dosis de 240 mg/día de Ginkgo biloba durante 30 días. Durante este período se les realizaron 3 controles electroencefalográficos, utilizando el análisis cuantitativo transformada de Fourier. Para complementar el análisis, se realizaron tests neuropsicológicos y motores. Los resultados muestran una reducción de un 52% a un 35% y de un 24% a un 20% de ondas delta y theta respectivamente; y al mismo tiempo, un aumento de un 8% a un 16% y de un 6% a un 12% de ondas alfa y beta respectivamente. En conclusión, la administración de 240 mg/día por 30 días de extracto de Ginkgo biloba muestra una reducción en ondas delta y theta, y un aumento en ondas alfa y beta. Además, aumentó la función cognitiva de denominación de objetos y disminuyó el temblor de reposo y rigidez. Si bien los resultados son relevantes, es necesario aumentar la muestra, para determinar si el extracto de Ginkgo biloba sería útil como tratamiento complementario en pacientes con Enfermedad de Parkinson

Ingeniera Civil Eléctrica / El presente trabajo tiene como objetivo principal la identificación y medición de niveles de carga cognitiva y del estado emocional en personas que realizan una tarea de redacción, mediante la utilización de sensores psico-fisiológios. Se utilizan 6 sensores psico-fisiólogicos: eye tracker, electrocardiograma (ECG), electroencefalograma (EEG), sensor de respuesta electrodermal (GSR), sensor de temperatura y fotopletismógrafo (PPG). Existe amplia evidencia de que las señales psico-fisiológicas, entregadas por los sensores anteriormente nombrados, pueden medir tanto la carga cognitiva (entendida como el esfuerzo mental al realizar una tarea) como el estado emocional (medido en términos de valencia y excitación) experimentado por un usuario al realizar una tarea en particular. Esta memoria está enmarcada en el proyecto Fondecyt "A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments", liderado por el profesor Ángel Jiménez. El problema a estudiar es de los diferentes niveles de carga cognitiva y distintos estados emocionales que experimenta un usuario mientras escribe un ensayo. Para esto, se desarrolla un diseño experimental que consiste en que cada usuario de la muestra escriba un ensayo sobre un tema previamente dado, igual para todos. El experimento se realiza a 70 participantes, a los cuales se les miden las señales psico-fisiológicas ya mencionadas. El principal resultado esperado es el de evaluar si los sensores pueden (o no) medir los diferentes niveles de carga cognitiva y estado emocional que experimenta un usuario dado y obtener un clasificador para estos niveles. Para poder identificar los niveles existentes de carga cognitiva y de valencia y excitación, y poder etiquetarlos, se utilizan algoritmos de aprendizaje no supervisado. En particular, se utiliza Self-Organizing Maps (SOM) en conjunto con clustering aglomerativo. Para saber si las señales diferencian los niveles identificados, se realiza un análisis estadístico mediante tests de ANOVA-MR. Luego, para la clasificación de estos niveles, se utiliza k-vecinos más cercanos (KNN), máquinas de soporte vectorial (SVM) y redes neuronales (ANN). Para cada categoría que se busca medir, se encuentra el clasificador que tiene un mejor desempeño promedio para todos los sujetos. Para carga cognitiva se obtiene un desempeño de 75,55% de exactitud y 61,14% de F1 con SVM, para la clasificación de dos niveles. Para excitación se obtiene un 80,5% de exactitud y 60,49% de F1 con ANN. Para valencia se obtiene un 74,96% de exactitud y 49,31% de F1 con KNN-3. Con esto, se concluye sobre la factibilidad de la identificación y clasificación de niveles de carga cognitiva, valencia y excitación, pero que aún falta investigación sobre las características a extraer de las señales, en particular del EEG, con el fin de aumentar la exactitud y F1 en el desempeño de los clasificadores. / Este trabajo ha sido parcialmente financiado por proyecto Fondecyt 11130252

Tesis para optar al grado de Magister en Educación con mención en Informática Educativa

Ingeniero Civil Eléctrico / En psico-fisiología la carga cognitiva se define como la cantidad total de información que el cerebro es capaz de procesar en un momento dado, cantidad que es finita y que se relaciona con la atención, percepción, memoria corto y largo plazo, control, motor, entre otros. Cuando un usuario se enfrenta a tareas de interacción Humano Computador (HCI) necesariamente utiliza su capacidad mental, por ejemplo, al analizar una página web el usuario lee, discrimina en el contenido, concentra su atención, etc. Una sobreexigencia del recurso cognitivo genera frustración, desagrado y problemas para completar tareas definidas, lo que disminuye el nivel de experiencia del usuario que navega en un sitio web. Bajo el contexto del proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez, se desarrolla esta memoria cuya objetivo es comprobar la hipótesis de que es posible medir la carga cognitiva para actividades de navegación web frente a un computador mediante señales psico-fisiológicas y que, además, se produce una baja en la carga mental del usuario en momentos de transición entre el análisis de un elemento web y otro. El diseño experimental considera la medición de 61 voluntarios utilizando 6 sensores psico-fisiológicos: Eye tracker, sensor de respuesta electrodermal (GSR), Sensor de Temperatura, Fotopletismógrafo (PPG), electrocardiógrafo (ECG) y electroencefalógrafo (EEG). Cada participante navega libremente por una página web que se presenta en 3 versiones manteniendo su diseño y variando su contenido. Mediante un análisis de varianza con medidas repetidas (ANOVA-MR) y utilizando la media del diámetro pupilar como medida directamente relacionada con la carga cognitiva, se comprueba con un grado de significancia de p-value=0,00184 en un intervalo de confianza de 95% que es estadísticamente significativa la baja de la carga mental en los momentos de transición entre el análisis de un elemento web y otro. Para determinar los niveles de carga cognitiva existentes y poder etiquetarlos se aplica el algoritmo de agrupamiento k-means. Los resultados de la clasificación con redes neuronales profundas demuestran que sí es posible medir la carga cognitiva durante la navegación web. Para la combinación de los sensores GSR, PPG y EEG se obtiene el mejor resultado con una exactitud de 95,73% al clasificar. Además, se determina que el EEG es el sensor que más aporta a la clasificación (por sí solo alcanza una exactitud del 88,78%), con lo que se concluye que es posible replicar el experimento y medir la carga mental utilizando solamente el EEG; o bien, el EEG acompañado del sensor de GSR y PPG que son fáciles de utilizar y de bajo costo en relación a otros sensores.

Ingeniero Civil Industrial / El presente trabajo tiene como objetivo la medición cuantitativa de cargas cognitivas durante ciertas actividades en ambientes móviles mediante sensores psico-fisiológicos. Los sensores psico-fisiológicos entregan una medida de alguna característica fisiológica con lo que es posible determinar factores psicológicos como la carga cognitiva, el estrés, la fatiga, entre otros. El método de medición más utilizado es un cuestionario elaborado por NASA, que se aplica luego de realizadas las actividades por lo que el resultado final es subjetivo. El enfoque de este proyecto, en cambio, es medir en base a los datos objetivos que entregan las señales de los sensores. Para esto se utiliza un eyetracker, electrocardiograma, pulsoxímetro y temperatura. Este tema de memoria está enmarcado en el proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez. El problema tipo de estudio es cuando un usuario debe dividir su atención entre una actividad primaria física por ejemplo, caminar, hablar e interacciones del usuario con el computador u otro dispositivo por ejemplo, leer o escribir desde el Smartphone. Para la medición de carga cognitiva se desarrolla un diseño experimental que consiste en realizar tareas con un Smartphone en 3 escenarios con distinto nivel de demanda cognitiva, estos son, sin estímulos externos, en conversación y caminando. Los resultados esperados son principalmente dos: comprobar (o no) que las señales pueden discriminar los distintos niveles de demanda cognitiva y obtener clasificadores de esos niveles. Se realizó el experimento con 20 participantes validando a su vez el diseño con la aplicación del test NASA que afirmó que el diseño es coherente a lo que se busca. Se aplica el proceso Knowledge Discovery in Databases con el fin de realizar todos los pasos adecuados para una correcta aplicación de un algoritmo de minería de datos. Los resultados indican que todos los sensores son capaces de discriminar estadísticamente las actividades de distinto nivel de demanda cognitiva planteadas en este estudio. Se aplicó un test de hipótesis t y análisis de varianza de medidas repetidas para obtener lo anterior. Se aplican también los algoritmos de Support Vector Machine, Naive Bayes y Regresión Logística. Los resultados indican que el modelo Naive Bayes fue el que mejor resultados obtuvo. En cuanto a los sensores, al modelar por cada tarea incluyendo a todos los participantes el sensor de BPM junto con el sensor de SO2 son los que mejor predicen. Incluso cuando se combinan su poder de predicción crece llegando al 81.42% de accuracy en algunas tareas.

Tesis para optar al grado de Magíster en Gestión de Operaciones / Memoria para optar al título de Ingeniero Civil Industrial / Este trabajo busca generar tres modelos de predicción: fijaciones en áreas de interés que los usuarios visitan durante su navegación en un sitio web específico, fijaciones realizadas en las diferentes coordenadas del sitio, e indicadores mentales, bajo condiciones ambientales controladas, de iluminación y tarea asignada. Se basa en la experimentación llevada a cabo por Cristian Retamal [88] en el Estudio del comportamiento de la carga cognitiva de usuarios que navegan en un sitio web , bajo el contexto del proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments , liderado por el Profesor Ángel Jiménez. La predicción del primer modelo utiliza señales fisio-psicológicas: Eye tracker, sensor de respuesta electrodermal (GSR), Sensor de Temperatura de la piel (ST) y fotopletismógrafo (PPG), para estudiar las transiciones entre zonas agrupadas semánticamente, basado en ventanas de tiempo de 5 segundos (parámetro a elección), pronosticando secuencias de áreas de interés, y aproximándose a una predicción en tiempo real. El modelo se basa en tres etapas, Predicción de intención de visita de cada área de interés , es decir, que zonas elige visitar cada usuario en cada ventana de tiempo, la Asignación de estado mental del usuario en cada ventana de tiempo, a partir de variables fisio-psicológicas y Algoritmo de generación de caminos visuales , etapa final en la cual se consideran los resultados anteriores para entregar la predicción se secuencias para una ventana de tiempo. Para llevar a cabo estas etapas, se utilizan respectivamente los métodos de Clasificación multi-etiqueta , Hard clustering y Redes neuronales recurrentes . El segundo modelo utiliza datos de mirada (fijaciones, sacadas y puntos indefinidos) registrados por el EyeTracker para generar densidades de probabilidad en las zonas de la página que son atendidas por el usuario. Utiliza redes neuronales recurrentes con mezclas de densidades gaussianas para generar secuencias de probabilidades de movimientos oculares registrados en una ventana de tiempo. Este modelo se basa en una arquitectura encoder decoder, donde los datos de mirada son codificados por una red neuronal recurrente bidireccional y decodificados en los parámetros de las distribuciones gaussianas a ser mezcladas. El tercer modelo utiliza cluster de K-mean para categorizar las ventanas de tiempo con los diferentes índices mentales. Posteriormente se utilizan métodos de clasificación de secuencias para las señales EEG, para la predicción de cada índice mental, utilizando las señales fisiológicas del usuario, usando una arquitectura encoder-decoder. Todos los modelos se evalúan con validación cruzada de diez conjuntos de entrenamientoprueba,utilizando diferentes medidas de distancia para cada caso.