ABSTRACT Education 4.0 is an innovative approach that seeks to leverage advanced technology, particularly artificial intelligence (AI), to enhance learning and the student experience in higher education. AI can automate tasks, personalize the learning experience, and improve efficiency in scientific research. However, its implementation poses challenges in terms of adopting new educational models, the necessary investment for implementation, and user training. In order to provide detailed information on the advantages of AI application in teaching-learning processes and scientific research in higher education, a systematic literature review was conducted that explored the fundamentals, benefits, and drawbacks of AI, which was shared with professors and students from the Universidad de Oriente, Cuba, to learn about their perceptions on the topic. The results indicate that AI can enhance the teaching-learning process and improve efficiency in scientific research, but it requires careful, ethical and responsible implementation. Furthermore, it is concluded that AI can facilitate adaptation to each student's pace and learning style, optimize time usage and efficiency in research tasks, and foster the development of professional competencies for the job market. However, it is essential to ensure equity, quality, and ethics in its use.

RESUMEN La Educación 4.0 es un enfoque innovador que busca aprovechar la tecnología avanzada, en particular la inteligencia artificial (IA), para mejorar el aprendizaje y la experiencia de los estudiantes en la educación superior. La IA puede automatizar tareas, personalizar la experiencia de aprendizaje y mejorar la eficiencia en la investigación científica. No obstante, su aplicación plantea desafíos en cuanto a la adopción de nuevos modelos educativos, la inversión necesaria para su implementación y la capacitación de los usuarios. Con el objetivo de proporcionar información detallada a estudiantes y profesores sobre las ventajas de la aplicación de la IA en los procesos de enseñanza-aprendizaje y de investigación científica en la educación superior, se realizó una revisión sistemática de la literatura que exploró los fundamentos, beneficios y desventajas de la IA, la que fue socializada con profesores y estudiantes de la Universidad de Oriente, Cuba, para conocer sus percepciones sobre el tema. Los resultados indican que la IA puede potenciar el proceso de enseñanza-aprendizaje y mejorar la eficiencia en la investigación científica, pero requiere de una implementación cuidadosa, ética y responsable. Además, se concluye que la IA puede facilitar la adaptación al ritmo y estilo de aprendizaje de cada estudiante, optimizar el uso del tiempo y la eficiencia en tareas de investigación, y favorecer el desarrollo de competencias profesionales para el mundo laboral. No obstante, es esencial garantizar la equidad, calidad y ética en su uso.

Abstract This study proposes a primary screening system for diagnosing sarcopenia in older adults through anthropometric measures. This exploratory research initially involved 150 elderly individuals, of whom 122 were selected after a data purification process. Using machine learning techniques such as hierarchical clustering and decision trees, the original set of 13 anthropometric measures was reduced to five key features. Three classification systems were created: the first based on previously established parameters (appendicular muscle mass, walking speed, and grip strength); the second considered upper limb measures (average muscle mass of both arms, grip strength, walking speed, and body fat percentage); and the third focused on lower limb measures (average muscle mass of both legs, grip strength, walking speed, and body fat percentage). These classification systems were clinically validated in a group of 57 patients previously diagnosed by specialists, of which 10 received a positive sarcopenia diagnosis. The results showed similar efficiencies in all three systems, with eight of the ten known positive diagnoses classified in the same group. Additionally, the study provides specific cut-off points for each system, thus facilitating the clinical diagnosis of sarcopenia by medical professionals.

Resumen Este estudio propone un sistema de cribado primario para diagnosticar la sarcopenia en adultos mayores a través de medidas antropométricas. Esta investigación exploratoria involucró inicialmente a 150 personas de edad avanzada, de las cuales 122 fueron seleccionadas después de un proceso de depuración de datos. Empleando técnicas de aprendizaje automático como el agrupamiento jerárquico y los árboles de decisión, se redujeron las 13 medidas antropométricas originales a cinco características clave. Se crearon tres sistemas de clasificación: el primero basado en parámetros previamente establecidos (masa muscular apendicular, velocidad de marcha y fuerza de agarre); el segundo consideró medidas de las extremidades superiores (masa muscular promedio de ambos brazos, fuerza de agarre, velocidad de marcha y porcentaje de grasa corporal); y el tercero se centró en las medidas de las extremidades inferiores (masa muscular promedio de ambas piernas, fuerza de agarre, velocidad de marcha y porcentaje de grasa corporal). Estos sistemas de clasificación se validaron clínicamente en un grupo de 57 pacientes previamente diagnosticados por especialistas, de los cuales 10 recibieron un diagnóstico positivo de sarcopenia. Los resultados mostraron eficiencias similares en los tres sistemas, con ocho de los diez diagnósticos positivos conocidos clasificados en el mismo grupo. Además, el estudio proporciona puntos de corte específicos para cada sistema, facilitando así el diagnóstico clínico de la sarcopenia por parte de profesionales médicos.

Abstract Artificial intelligence and Big Data are articulated to be able to deal with different problems related to the analysis of big data, in particular, information from the COVID-19. In this sense, this article shows some research projects related to deep learning, machine learning, Big Data and data science, aimed to provide plausible solutions in monitoring, detection, diagnosis and treatment of diseases associated with the virus. The correspondence between disruptive technologies and critical information is shown, creating synergies that allow the development of more advanced systems of study and analysis, facilitating the obtaining of relevant data for health decision-making.

Resum La Intel·ligència Artificial i el Big Data s'articulen per poder fer front a diferents problemes relacionats amb l'anàlisi de dades massiu, concretament, informació relativa a la COVID-19. En aquest sentit, en el present article es mostren alguns projectes d'investigació relacionats amb l'aprenentatge profund, l'aprenentatge automàtic, el Big Data i la ciència de dades, capaços de donar solucions plausibles en el monitoratge, detecció, diagnòstic i tractament de les malalties associades amb el virus. Amb això en ment, es mostra la correspondència entre les tecnologies disruptives i la informació crítica, creant sinergies que permeten elaborar sistemes més avançats d'estudi i anàlisi facilitant l'obtenció de dades rellevants per a la presa de decisions sanitàries.

Resumen La inteligencia artificial y el Big Data se articulan para poder lidiar con diferentes problemas relacionados con el análisis de datos masivos, en particular información de la COVID-19. En el presente artículo se muestran algunos proyectos de investigación relacionados con el aprendizaje profundo, el aprendizaje automático, el Big Data y la ciencia de datos, tendientes a dar soluciones plausibles bien en el monitoreo, detección, diagnóstico y tratamiento de las enfermedades asociadas con el virus. Con esto en mente, se muestra la correspondencia entre las tecnologías disruptivas y la información crítica, creando sinergias que permiten elaborar sistemas más avanzados de estudio y análisis facilitando la obtención de datos relevantes para la toma de decisiones sanitarias.

ABSTRACT In recent years, the use of non-linear models for prediction and classification through algorithms and advanced computational techniques (Machine Learning) have emerged as an efficient alternative for modeling economic processes. The present work was developed with the objective of building a model to forecast the projection of revenues in the Maintenance Company to Power Plants (EMCE). The modeling was carried out through the Support Vector Machine (SVM) algorithm, obtaining 95.8% of hits with the RBF kernel function. A graphical tool (graph of prognostic projections) is proposed for the interpretation of forecasts about projections of variables of an economic nature.

RESUMEN En los últimos años el uso de modelos no lineales para predicción y clasificación a través de algoritmos y técnicas computacionales de avanzada (Machine Learning), han surgido como alternativa eficiente para modelar procesos económicos. El presente trabajo fue desarrollado con el objetivo de construir un modelo para pronosticar la proyección de los ingresos en la Empresa de Mantenimiento a Centrales Eléctricas (EMCE). La modelación fue realizada a través del algoritmo Support Vector Machine (SVM) obteniéndose 95.8 % de aciertos con función kernel RBF. Se propone una herramienta gráfica (graph of prognostic projections) para la interpretación de pronóstico sobre proyecciones de variables de naturaleza económica.