INTELIGENCIA ARTIFICIAL CONVERSACIONAL
EN LA COMUNICACIÓN INSTITUCIONAL:
EL CASO DEL ASISTENTE “ORTEGA” EN ENTORNOS CIENTÍFICOS

CONVERSATIONAL ARTIFICIAL INTELLIGENCE IN INSTITUTIONAL COMMUNICATION: 
THE CASE OF THE “ORTEGA” ASSISTANT IN SCIENTIFIC SETTINGS

Javier Sedano Rodríguez:
Universidad Complutense de Madrid. España.
javiseda@ucm.es

 

Serafín Barros Garbín:
Universidad Complutense de Madrid. España.
sbarros@ucm.es

 

David Lavilla Muñoz:
Universidad Complutense de Madrid. España.
dlavilla@ucm.es

 

Cómo citar el artículo:

Sedano Rodríguez, Javier; Barros Garbín, Serafín y Lavilla Muñoz, David (2027). Inteligencia artificial conversacional en la comunicación institucional: El caso del asistente “ORTEGA” en entornos científicos [Conversational artificial intelligence in institutional communication: The case of the “ORTEGA” assistant in scientific settings]. Revista de Comunicación de la SEECI, 60, 1- 22. https://doi.org/10.15198/seeci.2027.60.e984  

RESUMEN

Introducción. La inteligencia artificial conversacional (Yang et al., 2025) se ha consolidado como tecnología clave para optimizar la interacción digital. En este marco, se analiza el diseño y desarrollo de ORTEGA, un asistente virtual (Caldarini et al., 2022) integrado en la web del Congreso Internacional de IA 365 para ofrecer asistencia automatizada y facilitar el acceso a información del evento. Objetivo. Se trata de reconocer el desarrollo de ORTEGA como caso de aplicación de sistemas conversacionales (Trofymenko et al., 2021), describiendo su proceso de integración técnica y funcional para mejorar la experiencia de usuario (UX) (Nielsen, 2000). Metodología. Se ha utilizado el análisis descriptivo-exploratorio dividido en dos fases: una implementación técnica basada en análisis heurístico (Savinic y Piazolo, 2026), y una validación empírica (beta-testing) (Winteringham, 2022) con una muestra diversificada de 15 evaluadores (expertos, estudiantes, y usuarios generales) mediante un protocolo de usabilidad de tres dimensiones desarrollado en el primer trimestre de 2026. Resultados. Las principales consecuencias muestran que la optimización de la interfaz (UI) y la corrección de errores de visualización en dispositivos móviles permitieron una visibilidad de los colaboradores del 100 % y un incremento del 15 % en la interacción. La evolución del avatar hacia una estética pictórica logró una conexión empática sin rechazo visual. Discusión. Tras comprobar los resultados se observa que la eficacia de una IA académica no depende solo del procesamiento del lenguaje, sino de su armonía visual, demostrando que la representación simbólica evita el fenómeno del uncanny valley (Seyama y Nagayama, 2007). Conclusiones. Se comprueba que ORTEGA puede ser una propuesta inicial de integración para la transferencia de conocimiento. Además, es susceptible de crear las primeras bases para futuras evaluaciones de rendimiento y precisión semántica para este tipo de herramientas en contextos institucionales.

Palabras clave: Inteligencia Artificial; Chatbots; Asistencia Virtual; Comunicación Humano-Máquina; Experiencia de Usuario; Diseño de Interfaz; Beta-testing.

ABSTRACT

Introduction. Conversational artificial intelligence (Yang et al., 2025) has established itself as a key technology for optimising digital interaction. Within this framework, this paper analyses the design and development of ORTEGA, a virtual assistant (Caldarini et al., 2022) integrated into the website of the 365 International AI Congress to provide automated assistance and facilitate access to information about the event. Objective. The aim is to examine the development of ORTEGA as a case study in the application of conversational systems (Trofymenko et al., 2021), describing its technical and functional integration process with a view to improving the user experience (UX) (Nielsen, 2000). Methodology. A descriptive-exploratory analysis was employed, divided into two phases: a technical implementation based on heuristic analysis (Savinic & Piazolo, 2026), and empirical validation (beta-testing) (Winteringham, 2022) with a diverse sample of 15 evaluators (experts, students and general users) using a three-dimensional usability protocol developed in the first quarter of 2026. Results. The key findings show that optimising the user interface (UI) and fixing display errors on mobile devices resulted in 100 % visibility of collaborators and a 15 % increase in interaction. The evolution of the avatar towards a pictorial aesthetic fostered an empathetic connection without causing visual rejection. Discussion. Upon examining the results, it is evident that the effectiveness of academic AI depends not only on language processing but also on its visual harmony, demonstrating that symbolic representation avoids the uncanny valley phenomenon (Seyama & Nagayama, 2007). Conclusions. It has been demonstrated that ORTEGA can serve as an initial framework for knowledge transfer. Furthermore, it has the potential to lay the groundwork for future assessments of performance and semantic accuracy for this type of tool in institutional contexts.

Keywords: Artificial Intelligence; Chatbots; Virtual Assistance; Human-Computer Interaction; User Experience; Interface Design; Beta testing.

1. INTRODUCCIÓN 

1.1. Contextualización de la IA conversacional institucional

La “velocidad salvadora” (Virilio, 1997, p. 22) a la que circula la información dentro del contexto de la Sociedad Grabada (Lavilla Muñoz, 2025) hace que la actualización del contenido en todos los ámbitos de la Sociedad del Conocimiento (Gómez Cano, 2025) tenga que producirse de forma constante: 24/7/365, como suele aseverar el propio argot del marketing digital (Alfaro Ramos y Monge Segura, 2024). Gracias a la Inteligencia Artificial (Haugeland, 2001), estos procesos son ahora más rápidos, automáticos y directos. En este escenario, sectores como la comunicación (Mateos-Abarca y Sedano Rodríguez, 2025) o la salud (Sierra-Sánchez y Mateos-Abarca, 2024) apuestan por herramientas que faciliten la retroalimentación a un prosumer (Ertz et al., 2025; Toffler, 1980) cada vez más exigente que busca reducir tiempos de espera.

De esta motivación surge ORTEGA, un asistente generado con Inteligencia Artificial (IA) por Cibeles Group L.L.C (Cibeles, s. f.) para satisfacer la demanda de información de académicos y profesionales sobre congresos especializados. Su funcionamiento se analiza dentro de la web del I Congreso Internacional sobre Inteligencia Artificial 365 (CISIA 365, 2026). Para comprender este proceso, conviene partir del concepto Machine Learning o aprendizaje automático (Alpaydin, 2021; Zhou, 2021). Superando la programación rígida (Turing, 1936), estas IAs crean algoritmos para encontrar patrones y generar su propia lógica, reduciendo costes para las empresas y esperas para los usuarios (Nieto y Iglesias, 2000).

El Machine Learning es versátil; se emplea en el análisis del comportamiento del consumidor para remarketing (Vikas et al., 2019) y en la identificación de fake news (Lavilla Muñoz, 2025) en empresas periodísticas (Góngora y Lavilla, 2020; Núñez Fernández et al., 2022). Su proceso incluye la entrada de datos, el entrenamiento y la predicción (Huertas-Abril, 2025). Existen enfoques como el aprendizaje supervisado (Goodfellow et al., 2016), el Deep Learning (LeCun et al., 2015) o el no supervisado (Murphy, 2012). En el caso de ORTEGA, su “cerebro” opera con modelos de lenguaje (LLM) (Mienye et al., 2025) y Procesamiento de Lenguaje Natural (PLN) (Jurafsky y Martin, 2023) para identificar la intención del interlocutor.

1.2. El rol de los avatares y la humanización de la interfaz

Una de las funcionalidades más relevantes es la ventaja multimodal que ofrecen la voz y el avatar. Se utiliza un avatar generativo capaz de sincronizar el movimiento de los labios (lip-sync) (Karras et al., 2017) con el texto. Gracias a técnicas de fine-tuning (Howard y Ruder, 2018), ORTEGA desempeña un rol académico y profesional. Como evolución de los sistemas tradicionales, ORTEGA es un chatbot (Caldarini et al., 2022) basado en modelos LLM recientes (Catamuscay Pérez et al., 2025) que genera respuestas fluidas (Rodríguez Canfranc y Guallarte Nuez, 2025).

Esta tecnología es clave para mejorar la experiencia del usuario (UX) (Nielsen, 2000), ofreciendo respuestas inmediatas (Segovia-García, 2024). Según su funcionamiento, ORTEGA es un chatbot de dominio cerrado (Adamopoulou y Moussiades, 2020). Por su propósito, se sitúa entre los conversacionales y sociales (Trofymenko et al., 2021). El uso de avatares conversacionales (Yang et al., 2025) hace que la interacción sea más dinámica y gamificada (Teixes, 2015). En el caso de ORTEGA, el avatar está inspirado en el filósofo José Ortega y Gasset, lo que añade una dimensión simbólica y cordial a la interacción (Yee y Bailenson, 2007).

1.3. Desafíos éticos y transparencia en la comunicación científica

El uso de la IA en la comunicación científica plantea cuestiones éticas y epistemológicas. Autores como Gerd Leonhard (2026) sostienen que el impacto de la tecnología depende del contexto social y su uso (Castells, 2001; Kranzberg, 1986; Postman, 1998). Por ello, la comunicación avatarizada debe ser transparente; es vital que el usuario no sea inducido a error.

En la sociedad actual, resulta esencial poder garantizar la fiabilidad de las respuestas y la responsabilidad ante errores informativos. Los creadores de ORTEGA lo presentan como una interfaz simbólica, evitando que el sistema simule reproducir fielmente el pensamiento del filósofo. Se busca diferenciar nítidamente entre lo humano y la máquina para garantizar la responsabilidad informativa en el entorno académico, definiendo claramente el límite entre lo real y lo ficcionado desde el inicio de la usabilidad de la herramienta.

2. OBJETIVOS

El objetivo general de esta investigación es analizar el proceso de diseño, implementación y validación del asistente virtual ORTEGA como un caso exploratorio en la aplicación de Inteligencia Artificial Generativa (IAG) para la comunicación en entornos científicos y académicos.

Para alcanzar este propósito principal, se definen los siguientes objetivos:

• O1: Analizar el estado del arte de la inteligencia artificial conversacional en el ámbito social y tecnológico, aplicado al sector educativo, más concretamente a los congresos de investigación destinados a la comunicación. 
• O2: Describir los fundamentos tecnológicos y las decisiones de diseño de interfaz (UI) que permiten la humanización de un agente conversacional basado en una figura histórica, evitando el fenómeno del uncanny valley[1].
• O3: Evaluar la usabilidad y el rendimiento técnico del chatbot mediante un protocolo de validación empírica (beta-testing) con usuarios, con el fin de identificar y resolver incidencias críticas de navegabilidad y adaptabilidad en dispositivos móviles.
• O4: Proponer un modelo de integración de asistentes virtuales que optimice la experiencia de usuario (UX) en la gestión de eventos académicos complejos, sirviendo de referencia para futuras implementaciones institucionales.

3. METODOLOGÍA

Esta investigación se elabora desde un enfoque mixto (cualitativo-cuantitativo) de carácter interpretativo (Denzin y Lincoln, 2018), centrado en el análisis del chatbot ORTEGA como caso representativo dentro del marco de la comunicación virtual. Este planteamiento metodológico permite comprender el funcionamiento técnico del chatbot, así como su dimensión simbólica, comunicativa y social, aportando rigor empírico mediante la medición de la usabilidad y el rendimiento técnico.

El estudio sigue una estructura secuencial articulada en dos fases: 

A. Fase de recopilación de información (Creswell y Creswell, 2018): basada en la revisión de literatura científica sobre IA, chatbots, PLN y avatares digitales. Para garantizar el rigor científico, la consulta se ha centralizado en las bases de datos Scopus, Web of Science (WoS) y Google Scholar. La estrategia de búsqueda se ha articulado mediante marcadores booleanos combinando los términos clave: (“Chatbots” OR “Conversational AI”) AND (“Institutional Communication” OR “Scientific Events”) AND (“Avatars” OR “Digital Identity”). Esta revisión permitió establecer un marco teórico de referencia e identificar los principales debates académicos sobre el objeto de estudio en una ventana temporal de los últimos diez años. 

B. Fase de recopilación de datos empíricos: centrada en el análisis de ORTEGA mediante observación directa (Miles et al., 2014), construcción del discurso (Fairclough, 1995) y hermenéutica (Dourish, 2001; Gadamer et al., 2004; Ricoeur, 1981; Winograd y Flores, 1986). Se empleó el método del estudio de caso (Crowe et al., 2011; Yin, 2018) para analizar el fenómeno en su contexto real. Las técnicas incluyen la revisión bibliográfica sistemática (Higgins et al., 2022), la observación cualitativa no participante (Angrosino, 2007) y el análisis del discurso (Fairclough, 2013; Van Dijk, 2015, 2017).

Durante el desarrollo de esta investigación se han utilizado tanto técnicas cuantitativas como cualitativas a fin de poder ofrecer el rigor científico que requiere esta investigación. En el apartado cualitativo se citan las siguientes: revisión bibliográfica para establecer el marco teórico, observación cualitativa no participante (Cheek et al., 2024) para analizar el comportamiento del chatbot, análisis del discurso y hermenéutica (Gadamer et al., 2004) para entender la construcción del discurso del avatar y su dimensión simbólica y análisis heurístico -empleado en la fase de implementación técnica- (Savinic y Piazolo, 2026) para definir la jerarquía visual y la ubicación del asistente. En lo que respecta a las cuantitativas orientadas a la medición empírica, el rendimiento técnico y la obtención de datos estadísticos se usó la escala tipo Likert (1-5) (Taufique et al., 2026) para elaborar el cuestionario de medición de las variables que se detallarán en los epígrafes siguientes.

3.1. Enfoque y diseño de la investigación

La investigación se centró en los procesos de representación mediante avatares digitales en el marco del I Congreso Internacional sobre Inteligencia Artificial 365 (CISIA 365, 2026). El procedimiento articuló la integración de los datos empíricos con el marco teórico a través de dos fases complementarias:

• Fase de implementación técnica: esta etapa se sustentó en un análisis de criterios heurísticos inspirados en estudios de atención visual, a partir del cual se definieron el posicionamiento sticky[2], la identidad visual y la jerarquía de los elementos de llamada a la acción (CTA)[3].
• Fase de validación empírica (beta-testing): se desarrolló de manera intensiva entre el 1 y el 15 de marzo de 2026.

3.2. Muestra, Reclutamiento y Criterios de Selección

La validación empírica se sustentó en una muestra de 15 evaluadores voluntarios, seleccionados mediante un muestreo por conveniencia. Los criterios de inclusión definidos para configurar el perfil operativo de la muestra fueron los siguientes:

• Expertos en inteligencia artificial: profesionales con experiencia en el despliegue de modelos de lenguaje de gran escala (LLM).
• Estudiantes de comunicación: alumnado de último ciclo con competencias en análisis crítico de medios.
• Usuarios no expertos: perfiles prosumidores con competencias digitales básicas, ajenos al desarrollo técnico.

Tabla 1.

Caracterización de la muestra (N=15)

Perfil de evaluador	n	Criterios de Inclusión	Dispositivo utilizado	Tareas asignadas
Expertos en IA	5	Profesionales con >3 años de experiencia en despliegue de LLM y RAG.	Escritorio (Desktop)	Evaluación de precisión semántica y arquitectura RAG.
Estudiantes de Comunicación	5	Alumnos de 4º curso con competencias en análisis crítico de medios.	Tablet / Smartphone	Pruebas de usabilidad y análisis del discurso del avatar.
Usuarios no expertos	5	Perfiles prosumidores con competencias digitales básicas.	Smartphone (Navegación móvil)	Consultas logísticas generales y evaluación de interfaz.

Fuente: Elaboración propia.

La muestra se distribuyó de manera equitativa (n = 5 por grupo) con el fin de garantizar la representación de distintos niveles de alfabetización digital y competencia técnica. Las sesiones de evaluación tuvieron una duración media de 20 minutos y se desarrollaron en entornos controlados de navegación real. Asimismo, se alternó el uso de dispositivos móviles (iOS/Android) y equipos de escritorio (Windows/macOS) para comprobar la adaptabilidad de la interfaz a diferentes formatos de pantalla (responsive). Los perfiles expertos usaron dispositivos de escritorio (Desktop); los estudiantes se valieron de tablet/Smartphone; y los usuarios no expertos, solo se manejaron con Smartphone.

3.3. Instrumento, Recogida y Análisis de Datos

La recogida de información fue coordinada directamente por los autores de la investigación, con el apoyo técnico de la editorial Concilium para el registro de la actividad. Para ello, se empleó un Protocolo de Evaluación de Usabilidad (Tabla 2) como instrumento híbrido de recogida de datos, estructurado en las siguientes dimensiones:

• Dimensiones cuantitativas: ítems evaluados mediante escalas tipo Likert (1–5) y preguntas cerradas (Sí/No), orientados a medir variables como la autoridad académica percibida, la interferencia visual y la velocidad de respuesta.
• Dimensiones cualitativas: campos de respuesta abierta destinados a recoger información técnica sobre errores de visualización, así como percepciones subjetivas orientadas a la identificación de posibles manifestaciones del fenómeno uncanny valley.

El tratamiento de los datos cuantitativos se llevó a cabo mediante técnicas de estadística descriptiva, con el objetivo de calcular porcentajes de consenso. Estos resultados se integraron con el análisis del discurso y la observación cualitativa, lo que permitió interpretar las métricas obtenidas y comprender los factores subyacentes a las mismas.

3.4. Reglas de Síntesis y Construcción de Métricas

Para transformar los datos brutos en hallazgos científicos, se aplicaron las siguientes reglas de síntesis:

• De ítems a porcentajes: las respuestas obtenidas mediante escalas Likert (1–5) y preguntas cerradas fueron sometidas a un análisis de frecuencia. El valor del 80 % de validación de la identidad visual se derivó del consenso de los evaluadores, considerando las puntuaciones altas (4 y 5) en relación con la percepción de seguridad académica del avatar.
• De protocolo a matriz de incidencias: las incidencias registradas en los campos de respuesta abierta fueron categorizadas según su nivel de criticidad. Aquellas clasificadas como de alta criticidad (por ejemplo, el solapamiento de logotipos) se incorporaron a la Matriz de Resolución de Incidencias (Tabla 3).
• Cálculo de la interacción: el incremento del 15 % se estimó a partir del contraste de los registros de actividad tras la modificación del placeholder en la caja de entrada contextual.

3.5. Declaración de uso de IA Generativa en la redacción

En cumplimiento de las pautas éticas de la revista y con el objetivo de garantizar la transparencia informativa, se detalla a continuación el uso de herramientas de inteligencia artificial en la elaboración de este manuscrito:

• LLM empleado: GPT- 5.4 (OpenAI, ChatGPT Plus), Gemini 3.1 Pro (Google).
• Periodo de uso: segunda quincena de marzo de 2026.
• Finalidad: optimización del estilo y corrección lingüística bajo supervisión humana constante.
• Verificación: se llevó a cabo una revisión crítica con el fin de asegurar la exactitud de las citas y evitar posibles errores de generación, contrastando cada dato con la arquitectura RAG del proyecto original para contrastar y garantizar la veracidad de las afirmaciones técnicas. 

Tabla 2.

Formulario Protocolo de Evaluación de Usabilidad

Dimensión	Ítem de Evaluación	Tipo de Respuesta
1. Identidad Visual	¿El avatar transmite la autoridad académica necesaria?	Escala 1-5
1. Identidad Visual	¿La apariencia genera rechazo o falta de naturalidad (uncanny valley)?	Abierta / Sí-No
2. Interfaz (UI/UX)	¿La ubicación del botón flotante interfiere con la lectura del programa?	Escala 1-5
2. Interfaz (UI/UX)	¿El placeholder orienta sobre las capacidades de consulta del chat?	Escala 1-5
3. Técnica	¿Se detectan errores de visualización en dispositivos móviles?	Abierta (Detalle)
3. Técnica	¿La velocidad de respuesta y coherencia son satisfactorias?	Escala 1-5

Fuente: Elaboración propia.

Los fallos reportados mediante este instrumento (como el solapamiento del widget sobre los logotipos de patrocinadores en la versión móvil) fueron registrados y resueltos, tal como se detalla en el análisis de resultados (Tabla 3).

3.6. Consideraciones éticas y declaración de transparencia

 A fin de garantizar la objetividad y el rigor científico, los investigadores dan fe de la total ausencia de conflictos de intereses de tipo financiero, comercial, laboral o personal con las entidades colaboradoras implicadas dentro del ecosistema del estudio. Así pues, la participación de Cibeles Group L.L.C, Editorial Concilium y el Congreso CISIA 365, se limitó estrictamente a facilitar el marco de observación del asistente “ORTEGA” en entornos científicos, sin ejercer ninguna influencia en el diseño metodológico, la recolección y análisis de los datos y la redacción del manuscrito. 

4. RESULTADOS

En este apartado se procede a elaborar un análisis con los principales factores que definieron su construcción y funcionamiento. En primer lugar, se expone la evolución de la identidad visual del avatar y su influencia en la percepción de autoridad académica y proximidad comunicativa. En segundo lugar, se aborda la arquitectura de la interfaz y la experiencia de usuario (UI/UX. Y, por último, se muestra la arquitectura de inteligencia artificial generativa basada en un sistema RAG.

4.1. Identidad visual y factor humano: evolución del avatar hacia la autoridad académica

El desarrollo de la identidad gráfica de ORTEGA no constituyó un proceso estático, sino una evolución iterativa orientada a minimizar el rechazo visual y reforzar la percepción de autoridad académica. Durante el proceso de diseño se identificaron tres fases principales: una fase inicial de abstracción, basada en una estética tipo cómic, que resultó insuficiente para proyectar credibilidad científica; una segunda fase de hiperrealismo fotorrealista, descartada debido al riesgo de generar el efecto uncanny valley; y, finalmente, una fase de retrato pictórico clásico (Figura 1).

Esta última alternativa logró establecer una conexión empática con los usuarios sin generar fricciones perceptivas. Según los resultados obtenidos en el protocolo de usabilidad (véase Tabla 4), el ítem relativo a la autoridad académica alcanzó una media de 4,2 (DT = 0,7), mientras que el rechazo visual asociado al efecto uncanny valley registró una media significativamente baja de 1,5 (DT = 0,5). Estos resultados permiten afirmar que la representación simbólica del filósofo funciona como una interfaz humanizada que facilita la interacción humano-máquina en contextos científicos.

 Figura 1.

Evolución del diseño del avatar generativo de ORTEGA

      

Fuente: CISIA365

4.2. Arquitectura de la información y diseño de interfaz (UI/UX)

La interfaz fue estructurada mediante un diseño de capas funcionales orientado a reducir la carga cognitiva del prosumidor. A partir de criterios heurísticos vinculados a la atención visual, se descartó el uso de ventanas emergentes (pop-ups) intrusivas y se optó por la implementación de un botón flotante situado en el cuadrante inferior derecho, con posicionamiento sticky. Esta localización estratégica garantizó el acceso permanente al asistente en nodos críticos, como el programa científico, sin interferir en la lectura general del sitio web (media de interferencia = 1,8; DT = 0,9).

Uno de los hallazgos más relevantes en la optimización de la experiencia de usuario fue la sustitución de una caja de entrada genérica (“Escribe aquí...”) por un mensaje proactivo y contextualizado (“Dime tus dudas sobre el congreso”). Este ajuste, validado durante la Fase 2 del experimento, produjo un incremento del 15 % en la media de consultas por sesión y obtuvo una valoración de claridad de 4,5 (DT = 0,4). Los resultados sugieren que la personalización contextual de las llamadas a la acción favorece una interacción más activa y eficiente con el sistema.

4.3. Optimización técnica y resolución de conflictos de diseño adaptativo (responsive)

El análisis de rendimiento en dispositivos móviles reveló inicialmente incidencias críticas, entre ellas el solapamiento del widget con elementos de identidad institucional, particularmente el logotipo de los patrocinadores Cibeles. Para resolver estas limitaciones se implementó una matriz de soluciones técnicas compuesta por tres medidas principales.

En primer lugar, se aplicó un sistema de redimensionamiento dinámico que reducía automáticamente la escala de la interfaz en pantallas inferiores a 768 px. En segundo lugar, se reconfiguró la gestión de capas (z-index) para garantizar que los menús de navegación y los elementos de patrocinio permanecieran visualmente prioritarios. Finalmente, las llamadas a la acción (CTA) fueron adaptadas al entorno táctil mediante la sustitución de textos extensos por iconos de interacción directa.

Tras la implementación de estas iteraciones de diseño y desarrollo, el 100 % de los evaluadores confirmó la ausencia de errores de visualización en terminales móviles, lo que evidencia la eficacia de las soluciones aplicadas en términos de compatibilidad y experiencia de usuario, tal como se recoge en la Tabla 3.

Tabla 3 

Matriz de Resolución de Incidencias de Interfaz (UI) y Experiencia de Usuario (UX)

Incidencia detectada	Dispositivo	Solución implementada	Resultado observado
Ocultación de patrocinios	Móvil	Ajuste de margen y escala	Visibilidad del 100 % de logos
Confusión en el propósito	Desktop	Cambio de placeholder[4] a “Dudas”	Aumento del 15 % en interacción
Saturación visual	Tablet	Cierre automático al hacer scroll[5]	Mejora en la lectura del programa

Nota: Datos obtenidos durante la fase de beta-testing en el portal http://congresoia365.net

Fuente: Elaboración propia.

4.4. Inteligencia artificial generativa: arquitectura RAG y precisión semántica

Con el objetivo de superar las limitaciones propias de los chatbots basados en árboles de decisión rígidos, ORTEGA integra una arquitectura de Generación Aumentada por Recuperación (RAG) (Lewis et al., 2020). El sistema opera sobre un corpus cerrado compuesto por 120 documentos oficiales del congreso y emplea el modelo GPT-5.4 junto con text-embedding-3-small para la vectorización semántica de la información en una base de datos ChromaDB (Zaragosa, 2025).

La configuración del sistema se articuló a partir de un System Prompt estructurado en tres bloques: definición del rol académico, restricciones de seguridad y protocolo de recuperación de fuentes. Esta arquitectura permite que, ante consultas complejas, el sistema sintetice información precisa y verificable, reduciendo significativamente la aparición de alucinaciones algorítmicas (se puede observar un ejemplo gráfico del proceso en la Figura 2). En este sentido, el indicador de precisión de respuestas obtuvo una media de 4,4 (DT = 0,6).

Figura 2.

Validación de respuesta técnica mediante arquitectura RAG y recuperación de datos del corpus.

Fuente: CISIA365

Asimismo, los expertos en inteligencia artificial señalaron que la fragmentación semántica del corpus, implementada con un 10 % de solapamiento contextual (overlap), favorece la trazabilidad de la información y la alineación de las respuestas con los datos oficiales del congreso, constatables en la Tabla 4.

Tabla 4 

Resultados estadísticos del protocolo de usabilidad (N=15)

Dimensión	Ítem de Evaluación	M	DT	% Acuerdo (4-5)	n
Identidad Visual	El avatar transmite autoridad académica.	4,2	0,7	80 %	15
Identidad Visual	La apariencia genera rechazo (uncanny valley).	1,5	0,5	93 %*	15
Interfaz (UI/UX)	La ubicación del botón interfiere en la lectura.	1,8	0,9	86 %*	15
Interfaz (UI/UX)	El placeholder orienta sobre las capacidades.	4,5	0,4	95 %	15
Técnica	La velocidad de respuesta es satisfactoria.	4,1	0,8	78 %	15
Técnica	Se detectan errores en dispositivos móviles.	1	0	100 %*	15
Técnica	Precisión de las respuestas y ausencia de alucinaciones.	4,4	0,6	89 %	15

Nota: M (media), DT (desviación típica). Escala Likert 1-5 (1: Muy en desacuerdo; 5: Muy de acuerdo). Los ítems marcados con (*) indican porcentajes de desacuerdo (puntuaciones 1-2) para variables negativas (rechazo, interferencias o errores).

Fuente: Elaboración propia.

Como cierre y síntesis de las optimizaciones técnicas expuestas en este apartado, se presenta a continuación un gráfico radial (o de araña) que integra el rendimiento de ORTEGA en las seis dimensiones clave contempladas en el protocolo de usabilidad. Esta representación visual pone de manifiesto que la resolución de los conflictos de visualización en dispositivos móviles, junto con el ajuste de la jerarquía de capas (z-index), permitió alcanzar niveles óptimos tanto en precisión semántica (4,4) como en orientación al usuario (4,5). En este sentido, el gráfico confirma que la solvencia técnica y la ausencia de errores en interfaces de dimensiones reducidas (M = 1; DT = 0) constituyeron factores determinantes para consolidar una herramienta capaz de armonizar la autoridad académica con una experiencia de usuario fluida y eficaz en el entorno científico.

Figura 3.

Evaluación de Usabilidad y Percepción (Escala Likert)

 

Nota: Refinado en 1-5 escala Likert.

Fuente: Elaboración propia. 

5. DISCUSIÓN

La implementación del asistente ORTEGA puede dar a entender que la eficacia de una inteligencia artificial conversacional en entornos académicos no depende exclusivamente de sus capacidades de procesamiento del lenguaje natural, sino también de una integración coherente y funcional en la interfaz de usuario (UI). Los resultados obtenidos durante la fase de beta-testing indican que la resolución de conflictos visuales constituye un factor clave para la retención de los usuarios.

En relación con la comparativa sectorial (O1), se concluye que, a diferencia de la elevada criticidad y el rigor documental exigido en el ámbito médico (Sierra-Sánchez y Mateos-Abarca, 2024), como se ha mencionado en la introducción, la implementación de inteligencia artificial en congresos académicos permite una mayor flexibilidad narrativa. No obstante, se evidencia que la precisión en la información logística sigue siendo un elemento determinante para reducir la incertidumbre del usuario. En este sentido, el presente estudio contribuye a una mejor comprensión del papel transformador de estos sistemas dentro del contexto académico.

Desde la perspectiva de la identidad visual y el factor humano (O2), se concluye que la personificación del agente mediante la figura de José Ortega y Gasset favorece una conexión más empática con el usuario. La adopción de una estética pictórica permitió evitar el fenómeno del uncanny valley (Aguilar, 2021; Mori et al., 2012), lo que respalda la hipótesis de que, en contextos de alta autoridad académica, una representación simbólica resulta más adecuada que una de carácter fotorrealista. En cuanto a la usabilidad y validación técnica (O3), la adecuada jerarquización de los elementos se revela como un aspecto esencial para preservar la experiencia de usuario (UX).

Finalmente, en relación con el modelo de integración y prospectiva (O4), el desarrollo de ORTEGA cumple la función de ofrecer asistencia interactiva durante el Congreso IA 365, tal como se recoge en los Resultados estadísticos del protocolo de usabilidad (Tabla 4). Los hallazgos muestran la necesidad de realizar a futuro evaluaciones cuantitativas, con el fin de analizar métricas de uso real y la precisión en el procesamiento del lenguaje natural (PLN), planteando la posibilidad de tomar como posible modelo este sistema de interacción humano-máquina en el ámbito institucional.

6. CONCLUSIONES

Este caso exploratorio permite concluir que el asistente ORTEGA constituye una propuesta inicial eficaz para la transferencia de conocimiento en la gestión de eventos académicos complejos que guarden relación con el ámbito de la comunicación. La investigación demuestra que la fiabilidad de una inteligencia artificial institucional no depende exclusivamente de su capacidad generativa, sino también de una arquitectura basada en Generación Aumentada por Recuperación (RAG) que, al sustentarse en un corpus cerrado previo a la investigación, logra mitigar las alucinaciones algorítmicas y establecer un estándar de veracidad científica, alcanzando una precisión semántica de 4,4/5.

En el ámbito de la interacción, los resultados confirman que la humanización de la interfaz mediante un avatar pictórico cuya estética aporta y proyecta autoridad académica (M = 4,2), evitando de manera eficaz el fenómeno del uncanny valley (M = 1,5). Esta armonía visual, combinada con una optimización de la UX/UI basada en un placeholder proactivo y contextualizado, permitió incrementar en un 15 % la interacción media por sesión. Del mismo modo, las correcciones técnicas implementadas garantizaron la visibilidad completa de los logotipos institucionales en dispositivos móviles.

En definitiva, aunque el estudio debe considerarse un modelo preliminar, debido al tamaño reducido de la muestra (N = 15), la trazabilidad proporcionada por el protocolo de usabilidad (véase Anexo I) constituye una propuesta metodológica óptima para futuras implementaciones. 

Asimismo, como consideración final, Ortega evidencia que la integración de asistentes virtuales en el ámbito de los congresos académicos debería priorizar el control semántico del RAG y el diseño de interfaces no invasivas con el objetivo de optimizar la experiencia del prosumidor científico.

7. REFERENCIAS

Adamopoulou, E. y Moussiades, L. (2020). An overview of chatbot technology. En Artificial Intelligence Applications and Innovations. AIAI 2020. IFIP Advances in Information and Communication Technology, 584, 373-383. Springer. https://doi.org/10.1007/978-3-030-49186-4_31

Aguilar, R. G. (2021). Más allá del Uncanny Valley. Forma de lo humano, mímesis y expresión. Bajo Palabra, 28, 176-197. https://doi.org/10.15366/bp2021.28.008 

Alfaro Ramos, A. E. y Monge Segura, F. (2024). Marketing digital para la internacionalización en las pequeñas y medianas empresas: Una revisión. RAN, 10(2), 280-294. https://doi.org/10.29393/ran10-18mdia20018 

Alpaydin, E. (2021). Machine learning (revised and updated). MIT Press.

Angrosino, M. V. (2007). Doing ethnographic and observational research. Sage Publications.

Caldarini, G., Jaf, S. y McGarry, K. (2022). A literature survey of recent advances in chatbots. Information, 13(1), 41. https://doi.org/10.3390/info13010041 

Castells, M. (2001). The internet galaxy: Reflections on the internet, business, and society. Oxford University Press.

Catamuscay Pérez, A. S., Núñez Valencia, C. E. y Ordóñez Erazo, H. A. (2025). Explorando el uso de inteligencia artificial generativa para el desarrollo de chatbots para portales web universitarios: Un mapeo sistemático. Tecnura, 29(83), 144-183. https://doi.org/10.14483/22487638.22808 

Cibeles. (s. f.). Cibeles.net. https://cibeles.net/ 

CISIA 365. (20 de marzo de 2026) Congreso Internacional sobre Inteligencia Artificial 365. https://congresoia365.net/  

Cheek, C., Austin, E., Richardson, L., Testa, L., Ransolin, N., Francis-Auton, E., Safi, M., Murphy, M., De Los Santos, A., Vukasovic, M. y Clay-Williams, R. (2024). Non-participant observations in experience-based codesign: An example using a case study research approach to explore emergency department care. International Journal of Qualitative Methods, 23, 1-13. https://doi.org/10.1177/16094069241289278 

Creswell, J. W. y Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5a Ed.). Sage Publications.

Crowe, S., Cresswell, K., Robertson, A., Huby, G., Avery, A. y Sheikh, A. (2011). The case study approach: A multi-faceted method to explore complex issues in real life contexts. BMC Medical Research Methodology, 11, 100. https://doi.org/10.1186/1471-2288-11-100 

Denzin, N. K. y Lincoln, Y. S. (2018). The SAGE handbook of qualitative research (5ª Ed.). Sage Publications.

Dourish, P. (2001). Where the action is: The foundations of embodied interaction. MIT Press.

Ertz, M., Maravilla, J. M. B. y Cao, X. (2025). Prosumer: A new approach to conceptualisation. Journal of Innovation & Knowledge, 10(1), 100653. https://doi.org/10.1016/j.jik.2025.100653 

Fairclough, N. (1995). Critical discourse analysis: The critical study of language. Longman.

Fairclough, N. (2013). Critical discourse analysis: The critical study of language (2ª Ed.). Routledge. https://doi.org/10.4324/9781315834368 

Gadamer, H.-G., Weinsheimer, J. y Marshall, D. G. (Eds.). (2004). Truth and method (2nd revised). Continuum.

Gómez Cano, C. A. (2025). Sociedad del conocimiento y digitalización de procesos en educación. #ashtag, 1(26), 52-67. https://doi.org/10.52143/2346139X.1096

Góngora, G. y Lavilla, D. (2020). La importancia de la construcción de marca en Instagram para las empresas periodísticas. En E. J. F. Benítez (Ed.), Estudios multidisciplinarios en comunicación audiovisual, interactividad y marca en la red (pp. 129-138). Egregius Ediciones. https://dialnet.unirioja.es/servlet/articulo?codigo=7346301 

Goodfellow, I., Bengio, Y. y Courville, A. (2016). Deep learning. MIT Press.

Haugeland, J. (2001). La inteligencia artificial. Siglo XXI de España Editores, S.A.

Higgins, J. P. T., Thomas, J., Chandler, J., Cumpston, M., Li, T., Page, M. J. y Welch, V.A. (Eds.). (2022). Cochrane handbook for systematic reviews of interventions  (3ª Ed.). Wiley.

Howard, J. y Ruder, S. (2018). Universal language model fine-tuning for text classification. En Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics. (pp. 328-339). https://doi.org/10.18653/v1/P18-1031 

Huertas-Abril, C. A. (2025). Aprendizaje automático. En L. McCallum y D. Tafazoli (Eds.), La enciclopedia Palgrave del aprendizaje de idiomas asistido por computadora. Palgrave Macmillan. https://doi.org/10.1007/978-3-031-51447-0_104-1 

Jurafsky, D. y Martin, J. H. (2023). Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition (3ª Ed.). Stanford University. https://www.researchgate.net/publication/200111340_Speech_and_Language_Processing_An_Introduction_to_Natural_Language_Processing_Computational_Linguistics_and_Speech_Recognition 

Karras, T., Aila, T., Laine, S., Herva, A. y Lehtinen, J. (2017). Audio-driven facial animation by joint end-to-end learning of pose and emotion. ACM Transactions on Graphics, 36, 1-12. https://doi.org/10.1145/3072959.3073658 

Kranzberg, M. (1986). Technology and history: “Kranzberg”s laws”. Technology and Culture, 27(3), 544-560. https://doi.org/10.2307/3105385 

Lavilla Muñoz, D. (2025). Sociedad grabada: La comunicación y el riesgo tecnológico. Peter Lang.

LeCun, Y., Bengio, Y. y Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539 

Leonhard, G. [@GerdFuturista](2026). Gerd Leonhard, orador, futurista y humanista. YouTube. https://www.youtube.com/channel/UCaW9gbtfODjWZ3S3urw4OzA 

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S. y Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474. https://proceedings.neurips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html 

Mateos-Abarca, J. P. y Sedano Rodríguez, J. (2025). Análisis comparativo del empleo redaccional de la inteligencia artificial generativa en la formación periodística: Un estudio de caso. VISUAL Review, 17(4). https://doi.org/10.62161/revvisual.v17.5984 

Mienye, I. D., Jere, N., Obaido, G., Ogunruku, O. O., Esenogho, E. y Modisane, C. (2025). Large language models: An overview of foundational architectures, recent trends, and a new taxonomy. Discover Applied Sciences, 7, 1027. https://doi.org/10.1007/s42452-025-07668-w 

Miles, M. B., Huberman, A. M. y Saldaña, J. (2014). Qualitative data analysis: A methods sourcebook (3ª Ed.). Sage Publications.

Mori, M. (1970). Bukimi no tani [the uncanny valley]. Energy, 7, 33-35.

Mori, M., MacDorman, K. F. y Kageki, N. (2012). The Uncanny Valley [From the Field]. IEEE Robotics & Automation Magazine, 19(2), 98-100. https://doi.org/10.1109/MRA.2012.2192811 

Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.

Nielsen, J. (2000). Designing web usability: The practice of simplicity. New Riders Publishing.

Nieto, A. y Iglesias, F. (2000). La empresa informativa (2.ª ed. act.). Ariel.

Núñez Fernández, V., Peinado Miguel, F. y Pérez Serrano, M. (2022). La empresa informativa en la era digital. Udima.

Postman, N. (1998). Five things we need to know about technological change. The New York Times.

Ricoeur, P. (1981). Hermeneutics and the human sciences: Essays on language, action and interpretation. Cambridge University Press.

Rodríguez Canfranc, P. R. y Guallarte Nuez, C. G. (2025). El chatbot: La inteligencia artificial como la voz de la empresa. En UAB - Llibres en obert. UAB - Llibres en obert. https://doi.org/10.5565/lib/9788410202412 

Savinic, S. y Piazolo, F. (2026). Heuristics Based User Experience Evaluation for Identifying Usability Issues. ACM Digital Library / Proceedings of Human-Computer Interaction, 1-12. https://doi.org/10.1145/3765766.3765824 

Segovia-García, N. (2024). Optimización de la atención estudiantil: Una revisión del uso de chatbots de IA en la educación superior. European Public & Social Innovation Review, 9, 1-20. https://doi.org/10.31637/epsir-2024-324 

Seyama, J. I. y Nagayama, R. S. (2007). The uncanny valley: Effect of realism on the impression of artificial human faces. Presence: Teleoperators and Virtual Environments, 16(4), 337-351. https://doi.org/10.1162/pres.16.4.337 

Sierra-Sánchez, J. y Mateos-Abarca, J. P. (2024). Evaluación de «chatbots» en la generación de información médica cualificada: Un estudio comparativo entre instituciones sanitarias. En Nuevos escenarios y perspectivas en comunicación y salud (pp. 65-80).

Taufique, K. M. R., Sabbir, M. M. y Rabbanee, F. K. (2026). A guide to key decision criteria for Likert-scale use in survey research. Global Business and Organizational Excellence, 45(5), 493-508. https://doi.org/10.1002/joe.70032 

Teixes, F. (2015). Gamificación: Fundamentos y aplicaciones. Editorial UOC.

Toffler, A. (1980). La tercera ola. Plaza y Janés.

Trofymenko, O., Prokop, Y., Loginova, N. y Zadereyko, A. (2021). Clasificación de chatbots. En Sistemas intelectuales, información y tecnologías: Actas de la conferencia internacional científico y práctica. Universidad Estatal del Medio Ambiente de Odesa.

Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, s2-42(1), 230-265. https://doi.org/10.1112/plms/s2-42.1.230 

Van Dijk, T. A. (2015). Critical discourse analysis. En D. Tannen, H. E. Hamilton y D. Schiffrin (Eds.), The handbook of discourse analysis (pp. 466-485). Wiley Blackwell.

Van Dijk, T. A. (2017). Discurso y contexto: Un enfoque sociocognitivo. Gedisa.

Vikas, A., Sethi, D. y Paul, J. (2019). Does digital footprint act as a digital asset?–Enhancing brand experience through remarketing. International Journal of Information Management, 49, 142-156.

Virilio, P. (1997). La política de lo peor. Cátedra.

Winograd, T. y Flores, F. (1986). Understanding computers and cognition: A new foundation for design. Ablex Publishing.

Winteringham, M. (2022). Testing web APIs. Manning Publications.

Yang, F., Acevedo, P. D., Guo, S., Choi, M. y Mousas, C. (2025). Embodied conversational agents in extended reality: A systematic review. IEEE Access,13, pp. 79805-79824. https://doi.org/10.1109/ACCESS.2025.3566698 

Yee, N. y Bailenson, J. (2007). The Proteus effect: The effect of transformed self-representation on behavior. Human Communication Research, 33(3), 271-290. https://doi.org/10.1111/j.1468-2958.2007.00299.x 

Yin, R. K. (2018). Case Study Research and Applications: Design and Methods. Sage Publications.

Zaragosa, A. R. A. (2025). Semantic search and generative AI for PubMed: A RAG approach with ChromaDB and Gemini. International Journal of Engineering Trends and Technology, 73(10), 161-173. https://doi.org/10.14445/22315381/IJETT-V73I10P113 

Zhou, Z.-H. (2021). Machine learning. Springer.

 

CONTRIBUCIONES DE AUTORES, FINANCIACIÓN Y AGRADECIMIENTOS

 

Contribuciones de los autores: 

Conceptualización: Sedano Rodríguez, Javier; Barros Garbín, Serafín y Lavilla Muñoz, David. Metodología: Sedano Rodríguez, Javier; Barros Garbín, Serafín y Lavilla Muñoz, David. Software: Barros Garbín, Serafín y Lavilla Muñoz, David. Validación: Barros Garbín, Serafín y Lavilla Muñoz, David. Análisis formal: Sedano Rodríguez, Javier. Curación de datos: Barros Garbín, Serafín y Lavilla Muñoz, David. Redacción-Preparación del borrador original: Sedano Rodríguez, Javier. Redacción-Revisión y Edición: Sedano Rodríguez, Javier; Barros Garbín, Serafín y Lavilla Muñoz, David. Visualización: Sedano Rodríguez, Javier; Barros Garbín, Serafín y Lavilla Muñoz, David. Supervisión: Sedano Rodríguez, Javier. Administración de proyectos: Sedano Rodríguez, Javier. Todos los autores han leído y aceptado la versión publicada del manuscrito: Sedano Rodríguez, Javier; Barros Garbín, Serafín y Lavilla Muñoz, David.

Financiación: Esta investigación no recibió financiamiento externo.

Conflicto de intereses: Los autores declaran no tener ningún conflicto de intereses.

AUTORES:

Javier Sedano Rodríguez

Universidad Complutense de Madrid

Profesor de Dirección y Gestión de Empresas Periodísticas y de Teoría de la Empresa Informativa en la Facultad de Ciencias de la Información de la UCM y profesor de Comunicación en la Universidad Isabel I de Burgos. Doctor “cum laude” y Licenciado en Periodismo por la UCM. Máster en Publicidad y Comunicación Empresarial (ESIC) y Máster en Radio (RNE-UCM). Miembro del grupo de investigación Mediacom UCM, de la Preincubadora de Emprendimiento de la Facultad de Ciencias de la Información y socio de honor ProCom. Periodista y asesor de Comunicación. Ha sido director de Comunicación de Nyesa Valores Corporación, S.A.; asesor de Comunicación de la Secretaría de Estado de Hacienda; patrono y director de Proyectos de la Fundación Transparencia y Opinión; editor y redactor jefe del diario La Gaceta de los Negocios; y redactor-presentador en Intereconomía TV, Radio Intereconomía y RNE.

javiseda@ucm.es

Índice H: 1

Orcid ID: https://orcid.org/0000-0002-6501-357X 

Google Scholar: https://scholar.google.com/citations?user=vtcpJQkAAAAJ&hl=es

ResearchGate: https://researchgate.net/profile/Javier-Sedano-Rodriguez?ev=hdr_xprf

 

Serafín Barros Garbín

Universidad Complutense de Madrid

Doctor Cum Laude en Periodismo por la Universidad Complutense de Madrid, donde obtuvo el Premio Extraordinario de Doctorado. Cuenta con más de 20 años de experiencia en el sector audiovisual, en el que ha desempeñado diversas funciones en televisiones públicas. Actualmente es profesor en el Departamento de Periodismo y Nuevos Medios de la Facultad de Ciencias de la Información de la Universidad Complutense de Madrid e integrante del grupo de investigación Observatorio de la Calidad de la Información en Televisión (OCITV). 

sbarros@ucm.es

Índice H: 1

Orcid ID: https://orcid.org/0000-0002-3499-7385

Google Scholar: https://scholar.google.com/citations?user=_PDnN-UAAAAJ

ResearchGate: https://researchgate.net/profile/Serafin-Barros

Scopus: https://scopus.com/authid/detail.uri?authorId=59949553500

Academia.edu: https://ucm.academia.edu/SERAFINBARROSGARBIN

 

David Lavilla Muñoz

Universidad Complutense de Madrid

Investigador y académico, es profesor titular acreditado por la ANECA. Está especializado en comunicación digital, tecnologías emergentes y transformación mediática. Su trayectoria científica se centra en el análisis de los efectos de la virtualización en los procesos comunicativos dentro de la denominada “sociedad grabada”, concepto que da título a su último libro. Actualmente, desarrolla una línea de investigación orientada al impacto de los formatos inmersivos en la empresa informativa y de los algoritmos en la construcción del discurso mediático. Ha publicado en revistas académicas de impacto y participa en proyectos de innovación comunicativa, contribuyendo al análisis de los riesgos tecnológicos y de las nuevas dinámicas de producción y consumo de información en entornos digitales.

dlavilla@ucm.es

Índice H: 6

Orcid ID: https://orcid.org/0000-0003-1383-2968

Google Scholar: https://scholar.google.com/citations?user=WrwT95gAAAAJ

ResearchGate: https://researchgate.net/profile/David-Lavilla

Scopus: https://scopus.com/authid/detail.url?authorId=56459090400

Academia.edu: https://independent.academia.edu/DAVIDLAVILLAMU%C3%91OZ

 

 

[1] Hipótesis formulada por Masahiro Mori (1970) que sostiene que cuando la apariencia de un objeto antropomórfico es casi idéntica a la humana, pero presenta pequeñas imperfecciones, la respuesta emocional del observador vira de la empatía a una sensación de rechazo o extrañeza.

[2] Elemento de posicionamiento persistente que se mantiene visible en un área fija de la ventana del navegador durante la navegación, facilitando el acceso inmediato a la herramienta de asistencia.

[3] Siglas de Call to Action.

[4] Término técnico de diseño de interfaz (UI) que hace referencia al texto guía de carácter temporal ubicado dentro de un campo de entrada. Su función es orientar al usuario sobre el tipo de consulta o información que se espera recibir, desapareciendo automáticamente en el momento en que se inicia la escritura

[5] Acción de desplazamiento vertical u horizontal a través de los contenidos de una página web que exceden las dimensiones de la ventana de visualización del navegador. En este estudio, se asocia al posicionamiento sticky o persistente del chatbot para garantizar su accesibilidad durante toda la navegación