Investigación
Intelixencia artificial, do laboratorio ás persoas que a usan
Móvenos a curiosidade por como as máquinas atopan, len e razoan coa información, e queremos que o que construímos axude ás persoas. Esa curiosidade vai dos buscadores e os modelos de linguaxe á lóxica e a computación evolutiva, e sácanos do laboratorio: detectar sinais temperás de depresión na internet, medir o discurso de odio nas redes sociais, responder preguntas de saúde con fontes que podes comprobar. A continuación, cada liña presenta a súa xente, as preguntas que a teñen ocupada e os seus últimos artigos.
“early signs of depression in social media”
Detección temperá de riscos e saúde mental dixital
Construímos modelos e coleccións de proba para detectar sinais temperás de depresión, TDAH e outros riscos a partir do que a xente escribe en liña, e estudamos como poden razoar os modelos de linguaxe sobre os síntomas dun xeito clinicamente fiable. Desde 2017 o grupo coorganiza eRisk, o laboratorio do CLEF sobre predición temperá de riscos en internet.
Preguntas nas que traballamos
- Pode un sistema ordenar a evidencia de cada síntoma do DSM-5, frase a frase?
- Poden as persoas simuladas con LLM substituír os pacientes ao avaliar o cribado conversacional?
- Como facemos que o razoamento dos LLM sobre a depresión sexa o bastante consistente para o persoal clínico?
Artigos recentes
“can LLMs replace human relevance judgments”
Avaliación da busca e LLM como avaliadores
Construír coleccións de proba é caro. Deseñamos estratexias de pooling, probas estatísticas e xuízos asistidos por LLM que manteñen a avaliación fiable e reducen o custo da avaliación humana, e comprobamos onde fallan os xuízos automáticos.
Preguntas nas que traballamos
- Que documentos deben xulgar as persoas, e cales pode xulgar un LLM?
- Como comparamos moitos sistemas á vez sen falsos descubrimentos?
Artigos recentes
“trustworthy answers to health questions”
Experiencia de busca, RAG e acceso á información de saúde
Das suxestións de consultas e a busca por palabras clave á xeración aumentada por recuperación, estudamos como busca a xente e como darlle respostas fieis á evidencia. Nos proxectos XMED e C3HS observamos as buscas de saúde da cidadanía, onde unha resposta errada pode facer dano de verdade.
Preguntas nas que traballamos
- Cambia a resposta dun sistema RAG segundo a posición da evidencia no contexto?
- Como avaliamos as suxestións de consultas ao longo de toda unha sesión, e non só os primeiros resultados?
Artigos recentes
“answer set programming with temporal logic”
Representación do coñecemento, razoamento explicable e IA clínica
Desenvolvemos fundamentos lóxicos para sistemas de IA que poidan explicar as súas conclusións: programación de conxuntos de respostas (ASP), lóxica temporal e deóntica, e o seu uso para xerar explicacións en sistemas híbridos que combinan lóxica e aprendizaxe, que é o foco do proxecto GEISER. Esa mesma preocupación polas explicacións lévanos á clínica: co servizo de farmacia do Complexo Hospitalario Universitario da Coruña construímos modelos interpretables para personalizar a dose de fármacos despois dun transplante, onde unha recomendación só serve se o farmacéutico pode ver por que se fixo.
Preguntas nas que traballamos
- Cando son fortemente equivalentes dous programas lóxicos con restricións?
- Como representamos obrigas e permisos que poden entrar en conflito?
- Pode unha IA interpretable personalizar as doses de tacrolimus en distintos hospitais?
Artigos recentes
- Strong Equivalence in Answer Set Programming with Constraints Theory and Practice of Logic Programming, 2026
- Deontic Equilibrium Logic with Paraconsistent Modality LPNMR 2026
- Combined donor–recipient CYP3A functional allele count as a predictor of tacrolimus pharmacokinetics Frontiers in Pharmacology, 2026
- DoseTailor for personalised tacrolimus dose optimisation using interpretable AI npj Digital Medicine, 2026
“genetic programming interpretable prediction models”
Computación bioinspirada e aprendizaxe evolutiva
A natureza resolve problemas de busca difíciles mediante variación e selección, e usamos esa mesma idea para construír modelos. Con programación xenética, evolución diferencial e algoritmos meméticos exploramos espazos demasiado grandes para percorrelos un a un: as formas en que pode pregarse unha proteína, as combinacións de ratios financeiros que anticipan a quebra dunha empresa ou o espazo latente dun modelo xerativo. O que evoluciona a programación xenética é unha fórmula lexible e non unha caixa negra, así que calquera pode comprobar por que predí o que predí, a mesma pregunta que lles facemos aos sistemas baseados en lóxica no proxecto GEISER.
Preguntas nas que traballamos
- Pode a programación xenética seleccionar as variables e construír á vez un clasificador lexible?
- Pode a busca evolutiva refinar as estruturas de proteínas preditas con aprendizaxe profunda?
- Agrupar o espazo latente dun autocodificador variacional produce mellores imaxes xeradas?
Artigos recentes
- Using genetic programming as a feature selector and classifier to implement bankruptcy prediction models Computer Science and Information Systems, 2026
- Protein structure refinement with a memetic algorithm Natural Computing, 2025
- Clustering the Latent Space in Variational Autoencoders for Image Generation LNCS, 2026
“hate speech detection in Galician and Spanish”
Análise de redes sociais: discurso de odio, nesgos e danos en liña
Estudamos o que circula polas redes sociais e como o len os modelos. Reunimos grandes metacoleccións de publicacións con e sen odio, creamos datasets de narrativas conspiranoicas e hiperpartidistas, estudamos como anotan e xulgan este contido os modelos de linguaxe e medimos os nesgos demográficos e xeográficos que levan consigo. Parte deste traballo faise dentro da rede doutoral HYBRIDS sobre democracia e discurso en liña.
Preguntas nas que traballamos
Artigos recentes