Gaona García, Paulo AlonsoGélvez Garcia, Nancy Yaneth2025-12-022025-12-022025-11-19http://hdl.handle.net/11349/100019El crecimiento acelerado del ecosistema digital ha intensificado la exposición de las personas a volúmenes masivos de contenido, dificultando la selección informada y oportuna de aquello realmente relevante. Esta tesis aborda ese desafío desde la personalización afectiva: se propone y valida un modelo computacional cognitivo capaz de anticipar preferencias de usuario a partir del análisis de emociones medidas con señales cerebrales (electroencefalografía, EEG) e integradas con autoinforme estandarizado (SAM). El enfoque articula tres componentes: (i) preclasificación reproducible de estímulos visuales mediante un pipeline de MLOps, (ii) transformación EEG→SAM bajo una heurística formalizada y controlada por sincronía temporal, y (iii) predicción personalizada con Gaussian Process Regression(GPR), todo ello operado en el prototipo web EPRA y respaldado por APIs y una base experimental trazable. La validación empírica se realizó mediante un caso de estudio con imágenes informativas de alta carga afectiva relacionadas con el conflicto armado en Colombia, presentadas en un entorno controlado. Participaron 15 estudiantes (16–25 anos) a lo largo de 5 sesiones, con 5 estímulos por sesión (375 observaciones en total). El protocolo temporal por estimulo (5,s basal, 30,s de exposición y 15,s para SAM) garantizo la alineación determinista entre EEG y autoinforme. Los resultados muestran una concordancia positiva entre rutas: correlación global EEG–SAM de r ≈0,53 en valencia y r ≈0,36 en activación, con discrepancias absolutas medias MAE ≈ 1,6 en escala 1–9. Se observo heterogeneidad Inter sujeto compatible con perfiles afectivos individuales, lo que respalda el uso de modelos GPR por usuario. Además, se evidencio una adaptación temprana (mejora entre las primeras sesiones), manteniendo la trazabilidad de datos y la reproducibilidad del flujo extremo a extremo. Los aportes de la tesis se sintetizan en: (i) integración conceptual de rutas neurofisiológica (EEG) y subjetiva (SAM) en un modelo orientado a preferencias; (ii) formalización metodológica de la heurística EEG→SAM, diagnóstico de sesgo y evaluación longitudinal con métricas robustas; (iii) materialización técnica en EPRA (MLOps, Clean Architecture, frontend por componentes, APIs y esquema de datos); y (iv) evidencia empírica con un conjunto de datos documentado y replicable. En conjunto, el modelo y su prototipo demuestran viabilidad y utilidad para personalizar la experiencia de visualización de información con base en estados emocionales, y sientan una base transferible hacia dominios como analítica visual, educación y neuromarketing.The rapid expansion of the digital ecosystem has intensified people’s exposure to massive volumes of content, complicating the timely selection of what is truly relevant. This thesis addresses that challenge through affective personalization: it proposes and validates a cognitive computational model able to anticipate user preferences from emotion analysis measured with electroencephalography (EEG) and integrated with standardized selfreport (SAM). The approach articulates three components: (i) reproducible preclassification of visual stimuli via an MLOps pipeline,(ii) a formalized and time synchronized EEG→SAM transformation heuristic, and (iii) personalized prediction with Gaussian Process Regression (GPR). All of this runs in the EPRA web prototype, backed by APIs and a traceable experimental database. Empirical validation was conducted using a case study of information-rich images with high affective load related to the Colombian armed conflict, presented in a controlled web environment. A total of 15 students (16–25 years) completed 5 sessions each, with 5 stimuli per session (375 observations in total). The timing per stimulus (5s baseline, 30s exposure, 15s SAM) guaranteed deterministic alignment between EEG and self-report. The results show positive concordance between measurement routes: global EEG–SAM correlation of r ≈ 0,53 for valence and r ≈0,36 for arousal, with mean absolute discrepancies MAE≈1,6 (1–9 scale). We observed inter-subject heterogeneity consistent with individualized affective profiles, supporting user-specific GPR models. In addition, there was evidence of early adaptation (improvement across the first sessions), while maintaining end-to end data traceability and reproducibility. The thesis contributions are fourfold: (i) a conceptual integration of neurophysiological (EEG) and subjective (SAM) routes within a preference oriented model; (ii) methodological formalization of the EEG→SAM heuristic, bias diagnostics, and longitudinal evaluation with robust metrics; (iii) technical materialization in EPRA (MLOps, Clean Architecture, component-based frontend, APIs, and data schema); and (iv) empirical evidence with a documented, replicable dataset. Taken together, the model and prototype demonstrate feasibility and utility for personalizing information visualization based on emotional state, and provide a transferable foundation for domains such as visual analytics, education, and neuromarketing.pdfspaEEGAnálisis de emocionesSAMPreferencias de usuarioRecomendación afectivaGaussian Process Regression (GPR)Visualización de datosEPRAMLOpsdoctoralThesisDoctorado en Ingeniería -- Tesis y disertaciones académicasAprendizaje automático (Inteligencia artificial)ElectroencefalografíaEmocionesVisualización de la informaciónRestrictedAccessEEGEmotion analysisSAMUser preferencesAffective recommendationGaussian Process Regression (GPR)Data visualizationEPRAMLOpsRestringido (Solo Referencia)