https://hdl.handle.net/10259/5377 2026-10-13T02:01:33Z https://hdl.handle.net/10259/12069 Dataset of the Project _GIR DATAHES_GIR ADMIRABLE Sáiz Manzanares, María Consuelo; Marticorena Sánchez, Raúl; Rodríguez Diez, Juan José; Diez Pastor, José Francisco; Ji, Yi Peng; Rodríguez Arribas, Sandra This dataset contains the data generated during the execution of the project “E-ORIENTACIÓN EN MOODLE: DETECCIÓN Y E-ORIENTACIÓN EN MOODLE: DETECCIÓN Y SEGUIMIENTO DEL ALUMNO EN RIESGO EN LA UNIVERSIDAD SEGUIMIENTO DEL ALUMNO EN RIESGO EN LA UNIVERSIDAD” -e-Orientation-”, code BU032G19, corresponding to the 2021 Call of “ ORDEN EDU/667/2019, de 5 de julio, por la que se resuelve la convocatoria para la concesión de subvenciones destinadas al apoyo de los grupos de investigación reconocidos de universidades públicas de Castilla y León, a iniciar en el 2019.". 2026-08-14T00:00:00Z https://hdl.handle.net/10259/12057 Dilated residual U-Net with spatial–channel attention for building footprint extraction from UAV imagery in diverse landscapes Pham, Dung T.; Tran, Duy X.; Tran, Thuong V.; Latorre Carmona, Pedro; Bruce, David; Zhu, Xuan Accurate extraction of building footprints from unmanned aerial vehicle (UAV) imagery is essential for urban planning, infrastructure monitoring, and disaster risk management. However, segmentation performance remains challenged by scale variability, spectral ambiguity, and partial occlusion in heterogeneous environments. Here, we examine the integration of dilated convolution, residual learning, and spatial–channel attention within a unified U-Net framework for building footprint extraction. Rather than introducing new architectural components, the proposed approach investigates how these established mechanisms influence segmentation behaviour across diverse landscape conditions. Multi-rate dilated convolution is incorporated in the bottleneck stage; residual connections support stable feature propagation, and attention modules enhance feature discrimination. The model was evaluated on the WHU Building Dataset and a newly developed UAV dataset (HUMG) representing diverse environmental conditions in Vietnam. Results showed improved segmentation performance relative to U-Net, Feature Pyramid Network, and SegFormer, particularly in dense urban, rural, and vegetation-occluded environments. Although the proposed model incurs higher computational costs, the additional complexity reflects both increased model capacity and integrated architectural design. The findings demonstrate that systematic adaptation of established mechanisms can enhance building segmentation robustness in high-resolution UAV imagery for offline geospatial applications. 2026-08-01T00:00:00Z https://hdl.handle.net/10259/11963 STEAM&Sports: proceedings of the final conference Baños Martínez, Vanesa; Corbí Santamaría, Miguel; González Santa Olalla, Andrés; Martínez González, Alicia; Rodríguez Arribas, Sandra El proyecto STEAM&Sports, desarrollado en el marco del programa Erasmus+ KA220-SCH, aborda un reto clave de la educación actual: fomentar la participación significativa del alumnado en las disciplinas STEAM (Ciencia, Tecnología, Ingeniería, Artes y Matemáticas), especialmente entre colectivos diversos. Para ello, propone un enfoque innovador que integra el deporte como herramienta pedagógica. El proyecto parte de la idea de que muchos estudiantes perciben las materias STEAM como abstractas y poco relevantes. Frente a ello, el deporte constituye un contexto cercano, motivador y universal. La conexión entre conceptos STEAM y situaciones deportivas reales —como la biomecánica, el análisis de datos o la física del movimiento— permite un aprendizaje más significativo, accesible y atractivo, especialmente para alumnado tradicionalmente menos vinculado a estas áreas. El consorcio, liderado por la Universidad de Burgos y formado por entidades de cinco países europeos, combina experiencia en educación superior, escolar y no formal. Esta colaboración internacional favorece la transferencia de resultados y la adaptación a distintos contextos educativos. El proyecto se articula en torno a cinco resultados principales: (1) una guía didáctica STEAM y deporte, (2) una aplicación móvil educativa, (3) experiencias prácticas en centros escolares, (4) materiales de difusión como vídeos, y (5) un informe de evaluación sobre la eficacia del enfoque. La metodología se basa en el aprendizaje experiencial, la interdisciplinariedad y el uso de herramientas digitales. En términos de impacto, STEAM&Sports pretende aumentar la motivación del alumnado, mejorar la comprensión de contenidos STEAM y promover hábitos de vida saludables. Asimismo, proporciona al profesorado recursos innovadores para la enseñanza interdisciplinar. A nivel europeo, contribuye a prioridades como la inclusión, la diversidad y el impulso de la educación STEAM. En definitiva, el proyecto demuestra que la integración de ámbitos tradicionalmente separados puede generar sinergias educativas relevantes, favoreciendo tanto el aprendizaje académico como el desarrollo personal. 2026-02-01T00:00:00Z https://hdl.handle.net/10259/11961 Activity and Dropout Tracking in Moodle Using UBUMonitor Application Ji, Yi Peng; Marticorena Sánchez, Raúl; Pardo Aguilar, Carlos; López Nozal, Carlos; Juez Gil, Mario Teaching with online learning platforms should simplify the monitoring of students’ activity, particularly when evaluating student dropout. Popular learning environments such as Moodle should implement visual analytic tools that facilitate such tasks, nevertheless, institutions are usually reluctant to incorporate them. This paper presents UBUMonitor, a desktop application that allows the visualization of student’s activity data, extended as a proof of concept with a module for dropout tracking. Therefore, by using UBUMonitor, teachers will be able to easily visualize their students’ engagement with their subject, which can facilitate early action to prevent students from dropping out more effectively. 2022-08-01T00:00:00Z