Mostrar el registro sencillo del ítem

Principios de inteligencia artificial explicable (XAI), en el diseño ético de soluciones de ciberdefensa en las Fuerzas Militares colombianas.

dc.contributor.authorDiaz Narvaez, John Deivy
dc.contributor.authorRodríguez Gonzalez, Henderson Elberto
dc.coverage.spatialBogotá D.C, Escuela Superior de Guerra “General Rafael Reyes Prieto”, 2025
dc.date.accessioned2026-05-14T02:18:13Z
dc.date.available2026-05-14T02:18:13Z
dc.date.issued2025
dc.date.submitted2025
dc.identifier.urihttps://hdl.handle.net/20.500.14205/12207
dc.description.abstractEste capítulo analiza cómo la Inteligencia Artificial Explicable (XAI) puede fortalecer la ética y la transparencia en la ciberdefensa de las Fuerzas Militares. A partir de una revisión cualitativa de literatura especializada y marcos normativos, se identificaron principios clave como la transparencia, la auditabilidad, el control humano significativo y la necesidad de explicaciones adaptadas a distintos niveles jerárquicos. Los resultados muestran que la explicabilidad no solo mejora la confianza en la tecnología, sino que también legitima la toma de decisiones militares en contextos críticos. Las conclusiones subrayan que la XAI debe ser vista como un soporte ético-técnico que equilibra rendimiento y claridad, integra al humano en el centro del proceso y requiere normas verificables para su aplicación. El estudio reconoce limitaciones por su enfoque teórico y recomienda avanzar hacia pilotos prácticos, métricas estandarizadas y una cultura institucional que garantice la adopción efectiva de estos principios.es_ES
dc.description.sponsorshipEscuela Superior de Guerra “General Rafael Reyes Prieto”es_ES
dc.format.extent30 Páginas
dc.format.mimetypeapplication/pdfes_ES
dc.language.isospaes_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titlePrincipios de inteligencia artificial explicable (XAI), en el diseño ético de soluciones de ciberdefensa en las Fuerzas Militares colombianas.es_ES
dcterms.bibliographicCitationAdams, J. (2023). Defending explicability as a principle for the ethics of artificial intelligence in medicine. Medicine, Health Care, and Philosophy, 26, 615 - 623. https://doi.org/10.1007/s11019-023-10175-7.es_ES
dcterms.bibliographicCitationAl, S., & Sağıroğlu, Ş. (2024.). A Review of Explainable Artificial Intelligence. 2024 9th International Conference on Computer Science and Engineering (UBMK), 310-315. https://doi.org/10.1109/UBMK63289.2024.10773588.es_ES
dcterms.bibliographicCitationAlonso, J. (2020). Teaching Explainable Artificial Intelligence to High School Students. Int. J. Comput. Intell. Syst., 13, 974-987. https://doi.org/10.2991/ijcis.d.200715.003.es_ES
dcterms.bibliographicCitationAngelov, P., Soares, E., Jiang, R., Arnold, N., & Atkinson, P. (2021). Explainable artificial intelligence: an analytical review. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 11. https://doi.org/10.1002/widm.1424.es_ES
dcterms.bibliographicCitationCongreso de Colombia. (2025). Proyecto de Ley No. 43 de 2025 - Por medio del cual se regula la inteligencia artificial en Colombia.es_ES
dcterms.bibliographicCitationDemollin, M., Shaheen, Q., Budzynska, K., & Sierra, C. (2020). Argumentation Theoretical Frameworks for Explainable Artificial Intelligence., 44-49. https://aclanthology.org/2020.nl4xai-1.10.pdfes_ES
dcterms.bibliographicCitationDeSimone, H., & Leon, M. (2024). Leveraging Explainable AI in Business and Further. 2024 IEEE Opportunity Research Scholars Symposium (ORSS), 1-6. https://doi.org/10.1109/ORSS62274.2024.10697961.es_ES
dcterms.bibliographicCitationGuidotti, R., Monreale, A., Pedreschi, D., & Giannotti, F. (2021). Principles of Explainable Artificial Intelligence. Explainable AI Within the Digital Transformation and Cyber Physical Systems. https://doi.org/10.1007/978-3-030-76409-8_2.es_ES
dcterms.bibliographicCitationFerrara, M. (2025). Explainable artificial intelligence and mathematics: What lies behind? Let us focus on this new research field. European Mathematical Society Magazine. https://doi.org/10.4171/mag/235.es_ES
dcterms.bibliographicCitationHermann, E. (2021). Leveraging Artificial Intelligence in Marketing for Social Good—An Ethical Perspective. Journal of Business Ethics, 179, 43 - 61. https://doi.org/10.1007/s10551-021-04843-y.es_ES
dcterms.bibliographicCitationHepenstal, S., & McNeish, D. (2020). Explainable Artificial Intelligence: What Do You Need to Know?. , 266-275. https://doi.org/10.1007/978-3-030-50353-6_20.es_ES
dcterms.bibliographicCitationIslam, S., Eberle, W., & Ghafoor, S. (2019). Towards Quantification of Explainability in Explainable Artificial Intelligence Methods. , 75-81.es_ES
dcterms.bibliographicCitationKrajna, A., Kovac, M., Brčič, M., & Šarčević, A. (2022). Explainable Artificial Intelligence: An Updated Perspective. 2022 45th Jubilee International Convention on Information, Communication and Electronic Technology (MIPRO), 859-864. https://doi.org/10.23919/mipro55190.2022.9803681.es_ES
dcterms.bibliographicCitationLabarta, T., Kulicheva, E., Froelian, R., Geissler, C., Melman, X., & Von Klitzing, J. (2024.). Study on the Helpfulness of Explainable Artificial Intelligence. ArXiv, abs/2410.11896. https://doi.org/10.1007/978-3-031-63803-9_16.es_ES
dcterms.bibliographicCitationMartín, M,. (2024) Inteligencia Artificial: Un estudio de su impacto en Ciberseguridad. Universidad Abierta de Cataluñaes_ES
dcterms.bibliographicCitationMinisterio de Tecnologías de la Información y las Comunicaciones [MinTIC]. (2022). Marco ético para la inteligencia artificial en Colombia.es_ES
dcterms.bibliographicCitationMinh, D., Wang, H., Li, Y., & Nguyen, T. (2021). Explainable artificial intelligence: a comprehensive review. Artificial Intelligence Review, 55, 3503 - 3568. https://doi.org/10.1007/s10462-021-10088-y.es_ES
dcterms.bibliographicCitationMoral, J., Castiello, C., Magdalena, L., & Mencar, C. (2021). Toward Explainable Artificial Intelligence Through Fuzzy Systems. Explainable Fuzzy Systems. https://doi.org/10.1007/978-3-030-71098-9_1.es_ES
dcterms.bibliographicCitationMueller, S., Veinott, E., Hoffman, R., Klein, G., Alam, L., Mamun, T., & Clancey, W. (2021). Principles of Explanation in Human-AI Systems. ArXiv, abs/2102.04972.es_ES
dcterms.bibliographicCitationObservatorio de IA y Ética Digital MinTIC. (2024). ¿En qué va la Inteligencia Artificial en Colombia?.es_ES
dcterms.bibliographicCitationPavlidis, G. (2024). Unlocking the black box: analysing the EU artificial intelligence act’s framework for explainability in AI. Law, Innovation and Technology, 16, 293 - 308. https://doi.org/10.1080/17579961.2024.2313795.es_ES
dcterms.bibliographicCitationPezzini, M. C., & Pons, C. (2024). Inteligencia Artificial Explicable: Análisis de Metodologías y Aplicaciones. Universidad Nacional de La Plata.es_ES
dcterms.bibliographicCitationPhillips, P., Hahn, C., Fontana, P., Broniatowski, D., & Przybocki, M. (2020). Four Principles of Explainable Artificial Intelligence. https://doi.org/10.6028/nist.ir.8312-draft.es_ES
dcterms.bibliographicCitationQuinn, M., Piper, B., Bliss, J., & Keever, D. (2020). Recommended Methods for Using the 2020 NIST Principles for AI Explainability. 2020 IEEE International Conference on Big Data (Big Data), 2034-2037. https://doi.org/10.1109/BigData50022.2020.9377760.es_ES
dcterms.bibliographicCitationRaji, I. D., Smart, A., White, R. N., Mitchell, M., Gebru, T., Hutchinson, B., ... & Barnes, P. (2020, January). Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. In Proceedings of the 2020 conference on fairness, accountability, and transparency (pp. 33-44). https://dl.acm.org/doi/pdf/10.1145/3351095.3372873es_ES
dcterms.bibliographicCitationSadiq, Z., & Aqib, M. (2023). Advancing Trustworthy Explainable Artificial Intelligence: Principles, Goals, and Strategies. OALib. https://doi.org/10.4236/oalib.1110870.es_ES
dcterms.bibliographicCitationSchiff, D., Borenstein, J., Biddle, J., & Laas, K. (2021). AI Ethics in the Public, Private, and NGO Sectors: A Review of a Global Document Collection. IEEE Transactions on Technology and Society, 2, 31-42. https://doi.org/10.1109/TTS.2021.3052127.es_ES
dcterms.bibliographicCitationThompson, J. (2018). Towards a common theory of explanation for artificial and biological intelligence. . https://doi.org/10.32470/CCN.2018.1259-0.es_ES
dcterms.bibliographicCitationTul, D. (2024.). Ethical principles of artificial intelligence. XXI međunarodni naučni skup Pravnički dani - Prof. dr Slavko Carić, na temu: Odgovori pravne nauke na izazove savremenog društva - zbornik radova. https://doi.org/10.5937/pdsc24759t.es_ES
dcterms.bibliographicCitationVilone, G., & Longo, L. (2021). Notions of explainability and evaluation approaches for explainable artificial intelligence. Inf. Fusion, 76, 89-106. https://doi.org/10.1016/J.INFFUS.2021.05.009.es_ES
dcterms.bibliographicCitationWang, D., Yang, Q., Abdul, A., & Lim, B. (2019). Designing Theory-Driven User-Centric Explainable AI. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3290605.3300831.es_ES
dcterms.bibliographicCitationWen, B., & Chaddad, A. (2023). The Use of Explainable Artificial Intelligence in Medicine. 2023 IEEE International Conference on E-health Networking, Application & Services (Healthcom), 251-252. https://doi.org/10.1109/Healthcom56612.2023.10472365.es_ES
dcterms.bibliographicCitationYang, S., Folke, T., & Shafto, P. (2022). A psychological theory of explainability. , 25007-25021. https://doi.org/10.48550/arXiv.2205.08452.es_ES
dcterms.bibliographicCitationYu, S. (2023.). Towards Trustworthy and Understandable AI: Unraveling Explainability Strategies on Simplifying Algorithms, Appropriate Information Disclosure, and High-level Collaboration. Proceedings of the 26th International Academic Mindtrek Conference. https://doi.org/10.1145/3616961.3616965.es_ES
dcterms.bibliographicCitationZanni-Merk, C. (2019). On the Need of an Explainable Artificial Intelligence. , 3. https://doi.org/10.1007/978-3-030-30440-9_1.es_ES
dcterms.bibliographicCitationZeng, Y., Lu, E., & Huangfu, C. (2018). Linking Artificial Intelligence Principles. ArXiv, abs/1812.04814.es_ES
datacite.rightshttp://purl.org/coar/access_right/c_16eces_ES
oaire.resourcetypehttp://purl.org/coar/resource_type/c_3248es_ES
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaes_ES
dc.audiencePúblico generales_ES
dc.identifier.instnameEscuela Superior de Guerra "General Rafael Reyes Prieto"es_ES
dc.identifier.reponameRepositorio ESDEGes_ES
dc.publisher.placeBogotáes_ES
dc.publisher.programCurso de Información Militar (CIM)es_ES
dc.relation.citationEdition30 Páginases_ES
dc.rights.accessrightsinfo:eu-repo/semantics/restrictedAccesses_ES
dc.rights.ccAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.subject.keywordsCiberdefensaes_ES
dc.subject.keywordsFuerzas Militares FFMMes_ES
dc.subject.keywordsInteligencia Artificial Explicable XAIes_ES
dc.subject.keywordsExplicabilidades_ES
dc.subject.keywordsNATO DEEP eAcademyes_ES
dc.type.driverinfo:eu-repo/semantics/bookPartes_ES
dc.type.hasversioninfo:eu-repo/semantics/restrictedAccesses_ES
dc.type.spaCapítulo de Libroes_ES


Ficheros en el ítem

Thumbnail
Nombre:
Capitulo Libro Principios de ...
Tamaño:
343.1Kb
Formato:
PDF
Ver/
Thumbnail
Nombre:
license_rdf
Tamaño:
805bytes
Formato:
application/rdf+xml
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

http://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by-nc-nd/4.0/