El objetivo principal de este doctorado es formar doctores y doctoras, investigadores, desarrolladores y líderes de pensamiento altamente especializados en Inteligencia Artificial aplicada, capaces de valorar modelado algorítmico, aprendizaje automático y procesamiento de lenguaje natural, con una sólida base en matemáticas, programación avanzada, integrando de forma crítica y estratégica procedimientos de inteligencia artificial en ámbitos como la salud, educación, gobernanza pública, envejecimiento, sostenibilidad y justicia social. 

• Desarrollar competencias investigativas avanzadas para generar conocimiento original e interdisciplinario en el campo de la inteligencia artificial aplicada, con enfoque crítico y propositivo. 

• Formar especialistas con dominio técnico en modelado algorítmico, aprendizaje automático y procesamiento de lenguaje natural, integrando metodologías matemáticas, estadísticas y computacionales de alta complejidad. 

• Aplicar soluciones de inteligencia artificial a problemáticas sociales y sectoriales complejas, especialmente en áreas como salud, educación, gobernanza, envejecimiento, sostenibilidad y justicia social. 

• Diseñar y evaluar tecnologías inteligentes que sean explicables, justas, seguras y culturalmente contextualizadas, considerando la diversidad humana, la equidad algorítmica y la protección de derechos digitales. 

• Fomentar una formación ética sólida y transversal, orientada a anticipar riesgos, evitar sesgos algorítmicos, proteger la autonomía humana y promover el bien común en entornos altamente tecnificados. 

• Impulsar el liderazgo en procesos de innovación tecnológica, toma de decisiones estratégicas y formulación de políticas públicas tecnológicas, con base en evidencia científica, justicia cognitiva y sostenibilidad. 

• Promover una visión crítica y transformadora del desarrollo tecnológico, que articule conocimientos provenientes de las ciencias de datos, las humanidades digitales, la filosofía, el derecho y los estudios culturales. 

El Doctorado en Inteligencia Artificial y Ética Algorítmica Aplicada está dirigido a profesionales con título de Maestría que deseen especializarse en el desarrollo, aplicación y análisis crítico de tecnologías de inteligencia artificial desde una perspectiva ética, técnica y social, con orientación hacia la investigación científica, la docencia universitaria o el liderazgo en proyectos tecnológicos de impacto social. 

• Ingenieros: Informática, Sistemas Computacionales, Industrial, Telecomunicaciones, Electrónica 
• Científicos: Matemáticas, Física, Estadística, Ciencia de Datos, Ciencias Computacionales 
• Profesionales de otras disciplinas: Ciencias Sociales, Filosofía, Derecho, Salud, Educación (con experiencia o formación complementaria en IA, ética tecnológica o análisis de datos) 

1º y 2º semestre

FASE 1: TUTORIZACIÓN

En esta primera fase se trata de una coordinación del programa entre el alumno y el tutor asignado. Con el apoyo de su tutor, el alumno elaborará la propuesta del esquema de tesis doctoral. La organización académica de los estudios de doctorado implica la realización de un plan de trabajo, cuyo esquema deberá ser desarrollado durante esta fase de tutorización.

• Duración: 480
• Finalidad: Orientar a definir el tema, objetivos, hipótesis y metodología

FASE 2: METODOLOGÍA DE LA INVESTIGACIÓN CIENTÍFICA

En esta fase del programa continua la coordinación entre el alumno y el tutor asignado. El estudiante deberá continuar elaborando la propuesta del esquema de tesis doctoral, con el apoyo siempre de su tutor. Los estudios de doctorado implican la realización de un plan de trabajo, cuyo esquema continuará desarrollándose a lo largo de toda la fase de tutorización.

• Duración: 240
• Finalidad: Transformar la propuesta inicial en un plan de investigación robusto

FASE 3: INTRODUCCIÓN A LAS TÉCNICAS DE INVESTIGACIÓN

Los objetivos generales de esta asignatura son:

• Comprender y aplicar el proceso de investigación científica valorando objetivos, elementos y fines.
• Identificar los tipos de investigación así como sus características y fines.
• Aplicar los métodos de investigación correspondientes a las CC.SS.
• Establecer las diferencias entre la investigación cualitativa y cuantitativa.
• Plantear un problema acorde con la justificación teórica correspondiente.
• Aprender a formular hipótesis científicas.
• Interpretar y analizar los datos recogidos de la muestra de investigación.
• Analizar y elaborar los elementos de un proyecto de investigación.
• Conocer la estructura y aspectos formales de una tesis doctoral.
• Manejar los elementos del programa estadístico SPSS.

Con el apoyo del director de tesis el alumno debe elaborar la propuesta del esquema de tesis doctoral, permitiendo al estudiante desarrollar sus habilidades investigativas gradualmente.

• Duración: 240
• Finalidad: Elaborar la propuesta del esquema de tesis doctoral

3º y 4º semestre

FASE 1: DOCENCIA

A lo largo de esta fase se cursan a distancia una serie de asignaturas definidas de acuerdo a los estudios previos y a la temática de la tesis. En esta fase el doctorando debe cursar una serie de asignaturas adecuadas al tema de tesis elegido, siendo las dos primeras obligatorias y la tercera una optativa. A continuación se señala la descripción de las actividades académicas de investigación.

Las asignaturas obligatorias son las siguientes:

A1: Programación avanzada en Python y R (obligatoria)

Asignatura práctica para dominar librerías, algoritmos y paradigmas avanzados en ciencia de datos e IA. Los estudiantes aprenderán a desarrollar código eficiente, reproducible y ético, aplicable en investigación y entornos profesionales. Enfoque en proyectos reales y automatización de procesos.• Conocer los conceptos y técnicas habituales de la teoría microeconómica.

• Comprender los principios de la programación avanzada orientada al análisis de datos, automatización de procesos y desarrollo de modelos de IA.
• Aplicar estructuras, funciones, librerías y paradigmas avanzados de Python y R en proyectos de ciencia de datos.
• Implementar algoritmos y estructuras eficientes en entornos de trabajo reproducibles.
• Valorar el uso ético del código en contextos de investigación, desarrollo y uso de inteligencia artificial.

• Duración: 160
• Finalidad: Capacitar al alumno para diseñar soluciones avanzadas en Python y R, integrando eficiencia, reproducibilidad y ética en proyectos de ciencia de datos e inteligencia artificia

A2: Modelado de datos y feature engineering (obligatoria)

Asignatura práctica para dominar Python y R en análisis de datos, automatización y desarrollo de IA. Los estudiantes implementarán algoritmos eficientes y éticos, aplicables en proyectos reales y entornos profesionales. Enfoque en código reproducible y soluciones innovadoras.• Conocer los diferentes tipos de datos con los que se pueden llevar a cabo análisis econométricos.

• Comprender los principios de la programación avanzada orientada al análisis de datos, automatización de procesos y desarrollo de modelos de IA.
• Aplicar estructuras, funciones, librerías y paradigmas avanzados de Python y R en proyectos de ciencia de datos.
• Implementar algoritmos y estructuras eficientes en entornos de trabajo reproducibles.
• Valorar el uso ético del código en contextos de investigación, desarrollo y uso de inteligencia artificial.

• Duración: 160
• Finalidad: Formar expertos capaces de desarrollar soluciones avanzadas, eficientes y éticas en Python y R para análisis de datos, automatización e inteligencia artificial, aplicables en investigación y entornos profesionales

A3: NLP (Natural Language Processing) y procesamiento de lenguaje multicultural (obligatoria)

Esta asignatura explora los fundamentos técnicos y lingüísticos del NLP, analizando su aplicación en tareas como clasificación, traducción y detección de sesgos. Los estudiantes aprenderán a implementar modelos con herramientas modernas, priorizando la sensibilidad ética, lingüística e intercultural. El enfoque se centra en diseñar soluciones inclusivas que reflejen la diversidad de poblaciones locales y globales, combinando innovación tecnológica y responsabilidad social.• Comprender los principios de la programación avanzada orientada al análisis de datos, automatización de procesos y desarrollo de modelos de IA.

• Comprender los fundamentos técnicos y lingüísticos del procesamiento del lenguaje natural (NLP) en contextos multiculturales.
• Analizar arquitecturas de NLP y sus aplicaciones en tareas como clasificación, análisis de sentimiento, traducción y detección de sesgos.
• Implementar modelos de NLP utilizando herramientas modernas en proyectos con sensibilidad lingüística, ética e intercultural.
• Diseñar soluciones basadas en lenguaje que respeten la diversidad cultural y lingüística de poblaciones locales y globales.

• Duración: 160
• Finalidad: Formar expertos en NLP capaces de desarrollar soluciones técnicas, éticas y multiculturales usando herramientas avanzadas para análisis e innovación en lenguaje natural.

A4: Optativa I

• Duración: 160

A elegir entre las siguientes:

1. Redes neuronales y Deep Learning:

Esta asignatura explora los fundamentos matemáticos y computacionales de las redes neuronales, capacitando a los estudiantes para implementar modelos de deep learning en clasificación, regresión y procesamiento de señales. Los alumnos aprenderán a evaluar rendimiento, interpretabilidad y sesgos, garantizando soluciones robustas y responsables. El enfoque práctico promueve el diseño de sistemas de IA éticos, eficientes y reproducibles, aplicables en investigación y entornos profesionales. Combina teoría avanzada con proyectos reales para resolver desafíos tecnológicos y sociales.

• Explicar el funcionamiento matemático y computacional de las redes neuronales artificiales.
• Implementar modelos de deep learning para tareas de clasificación, regresión y procesamiento de señales complejas.
• Evaluar el rendimiento, interpretabilidad y posibles sesgos de modelos neuronales en contextos reales.
• Diseñar soluciones de inteligencia artificial basadas en redes profundas, con principios de ética, eficiencia y reproducibilidad.

2. Ciencia de datos para la toma de decisiones:

Esta asignatura aborda los fundamentos metodológicos y epistemológicos de la ciencia de datos, enfocada en su aplicación como herramienta clave para la toma de decisiones informadas. Los estudiantes aprenderán a analizar datos estructurados y no estructurados, transformándolos en conocimiento útil, accionable y ético, especialmente en ámbitos como política pública, salud, educación y economía. Mediante técnicas de minería de datos, estadística y visualización, desarrollarán soluciones prácticas para problemas reales. El enfoque se centra en diseñar intervenciones basadas en datos, priorizando justicia, transparencia y efectividad en cada propuesta.

• Comprender los fundamentos metodológicos y epistemológicos de la ciencia de datos como herramienta de apoyo a la toma de decisiones.
• Analizar datos estructurados y no estructurados para generar conocimiento útil, accionable y éticamente responsable.
• Aplicar técnicas de minería de datos, análisis estadístico y visualización para resolver problemas de política pública, salud, educación o economía.
• Diseñar propuestas de intervención informadas por datos, con principios de justicia, transparencia y efectividad.

3.Ética Global / Ciudades Inteligentes:

Esta asignatura explora los principios de la ética global aplicados al diseño y gestión de ciudades inteligentes, analizando los desafíos que plantean la IA, el big data y los sensores en entornos urbanos. Los estudiantes examinarán dilemas éticos, sociales y políticos, evaluando tecnologías urbanas desde perspectivas de justicia, equidad, privacidad y sostenibilidad. El enfoque práctico promueve el diseño de intervenciones urbanas que integren ética algorítmica, participación ciudadana y respeto a la diversidad cultural. Prepara a los alumnos para liderar proyectos tecnológicos responsables y centrados en el bienestar colectivo.

• Comprender los principios de la ética global aplicados al diseño y gestión de ciudades inteligentes.
• Analizar los dilemas éticos, sociales y políticos que emergen en el uso de inteligencia artificial, big data y sensores en entornos urbanos.
• Evaluar la implementación de tecnologías urbanas desde marcos de justicia, equidad, privacidad y sustentabilidad.
• Diseñar propuestas de intervención urbana que integren la ética algorítmica, la participación ciudadana y el respeto por la diversidad cultural.

FASE 2: INVESTIGACIÓN

El objetivo de esta fase es redactar una de las partes más importantes de un estudio de investigación, la justificación. En fases anteriores se desarrolló el esquema de tesis doctoral, donde se plantearon el problema de investigación y los objetivos de forma resumida. En esta fase, el objetivo es fundamentar y argumentar las razones que motivan el estudio y cuáles son los beneficios que derivan de la investigación. Describir brevemente aquellos aspectos del contexto y del debate teórico en que se ubica la investigación y que definen su relevancia y su pertinencia.

• Duración: 240
• Finalidad: Elaborar una justificación sólida y argumentada para la investigación

FASE 3: RESULTADOS Y ACCIONES DE LA INVESTIGACIÓN

El objetivo de esta fase es plantear los modelos, teorías y conceptos pertinentes al problema de investigación, de tal manera que fundamenten el análisis y la interpretación de los resultados (estudios análogos, revisión de literatura que fundamenta el diagnóstico realizado, fundamentación teórica del diseño del proyecto). Así como explicar la metodología que será empleada en el desarrollo de la tesis doctoral.

• Duración: 240
• Finalidad: Establecer el marco teórico-metodológico de la investigación, interpretar resultados y justificar el diseño metodológico de la tesis doctoral

5º y 6º semestre

FASE 1: INVESTIGACIÓN II

El objetivo de esta fase consiste en elaborar y definir el marco empírico de la tesis doctoral a través del desarrollo de objetivos, hipótesis y variables. Elaborar el diseño y el tipo de investigación, establecer el método de recolección de datos, los instrumentos y la población objetivo de estudio.
En esta fase, se comenzará con la recolección de datos a través de los instrumentos planteados.

• Duración: 240
• Finalidad: Elaborar una justificación sólida y argumentada para la investigación

FASE 2: INICIO DE TESIS DOCTORAL

El objetivo de esta fase consiste en elaborar y definir el marco empírico de la tesis doctoral a través del desarrollo de objetivos, hipótesis y variables. Elaborar el diseño y el tipo de investigación, establecer el método de recolección de datos, los instrumentos y la población objetivo de estudio. En esta fase, se comenzará con la recolección de datos a través de los instrumentos planteados.

• Duración: 320
• Finalidad: Consolidar el marco empírico de la tesis doctoral mediante la definición de objetivos, hipótesis y variables, el diseño metodológico y el inicio de la recolección de datos.

FASE 3: DESARROLLO DE TESIS DOCTORAL

El objetivo de esta fase de investigación es interpretar y redactar los resultados que arrojan nuestra investigación tras el análisis realizado en la fase anterior. Esta interpretación debe ir apoyada con gráficos, tablas e imágenes, así como la inclusión de anexos que sean necesarios para la comprensión de los resultados. En esta fase también se debe comenzar a construir el apartado de “referencias bibliográficas” cumpliendo estrictamente con la normativa APA.

• Duración: 320
• Finalidad: Analizar, interpretar y presentar los resultados de la investigación, apoyándolos con recursos visuales y anexos, y elaborar las referencias bibliográficas conforme a la normativa APA.

FASE FINAL: PROYECTO DE TESIS DOCTORAL

En esta última fase, el alumno bajo la supervisión del Director de Tesis llevará a cabo trabajos de investigación conducentes a la realización de su proyecto de tesis. Se redactará el 100% de la investigación en base al análisis y resultados conseguidos y se plasmará en el protocolo avanzado de investigación. Esta última parte de la fase supone, además, la finalización y defensa de la tesis en Disertación Pública.

• Duración: 320
• Finalidad: Consolidar y culminar la tesis doctoral mediante la redacción completa del proyecto de investigación, su integración en el protocolo avanzado y la preparación para su defensa pública.

Líneas de investigación:

Línea 1. Interacción Persona-Ordenador Potenciada por IA.

Objetivo: Investigar sobre cómo la IA puede mejorar la interacción entre los usuarios y el software, con un enfoque en interfaces inteligentes, accesibilidad mejorada mediante IA, e interfaces de usuario adaptativas que aprenden del comportamiento del usuario.

Línea 2. Automatización y Optimización en Ingeniería de Software mediante IA.

Objetivo: Estudiar cómo las técnicas de IA, como el aprendizaje automático, pueden ser aplicadas para automatizar tareas repetitivas en el desarrollo de software, como la depuración de código, la optimización de procesos de prueba, y la mejora de la calidad del software.

Línea 3. Mejoramiento de Procesos de Software con IA.

Objetivo: Aplicar IA en la mejora de los procesos de desarrollo de software mediante la optimización de flujos de trabajo, el uso de IA para mejorar la toma de decisiones y la automatización de tareas dentro del ciclo de vida del software.

Línea 4. Métodos de Investigación en Ingeniería de Software con IA.

Objetivo: Investigar sobre cómo las herramientas de IA pueden mejorar las metodologías de investigación en ingeniería de software, desde la automatización de la recolección de datos hasta la mejora de las técnicas de análisis de código.

Línea 5. Optimización y Aplicación de Algoritmos en Sistemas Computacionales Avanzados.

Objetivo: Esta línea se centra en la mejora y optimización de algoritmos mediante técnicas de IA para aplicaciones en sistemas avanzados, como simulaciones y sistemas distribuidos, y su uso en la toma de decisiones predictivas en sistemas complejos.