Andres Garcia

Bajo el concepto común de gamificación existe un complejo mundo dentro del cual existen distintas opciones, cada una con su denominación, que para quien se adentra por primera vez en él pueden generar confusión. Cada una de ellas goza de características, funciones y elementos metodológicos propios. ¿Gamificación? ¿Juegos serios? ¿Aprendizaje Basado en Juegos? Ante esta amalgama de posibilidades, las siguientes líneas se presentan a modo de hoja de ruta que ayude a transitar por la senda del juego educativo, para lo que, a su vez, se acompaña esta fundamentación teórica con un ejemplo didáctico de ABJ -editado como juego de mesa bajo la denominación “Catedral 1221”- concebido y diseñado con la finalidad de promover y facilitar el estudio de la Edad Media en la Educación Secundaria Obligatoria. Su aplicación con éxito en las aulas permite aportar orientaciones didácticas al respecto y extraer conclusiones relativas a la conveniencia y validez académica del juego en el marco de la enseñanza reglada.

Detecting sensitive information considering privacy is a relevant issue on Online Social Networks (OSNs). It is often difficult for users to manage the privacy associated with their posts on social networks taking into account all the possible consequences. The aim of this work is to provide information about the sensitivity of the content of a publication when a user is going to share it in OSN. For this purpose, we developed a privacy-assistant agent that detects sensitive information. Based on this information, the agent provides a message through a nudge mechanism warning about the possible risks of sharing the message. To avoid being annoying, the agent also considers the user’s previous behaviour (e.g. if he previously ignored certain nudges) and adapts the messages it sends to give more relevance to those categories that are more important to the user from the point of view of the privacy risk. This agent was integrated into the social network Pesedia. We analysed the performance of different models to detect a set of sensitive categories (i.e. location, medical, drug/alcohol, emotion, personal attacks, stereotyping, family and association details, personal details and personally identifiable information) in a dataset of tweets in Spanish. The model that obtained the best results (i.e. F1 and accuracy) and that was finally integrated into the privacy-assistant agent was transformer-based.