instruction:
In this task, you are given a set of paper reviews in English and Spanish language. Based on given reviews, your job is to generate decision, i.e., "accept" or "reject" for the given paper. Note that URLs in the text have been replaced with [Link].
question:
Review_1: Un Objeto de Aprendizaje sirve como apoyo al proceso educativo, para desarrollar competencias en los estudiantes en alguno de los tres tipos de saberes (domino conceptual, dominio de procedimientos y desarrollo de actitudes y valores). En ninguno de estos ámbitos se dan evidencias que lo demuestren. Además de que las experiencias son muy básicas, el abstract, lo cito textual: "El Artículo presenta, las experiencias recabadas de la aplicación de Objetos de Aprendizaje en el desarrollo de la asignatura de Introducción a la Teoría de Autómatas, debido a que en el desarrollo del curso se han desplegado cambios significativos, planteando un seguimiento académico detallado y exhaustivo mediante un esquema de “Retroalimentación Rápida” y “Preguntas Cortas”.", no se muestran las experiencias recabadas ni tampoco se menciona como las obtendrían. Review_2: Se presenta la necesidad de usar Objetos de Aprendizaje (OA) para la enseñanza del curso "Introducción a la Teoría de Autómatas". Sin embargo es muy poca la información dedicada en el artículo a los OA elegidos para el curso, no hay información de resultados de su aplicación ni sus consecuencias (resultados de aprendizaje, encuesta a los alumnos para validarlo, etc.). Es por ello que no se recomienda aceptar el artículo, salvo que se agregue información que respalde la aplicación de OA en este curso. 
answer:
reject


question:
Review_1: RESUMEN. Este trabajo describe tres de actividades docentes en un curso electivo de la Universidad de La Serena. Desarrollar intérpretes usando la herramienta ANTLR en Android es la principal conexión de estas actividades. La primera actividad implementa un parser/interprete para una calculadora. La segunda actividad incorpora la habilidad de ordenar listas en el intérprete. La última actividad incorpora el servicio de reconocimiento de voz usando una librería de Google. De acuerdo al trabajo, el resultado de estas actividades permitió a los alumnos comprender de mejor manera los conceptos de lenguajes formales.  Evaluación General: El trabajo describe de manera muy clara como se realizaron las actividades en el curso electivo. Sin embargo, desde mi punto de vista, el trabajo presenta dos grandes debilidades:  1) La principal motivación del trabajo es que el uso de las herramientas ANTLR son útiles para los cursos de lenguajes formales. No obstante, nunca se ofrece una muestra de por qué es cierta esta afirmación, solamente se detallan como implementar los software de las actividades. Es fuertemente recomendable dar reales señales (ej. justificaciones, experimentos, etc) de por qué estas herramientas ayudan a la docencia de estos tópicos.  2) Este punto es la causa del punto anterior. No una hay motivación o problema que claramente muestre la necesidad de usar estas herramientas para un curso de lenguajes. Si los autores logran encontrar una motivación clara y medible, el punto 1) puede ser resuelto.  Finalmente, el trabajo no logra convencer con su conclusión.  Comentarios menores: 1) El trabajo excede el número de máximo exigido de páginas (9 (>8) páginas). 2) En la conclusión se afirma que con el uso de ANTLR en Android y el conocimiento de lenguajes formales se puede igualar las herramientas de Siri (Apple) & Google Now. En mi opinión, esa afirmación no es verdadera, porque para resolver las actividades usan las APIs de Google, significando que sin los productos de Google, estas actividades no pueden llevarse a cabo. En resumen, ANTLR y el conocimiento de lenguajes formales no son suficientes para construir Google Now.   3) Sería agradable usar las referencias canónicas de DSLs en cambio de las usadas en el trabajo:  @article{vanDeursen:2000:DLA:352029.352035,  author = {van Deursen, Arie and Klint, Paul and Visser, Joost},  title = {Domain-specific languages: an annotated bibliography},  journal = {SIGPLAN Not.},  issue_date = {June 2000},  volume = {35},  number = {6},  month = jun,  year = {2000},  issn = {0362-1340},  pages = {26--36},  numpages = {11},  url = {[Link]},  doi = {10.1145/352029.352035},  acmid = {352035},  publisher = {ACM},  address = {New York, NY, USA}, }  @article{Mernik:2005:DDL:1118890.1118892,  author = {Mernik, Marjan and Heering, Jan and Sloane, Anthony M.},  title = {When and how to develop domain-specific languages},  journal = {ACM Comput. Surv.},  issue_date = {December 2005},  volume = {37},  number = {4},  month = dec,  year = {2005},  issn = {0360-0300},  pages = {316--344},  numpages = {29},  url = {[Link]},  doi = {10.1145/1118890.1118892},  acmid = {1118892},  publisher = {ACM},  address = {New York, NY, USA},  keywords = {Domain-specific language, application language, domain analysis, language development system}, }  4) El texto asociado a la memoria de título no aporta mucho al trabajo. 5) Pequeños errores de ortografías deberían ser corregidos. Review_2: Un buen trabajo que está en sintonía con el INFONOR. De hecho este trabajo da continuidad a uno presentado en el INFONOR 2012. Mi única ponderación es que la referencia [13] debería ser el artículo publicado y presentado en el INFONOR en vez de la página del INFONOR. 
answer:
accept


question:
Review_1: The paper describes an experience concerning the automated inspection of spectra for the Pipeline Hubble Legacy Archive Grism data.  Comments:  In the conclusions the authors say that "We have identified two classes of flawed spectra which were not picked up by the automatic classification because of their very small number of training samples. Per construction machine learning techniques can not classify such outliers." This sentence should be further explained. As Hastie, Tibshirani, and Friedman say in The Elements of Statistical Learning (see Chapter 7): "it is too difficult to give a general rule on how much training data is enough; among other things, this depends on the signal-to-noise ratio of the underlying function, and the complexity of the models being fit to the data. " So, by just saying that the number of training samples is small you do not provide enough information to decide whether machine learning techniques are adequate or not to solve a problem.  Other minor comments:  + If reference [2] has not yet been written or published it should be deleted from the paper.  The dataset may be of scientific importance.  It is mainly descriptive. Review_2: This manuscript addresses an interesting solution based in machine learning techniques to classify spectra legacy data of the Hubble Space Telescope in order to publish the results and "good" spectra in Internet to scientific community. The manuscript is well-written and results are robust. Experiment is sound and the manuscript seems acceptable in the current form. The work can be short, but very interesting to the Infonor and JCC community.  The main problem of the paper is that it is difficult to compare results for the classifiers utilized. A confusion matrix and parameters for each classifier could clarify results. Review_3: Interesting application domain.  Nothing new from a machine learning perspective. They authors should provide more information about the models they have obtained with the different classifiers (feature subset selection used, selected features, accuracies, statistical significance on the differences on accuracies, the models themselves, ...). Semi-supervised classification is the appropriate method for the last paragraph in the "Methodology" section. 
answer:
accept