Enfocándose principalmente en la optimización de modelos predictivos emocionales, la computación afectiva proporciona una plataforma valiosa para profundizar nuestro entendimiento de las emociones humanas al estrechar su vínculo con la ciencia afectiva. Este trabajo pone de manifiesto la importancia de explorar las dinámicas temporales de las emociones, utilizando para este propósito el conjunto de datos Continuously Annotated Signals of Emotion (CASE), con la meta de crear y evaluar modelos predictivos correspondientes a las dimensiones de valencia y activación (arousal). El propósito de este estudio es examinar qué tipo de preguntas pueden ser abordadas a partir de la interfaz entre computación afectiva y ciencias afectivas. Esta investigación aspira a iluminar las posibles direcciones de las ciencias afectivas, poniendo en relieve el papel de la computación afectiva y el modelado predictivo. Además, se realizará un enlace de estas consideraciones con analisis de revisión sistemática y meta-análisis de los modelos de reconocimiento de emociones basados en señales fisiológicas, con un enfoque particular en la actividad electrodérmica. Este trabajo se propone, en última instancia, desentrañar el potencial de la computación afectiva como motor del presente y futuro de las ciencias afectivas. Palabras clave Ciencias afectivas - Computación afectiva - Aprendizaje auto- mático - Señales periféricas ABSTRACT NEW DIRECTIONS IN AFFECTIVE SCIENCE: THE ROLE OF AFFECTIVE COMPUTING AND PREDICTIVE MODELING OF EMOTION Affective computing, which focuses primarily on the optimization of emotional prediction models, provides a valuable platform for deepening our understanding of human emotions by strengthening its ties with affective science. This work highlights the importance of exploring the temporal dynamics of emotions, using the Continuously Annotated Signals of Emotion (CASE) dataset to build and evaluate predictive models along the dimensions of valence and arousal. The purpose of this study is to explore what kind of questions can be addressed from the interface between affective computing and affective sciences. This research aims to shed light on the possible directions of affective sciences, highlighting the role of affective computing and predictive modeling. In addition, these considerations will be linked to a systematic review and meta-analysis of emotion recognition models based on physiological signals, with a particular focus on electrodermal activity. Ultimately, this thesis proposes to unravel the potential of affective computing as an engine for the present and future of affective science. Keywords Affective computing - Affective science - Machine learning -