Collaborative location collecting systems (CLCS) is a particular case of collaborative systems where a community of users collaboratively collects data associated with a geo-referenced location. Gamification is a strategy to convene participants to CLCS. However, it cannot be generalized because of the different users’ profiles, and so it must be tailored to the users and playing contexts. A strategy for adapting gamification in CLCS is to build game challenges tailored to the player’s spatio-temporal behavior. This type of adaptation requires having a user traveling behavior profile. Particularly, this work is focused on the first steps to detect users’ behavioral profiles related to spatial- temporal activities in the context of CLCS. Specifically, this article introduces: (1) a strategy to detect patterns of spatial-temporal activities, (2) a model to describe the spatial-temporal behavior of users based on (1), and a strategy to detect users’ behavioral patterns based on unsupervised clustering. The approach is evaluated over a Foursquare dataset. The results showed two types of behavioral atoms and two types of users’ behavioral patterns.Los sistemas colaborativos de recolección basados en la ubicación (CLCS, por sus siglas en inglés) son un caso particular de sistemas colaborativos donde una comunidad de usuarios recopila de forma colaborativa datos asociados con una ubicación georreferenciada. La ludificación es una estrategia para convocar participantes a CLCS. Sin embargo, no se puede generalizar debido a los diferentes perfiles de los usuarios, por lo que debe adaptarse a los usuarios y contextos de juego. Una estrategia para adaptar la gamificación en CLCS es crear desafíos de juego adaptados al comportamiento del jugador. Este tipo de adaptación requiere tener un perfil del comportamiento espacio-temporal del usuario y en particular, este trabajo se centra en los primeros pasos para detectar este tipo de perfiles en relación a las actividades espacio-temporales en el contexto de los CLCS. Específicamente, este artículo presenta: (1) una estrategia para detectar patrones de actividades espacio-temporales, (2) un modelo para describir el comportamiento espacio-temporal de los usuarios basado en (1), y una estrategia para detectar patrones de comportamiento de los usuarios, basada en en agrupamiento (clustering) no supervisado. El enfoque se evaluó sobre un conjunto de datos de la aplicación Foursquare. Los resultados mostraron dos tipos de átomos de comportamiento y dos tipos de patrones de comportamiento de los usuarios.Facultad de Informática