diff options
| author | Mitsuo Tokumori <[email protected]> | 2023-05-25 18:55:55 -0500 |
|---|---|---|
| committer | Mitsuo Tokumori <[email protected]> | 2023-05-25 18:55:55 -0500 |
| commit | 51added26880538944ef2ee4fcea062950f8ee44 (patch) | |
| tree | 228a8688f613547da9154558f026f4cc1e032f45 /chapter/20-marco.tex | |
| download | thesis-51added26880538944ef2ee4fcea062950f8ee44.tar.gz thesis-51added26880538944ef2ee4fcea062950f8ee44.tar.bz2 thesis-51added26880538944ef2ee4fcea062950f8ee44.zip | |
Initial commit.
I'm working on Entregable 2. tab:objetivos-resultados-verificacion
is too long. I'm trying to convert it to longtable object.
Diffstat (limited to 'chapter/20-marco.tex')
| -rw-r--r-- | chapter/20-marco.tex | 157 |
1 files changed, 157 insertions, 0 deletions
diff --git a/chapter/20-marco.tex b/chapter/20-marco.tex new file mode 100644 index 0000000..03fb6be --- /dev/null +++ b/chapter/20-marco.tex @@ -0,0 +1,157 @@ +\chapter{Marco teórico} + +%[Texto introductorio acerca de esta sección que corresponde con la descripción +%del marco legal, regulatorio, conceptual y/o otros de acuerdo con el contexto +%del problema abordado. Debe indicar claramente el objetivo de cada marco a +%presentar.] + +En este capítulo se busca cubrir de forma detallada los principales conceptos +presentados en la problemática en el capítulo anterior. De esta forma, las +ideas relacionadas con deserción estudiantil universitaria y \textit{Machine +Learning} se desarrollan en el \cref{marco-conceptual}. + +% , mientras que las +% consideraciones legales sobre el tratamiento de datos personales se desarrollan +% en el \cref{marco-legal}. + + + +\section{Marco Conceptual} \label{marco-conceptual} + +%[Se introduce el marco conceptual y se presenta el objetivo del marco. Todos los +%conceptos presentados en la problemática deben de ser incluidos y desarrollados +%en el marco. +% +%Deben detallarse los conceptos de una forma más amplia que en la +%problemática. En algunos casos para comprender los conceptos es necesario +%incluir ejemplos. En caso de ser necesario usar ejemplos, estos deberán ser +%reales y basados en la problemática.] + +% Conceptos: +% Desercion estudiantil universitaria +% Machine Learning +% Tipo de Aprendizaje de Machine Learning +% Aprendizaje supervisado (3 algoritmo: decision tree, logistic regression) +% Aprendizaje no supervisado +% +% Para cada concepto definicion y aplicacion (Hoy en dia se aplica en...) +% +% (Referencias no necesariamente de formulario de extraccion) +% + + +\subsection{Deserción estudiantil universitaria} + +%[Cada concepto presentado debe estar correctamente referenciado a través de +%fuentes primarias. No debe de incluir en los conceptos a los métodos y +%procedimientos. En cada definición de concepto, de ser necesario, incluya +%ejemplos que permitan determinar cómo el concepto permitirá comprender mejor el +%problema, es decir, vincula el concepto al tema que aborda.] + +Para el presente estudio, se entiende como \textbf{deserción estudiantil +universitaria} al proceso en el cual, estudiantes de pregrado, pertenecientes a +alguna institución de educación superior, abandonan definitivamente sus +estudios. La deserción estudiantil tiene sus fuertes implicancias en la vida +del estudiante, y también en su universidad. Además, como señala +\autocite{Delbonifro2020}, las estadísticas de deserción estudiantil puede ser +un indicador de falencias en el sistema de cada universidad. + +Por estos motivos, actualmente existen varias investigaciones que exploran y +analizan los principales \textbf{factores de deserción estudiantil +universitaria} en los cuales se apoya el presente estudio. Los factores que se +pueden tomar en cuenta son numerosos y pueden ser de muchas índoles, por +ejemplo, académico, socioeconómico, institucional, y personales. Los factores +estudiados dependen del conjunto de datos que se cuente disponible en el +estudio. En la \cref{fig:spady-dropout_model} se visualiza la complejidad y las +diversas relaciones causa-efecto entre las posibles causas (una en cada +recuadro) de deserción estudiantil identificadas por \autocite{Spady1970}. De +cada una de estas posibles causas se pueden recolectar múltiples factores para +luego ser analizados de forma cuantitativa. + +\begin{figure}[H] + \centering + \includegraphics[width=.8\columnwidth]{img/spady-dropout_model} + \caption{Un modelo sociológico explicativo del proceso de deserción + estudiantil propuesto por \autocite{Spady1970}} + \label{fig:spady-dropout_model} +\end{figure} + +A continuación se listan algunos conceptos y términos relacionados a la +deserción estudiantil universitaria. + +% adfasdf + +\begin{itemize} + \item Retención: Se refiere a la capacidad de una universidad para mantener + a sus estudiantes matriculados hasta su graduación. + + \item Rendimiento académico: El rendimiento académico se refiere a las + calificaciones y al progreso académico general de un estudiante en su + programa de estudio. El rendimiento académico puede ser un indicador clave + de la probabilidad de que un estudiante abandone su programa de estudio + \autocite{Shilbayeh2021562, Alwarthan2022107649, Khan2021}. + + \item Compromiso del estudiante (\textit{student engagement}): El compromiso + estudiantil se refiere al nivel de participación e interacción de los + estudiantes en actividades académicas y no académicas en el campus + universitario. El compromiso estudiantil puede ser un factor importante en + la retención de estudiantes, ya que los estudiantes que no se sienten + involucrados y conectados a la comunidad universitaria pueden ser más + propensos a desertar \autocite{Latif20221051}. + + \item Ayuda social: La ayuda social se refiere a la provisión de apoyo + emocional y social a los estudiantes, incluyendo mentoría, asesoramiento y + apoyo de compañeros. + % La ayuda social puede ayudar a los estudiantes a superar las barreras + % personales y académicas que pueden llevar a la deserción. + + \item Ayuda financiera: La ayuda financiera se refiere a la provisión de + apoyo monetario a los estudiantes que enfrentan dificultades financieras + para pagar su educación. La ayuda financiera puede ser un factor crítico + para la retención de estudiantes, ya que puede ayudar a los estudiantes a + evitar la deserción debido a la falta de recursos financieros. + + \item Sistemas de alerta temprana de deserción: Los sistemas de alerta + temprana de deserción son herramientas que utilizan los datos y el análisis + para identificar a los estudiantes que pueden estar en riesgo de abandonar + su programa de estudio. Los sistemas de alerta temprana de deserción pueden + ayudar a las universidades a intervenir tempranamente para apoyar a los + estudiantes antes de que abandonen su programa. + + % \item Intervención personalizada: La intervención personalizada se refiere + % al uso de estrategias específicas y enfocadas para ayudar a los + % estudiantes individuales a superar las barreras personales y académicas + % que pueden llevar a la deserción. Las intervenciones personalizadas pueden + % incluir asesoramiento, tutoría y apoyo académico adicional. + + % \item Colaboración y comunicación: La colaboración y la comunicación entre + % los distintos actores universitarios, como estudiantes, profesores, + % personal y administradores, son fundamentales para abordar los problemas + % relacionados con la retención y la prevención de la deserción. La + % colaboración y la comunicación efectiva pueden ayudar a garantizar que los + % estudiantes reciban el apoyo que necesitan para completar su programa de + % estudio. + + \item Evaluación: Se refiere al uso de datos y métricas para medir la + eficacia de las estrategias de retención y prevención de la deserción y + realizar ajustes necesarios. +\end{itemize} +% adfasdf + + + + +% \section{Marco Legal} \label{marco-legal} + +% % Proteccion de datos + +% % Deserción estudiantil en los últimos 10 años. +% % Efecto de la pandemia +% % Nuevas formas de predecir al deserción. + +% %[Se introduce el tipo de marco y se presenta el objetivo del marco.] + +% Teniendo en consideración la normativa vigente en el Perú (Ley N° 29733, Ley de +% Protección de Datos Personales), los datos tratados en el estudio han sido +% obtenidos con cualquier información personal de los estudiantes removida. +% Contando solo con un identificador correlativo para cada individuo. |
