aboutsummaryrefslogtreecommitdiffstats
path: root/chapter/20-marco.tex
diff options
context:
space:
mode:
authorMitsuo Tokumori <[email protected]>2023-05-25 18:55:55 -0500
committerMitsuo Tokumori <[email protected]>2023-05-25 18:55:55 -0500
commit51added26880538944ef2ee4fcea062950f8ee44 (patch)
tree228a8688f613547da9154558f026f4cc1e032f45 /chapter/20-marco.tex
downloadthesis-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.tex157
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.