Initial commit.

I'm working on Entregable 2.  tab:objetivos-resultados-verificacion
is too long.  I'm trying to convert it to longtable object.

1 files changed, 825 insertions, 0 deletions

diff --git a/chapter/30-estado_del_arte.tex b/chapter/30-estado_del_arte.tex
new file mode 100644
index 0000000..28999bb
--- /dev/null
+++ b/chapter/30-estado_del_arte.tex
@@ -0,0 +1,825 @@
+\chapter{Estado del Arte}
+
+
+
+\section{Introducción}
+
+%[La revisión de la literatura establece lo que se sabe sobre el tema para
+%construir sobre la sabiduría de trabajos anteriores. Lo que ya se ha establecido
+%sobre un tema le ayuda a acotar un marco teórico específico. Esto significa que
+%generalmente es necesario revisar la literatura antes de elegir un marco teórico
+%específico.
+%
+%La revisión de la literatura puede dividirse por temas, por autores o
+%cronológicamente. La división más común es por tema, ya que muestra una
+%comprensión más compleja de la literatura. Una revisión de la literatura de los
+%autores es una compilación de informes breves de libros. Esto significa que las
+%revisiones de la literatura divididas por autores normalmente carecen de la
+%comprensión global proporcionada por una descripción general de temas y, por lo
+%tanto, no se consideran tan sofisticadas como las revisiones de temas. Las
+%revisiones cronológicas suelen ser más útiles cuando el enfoque del artículo es
+%de naturaleza histórica. La elección de la organización depende del objetivo del
+%trabajo.]
+
+% Reference Needed
+% La deserción estudiantil universitaria es un fenómeno que afecta tanto a los
+% estudiantes que abandonan su carrera profesional, como a la universidad de la
+% cual desertan.  Se ven perjudicadas la economía del estudiante y la universidad,
+% la calidad de la enseñanza, y la diversidad estudiantil en la universidad.  La
+% identificación temprana de los estudiantes más propensos a abandonar sus
+% estudios, aquellos que presentan los principales indicadores de deserción,
+% podría ayudar a los centros de estudios en proporcionar apoyo a estudiantes
+% propoensos a desertar de forma más oportuna.
+
+% From 05-intro.tex
+La deserción estudiantil universitaria es un fenómeno complejo que afecta a los estudiantes desertores y a su universidad.  La deserción estudiantil universitaria afecta significativamente en la economía del estudiante y en su bienestar psicológico, así como también en la reputación de la univerdad y de sus recursos que contará en el futuro \autocite{Fernandez2019}.  Para el año 2013,  en Estados Unidos, el ratio de deserción fue de 40\% por año para estudiantes que persíguen un pregrado, de los cuales el 30\% deserta en el primer año de estudios \autocite{Doll2013}.  Actualmente, las universidades cuentan con diversos programas de apoyo al estudiante; por ejemplo la PUCP, cuenta con la Oficina de Orientación y Apoyo al Estudiante (OOIA) y la Dirección de Asuntos Estudiantiles (DAES) las cuales proporcionan programas de tutorías, refuerzo académico en los cursos más demandantes de 1er y 2do año, mentoría, atención psicológica, y eventos informativos \autocite{PUCP2019SaludMental}.
+
+Con el fin de investigar el estado del arte en el análisis de factores que
+predicen la deserción estudiantil universitaria se realiza una revisión
+sistemática de la literatura siguiendo principalmente los lineamientos
+propuestos por \autocite{Kitchenham2007}.  De esta manera, se emplean los
+criterios PICOC \autocite{Petticrew2006} para enmarcar las preguntas de
+investigación, y subsecuentemente generar la cadéna de búsqueda apropiada para
+los motores de búsqueda a utilizar.  Las siguientes secciones del capítulo
+documentan el proceso de revisión de literatura realizado.
+
+% "debe indicar tipo de revision"
+% -> El tipo de revision es "sistematica" (en contraste con "narrativa",
+%    "conceptual", "rapida", "realistica", "tradicional", etc.)
+%
+% Also, what does this mean?
+% Además, el tipo esquema provisorio elegido será por temas, y no por autor.
+
+
+
+\section{Objetivos de Revisión} \label{objetivos}
+
+El primer paso para llevar a cabo una revisión sistemática del estado del arte
+consiste en establecer claramente los objetivos que se persiguen con dicha
+revisión. Estos objetivos serán abordados a través de las preguntas de
+investigación que se planteen. Para el presente estudio, se definen
+los siguientes objetivos de revisión:
+
+\begin{itemize}
+    \item 
+        Identificar los principales factores y métricas que predicen la 
+        deserción estudiantil universitaria, en la literatura.
+    \item 
+        Conocer las herramientas y metodologías que se emplean actualmente para
+        analizar la deserción estudiantil, desde el punto de vista del análisis de datos
+        y Aprendizaje Automático.
+    \item 
+        Conocer las metodologías algorítmicas basadas en
+        de Aprendizaje Automático (\textit{Machine Learning}) más usadas
+        para predecir la deserción estudiantil universitaria.
+    \item 
+        Comparar las debilidades y oportunidades de mejora
+        en las metodologías y técnicas algorítmicas de análisis usadas actualmente
+        para predecir la deserción estudiantil universitaria
+\end{itemize}
+
+
+
+\section{Preguntas de Revisión}
+
+Con la intención de estructurar las preguntas de revisión y considerar varios puntos de vista,
+se utilizan los criterios PICOC (\textit{population, intervention, comparison, outcomes,
+context}) \autocite{Petticrew2006} para elaborar las preguntas de revisión.  Estos criterios 
+son mayormente utilizados en el campo de investigación clínica y salud.  Sin embargo,
+estos también se pueden aplicar al campos relacionados a la informática \autocite{Kitchenham2007}.
+Para la presente revisión, no se utiliza el criterio de comparación, puesto que no es un objetivo
+comparar la aplicación de la intervención (predicción de la deserción estudiantil universitaria) 
+sobre un grupo de la población y un grupo de control.
+% En el presente estudio no se utiliza el
+% criterio de comparación, puesto que no se tiene como objetivo comparar el
+% criterio de intervención a investigar con algún otro método de intervención en
+% concreto.  Como recalca \autocite{Kitchenham2007}: es inadecuado comparar a los
+% estudios que utilizan una técnica en específico contra los que no la utilizan.
+Ver \autoref{tab:picoc}.
+
+\begin{table} [htbp]
+    \centering
+    \caption{Criterios PICOC}
+    \label{tab:picoc}
+    \begin{tabular} {|p{0.19\linewidth}|p{0.79\linewidth}|}
+
+        \hline
+        Población &
+        % Estudiantes universitarios de pregrado en instituciones tanto nacionales como extranjeras \\
+        Sistemas para la predicción de deserción estudiantil universitaria \\ 
+        \hline
+        Intervención & 
+        Técnicas modernas de Aprendizaje Automático para la predicción de deserción estudiantil universitaria \\ 
+        \hline
+        Comparación &
+        % Soluciones y metodologías.  Técnicas de Aprendizaje Automático.  \\
+        (No aplica) \\
+        \hline
+        Consecuencia &
+        Predicciones de deserción estudiantil universitaria \\
+        \hline
+        Contexto &
+        Estudiantes de pregrado, instituciones de educacion superior, nacional o internacional,
+        tipo de grado académico perseguido, estatus socioeconómico del estudiante. \\
+        % El contexto de la intervención es amplio.  Se espera
+        % recolectar información de las técnicas de Aprendizaje Automático
+        % más efectivas,  así como las metodologías utilizadas para la captura
+        % de información, procesamiento, y aplicación del modelo. \\ 
+        \hline
+
+    \end{tabular}
+\end{table}
+
+A continuación, se listan las preguntas de revisión formuladas.
+
+\begin{itemize}
+    \item 
+        P1. ¿Qué factores o métricas predicen de mejor manera la deserción
+        estudiantil universitaria?
+    \item 
+        P2. ¿Qué herramientas y metodologías se emplean actualmente para
+        analizar la deserción de los estudiantes, desde el punto de vista del análisis de datos
+        y Aprendizaje Automático?
+    \item 
+        P3. ¿Qué soluciones algorítmicas basadas en Aprendizaje Automático son
+        utilizadas actualmente para predecir la deserción estudiantil
+        universitaria?
+    \item 
+        P4. ¿Qué debilidades y oportunidades de mejora existen en las
+        metodologías y técnicas algorítimicas de análisis usadas actualmente
+        para predecir la deserción estudiantil universitaria?
+\end{itemize}
+
+
+
+\section{Estratégia de Búsqueda}
+
+En esta sección se describe el procedimiento utilizado para identificar la bibliografía relevante para responder a las preguntas de revisión formuladas.  Los criterios de inclusión y exclusión servirán para filtrar aún más la lista de documentos encontrados.  Para luego catalogarlos con fichas bibliográficas utilizando el formulario de extracción de datos definido en la sección \ref{formulario-extraccion}.
+
+\subsection{Motores de búsqueda a usar.}
+
+Para el levantamiento de información se utilizarán los siguientes motores de
+búsqueda:
+
+\begin{itemize}
+    \item Scopus
+    \item IEEE Xplore
+\end{itemize}
+
+
+\subsection{Cadenas de búsqueda a usar.}
+
+
+% - cita a Kitchenham necesaria?
+% - cita al paper de WordNet necesaria?  O mejor solo a la URL
+%   https://wordnet.princeton.edu/
+Se sigue el enfoque general de descomponer los criterios PICOC (\autoref{tab:picoc}) en términos de
+búsqueda (\autoref{tab:picoc-terms}).  Seguido de encontrar sinónimos para cada término,
+construir la cadena de búsqueda utilizando operadores booleanos, y finalmente
+adaptar la cadena a la sintaxis de los motores de búsqueda elegidos.  Para la
+búsqueda de sinónimos en inglés se utilizó el
+diccionario WordNet, el cual es distribuido pública y libremente por Princeton
+\autocite{Fellbaum2010}.
+
+\begin{table} [htbp] \centering
+    \caption{Términos de búsqueda derivados de los criterios PICOC}
+    \label{tab:picoc-terms}
+    \begin{tabular} {|p{0.19\linewidth}|p{0.79\linewidth}|}
+
+        \toprule
+        % \hline
+        \textit{Criterio} & \emph{Términos de búsqueda} \\
+        \midrule
+        % \hline
+        Población       & 
+        system, tool, student dropout, student desertion, student attrition \\
+        % undergraduate students, college students, higher education students \\ 
+        \hline
+        Intervención    & 
+        machine learning, data mining, predictive modeling, supervised learning, classification, feature selection \\ 
+        \hline
+        Comparación     & 
+        (No aplica) \\ 
+        \hline
+        Consecuencia    & 
+        forecast models, prediction models \\ 
+        \hline
+        Contexto        & 
+        undergraduate, higher education institutions, university, college, 
+        degree types, socioeconomic status \\ 
+        \hline
+
+    \end{tabular}
+\end{table}
+
+Se utilizan el operador booleano $OR$ para concatenar los términos de
+búsqueda pertenecientes al mismo criterio,  y luego se concatenan las cadenas de
+cada criterio con el operador booleano $AND$ para obtener una única cadena de
+búsqueda.  Para delimitar aún más la búsqueda, se restringe más el primer criterio
+para que solo muestre herramientas o sistemas relacionadas al análisis de la deserción
+estudiantil universitaria:
+
+\begin{verbatim} 
+( ( "system" OR "tool" ) AND ( "student dropout" OR "student desertion" OR
+"student attrition" ) ) AND ( "machine learning" OR "data mining" OR "predictive
+modeling" OR "supervised learning" OR "classification" OR "feature selection" )
+AND ( "forecast models" OR "prediction models" ) AND ( "undergraduate" OR
+"higher education institutions" OR "university" OR "college" OR "degree types"
+OR "socioeconomic status" )
+\end{verbatim}
+% https://dl-acm-org.ezproxybib.pucp.edu.pe/action/doSearch?AllField=%28+%22university%22++AND++%22dropout+rate%22++AND++%22machine+learning%22+%29+
+% simple one (57 scopus): https://www-scopus-com.ezproxybib.pucp.edu.pe/results/results.uri?sort=plf-f&src=s&st1=%22university%22+AND+%22dropout+rate%22+AND+%22machine+learning%22&sid=5b2e61989f4528bdfb0f8402c4327812&sot=b&sdt=b&sl=69&s=TITLE-ABS-KEY%28%22university%22+AND+%22dropout+rate%22+AND+%22machine+learning%22%29&origin=searchbasic&editSaveSearch=&yearFrom=Before+1960&yearTo=Present
+% v4: asesora: 61 SCOPUS, 1 IEEE Xplore
+% https://www-scopus-com.ezproxybib.pucp.edu.pe/results/results.uri?sort=r-f&src=s&nlo=&nlr=&nls=&sid=618985a1c0139a3919c2f00d7f4cce1f&sot=a&sdt=cl&cluster=scofreetoread%2c%22all%22%2ct%2bscopubyr%2c%222023%22%2ct%2c%222022%22%2ct%2c%222021%22%2ct%2c%222020%22%2ct%2c%222019%22%2ct%2bscosubtype%2c%22ar%22%2ct%2bscosubjabbr%2c%22COMP%22%2ct%2bscolang%2c%22English%22%2ct&sl=430&s=ALL+%28%28+%28%22system%22+OR+%22tool%22%29+AND+%28%22student+dropout%22+OR+%22student+desertion%22+OR+%22student+attrition%22%29+%29+AND+%28+%22machine+learning%22+OR+%22data+mining%22+OR+%22predictive+modeling%22+OR+%22supervised+learning%22+OR+%22classification%22+OR+%22feature+selection%22+%29+AND+%28+%22forecast+models%22+OR+%22prediction+models%22+%29+AND+%28+%22undergraduate%22+OR+%22higher+education+institutions%22+OR+%22university%22+OR+%22college%22+%29+%29+AND+PUBYEAR+%3e+2017+AND+PUBYEAR+%3c+2024+AND+NOT+%28%22MOOC%22%29&origin=resultslist&zone=leftSideBar&editSaveSearch=&txGid=6faae11c585e71bcb05039753ceb381c
+% IEEE Xplore: (( ( "student dropout" OR "student desertion" OR "student attrition" ) ) AND ( "machine learning" OR "data mining" OR "predictive modeling" OR "supervised learning" OR "classification" OR "feature selection" ) AND ( "forecast models" OR "prediction models" ) AND ( "undergraduate" OR "higher education institutions" OR "university" OR "college" OR "degree types" OR "socioeconomic status" ))
+% ALL ( ( ( "system"  OR  "tool" )  AND  ( "student dropout"  OR  "student desertion"  OR  "student attrition" ) )  AND  ( "machine learning"  OR  "data mining"  OR  "predictive modeling"  OR  "supervised learning"  OR  "classification"  OR  "feature selection" )  AND  ( "forecast models"  OR  "prediction models" )  AND  ( "undergraduate"  OR  "higher education institutions"  OR  "university"  OR  "college" ) )  AND  PUBYEAR  >  2017  AND  PUBYEAR  <  2024  AND NOT  ( "MOOC" )  AND  (  LIMIT-TO ( OA ,  "all" ) )  AND  ( LIMIT-TO ( PUBYEAR ,  2023 )  OR  LIMIT-TO ( PUBYEAR ,  2022 )  OR  LIMIT-TO ( PUBYEAR ,  2021 )  OR  LIMIT-TO ( PUBYEAR ,  2020 )  OR  LIMIT-TO ( PUBYEAR ,  2019 ) )  AND  ( LIMIT-TO ( DOCTYPE ,  "ar" ) )  AND  ( LIMIT-TO ( SUBJAREA ,  "COMP" ) )  AND  ( LIMIT-TO ( LANGUAGE ,  "English" ) )  
+% v2: 1,374 SCOPUS, 6 IEEE Xplore
+% v1:  > 1,000,000 results SCOPUS, 27,397 results IEEE Xplore
+% ("system" OR "solution" OR "forecast" OR "student dropout" OR "student 
+% desertion" OR "student attrition") AND ("machine learning" OR "data mining" OR 
+% "predictive modeling" OR "supervised learning" OR "classification" OR "feature 
+% selection") AND ("factors" OR "attributes" OR "metrics" OR "predict" OR "models" 
+% OR "academic success") AND ("undergraduate" OR "higher education institutions" 
+% OR "university" OR "college" OR "degree types" OR "socioeconomic status")
+% v0:
+% ("student desertion" OR student attrition OR "student dropout" OR "academic
+% risk") AND ("machine learning" OR "data mining" OR techniques OR tools OR
+% algorithms OR "classification algorithms") AND (model OR framework OR factors OR
+% attributes OR metrics OR predict OR "predict student droput") AND (university OR
+% academia OR peru OR latam OR "latin america" OR undergraduate OR "undergraduate
+% studies" OR methodology OR review OR comparison OR "educational data mining") 
+
+Finalmente, se adapta la cadena a la sintaxis
+de cada uno de los motores de búsqueda bibliográficos.  
+Para Scopus, se genera la siguiente cadena.  A la cual también
+se le ha incorporado un criterio de exclución, limitando la antigüedad del
+artículo (la lista completa de estos criterios se encuentra 
+en la sección \ref{criterios-inclusion-exclusion}).
+
+\begin{verbatim}
+ALL ( ( "forecast system" OR "student dropout" OR "student desertion" OR
+"student attrition" ) AND ( "machine learning" OR "data mining" OR "predictive
+modeling" OR "supervised learning" OR "classification" OR "feature selection" )
+AND ( "forecast models" OR "prediction models" ) AND ( "undergraduate" OR
+"higher education institutions" OR "university" OR "college" OR "degree types"
+OR "socioeconomic status" ) ) AND PUBYEAR > 2017 AND PUBYEAR < 2024 
+\end{verbatim}
+
+% El motor de búsqueda IEEE Xplore limita la búsqueda a un máximo de 25 términos.
+Para IEEE Xplore, se utiliza la interfáz gráfica para limitar la antigüedad del artículo
+a los últimos 6 años.  La cadena no requiere modficaciones adicionales de sintaxis.
+
+
+\subsection{Documentos encontrados.}
+
+La cantidad de documentos encontrados luego de utilizar las cadenas de búsqueda en los motores bibliograficos se sumariza en la \autoref{tab:documentos-encontrados}.  El número de documentos encontrados es especialmente elevado para Scopus; pero aplicando los criterios de inclusión y exclusión listados en la siguiente sección, se buscará reducirlo a un número más manejable para los documentos primarios para la investigación.
+
+\begin{table} [htbp] \centering
+    \caption{Documentos encontrados por motor de búsqueda}
+    \label{tab:documentos-encontrados}
+    \begin{tabular} {|p{0.2\linewidth}|p{0.2\linewidth}|}
+    
+        \hline
+        Scopus & 
+        1,374 \\ 
+        \hline
+        IEEE Xplore & 
+        4 \\ 
+        \hline
+        
+    \end{tabular}
+\end{table}
+
+
+\subsection{Criterios de inclusión/exclusión.} \label{criterios-inclusion-exclusion}
+
+Se cuentan con los siguientes criterios de inclusión:
+
+\begin{itemize}
+    \item 
+        El artículo incluye métricas o factores que ayudan a predecir la
+        deserción estudiantil universitaria
+    \item 
+        El artículo explora y compara herramientas y metodologías para analizar
+        la deserción estudiantil universitaria
+    \item 
+        El artículo incluye soluciónes algorítmicas de Machine Learning para el
+        análisis de deserción estudiantil universitaria.
+\end{itemize}
+
+Y los siguientes criterios de exclusión:
+
+\begin{itemize}
+    \item 
+        El artículo no tiene una antigüedad mayor a 6 años.  A excepción de si
+        se trata a una referencia de conceptos o teoría.
+    \item 
+        El artículo no está relacionado al contexto de deserción estudiantil
+        universitaria.
+    \item 
+        Las técnicas para el análisis de factores que influyen en la deserción
+        estudiantil no están relacionadas con Aprendizaje Automático.
+    \item 
+        El artículo se encuentra en un idioma distinto al inglés o español.
+    \item 
+        El artículo no se encuentra disponible pasa su uso libre o licenciado
+        con la biblioteca de la Pontificia Universidad Católica del Perú (PUCP)
+        y no se considera que su aporte sería indispensable para el estudio.
+\end{itemize}
+
+
+\section{Formulario de Extracción de Datos} \label{formulario-extraccion}
+
+Luego de aplicar los criterios de inclusión y exclusión a los documentos
+encontrados, se categorizan los documentos utilizando el formulario de
+extracción de datos.  Ver \autoref{tab:formulario-extraccion}.
+
+\begin{table}[H]
+    \centering
+    \caption{Estructura del formulario de extracción}
+    \label{tab:formulario-extraccion}
+    \begin{tabular} {p{0.24\linewidth}|p{0.5\linewidth}|p{0.25\linewidth}}
+
+        \toprule
+        \emph{Ítem} &
+        \emph{Descripción} &
+        \emph{Pregunta} \\ 
+        \midrule
+
+        Id &
+        Identificador &
+        Información General \\
+
+        Título &
+        Título del artículo &
+        Información General \\
+
+        Autores &
+        Autores &
+        Información General \\
+
+        Año &
+        Año de publicación &
+        Información General \\
+
+        Motor de búsqueda &
+        Motor de búsqueda donde se encontró el artículo &
+        Información General \\
+
+        Tipo de Fuente &
+        Medio en que se publicó el documento.  Puede ser artículo, revista, libro,
+        congreso. &
+        Información General \\
+
+        Métricas &
+        Métricas o factores que influyen en la deserción estudiantil universitaria &
+        P1 \\
+
+        Herramientas &
+        Herramientas o metodologías empleadas para analizar la deserción estudiantil
+        universitaria &
+        P2 \\
+
+        Algoritmos de ML &
+        Algoritmos actuales de Machine Learninng utilizados para analizar la
+        deserción estudiantil universitaria &
+        P3 \\
+
+        Carencias &
+        Carencias, falencias, y posibles mejoras en las técnicas actuales de
+        análisis de deserción estudiantil universitaria &
+        P4 \\
+
+        \bottomrule
+
+    \end{tabular}
+\end{table}
+
+
+
+\section{Resultados de la Revisión}
+
+Luego de aplicar los criterios de
+inclusión y exclusión, se obtienen 16 estudios primarios con los que se
+responderán las preguntas de investigación.  Para ver la lista
+completa de las fichas bibliográficas de los estudios primarios ver el Anexo 1.
+% Añadir referencia Anexo1: Formulario de Extracción
+En la \autoref{tab:p1papers} se sumarizan los estudios primarios y las preguntas de investigación a las que ayudan a responder.
+
+% - Tabla
+% - Resumen
+% - Opcionalmente graficos y tablas
+
+\begin{table} [H]
+    \centering
+    \caption{Artículos primarios y las preguntas de investigación que ayudan a
+    responder}
+    \label{tab:p1papers}
+    \begin{tabular} {|p{0.14\linewidth}|p{0.70\linewidth}|
+        *{4}{p{0.02\linewidth}|} }
+
+        \hline
+        \textit{Autor} &
+        \textit{Título} &
+        \textit{P1} &
+        \textit{P2} &
+        \textit{P3} &
+        \textit{P4}
+        \\ \hline
+
+        \autocite{Shilbayeh2021562} &
+        Predicting student enrolments and attrition patterns in higher educational institutions using machine learning &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Perez202157} &
+        Predicting Student Program Completion Using Naïve Bayes Classification Algorithm &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Alwarthan2022107649} &
+        An Explainable Model for Identifying At-Risk Student at Higher Education &
+        x &       % P1
+          &       % P2
+          &       % P3
+                  % P4
+        \\\hline
+
+        \autocite{Khan2021} &
+        An artificial intelligence approach to monitor student performance and devise preventive measures &
+          &       % P1
+          &       % P2
+        x &       % P3
+        x         % P4
+        \\ \hline
+
+        \autocite{Sahlaoui2021152688} &
+        Predicting and Interpreting Student Performance Using Ensemble Models and Shapley Additive Explanations &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Segura2022} &
+        Machine Learning Prediction of University Student Dropout: Does Preference Play a Key Role? &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Latif20221051} &
+        Identifying At-Risk Students: An AI-based Prediction Approach &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Balaji2021} &
+        Contributions of machine learning models towards student academic performance prediction: A systematic review &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Suhaimi20191} &
+        Review on Predicting Students’ Graduation Time Using Machine Learning Algorithms & 
+        x &       % P1
+          &       % P2
+        x &       % P3
+        x         % P4
+        \\ \hline
+
+        \autocite{Yağcı2022} &
+        Educational data mining: prediction of students' academic performance using machine learning algorithms &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Fernandez-Garcia2021133076} &
+        A real-life machine learning experience for predicting university dropout at different stages using academic data &
+        x &       % P1
+          &       % P2
+        x &       % P3
+        x         % P4
+        \\ \hline
+
+        \autocite{Guzmán2022} &
+        Comparative Analysis of Dropout and Student Permanence in Rural Higher Education &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{8820813} &
+        Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout &
+        x &       % P1
+        x &       % P2
+          &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{8484847} &
+        Applying Data Mining Techniques to Predict Student Dropout: A Case Study &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Kemper2020} &
+        Predicting student dropout: A machine learning approach &
+        x  &       % P1
+        x  &       % P2
+        x  &       % P3
+        x          % P4
+        \\ \hline
+
+    \end{tabular}
+\end{table}
+
+
+\subsection{Respuestas a la pregunta P1.}
+
+Los factores con los que se predice la deserción estudiantil universitaria
+varían considerablemente para cada estudio,  esto es debido a que cada uno
+cuenta con data distinta, contextos distintos, y con medios de recolección de
+datos distintos.  Por ejemplo,  en \autocite{Shilbayeh2021562} se recolectó data
+real, de 1600 estudiantes de la Abu Dhabi School of Management en los años 2019-2022
+Universidad Pública de Ecuador.
+Y se obtuvo 11 principales factores, siendo los más importantes la edad del alumno y
+su rendimiento académico.  
+Por otro lado, \autocite{Kemper2020} encuentra que el promedio de notas y la cantidad de
+exámenes aprobados son los principales factores.  Las variables utilizadas en
+\autocite{Kemper2020} se listan en \autoref{tab:Kemper2020-var}, con las cuales
+lograron obtener un 95\% de precisión con data limitada hasta el tercer semestre
+de estudios de cada estudiante, y más de 85\% de precisión luego del primer
+semestre.
+
+En el estudio por \autocite{Perez202157} se meciona que tanto variables personales (género, estatus socio-económico) y variables educativas (rendimiento académico, dificultad percibida en los cursos que lleva)
+pueden ser buenos predictores de deserción estudiantil.
+
+En \autocite{Alwarthan2022107649} se identifica que variables pre-admission (e.g., puntaje SAT, GPA, información demográfica) también son muy relevantes al predecir deserción estudiantil universitaria.  
+Estas variables podrían ser de especial ayuda para las universidades para poder elegir y apoyar
+a estudiantes prospectivos que tienen alto riesgo de desertar, identificandolos de forma temprana.
+
+
+% \begin{table} [htbp]\centering
+%     \caption{Variables independientes utilizadas en \autocite{Alban2019}}
+%     \label{tab:Alban2019-var}
+%     \begin{tabular} {|p{0.80\linewidth}|}
+
+%         \hline
+% %        \textit{Descripción}
+% %        \\ \hline
+
+%         Conocimiento limitado en el uso de software especializado de la carrera
+%         \\ \hline
+%         Embarazo deseado o no deseado 
+%         \\ \hline
+%         El compromizo de los profesores con el estudiante 
+%         \\ \hline
+%         Compromiso económico con la familia del alumno por ser hijo mayor 
+%         \\ \hline
+%         Bullying 
+%         \\ \hline
+%         Sexismo 
+%         \\ \hline
+%         Adicciones del estudiante 
+%         \\ \hline
+%         Número de hijos del estudiante 
+%         \\ \hline
+%         Adaptabilidad del estudiante al nivel de rapidéz de aprendizaje
+%         requerido por la universidad 
+%         \\ \hline
+%         Carrera elegida 
+%         \\ \hline
+%         Perspectiva del estudiante en cuando su integración en el mercado
+%         laboral 
+
+%         \\ \hline
+
+%     \end{tabular}
+% \end{table}
+
+\begin{table} [H]
+    \centering
+    \caption{Variables independientes utilizadas en \autocite{Kemper2020}}
+    \label{tab:Kemper2020-var}
+    \begin{tabular} {|p{0.80\linewidth}|}
+
+        \hline
+%        \textit{Descripción}
+%        \\ \hline
+
+        Fecha de ingreso a la universidad
+        \\ \hline
+        Género
+        \\ \hline
+        Origen (Nacional o Extranjero)
+        \\ \hline
+        Edad en el momento de ingreso a la universidad
+        \\ \hline
+        Promedio de notas en todos los exámenes
+        \\ \hline
+        Promedio de notas en todos los exámenes aprobados
+        \\ \hline
+        Promedio de notas en todos los exámenes desaprobados
+        \\ \hline
+        Cantidad de exámenes tomados
+        \\ \hline
+        Cantidad de exámenes aprobados
+        \\ \hline
+        Cantidad de exámenes desaprobados
+
+        \\ \hline
+
+    \end{tabular}
+\end{table}
+
+
+\subsection{Respuestas a la pregunta P2.}
+
+De los artículos primarios revisados, \autocite{Khan2021} y
+\autocite{Sahlaoui2021152688} utilizan la metodología \textit{Knowledge Discovery in
+Databases} (KDD).  Por otro lado, en \autocite{Latif20221051} se utilizó la
+metodología CRIPS-DM.  Además, \autocite{Kemper2020} propone una nueva
+metodología para poner en práctica en otras instituciones y comparar resultados.
+
+En cuanto a las herramientas utilizadas, \autocite{Agrusti2019} menciona que,
+dentro de los estudios que analizaron, las más usadas son WEKA, SPSS, y R.  
+
+Como parte de otras técnicas utilizadas, tanto \autocite{Segura2022} como
+\autocite{Balaji2021} utilizaron técnicas como SMOTE para el balanceo de datos,
+parte de la etapa de pre-procesamiento de datos. Y SHAP para el análisis de importancia
+y explicación de las variables en los modelos de Aprendizaje Automático obtenidos.
+
+En el estudio realizado por \autocite{Alwarthan2022107649} y \autocite{Kemper2020} 
+se comparó el desempeño de múltiples algoritmos basados en Aprendizaje Automático.
+Entre ellos: Random Forest (RF), Artificial Neural Network (ANN), y Support Vector Machine (SVM).
+
+
+\subsection{Respuestas a la pregunta P3.}
+
+En la literatura revisada se utilizan diversas técnicas de \textit{Machine
+Learning}, como lo son \textit{Decision Tree}, clasificación bayesiana, redes
+neuronales, y regresión logística.  Para cada técnica, se cuenta con varios
+algorítmos, por ejemplo, C4.5, \textit{Random Forest}, \textit{Naïve Bayes}, y
+\textit{Multilayer perceptron} \autocite{Alwarthan2022107649}.  En la
+\autoref{tab:alg-comp} se sumariza el desempeño del mejor algorítmo para cada
+artículo primario revisado. 
+
+\begin{table} [htbp]\centering
+    \caption{Desempeño de algoritmos de Aprendizaje Automático utilizados en
+    los artículos primarios}
+    \label{tab:alg-comp}
+    \begin{tabular}
+        {|p{0.20\linewidth}|p{0.30\linewidth}|p{0.15\linewidth}|p{0.25\linewidth}|}
+
+        \hline
+        \textit{Técnica} &
+        \textit{Algoritmo} &
+        \textit{Precisión} &
+        \textit{Cita}
+        \\ \hline
+
+        Red neuronal &
+        Multilayer perceptron &
+        96.3\% &
+        \autocite{Alwarthan2022107649}
+        \\ \hline
+
+        % revisar
+        Decision Tree &
+        Random Forest &
+        96.7\% &
+        \autocite{Alwarthan2022107649}
+        \\ \hline
+
+        Decision Tree &
+        C4.5 &
+        87\% &
+        \autocite{Alwarthan2022107649}
+        \\ \hline
+
+        Red neuronal &
+        Artificial Neural Network &
+        83\% &
+        \autocite{Kemper2020}
+        \\ \hline
+
+        % revisar
+        Decision Tree &
+        Random Forest &
+        95\% &
+        \autocite{Kemper2020}
+        \\ \hline
+
+        % revisar
+        Decision Tree &
+        Support Vector Machine &
+        81\% &
+        \autocite{Kemper2020}
+        \\ \hline
+
+    \end{tabular}
+\end{table}
+
+
+\subsection{Respuestas a la pregunta P4.}
+
+% Tabla con los diferentes algoritmo usados.  Notar cual es el mejor segun los
+% estudios citados.  Comparacion 
+
+% Extension: ~ 1 pagina
+
+% revisar eso de notas no estandarizadas, Kemper es crack
+Se identifica la falencia de la confiabilidad de los datos trabajados,  por
+ejemplo en \autocite{Alban2019} se utilizó data de encuestas a alumnos, que por
+su naturaleza, están sujetas al enfoque subjetivo de cada encuestado.  La
+segunda falencia identificada es el trabajar con notas no estandarizadas cuando
+se procesan datos de varias carreras \autocite{Kemper2020}.  Distintos
+estándares de calificación en cada carrera pueden afectar al modelo.
+Finalmente, se identifica que algunos estudios no se cuenta con un
+\textit{dataset} grande, \autocite{Alvarez2020} cuenta con data de solo 456
+estudiantes, y \autocite{Moreira2022} con 331 estudiantes.
+
+Debilidades:
+
+\begin{itemize}
+    \item
+        Limitada capacidad para generalización.  Los modelos trabajados
+        no pueden ser directamente aplicados a todas las instituciones y
+        contextos educativos, ni a todas las poblaciones estudiantiles \autocite{Alwarthan2022107649}.
+    \item
+        Calidad de la data y disponibilidad.  La presición de los modelos de predicción
+        dependen altamente de la calidad e integridad de la data disponible
+        \autocite{Kemper2020, Alwarthan2022107649, Perez202157}.
+    \item
+        Limitada capacidad de explicación de los modelos.  Entender 
+        la lógica detrás de cada predicción realizadas por algunos modelos de 
+        Aprendizaje Automático, como una ANN, puede ser dificil \autocite{Alwarthan2022107649}
+\end{itemize}
+
+Oportunidades de mejora:
+
+\begin{itemize}
+    \item
+        Incorporar fuentes de datos más diversas podría mejorar las predicciones \autocite{Alwarthan2022107649}.
+    \item
+        Utilizar modelos explicables de Aprendizaje Automático para mejorar
+        la interpretación y confianza de las predicciones
+        \autocite{Kemper2020, Alwarthan2022107649, Perez202157}.
+    \item
+        Desarrollar modelos que puedan ser adaptables a difrentes contextos educativos
+        y poblaciones estudiantiles \autocite{Alwarthan2022107649}.
+\end{itemize}
+
+
+
+\section{Conclusiones}
+
+% En base a los documentos revisados... (8 lineas, juntar en 2 parrafos)
+
+En conclusión, la predicción de la deserción estudiantil universitaria es un tema de investigación complejo, ya que los factores que influyen en la deserción pueden variar considerablemente entre diferentes contextos y poblaciones estudiantiles.  Los estudios analizados en esta revisión han identificado diversas variables relevantes, como la edad del alumno, el rendimiento académico, el género, el estatus socioeconómico y las variables pre-admisión, como el puntaje SAT o el GPA.
+
+En la literatura, se han empleado varias técnicas y algoritmos de aprendizaje automático para predecir la deserción estudiantil, incluyendo árboles de decisión, clasificación bayesiana, redes neuronales y regresión logística.  Obteniendo resultados bastante prometedores, con coeficientes de determinación de hasta 97 \% (como los mecionados en \autocite{Kemper2020}).  Sin embargo, estos modelos tienen limitaciones en cuanto a su capacidad de generalización y explicación (\textit{explainability}) y dependen en gran medida de la calidad e integridad de los datos disponibles.
+
+Las debilidades identificadas en los estudios incluyen la limitada capacidad para la generalización de los modelos, la calidad y disponibilidad de los datos y la limitada capacidad de explicación de algunos modelos de aprendizaje automático.  Para abordar estas debilidades, se sugiere incorporar fuentes de datos más diversas, utilizar modelos explicables de aprendizaje automático y desarrollar modelos adaptables a diferentes contextos educativos y poblaciones estudiantiles.  Al abordar estas áreas de mejora, los investigadores y las instituciones educativas podrán desarrollar modelos de predicción más precisos y útiles para prevenir y abordar la deserción estudiantil universitaria.
+
+% \begin{itemize}
+%     \item
+%         Los factores que mejor predicen la deserción estudiantil universitaria
+%         son muy variados, y van a depender de la manera en la que se recolecten
+%         los datos a analizar.
+%     \item
+%         Las precisiones alcanzadas en la literatura se encuentran alrededor del
+%         90\%.  Se remarca que es posible llegar a una precisión de más del 85\%
+%         tan pronto como finalizado el primer semestre del estudiante
+%         \autocite{Kemper2020}.
+%     \item
+%         Las metodologías más utilizadas son KDD y CRISP-DM.  Sin embargo, varios
+%         estudios describen la metodología que siguieron, pero no mencionan un
+%         nombre en específico de su metodología.
+%     \item
+%         Los algorítmos más utilizados y con mejores resultados son
+%         \textit{Random Forest}, \textit{C4.5}, y \textit{Multilayer perceptron}.
+%         Siendo los dos primeros técnicas de clasificación utilizando
+%         \textit{Decision Trees} y el tercero utilizando redes neuronales.
+%     \item
+%         Dentro de las falencias identificadas se recalca la importancia de la
+%         confiabilidad y objetividad de los datos a analizar, y el tamaño del
+%         \textit{dataset}.
+% \end{itemize}