Fix big table. Spell check whole document.

Spellchecking done with Google Docs.  First upload the pdf to
Google Drive and then open it with Google Docs.

1 files changed, 81 insertions, 37 deletions

diff --git a/chapter/30-estado_del_arte.tex b/chapter/30-estado_del_arte.tex
index 28999bb..5007129 100644
--- a/chapter/30-estado_del_arte.tex
+++ b/chapter/30-estado_del_arte.tex
@@ -32,14 +32,26 @@
 % 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}.
+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 universidad 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 persiguen 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
+investigación, y subsecuentemente generar la cadena de búsqueda apropiada para
 los motores de búsqueda a utilizar.  Las siguientes secciones del capítulo
 documentan el proceso de revisión de literatura realizado.
 
@@ -70,7 +82,7 @@ los siguientes objetivos de revisión:
         y Aprendizaje Automático.
     \item 
         Conocer las metodologías algorítmicas basadas en
-        de Aprendizaje Automático (\textit{Machine Learning}) más usadas
+        Aprendizaje Automático (\textit{Machine Learning}) más usadas
         para predecir la deserción estudiantil universitaria.
     \item 
         Comparar las debilidades y oportunidades de mejora
@@ -146,7 +158,7 @@ A continuación, se listan las preguntas de revisión formuladas.
         universitaria?
     \item 
         P4. ¿Qué debilidades y oportunidades de mejora existen en las
-        metodologías y técnicas algorítimicas de análisis usadas actualmente
+        metodologías y técnicas algorítmicas de análisis usadas actualmente
         para predecir la deserción estudiantil universitaria?
 \end{itemize}
 
@@ -186,11 +198,10 @@ diccionario WordNet, el cual es distribuido pública y libremente por Princeton
     \label{tab:picoc-terms}
     \begin{tabular} {|p{0.19\linewidth}|p{0.79\linewidth}|}
 
-        \toprule
-        % \hline
+        \hline
         \textit{Criterio} & \emph{Términos de búsqueda} \\
-        \midrule
-        % \hline
+        \hline
+        \hline
         Población       & 
         system, tool, student dropout, student desertion, student attrition \\
         % undergraduate students, college students, higher education students \\ 
@@ -212,8 +223,8 @@ diccionario WordNet, el cual es distribuido pública y libremente por Princeton
     \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
+Se utiliza el operador booleano $OR$ para concatenar los términos de
+búsqueda pertenecientes al mismo criterio,  y luego se concatena 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
@@ -252,7 +263,7 @@ OR "socioeconomic status" )
 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
+se le ha incorporado un criterio de exclusión, limitando la antigüedad del
 artículo (la lista completa de estos criterios se encuentra 
 en la sección \ref{criterios-inclusion-exclusion}).
 
@@ -266,8 +277,8 @@ 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.
+Para IEEE Xplore, se utiliza la interfaz gráfica para limitar la antigüedad del artículo
+a los últimos 6 años.  La cadena no requiere modificaciones adicionales de sintaxis.
 
 
 \subsection{Documentos encontrados.}
@@ -303,7 +314,7 @@ Se cuentan con los siguientes criterios de inclusión:
         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
+        El artículo incluye soluciones algorítmicas de Machine Learning para el
         análisis de deserción estudiantil universitaria.
 \end{itemize}
 
@@ -312,9 +323,9 @@ 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.
+        se trata de una referencia de conceptos o teoría.
     \item 
-        El artículo no está relacionado al contexto de deserción estudiantil
+        El artículo no está relacionado con el contexto de deserción estudiantil
         universitaria.
     \item 
         Las técnicas para el análisis de factores que influyen en la deserción
@@ -322,7 +333,7 @@ Y los siguientes criterios de exclusión:
     \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
+        El artículo no se encuentra disponible para 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}
@@ -338,59 +349,68 @@ extracción de datos.  Ver \autoref{tab:formulario-extraccion}.
     \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}}
+    \begin{tabular} {|p{0.24\linewidth}|p{0.5\linewidth}|p{0.25\linewidth}|}
 
-        \toprule
+        \hline
         \emph{Ítem} &
         \emph{Descripción} &
         \emph{Pregunta} \\ 
-        \midrule
+        \hline
+        \hline
 
         Id &
         Identificador &
         Información General \\
+        \hline
 
         Título &
         Título del artículo &
         Información General \\
+        \hline
 
         Autores &
         Autores &
         Información General \\
+        \hline
 
         Año &
         Año de publicación &
         Información General \\
+        \hline
 
         Motor de búsqueda &
         Motor de búsqueda donde se encontró el artículo &
         Información General \\
+        \hline
 
         Tipo de Fuente &
         Medio en que se publicó el documento.  Puede ser artículo, revista, libro,
         congreso. &
         Información General \\
+        \hline
 
         Métricas &
         Métricas o factores que influyen en la deserción estudiantil universitaria &
         P1 \\
+        \hline
 
         Herramientas &
         Herramientas o metodologías empleadas para analizar la deserción estudiantil
         universitaria &
         P2 \\
+        \hline
 
         Algoritmos de ML &
         Algoritmos actuales de Machine Learninng utilizados para analizar la
         deserción estudiantil universitaria &
         P3 \\
+        \hline
 
         Carencias &
         Carencias, falencias, y posibles mejoras en las técnicas actuales de
         análisis de deserción estudiantil universitaria &
         P4 \\
-
-        \bottomrule
+        \hline
 
     \end{tabular}
 \end{table}
@@ -415,7 +435,7 @@ En la \autoref{tab:p1papers} se sumarizan los estudios primarios y las preguntas
     \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}|
+    \begin{tabular} {|p{0.22\linewidth}|p{0.50\linewidth}|
         *{4}{p{0.02\linewidth}|} }
 
         \hline
@@ -424,8 +444,9 @@ En la \autoref{tab:p1papers} se sumarizan los estudios primarios y las preguntas
         \textit{P1} &
         \textit{P2} &
         \textit{P3} &
-        \textit{P4}
-        \\ \hline
+        \textit{P4} \\ 
+        \hline
+        \hline
 
         \autocite{Shilbayeh2021562} &
         Predicting student enrolments and attrition patterns in higher educational institutions using machine learning &
@@ -568,12 +589,12 @@ lograron obtener un 95\% de precisión con data limitada hasta el tercer semestr
 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)
+En el estudio por \autocite{Perez202157} se menciona 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.  
+En \autocite{Alwarthan2022107649} se identifica que variables pre-admisión (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.
+a estudiantes prospectivos que tienen alto riesgo de desertar, identificándolos de forma temprana.
 
 
 % \begin{table} [htbp]\centering
@@ -693,7 +714,9 @@ artículo primario revisado.
         \textit{Algoritmo} &
         \textit{Precisión} &
         \textit{Cita}
-        \\ \hline
+        \\ 
+        \hline
+        \hline
 
         Red neuronal &
         Multilayer perceptron &
@@ -764,13 +787,13 @@ Debilidades:
         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
+        Calidad de la data y disponibilidad.  La precisión 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}
+        Aprendizaje Automático, como una ANN, puede ser difícil \autocite{Alwarthan2022107649}
 \end{itemize}
 
 Oportunidades de mejora:
@@ -783,7 +806,7 @@ Oportunidades de mejora:
         la interpretación y confianza de las predicciones
         \autocite{Kemper2020, Alwarthan2022107649, Perez202157}.
     \item
-        Desarrollar modelos que puedan ser adaptables a difrentes contextos educativos
+        Desarrollar modelos que puedan ser adaptables a diferentes contextos educativos
         y poblaciones estudiantiles \autocite{Alwarthan2022107649}.
 \end{itemize}
 
@@ -793,11 +816,32 @@ Oportunidades de mejora:
 
 % 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.
+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 mencionados 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