diff options
Diffstat (limited to 'chapter/10-generalidades.tex')
| -rw-r--r-- | chapter/10-generalidades.tex | 691 |
1 files changed, 691 insertions, 0 deletions
diff --git a/chapter/10-generalidades.tex b/chapter/10-generalidades.tex new file mode 100644 index 0000000..cc84fc3 --- /dev/null +++ b/chapter/10-generalidades.tex @@ -0,0 +1,691 @@ +\chapter{Generalidades} + + +\section{Problemática} + +%[Texto introductorio acerca de esta sección correspondiente a la descripción del +%problema o problemática que aborda el trabajo.] + +En esta sección se describe la problemática utilizando como herramienta de +análisis el diagrama de árbol de problemas y posteriormente se describe a mayor +detalle el problema a abordar en el presente estudio. + +En el apartado \ref{problematica-arbol-problemas}, se presenta la problemática a +alto nivel. Luego, en el apartado \ref{problematica-descripcion}, se +desarrollan más el problema central, sus causas, efectos, y contexto. +Finalmente en el apartado \ref{problematica-problema-seleccionado} se sumarizan +las ideas trabajadas. + +\subsection{Árbol de problemas} \label{problematica-arbol-problemas} + +% Fuentes para la tecnica del arbol de problemas + +%[Texto que introduce la técnica del árbol de problemas. De acuerdo con el +%esquema del árbol de problemas de la Figura 1, se explican las causas y origen +%de los problemas, el problema central y los efectos y consecuencias del problema +%central. +% +%Los pasos para elaborar el árbol de problemas son: +% +%\begin{enumerate} +% \item Identificar el problema central (tronco del árbol). +% \item Identificar los efectos del problema central (la copa del árbol). +% \item Identificar las relaciones entre los efectos. +% \item Identificar las causas (la raíz del árbol). +% \item Identificar las relaciones entre las causas. +% \item Diagramar el árbol. +%\end{enumerate} +% +%Luego de diagramar el árbol con sus respectivos nodos, revise la validez e +%integridad del árbol dibujado, todas las veces que sea necesario. Esto es, +%asegurarse que las causas representen causas y los efectos representen efectos, +%que el problema central este correctamente definido y que las relaciones +%(causales) estén correctamente expresadas.] + +% En la \autoref{fig:arb.prob.} se presenta el diagrama del árbol de problemas, en +% el cual se sumarizan el problema principal, los efectos, y los problemas causa y +% las relaciónes entre ellos. + +% \begin{figure} [htbp] \centering +% \includegraphics[width=.9\columnwidth]{img/arbol_problemas_excel.png} +% \caption{Esquema del árbol de problemas.} +% \label{fig:arb.prob.} +% \end{figure} + +Para plantear la problemática, se hace uso del esquema del árbol de problemas +(Ver la Tabla \ref{tab:arbol-problemas}). Se compone de 3 partes: el problema +central, los problemas causas, y los problemas efectos. Cada problema causa +esta relacionado a uno o más problemas efecto. El problema central es el que +engloba y es producto de los problemas causa (análogo a las raíces del árbol), y +se manifiesta como los problemas efecto (análogo a las ramas de un árbol). + +\begin{table} [H] + \centering + \caption{Árbol de problemas} + \label{tab:arbol-problemas} + \begin{tabular} + {|p{0.09\linewidth}|p{0.26\linewidth}|p{0.26\linewidth}|p{0.26\linewidth}|} + \hline + & 1 & 2 & 3 \\ + \hline + + Problemas efectos & + Sigue incrementando la deserción estudiantil. Aún cuando se cuenta con + más datos y capacidad de computo o análisis. & + No se contemplan factores relevantes que van a influir en la deserción + universitaria. & + El alcance de los programas de prevención de la deserción de las + universidades es limitado. Se tiene escaza capacidad para tomar + decisiones sobre el estado de sus estudiantes. \\ + \hline + + Problema central & + \multicolumn{3}{p{0.78\linewidth}|}{ + La deserción estudiantil universitaria es detectada tardíamente, + desaprovechamiento de los datos disponibles de los + estudiantes para detectarla + } \\ + \hline + + Problemas causas & + Los programas de detección y ayuda para estudiantes propensos a desertar + tienen un enfoque más reactivo en lugar de proactivo. & + Existe diversidad de factores que podrían detectar la deserción + estudiantil universitaria de forma oportuna, y estos no son + aprovechados. & + Realizar el seguimiento a todos los estudiantes con peligro de deserción + es una tarea compleja, costosa y larga. \\ + \hline + \end{tabular} +\end{table} + +\subsection{Descripción} \label{problematica-descripcion} + +% Explicacion del arbol de problemas con fuentes. + +%[En esta sección se contextualiza claramente el problema, respaldando y +%justificando fuertemente la ejecución de su proyecto de tesis, el cual tiene +%como objetivo desarrollar una propuesta de solución a la problemática que ha +%sido identificada. Considere referencias actualizadas para contextualizar el +%problema. El problema a solucionar debe ser relevante y de la magnitud de un +%proyecto de fin de carrera. Describa la problemática apoyándose en el árbol de +%problemas, describa de manera detallada cada una de las causas del problema +%central, así como los efectos de la misma. +% +%De acuerdo con Pólya (1945), un problema es un conjunto (estado) de condiciones +%que afectan un escenario (hecho, situación, persona, empresa), las cuales se +%quieren transformar para pasar a otro escenario (supuestamente más beneficioso +%que el anterior). No se aprecia “algo malo” directamente, sino condiciones dadas +%que se quieren modificar por otras “mejores”. Sí puede darse el caso que las +%condiciones afecten negativamente al escenario y que deban ser cambiadas. Por +%otro lado, Silva y Menezes (2005) consideran que un problema es una cuestión que +%muestra una situación que requiere de una discusión, investigación, decisión o +%solución. El problema es la cuestión que la investigación intentará +%resolver. Todo el proceso de la investigación girará en torno a su solución. +% +%El planteamiento del problema dentro de una proyecto de fin de carrera debe de +%responder a la pregunta: ¿Qué se va a investigar?. En el que el proyecto busca +%pasar de un estado de desconocimiento sobre estas condiciones iniciales, a un +%estado en que los resultados que obtengamos nos permitan dar respuesta a las +%preguntas planteadas inicialmente (Castillo Sánchez, 2004). En la formulación +%del proyecto es necesario indicar claramente: +% +%\begin{itemize} +% \item Situación actual o estado actual de condiciones +% \item Situación deseada o estado ideal de condiciones +%\end{itemize} +% +%La descripción de la situación actual debe considerar las tres “C”: +%contextualización, caracterización, conceptualización y describir qué es lo que +%está ocurriendo en la actualidad. +% +%La descripción de la situación deseada debe buscar responder: ¿A dónde se quiere +%llegar? y ¿qué se pretende realizar en el proyecto para llegar a esta situación +%deseada? +% +%El planteamiento del problema puede hacerse a manera de preguntas: +% +%\begin{itemize} +% \item Deben formularse de manera precisa y concreta +% \item Es necesario que las preguntas estén contextualizadas, para ello, se +% debe describir primero la situación del contexto, luego se formulan +% las preguntas, y estas preguntas deberán estar de acorde con los +% objetivos.] +%\end{itemize} +% +%[Todos los párrafos deben estar con sus respectivas citas en formato APA +%(American Psychological Association, 2022) en su versión más actual. Toda fuente +%que se cita en el documento debe aparecer al final en la bibliografía o +%referencias. Las fuentes pueden ser tomadas de revistas académicas, artículos de +%eventos académicos, libros, anuarios, informes, tesis, páginas web, etc. Pueden +%ser citaciones textuales o parafraseadas, pero siempre dándole el crédito al +%autor. Todo lo que referencie a lo expresado por los autores debe estar en +%tiempo pasado. Por ejemplo: “Codd (1970) indicó” o “Codd (1970) dijo”. +% +%Todas sus afirmaciones deben sustentarse mediante las referencias para lo cual +%debe manejar un gestor de referencias como: Zotero, Mendeley, EndNote u otros. +% +%El uso de encabezamientos ayuda a darle estructura al documento. El estilo +%recomendado consiste de cinco (5) posibles niveles de encabezamientos: +% +% % Intro +% La deserción estudiantil universitaria es un fenómeno complejo que ha sido +% ampliamente estudiado para identificar sus causas debido a su impacto tanto en +% la vida del estudiante que deserta como de la institución educativa de la cual +% desertó (Fernández-Martín et al., 2019). Si bien los ratios de deserción han +% decrecido en los últimos 100 años (Doll et al., 2013), este sigue siendo un +% problema en la actualidad. En 2013, (Doll et al., 2013) calculó que en Estados +% Unidos, el ratio de deserción es de 40\% por año para estudiantes que persíguen +% un pregrado, de los cuales el 30\% deserta en el primer año de estudios. + +% % Estudios previos +% Diversos estudios obtienen estadísticas de desersión estudiantil analizando +% varios factores académicos (E.g., universidad del estudiante, historia de notas +% de la escuela del estudiante, notas a la fecha del estudiante universitario, +% orden de mérito, asistencia a clases), socio-económicos (grupo étnico del +% estudiante, género, nivel de educación de los padres, ingresos propios, ingresos +% familiares (REF). Otros estudios menos cuantitativos se enfócan en analizar la +% deserción por el aspecto personal y psicológico del estudiante, analizando +% aspectos como la motivación, disciplina, esfuerzo y auto-control de los +% estudiantes por medio de encuestas (Lee et al., 2013). + +% % Programas de prevesión de deserción estudiantil +% Por otro lado, existen diversos programas que intentan disminuir la deserción +% estudiantil. + +El primer problema causa se trata de la naturaleza reactiva de los programas de +detección y ayuda para estudiantes propensos a desertar en lugar de adoptar un +enfoque más proactivo \autocite{chitti_need_2020}. La deserción estudiantil +universitaria es un fenómeno complejo que afecta a muchos estudiantes en todo el +mundo, y puede tener consecuencias a largo plazo tanto para los individuos como +para la sociedad. Por lo tanto, es importante abordar este problema de manera +efectiva. La situación actual de los programas de prevención de deserción +reactivos es que identifican y brindan apoyo a los estudiantes en riesgo después +de que se han manifestado signos de lucha o desinterés en el ámbito académico. +Estos programas suelen involucrar procesos de detección, seguimiento y medidas +correctivas para ayudar a los estudiantes a superar los desafíos que enfrentan y +mantenerlos en la carrera \autocite{chitti_need_2020}. Los estudiantes en +riesgo suelen ser identificados después de que ya han experimentado varias +dificultades académicas \autocite{Segura2022, Latif20221051} La situación +deseada por otro lado sería adoptar un enfoque proactivo, que implicaría +identificar y abordar los factores de riesgo antes de que se conviertan en +problemas. La identificación temprana juega un papel crucial, los estudiantes +en riesgo se identifican antes de que enfrenten dificultades académicas o +problemas de comportamiento, permitiendo intervenciones más efectivas y +oportunas \autocite{Shilbayeh2021562, chitti_need_2020, Segura2022}. + +El segundo problema causa está relacionado a que existen diversas herramientas y +estrategias que podrían utilizarse para detectar la deserción estudiantil +universitaria de forma oportuna, pero estas no son aprovechadas por las +instituciones educativas. Por ejemplo, muchas universidades tienen acceso a +datos sobre el rendimiento académico de los estudiantes, el ratio de su +asistencia a clases, su participación en actividades extracurriculares, +situación socio-económica al momento de ingresar a la universidad, y otros +indicadores importantes que podrían señalar un posible riesgo de deserción +\autocite{Khan2021, Yağcı2022}. Sin embargo, en muchos casos, estas +herramientas no se utilizan de manera efectiva. Los datos pueden estar +disponibles pero no se analizan de manera regular o sistemática +\autocite{Khan2021}. Además, los docentes y administradores a menudo no tienen +la formación o el tiempo necesario para interpretar y utilizar adecuadamente los +datos que tienen a su disposición \autocite{chitti_need_2020}. Por lo tanto, el +segundo problema efecto es que se está desaprovechando recursos y datos que +podrían ayudar a la detección temprana de estudiantes con riesgo a desertar +\autocite{Khan2021, Shilbayeh2021562, chitti_need_2020}. + +% Otra posible razón relacionada, de porqué no se aprovechan las oportunidades +% para detectar la deserción estudiantil de forma oportuna es la falta de +% coordinación entre los diferentes departamentos de la universidad. Por +% ejemplo, el departamento de administración y finanzas puede tener información +% importante sobre los estudiantes que están teniendo dificultades financieras, +% pero es posible que esta información no se comparta con otros departamentos +% que podrían ofrecer apoyo académico o de salud mental. + +En tercer problema causa está relacionado con la tarea de realizar el +seguimiento a todos los estudiantes con peligro de deserción. Este proceso +puede ser complejo, costoso y largo \autocite{Latif20221051}. Los factores que +pueden indicar el riesgo de deserción pueden ser diversos, lo que dificulta la +tarea de identificar a los estudiantes que necesitan intervención. Además, +muchos estudiantes pueden no mostrar signos claros de problemas hasta que sea +demasiado tarde. \textit{Por lo que mantener actualizado el factor de riesgo de +cada estudiante a lo largo del tiempo puede demostrar ser dificultoso} +\autocite{Latif20221051, Balaji2021}. + +% Además, el alcance de los programas de prevención de la deserción de las +% universidades puede ser limitado. Las universidades pueden tener recursos +% limitados y, por lo tanto, no pueden implementar programas y estrategias de +% prevención de la deserción a gran escala. La falta de personal capacitado y la +% falta de tecnología pueden limitar la capacidad de la universidad para +% identificar y apoyar a los estudiantes en riesgo. Además, la falta de +% coordinación entre los diferentes departamentos de la universidad puede +% dificultar la capacidad de la universidad para tomar decisiones sobre el +% estado de sus estudiantes y ofrecer apoyo. + +% En resumen, el seguimiento de los estudiantes con peligro de deserción es una +% tarea compleja, costosa y larga, y los programas de prevención de la deserción +% pueden tener un alcance limitado. Es importante que las universidades trabajen +% para abordar estos desafíos y desarrollar estrategias efectivas para +% identificar y apoyar a los estudiantes en riesgo de abandonar sus estudios. +% Esto puede requerir la asignación de recursos adecuados, la implementación de +% tecnología y la promoción de una cultura de colaboración en todo el campus. + +\subsection{Problema seleccionado} \label{problematica-problema-seleccionado} + +El problema central es que la deserción estudiantil universitaria es detectada +tardíamente debido a la falta de un enfoque más proactivo en la detección, +desprovechando toda la data disponible en las instituciones educativas, la +escasez de capacidad para tomar decisiones oportunas y efectivas sobre el estado +de los estudiantes, y el seguimiento costoso y complejo de los estudiantes en +riesgo. Todo esto contribuye a que los estudiantes abandonen sus estudios antes +de que se puedan implementar medidas de apoyo eficaces. + +\section{Objetivos} + +En esta sección se define el objetivo general, para luego ser desglosado en +objetivos específicos. También se definen los resultados esperados asociados +a cada objetivo específico. + +\subsection{Objetivo general} + +Desarrollar un sistema, basado en técnicas de aprendizaje automático, que +permita predecir y prevenir la deserción estudiantil en el ámbito universitario, +mejorando así la retención de estudiantes y el rendimiento académico general. + +% Basados en tecnicas de aprendizaje automatico. + +\subsection{Objetivos específicos} + +\begin{itemize} + \item \textbf{O1} Identificar los factores que influyen en la deserción estudiantil + universitaria usando técnicas estadísticas + + \item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen + predicciones sobre la desercion estudiantil + + \item \textbf{O3} Implementar un sistema que permita a las universidades, realizar un + proceso de detección temprana de deserción estudiantil. Utilizando los + modelos de Aprendizaje Automático, mencionados anteriormente. +\end{itemize} + +\subsection{Resultados esperados} + +\begin{itemize} + \item \textbf{O1} Identificar los factores que influyen en la deserción + estudiantil universitaria usando técnicas estadísticas + + \begin{itemize} + \item \textbf{R1.1} Recolección de datos. Recoger y organizar datos + relevantes sobre el rendimiento académico de los estudiantes, su + participación en clases, asistencia, interacciones en línea, salud + mental, factores socioeconómicos, entre otros. + + \item \textbf{R1.2} Análisis descriptivo y limpieza de datos. + + \item \textbf{R1.3} Transformación de datos. Los datos recopilados se + transforman a un formato que puede ser fácilmente analizado y utilizado + en modelos estadísticos y de Aprendizaje Automático. + + \item \textbf{R1.4} Análisis de relación. Se examina la relación entre + cada variable y la variable objetivo (deserción estudiantil) para + identificar patrones y tendencias + + \item \textbf{R1.5} Análisis de correlación. Se realiza un análisis de + correlación para analizar la inter-dependencia entre las variables. + \end{itemize} + +\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen +predicciones sobre la desercion estudiantil + + \begin{itemize} + \item \textbf{R2.1} Identificación de los algoritmos aprendizaje + automático de predicción con ayuda de la literatura. + + \item \textbf{R2.2} Implementación de los algoritmos de ML seleccionados que + mejor se ajusten a la problemática. + + \item \textbf{R2.3} Comparación de los algoritmos de ML implementados y + selección del mejor modelo según su presición en la predicción. + \end{itemize} + +\item \textbf{O3} Implementar un sistema que permita a las universidades, +realizar un proceso de detección temprana de deserción estudiantil. Utilizando +los modelos de Aprendizaje Automático, mencionados anteriormente. + + \begin{itemize} + \item \textbf{R3.1} Catálogo de requisitos. Se definirán los requisitos + del sistema en una tabla, lo que permitirá una comprensión clara de las + funcionalidades esperadas del sistema. + + \item \textbf{R3.2} Prototipo del sistema. El cual es realizado en un + software de prototipado, como por ejemplo Figma. Ilustra los + principales flujos del sistema. + + \item \textbf{R3.3} Especificación de requisitos. Una descripción + detallada de los requisitos del sistema + + \item \textbf{R3.4} Modelo de base de datos. Diseño del modelo de + base de datos que respalde la solución, buscando la integridad y la + eficiencia en la gestión de los datos. + + \item \textbf{R3.5} Arquitectura de la solución. La arquitectura del + sistema define la estructura general, los componentes del sistema, y + cómo estos componentes interactúan entre sí. + + \item \textbf{R3.6} Implementación del sistema. Incluye la programación + del sistema siguiendo las especificaciones definidas anteriormente. + + \item \textbf{R3.7} Integración del sistema con los modelos de ML. + Integración de los modelos de aprendizaje automático desarrollados en el + Objetivo 2 con el sistema implementado. Permitiendo al sistema realizar + predicciones de deserción estudiantil basadas en los datos disponibles. + + \item \textbf{R3.8} Instalación y configuración del software. + Incluye el empaquetamiento del software y pruebas de instalación + en un entorno nuevo. + \end{itemize} +\end{itemize} + +% \begin{itemize} +% \item Recolección de Datos: + +% \item Preprocesamiento de Datos: Limpiar y preparar los datos para el +% análisis, lo que puede incluir la gestión de datos faltantes, la +% normalización de datos y la transformación de variables categóricas en +% numéricas. + +% \item Selección de Características (\textit{features}): Identificar y +% seleccionar las características más relevantes que puedan influir en la +% deserción estudiantil. + +% \item Desarrollo del Modelo de Aprendizaje Automático: Construir y entrenar +% un modelo de aprendizaje automático capaz de predecir la probabilidad de +% deserción de un estudiante basado en las características seleccionadas. + +% \item Validación del Modelo: Probar el modelo en un conjunto de datos de +% prueba independiente para validar su precisión y fiabilidad. + +% \item Implementación y Monitoreo: Implementar el modelo en el entorno +% universitario y establecer un sistema de monitoreo que permita ajustes y +% mejoras continuas. + +% \item Diseño de Intervenciones: Diseñar e implementar estrategias de +% intervención basadas en las predicciones del modelo para ayudar a los +% estudiantes en riesgo de deserción. +% \end{itemize} + +\subsection{Mapeo de objetivos, resultados, y verificación} + +En la \autoref{tab:obetivos-resultados-verificacion} se muestra en forma tabular +la relación entre los objetivos, sus resultados asociados, y medios de +verificación de cada resultado. + +\begin{table} [H] % htbp + \centering + \caption{Mapeo de objetivos, resultados, y verificación} + \label{tab:obetivos-resultados-verificacion} + \begin{tabular} {|p{0.30\linewidth}|p{0.30\linewidth}|p{0.30\linewidth}|} + \hline + + \multicolumn{3}{|p{0.90\linewidth}|}{ + \textbf{Objetivo 1 (O1):} Identificar los factores que influyen en + la deserción estudiantil universitaria usando técnicas estadísticas. + } \\ + \hline + + \textbf{Resultado} & + \textbf{Medio de verificación} & + \textbf{Indicador Objetivamente Verificable (IOV)} \\ + \hline + + \textbf{R1.1} Recolección de datos. & + - Obtención de un conjunto de datos proveniente de alguna universidad. & + - Aprobación del \textit{dataset} al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \textbf{R1.2} Análisis descriptivo y limpieza de datos. & + - Documento con el análisis exploratorio de los datos, utilizando técnicas de estadística descriptiva, incluyendo gráficos. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \textbf{R1.3} Transformación de datos. & + - Documento que muestre la transformación de los datos, a un formato adecuado para el posterior procesamiento. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \textbf{R1.4} Análisis de relación. & + - Documento con el análisis de relación entre las variables dependientes contra la variable independiente. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \textbf{R1.5} Análisis de correlación. & + - Documento con el análisis de correlación entre las todas las variables usando un mapa de calor representado de forma tabular. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \multicolumn{3}{|p{0.90\linewidth}|}{ + \textbf{Objetivo 2 (O2):} Implementar modelos de Aprendizaje Automático que + realizen predicciones sobre la desercion. + } \\ + \hline + + \textbf{Resultado} & + \textbf{Medio de verificación} & + \textbf{Indicador Objetivamente Verificable (IOV)} \\ + \hline + + \textbf{R2.1} Identificación de los algoritmos aprendizaje automático de predicción con ayuda de la literatura & + - Documento conteniendo un listado de los principales algoritmos de aprendizaje automático. Incluyendo las ventajas y desventajas de cada uno. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \textbf{R2.2} Implementación de los algoritmos de ML seleccionados que mejor se ajusten a la problemática. & + - Repositorio con el código fuente de la implementación de los modelos de ML. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \textbf{R2.3} Comparación de los algoritmos de ML implementados y selección del mejor modelo según su presición en la predicción & + - Documento con el análisis comparativo entre los modelos de ML, basado en su precisión. & + - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\ + \hline + + \multicolumn{3}{|p{0.90\linewidth}|}{ + \textbf{Objetivo 3 (O3):} Implementar un sistema que permita a las + universidades, realizar un proceso de detección temprana de + deserción estudiantil. Utilizando los modelos de Aprendizaje + Automático. + } \\ + \hline + + \textbf{Resultado} & + \textbf{Medio de verificación} & + \textbf{Indicador Objetivamente Verificable (IOV)} \\ + \hline + + \textbf{R3.1} Catálogo de requisitos. & + - Documento con el catálogo de requisitos clasificados según su prioridad. & + - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\ + \hline + + \textbf{R3.2} Prototipo del sistema. & + - Documento con el prototipo del sistema. Muestra las principales pantallas y flujos. & + - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\ + \hline + + \textbf{R3.3} Especificación de requisitos. & + - Documento con la especificación de requisitos, describiendo cada uno a detalle. & + - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\ + \hline + + \textbf{R3.4} Modelo de base de datos. & + - Documento con el diagrama entidad relación o el diseño de la base de datos. & + - Aprobación del documento al 100\% por un especialista en Arquitectura de Software. \\ + \hline + + \textbf{R3.5} Arquitectura de la solución. & + - Documento con el diagrama de componentes del sistema. & + - Aprobación del documento al 100\% por un especialista en Arquitectura de Software. \\ + \hline + + \textbf{R3.6} Implementación del sistema. & + - Repositorio con el código fuente de la implementación del sistema. & + - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\ + \hline + + \textbf{R3.7} Integración del sistema con los modelos de ML. & + - Repositorio con el código fuente de la implementación del sistema. & + - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\ + \hline + + \textbf{R3.8} Instalación y configuración del software. & + - Documento de instalación y configuración del software. & + - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\ + \hline + + + \end{tabular} +\end{table} + +\section{Métodos y Procedimientos} + +% [Son todas aquellas herramientas, metodologías, métodos o procedimientos que van +% a ser usados para construir, dentro de un proyecto (de tesis, de fin de +% carrera), cada uno de los resultados esperados. Se pueden aplicar / requerir +% varias herramientas para la realización de cada uno de los resultados. Se deben +% identificar claramente las herramientas, metodologías, métodos o procedimientos +% que se necesitan para cada resultado. + +% Para cada resultado debe existir al menos una herramienta o método para +% obtenerlo. Puede usar tablas para mostrar: resultado, herramienta o método y +% forma de validación. + +% Debe describir a modo resumido las herramientas o métodos y cómo los aplicará en +% su tesis, esta información debe venir acompañada de referencias donde se +% encuentran mayores detalles. + +% Las herramientas cubren las necesidades propias de cada uno de los productos +% entregables que materialicen los resultados y que evidencien a los objetivos +% específicos. + +% Dentro del contexto de un proyecto de fin de carrera se entiende como +% herramienta a cualquier soporte básico, técnico o de carácter operativo que se +% requiera para construir el resultado esperado. No debe listar las herramientas +% más simples. Algunos ejemplos son los lenguajes de programación, editores de +% código, compiladores e intérpretes, modeladores de base de datos, modeladores de +% procesos, generadores de datos aleatorios, modeladores de planos y piezas, +% etc. Se recomienda omitir las herramientas de ofimática. + +% En el caso de utilizar alguna metodología, ésta puede ser definida como un +% conjunto de métodos, procedimientos, reglas, postulados y prácticas empleados en +% una disciplina. Puede ser considerada un sistema de capas, en donde cada capa es +% vista como un bloque de construcción que soporta la capa que se encuentra +% encima. + +% En el caso de utilizar algún método, éste se define como un conjunto de +% procedimientos intelectuales y técnicos necesarios en la investigación +% científica. Como el conocimiento científico se fundamenta en la razón, precisa +% ser sistemático, de manera tal que puede ser comprobado por otros miembros de la +% comunidad científica. Dentro de los métodos consolidados en la investigación +% científica se encuentran el método deductivo y el método inductivo. + +% El método deductivo se caracteriza por llegar a una conclusión a partir de una +% situación general y genérica, es decir, se parte de una teoría que define las +% relaciones entre conceptos dentro de un conjunto de suposiciones y restricciones +% fijadas, para formular hipótesis con el objetivo de confirmar la teoría. Por +% otro lado, el método inductivo se caracteriza por el proceso por el cual el +% investigador, por medio de observaciones, llega a determinadas conclusiones +% generales, es decir, parte de lo específico para lo general. + +% En el caso de utilizar algún modelo, éste se define como una abstracción de la +% realidad que trata de describirla. Además, es la caracterización y +% especificación de un fenómeno o entidad observable, el cual es explicado por +% leyes y teorías de un cuerpo de conocimiento. Un modelo posee características +% contextuales, componentes, procedimientos, indicadores y métricas, así como +% guías de implementación, guías de medición y/o guías de implantación.] + + +En esta sección se listan las herramientas, métodos, y procedimientos relevantes +para cumplir los resultados esperados planteados en la sección anterior. +Algunas herramientas son específicas para ciertos resultados esperados, mientras +que otras son transversales a varios resultados esperados. Se busca +ser coherente en la selección de herramientas y métodos +utilizados para la problemática, en este caso la deserción estudiantil +universitaria detectada de forma tardía desaprovechando los datos disponibles +de los estudiantes. + +\subsection{Aprendizaje Automático} + +El Aprendizaje Automático o \textit{Machine Learning} (también conocido como +\enquote{aprendizaje de máquina}) se refiere al campo de estudio que analiza y +desarrolla métodos que \textit{aprenden}. Donde aprender se refiere a encontrar +patrones, tendencias, y entender \enquote{qué es lo que dice la data} +\autocite{hastie2009elements, mitchell1997machine}. + +En la actualiadad, se utilizan \textbf{técnicas de Aprendizaje Automático} en +aplicaciónes de diversas disciplinas, entre ellas se encuentran: la detección de +correo electrónico basura, el reconocimiento óptico de carácteres (OCR), visión +computacional, y bioinformática \autocite{hastie2009elements}. + +Los algoritmos de Aprendizaje Automático se pueden dividir en dos grandes +categorías, Aprendizaje Supervisado y Aprendizaje No Supervisado. En el +Aprendizaje Supervisado se cuenta con información previamente etiquetada, y el +objetivo es extraer patrónes entre la data y su etiqueta asociada +\autocite{hastie2009elements}. Por ejemplo, en el ámbito de la deserción +estudiantil, la etiqueta es si el alumno desertó o no, y en qué ciclo lo hizo; +mientras que la data son todas las demás variables, como el promedio de notas en +cada ciclo. Por otro lado, los algoritmos de Aprendizaje No Supervisado deben +trabajar con datos que no han sido previamente etiquetados. Es decir, no se le +proporciona instrucciones específicas para lo que debe encontrar en la data. +Algunas aplicaciones de Aprendizaje No Supervisado incluyen procesamiento de +lenguaje natural y análisis de audio e imágenes +\autocite{russell_artificial_2010}. + +Una de las técnicas más utilizadas son los algoritmos de clasificación, los +cuales buscan dividir a los individuos de una muestra en varias clases según el +valor de sus factores (\textit{features}). Por ejemplo, en la +\autoref{fig:classification-flowers} se puede ver el resultado de clasificar una +muestra de diversas flores, según el largo y ancho de sus pétalos, con el fin de +identificar si se trata de flores de la misma especie o no. + +\begin{figure}[htbp] + \centering + \includegraphics[width=.4\columnwidth]{img/classification-flowers.png} + \caption{Clasificación de flores \autocite{mitchell1997machine}} + \label{fig:classification-flowers} +\end{figure} + +\subsubsection{Ejemplos} + +% Los modelos predictivos de Aprendizaje Automático son utilizados en la actualidad para +% analizar data historica compleja, con muchas variables, y realizar predicciones de +% futuros eventos. En relación a la deserción estudiantil universitaria, las universidades +% cuentan con grandes cantidades de datos historica de los estudiantes, que incluyen muchas +% variables académicas, socio-económicas, y personales de cada estudiantes. Dado el +% objetivo de predecir la deserción estudiantil universitaria, las técnicas modernas +% de Aprendizaje Automático pueden + +En la actualidad, los modelos predictivos basados en Aprendizaje Automático (AA) +son ampliamente utilizados para analizar grandes conjuntos de datos históricos +complejos, caracterizados por un gran número de variables, con el fin de +predecir eventos futuros. En particular, en el ámbito universitario, las +instituciones cuentan con grandes cantidades de datos históricos de los +estudiantes, que incluyen diversas variables académicas, socioeconómicas y +personales \autocite{Balaji2021}. El objetivo de analizar estos datos es +predecir la deserción estudiantil universitaria, lo cual se ha convertido en una +preocupación creciente para las universidades en todo el mundo +\autocite{Shilbayeh2021562}. + +Para predecir la deserción estudiantil, se han utilizado diversas técnicas de +AA, tales como árboles de decisión, redes neuronales y modelos de regresión +\autocite{Balaji2021}. Estos modelos se entrenan utilizando datos históricos de +estudiantes que han abandonado sus estudios universitarios en el pasado, con el +fin de identificar patrones y relaciones entre las diversas variables que puedan +indicar una mayor probabilidad de deserción en el futuro. Una vez que se ha +entrenado el modelo, este puede ser utilizado para predecir la deserción +estudiantil de los estudiantes actuales en función de las variables relevantes +\autocite{Shilbayeh2021562}. + +Es importante destacar que, aunque los modelos predictivos de AA pueden ser +extremadamente precisos, no son infalibles y siempre existe un margen de error +\autocite{Latif20221051}. Por lo tanto, la interpretación cuidadosa de los +resultados del modelo es fundamental para tomar decisiones informadas y diseñar +estrategias efectivas para prevenir la deserción estudiantil +\autocite{Alwarthan2022107649, Latif20221051}.
\ No newline at end of file |