diff options
Diffstat (limited to 'chapter/10-generalidades.tex')
| -rw-r--r-- | chapter/10-generalidades.tex | 42 |
1 files changed, 22 insertions, 20 deletions
diff --git a/chapter/10-generalidades.tex b/chapter/10-generalidades.tex index cc84fc3..e592894 100644 --- a/chapter/10-generalidades.tex +++ b/chapter/10-generalidades.tex @@ -55,7 +55,7 @@ las ideas trabajadas. 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 +está 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). @@ -71,11 +71,11 @@ se manifiesta como los problemas efecto (análogo a las ramas de un árbol). Problemas efectos & Sigue incrementando la deserción estudiantil. Aún cuando se cuenta con - más datos y capacidad de computo o análisis. & + más datos y capacidad de cómputo 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 + universidades es limitado. Se tiene escasa capacidad para tomar decisiones sobre el estado de sus estudiantes. \\ \hline @@ -220,7 +220,7 @@ 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 +situación socioeconómica 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 @@ -240,14 +240,14 @@ podrían ayudar a la detección temprana de estudiantes con riesgo a desertar % 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 +El 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} +cada estudiante a lo largo del tiempo puede ser dificultoso} \autocite{Latif20221051, Balaji2021}. % Además, el alcance de los programas de prevención de la deserción de las @@ -272,7 +272,7 @@ cada estudiante a lo largo del tiempo puede demostrar ser dificultoso} 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 +desaprovechando 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 @@ -298,8 +298,8 @@ mejorando así la retención de estudiantes y el rendimiento académico general. \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{O2} Implementar modelos de Aprendizaje Automático que realicen + predicciones sobre la deserción estudiantil \item \textbf{O3} Implementar un sistema que permita a las universidades, realizar un proceso de detección temprana de deserción estudiantil. Utilizando los @@ -329,11 +329,11 @@ mejorando así la retención de estudiantes y el rendimiento académico general. 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. + correlación para analizar la interdependencia entre las variables. \end{itemize} -\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen -predicciones sobre la desercion estudiantil +\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realicen +predicciones sobre la deserción estudiantil \begin{itemize} \item \textbf{R2.1} Identificación de los algoritmos aprendizaje @@ -343,7 +343,7 @@ predicciones sobre la desercion estudiantil 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. + selección del mejor modelo según su precisión en la predicción. \end{itemize} \item \textbf{O3} Implementar un sistema que permita a las universidades, @@ -418,11 +418,13 @@ 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. +% TODO: Learn to use longtable \begin{table} [H] % htbp \centering + \small \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}|} + \begin{tabular} {|p{0.27\linewidth}|p{0.35\linewidth}|p{0.38\linewidth}|} \hline \multicolumn{3}{|p{0.90\linewidth}|}{ @@ -457,13 +459,13 @@ verificación de cada resultado. \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. & + - Documento con el análisis de correlación entre 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. + realicen predicciones sobre la deserción. } \\ \hline @@ -482,7 +484,7 @@ verificación de cada resultado. - 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 & + \textbf{R2.3} Comparación de los algoritmos de ML implementados y selección del mejor modelo según su precisión 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 @@ -619,15 +621,15 @@ desarrolla métodos que \textit{aprenden}. Donde aprender se refiere a encontra 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 +En la actualidad, se utilizan \textbf{técnicas de Aprendizaje Automático} en +aplicaciones 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 +objetivo es extraer patrones 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 |