Tesis

Modelo de buenas practicas para aplicar AR-Learning en el manejo de vistas principales del curso de dibujo de Ingeniería en la UNS - 2019

Tue, 06 Jan 2026 00:00:00 GMT

Modelo de buenas practicas para aplicar AR-Learning en el manejo de vistas principales del curso de dibujo de Ingeniería en la UNS - 2019 Mendoza Corpus, Carlos Alfredo La presente investigación desarrolla y valida un Modelo de Buenas Prácticas para aplicar AR-Learning orientado al manejo de vistas principales en el curso de Dibujo de Ingeniería de la Universidad Nacional del Santa. El estudio parte del diagnóstico institucional que identifica dificultades en la abstracción visual, el uso de técnicas tradicionales (como el cubo de cristal) y el tiempo prolongado requerido para obtener vistas principales a partir de un dibujo isométricos Con base en ello, se propone un modelo estructurado en fases (Planificar, Diseñar, Desarrollar, Probar y Desplegar), sustentado en lineamientos de buenas prácticas ampliamente reconocidos en educación y en el marco ITIL adaptado al contexto pedagógico La intervención implementa AR-Learning mediante un conjunto de recursos digitales, modelos tridimensionales optimizados, guías de interacción, rúbricas de evaluación y procedimientos estandarizados que garantizan accesibilidad, inclusión y coherencia pedagógica Para evaluar su eficacia se aplicó un diseño cuasi experimental con pre-test y pos-test, utilizando instrumentos validados por expertos (90% de aplicabilidad) y con altos niveles de confiabilidad (α = 0.855 y 0.891) La prueba de Kolmogorov-Smirnov confirmó la normalidad de los datos, permitiendo el uso de análisis paramétricos. Los resultados demuestran que el modelo de buenas prácticas aplicado al AR-Learning produce mejoras altamente significativas. La prueba T de Student evidencia diferencias sustanciales entre pre-test y pos-test (TC = 8.473 > T0.95;56 = 1.672; p < 0.05), confirmando un impacto directo en el desempeño estudiantil El tiempo para resolver vistas principales se redujo de 27 a 9 minutos, acompañado por una disminución de la variabilidad del desempeño (CV de 21.7% a 5.5%), lo cual refleja mayor eficiencia cognitiva y procedural. Asimismo, el nivel de logro se desplazó de predominancia en Inicio (32.1%) y Proceso (53.6%) hacia Logro (42.9%) y Logro destacado (57.1%) después de la intervención Los hallazgos corroboran estudios internacionales y locales sobre el impacto de la realidad aumentada en la visualización técnica, las habilidades espaciales y la comprensión de conceptos tridimensionales . Se concluye que la integración de un modelo sistemático de buenas prácticas para implementar AR-Learning constituye una estrategia pedagógica robusta, escalable y altamente efectiva para transformar la enseñanza del dibujo en ingeniería y optimizar procesos de aprendizaje vinculados a la representación gráfica.

Modelo para la predicción del éxito profesional en egresados de la UNS mediante aprendizaje automático basado en datos académicos y socioeconómicos

Tue, 10 Mar 2026 00:00:00 GMT

Modelo para la predicción del éxito profesional en egresados de la UNS mediante aprendizaje automático basado en datos académicos y socioeconómicos López Heredia, Johan Max Alexander Esta investigación presenta el desarrollo de un modelo predictivo para estimar el éxito profesional de egresados de Ingeniería de Sistemas e Informática de la Universidad Nacional del Santa (UNS). Se recopilaron datos académicos (promedio de notas, ciclos cursados), socioeconómicos (dependencia económica, convivencia familiar) y laborales (tipo de contrato, certificaciones, relación con la carrera). Tras la limpieza y codificación de variables, se aplicaron técnicas de oversampling para balancear clases minoritarias y se entrenaron algoritmos de aprendizaje automático (Random Forest, XGBoost y MLPClassifier). Los resultados evidenciaron que Random Forest y XGBoost alcanzaron precisión y macro F1-score del 100% en los conjuntos de validación y prueba, resultado que, si bien podría reflejar sobreajuste dada la muestra reducida (n=96), superó ampliamente el umbral del 80% inicialmente propuesto. Además, la importancia de variables subraya que factores como los estudios de posgrado y las certificaciones pesan más que la nota promedio en la predicción del éxito. Estos hallazgos confirman la hipótesis de que la conjunción de datos académicos y socioeconómicos permite anticipar el nivel de éxito, ofreciendo a la UNS una herramienta de diagnóstico y acción para fortalecer la inserción laboral y la formación continua de sus estudiantes.

Marco de trabajo para analítica de redes sociales basada en sistemas inteligentes aplicado al Centro de Cómputo de la Universidad Nacional del Santa

Sat, 01 Feb 2025 00:00:00 GMT

Marco de trabajo para analítica de redes sociales basada en sistemas inteligentes aplicado al Centro de Cómputo de la Universidad Nacional del Santa Manrique Ronceros, Mirko Martin El crecimiento del uso de redes sociales ha generado una gran cantidad de datos no estructurados que requieren técnicas avanzadas para su análisis. En el contexto de la Universidad Nacional del Santa (UNS), el Centro de Cómputo enfrenta dificultades en la interpretación de datos de redes sociales, lo que impacta la gestión y la toma de decisiones estratégicas. Actualmente, no existe un marco de trabajo estructurado que integre sistemas inteligentes para optimizar el análisis de estas plataformas digitales. El objetivo de esta investigación fue diseñar e implementar un marco de trabajo para la analítica de redes sociales basado en sistemas inteligentes, con el propósito de mejorar la gestión y la toma de decisiones en el Centro de Cómputo de la UNS. Para ello, se aplicó la metodología CRISP-SNA, una adaptación del modelo CRISP-DM, combinando técnicas de minería de datos, procesamiento del lenguaje natural (PLN) y aprendizaje automático. Se recolectaron y analizaron datos de interacciones en redes sociales mediante modelos avanzados de inteligencia artificial, tales como BERT + LSTM, para la clasificación de sentimientos y detección de patrones de comportamiento. Los resultados evidenciaron mejoras significativas en la eficiencia del análisis de datos. Se logró una reducción del tiempo promedio de procesamiento en un 87.51% en Facebook y un 86.41% en Instagram. Asimismo, la precisión en el análisis de sentimientos alcanzó un 95.65%, superando en un 15% a los modelos tradicionales como Naïve Bayes y SVM. Además, se observó un incremento del 59.23% en Facebook y del 62.38% en Instagram en la cantidad de insights detectados, lo que confirmó la capacidad del sistema para identificar patrones y tendencias con mayor precisión. En conclusión, la implementación del marco de trabajo propuesto ha demostrado ser una herramienta efectiva para la analítica de redes sociales en la gestión institucional. La integración de sistemas inteligentes no solo ha optimizado la capacidad de análisis del Centro de Cómputo, sino que también ha facilitado la toma de decisiones basadas en datos, mejorando la comunicación y el impacto estratégico de la universidad en su comunidad digital. Se recomienda la expansión del uso del marco a otras áreas académicas y la actualización constante del modelo para adaptarse a nuevas tendencias tecnológicas en la analítica de redes sociales.

Un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales

Tue, 25 Mar 2025 00:00:00 GMT

Un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales Ramirez Milla, Luis Enrique Esta investigación tuvo como objetivo desarrollar un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales, siendo de tipo aplicada, pre-experimental y de diseño experimental; cuya población estuvo compuesta por 768 edificios residenciales. Para la recopilación de los datos, se empleó el análisis documental. Dentro de los resultados obtenidos, referente a la “Carga de calefacción”, el “Modelo multiclasificador 1” logró los valores más óptimos de R2 Score de 99.75%, Mean absolute error de 0.34, Mean squared error de 0.28, Root mean squared error de 0.53, Mean absolute percentage error de 0.02, Mean squared log error de 0.001, Root mean squared log error de 0.03. Por otra parte, en la “Carga de enfriamiento”, XGBoost mostró los valores más altos de R2 Score de 99.05%, Mean absolute error de 0.62, Mean squared error de 0.89, Root mean squared error de 0.93, Mean absolute percentage error de 0.02, Mean squared log error de 0.001 y Root mean squared log error de 0.03. En conclusión, el Modelo multiclasificador 1 y XGBoost fueron los algoritmos más eficaces para la predicción de la carga de calor y enfriamiento en edificios residenciales respectivamente.