Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 205
MODELO DE GESTIÓN DEL CONOCIMIENTO EN LA EDUCACIÓN SUPERIOR
TÉCNICA: ESTUDIO DE CASO EN LA CARRERA DE ELECTROMECÁNICA DE UN
INSTITUTO DE EDUCACIÓN SUPERIOR DE RIOBAMBA
KNOWLEDGE MANAGEMENT MODEL IN TECHNICAL HIGHER EDUCATION: CASE
STUDY IN THE ELECTROMECHANICAL ENGINEERING PROGRAM AT A HIGHER
EDUCATION INSTITUTE IN RIOBAMBA
Autores: ¹Kelvin Howard Pizarro Romero y ²Michael Andrés Zamora Campoverde.
¹ORCID ID: https://orcid.org/0000-0002-3650-5372
²ORCID ID: https://orcid.org/0000-0002-1145-4476
¹E-mail de contacto: kelvin.pizarro@unach.edu.ec
²E-mail de contacto: mazamora@utmachala.edu.ec
Afiliación: ¹*Universidad Nacional del Chimborazo, (Ecuador). ²*Universidad Técnica de Machala, (Ecuador).
Articulo recibido: 30 de noviembre del 2024
Articulo revisado: 15 de diciembre del 2024
Articulo aprobado: 31 de enero del 2025
¹Ingeniería en Finanzas, graduado en la Universidad Técnica de Machala, (Ecuador) con 15 años de experiencia laboral. Magíster en
Administración de Empresas con mención en Negocios Internacionales, graduado en la Universidad de Guayaquil, (Ecuador). Doctor en
Estadística Matemática Aplicada, graduado en la Universidad Nacional de Tumbes, (Perú) Candidato a Magister en Matemática Aplicada
con mención en Matemática Computacional, Universidad Nacional del Chimborazo, (Ecuador).
²Ingeniero en Comercio Internacional, graduado en la Universidad Técnica de Machala (Ecuador) con 20 años de experiencia laboral.
Magíster en Negocios Internacionales y Gestión de Comercio Exterior, graduado en la Universidad de Guayaquil, (Ecuador). Diploma
Superior en Comercio Exterior, graduado en la Universidad de Guayaquil, (Ecuador). Candidato a Doctor dentro del Programa en
Administración de Empresas en la Universidad de Investigación e Innovación de México, (México).
Resumen
El presente estudio abordó la necesidad de
comprender los factores que influyen en el
rendimiento académico de estudiantes de la
carrera de Electromecánica en un instituto de
educación superior técnico en Riobamba. Se
planteó como objetivo construir un modelo
matemático basado en regresión logística
binaria para identificar patrones predictivos
asociados a la probabilidad de aprobación
estudiantil. La metodología fue cuantitativa, de
alcance explicativo y enfoque correlacional,
aplicada sobre una muestra intencionada. El
modelo de gestión del conocimiento
desarrollado mostró un buen ajuste general,
evidenciado por un AIC favorable y un área
bajo la curva ROC (AUC) de 0.8232. Se
identificó que la variable “ha repetido al menos
una materia” tuvo un efecto negativo
significativo sobre la probabilidad de aprobar.
Estos hallazgos subrayan la importancia de la
trayectoria académica como factor
determinante del desempeño estudiantil. Se
concluye que el modelo es una herramienta
predictiva válida y útil para apoyar la toma de
decisiones institucionales orientadas a mejorar
el acompañamiento académico y reducir la
deserción.
Palabras clave: Rendimiento académico,
Regresión logística, Modelos estadísticos.
Abstract
This study addressed the need to understand the
factors influencing the academic performance
of students in the Electromechanical
Engineering program at a technical higher
education institute in Riobamba. The main
objective was to build a mathematical model
based on binary logistic regression to identify
predictive patterns associated with students’
probability of passing. A quantitative
methodology with an explanatory scope and
correlational approach was applied to a
purposive sample. The developed knowledge
management model showed a good overall fit,
evidenced by a favorable AIC and an area under
the ROC curve (AUC) of 0.8232. It was found
that the variable "has repeated at least one
subject" had a significant negative effect on the
probability of passing. These findings highlight
the importance of academic trajectory as a key
determinant of student performance. It is
concluded that the model is a valid and useful
predictive tool to support institutional decision-
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 206
making aimed at improving academic support
and reducing dropout rates.
Keywords: Academic performance, Logistic
regression, Statistical models.
Sumário
Este estudo abordou a necessidade de
compreender os fatores que influenciam o
desempenho acadêmico dos estudantes do curso
de eletromecânica em um instituto de ensino
técnico superior em Riobamba. O objetivo
principal foi construir um modelo matemático
baseado em regressão logística binária para
identificar padrões preditivos associados à
probabilidade de aprovação dos estudantes. Foi
aplicada uma metodologia quantitativa, com
escopo explicativo e abordagem correlacional,
sobre uma amostra intencional. O modelo de
gestão do conhecimento desenvolvido
apresentou um bom ajuste geral, evidenciado
por um AIC favorável e uma área sob a curva
ROC (AUC) de 0,8232. Identificou-se que a
variável “ter repetido pelo menos uma
disciplina” teve um efeito negativo significativo
na probabilidade de aprovação. Esses achados
ressaltam a importância da trajetória acadêmica
como um fator determinante do desempenho
estudantil. Conclui-se que o modelo é uma
ferramenta preditiva válida e útil para apoiar a
tomada de decisões institucionais voltadas para
a melhoria do acompanhamento acadêmico e a
redução da evasão escolar.
Palavras-chave: Desempenho acadêmico,
Regressão logística, Modelos estatísticos.
Introducción
Bautista et al. (2024) sostienen que, en la
actualidad, las instituciones de educación
superior se enfrentan al reto ineludible de
optimizar sus procesos de enseñanza-
aprendizaje mediante el aprovechamiento
estratégico de los datos académicos que generan
de manera continua. Esta exigencia impulsa el
diseño, desarrollo e implementación de
herramientas matemáticas y analíticas que
permitan comprender con mayor precisión el
comportamiento estudiantil, respaldar la toma
de decisiones pedagógicas con evidencia y
consolidar una gestión del conocimiento más
efectiva y sostenible. Para que ese caudal de
información cumpla realmente su propósito, no
basta con recolectarlo: resulta imprescindible
que sea comprendido, interpretado y aplicado
adecuadamente dentro de un sistema educativo
comprometido con la mejora continua. En tal
sentido, la incorporación de modelos
matemáticos orientados al análisis del
aprendizaje y a la evaluación del entorno
académico adquiere un papel central, por cuanto
ofrece bases sólidas para rediseñar estrategias
de enseñanza, personalizar la atención al
estudiantado y fortalecer la gestión del
conocimiento a partir de indicadores
verificables y trazables.
En consonancia con lo anterior, Domínguez et
al. (2020) destacan que la analítica del
aprendizaje emerge como un campo en franca
consolidación, capaz de recolectar, procesar e
interpretar grandes volúmenes de información
educativa con fines de mejora institucional. Este
enfoque parte de la premisa de que cada
interacción del estudiante—especialmente en
entornos digitales—deja una huella que,
adecuadamente tratada, puede transformarse en
conocimiento útil para reconfigurar prácticas
pedagógicas y optimizar procesos de
enseñanza. No obstante, los autores subrayan la
necesidad de incorporar dimensiones éticas,
pedagógicas y culturales al análisis de datos,
pues el uso intensivo de algoritmos y
macrodatos en educación implica riesgos
asociados al sesgo, la privacidad y la equidad.
Por ello, recomiendan que las instituciones de
educación superior adopten una perspectiva
crítica y multidisciplinaria, orientando la
gestión de la información no solo a la eficiencia
operativa, sino también al bienestar del
estudiantado, a la transparencia de los procesos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 207
y a la mejora estructural del sistema educativo
en su conjunto.
En esa misma dirección, Suazo (2023) y
Aymerich y Albarracín (2022) señalan que los
modelos matemáticos aplicados a los análisis
estadísticos en educación superior permiten
identificar patrones de comportamiento,
predecir resultados académicos y clasificar
perfiles estudiantiles cuando existe una gestión
del conocimiento institucional sólida y bien
articulada. Esta aproximación es
particularmente pertinente en contextos donde
convergen modalidades de estudio diversas y
demandas de información oportunas, como
sucede en el Instituto Superior Universitario
Carlos Cisneros, que requiere una
sistematización eficaz de sus repositorios
académicos para sustentar decisiones
pedagógicas basadas en evidencia. Además, la
modelización matemática facilita establecer
vínculos claros entre las estrategias docentes
implementadas y los resultados efectivamente
alcanzados, habilitando ajustes curriculares
oportunos, mejoras en los recursos didácticos y
un seguimiento más fino del desempeño
estudiantil a lo largo de su trayectoria
formativa.
Desde un enfoque científico y educativo,
Legusov et al. (2022), Tavares (2021) y Van der
Velden et al. (2023) enfatizan la importancia de
comprender cómo los estudiantes perciben las
políticas institucionales relacionadas con su
trayectoria académica y el acompañamiento que
reciben en cada etapa. Tales percepciones
inciden directamente en la equidad del
aprendizaje, en la retención estudiantil y en el
bienestar dentro del entorno educativo.
Diversas investigaciones han mostrado que
considerar las particularidades del recorrido de
cada estudiante, reconociendo fortalezas,
necesidades y ritmos, no solo favorece entornos
más inclusivos y humanos, sino que también
ayuda a cerrar brechas de rendimiento y a
fortalecer los procesos de gestión del
conocimiento. Sin embargo, como advierte.
Devine (2022) aunque muchas instituciones
cuentan con normativas orientadas a fortalecer
el aprendizaje y la permanencia, su
implementación suele verse limitada por la falta
de recursos o por la insuficiente capacitación
del personal. Esta situación debilita los
mecanismos de seguimiento académico y de
apoyo temprano a estudiantes en riesgo. En ese
contexto, el modelo predictivo propuesto en
esta investigación se plantea como una
alternativa técnica de alto valor, capaz de
compensar parcialmente dichas restricciones y
de facilitar decisiones académicas más
oportunas, objetivas y personalizadas.
Bajo una visión humanista y transdisciplinaria,
Díaz (2024) y Mendoza y Bullón (2022)
recuerdan que la gestión del conocimiento
universitario no se reduce a procedimientos
técnicos o a flujos documentales
estandarizados: entraña una dimensión
profundamente vinculada con el talento
humano, la cultura organizacional y la
transformación social. El conocimiento, en esta
perspectiva, no se recibe pasivamente; es una
construcción activa, situada y contextual, en la
que la mediación docente y las condiciones del
entorno institucional resultan determinantes
para su circulación y apropiación. Esta
concepción se alinea con los hallazgos del
presente estudio, que ponen de manifiesto la
necesidad de diseñar e implementar modelos
predictivos que reconozcan, junto a los
indicadores académicos tradicionales, las
realidades humanas y organizativas que
condicionan el aprendizaje. De forma
complementaria, Cuadrado (2020) y Ocaña et
al. (2023) sostienen que la evaluación de la
gestión del conocimiento en las universidades
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 208
permite valorar de manera integral el
desempeño organizacional mediante
instrumentos que articulan procesos internos y
resultados tangibles, proporcionando insumos
clave para la toma de decisiones informada.
En el plano metodológico, Ruipérez (2020) y
Devia (2021) argumentan a favor de la
relevancia de los modelos matemáticos
predictivos como parte del abanico de
estrategias de analítica del aprendizaje
orientadas a la evaluación educativa. En la
misma línea, Campos et al. (2022) enfatizan que
los enfoques analíticos, cuando se implementan
con criterios de calidad, permiten no solo
recolectar e interpretar datos de forma
sistemática, sino también orientar
intervenciones pedagógicas más eficaces,
pertinentes y contextualizadas. Por su parte,
Mora (2015) advierte que el rendimiento
académico es el resultado de una combinación
compleja de factores personales, pedagógicos e
institucionales que exceden el ámbito de las
calificaciones; por ello, su interpretación
requiere marcos analíticos integrales.
Coherentemente, Mora et al. (2020) y Andrade
et al. (2022) sostienen que los estudiantes que
desarrollan habilidades de autorregulación y
reciben un apoyo institucional oportuno tienden
a lograr aprendizajes más profundos y
sostenibles, especialmente en entornos de
educación virtual, en los que la calidad del
acompañamiento puede marcar diferencias
decisivas.
De igual modo, Acuña et al. (2021), Escorcia y
Guzmán (2020) y Huaringa y Méndez (2022)
subrayan que la gestión del conocimiento se
convierte en un componente estratégico cuando
las instituciones integran sus datos académicos
en procesos de mejora pedagógica y de toma de
decisiones, fortaleciendo la colaboración
docente y optimizando la producción científica.
En sintonía, Sánchez y Martínez (2020) y
Martínez (2021) proponen ampliar los
instrumentos de evaluación para que no se
limiten a medir el rendimiento, sino que
también valoren la retroalimentación, la
motivación y la participación activa del
estudiantado, con miras a un entendimiento más
completo de las condiciones reales de
aprendizaje.
En este contexto, la presente investigación
propone la aplicación de un modelo matemático
que, además de recolectar y transformar datos,
los analice rigurosamente con el fin de evaluar
cómo variables del entorno educativo como la
aprobación, ciertos factores sociales y el tiempo
de estudio inciden en el rendimiento del
estudiantado. A la par, se busca determinar de
qué manera la institución puede utilizar esta
evidencia para retroalimentar sus procesos de
enseñanza-aprendizaje y robustecer una gestión
del conocimiento ética, precisa y sostenida en el
Instituto Superior Universitario Carlos
Cisneros, situado en la ciudad de Riobamba,
Ecuador. El propósito es ofrecer información
accionable que oriente prácticas docentes,
decisiones curriculares y estrategias de
acompañamiento, favoreciendo así una cultura
institucional basada en datos y centrada en el
estudiante.
Materiales y Métodos
Basándose en Hernández et al. (2014) la
investigación se enmarca en un enfoque
aplicado, con un nivel de profundidad
descriptivo y explicativo respecto al objeto de
estudio, de carácter cuantitativo, apoyado en el
análisis de datos académicos registrados de
manera oficial en el Instituto Superior
Universitario Carlos Cisneros. La población de
referencia estuvo conformada por 255
estudiantes de todos los niveles y secciones de
la carrera de Electromecánica, quienes cursan
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 209
sus estudios bajo la modalidad presencial. Dado
que se contó con registros académicos
completos, organizados y verificados por la
unidad académica correspondiente, se optó por
un muestreo no probabilístico por conveniencia
que, en la práctica, coincidió con la totalidad de
la población disponible. Esta decisión
metodológica se sustenta en lo señalado por
Hernández y Mendoza (2018), para quienes este
tipo de muestreo selecciona casos en función de
la accesibilidad a los datos, la pertinencia para
los objetivos del estudio y las particularidades
del contexto institucional, resultando apropiado
en etapas iniciales de investigación aplicada. El
estudio se centra en tres variables académica y
cuatro socioeducativas registradas
institucionalmente, entre ellas: estado
(aprobado o reprobado), genero, edad, estado
civil, haber perdido la gratuidad, historial de
haber repetido al menos una materia, ocupación
del estudiante. La recolección de la información
se realizó a partir de las bases documentales
internas del sistema académico, garantizando su
calidad mediante procedimientos de
depuración, consistencia y verificación
estructural. Estos controles previos resultan
esenciales para asegurar la validez de los
análisis y reducir el impacto de posibles errores
de captura, omisiones o valores atípicos
derivados de procesos administrativos.
Conforme a la tipología propuesta por Bastidas
(2009), el diseño de investigación adoptado es
transversal, dado que examina la información
en un corte temporal específico, sin manipular
variables ni intervenir en los procesos
formativos.
Asimismo, Arias (2021) señala que la
investigación utiliza un método deductivo,
permitiendo derivar conclusiones
fundamentadas en el marco teórico y normativo
vigente. Finalmente, el estudio se desarrolla
bajo un diseño transversal, dado que analiza
casos y sentencias correspondientes a un
período determinado, en este caso 2024, sin
seguimiento longitudinal. En cuanto al
tratamiento estadístico, no fue necesario aplicar
técnicas orientadas a la normalización en la
variable edad. Posteriormente, se empleó la
regresión lineal múltiple como técnica
principal, con la finalidad de identificar
patrones asociados a la evaluación del
aprendizaje y explorar relaciones significativas
entre los indicadores académicos y los factores
sociales y contextuales incluidos en el estudio.
Desde la perspectiva del análisis multivariante
entendido como “la parte de la estadística y del
análisis de datos que estudia, analiza, representa
e interpreta los datos que resultan de observar
más de una variable estadística sobre una
muestra de individuos” (Cuadras, 2019, p. 31),
el uso de la regresión lineal múltiple permite
estimar la contribución relativa de cada
predictor bajo supuestos formales conocidos,
facilitando la interpretación sustantiva de los
coeficientes y el contraste de hipótesis. En este
trabajo, las variables consideradas edad, género,
estado civil, haber repetido al menos una
materia, haber perdido la gratuidad y ocupación
del estudiante fueron medidas de forma directa
y codificadas según su naturaleza,
principalmente como variables categóricas
binarias (Sí = 1, No = 2), lo que facilitó su
incorporación y análisis en el modelo
estadístico utilizado. La validación del modelo
incluyó pruebas de significancia para los
parámetros estimados, evaluación del
coeficiente de determinación (R²) como
indicador de ajuste global, análisis de residuos
para verificar supuestos y detectar posibles
problemas de especificación, así como la
consideración de p-valores para el contraste
individual de efectos. Además, se empleó una
matriz de confusión con fines complementarios
de evaluación siguiendo criterios internos de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 210
control para valorar el grado de acierto en tareas
de clasificación derivadas, cuando
correspondía.
En su conjunto, el modelo matemático
desarrollado buscó establecer relaciones
empíricamente fundadas entre variables que
inciden en el rendimiento académico,
generando evidencia útil para retroalimentar la
práctica docente, optimizar la planificación
educativa y fortalecer la gestión del
conocimiento institucional en el Instituto
Superior Universitario Carlos Cisneros. Este
enfoque no solo aporta una radiografía
descriptiva del desempeño estudiantil en el
periodo de análisis, sino que también habilita la
formulación de estrategias de intervención
pedagógica focalizadas, alineadas con
necesidades detectadas y sostenidas en
información verificable. El propósito último es
contribuir a la toma de decisiones informadas, a
la mejora continua de los procesos de
enseñanza-aprendizaje y a la consolidación de
una cultura de evaluación centrada en el
estudiantado. La evaluación del aprendizaje se
abordó a partir de un conjunto de variables que
permitieron analizar el rendimiento académico,
las cuales se clasifican en cuatro categorías
según su naturaleza estadística. Esta
organización facilita interpretar de manera
ordenada los indicadores disponibles, distinguir
sus funciones analíticas y articular, con mayor
claridad, los insumos que alimentan el proceso
de modelización y las decisiones pedagógicas
derivadas. La evaluación del aprendizaje, se
trabajó a través de un conjunto de variables que
permitieron analizar el rendimiento académico,
las mismas se clasifica en categorías según su
naturaleza estadística:
En el estudio se incluyó una variable
cuantitativa discreta correspondiente a la edad,
medida en número entero de años, así como
variables categóricas dicotómicas que
comprenden: la repetición de al menos una
materia (1 = sí ha repetido, 0 = no ha repetido),
la pérdida de la gratuidad (1 = sí ha perdido, 0
= no ha perdido), el género (1 = hombre, 2 =
mujer), el estado civil (1 = soltero, 2 = casado)
y la ocupación del estudiante (1 = solo estudia,
2 = trabaja y estudia); estas variables fueron
seleccionadas por su relevancia en la
caracterización sociodemográfica y académica
de la población analizada. Las categóricas como
“ha repetido al menos una materia”, ya
codificadas como binarias (0 y 1), no fueron
sometidas a transformación, pues la
normalización en este caso distorsionaría su
significado lógico. La variable categórica
dicotómica (ha repetido al menos una materia)
fue codificada como binaria (0 = No ha
repetido, 1 = Ha repetido), manteniéndose en su
escala natural sin ser normalizadas para no
perder su significado interpretativo.
Según Rencher y Christensen (2002), la
estandarización de variables cuantitativas es
una etapa clave en análisis multivariado,
especialmente cuando se pretende aplicar
técnicas como regresión múltiple, donde se
requiere homogeneidad en la escala de
medición. Para analizar los factores que inciden
en la gestión del conocimiento del aprendizaje
de los estudiantes, se estimó un modelo de
regresión lineal múltiple en el que la variable
dependiente fue ESTADO, calculado a partir
(aprobado o reprobado) por cada estudiante. Las
variables independientes incluidas en el modelo
fueron: la variable dicotómica denominada “ha
repetido al menos una materia”, que indica si el
estudiante ha repetido alguna asignatura (1 = sí,
0 = no); género (1 = hombre, 2 = mujer); estado
civil (1 = soltero, 2 = casado); ocupación del
estudiante (1 = solo estudia, 2 = trabaja y
estudia); y la variable cuantitativa edad.Estas
variables fueron seleccionadas por su respaldo
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 211
teórico en investigaciones similares y por la
disponibilidad de información confiable en la
base de datos utilizada.
Resultados y Discusión
En base a lo anteriormente mencionado, la
estructura del modelo quedó representada de la
siguiente forma: Estado ~ Edad + genero +
estado civil + ha Repetido al menos una materia
+ ha perdido la gratuidad + estudiante
ocupación.
Modelo para gestión del conocimiento
El modelo propuesto incorpora diversas
tipologías de variables, clasificadas según su
naturaleza estadística, siguiendo los
lineamientos metodológicos aceptados en el
análisis de regresiones logísticas. En primer
lugar, se incluyó una variable cuantitativa
continua: edad, expresada en años completos al
momento de la recolección de datos. Esta
variable, de carácter numérico, puede asumir
cualquier valor dentro del rango observado y
permite el uso de operaciones aritméticas,
facilitando su inclusión directa en el modelo de
regresión. En segundo lugar, se incorporaron
variables categóricas dicotómicas, codificadas
de forma binaria para su análisis. Entre ellas, se
encuentran:
➢ Ha repetido al menos una materia (1 = ha
repetido, 2 = no ha repetido), que identifica
antecedentes de repetición académica.
➢ Ha perdido la gratuidad (1 = sí ha perdido,
2 = no ha perdido), asociada a la pérdida del
derecho a gratuidad educativa según el
artículo 80 de la LOES.
➢ Género (1 = masculino, 2 = femenino), que
distingue el sexo del estudiante.
➢ Ocupación del estudiante (1 = solo estudia,
2 = estudia y trabaja), que diferencia la
dedicación exclusiva al estudio de la
combinación con actividades laborales.
Aunque algunas variables fueron originalmente
cualitativas, su conversión a factores binarios
permitió integrarlas de manera eficiente en la
estimación del modelo logístico binario,
asegurando la interpretabilidad de los
coeficientes y la coherencia de los resultados
estadísticos.
Análisis descriptivo de las variables del
modelo gestión del conocimiento
Tabla 1. Resultados del modelo logístico de
Gestión del conocimiento
Estimate Std. Error z value Pr(>|z|)
(Intercepto)
-0.716
1.177
-0.608
0.543
Edad
-0.0301
0.055
-0.544
0.586
Género 2
0.8273
0.9198
0.900
0.368
estadocivilId2
-0.772
11.923
-0.648
0.517
Ha repetido al
menos una
materia (2)
-3.169
0.7681
-4.127
6.38e-05
***
Ha perdido la
gratuidad (2)
0.7133
0.5337
1.336
0.181
Ocupación
del estudiante
(2)
0.1914
0.4538
0.422
0.673
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 180.66 on 254 degrees of freedom
Residual deviance: 140.86 on 248 degrees of freedom
AIC: 150.86
Number of Fisher Scoring iterations: 7
Fuente: elaboración propia
El análisis descriptivo de la variable
cuantitativa edad en el modelo de gestión del
conocimiento revela patrones relevantes dentro
de la población estudiantil. La edad media es de
23,62 años, con una desviación estándar de
7,18, lo que refleja una dispersión moderada en
los valores observados. La asimetría positiva
(1,07) indica una ligera concentración de
estudiantes en edades más jóvenes, mientras
que la curtosis (0,72) sugiere una distribución
sin colas extremas, relativamente próxima a la
normalidad.
Análisis del modelo matemático logístico
binario para gestión del conocimiento
El modelo logístico binario planteado para
estimar la probabilidad de que un estudiante se
encuentre en estado aprobado (estado = 1) o
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 212
reprobado (estado = 0) fue construido a partir de
variables sociodemográficas y académicas
seleccionadas por su relevancia contextual y
estabilidad estadística. Las variables incluidas
fueron: edad, género, estado civil, repetición de
materias, pérdida de gratuidad y ocupación del
estudiante. En la tabla 1 de resultados se
observa que la mayoría de las variables no
presentan significancia estadística individual (p
> 0.05), a excepción de la variable ha repetido
al menos una materia, la cual muestra un
coeficiente negativo significativo (β = -3.169; p
< 0.001), evidenciando que haber repetido
materias reduce considerablemente la
probabilidad de aprobación. La variable edad,
tratada como continua, presentó un coeficiente
negativo (β = -0.0301; p = 0.586), lo que sugiere
que, en esta cohorte, los estudiantes de mayor
edad tienden a tener una probabilidad
ligeramente menor de aprobar, aunque este
efecto no es estadísticamente concluyente. En
cuanto al género (1 = masculino, 2 = femenino),
se obtuvo un coeficiente positivo (β = 0.8273; p
= 0.368), indicando que las mujeres podrían
tener una mayor probabilidad de aprobar en
comparación con los hombres, si bien la falta de
significancia estadística impide afirmaciones
sólidas. Respecto al estado civil, codificado
como 1 = soltero(a) y 2 = casado(a)/unión libre,
se observó un coeficiente negativo (β = -0.772;
p = 0.517), lo que apunta a una ligera reducción
en la probabilidad de aprobación entre quienes
se encuentran en una relación formal, sin
evidencia estadística robusta.
La variable ha perdido la gratuidad (1 = sí, 2 =
no) mostró un coeficiente positivo (β = 0.7133;
p = 0.181), sugiriendo que quienes no han
perdido este beneficio podrían tener una ventaja
en el rendimiento, aunque la relación no es
estadísticamente significativa. Por último, la
variable ocupación del estudiante (1 = solo
estudia, 2 = estudia y trabaja) presentó un
coeficiente positivo cercano a cero (β = 0.1914;
p = 0.673), lo que indica que compatibilizar
trabajo y estudio no se asocia de forma
significativa con cambios en la probabilidad de
aprobación. En términos de ajuste, el modelo
registró una deviance residual de 140.86 frente
a una deviance nula de 180.66, así como un AIC
de 150.86, lo que sugiere un ajuste aceptable
para fines explicativos, aunque con un margen
de mejora en capacidad predictiva. Este
modelo, pese a que la mayoría de los predictores
no son significativos individualmente, ofrece
una estructura interpretable y coherente con la
realidad académica analizada, siendo útil para
identificar tendencias y orientar futuras
investigaciones.
Tabla 2. Odds Ratios Modelo Logístico Binario
Variable
Odds Ratio
IC 95%
Inferior
IC 95%
Superior
(Intercepto)
0.48859847
0.0546588
6.13390
Edad
0.97027065
0.8586347
1.07310
Género 2
2.28734858
0.2941086
13.1014
estadocivilId2
0.46186205
0.0215286
3.55322
Ha repetido al
menos una
materia (2)
0.04201605
0.0064506
0.15188
Ha perdido la
gratuidad (2)
2.04088077
0.6872470
5.73006
Ocupación del
estudiante (2)
1.21104349
0.4989431
2.99563
Fuente: elaboración propia
A partir del modelo logístico binario, se
calcularon las razones de probabilidades (odds
ratios) junto con sus intervalos de confianza al
95%, tal como se presenta en la Tabla 2. Esta
información permite interpretar la magnitud y
dirección del efecto de cada predictor sobre la
probabilidad de aprobar (estado = 1). El
intercepto presentó un odds ratio de 0.49 (IC
95%: 0.05 – 6.13), lo que sugiere que, en las
condiciones base, la probabilidad de aprobación
es menor que la de no aprobación, aunque el
amplio intervalo refleja escasa precisión y
obliga a interpretar con cautela. La variable
edad registró un odds ratio de 0.97 (IC 95%:
0.86 – 1.07), indicando que cada año adicional
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 213
de edad disminuye levemente la probabilidad de
aprobar. Al incluir el valor 1 dentro del
intervalo, este efecto carece de significancia
estadística. Para género (1 = masculino, 2 =
femenino), el odds ratio fue de 2.29 (IC 95%:
0.29 – 13.10), sugiriendo que las mujeres
podrían tener una mayor probabilidad de
aprobar en comparación con los hombres; sin
embargo, el rango tan amplio del intervalo
refleja alta incertidumbre.
En estado civil (1 = soltero(a), 2 =
casado(a)/unión libre), el odds ratio fue de 0.46
(IC 95%: 0.02 – 3.55), lo que apunta a una
probabilidad menor de aprobar para quienes
tienen pareja formal, aunque la relación no es
estadísticamente concluyente. La variable ha
repetido al menos una materia (1 = sí, 2 = no)
arrojó un odds ratio de 0.04 (IC 95%: 0.006 –
0.15), siendo estadísticamente significativa y
evidenciando que quienes han repetido materias
tienen una probabilidad sustancialmente menor
de aprobar. En ha perdido la gratuidad (1 = sí, 2
= no), el odds ratio fue de 2.04 (IC 95%: 0.68 –
5.73), lo que sugiere que no perder este
beneficio podría asociarse a mayor probabilidad
de aprobar, aunque sin significancia estadística.
En ocupación del estudiante (1 = solo estudia, 2
= estudia y trabaja), se obtuvo un odds ratio de
1.21 (IC 95%: 0.49 – 2.99), indicando escasa
diferencia en la probabilidad de aprobación
entre ambos grupos, con alta variabilidad y sin
efecto estadísticamente significativo.
Tabla 3. Diagnóstico de Colinealidad
Variable
VIF
Edad
1.319641
Género
1.076779
estadocivilId2
1.215824
Ha repetido al menos una
materia
1.053613
Ha perdido la gratuidad
1.057357
Ocupación del estudiante
1.097163
Fuente: elaboración propia
Para evaluar la posible presencia de
colinealidad entre los predictores del modelo
logístico binario, la Tabla 3 presenta los
resultados del Factor de Inflación de la Varianza
(VIF). Este estadístico mide cuánto aumenta la
varianza de un coeficiente debido a la
correlación con otras variables independientes
del modelo. Valores altos de VIF indican una
posible multicolinealidad, lo que puede generar
estimaciones inestables y dificultar la
interpretación de los coeficientes. En este caso,
los valores obtenidos fueron bajos para todas las
variables: edad (VIF = 1.32), género (1.08),
estado civil (1.21), ha repetido al menos una
materia (1.05), ha perdido la gratuidad (1.06) y
ocupación del estudiante (1.10). Estos
resultados se encuentran muy por debajo del
umbral comúnmente aceptado de 5, e incluso
por debajo de 2, lo que indica un nivel de
correlación prácticamente irrelevante entre
predictores. La ausencia de colinealidad
significativa implica que cada variable aporta
información independiente al modelo, lo que
favorece la estabilidad de las estimaciones y la
confiabilidad de la interpretación de los
coeficientes. Esto respalda la validez estadística
de los resultados obtenidos y sugiere que el
modelo es robusto desde el punto de vista de la
especificación, permitiendo que las
conclusiones derivadas sean consistentes y no
estén distorsionadas por redundancias lineales
entre las variables incluidas.
Tabla 4. Evaluación del ajuste del modelo
mediante coeficientes de Pseudo R²
Fitting null model for pseudo-r2
llh
-70.4307527
llhNull
-90.3297151
G2
39.7979248
McFadden
0.2202925
r2ML
0.1445009
r2CU
0.2846736
Fuente: elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 214
El análisis de ajuste global del modelo logístico
binario, basado en los indicadores de Pseudo R²
de la Tabla 4, evidenció valores consistentes
con un buen desempeño: McFadden = 0.2203,
Cox & Snell (R² ML) = 0.1445 y Nagelkerke
(R² CU) = 0.2847. Estos resultados reflejan que
el modelo captura una proporción significativa
de la variabilidad en la probabilidad de
aprobación, destacando que el valor de
McFadden supera el umbral de 0.2, considerado
indicativo de un ajuste satisfactorio en términos
predictivos. En cuanto a la capacidad de
clasificación, la matriz de confusión mostró un
alto nivel de acierto: 226 estudiantes aprobados
y 29 reprobados fueron correctamente
identificados de acuerdo con la predicción
binaria generada por el modelo. Este
desempeño sugiere un equilibrio adecuado entre
sensibilidad y especificidad, lo que respalda la
confiabilidad del modelo en la población
evaluada. Asimismo, el análisis del poder
discriminativo mediante el área bajo la curva
ROC (AUC) registró un valor de 0.8232,
calificado como muy bueno según estándares
estadísticos (AUC > 0.8). Este resultado implica
que el modelo distingue de manera consistente
entre estudiantes que aprueban y aquellos que
reprueban, incrementando su valor como
herramienta de pronóstico académico. En
conjunto, las métricas presentadas confirman
que el modelo no solo presenta un ajuste global
apropiado, sino que también ofrece una
capacidad de discriminación elevada, lo que lo
convierte en un recurso estadístico robusto para
anticipar el rendimiento estudiantil y apoyar la
toma de decisiones en contextos educativos
similares.
Efectos marginales promedio del modelo
logístico binario
El análisis de los efectos marginales promedio
del modelo logístico binario permitió
cuantificar el impacto directo de cada predictor
sobre la probabilidad de aprobación,
manteniendo constantes las demás variables del
modelo. Se consideraron seis variables
independientes: edad, estado civil, ocupación
estudiantil, género, haber perdido la gratuidad y
haber repetido al menos una materia. De estas,
solo la variable
“haRepetidoAlMenosUnaMateria2” resultó
estadísticamente significativa, con un efecto
marginal negativo estimado en -0.2250 (p <
0.001). Esto indica que los estudiantes que han
repetido al menos una materia disminuyen su
probabilidad de aprobar en aproximadamente
un 22.5% en comparación con quienes no han
repetido ninguna asignatura, evidenciando una
fuerte relación inversa entre la repetición de
materias y la aprobación académica. Las demás
variables no mostraron efectos estadísticamente
significativos sobre la probabilidad de
aprobación (p > 0.05). En particular,
“haPerdidoLaGratuidad2” presentó un efecto
marginal positivo de 0.0688, aunque con un
valor p de 0.2196, lo que no permite confirmar
un efecto real, pero podría indicar una ligera
tendencia favorable a aprobar para quienes no
han perdido la gratuidad. Variables como edad
(-0.0026, p = 0.5857), estado civil (-0.0546, p =
0.4147), ocupación estudiantil (0.0163, p =
0.6706) y género (0.0842, p = 0.4262)
evidenciaron efectos marginales pequeños y no
significativos, lo que sugiere que estas
características demográficas y contextuales no
afectan de forma determinante la probabilidad
de aprobación en el presente modelo.
La Figura 1 presenta la curva ROC
correspondiente al modelo logístico binario
aplicado para analizar el rendimiento
académico. La curva muestra una buena
capacidad discriminativa, manteniéndose
cercana al vértice superior izquierdo del gráfico,
lo que indica un balance adecuado entre
sensibilidad (verdaderos positivos) y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 215
especificidad (verdaderos negativos). Este
comportamiento se refleja en el valor del área
bajo la curva (AUC = 0.8232), que confirma
que el modelo posee una capacidad sólida para
distinguir entre estudiantes que aprueban y
quienes reprueban, aunque no perfecta. En
términos prácticos, un AUC superior a 0.8 se
considera una buena medida de desempeño del
modelo.
Figura 1. Curva ROC - Modelo de Gestión del
Conocimiento
Fuente: elaboración propia
La Figura 2 presenta los efectos de las variables
independientes sobre la probabilidad de
aprobación, expresados como razones de
probabilidad (odds ratios) con sus respectivos
intervalos de confianza al 95%. Se observa que
la variable ha repetido al menos una materia se
ubica considerablemente por debajo del valor
de referencia 1, lo que evidencia un efecto
negativo marcado sobre la probabilidad de
aprobar en quienes han repetido asignaturas. En
contraste, la variable ha perdido la gratuidad
presenta un odds ratio superior a 1, aunque con
un intervalo de confianza amplio, lo que refleja
mayor incertidumbre en su estimación. La edad
se sitúa prácticamente en el valor de referencia
(OR ≈ 1), lo que indica un efecto cercano a
neutral. De igual forma, la variable género se
aproxima al valor de neutralidad, sugiriendo
que, en esta muestra, no se aprecian diferencias
sustanciales en el rendimiento académico entre
hombres y mujeres. En conjunto, el gráfico
permite identificar tanto la dirección como la
magnitud de los efectos, ofreciendo una
representación clara de la influencia relativa de
cada predictor incluido en el modelo.
Figura 2. Efectos del Modelo Logístico Binario
Fuente: elaboración propia
Los resultados obtenidos en el modelo de
Gestión del Conocimiento confirman que
variables relacionadas con la trayectoria
académica y aspectos personales influyen
significativamente en la probabilidad de
aprobación de los estudiantes. En particular, la
variable “ha repetido al menos una materia”
mostró un efecto negativo considerable y
estadísticamente significativo, indicando que
quienes no han repetido asignaturas presentan
una mayor probabilidad de éxito académico.
Este hallazgo coincide con estudios previos que
destacan la importancia de la trayectoria
educativa como predictor clave del rendimiento
(Suárez, 2023). Por otro lado, variables como
edad, género, estado civil, haber perdido la
gratuidad y ocupación del estudiante no
alcanzaron significancia estadística en el
modelo, lo que sugiere que, en el contexto
específico del programa de Electromecánica en
el Instituto de Educación Superior de
Riobamba, estos factores tienen un impacto
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 216
menos determinante sobre el desempeño
académico. Esta particularidad puede estar
relacionada con las características
sociodemográficas y académicas de la
población estudiantil, y destaca la necesidad de
focalizar intervenciones en aquellos aspectos
que realmente inciden en el éxito educativo.
El modelo logístico binario empleado mostró un
buen ajuste general, evidenciado por un valor de
AIC favorable y una curva ROC con un área
bajo la curva (AUC) de 0.8232, lo que indica
una capacidad adecuada para discriminar entre
estudiantes con probabilidad de aprobar y
reprobar. Aunque la discriminación no es
perfecta, el rendimiento del modelo es
consistente con estándares aceptados en
estudios educativos y permite su aplicación
práctica para la gestión del conocimiento dentro
de la institución. Estos resultados refuerzan la
relevancia de implementar estrategias de
gestión del conocimiento que permitan
identificar a tiempo las trayectorias educativas
irregulares, facilitando el diseño de acciones
pedagógicas focalizadas y oportunas. El
seguimiento y acompañamiento de los
estudiantes con historial de repetición podría
favorecer la resiliencia académica y mejorar sus
resultados, alineándose con enfoques actuales
que promueven la intervención basada en
evidencia para la mejora continua. El modelo de
Gestión del Conocimiento aquí analizado aporta
una herramienta útil para la toma de decisiones
en la gestión educativa, orientada a potenciar el
rendimiento académico mediante la
identificación y apoyo a estudiantes en
situación de riesgo, enfatizando la importancia
de una gestión basada en datos confiables y
sistematizados.
Conclusiones
La investigación permitió desarrollar y validar
un modelo matemático basado en regresión
logística binaria aplicado al análisis del
rendimiento académico desde la perspectiva de
la gestión del conocimiento. Este modelo
mostró una estructura sólida y un buen ajuste
global, evidenciado por un valor de AIC
favorable y una curva ROC con un área bajo la
curva (AUC) de 0.8232, lo que indica una
capacidad adecuada para discriminar entre
estudiantes con probabilidad de aprobar o
reprobar. Aunque la mayoría de las variables
independientes incluidas no alcanzaron
significancia estadística individual, el análisis
de efectos marginales resaltó que haber repetido
al menos una materia tiene un impacto negativo
significativo en la probabilidad de aprobación,
reforzando la importancia de la trayectoria
académica como predictor clave del desempeño
estudiantil.
El modelo demostró ser estable y parsimonioso,
lo que facilita su aplicación práctica para
identificar estudiantes en riesgo y diseñar
intervenciones focalizadas basadas en
evidencia. Se concluye que este enfoque de
gestión del conocimiento aporta una
herramienta útil para la toma de decisiones en
contextos educativos técnicos, contribuyendo a
optimizar el acompañamiento académico y la
mejora continua. Se recomienda que futuras
investigaciones amplíen el espectro de variables
a incluir, especialmente en dimensiones
psicológicas, motivacionales y familiares, para
incrementar la capacidad explicativa del
modelo. Además, sería pertinente validar y
adaptar el modelo a otras carreras y
modalidades académicas del instituto, a fin de
fortalecer su generalización y utilidad
institucional.
Referencias Bibliográficas
Acuña, M. (2021). Manejo de emociones en
estudiantes universitarios en tiempos de
confinamiento: Una Propuesta de
intervención desde un proyecto de aula.
Boletín de Innovación, Logística y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 217
Operaciones, 3(1).
https://doi.org/10.17981/bilo.3.1.2021.08
Aymerich, À., & Albarracín, L. (2022).
Mathematical Modeling in Statistical
Activities: Key Episodes for Model
Generation. Uniciencia, 36(1), 1-16.
http://dx.doi.org/10.15359/ru.36-1.16
Andrade, M. (2020). Beyond quality metrics:
Defying journal rankings as the
philosopher’s stone of mathematics
education research. Educational Studies in
Mathematics, 103, 359–374.
https://doi.org/10.1007/s10649-020-09932-
9
Bastidas, R. (2009). Metodología de la
Investigación Educativa (2 ed.). Madrid: La
Muralla S.A.
Bautista, T. (2024). Perspectivas y
oportunidades para la integración de
analíticas de aprendizaje: un estudio
cualitativo en universidades mexicanas.
Revista de Análisis de Aprendizaje, 11(1),
49-66.
https://doi.org/10.18608/jla.2024.8125
Campos, R. (2022). Analítica del aprendizaje:
un desafío al desempeño del personal
docente. Revista Universidad y Sociedad,
14(6), 40-48.
http://scielo.sld.cu/scielo.php?pid=S2218-
36202022000600040&script=sci_arttext
Cuadrado, G. (2020). Gestión del conocimiento
en la universidad: cuestionario para la
evaluación institucional. Revista
Iberoamericana de Educación Superior,
11(30), 201-218.
https://doi.org/10.22201/iisue.20072872e.2
020.30.596
Cuadras, C. (2019). Nuevos Métodos de
Análisis Multivariante. Barcelona-España:
CMC.
https://es.scribd.com/document/420846198/
Cuadras-Nuevos-me-todos-de-estadi-stica-
multivariante
Devia, C. (2021). Sistema de gestión del
conocimiento basado en estándares de alta
calidad para un programa educación
superior. Revista Ingeniería, Matemáticas y
Ciencias de la Información, 8(16), 55-64.
http://dx.doi.org/10.21017/rimci.2021.v8.n1
6.a102
Devine, P. (2022). Diversity training goals,
limitations, and promise: A review of the
multidisciplinary literature. Annual Review
of Psychology, 73(1), 403-429.
https://doi.org/10.1146/annurev-psych-
060221-122215
Diaz, J. (2024). Gestion del conocimiento
dirigido a docentes de educacion
universitaria, desde la perspectiva humanista
y transdisciplinaria. Aula Virtual, 5(11), 13-
28.
https://ve.scielo.org/scielo.php?script=sci_a
rttext&pid=S2665-03982024000100013
Domínguez, D., Reich, J., & Ruipérez, J.
(2020). Analítica del aprendizaje y
educación basada en datos: Un campo en
expansión. RIED. Revista Iberoamericana
de Educación a Distancia, 23, 33-43.
https://doi.org/10.5944/ried.23.2.27105
Escorcia, J. (2020). Gestión del conocimiento
en Instituciones de Educación Superior:
Caracterización desde una reflexión teórica/
Knowledge management in Higher
Education Institutions: Characterization
from a theoretical reflection. Revista de
Ciencias Sociales, 26(3), 83-91.
https://doi.org/10.31876/rcs.v26i3.33235
Figaredo, D. (2020). Analítica del aprendizaje y
educación basada en datos: Un campo en
expansión. RIED-Revista Iberoamericana
de Educación a Distancia, 23(2), 33-43.
https://doi.org/10.5944/ried.23.2.27105
Hair, J., Black, W., Babin, B., & Anderson, R.
(2019). Multivariate Data Analysis. Upper
Saddle River: Pearson.
https://www.drnishikantjha.com/papersColl
ection/Multivariate%20Data%20Analysis.p
df
Hernández, R., & Mendoza, C. (2018).
Metodología de la investigación. Las rutas
cuantitativa, cualitativa y mixta. México: Mc
Graw Hill Education.
http://www.biblioteca.cij.gob.mx/Archivos/
Materiales_de_consulta/Drogas_de_Abuso/
Articulos/SampieriLasRutas.pdf
Huaringa, H., & Méndez, J. (2022). Gestión del
conocimiento, herramientas tecnológicas en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 1
Enero del 2025
Página 218
la comunicación efectiva en directivos de las
instituciones educativas, Lima-2022.
Universidad César Vallejo.
https://hdl.handle.net/20.500.12692/94517
Legusov, O. (2022). Equity, diversity, and
inclusion from the perspective of
international community college students.
Canadian Journal of Higher Education,
52(4), 121-134.
https://doi.org/10.47678/cjhe.v52i4.189821
Martínez, M. (2021). Análisis factorial
confirmatorio: un modelo de gestión del
conocimiento en la universidad pública.
RIDE. Revista Iberoamericana para la
Investigación y el Desarrollo Educativo,
12(23), 1-23.
https://doi.org/10.23913/ride.v12i23.1103
Mendoza, C., & Bullón, C. (2022). Gestión del
conocimiento en instituciones de educación
superior: una revisión sistemática. Revista de
Investigación en Ciencias de la Educación,
Horizontes, 6(26), 1992-2003.
https://repositorio.cidecuador.org/handle/12
3456789/2476
Mora, R. (2015). Factores que intervienen en el
rendimiento académico universitario: Un
estudio de caso. Universidad del Zulia, 31,
1041–1063.
https://www.redalyc.org/pdf/310/31045571
059.pdf
Mora, C. (2020). En sintonía con esta postura,
lo indicado por Mora Yate, Mahecha
Escobar y Conejo Carrasco (2020) sostiene
que los estudiantes que desarrollan
habilidades de autorregulación y cuentan
con apoyo institucional tienden a lograr
aprendizajes más profundos. Cultura,
Educación y Sociedad, 11(2), 191-206.
http://dx.doi.org/10.17981/cultedusoc.11.2.
2020.12
Ocaña, J., Álvarez, I., & Paredes, A. (2023). La
gestión del conocimiento e innovación en los
procesos educativos en la disciplina del
diseño. Cuadernos del Centro de Estudios de
Diseño y Comunicación, 180, 173-182.
https://doi.org/10.18682/cdc.vi181.8904
Rencher, A., & Christensen, W. (2002).
Methods of multivariate analysis (3rd ed.).
United States of America: John Wiley &
Sons, Inc.
https://eprints.uad.ac.id/135/1/Handbook_of
_analysis_multivariat.pdf
Ruipérez, J. (2020). El Proceso de
Implementación de Analíticas de
Aprendizale. RIED. Revista Iberoamericana
de Educación a Distancia, 23(2), 85-101.
http://dx.doi.org/10.5944/ried.23.2.26283
Sánchez, M., & Martínez, A. (2020).
Evaluación del y para el aprendizaje:
instrumentos y estrategias. Imagia
Comunicación. Ciudad de México:
Universidad Nacional Autónoma de México.
https://www.puees.unam.mx/sapa/dwnf/114
/3.Sanchez-
Mendiola_2020_EvaluacionDelAprendizaje
.pdf
Suazo, I. (2023). Knowledge management
models in higher education. European
Journal of Education and Psychology, 6(2),
1-23. https://orcid.org/0000-0002-1689-
1632
Suazo, I. (2023). Modelo de Gestión del
Conocimiento. Universidad Autónoma de
Chile, 3(1), 3-14.
https://repositorio.uautonoma.cl/handle/20.5
00.12728/10275
Tavares, V. (2021). Feeling excluded:
international students experience equity,
diversity and inclusion. International
Journal of Inclusive Education, 28(8), 1551–
1568.
https://doi.org/10.1080/13603116.2021.200
8536
Van, G. (2023). Peer-mentorship and first-year
inclusion: Building belonging in higher
education. BMC Medical Education, 23,
833. https://doi.org/10.1186/s12909-023-
04805-0
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Kelvin Howard
Pizarro Romero y Michael Andrés Zamora
Campoverde.
