Facultad de Ingenieria

Permanent URI for this community

https://hdl.handle.net/20.500.14559/4

Browse

Browsing Facultad de Ingenieria by browse.metadata.advisor "Durán Carhuamaca , Amanda"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Aplicación de realidad aumentada para la mejora del aprendizaje experiencial en los alumnos del 6 grado de la I.E N.º 00123, Rioja
    (Universidad Nacional de Cañete, 2026-01-05) Lopez Chicana , Frank Alexander; Durán Carhuamaca , Amanda
    En la I.E. N.º 00123 – “Segunda Jerusalén” el método tradicional había generado desinterés académico, reflejado en bajos puntajes. Se planteó como objetivo evaluar si la aplicación de realidad aumentada mejoró el aprendizaje experiencial en los alumnos de 6.º grado. La investigación fue de tipo aplicada, con enfoque cuantitativo y diseño cuasiexperimental. La muestra incluyó a 58 estudiantes divididos en dos grupos: 6.º “C” (control) y 6.º “H” (experimental). Se emplearon la observación estructurada y una rúbrica validada por expertos. La intervención, basada en las cuatro fases del modelo de Kolb y desarrollada bajo metodología SCRUM, integró contenidos multimedia y modelos 3D interactivos. Los resultados mostraron que el grupo experimental mejoró sus calificaciones en 37 % (Experiencia Concreta), 19 % (Observación y Reflexión), 28 % (Conceptualización Abstracta) y 25 % (Experimentación Activa), frente al control, que obtuvo incrementos de 20 %, 16 %, 25 % y 19 %, respectivamente. Las mayores ganancias en Experiencia Concreta y Conceptualización Abstracta se atribuyen a que las actividades prácticas y los modelos 3D facilitan la manipulación directa y la construcción de representaciones mentales precisas. En cambio, Observación y Reflexión junto con Experimentación Activa requieren procesos de análisis crítico y aplicación práctica que demandan más tiempo de consolidación y acompañamiento docente. Además, la duración limitada de la intervención redujo la oportunidad de profundizar en dichas fases complejas, donde es necesario un mayor andamiaje pedagógico y diversidad de tareas para favorecer la transferencia del aprendizaje
  • Thumbnail Image
    Item
    Modelo predictivo basado en machine learning para el diagnóstico temprano en la deserción universitaria de la UNDC, periodo 2020 – 2022
    (Universidad Nacional de Cañete, 2025-06-10) Sulca Martínez , Hugo Jesús; Durán Carhuamaca , Amanda; Oseda Gago, Dulio
    La presente investigación tuvo como objetivo implementar un modelo predictivo para el diagnóstico temprano en la deserción universitaria de la Universidad Nacional de Cañete. Para ello, se usó el modelo de regresión logística, junto al lenguaje de programación Python y el entorno de programación Google Colaboratory, se creó un código capaz de predecir si un alumno podía desertar o no su carrera universitaria, tomando como base de datos una encuesta realizada a los estudiantes universitarios por Google Forms. El modelo clasifica 80,64% correctamente de las observaciones en el conjunto de pruebas, el 82% de las veces que el modelo predice que un estudiante no va a desertar, está en lo correcto, el 71% de las veces que el modelo predice que un estudiante va a desertar, está en lo correcto. Finalmente se concluye, aunque el modelo mostró una alta precisión en la identificación de estudiantes que no van a desertar, su rendimiento fue moderado en la predicción de aquellos que sí lo harán, lo que sugiere la necesidad de continuar mejorando el modelo para incrementar su sensibilidad y precisión en ambos casos.