Tesis 2023

URI permanente para esta colección

https://repositorio.unh.edu.pe/handle/20.500.14597/5636

Examinar

Examinando Tesis 2023 por Materia "https://purl.org/pe-repo/ocde/ford#2.02.04"

Mostrando 1 - 2 de 2
  • No hay miniatura disponible
    Ítem
    El software LMS y su relación en la enseñanza remota de los alumnos del PSEP-FCED de la UNH 2022
    (Universidad Nacional de Huancavelica, 2023-06-08) Caballero Nuñez, Jose Luis; De la Cruz Vilchez, Esteban Edgar
    Una de las herramientas tecnológicas más utilizadas hoy en día para la gestión de cursos en línea es el Sistema de Gestión de Aprendizajes conocido también como software LMS, herramienta utilizada no solo para el desarrollo de clases totalmente virtuales sino también para clases presenciales y semipresenciales. La investigación tuvo como objetivo determinar la relación del software LMS con la enseñanza remota en los alumnos del Programa de Segunda Especialidad Profesional (PSEP) de la Facultad de Ciencias de la Educación (FCED) de la Universidad Nacional de Huancavelica (UNH) en el año académico 2022, en donde se planteó como hipótesis de investigación que la implementación del software LMS mejora significativamente la enseñanza remota de los alumnos del PSEP-FCED de la UNH. El método empleado en la investigación cuantitativa de tipo aplicada, nivel explicativo y diseño experimental-correlacional consideró de una población de 935 personas a una muestra de 211. A esta muestra se les aplicó dos cuestionarios en línea para la recolección de datos a analizar. El resultado obtenido comprueba estadísticamente la hipótesis de investigación con un nivel de significancia α = 0.05 y con un valor de correlación de r=0.763 concluyendo que existe correlación positiva considerable entre la implementación del software LMS y la enseñanza remota.
  • No hay miniatura disponible
    Ítem
    Influencia del algoritmo de regresión logística para la identificación de la deserción estudiantil en la Universidad para el Desarrollo Andino
    (Universidad Nacional de Huancavelica, 2023-03-31) Curi Villanueva, Hasem Enrique; Rojas Bujaico, Rafael Wilfredo
    El propósito de la investigación fue determinar de qué manera el algoritmo de regresión logística influye para la identificación de la deserción estudiantil en la Universidad para el Desarrollo Andino en el año 2019. El trabajo de investigación tiene un nivel de investigación predictivo. Se utilizaron encuestas a una población de 203 estudiantes y una muestra de 133 estudiantes del primer ciclo de todos los programas de estudio de la universidad. Según los resultados obtenidos al implementar el modelo respecto a la dimensión Factores personales un 11.28% menciona que nunca tuvo incidencias de tipo familiar para tomar la decisión de abandonar sus estudios, por el contrario, un 23.16% mencionan siempre; en tanto a la dimensión Factores Académicos un 16.24% menciona que nunca tuvieron incidencias de tipo académico, la cual conlleve a tomar la decisión de abandonar sus estudios y el 7.97% siempre; de acuerdo a los resultados obtenidos respecto a la dimensión Factores Socioeconómicos, los estudiantes en un 8.27% manifestaron que nunca tuvieron incidencias de tipo social y económico para abandonar sus estudios y un 6.02% siempre; por ultimo obteniendo los resultados con respecto a la dimensión Factores Institucionales, el 1.80% de los estudiantes manifestaron que nunca tuvieron incidencias de tipo institucional y el 8.27% siempre. Finalmente, se ha determinado que el uso de un modelo de Regresión Logística influye en la identificación de la deserción estudiantil en la Universidad para el Desarrollo Andino con una significancia de 0.05. El uso de este modelo predictivo ayudó a identificar 21 potenciales deserciones en los distintos programas académicos de la Universidad durante el año 2019. Finalmente, el estudio nos ayudó a identificar mejor el patrón de los factores de riesgo de deserción más recurrentes en los estudiantes; siendo el factor económico y social los que tuvieron más incidencias que el factor familiar y académico según el dataset utilizado para entrenar el modelo.