Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.unach.edu.ec/handle/51000/15770
Título : | Desarrollo de un modelo de árboles de decisión para evaluar y optimizar el cumplimiento de estándares de aseguramiento de la calidad en el Instituto Superior Universitario Carlos Cisneros. |
Autor : | Machado Sotomayor, Guillermo Edvin Llanga Cruz, Carolina Valeria |
Palabras clave : | aprendizaje supervisado aseguramiento de la calidad árbol de decisión Random Forest evaluación institucional |
Fecha de publicación : | 31-jul-2025 |
Editorial : | Riobamba: Universidad Nacional de Chimborazo |
Citación : | Llanga, Carolina (2025). Desarrollo de un modelo de árboles de decisión para evaluar y optimizar el cumplimiento de estándares de aseguramiento de la calidad en el Instituto Superior Universitario Carlos Cisneros. (Tesis de posgrado). Universidad Nacional de Chimborazo. Riobamba, Ecuador. |
Resumen : | El objetivo de la presente investigación fue diseñar y validar un sistema analítico para diagnosticar el cumplimiento de los 42 indicadores del Modelo 2024 del CACES en el Instituto Superior Universitario Carlos Cisneros. Como punto de partida se utilizó un DataFrame que ya incorporaba, las valoraciones cualitativas convertidas en los campos “peso ideal” y “peso real”. A partir de este conjunto se generó la etiqueta binaria “cumple” (ratio ≥ 0,60). Sobre esta base de datos se entrenó un árbol de decisión global (profundidad máxima = 3) mediante una división entrenamiento–prueba 80 %/20 % con train_test_split. La visualización del árbol identificó umbrales operativos en PESOS DE LA IES (0,009 y 0,012) y en B PESOS SIN TP (0,012 y 0,017), formulados como reglas condicionales de alta interpretabilidad. La validación cruzada estratificada en cinco pliegues (StratifiedKFold) arrojó una exactitud media del 97 % y un recall del 100 %, con falsos positivos puntuales en un pliegue. Para capturar la identidad de cada indicador se aplicó one-hot encoding y se construyó un árbol granular (profundidad = 5) que alcanzó 100 % de exactitud sobre la muestra y reveló excepciones para indicadores docentes como “Formación académica en curso y capacitación”. Para cuantificar la relevancia predictiva de las variables se entrenó un Random Forest (50 árboles, profundidad = 5) cuantificó importancias, destacando PESOS DE LA IES (37 %) y B PESOS SIN TP (10 %), seguidos por la formación práctica y la remuneración docente. Finalmente, un árbol de criterio comparó las valoraciones de 2023 y 2024, validando un avance global de +12,7 puntos porcentuales y señalando el retroceso en “Profesores”. Estos hallazgos sustentan un plan de acción basado en semáforos, validación continua y focalización de indicadores críticos para la mejora de la calidad institucional. |
Descripción : | The objective of the present study was to design and validate an analytical system for diagnosing compliance with the 43 indicators of the 2024 model at the “Instituto Superior Universitario Carlos Cisneros.” To this end, a pre-existing DataFrame—into which qualitative assessments had already been converted under the fields “peso ideal” and “peso real”—served as the point of departure. From this dataset, a binary label, cumple (compliance), was generated based on a threshold ratio of ≥ 0.60. Using an 80/20 train–test split via train_test_split, a global decision tree (maximum depth = 3) was trained. Visualization of this tree revealed operational thresholds for “PESOS DE LA IES” (0.009 and 0.012) and “B PESOS SIN TP” (0.012 and 0.017), which were expressed as highly interpretable conditional rules. Five-fold stratified cross-validation (StratifiedKFold) yielded a mean accuracy of 97% and a recall of 100%, with only isolated false positives occurring in one fold. qualitative assessments had already been converted into the fields “peso ideal” and “peso real” served as the point of departure. From this dataset, a binary label “cumple” (ratio ≥ 0.60) was generated. Using an 80 %/20 % train–test split via train_test_split, a global decision tree (maximum depth = 3) was trained. Visualization of this tree revealed operational thresholds for PESOS DE LA IES (0.009 and 0.012) and B PESOS SIN TP (0.012 and 0.017), expressed as highly interpretable conditional rules. Five-fold stratified cross-validation (StratifiedKFold) produced a mean accuracy of 97 % and a recall of 100 %, with only isolated false positives in one fold. To preserve the identity of each indicator, one-hot encoding was applied, and a more granular decision tree (maximum depth = 5) was constructed. This model achieved 100% accuracy on the sample and uncovered exceptions among teaching-related indicators, such as “Formación académica en curso y capacitación.” With PESOS DE LA IES (37%) and B PESOS SIN TP (10%) emerging as the most influential features—followed by practical training and teaching compensation—a Random Forest comprising 50 trees (maximum depth = 5) was employed to quantify feature importances. Finally, an árbol de criteria (criteria tree) confirmed an overall improvement of +12.7 percentage points when comparing the 2023 and 2024 evaluations, while also highlighting a regression in the Profesores indicator. These results support a traffic-light signalling system and a validation based, ongoing action plan that prioritizes critical indicators in order to enhance institutional quality. |
URI : | http://dspace.unach.edu.ec/handle/51000/15770 |
ISSN : | UNACH-DP-MAT-MC |
Aparece en las colecciones: | Magíster en matemática aplicada con mención en Matemática Computacional |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Llanga Cruz, Carolina V. (2025). Desarrollo de un modelo de árboles de decisión, matemática aplicada.pdf | 11,82 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.