Análisis de las variables que explican eficiencia en establecimientos educacionales de Chile mediante un enfoque híbrido DEA – Machine Learning
Professor Advisor
dc.contributor.advisor
Lizama Garrido, Félix
Author
dc.contributor.author
Barros Henríquez, Sandra Carolina
Admission date
dc.date.accessioned
2025-12-09T16:24:36Z
Available date
dc.date.available
2025-12-09T16:24:36Z
Publication date
dc.date.issued
2025
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/207928
Abstract
dc.description.abstract
En Chile, persiste una significativa brecha entre la calidad de la educación en
establecimientos educacionales públicos y privados, con los primeros enfrentando
mayores desafíos en acceso a recursos pedagógicos, infraestructura y programas
extracurriculares. Esto se traduce en un menor rendimiento académico, especialmente
en contextos vulnerables. Adicionalmente, los problemas de convivencia escolar, como
la violencia y el acoso, afectan el clima de aprendizaje, lo que podría influir directamente
en la eficiencia de las instituciones públicas, es decir, maximizar el rendimiento
académico con uso óptimo de los recursos
La literatura existente sobre eficiencia escolar ha estudiado múltiples factores que
impactan los resultados académicos, pero no ha integrado explícitamente la
convivencia escolar como una variable determinante en los análisis. Este estudio
propone abordar esta brecha mediante el uso de técnicas avanzadas de machine
learning, lo que representa un enfoque novedoso para explorar la relación entre
convivencia escolar y eficiencia educativa.
El objetivo principal de este trabajo es identificar y analizar las variables que explican
en parte la eficiencia en establecimientos educacionales públicos chilenos,
considerando el rendimiento académico (SIMCE), la convivencia escolar (IDPS), los
recursos humanos y el nivel socioeconómico de los estudiantes (IVE) y demografía de
los establecimientos educacionales, entre otras variables. Para ello, se utilizan los
resultados de eficiencia previamente estimados mediante la metodología de Análisis
12
Envolvente de Datos (DEA) como variable objetivo en modelos de machine learning, lo
que permite evaluar el aporte explicativo tanto de las variables utilizadas en el modelo
DEA como de un conjunto complementario definido por expertos en educación. A través
de modelos predictivos basados en machine learning, se busca revelar patrones
complejos que tradicionalmente no pueden ser detectados con métodos
convencionales, como el DEA.
Los resultados de este análisis permiten no solo confirmar si la convivencia escolar es
un factor relevante en la eficiencia de los establecimientos educacionales, sino también
proponer estrategias basadas en evidencia para optimizar la asignación de recursos y
mejorar tanto la gestión escolar como el rendimiento académico. Este trabajo espera
contribuir al debate sobre cómo elevar la calidad de la educación pública en Chile desde
un enfoque innovador y multidimensional.
es_ES
Lenguage
dc.language.iso
es
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States