Show simple item record

Professor Advisordc.contributor.advisorLizama Garrido, Félix
Authordc.contributor.authorBarros Henríquez, Sandra Carolina
Admission datedc.date.accessioned2025-12-09T16:24:36Z
Available datedc.date.available2025-12-09T16:24:36Z
Publication datedc.date.issued2025
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/207928
Abstractdc.description.abstractEn 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
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Keywordsdc.subjectEducación públicaes_ES
Keywordsdc.subjectViolencia escolares_ES
Keywordsdc.subjectRendimiento en la educaciónes_ES
Keywordsdc.subjectCalidad de la educaciónes_ES
Títulodc.titleAnálisis de las variables que explican eficiencia en establecimientos educacionales de Chile mediante un enfoque híbrido DEA – Machine Learninges_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorjmaes_ES
Departmentuchile.departamentoEscuela de Postgradoes_ES
Facultyuchile.facultadFacultad de Economía y Negocioses_ES
uchile.gradoacademicouchile.gradoacademicoMagisteres_ES
uchile.notadetesisuchile.notadetesisActividad Formativa Equivalente para optar al grado Magíster en Analítica de Negocioses_ES


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States