Ítem
Desconocido

MOPIAC (Modelo Predictivo de Impacto Académico)

Mostrar el registro sencillo de la publicación
dc.contributor.advisorFernández Marín, Iris Leticia
dc.creatorPereira Campos, Saul Alexander
dc.creatorCarreño Pinzon, Yezid Valentin
dc.creator.degreeMagíster en Gestión Estratégica de la Información e Innovación Digital
dc.creator.degreeLevelMaestría
dc.date.accessioned2025-09-22T12:52:16Z
dc.date.available2025-09-22T12:52:16Z
dc.date.created2025-07-18
dc.descriptionMOPIAC representa una apuesta innovadora para revolucionar la evaluación curricular en la educación superior. Este modelo transforma la gestión académica tradicional en un proceso activo, dinámico y basado en datos, enfocado en dos pilares fundamentales: coherencia y efectividad curricular. Atendiendo a los más altos estándares de calidad exigidos por el Ministerio de Educación Nacional y los propios programas académicos, MOPIAC se erige como una herramienta clave para monitorear y potenciar el avance de los resultados de aprendizaje de los estudiantes. Su desarrollo se estructura en tres ejes transformadores: Seguimiento a la coherencia y efectividad curricular: MOPIAC dota a las instituciones de datos objetivos que evidencian la diversidad en el desempeño estudiantil y la alineación progresiva del currículo con el perfil de egreso. Identifica núcleos curriculares y asignaturas con un papel central en la formación, facilitando intervenciones inteligentes. Además, la caracterización de estrategias evaluativas permite medir la efectividad curricular a través del seguimiento al logro de los Resultados de Aprendizaje Genéricos (RAG). Optimización de rutas formativas: El modelo realiza un seguimiento individualizado del desempeño estudiantil por RAG, identificando trayectorias destacadas y consolidando información a través de visualizaciones que ilustran la progresión académica diferenciada, sugiriendo rutas de profundización adaptadas a cada estudiante. Escenarios predictivos para la toma de decisiones informadas: Utilizando inteligencia artificial y modelos de aprendizaje supervisado, MOPIAC predice el impacto de los resultados de aprendizaje en cursos futuros. Esto permite recomendar estrategias de fortalecimiento académico, acompañamiento formativo y ajustes en secuencias o metodologías pedagógicas. Con MOPIAC, la gestión curricular evoluciona hacia un sistema proactivo, articulado y predictivo, donde la mejora continua y la toma de decisiones informadas se sitúan en el centro del proceso formativo. Esta transformación ya es tangible en el Programa de Medicina de la Universidad del Rosario, donde el modelo ha demostrado su capacidad para convertir los datos en ideas y las ideas en acciones, consolidando una verdadera cultura de gobernanza y excelencia académica.
dc.description.abstractMOPIAC represents an innovative approach to revolutionizing curriculum assessment in higher education. This model transforms traditional academic management into an active, dynamic, and data-driven process focused on two fundamental pillars: curricular coherence and effectiveness. Meeting the highest quality standards required by the Ministry of National Education and the academic programs themselves, MOPIAC stands as a key tool for monitoring and enhancing the progress of student learning outcomes. Its development is structured around three transformative axes: Monitoring curricular coherence and effectiveness: MOPIAC provides institutions with objective data that demonstrates the diversity of student performance and the progressive alignment of the curriculum with the graduate profile. It identifies core curricular areas and subjects with a central role in education, facilitating intelligent interventions. Furthermore, the characterization of assessment strategies allows for measuring curricular effectiveness by monitoring the achievement of Generic Learning Outcomes (GLOs). Optimization of learning paths: The model tracks individualized student performance by academic achievement level, identifying outstanding trajectories and consolidating information through visualizations that illustrate differentiated academic progression, suggesting further development paths tailored to each student. Predictive scenarios for informed decision-making: Using artificial intelligence and supervised learning models, MOPIAC predicts the impact of learning outcomes on future courses. This allows for the recommendation of academic reinforcement strategies, training support, and adjustments to pedagogical sequences or methodologies. With MOPIAC, curriculum management evolves toward a proactive, articulated, and predictive system, where continuous improvement and informed decision-making are at the heart of the learning process. This transformation is already tangible in the Medical Program at Universidad del Rosario, where the model has demonstrated its ability to turn data into insights and ideas into actions, consolidating a true culture of governance and academic excellence.
dc.format.extent114 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_46550
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/46550
dc.language.isospa
dc.publisherSaul Alexander Pereira Campos
dc.publisher.departmentEscuela de Ciencias e Ingeniería
dc.publisher.departmentEscuela de Ciencias Humanas
dc.publisher.departmentCentro de Recursos para el Aprendizaje y la Investigación (CRAI)
dc.publisher.programMaestría en Gestión Estratégica de la Información e Innovación Digital
dc.rightsAttribution-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/closedAccess
dc.rights.accesoBloqueado (Texto referencial)
dc.rights.urihttp://creativecommons.org/licenses/by-nd/4.0/*
dc.source.bibliographicCitationAcosta Enríquez, B. G., et al. (2024). Knowledge, attitudes, and perceived ethics regarding the use of ChatGPT among generation Z university students. International Journal for Educational Integrity, 20(1), 10. https://doi.org/10.1007/s40979-024-00157-4
dc.source.bibliographicCitationAcuerdo 01 de 2025, Consejo Nacional de Educación Superior – CESU, 2025.
dc.source.bibliographicCitationAl-Zahrani, A. M., & Alasmari, T. M. (2024). Exploring the impact of artificial intelligence on higher education: The dynamics of ethical, social, and educational implications. Humanities and Social Sciences Communications, 11(1), 912. https://doi.org/10.1057/s41599-024-03432-4
dc.source.bibliographicCitationBrenya, B. (2024). Higher education in emergency situation: Blended learning prospects and challenges. Journal of Applied Research in Higher Education, 16(4), 1015-1028. https://doi.org/10.1108/JARHE-01-2023-0044
dc.source.bibliographicCitationChan T, Sebok-Syer S, Sebok-Syer S, Thoma B, Wise A, Sherbino J, Pusic M. Learning analytics in medical education assessment: the past, the present, and the future. AEM Educ Train. 2018;2: 178-187.
dc.source.bibliographicCitationDurante E. La evaluación de los conocimientos: lo que parece ser, ¿es realmente lo que es? Rev Hosp. Ital. B.Aires 2005;25(1):18-23.
dc.source.bibliographicCitationKomenda M, Víta M, Vaitsis C, et al. Curriculum mapping with academic analytics in medical and healthcare education. PLoS One. 2015;10:e0143748
dc.source.bibliographicCitationGauss, C. F. (1821). Theoria combinationis observationum erroribus minimis obnoxiae.
dc.source.bibliographicCitationKutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill Irwin.
dc.source.bibliographicCitationLegendre, A. M. (1805). Nouvelles Méthodes pour la détermination des orbites des comètes. Paris: Courcier.
dc.source.bibliographicCitationPatton, M. Q. (2017). Principles-focused evaluation: The guide. Guilford Publications.
dc.source.bibliographicCitationPerkins, M., & Roe, J. (2024). Decoding academic integrity policies: A corpus linguistics investigation of AI and other technological threats. Higher Education Policy, 37(3), 633-653. https://doi.org/10.1057/s41307-023-00323-2
dc.source.bibliographicCitationPosner G. (2018) Análisis del currículo, MCGraw Hill
dc.source.bibliographicCitationRoman-Acosta, D., et al. (2023). Effective leadership and communication strategies in disadvantaged contexts. Salud, Ciencia y Tecnología - Serie de Conferencias, 2, 532. https://doi.org/10.56294/sctconf2023532
dc.source.bibliographicCitationSánchez-Mendiola, Melchor, Moreno-Salinas, José Gerardo, Bautista-Godínez, Tomás, & Martínez-González, Adrián. (2019). La analítica del aprendizaje en educación médica: ¿punto de inflexión?. Gaceta médica de México, 155(1), 90-100. Epub 01 de julio de 2021.https://doi.org/10.24875/gmm.18004801
dc.source.bibliographicCitationSpearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101.
dc.source.bibliographicCitationStogiannos, N., et al. (2024). The ASRT AI educator survey: Knowledge, experience, and use of AI in education. Journal of Medical Imaging and Radiation Sciences, 55(4), 101449. https://doi.org/10.1016/j.jmir.2024.101449
dc.source.bibliographicCitationTariq, R., et al. (2024). Complex AI models for energy sustainability in educational buildings. Scientific Reports, 14(1), 15020. https://doi.org/10.1038/s41598-024-65727-5
dc.source.bibliographicCitationUltreras-Rodríguez, A., et al. (2024). Enseñanza y aprendizaje en la educación superior asistidos por IA. Preprint.
dc.source.bibliographicCitationUniversidad del Rosario (2022). Disposiciones generales sobre la gestión curricular de programas académicos del Colegio Mayor de Nuestra Señora del Rosario. Bogotá
dc.source.bibliographicCitationUniversidad del Rosario (2023). Lineamientos para la evaluación y análisis curricular de programas Académicos. Bogotá
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectEvaluación curricular
dc.subjectEducación superior
dc.subjectResultados de aprendizaje
dc.subjectCalidad académica
dc.subjectEfectividad curricular
dc.subjectCoherencia curricular
dc.subjectAnalítica del aprendizaje
dc.subjectModelos predictivos
dc.subjectEducación médica
dc.subjectUniversidad del Rosario
dc.subjectEscuela de Medicina y Ciencias de la Salud (EMCS)
dc.subjectPerfiles de desempeño estudiantil
dc.subjectRutas formativas
dc.subjectToma de decisiones basadas en datos
dc.subjectGobernanza académica
dc.subject.keywordCurriculum evaluation
dc.subject.keywordHigher education
dc.subject.keywordAcademic quality
dc.subject.keywordLearning outcomes
dc.subject.keywordCurriculum effectiveness
dc.subject.keywordCurriculum coherence
dc.subject.keywordLearning analytics
dc.subject.keywordPredictive models
dc.subject.keywordMedical education
dc.subject.keywordUniversidad del Rosario
dc.subject.keywordSchool of Medicine and Health Sciences (EMCS)
dc.subject.keywordPerformance profiles
dc.subject.keywordTraining pathways
dc.subject.keywordData-driven decision-making
dc.subject.keywordAcademic governance
dc.titleMOPIAC (Modelo Predictivo de Impacto Académico)
dc.title.TranslatedTitleMOPIAC (Predictive Model of Academic Impact)
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de grado
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Modelo_Predictivo_de_Impacto_Académic_Pereira_Campos_Saul_Alexander.pdf
Tamaño:
5.88 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Gestión Estratégica de la Información y la Innovación Digital (MGEI+ID)