RADI XXI: PROTOTIPO WEB PARA LA VALORACIÓN ACADÉMICA

EN CURSOS SELECCIONADOS DEL COLEGIO MONTE HEBRÓN

DOCUMENTO DE ANEXOS

Autor(es):

DAVID ESTEBAN LÓPEZ CASTILLO

DANIEL ALEJANDRO RAMOS VARGAS

MANUEL ALEJANDRO TERREROS RODRÍGUEZ

UNIVERSIDAD EL BOSQUE

PROGRAMA DE INGENIERÍA DE SISTEMAS

FACULTAD DE INGENIERÍA

Bogotá, 2026

Tabla de contenidos

ANEXO NÚM. 1: ACTAS DE REUNION CON EL CLIENTE.

ANEXO NÚM. 2: DIAGRAMAS AS-IS.

ANEXO NÚM. 3: ARBOL DE PROBLEMAS

ANEXO NÚM. 4: ANALISIS DEL PROBLEMA DESDE EL MODELO MBPSC.

ANEXO NÚM. 5: Tabla Técnicas de aprendizaje de máquina y de análisis de datos.

ANEXO NÚM. 6: DOCUMENTO DE REQUERIMIENTOS

ANEXO NÚM. 7: TABLEROS DE JIRA – HISTORIAS DE USUARIO - PLANIFICACIÓN DE

SPRINTS.

ANEXO NÚM. 8: DIAGRAMAS DE PROCESOS TO-BE.

ANEXO NÚM. 9: DIAGRAMA DE DESPLIEGUE.

ANEXO NÚM. 10: DIAGRAMA DE SECUENCIA.

ANEXO NÚM. 11: DIAGRAMAS C4.

ANEXO NÚM. 12: DIAGRAMA ENTIDAD - RELACIÓN.

ANEXO NÚM. 13: DIAGRAMA RELACIONAL.

ANEXO NÚM. 14: DIAGRAMA CASOS DE USO.

ANEXO NÚM. 15: MANUAL TECNICO.

ANEXO NÚM. 16: MANUAL DE USUARIO.

ANEXO NÚM. 17: PLAN DE PRUEBAS.

ANEXO NÚM. 18: INFORME EJECUCIÓN DE PRUEBAS.

ANEXO NÚM. 19: ANALISIS DESDE EL MODELO MBPSC DE LA SOLUCIÓN DESDE LA

INGENIERIA.

ANEXO NÚM. 20: PLAN DE COMUNICACIONES.

ANEXO NÚM. 21: CARTA CAMBIO DE ALCANCE.

ANEXO NÚM. 22: PROCESO ETL.

ANEXO NÚM. 23: DIAGRAMA RELACIONAL OLAP.

ANEXO NO. 24: Promedio Nota por Docente y Materia ANEXO NO. 25: Analíticas Aplicativo ANEXO NO. 26: Promedio Nota por Docente y Materia

ANEXO NO. 27: Promedio Nota por Docente y Materia ANEXO NO. 28: Promedio Nota por Docente y Materia ANEXO NO. 29: Matriz de correlaciones ANEXO NO. 30: Capturas prototipo RADI XXI ANEXO NO. 31: Matriz de validación ANEXO NO. 32: Carta de satisfacción del cliente ANEXO NO. 33: Resultados entrevistas

ANEXO NÚM. 1: ACTAS DE REUNION CON EL CLIENTE.

(Anexo confidencial, por manejo de información sensible)

ANEXO NÚM. 2: DIAGRAMAS AS-IS.

Figura 2.1. Diagrama AS-IS de la creación de exámenes.

Figura 2.1a. Detalle proceso de coordinación académica.

Figura 2.1b. Detalle proceso de secretaria académica y docentes.

Figura 2.2. Diagrama AS-IS de presentación y evaluación de actividades evaluativas.

Figura 2.2a. Detalle de proceso de presentación y calificación de actividades.

Figura 2.2b. Detalle de proceso de evaluación por parte de secretaria académica.

Figura 2.2c. Detalle del proceso de entrega de resultados a docentes y estudiantes.

ANEXO NÚM. 4: ANALISIS DEL PROBLEMA DESDE EL MODELO MBPSC.

ANEXO NÚM. 5: TABLA TÉCNICAS DE APRENDIZAJE DE MÁQUINA Y DE

ANÁLISIS DE DATOS.

Modelo y/o Técnica Tipo de análisis ¿De qué trata?

¿Para qué fue utilizado?

Ventajas Desventajas Regresión Lineal Predictivo Es la representaci ón de la predicción de una variable dependiente en función de una variable independien te. En otras palabras, la variable independien te tiene una relación de carácter lineal con la variable dependiente y se denota con una línea recta.

Esta técnica fue utilizada para correlacionar y predecir el comportamie nto actual y futuro de variables como la edad y las notas o promedios obtenido.

-Es de fácil implementa ción.

-Buen comportami ento con datos separables linealmente.

-Está limitada únicamente a relaciones lineales.

-Es propenso y sensible a la multicolinealid ad y a los valores atípicos.

Regresión Logística Predictivo

Es un modelo estadístico considerado un algoritmo de ML y clasificado como una técnica de aprendizaje supervisado que consiste en el cálculo de probabilidad es basada en la combinació n lineal de una o múltiples variables independien tes.

Se utilizó esta técnica tanto para la predicción del rendimiento estudiantil como a su vez para la detección de un probable rendimiento estudiantil muy bajo, a través de variables como el género, la edad, región, notal, factores psicométricos , becas, redes sociales, entre otros.

-Es de fácil comprensión

.

-Los resultados son probabilidad es relacionadas a variables dependiente s y de carácter categórico.

-De salida puede obtenerse una respuesta binaria, multinomial u ordinal.

-Únicamente puede usarse para la predicción de variables categóricas.

-Requiere que entre sus variables exista una linealidad.

Árboles de Decisión Predictivo Considerado como una técnica de aprendizaje supervisado y destinado para realizar la clasificación y predicción de variables dispuestas en un conjunto de datos categóricas o numéricas.

Esta técnica fue destinada para realizar predicciones del rendimiento académico para educandos en bachillerato, secundaria y hasta en pregrados a través de variables como el género, edad, comportamie ntos en internet, tiempo en línea, becas, nivel económico, hacinamiento , entre otros.

-Pueden manipularse variables numéricas y categóricas.

-No es muy sensible a outliers.

-No depende de la relación lineal entre las variables en los datos.

-Propensos al sobreajuste.

Random Forest Predictivo Es un tipo de aprendizaje en conjunto, específicam ente de la familia de los modelos Bagging, en los cuales los algoritmos más simples (en este caso árboles de decisión) son utilizados en paralelo.

Esta técnica construye un bosque de árboles de decisión, cada uno con una combinació n de un Se utilizó para predecir el rendimiento estudiantil y para identificar qué variables impactan a dicho rendimiento y que relación existe entre las variables orquestadas.

-Puede tener cierta resistencia a los valores faltantes .

-No requiere de la transformaci ón de variables.

-Distintos árboles de decisión pueden trabajar en paralelo.

-Tienen un nivel de complejidad alto.

-Tienen una mayor probabilidad de producir sesgos en problemas de multiclase.

subconjunto de característic as proveniente s de un conjunto incial.

Máquina de Soporte Vectorial Predictivo Considerado parte del aprendizaje supervisado , son utilizados para la resolución de problemas enfocados a la clasificación y regresión de vectores.

Fue utilizado para la predicción del rendimiento estudiantil al igual que los datos a través de la distinción de si pasa o no.

-Los outliers tienen menor impacto, ya que lo que importa son los vectores de soporte.

-Puede ser muy bien utilizado para problemátic as relacionadas a variables binarias.

-Complicado de comprender y de ejecutar.

-El tiempo de procesamiento depende del número de instancias.

Naive Bayes Predictivo Se basa en el teorema bayesiano; Esta técnica asume que no hay relaciones ocultas entre los atributos de los datos.

Funciona según la probabilidad de pertenecer a una clase específica.

Sirvieron para la predicción de las notas de los estudiantes, además, se le puede agregar variables como las relacionadas a las actividades llevadas a cabo durante un semestre, las notas anteriores, las asistencias, sus hábitos de alimentación, variables relacionadas a los padres pueden aportar a la predicción -Es un algoritmo que procesa rápidamente característic as discretas.

-Tiene buen comportami ento ante la presencia de característic as irrelevantes.

-Fácil comprensión

.

-No es apto para las características discretas.

con Naive Bayes.

K-Vecinos más cercanos Clasificación Es un método de clasificación que Almacena los datos según en la similitud de sus atributos, con esta técnica se asume que los ítems de datos con atributos similares son más propensos a ser entablados en una misma clase.

Puede ser utilizado para predecir el rendimiento de un examen de los estudiantes.

Se ha utilizado registros de los datos demográficos , el rendimiento de los estudiantes para alimentar esta técnica y/o algoritmo. La selección de característica s puede mejorar su resultado.

-Fácil implementa ción.

-Simple entendimien to.

-Tiene la capacidad de ejecutarse sobre casos de tipo multiclase.

-Su ejecución consume memoria.

-El hallazgo del número de vecinos más cercanos es complejo.

-Es sensible a outliers.

Redes Neuronale s Predictivo Funciona basada en el uso de tres capas que procesan la información entrante, con el objetivo de clasificar la data obtenida.

Puede ser mejorada cuando se utilizan técnicas o procesos de selección y tratamiento de característic as (Feature Selection).

Sirven demasiado para la predicción, más sin embargo, podría servir mucho más si se realizara la obtención de datos no cognitivos como los que están en las plataformas LMS, como lo puede ser el tiempo de duración, los clicks, etc.

De lo contrario, cuando se tiene datos cognitivos y no cognitivos limitados, puede afectar -Las redes neuronales son buenas para aprender de variables no lineales.

-Depende del número y tipo de datos utilizados y en qué tipo de modelo es entrenado.

-Su desempeño depende del número de capas e iteraciones ajustadas.

-Si la red neuronal es recurrente, puede recaer en explosión o desvanecimien to del gradiente.

el rendimiento de la predicción.

Además, se debe tener en cuenta que el preprocesami ento de los datos es clave para este tipo de técnicas.

PCA -

Análisis de Compone ntes Principale s Reducción de dimensionali dad Transforma un conjunto de variables correlaciona das en un número menor de variables no correlaciona das llamadas componente s principales.

Se utiliza para simplifcar grandes volúmenes de datos, y su resultado, es llevado como insumo para otros algoritmos, como lo puede ser K—Means.

Elimina redundancia de datos y facilita la visualización de estructuras complejas.

Puede eliminar información crucial y hacer que se pierda su significado.

DBSCAN -

Density- Based Spatial Clustering of Applicatio ns with Noise Descriptivo Agrupa puntos de datos que están densamente concentrado s y marca como ruido o valores atípicos (outliers) aquellos puntos que están en zonas de baja densidad.

Sirve para identificar grupos dentro de los datos que contienen comportamie ntos similares y ayuda a detectar casos atípicos por su cuenta.

No requiere predefinir el número de grupos (a diferencia de K-Means) y detecta valores atípicos de forma eficiente.

No funciona bien si la densidad de los datos varía mucho entre diferentes grupos.

FP-Growth

Descriptivo Descubre patrones o conjuntos de elementos que ocurren juntos con frecuencia en una base de datos, utilizando una Se utiliza como algoritmo para encontrar reglas de asociación.

Es más rápido que el algoritmo Apriori Clásico.

Puede generar una cantidad masiva de reglas si los parámetros de soporte no están bien configurados, dificultando su análisis.

estructura de árbol para evitar el escaneo repetitivo de los datos.

Modelo Psicométri co TCT, Teoría Clásica de los Test.

Psicométric o Un modelo matemático que relaciona la probabilidad de responder bien un ítem con la habilidad del sujeto y la dificultad del ítem.

Es utilizado en el campo de la psicometría para determinar la calidad, dificultad de los ítems.

Separa la habilidad de la persona de las característic as del examen.

Permite una medición más justa y precisa que el promedio simple.

Requiere que los datos cumplan estrictamente con el principio de unidimensiona lidad e independencia

.

ANEXO NÚM. 6: DOCUMENTO DE REQUERIMIENTOS

ANEXO NÚM. 7: TABLEROS DE JIRA – HISTORIAS DE USUARIO -

PLANIFICACIÓN DE SPRINTS.

.

ANEXO NÚM. 8: DIAGRAMAS DE PROCESOS TO-BE.

Figura 8.1. TO-BE Creación de actividades evaluativas.

Figuro 8.1a. Flujo de proceso ideal para coordinación académica.

Figura 8.1b. Interacción de docentes con el sistema.

Figura 8.1c. Culminación del proceso entre sistema y docente.

Figura 8.2. TO-BE presentación y valuación de las actividades.

Figura 8.2a. Proceso presentación de actividades evaluativas e interacción con el sistema de calificación.

Figura 8.2b. Proceso de calificación del sistema e interacción con el docente.

Figura 8.2c. Proceso de la entrega de información a los docentes y suministro de retroalimentación.

Figura 8.2d. Proceso de influencia en la toma de decisiones.

ANEXO NÚM. 11: DIAGRAMAS C4.

Figura 11.1. Diagrama nivel 1 (contexto).

Figura 11.2. Diagrama nivel 2 (contenedores).

Figura 11.3. Diagrama nivel 3 (componentes).

ANEXO NÚM. 12: DIAGRAMA ENTIDAD - RELACIÓN.

ANEXO NÚM. 18: INFORME EJECUCIÓN DE PRUEBAS.

ANEXO NÚM. 19: ANÁLISIS DESDE EL MODELO MBPSC DE LA SOLUCIÓN DESDE

LA INGENIERÍA.

ANEXO NÚM. 21: CARTA CAMBIO DE ALCANCE.

(Anexo confidencial, por manejo de información sensible)

ANEXO NÚM. 23: DIAGRAMA RELACIONAL OLAP.

ANEXO NO. 24: PROMEDIO NOTA POR DOCENTE Y MATERIA

(Anexo confidencial, por manejo de información sensible)

ANEXO NO. 26: PREGUNTAS POR ACTIVIDAD Y RIESGO POR MATERIA

ANEXO NO. 27: PORCENTAJE DE ACIERTO POR ACTIVIDAD Y COMPARATIVO

RADIAL DE COMPETENCIAS

ANEXO NO. 30: CAPTURAS PROTOTIPO RADI XXI

ANEXO NO. 31: MATRIZ DE VALIDACIÓN

ID Historia Funcionalidad validada Tipo de prueba Resultado

SCRUMRDXXI-

106

Visualización de perfil del docente Aceptación Aprobado

SCRUMRDXXI-

4

Carga y procesamiento de archivos CSV desde ZipGrade Aceptación + Integración (CI-13) Aprobado

SCRUMRDXXI-

124

Procesamiento CSV y generación de reporte con clasificación por terciles Aceptación + Unitaria (28 casos) Aprobado

SCRUMRDXXI-

120

Visualización de descriptores de nivel de desempeño Aceptación Aprobado

SCRUMRDXXI-

121

Visualización de componentes por materia Aceptación Aprobado

SCRUMRDXXI-

122

Visualización de competencias por componente Aceptación Aprobado parcialmente

SCRUMRDXXI-

123

Visualización de afirmaciones por competencia Aceptación Aprobado parcialmente

SCRUMRDXXI-

142

Creación de actividad evaluativa con configuración pedagógica completa Aceptación Aprobado

SCRUMRDXXI-

143

Listado, edición y eliminación de actividades evaluativas Aceptación Aprobado

SCRUMRDXXI-

144

Detalle completo de actividad evaluativa Aceptación Aprobado

SCRUMRDXXI-

87

Gestión de docentes y asignaciones por el coordinador Aceptación Aprobado

SCRUMRDXXI-

88

Gestión de cursos y grados por el coordinador Aceptación Aprobado

SCRUMRDXXI-

86

Gestión de estudiantes por el coordinador Aceptación Aprobado

SCRUMRDXXI-

110

Resumen de resultados de actividad evaluativa Aceptación Aprobado

SCRUMRDXXI-

125

Resumen estructurado de actividad con métricas de rendimiento Aceptación Aprobado

SCRUMRDXXI-

17

Generación de gráficas interactivas de rendimiento Aceptación Aprobado

SCRUMRDXXI-

9

Análisis descriptivo de rendimiento por actividad Aceptación Aprobado

SCRUMRDXXI-

10

Análisis diagnóstico con patrones de rendimiento Aceptación Aprobado

SCRUMRDXXI-

8

Comparación de rendimiento estudiantil en el tiempo Aceptación Aprobado

SCRUMRDXXI-

13

Gráficas de rendimiento general del grupo Aceptación Aprobado

SCRUMRDXXI-

14

Desempeño del curso por componentes y competencias Aceptación Aprobado

SCRUMRDXXI-

15

Desempeño del curso con detalle de DND por período Aceptación Aprobado

SCRUMRDXXI-

16

Desempeño del curso con datos pedagógicos completos Aceptación Aprobado

SCRUMRDXXI-

6

Dashboard consolidado del coordinador por cursos y docentes Aceptación Aprobado

SCRUMRDXXI-

108

Visualización de sección DCE (Descriptores, Componentes, Estándares) Aceptación Aprobado

SCRUMRDXXI-

131

Capacitación y operación autónoma del rector Aceptación Aprobado

SCRUMRDXXI-

132

Capacitación y operación autónoma de docentes Aceptación Aprobado

ANEXO NO. 32: CARTA DE SATISFACCIÓN DEL CLIENTE

(Anexo confidencial, por manejo de información sensible)