Modelo de gestión de riesgos usando aprendizaje automático y análisis de datos para la escuela de posgrado de la UNS
Resumen
La Escuela de Posgrado de la Universidad Nacional del Santa cumple un rol fundamental en la formación de profesionales especializados, es por ello que es muy importante cuidar la seguridad, integridad de la información juntamente con la infraestructura, Uno de los problemas que atraviesa la escuela de posgrado que es mantener la seguridad de los riegos que existen día a día. El objetivo de la investigación es desarrollar un modelo de gestión de riesgos aplicando las normas ISO 31000 y usando análisis de datos que permitirá mitigar los riesgos en la escuela de posgrado de la UNS. La metodología que se utilizó el enfoque mixto, integrando métodos cualitativos y cuantitativos. Los resultados del estudio desarrollado permitieron construir una matriz con 29 riesgos clasificados en siete categorías, de los cuales 7 son críticos concentrándose principalmente en aspectos estratégicos, financieros y regulatorios. El riesgo más relevante corresponde a la insuficiencia presupuestal, seguido por la captación de estudiantes, cumplimiento de estándares SUNEDU y falta de docentes con grado de doctor. Las medidas de control propuestas permiten proyectar una reducción cercana al 60% del riesgo residual. Al aplicar el aprendizaje automático indica que la ejecución de los planes de mitigación permitiría reducir progresivamente la severidad promedio institucional desde 15.67 hasta aproximadamente 6.33 puntos, representando una disminución cercana al 60% del riesgo global que coincide con la evaluación del riesgo residual.
Descargas
Citas
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Fahd, K., Venkatraman, S., Miah, S. J., & Ahmed, K. (2021). Application of machine learning in higher education to assess student academic performance, at-risk, and attrition: A meta-analysis of literature. Education and Information Technologies, 26, 6803-6833. https://doi.org/10.1007/s10639-021-10741-7
Goren, O., Cohen, L., & Rubinstein, A. (2024). Early Prediction of Student Dropout in Higher Education Using Machine Learning Models. Proceedings of the International Conference on Educational Data Mining.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer
Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques (4th ed.). Morgan Kaufmann.
Hopkin, P. (2018). Fundamentals of risk management: Understanding, evaluating and implementing effective risk management (5th ed.). Kogan Page.
Hubbard, D. W. (2020). The failure of risk management: Why it's broken and how to fix it (2nd ed.). John Wiley & Sons
International Organization for Standardization. (2018). ISO 31000:2018 Risk management: Guidelines. ISO. https://www.iso.org/standard/65694.html.
ISO (2018). ISO 31000:2018. Gestión de riesgos. Principios y directrices.
López Heredia, J. M. A. (2026). Modelo para la predicción del éxito profesional en egresados de la UNS mediante aprendizaje automático basado en datos académicos y socioeconómicos [Tesis doctoral, Universidad Nacional del Santa, Escuela de Posgrado]. Repositorio Institucional UNS.
Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
Python Software Foundation. (2020). Python. Recuperado de (link unavailable).
Quinlan, J. R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann.
Ramírez, C., & Ortiz, B. (2011). Gestión de riesgos tecnológicos basada en ISO 31000. Ingeniería, 16(2), 56–66.
Superintendencia Nacional de Educación Superior Universitaria (SUNEDU). (2015). Modelo de licenciamiento y su implementación en el sistema universitario peruano. SUNEDU.
Ridgers, M. (2020, 5 de julio). 5 Big Trends in Data Analytics. KDnuggets. https://www.kdnuggets.com/2020/07/5-big-trends-data-analytics.html
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Derechos de autor 2026 Lizbeth Dora Briones Pereyra , Carlos Eugenio Vega Moreno , Camilo Ernesto Suarez Rebaza

Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.









.png)
















.png)
1.png)

