Quipas BMJ SD

ESCUELA DE POSGRADO
PROGRAMA ACADÉMICO DE MAESTRÍA EN INGENIERÍA

DE SISTEMAS CON MENCIÓN EN TECNOLOGÍAS DE LA
INFORMACIÓN
Machine Learning en la Mejora de la Gestión del Conocimiento en

el Consejo Nacional de Ciencia y Tecnología e Innovación
Tecnológica - CONCYTEC, Lima 2021
TESIS PARA OBTENER EL GRADO ACADÉMICO DE:

Maestro en Ingeniería de Sistemas con Mención en Tecnologías de la Información
AUTOR:
Quipas Bellizza, Mirtha Jesús (ORCID: 0000-0002-2229-0681)
ASESOR:
Dr. Visurraga Agüero, Joel Martin (ORCID: 0000-0002-0024-668X)
LÍNEA DE INVESTIGACIÓN:
Sistemas de Información y Comunicaciones
LIMA – PERÚ
2021
Dedicatoria
A mis padres por su guía y amor
incondicional, que me impulsan cada día a
alcanzar mis metas.
ii
Agradecimiento
Agradezco a mi institución laboral por su
apoyo en el desarrollo de mi investigación
iii
Índice de contenidos
Pág.
Dedicatoria ii
Agradecimiento iii
Índice de contenidos iv
Índice de tablas v
Índice de gráficos y figuras vi
Resumen vii
Abstract viii
I. INTRODUCCIÓN 1
II. MARCO TEÓRICO 6
III. METODOLOGÍA 21
3.1. Tipo y diseño de investigación 21
3.2. Variables y operacionalización 22
3.3. Población, muestra y muestreo 23
3.4. Técnicas e instrumentos de recolección de datos 24
3.5. Procedimientos 26
3.6. Método de análisis de datos 26
3.7. Aspectos éticos 27
IV. RESULTADOS 28
V. DISCUSIÓN 39
VI. CONCLUSIONES 47
VII. RECOMENDACIONES 49
REFERENCIAS 50
ANEXOS 57
iv
Índice de tablas
Pág.
Tabla 1. Matriz de operacionalización de la variable dependiente – 23
Gestión del conocimiento
Tabla 2. Población de la investigación 24
Tabla 3. Ficha técnica del instrumento 25
Tabla 4. Expertos que validaron el instrumento de recolección de 26
datos cuantitativos
Tabla 5. Medidas descriptivas del indicador 1 tiempo de ejecución 28
Tabla 6. Medidas descriptivas del indicador 2 índice de expedientes 29
procesados
Tabla 7. Medidas descriptivas del indicador 3 índice de expedientes 31
procesados en el tiempo previsto
Tabla 8. Pruebas de Wilcoxon –Rangos del indicador 1 tiempo de 33
ejecución
Tabla 9. Pruebas de Wilcoxon – Estadísticos de contraste indicador 34
1 tiempo de ejecución.
Tabla 10. Pruebas de Wilcoxon – Rangos del indicador 2 índice de 35
expedientes procesados
Tabla 11. Pruebas de Wilcoxon – Estadísticos de contraste del 35
indicador 2 índice de expedientes procesados
Tabla 12. Pruebas de Wilcoxon – Rangos del indicador 3 índice de 37
expedientes procesados en el tiempo previsto
Tabla 13. Pruebas de Wilcoxon – Estadísticos de contraste del 37
indicador 3 índice de expedientes procesados en el tiempo
previsto
v
Índice de figuras
Pág.
Figura 1. Comparación de valores medios del indicador tiempo de 28
ejecución
Figura 2. Comparación de valores medios del indicador índice de 30
Figura 3. Comparación de valores medios del indicador índice de 31
expedientes procesados en el tiempo previsto
vi
Resumen
El objetivo de la presente investigación es determinar que machine learning

mejora la gestión del conocimiento en el Consejo Nacional de Ciencia y Tecnología
e Innovación Tecnológica - CONCYTEC, Lima 2021. Para lo cual, se midieron los
resultados del proceso de gestión de conocimiento en forma tradicional y haciendo
uso de una aplicación machine learning para establecer la mejora a través de
indicadores de tiempo, así como de índices de documentos procesados
normalmente y en tiempos previstos.
El tipo de investigación empleada fue aplicada, con diseño experimental puro,

utilizando una población de 50 observaciones y con un muestreo probabilístico por
cada indicador. Para la recolección de datos se utilizó como instrumento de
recolección de datos la guía de observación y para la prueba de hipótesis en el
análisis inferencial, se utilizó la prueba de Wilcoxon.
Se concluyó que con la implementación de machine learning se mejora

significativamente la gestión de conocimiento, teniendo como puntos fuertes de
mejora sus indicadores, demostrando que el tiempo de ejecución disminuyó en
promedio 63.68%, los expedientes procesados se incrementaron en 25.13% y
expedientes procesados en el tiempo previsto se incrementaron en 42.15%,
respecto a sus situaciones iniciales.
Palabras clave: aprendizaje automático, gestión del conocimiento, proceso,

algoritmos de predicción.
vii
Abstract
The objective of this research is to determine that Machine Learning improves

knowledge management in the National Council for Science and Technology and
Technological Innovation - CONCYTEC, Lima 2021. For which, the results of the
knowledge management process were measured in a traditional way and made use
of a Machine Learning application to establish the improvement through time
indicators, as well as indexes of documents processed normally and in anticipated
times.
The type of research used was applied, with a pure experimental design,
using a population of 50 observations and with a probability sampling for each
indicator. For data collection, the observation guide was used as a data collection
instrument and for the hypothesis test in the inferential analysis, the Wilcoxon test
was used.
It was concluded that with the implementation of Machine Learning, it

significantly improves knowledge management, having its indicators as strengths of
improvement, showing that the execution time decreased by an average of 63.68%,
the processed files increased by 25.13% and the files processed in the expected
time increased by 42.15%, compared to their initial situations.
Keywords: machine learning, knowledge management, process, prediction

algorithms.
viii
ix
I. INTRODUCCIÓN
Actualmente con el acelerado avance tecnológico, a las organizaciones se

les presentan oportunidades para que a través del uso de tecnologías de
información puedan desarrollar su conocimiento empresarial y lograr incrementar
su competitividad en este mundo globalizado que se encuentra en constante
crecimiento.
Organizaciones internacionales como la Organización para la Cooperación

y Desarrollo Económicos (OCDE), a través de los años ha realizado estudios que
demuestran que una gestión de conocimientos puede hacer que una empresa sea
productiva, innovadora y por ende sea exitosa. De igual manera, el Programa de
las Naciones Unidas para el Desarrollo (PNUD) ha desarrollado y viene
desarrollando proyectos basados en la gestión del conocimiento en diferentes
países del mundo y en sus evaluaciones se evidencia que los resultados mejoran
las organizaciones.
La gestión del conocimiento a través del tiempo ha ido incorporando

componentes actuales como innovación y el indudable aporte de nuevos productos
que proporcionan las tecnologías emergentes adaptándose a las nuevas
realidades, que incluso con fenómenos no advertidos como COVID-19 han
impactado positivamente en las aplicaciones digitales, la gestión del conocimiento
de las organizaciones y su productividad, al tener que adaptarse rápidamente a
nuevas formas de brindar sus servicios. La ICEMD de la ESIC Business &
Marketing School publicó que las tecnologías más disruptivas que presentan mayor
impacto en la sociedad son inteligencia artificial y cognitiva, machine learning, deep
learning, asistentes virtuales, chatbots, reconocimiento de imágenes,
reconocimiento de voz entre otros.
Desde una perspectiva del impacto social-técnico Young, Majehrzak y Kane

(2021) opina que los incentivos económicos y la innovación están impulsando el
1
incremento de dependencia de las herramientas de aprendizaje automático más
allá de las redes sociales, ya que éstas incursionan en la vida laboral diaria en sus
diversas aplicaciones como asistentes virtuales, pilotos automáticos de aviones,
vehículos de transporte autónomos, sistemas de monitoreo de fraudes financiaros,
procesos logísticos predictivos por indicar algunos.
En el Perú la Presidencia del Consejo de Ministros como parte de sus

políticas de modernización del estado, tiene a la gestión del conocimiento como un
eje trasversal y pilar importante para el éxito de la modernización del Estado, así
como el marco jurídico que facilita el uso de tecnologías en empresas del sector
público. En este sentido, las Entidades del Estado lo incluyen en sus estrategias
gubernamentales para el logro de sus objetivos.
Actualmente, debido a los últimos acontecimientos de la pandemia en las

diferentes regiones del País se viene experimentando un crecimiento en los
servicios digitales tanto privados como gubernamentales. Las aplicaciones de estos
servicios se han realizado por grandes inversiones en tecnología que permiten
mantener la operatividad, salvaguardar la salud y plantearse mejores estrategias
para gestionar la información y tomar decisiones.
El Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica

(Concytec) de acuerdo a la política gubernamental del país, tiene en sus principales
instrumentos de gestión, componentes de gestión del conocimiento que le permiten
el cumplimiento de sus objetivos. Desde el inicio de la Pandemia la mayoría del
personal viene realizando labores de tele-trabajo, trabajando permanentemente en
ofrecer mejores y mayores servicios digitales al ciudadano. Sin embargo, existen
actividades especializadas al interno que toman mucho tiempo y esfuerzo de
realizar y cuyo resultado es conocimiento importante para la toma de decisiones.
En Concytec se realizan actividades de cálculos especializados,

simulaciones y predicciones tanto para generar instrumentos de gestión como para
2
para la toma de decisiones, y generalmente por las características de éste y no
estar completamente automatizada, su elaboración toma mucho tiempo y esfuerzo
realizarlo, debido al alto volumen de información que maneja y a la naturaleza del
trabajo que realiza como ente rector. Por lo que se propone hacer uso de la
tecnología machine learning para que le ayude en su gestión.
En este sentido, la presente investigación responderá a la pregunta: ¿De qué

manera machine learning mejora la gestión del conocimiento en el Consejo
Nacional de Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima
2021?.
En cuanto a los problemas específicos, se indican a continuación: (a) ¿De

qué manera machine learning mejora el tiempo de ejecución de la gestión del
conocimiento, en el Consejo Nacional de Ciencia y Tecnología e Innovación
Tecnológica - CONCYTEC, Lima 2021?, (b) ¿De qué manera machine learning
mejora el índice de expedientes procesados de la gestión de conocimiento, en el
Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC,
Lima 2021?, (c) ¿De qué manera machine learning mejora el índice de expedientes
procesados en el tiempo previsto de la gestión de conocimiento en el Consejo
Nacional de Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima
2021?.
La presente investigación se justifica porque a través del proyecto se obtiene

un modelo de trabajo utilizando tecnologías actuales como es machine learning
aplicada a sistemas de cobertura nacional para empresas del estado, que facilita
responder a nuevos tiempos, mejorar la eficiencia y adecuarse a las nuevas
exigencias del ciudadano y del entorno. Asimismo, la justificación epistemológica
se basa en el enfoque de racionalismo de la corriente de Buffón, quien veía al
hombre como un ser con capacidad de pensar y formar conocimiento (Arellano,
2014).
3
En el campo teórico la investigación se justifica porque permite generar
conocimientos de los fundamentos de la tecnología machine learning y de la gestión
del conocimiento, de forma tal que facilita su entendimiento para posteriores
aplicaciones en otros sectores del gobierno y/o empresas privadas; y en el ámbito
práctico el resultado de la investigación permite generar un conocimiento valioso al
interno de la organización y adicionalmente podrá utilizarse para otras finalidades
que permitan beneficiar a más personas de la comunidad científica.
La presente investigación utilizó el método experimental, con pre y post test

en sus mediciones, y hace uso de instrumentos de recolección de datos confiables
y validados, que permiten la obtención de datos y posterior generación de
resultados, que podrán servir de base para futuros estudios.
Por otro lado, tiene como propósito alcanzar ciertos objetivos, los cuales se
encuentran planteados a partir del problema. En este sentido, se formuló el
siguiente objetivo general: Determinar que machine learning mejora la gestión del
conocimiento en el Consejo Nacional de Ciencia y Tecnología e Innovación
Tecnológica - CONCYTEC, Lima 2021. Asimismo, los objetivos específicos son los
siguientes: (a) Determinar que machine learning mejora el tiempo de ejecución de
la gestión del conocimiento en el Consejo Nacional de Ciencia y Tecnología e
Innovación Tecnológica - CONCYTEC, Lima 2021, (b) Determinar que machine
learning mejora el índice de expedientes procesados de la gestión del conocimiento
en el Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica -
CONCYTEC, Lima 2021, (c) Determinar que machine learning mejora el índice de
expedientes procesados en el tiempo previsto de la gestión del conocimiento en el
Lima 2021.
De igual modo, se realizó suposiciones sobre los resultados a obtener de la

investigación. La hipótesis general planteada fue la siguiente: Machine learning
4
mejora significativamente la gestión del conocimiento en el Consejo Nacional de
Ciencia y Tecnología e Innovación Tecnológica –CONCYTEC, Lima 2021.
Respecto a las hipótesis específicas, tenemos las siguientes: (a) Machine

learning mejora significativamente el tiempo de ejecución de la gestión del
Tecnológica –CONCYTEC, Lima 2021, (b) Machine learning mejora
significativamente el Índice de expedientes procesados de la gestión del
Tecnológica –CONCYTEC, Lima 2021, (c) Machine learning mejora
significativamente el índice de expedientes procesados en el tiempo previsto de la
gestión del conocimiento en el Consejo Nacional de Ciencia y Tecnología e
Innovación Tecnológica –CONCYTEC, Lima 2021.
5
II. MARCO TEÓRICO.
Para efectos de sustentar la presente investigación, en el ámbito nacional se

tienen los siguientes estudios previos:
Neyra (2021) realizó una investigación que tuvo como objetivo desarrollar
métodos de predicción basados en machine learning, para estimar el contenido de
cadmio en granos de cacao, a partir de sus firmas hiperespectrales en el proceso
productivo del cacao para su detección en tiempo real y con ello reducir el riesgo
de contaminación por metales pesados como el cadmio en el producto final. El
estudio se realizó en el departamento de Automática y Control de la Universidad de
Piura, tomando datos de muestras de cacao de algunas locaciones de la región, se
obtuvieron resultados de diversos algoritmos de predicción de machine learning
permitiendo comparar los modelos para ese caso y con un monitoreo en tiempo
real, se tomaron medidas correctivas logrando la mitigación de contaminación por
metales pesados como el cadmio. Concluyó que las imágenes multiespectrales
para uso de la industria agrícola se complementan muy bien con la aplicación de
machine learning como estrategia en la detección de cadmio en el cacao.
Gamarra (2020) en su investigación, tuvo como propósito la elaboración de

modelos de predicción machine learning relacionados con la mortalidad perinatal
para la Dirección Ejecutiva de epidemiología de la DIRESA Junín, con la finalidad
que los funcionarios puedan tomar decisiones de prevención y evitar eventos no
deseados. Para ello se utilizó datos históricos de muertes prenatales y luego de la
fase de recolección de datos, se procesaron para entrenamiento y prueba aplicando
a varios modelos predictivos. Resultado de la evaluación se determinó que el
algoritmo W-J48 fue quien presentó el mejor modelo de predicción relacionado con
el número de pacientes con muerte prenatal en la región Junín, obteniendo métricas
de precisión de 88.09%, sensibilidad de 78.53% y precisión de clase de 97.11%.
6
Por otro lado, López (2019) tuvo como objeto de su investigación, la
comparación e identificación del mejor modelo de aprendizaje automático para
predecir el incumplimiento de pagos en el sector bancario, específicamente en
instituciones financieras. Se aplicaron varios modelos de aprendizaje automático
haciendo uso de los datos proporcionados por una empresa del sector financiero
del Perú, logrando realizar las predicciones utilizando el modelo XGBoost, con una
exactitud del 97.53% y un F1-Score de 0.1278. A través de éste modelo se puede
reducir el tiempo en la identificación de mal pagadores y buenos pagadores el
porcentaje de exactitud indicado anteriormente.
Asimismo, Medina (2018) en su tesis de maestría, realizó una investigación

relacionada con la detección de depresión en alumnos aplicando un análisis textual
y el modelo predictivo basado en aprendizaje automático. La investigación permitió
identificar patrones personalizados de personas con depresión utilizando técnicas
TF-IDF en una muestra de 596 alumnos de la Universidad César Vallejo, utilizando
Microsoft Azure machine learning con R, como herramienta para implementar el
modelo de predicción, el cual proporciona resultados con una alta probabilidad de
91.7% y con resultados reportados en menos de dos horas. Se comprobó que con
la aplicación web basado en análisis textual y aprendizaje automático el tiempo de
atención para pacientes con depresión considerable disminuye siendo oportuno y
permitiendo apoyar a la disminución de casos de suicidio en cualquier parte del
mundo.
En cuanto a los antecedentes internacionales, se tienen los siguientes:

Zhao, Zhang, Liu, Wang, Zhu et al. (2021) efectuaron una investigación en Beijing-
China, exponiendo los algoritmos y técnicas del aprendizaje automático para la
exploración y evaluación de biomasa de peces, su identificación y clasificación, así
como el análisis de comportamiento y predicción de parámetros de calidad del
agua, destacando los problemas actuales en el sector y su tendencia de desarrollo.
Se describieron y utilizaron métodos para aplicación del aprendizaje automático
comparado con el aprendizaje tradicional, logrando identificar que el aprendizaje
7
automático mejoró la eficiencia en beneficio de la cría, identificando algunas
deficiencias en el aprendizaje automático como la complejidad e incompletitud de
los conjuntos de datos, baja calidad de imágenes, y costos altos en la
implementación técnica. Asimismo, se observó que los factores externos como el
clima, la geografía, la composición biológica de los ambientes de acuicultura limitan
el aprendizaje automático; como parte del análisis del comportamiento y predicción
de la calidad del agua, se crearon modelos de datos y una base de datos pesquera
para mejorar la trasparencia de la información. El autor concluye que el aprendizaje
automático puede ser aplicado en la detección y clasificación de peces,
posibilitando la prevención de enfermedades, análisis de comportamiento e
investigación ambiental en el sector de la acuicultura, así como que se está
convirtiendo en un elemento vital para la acuicultura y que en el futuro debe superar
sus limitaciones.
Ashok y Pellakuri (2020) realizaron su investigación en Solapur India, donde

implementaron algoritmos predictivos basados en machine learning que permiten
predecir el riesgo de salud de niños menores a 5 años, ya que son una población
vulnerable y requieren tratamientos tempranos. Con estas predicciones se puede
evitar muertes y realizar programas de tratamientos tempranos. Adicionalmente,
como parte de la investigación se abordan temas relacionados con las formas de
aprendizaje automático existentes, sus tipos y atributos, así como sus necesidades,
haciendo énfasis en la comparación de los algoritmos K-mean y el algoritmo K-
nearest neighbour, resaltando que el último es más sencillo de clasificar.
Li, Yang, Wang y Wu (2018) en su investigación aplicó modelos de

aprendizaje automático para predecir como las inversiones de empresas en I + D
influyen en el proceso de innovación en el futuro, derivados de estrategias de
innovación actuales. Para realizar la investigación se aplicó y recomendó el uso del
método XGBoost para sus estimaciones, tanto por su precisión como por la
interpretación de datos en comparación a árbol de decisiones, los bosques
aleatorios y la red neuronal; asimismo, para la muestra utilizaron datos completos
8
de las empresas que pertenecieron al Parque Científico Zhongguancun – ZGC en
China, de los años 2005 hasta el 2015. Este modelo de aprendizaje automático
puede aplicarse a cualquier tamaño de empresa y de diferentes clústeres, para
predecir fácilmente su desempeño en innovación, así como para realizar
evaluaciones de proyectos que ayuden en la toma de decisiones para la elección
de financiación limitada y para investigar sobre los efectos de nuevas estrategias
en el desempeño de la empresa.
Knoll, Prüglmeier y Reinhart (2016) efectuaron su investigación en la

Universidad de Múnich Alemania con el propósito proporcionar un enfoque que
permita predecir escenarios de la logística de entrada, mediante el uso aprendizaje
automático. En este enfoque se propone para apoyar principalmente a las
actividades de planificación logísticas y hace una revisión técnica detallada de
lineamientos y procedimiento a seguir. Propone dividir el trabajo en etapa de
configuración y creación de una ontología logística, mediante identificación y
relaciones relevantes, modelar el sistema, evaluación de capacidad para
implementar modelos, identificar los algoritmos para machine learning y evaluar
modelos con datos para reducir los esfuerzos en proceso de planificación logístico.
En relación a teorías tomadas como base para la presente investigación, se

ha considerado a la teoría del conectivismo y la teoría institucional. Según Torres y
Barnabé (2020) la teoría de conectivismo emerge por la presencia de las nuevas
tecnologías y nuevas formas de comunicación en el proceso de aprendizaje de la
era digital, y presenta posibilidades de cambios para los enfoques pedagógicos,
currículo y paradigmas metodológicos. Considera que el conectivismo tiene como
base la interacción del sujeto con otro medio generando una cultura mediática y
digital. Además, indica que el aprendizaje se encuentra inmerso en un contexto
sistémico con nuevos conceptos como ecologías de aprendizaje y ecosistemas de
aprendizaje.
9
Por su parte, Montoya, Parra, Arias, Cabello y Coloma (2019) realizaron un
análisis sobre la teoría del conectivismo promovida por George Siemens y Stephen
Downes, quienes consideran que se trata de una teoría de aprendizaje aplicada a
la actual era digital, que sustenta, que el aprendizaje se puede dar en cualquier
lugar. Definen el conocimiento como un patrón especial de relaciones y aprendizaje,
así como la habilidad para poder maniobrar en el entorno las redes o patrones
existentes, tratando los principios de aprendizaje a nivel biológico-neuronal,
conceptual y social-externo. Consideran que el conectivismo inicia en la persona y
posteriormente su conocimiento interno se desarrolla de una red, que transmite
información a organizaciones y luego se retroalimentan de información dentro de la
misma red, para proveer un nuevo aprendizaje a la persona; esto permite que el
profesor para los alumnos ya no será una fuente de conocimientos,
progresivamente se convertirá en un guía, en un referente para generar en los
alumnos autonomía y emancipación. La teoría de conectivismo destaca cuatro
conceptos que proporcionan una explicación sobre el aprendizaje en un entorno
social mediado por tecnologías de información y comunicaciones, estos son la
apertura, la diversidad, la interacción y la autonomía. El estudio del aprendizaje
autónomo se basa los fundamentos de ésta teoría.
Sánchez (2019) basado en las ideas de Dowes y Siemens, indica que para
el conectivismo el cerebro y la tecnología son quienes proponen los contenidos y
funciones mentales y que el aprendizaje puede almacenarse en entes no humanos,
idea cuestionada por algunos autores que consideran a la tecnología como un
agente activo del proceso de aprendizaje. Considera que internamente las redes
de aprendizaje se perciben como estructuras que viven en la mente, que conectan
y crean patrones de comprensión, ya que estas conexiones se adaptan en el
cerebro para realizar procesamientos en diversos entornos como el de la
tecnología, evidenciando una relación entre la operatividad del cerebro y la
organización, así como las herramientas y lo que se aprende, resaltando las
habilidades que se desarrolla para adquisición y almacenamiento de la información
en estructuras de redes y dispositivos informáticos.
10
En el proceso de aprendizaje plantea los siguientes pasos: contexto
(ubicación de fuentes de información en la red), relevancia (patrones recurrentes
que activan otras conexiones), aparición (activación del patrón relevante), memoria
(persistencia en aparición de patrones de conectividad), que hacen que el
aprendizaje se presente como un proceso que se centra en el reconocimiento de
patrones dentro de una red.
Para Cabero y Lorente (2015), las teorías tradicionales que han aportado
mayor explicación al fenómeno educativo del aprendizaje son: conductismo,
cognitivismo y constructivismo. Sin embargo, se presentan como parte de la
evolución humana nuevos escenarios formativos y una de las más significativas es
la teoría conectivista, que nos explica cómo se produce el aprendizaje en entornos
tecnológicos caracterizando. Su teoría se basa en los enfoques de Lepi, Prensky y
Siemens. Resalta el tema que el conocimiento se relaciona básicamente con la
capacidad de conectarlo con sus saberes previos y desde la perspectiva de
aprendizaje se considera como un proceso que conecta nodos especializados o
llamados también recursos de información. Por eso se propicia que el alumno
realice sus propias conexiones investigando en internet, teniendo como objetivo
abrir sus mentes no llenarlas. Asimismo, menciona que Cochrane considera que el
aporte de la teoría del conectivismo explica claramente lo relacionado con el acceso
al conocimiento distribuido, pero falta profundizar en cómo se aprende. Al respecto,
considero que los nuevos aportes a ésta teoría podrían ir consolidando el
conocimiento acerca del aprendizaje en nuestra nueva realidad facilitando su
aplicación en todos los niveles de la educación.
Asimismo, Calvani (2008) como parte de la teoría conectivista identifica

características para la educación: la estructura de presentación de información
requiere procesamiento, se requiere hacer uso de aplicaciones web y servicios web
como blogs, wikis, etc, es transformable dentro de su ecosistema, con tendencias
a generar flujos de información y participación en la red, el flujo de información y
base de conocimiento se distribuye, los grupos de trabajo se dan por intereses
11
personales y son espontáneos en comparación con las clases tradicionales, el
currículo debe ser negociado en conjunto. También hace mención la posición de
Verhagen, Kop y Hill que se consideran a esta teoría como una corriente educativa
o una propuesta a una nueva realidad, esto por considerar que aún está presente
lo que conocemos como escuela actual. Sin embargo, vemos que ésta teoría es la
base del futuro educacional y seguirá transformándose a través del tiempo.
Sobre la teoría institucional, Falaster, Zanin y Guerrazzi (2017) señalan que

la teoría institucional ha sido clave en investigaciones como ciencias sociales y
destaca el elemento de isomorfismo para explicar elementos comunicacionales y
de estrategias. Cabe señalar que los autores consideran que a través de la teoría
institucional se puede explicar las respuestas que se dan ante las presiones
institucionales, precisando que las instituciones son elementos que aseguran
estabilidad, que generan expectativas en las futuras acciones y comportamientos
en el tiempo. Asimismo, indican que Scott en su enfoque sobre la teoría de
institucional, refiere que existe una evolución en la propia teoría, pero esto es válido
para una conceptualización inicial, ya que considera que las acciones pasadas
podrían generar en la vida diaria normas y reglas, sean estas formales o no, pero
generan nuevos patrones de futuro.
Jardim y Bronzo (2016) en su análisis sobre la teoría institucional toma

información de los principales exponentes de ésta Teoría, para entender su
aplicación en estudios en organizaciones agroindustriales. Nos indica que el
enfoque de North es macro desarrollador identificando el origen, la estructuración
y los cambios institucionales, y distingue dos agentes económicos las instituciones
formales e informales ambos con características particulares construidas por la
sociedad. Para North las Instituciones se consideran como reglas de juego y las
organizaciones como sus jugadores, tratando de reducir la incertidumbre. Por otro
lado, Williamson presenta un enfoque micro institucional ya que su estudio se dirige
a la explicación de diversos arreglos institucionales. También destaca el enfoque
de Zylbersztajn que se refiere a las organizaciones como entes dependientes del
12
aparato institucional para establecerse, es decir que existe dependencia de su
entorno institucional. De acuerdo a ello podemos destacar que no es lo mismo una
organización que una institución, las organizaciones como las que pertenecen al
Estado, que tienen marcos jurídicos, políticas, aspectos culturales entre otros dan
las pautas necesarias para que se asegure un adecuado desempeño en su
organización, la cual se afecta permanente por factores del entorno e internos.
Scott (2014) aporta a la Teoría institucional en la identificación de tres pilares

dentro de las instituciones: a) un sistema regulativo, que se componen de leyes y
reglas y de acuerdo a su cumplimiento se generan recompensas o no entre los
actores del sistema; b) un sistema normativo, que genera estándares a seguir
convirtiéndose en fuente de legitimidad para el grupo ya que los asocia y comparte
intereses comunes; c) una sistema cultural-cognitivo, que orientan la vida social del
grupo. En ese sentido, podemos decir que las instituciones se componen por
elementos simbólicos, recursos materiales y actividades sociales.
Restrepo y Rosero (2002) consideran que la característica principal de la

teoría institucional es su enfoque social, alejándose del aspecto teórico de las
organizaciones. La atención de la teoría está centrada en el estudio de la institución
como una estructura social integrada por un grupo de individuos u organizaciones
que ejercen colectivamente acciones para restringir un ambiente que cambiará en
el tiempo. Se plantea que las instituciones son entes con valor y significado, con
miembros legítimos y líderes, que reflejan los mitos de sus ambientes
institucionales y para evitar la ilegitimidad institucional, la sociedad induce prácticas
y comportamientos racionales y adecuados para sobrevivir con éxito y como
construcciones sociales requieren que sus actores interactúen permanentemente
con el objetivo de mantener estable a la institución. Considera que las necesidades
de cambio se originan del contexto y las respuestas de las instituciones son el
producto de la inmersión organizativa de dicho entorno.
13
Otro tema a tratar en la presente investigación, es sobre machine learning o
aprendizaje automático. Para Zhao, Zhang, Liu, Zhu et al. (2021) el aprendizaje
automático, permite que las máquinas adquieran nuevas habilidades, nuevos
conocimientos y puedan reorganizar los conocimientos ya existentes, en forma
similar a un proceso de aprendizaje, para establecer y describir estructuras de
patrones en un universo de datos proporcionados utilizando como núcleo los
algoritmos para realizar el análisis de datos y tomar decisiones sobre los nuevos.
En términos generales, se deben ingresar masivamente datos para entrenar al
modelo, de tal forma que éste pueda comprender las leyes potenciales que se
encuentran en los datos y lograr clasificarlos o predecir con precisión los datos
recién ingresados.
Según Jordan y Mitchell (2015) el aprendizaje automático está centrado en

resolver problemas sobre el aprendizaje de datos y algoritmos, para crear modelos
matemáticos que mejoren el rendimiento de los sistemas informáticos. También
refiere que el desarrollo de éstos dos elementos (aprendizaje de datos y algoritmos)
y la explosión de datos en línea, así como la computación de bajo costo han
impulsado el avance del aprendizaje automático. También indican, que es uno de
los campos técnicos que actualmente se encuentra en rápido crecimiento y que se
relaciona con la informática, estadística, el núcleo de la inteligencia artificial, así
como con la ciencia de datos.
Krishna, Amirali, Swathi y Madhavi (2021), consideran que el aprendizaje

automático es una técnica que forma parte de la inteligencia artificial (IA), que
facilita el aprendizaje de los programas y su desarrollo sin programación directa,
donde las instrucciones de las computadoras trabajan principalmente para crear
nuevos programas de computadoras y que utilizan el conocimiento para su uso, en
otras palabras el objetivo principal del aprendizaje automático es hacer que las
computadoras puedan aprender y que alteren su comportamiento sin la ayuda o
interferencia del ser humano. Uhunoma, Khan, Venkatesan y Guillard (2021)
señalan que el proceso de aprendizaje inicia con una evaluación y la evidencia,
14
como ejemplos, conocimiento directo o instrucción para evaluar patrones de datos
y tomar decisiones inteligentes basadas en ejemplos en el futuro para permitir que
las computadoras aprendan y modifiquen automáticamente el comportamiento sin
ayuda o interferencia humana. Arias (2020) confirma que el uso de tecnologías
impacta al proceso de aprendizaje.
Para Mora (2018); Arunakranthi, Rajkumar, Chandra y Harshavardhan

(2020) el aprendizaje automático enfocado en un uso práctico, se refiere a la
utilización de grandes volúmenes de datos para aprender de ellos y posteriormente
hacer predicciones o sugerencias sobre algo; requiere gran disponibilidad de datos
para alimentar a los motores de algoritmos y es considerado como una de las áreas
de investigación más destacadas en el descubrimiento de conocimientos y en la
identificación de patrones ocultos de los conjuntos de datos.
Según Murali, Barkat, Arelli y Madhavi (2021) el aprendizaje automático es

una técnica de la inteligencia artificial (IA), que permite que la máquina tenga
capacidad de pensar y aprender sin programación explícita. Su aprendizaje se
centra en la creación de programas de computadoras que observan y utilizan el
conocimiento que generan para uso propio. Considera que el aprendizaje
automático es uno de los inventos más prometedores jamás conocidos.
Adicionalmente Vázquez-Marrufo, Sarrias-Arrabala, García-Torres, Martín-

Clemente y Izquierdo (2020) indican que Machine Learning presenta características
que se pueden medir como la precisión, sensibilidad y especificidad, sin embargo,
no todos los estudios aplican estos tal cual pues se tiende a crear sus propias
mediciones de acuerdo al contexto.
Robert (2014) define el aprendizaje automático como un conjunto de

métodos que detectan patrones en los datos en forma automática y luego se utilizan
para predecir datos futuros o para ayudar a la toma de decisiones con baja
incertidumbre. Al respecto Wu (2020) realiza una interesante reflexión sobre la
15
aplicación y potencial que tiene el aprendizaje automático o machine learning (ML)
especialmente en sectores críticos con alto nivel de riesgo como el sector
financiero. Considera que la adopción de técnicas Machine Learning mejora la
gestión de riesgos y ofrece un gran potencial en este campo, ya que permite
analizar y explorar datos masivamente e identificar intrincados patrones no lineales
que facilitan la construcción de un modelo de riesgos y convirtiéndose actualmente
en una herramienta importante para el sector empresarial.
Finalizando este bloque de ideas, Uhunoma, Khan, Venkatesan y Guillard

(2021) indican que, aunque el aprendizaje automático y la inteligencia artificial
tienen usos diferentes, el aprendizaje automático es un subconjunto de la
inteligencia artificial, que utiliza algoritmos o procedimientos por parte de un sistema
artificial para aprender de los datos y puede ser un aprendizaje supervisado (se
reciben datos de entrada y salida para relacionarlos y predecir resultados),
aprendizaje no supervisado (se reciben datos sin precisar su tipo intenta predecir
su relación) y aprendizaje reforzado (aplica el descubrimiento en base a la
experiencia). En esta investigación, se trabajó con un aprendizaje supervisado, ya
que, de acuerdo a Quispe, Celi y Campos (2020); Zhao, Li, Zuo y Zhang (2021) la
aplicación de este tipo de aprendizaje es recomendable cuando se cuenta con un
conjunto de datos de entrada que se alimentará por sí mismo para obtener las
mejoras en los procesos empresariales. Asimismo, señala que en la creación de
cualquier modelo de machine learning se utilizan los siguientes pasos: carga de
datos, análisis y procesamiento de los mismos.
En cuanto a la variable dependiente esta se refiere al proceso de gestión de

Tecnológica, en donde de acuerdo al manual de organización y funciones la
Dirección de Evaluación y Gestión del Conocimiento del Concytec, es el órgano
encargado entre otras funciones, del desarrollo y operación del proceso de
seguimiento y evaluación de los planes, programas y proyectos de CTI del Sistema
Nacional de Ciencia y Tecnología, así como también de generar los procesos que
16
permitan crear, compartir y hacer uso del conocimiento en el Sistema Nacional de
Ciencia y Tecnología.
Dalmarco, Maehler, Trevisan y Mortari (2017) describen la gestión del

conocimiento como una práctica dentro de la empresa liderada por un individuo
responsable de su gestión. Asimismo, señalan que la teoría de las organizaciones
del conocimiento consiste en formular e implementar estrategias para la
construcción, incorporación, distribución y utilización del conocimiento.
Ode y Ayavoo (2019); OCDE (2014) indican que la gestión del conocimiento
(GC), abarca un proceso llamado práctica internacional y sistemática que adquiere,
capta, comparte y produce conocimiento, que se utiliza para describir los procesos
dentro y fuera de la organización, de tal manera que puedan mejorar el rendimiento
de las misma y conducir al logro de los objetivos organizacionales.
Según Costa, Johann, Passeri y Scott (2017) en el siglo XXI, se considera al

conocimiento como el principal factor de producción en las organizaciones, el cual
se encuentra afectado por un gran volumen de información a través de diversas
fuentes, en comparación con la etapa de la sociedad industrial. Indica que las
organizaciones deben adaptarse para sobrevivir con éxito en este mundo
competitivo, a través de un enfoque más auto organizado con formación de equipos
multidisciplinarios y con procesos que realicen esfuerzos colaborativos que
traspasen las fronteras de las áreas funcionales.
Para el autor, una gestión del conocimiento que trabaja en un entorno de red
es un proceso que organiza y mantiene la colaboración en forma eficiente, por lo
que es importante tener en cuenta el propósito de acceder a ideas, tecnologías y
compartir información, experiencias, conocimientos técnicos y comerciales entre
las organizaciones. Para capitalizar el conocimiento en el contexto de su creación,
validación, presentación y aplicación en organizaciones, debe haber una
interacción entre tecnología, técnica y personas ya que la acción conjunta crea un
17
entorno de aprendizaje en el hacer, que permite a la organización gestionar
eficazmente su conocimiento, así como crear y mantener en el tiempo las ventajas
competitivas. Desde una perspectiva operativa considera que la gestión de
conocimiento combina el conocimiento (explicito) y know how (tácito) en los
procesos y productos de la organización para la creación de valor, por lo que
necesario combinar las habilidades y el conocimiento, así como implantar una
cultura de buenas prácticas en la organización, así como ampliar las redes de
relaciones y mejorar los activos intelectuales. Al respecto, es importante mencionar
que las herramientas tecnológicas se deben aprovechar para sustentar los
procesos de gestión con la finalidad de iniciar la migración vivencial en forma
ordenada de actividades manuales a electrónicas o digitales (Barrera, 2018).
Ansari (2019) desde una perspectiva estratégica y basado en la definición

de North y Majer, indica que en ésta era de rápida innovación y permanentes
cambios tecnológicos la gestión del conocimiento en una economía digital es un
habilitador clave para la creación del valor y esto se logra haciendo uso de
tecnologías digitales para la creación e intercambio del conocimiento en una
sociedad digital.
Asimismo, Córdova, Durán, Pinchera, Palominos y Galindo (2021) opinan

que actualmente existe mucha presión de los altos ejecutivos para obtener
resultados en el corto plazo, lo que se refleja en sus indicadores de desempeño,
obligando a realizar acciones para mejorar sus procesos, desarrollar sus recursos
humanos y sus tecnologías de información. Por consiguiente, las organizaciones
necesitan introducir globalmente productos y servicios innovadores acompañados
de procesos eficaces y ágiles.
En este contexto, Beltrán (2017) indica que los indicadores de gestión

representan aspectos críticos de la organización y de su monitoreo, ya que le
permite identificar ciertas condiciones y síntomas que se derivan de un normal
18
comportamiento de sus actividades, convirtiéndose en una herramienta clave para
el logro de la competitividad organizacional y personal.
Para la presente investigación se consideró que la variable gestión del

conocimiento se mida por los siguientes indicadores: (a) Tiempo de ejecución, (b)
Índice de expedientes procesados, (c) Índice de expedientes procesados en el
tiempo previsto.
En este sentido, Álvarez y Lobo (2020) señalan que el tiempo de ejecución

corresponde al tiempo que se emplea para realizar diversas actividades que forman
parte del proceso de gestión de conocimiento, enmarcados dentro de un periodo
final y un periodo anterior o inicial, es decir desde el registro expediente hasta su
calificación. Adicionalmente, Beltrán (2017) precisa que el tiempo de ejecución mide
la rapidez del proceso de Gestión dentro de sus límites es decir de inicio a fin.
Según la RP N° 007 - 2011 - CONCYTEC-P (2011) el tiempo de ejecución

es aquel tiempo que se da cuando se recepciona y registra en el sistema informático
los documentos o expedientes provenientes de usuarios externos a la organización,
el cual genera un número de registro, fecha y hora de inicio del proceso hasta la
etapa de cierre donde el documento de respuesta resultado del proceso es enviado
a dicho usuario.
Respecto al Índice de expedientes procesados, la RDE No.38-2019-MEF

(2018), indica que los expedientes procesados son un conjunto de documentos
electrónicos debidamente numerados y generados en un sistema informático de la
institución, que se encuentran asociados a un tema o asunto específico, que
permite dar inicio a la atención y pasar por varias etapas dentro del proceso hasta
que finaliza cuando el área haya cumplido con el propósito de la atención y
comunique el resultado al usuario.
19
Para la Secretaría de Gobierno Digital, en su RSEGDI No.001-2017-
PCM/SEGDI (2017) se indica que un expediente procesado es aquel expediente
digitalizado que transita a lo largo del ciclo vital del expediente, desde su recepción
hasta su disposición final, conforme a la tecnología, procedimientos informáticos y
normatividad vigente que forman parte de su proceso.
ISO 15489-1 (2016) se refiere a los expedientes procesados como la

documentación trabajada que pasa por una o más secuencias de acciones
necesarias para producir un resultado como son los expedientes procesados los
cuales cumplen con las reglas de gobierno en respuesta a una atención requerida.
Según Calvo, Pelegrin y Gil (2018) el índice de expedientes procesados en

el tiempo previsto, es una herramienta importante en el análisis y control de
cumplimiento de metas, ya que permite medir el grado de relación que existe entre
los expedientes procesados (resultado de procesamiento en varias etapas) y la
meta esperada en un tiempo determinado.
Para Beltrán (2017) el índice de expedientes procesados en el tiempo

previsto refleja el grado de cumplimiento de los objetivos planteados con
anterioridad, en un tiempo determinado, en donde se realizan las actividades
necesarias para el procesamiento de expedientes que permitan generar un
resultado o atención.
OIM (2016) precisa que el índice de expedientes procesados en el tiempo es

un valor que ayuda a medir objetivamente, en un espacio temporal la evolución de
actividades relacionadas con el procesamiento de expedientes regulados por la
institución, para el cumplimiento de un compromiso adquirido con anterioridad como
protocolo o estándar.
20
III. METODOLOGÍA
3.1. Tipo y diseño de investigación
Tipo de investigación
La presente investigación es del tipo aplicada, de acuerdo con Hernández,

Fernández y Baptista (2014), la investigación aplicada es aquella investigación que
se realiza con el propósito de resolver problemas reales de la vida. Según Thomas
y Manz (2017) la investigación aplicada permite comprender qué tan bien se utiliza
el conocimiento para diseñar un sistema que resuelva problemas urgentes y genere
resultados predecibles.
Diseño de investigación
El diseño utilizado en la investigación es experimental del tipo puro y de

acuerdo a Hernández, Fernández y Baptista (2014) el diseño experimental puro se
refiere al estudio donde una o varias variables independientes se manipulan
intencionalmente para analizar su efecto sobre una o varias variables dependientes
en una situación controlada. Asimismo, se trabajó con grupos de comparación y
equivalencia entre ellos. El diagrama del diseño que se utilizó es el siguiente:
RG: O1→X→O2
Pre-test→ Machine Learning →Post-Test
R=Asignación al azar
G=Grupo Experimental
X=Tratamiento
O1-O2=mediciones pre-test/ post-test del diseño
21
3.2. Variables y operacionalización
Definición conceptual de la variable independiente: Machine learning
Krishna, Amirali, Swathi y Madhavi (2021) indican que machine learning o

aprendizaje automático es una técnica que forma parte de la inteligencia artificial
(IA), que tiene como objetivo facilitar el aprendizaje de los programas y su desarrollo
sin programación directa, donde las instrucciones de las computadoras trabajan
principalmente para crear nuevos programas de computadoras y que utilizan el
conocimiento para su uso, en otras palabras el objetivo principal del aprendizaje
automático es hacer que las computadoras puedan aprender y que alteren su
comportamiento sin la ayuda o interferencia del ser humano.
Definición conceptual de la variable dependiente: Gestión del conocimiento
Según OCDE (2014) La gestión del conocimiento abarca un proceso llamado

práctica internacional y sistemática, que adquiere, capta, comparte y produce
conocimiento con la finalidad de mejorar el aprendizaje y rendimiento de las
organizaciones.
Definición operacional de la variable dependiente: Gestión del conocimiento
Para el diseño de la Gestión de Conocimiento se ha considerado tres

indicadores de medida: (a) Tiempo de ejecución, (b) Índice de expedientes
procesados, (c) Índice de expedientes procesados en el tiempo previsto. Siendo la
unidad de medida para el primer indicador el tiempo y para los otros dos el
porcentaje. Para los tres indicadores se utilizó la guía de observación como
instrumento de recolección de datos.
22
Tabla 1
Matriz de operacionalización de la variable dependiente – Gestión del conocimiento.
Indicador Instrumento Frecuencia U.M. Fórmula

de toma
Tiempo de Guía de 10 veces por Tiempo x= Tiempo Final – Tiempo de
ejecución observación semana (en Inicio
minutos)
Índice de (Expedientes procesados /

Guía de 10 veces por Porcentaje
expedientes x= Expedientes pendientes de
observación semana (%)
procesados atención) * 100
Índice de Guía de 10 veces por Porcentaje x= (Expedientes procesados

expedientes observación semana (%) en el tiempo previsto
procesados /Expedientes pendientes
en el tiempo de atención) * 100
previsto.
La matriz de operacionalización de la variable gestión del conocimiento se muestra

en el Anexo 2.
3.3. Población, muestra y muestreo
Población
Hernández Fernández y Baptista (2014) indica que la población es un

conjunto de elementos, con características iguales, que forman parte de la
investigación. Para este estudio de investigación se ha considerado como población
el número de datos observados, para lo cual se realizó con 50 observaciones para
cada indicador.
El detalle de la población de la investigación se presenta en la siguiente

tabla:
23
Tabla 2
Población de la investigación
Población Cantidad Indicador

Pre-test Post-test
Observaciones 50 50 Tiempo de ejecución
Observaciones 50 50 Índice de expedientes procesados
Observaciones 50 50 Índice de expedientes procesados en el
tiempo previsto
Muestreo
Para la presente investigación se utilizará un tipo de muestreo probabilístico,

de acuerdo con Hernández, Fernández y Baptista (2014), en el muestreo
probabilístico permite elegir elementos físicos de la población, seleccionarlos en
una pequeña parte de la muestra a investigar, considerando que toda la población
(expedientes) posee igual probabilidad de ser escogidos para la muestra; se
obtiene estableciendo en la población sus propiedades o características y el tamaño
de muestra. La técnica que se utilizó fue muestro aleatorio simple sin reemplazo
basado en números aleatorios generados por el software Excel.
3.4. Técnicas e instrumentos de recolección de datos
Técnicas de recolección de datos
Según Hernández, Fernández y Baptista (2014). Para la presente

investigación se utilizó la técnica de recolección de datos la observación, la cual
facilita la recolección de la información sobre el comportamiento y procesos
observables para nuestra investigación de forma ordenada y confiable.
Instrumentos de recolección de datos

Para la investigación se hizo uso como instrumento de recolección de datos
la Guía de observación de campo, con la cual se realizarán las mediciones en el
24
pre-test y post-test. Según Hernández, Fernández y Baptista (2014) los
instrumentos de medición de recolección de datos son recursos que permiten
registrar los datos de la realidad observable.
Tabla 3
Ficha técnica del instrumento
Nombre del instrumento Guía de observaciones de medición del indicador
Autor: Mirtha Jesús Quipas Bellizza

Año: 2021
Descripción
Tipo de instrumento: Guía de observación de campo
Objetivo: Determinar que Machine Learning mejora la
Gestión del Conocimiento en el Consejo Nacional
de Ciencia y Tecnología e Innovación Tecnológica
- CONCYTEC, Lima 2021.
Indicadores: a) Tiempo de Ejecución.
b) Índice de expedientes procesados
c) Índice de expedientes procesados en el
tiempo previsto
Número de observaciones a 50
recolectar:
Aplicación: Directa
Validez
La validez del instrumento de recolección de datos, de la presente

investigación se determinó a través de juicio de expertos, considerando tres
profesionales relacionados con la temática. Hernández, Fernández y Baptista
(2014) indica que la validez se refiere al grado en que un instrumento realiza la
medición de una variable que intenta demostrar.
En la siguiente tabla mostramos el detalle de los expertos que participaron

en la validación:
25
Tabla 4.
Expertos que validaron el instrumento de recolección de datos cuantitativos.
DNI Grado Académico Institución donde Calificación

Apellidos y nombres labora
10271988 Doctor Universidad de Aplicable
Del Carpio Salinas Jorge Alberto Ciencias y
Humanidades
42248986 Magister Concytec Aplicable

Pérez Grández Violeta
10192315 Doctor Universidad Aplicable

Visurraga Agüero Joel Martín César Vallejo
3.5. Procedimientos
En la presente investigación se siguieron las siguientes etapas: primero se

elaboró los instrumentos de recolección de datos, luego se determinó la validez de
los instrumentos a través de juicio de expertos y posteriormente desarrollamos la
aplicación informática del presente trabajo.
3.6. Método de análisis de datos
Para el análisis de datos registrados de la presente investigación, tanto en el

pre-test como en el post-test, se utilizaron las herramientas digitales Microsoft Excel
y el software estadístico IBM SPSS v25. Asimismo, para el análisis descriptivo se
utilizaron tablas y figuras, exponiendo medidas de tendencia central usando la
media, para la interpretación o lectura de los datos emitidos por el instrumento por
cada indicador.
Seguidamente, en el análisis inferencial, se comprobó la normalidad de los

datos mediante la prueba Test de Shapiro Wilk, por ser considerada como una de
26
las pruebas estadísticas más sólidas para este análisis (Pedrosa, Juarros-
Basterretxea, Robles-Fernández, Basteiro y García-Cueto, 2015; Yap y Sim, 2011;
Royston, 1992) y luego para la contrastación de la hipótesis se utilizó la prueba no
paramétrica de los rangos con signo de Wilcoxon.
3.7. Aspectos éticos
Con la finalidad de garantizar la integridad en la presente investigación, se

cumplió con aplicar las principales normas asociadas a aspectos éticos, como los
estándares de ética de la Universidad Cesar Vallejo-Resolución de Consejo 0262-
2020UCV, que contienen las directivas para una correcta transparencia y veracidad
de la información, la ley 29733 Ley de protección de datos personales y su
reglamento, Reglamento de calificación, clasificación y registro de investigadores
del SINACYT y su reglamento; y tomando en cuenta la veracidad de todo lo exhibido
en presente proyecto, se asume la responsabilidad y el compromiso de las políticas
de uso jurídico y ético, respetando y manteniendo la privacidad de las mismas.
Además, para la autenticidad de los datos recolectados y para respetar las políticas
anti plagio, se utilizó el software Turnitin.
27
IV. RESULTADOS
Análisis descriptivo
Medidas descriptivas del indicador 1: Tiempo de ejecución
Tabla 5
Medidas descriptivas del indicador 1: tiempo de ejecución
Desviación
N Mínimo Máximo Media Estándar
Indicador 1 Pre-test 50 10 592 85.02 121.10250

Indicador 1 Post-test 50 4 148 30.88 37.83025
Nota. Datos asistidos en el Software IBM SPSS V25.
Figura 1
Comparación de valores medios del indicador tiempo de ejecución.
28
En la tabla 5 se muestra los datos resultantes del análisis descriptivo del
indicador tiempo de ejecución, en el pre-test de la muestra la media fue de 85.02
veces y el valor del post-test fue de 30.88 veces que se redujo los tiempos. En este
sentido, podemos afirmar que existe una mejora significativa en la disminución del
tiempo en la ejecución del proceso de gestión de conocimiento, después de
implementar la tecnología machine learning. Asimismo, se aprecia una diferencia
de medias entre el pre-test y pos-test de 54.14 minutos, que se traduce en 63.68%
en promedio.
En la figura 1 se refleja el comportamiento del indicador tiempo de ejecución

antes y después de la aplicación de la tecnología machine learning, en base a los
datos obtenidos en la guía de observación y como se puede observar se concluye
que el tiempo de ejecución del proceso de gestión de conocimiento se redujo
considerablemente.
Asimismo, en el anexo 8a se puede observar las tendencias del

comportamiento de este indicador producto de las observaciones realizadas.
Medidas descriptivas del indicador 2: Índice de expedientes procesados
Tabla 6
Medidas descriptivas del indicador 2: Índice expedientes procesados
Desviación
Indicador 2 Pre-test 50 31.03 100 65.45 20.29708

Indicador 2 Post-test 50 76.47 100 90.58 6.21661
Nota. Datos asistidos en el Software IBM SPSS V25.
29
Figura 2
Comparación de valores medios del indicador Índice de expedientes procesados
En la tabla 6, se muestran los datos resultantes del análisis descriptivo del

indicador índice de expedientes procesados; en el pre-test se obtuvo una media
porcentual de 65.45% y en el post-test se incrementó a 90.58%, evidenciando una
mejora significativa con una diferencia de 25.13% después de implementar la
tecnología machine learning.
En la figura 2 se refleja el comportamiento de los valores medios del

indicador índice de expedientes procesados antes y después de la aplicación de la
tecnología machine learning, en base a los datos obtenidos en la guía de
observación, concluyendo que el índice de expedientes procesados del proceso de
Gestión de conocimiento se incrementó respecto al pre-test.
Asimismo, en el anexo 8b se puede observar las tendencias del
30
Medidas descriptivas del indicador 3: Índice de expedientes procesados en el
tiempo previsto.
Tabla 7
Medidas descriptivas del indicador 3: Índice de expedientes procesados en el
tiempo previsto
Desviación
Indicador 3 Pre-test 50 0 100 42.15 31.47594

Indicador 3 Post-test 50 63.16 100 81.06 10.33298
Nota. Datos asistidos en el software IBM SPSS V25.
Figura 3
Comparación de valores medios del indicador Índice de expedientes procesados
en el tiempo previsto.
31
En la tabla 7, se muestran los datos resultantes del análisis descriptivo del
indicador índice de expedientes procesados en el tiempo previsto; en el pre-test se
obtuvo una media porcentual de 42.15% y en el post-test se incrementó a 81.06%,
evidenciando una mejora significativa con una diferencia de 38.91% después de
implementar la tecnología machine learning.
En la figura 3 se refleja el comportamiento del indicador índice de

expedientes procesados en el tiempo previsto antes y después de la aplicación de
la tecnología machine learning, en base a los datos obtenidos en la guía de
observación, concluyendo que el índice de expedientes procesados en el tiempo
previsto del proceso de Gestión de Conocimiento se incrementó respecto al pre-
test. Asimismo, en el anexo 8c se puede observar las tendencias del
Análisis Inferencial
Prueba de Hipótesis
De acuerdo con Pedrosa Juarros-Basterretxea, Robles-Fernández, Basteiro

y García-Cueto (2015) es recomendable utilizar pruebas no paramétricas cuando
los datos a analizar no cumplen los supuestos de normalidad y considerando que
el resultado de la prueba Shapiro Wilk indica que los indicadores no presentan una
distribución normal, se decidió aplicar la prueba de Rango de Wilcoxon, utilizada
para contrastar hipótesis no paramétricas.
Esta prueba tal como señalan Berlanga y Rubio (2012); Ramírez y Polack
(2020), permite contrastar la hipótesis de igualdad entre dos medianas
poblacionales, considerando que los datos formen parte de la misma muestra con
medición de pre-test y pos-test.
32
Prueba Hipótesis específica 1: Indicador tiempo de ejecución.
Formulación de hipótesis estadística:
Ho: Machine Learning no mejora significativamente el tiempo de ejecución de

la gestión del conocimiento en el Consejo Nacional de Ciencia y
Tecnología e Innovación Tecnológica - CONCYTEC, Lima 2021.
H1: Machine Learning mejora significativamente el tiempo de ejecución de la
gestión del conocimiento en el Consejo Nacional de Ciencia y Tecnología
e Innovación Tecnológica - CONCYTEC, Lima 2021.
Considerando que el resultado de la prueba de normalidad del indicador tiempo de

ejecución no es normal (ver Anexo 7), se aplicó la prueba de Wilcoxon.
Tabla 8
Pruebas de Wilcoxon – Rangos del indicador 1 tiempo de ejecución
Rango Suma de
N promedio rangos
Postest - Pretest Rangos negativos 50a 25.50 1275.00
Rangos positivos 0b 0.00 0.00

Empates 0c
Total 50
a. Postest < Pretest

b. Postest > Pretest
c. Postest = Pretest
33
Tabla 9
Pruebas de Wilcoxon – Estadísticos de contraste indicador 1 tiempo de ejecución
Prueba de rangos con signo de Wilcoxon

Z Sig. Asintótica (bilateral)
Índice Tiempo de ejecución
Postest – Pretest -6.216 0.000
Para contrastar la hipótesis se utilizó la prueba no paramétrica de Rango de

Wilcoxon. Como puede apreciarse en la tabla de valores de rangos (Tabla 8) los 50
pares de elementos analizados pertenecen a los rangos negativos, que indica que
el indicador tiempo de ejecución después de la aplicación de machine learning
(postest) es menor al tiempo de ejecución aplicado en situación inicial (pretest).
Asimismo, en la tabla de estadísticos de contraste (Tabla 9) se muestra que

el valor Z obtenido fue de -6.216, el cual se ubica en la zona de rechazo de la
hipótesis nula; y el valor de significancia fue 0.000 el cual es menor al valor asumido
de 0.05, por tanto, se rechaza la hipótesis nula (Ho) y se acepta la hipótesis alterna
(H1).
Prueba Hipótesis específica 2: Indicador Índice de expedientes procesados.
Ho: Machine Learning no mejora significativamente el índice de expedientes

procesados de la gestión del conocimiento en el Consejo Nacional de
Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima
2021.
H1: Machine Learning mejora significativamente el índice expedientes
procesados de la gestión del conocimiento en el Consejo Nacional de
34
Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima
2021.
Considerando que el resultado de la prueba de normalidad del indicador índice de

expedientes procesados no es normal (ver Anexo 7), se aplicó la prueba de
Wilcoxon.
Tabla 10
Pruebas de Wilcoxon – Rangos del indicador 2 índice de expedientes procesados.
Rango Suma de
N promedio rangos
Empates 2c
Total 50

Tabla 11
Pruebas de Wilcoxon – Estadísticos de contraste del indicador 2 índice de

Índice de expedientes
procesados -5.621 0.000
Pretest – Postest
35
Wilcoxon. Como se muestra en la tabla de valores de rangos (Tabla 10) se
analizaron 50 pares de elementos, 6 pertenecen a rangos negativos, 42 a rangos
positivos y 2 empates, que indica el mayor número de casos se encuentran en los
rangos positivos por lo que el indicador índice de expedientes procesados después
de la aplicación de machine learning (postest) es mayor que el índice de
expedientes procesados aplicado en situación inicial (pretest).

(H1).
Prueba Hipótesis específica 3: Indicador Índice de expedientes procesados

en el tiempo previsto.
Ho: Machine Learning no mejora significativamente el índice de expedientes

procesados en el tiempo previsto de la gestión del conocimiento en el
Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica -
CONCYTEC, Lima 2021.
H1: Machine Learning mejora significativamente el índice de expedientes
procesados en el tiempo previsto de la gestión del conocimiento en el
Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica -
CONCYTEC, Lima 2021.
Considerando que el resultado de la prueba de normalidad del indicador índice de

expedientes procesados en el tiempo previsto no es normal (ver Anexo 7), se aplicó
la prueba de Wilcoxon.
36
Tabla 12
Pruebas de Wilcoxon - Rangos del indicador 3 índice de expedientes procesados
en el tiempo previsto
Rango Suma de
N promedio rangos
Empates 2c
Total 50

Tabla 13
Pruebas de Wilcoxon – Estadísticos de contraste del indicador 3 índice de
expedientes procesados en el tiempo previsto.

procesados en el tiempo -5.528 0.000
previsto Pretest – Postest

Wilcoxon. Como se muestra en la tabla de valores de rangos (Tabla 12) se
analizaron 50 pares de elementos, 6 pertenecen a rangos negativos, 42 a rangos
positivos y 2 empates, que indica el mayor número de casos se encuentran en los
37
rangos positivos por lo que el indicador índice de expedientes procesados en el
tiempo previsto después de la aplicación de machine learning (postest) es mayor
que el índice de expedientes procesados en el tiempo previsto aplicado en situación
inicial (pretest).

(H1).
38
V. DISCUSIÓN
De acuerdo a los resultados obtenidos en la presente investigación, se

observa que se han producido cambios favorables en los tres indicadores
planteados de la variable dependiente gestión del conocimiento, después de la
implementación de la variable independiente machine learning en el Consejo
Nacional de Ciencia y Tecnología – Concytec.
Respecto al indicador tiempo de ejecución, tenemos según sus resultados

obtenidos, que después del experimento el tiempo de ejecución disminuyó respecto
a la situación inicial. Es así que, en su análisis descriptivo, el cual se realizó con
una toma muestral de 50 observaciones, se observó una disminución en el tiempo
de ejecución de 55.14 minutos, producto de la diferencia de medias del pre-test y
pos-test, que se traduce en un 63.68% en promedio. Por tanto, podemos afirmar
que, el tiempo de ejecución disminuye, después de implementar la tecnología
machine learning en comparación con la forma tradicional.
Asimismo, en análisis inferencial de este indicador tiempo de ejecución, se

aplicó la prueba Shapiro-Wilk para determinar la normalidad, en donde resultado
confirmó que el indicador tiempo de ejecución no presenta una distribución normal,
por lo que se decidió realizar la prueba no paramétrica de Rango de Wilcoxon para
contrastar la hipótesis. En la tabla de Rangos (Tabla 8) se aprecia que el indicador
tiempo de ejecución después de la aplicación de machine learning (postest) es
menor al tiempo de ejecución aplicado en situación inicial (pretest). Asimismo,
respecto a los estadísticos de contraste (Tabla 9) se obtuvo un valor Z de -6.216,
el cual se ubica en la zona de rechazo de la hipótesis nula con un valor de
significancia de 0.000 menor al valor asumido de 0.05 por tanto, se rechazó la
hipótesis nula Ho y se aceptó la hipótesis alterna H1, por lo que se concluye que
machine learning mejora significativamente el tiempo de ejecución de la gestión del
conocimiento en Concytec.
39
Estos resultados concuerdan con los resultados obtenidos por Medina
(2018) quien en su investigación comprueba que haciendo uso de modelos
predictivos machine learning el tiempo de atención para pacientes con depresión
disminuyó considerablemente. De similar manera López (2019) en su investigación
comprobó que aplicando el modelo predictivo XGBoost machine learning se puede
identificar en un menor tiempo los malos y buenos pagadores en empresas del
sector financiero. Otro antecedente interesante es el de Zhao, Zhang, Liu, Wang,
Zhu et al. (2021) quienes realizaron investigaciones ambientales con estudios
predictivos de aprendizaje automático para mejorar la eficiencia del sector
acuicultor; demostraron que aplicación de modelos predictivos machine learning,
disminuyen los tiempos en la detección de enfermedades de peces de manera
oportuna, en un uso preventivo. Neyra (2021) en su investigación desarrolló
modelos de predicción machine learning para estimar el contenido de cadmio en
granos de cacao a partir de firmas hiperespectrales en el proceso productivo del
cacao para detectar en tiempo real el riesgo de contaminación por metales pesados
como el cadmio en el producto final. Demostró que aplicando modelos predictivos
se lograba predecir que los tiempos de ejecución para detección del riesgo se
disminuían considerablemente, mejorando así la gestión del riesgo operacional.
Dichos resultados se encuentran dentro del marco conceptual del indicador

y según Álvarez y Lobo (2020), Beltrán (2017), RP N° 007 - 2011 - CONCYTEC-P
(2011) señalan que el tiempo de ejecución mide la rapidez del proceso, es el tiempo
que se da durante el proceso, que se inicia cuando los expedientes o documentos
provenientes de usuarios se recepcionan y registran en el sistema, transcurre en el
desarrollo de diversas actividades hasta la etapa de cierre donde se genera un
resultado final del proceso y es comunicado.
Respecto al indicador índice de expedientes procesados observamos que,

en el resultado del análisis descriptivo, en el pre-test la media porcentual fue de
65.45% y en el post-test se incrementó a 90.58%, evidenciando una mejora
significativa con una diferencia de 25.13% después de implementar la tecnología
40
machine learning, demostrando que existe una mejora significativa en el proceso
de gestión del conocimiento después de implementar la tecnología machine
learning.
Para análisis inferencial de este indicador, se aplicó la prueba Shapiro-Wilk

para determinar la normalidad, en donde el resultado confirmó que el indicador
índice de expedientes procesados no presenta una distribución normal, por lo que
se decidió realizar la prueba no paramétrica de Rango de Wilcoxon para contrastar
la hipótesis. En la tabla de Rangos (Tabla 10) se aprecia que el indicador índice de
expedientes procesados después de la aplicación de machine learning (postest) es
mayor al índice de expedientes procesados aplicado en situación inicial (pretest).
Asimismo, respecto a los estadísticos de contraste (Tabla 11) se obtuvo un valor Z
de -5.621, el cual se ubica en la zona de rechazo de la hipótesis nula con un valor
de significancia de 0.000 menor al valor asumido de 0.05 por tanto, se rechazó la
hipótesis nula Ho y se aceptó la hipótesis alterna H1: Machine learning mejora
significativamente el índice de expedientes procesados de la gestión del
Tecnológica - CONCYTEC, Lima 2021, demostrando así que machine learning
mejora significativamente el índice de expedientes procesados de la gestión del
conocimiento en Concytec.
Estos resultados concuerdan con los resultados obtenidos por Knoll,

Prüglmeier y Reinhart et al (2016) quien investigó sobre predicciones de escenarios
logísticos basados en modelos predictivos machine learning, para el procesamiento
de expedientes de contratación, concluyendo que mediante la aplicación de varios
modelos predictivos de machine learning se logró reducir esfuerzo y mejorar el
proceso logístico. Asimismo, Gamarra (2020), investigó sobre la aplicación de
modelos de predicción machine learning relacionados con mortalidad perinatal en
la Región de Junín, donde se procesaron expedientes clínicos de pacientes para
entrenamiento y pruebas del modelo machine learning basado en el algoritmo
41
WJ48, obteniendo con alta precisión la identificación de pacientes con riesgo de
muerte prenatal para mejorar el proceso de salud.
También tenemos a Li, Yang, Wang y Wu (2018), quien investigó sobre la

predicción del desempeño de innovación de las Empresas de base tecnológicas del
Parque Científico Zhongguancun – ZGC en China. Demostrando que con el uso del
método predictivo XGBoost de machine learning y en base al procesamiento de
expedientes de los proyectos de innovación de los años 2005 al 2015, se pudo
predecir el comportamiento y evaluación de los proyectos innovación mejorando la
toma de decisiones en la elección de financiación limitada y con altas
probabilidades de inversión. Asimismo, Ashok y Pellakuri (2020) en su
investigación implementaron algoritmos predictivos machine learning para estimar
el riesgo de salud de niños menores a 5 años de las poblaciones vulnerables con
necesidad de tratamiento temprano. En la implementación del modelo predictivo se
procesaron expedientes clínicos de pacientes menores a cinco años, demostrando
que machine learning mejoró el proceso de salud al identificar en la población a los
pacientes con riesgo alto para su atención por medio de programas de tratamientos
tempranos, reduciendo así los niveles de mortalidad.
Dichos resultados se encuentran alineados con el marco conceptual del

indicador índice de expedientes procesados. Así tenemos, La RSEGDI No.001-
2017-PCM/SEGDI (2017), ISO 15489-1 (2016), RDE No.38-2019-MEF (2018)
señalan que un expediente procesado es un conjunto de documentación agrupada
en un tema o asunto específico que es trabajada en un expediente digitalizado que
transita a lo largo del ciclo vital del proceso, desde su recepción hasta su disposición
final donde se cumple el propósito de la atención, dentro del marco tecnológico,
procedimientos informáticos y normatividad vigente que forman parte de su
proceso.
Respecto al Indicador 3: Índice de expedientes procesados en el tiempo previsto,

el cual está referido al cumplimiento de metas para lograr el propósito de la atención
42
en el tiempo requerido, obtuvo como resultado de su análisis descriptivo, que en el
pre-test la media porcentual fue de 42.15% y en el post-test se incrementó a
81.06%, evidenciando una mejora significativa con una diferencia de 38.91%
después de implementar la tecnología machine learning.
Para análisis inferencial de este indicador, primero se aplicó la prueba

Shapiro-Wilk para determinar la normalidad, en donde resultado confirmó que el
indicador índice de expedientes procesados en el tiempo previsto, no presenta una
distribución normal, por lo que se utilizó la prueba no paramétrica de Rango de
Wilcoxon para contrastar la hipótesis. En la tabla de Rangos (Tabla 12) se aprecia
que el indicador índice de expedientes procesados en el tiempo previsto después
de la aplicación de machine learning (postest) es mayor al índice de expedientes
procesados en el tiempo previsto aplicado en situación inicial (pretest). Asimismo,
respecto a los estadísticos de contraste (Tabla 13) se obtuvo un valor Z de -5.528,
el cual se ubica en la zona de rechazo de la hipótesis nula con un valor de
significancia de 0.000 menor al valor asumido de 0.05, por tanto, se rechazó la
hipótesis nula Ho y se aceptó la hipótesis alterna H1: Machine learning mejora
significativamente el índice de expedientes procesados en el tiempo previsto de la
gestión del conocimiento en el Consejo Nacional de Ciencia y Tecnología e
Innovación Tecnológica - CONCYTEC, Lima 2021.
Estos resultados se encuentran acordes con los resultados obtenidos por

López (2019) en su investigación quien comprobó que un modelo predictivo
machine learning con alta exactitud del 97.53% mediante el procesamiento de
expedientes crediticios en el tiempo previsto, permite identificar oportunamente a
los clientes que son buenos y malos pagadores en las empresas del sector
financiero mejorando significativamente su proceso empresarial y sus resultados
financieros, para lo cual incluyó estos parámetros de cumplimiento de acuerdo a
metas en su diseño. Procesos como éste requieren culminarse oportunamente para
que no pierdan su relevancia e importancia, es decir proporcionar la atención, pero
dentro de los tiempos y/o requisitos establecidos.
43
Respecto al objetivo general, podemos indicar que la implementación machine
learning aplicado a la gestión del conocimiento en el Consejo Nacional de Ciencia
y Tecnología e Innovación Tecnológica - CONCYTEC, Lima 2021, obtuvo
resultados positivos, tal como se indican en los siguientes párrafos.
El indicador tiempo de ejecución, confirmó que se produjo una disminución

significativa del tiempo de ejecución en el proceso de gestión del conocimiento, que
representa un 63.68% respecto al escenario anterior; asimismo en el análisis
inferencial se obtuvieron evidencias que permiten rechazar la hipótesis nula y
aceptar la hipótesis alterna que Machine Learning mejora significativamente el
tiempo de ejecución de la gestión del conocimiento en el Consejo Nacional de
Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima 2021.
De manera similar, se confirmó que el indicador índice de expedientes procesados

mejoró significativamente después de implementar la tecnología machine learning,
evidenciado en el incremento obtenido de 25.13% respecto a la situación inicial y
como resultado del análisis inferencial se aceptó la hipótesis alterna: Machine
Learning mejora significativamente el índice expedientes procesados de la gestión
del conocimiento en el Consejo Nacional de Ciencia y Tecnología e Innovación
Tecnológica - CONCYTEC, Lima 2021.
El último indicador acorde con los resultados anteriores, confirmó que el índice de
expedientes procesados en el tiempo previsto mejoró significativamente después
de la implementación de la tecnología machine learning, obteniendo un incremento
de 38.91% respecto al escenario anterior y como resultado del análisis inferencial
se aceptó la hipótesis alterna: Machine Learning mejora significativamente el índice
expedientes procesados en el tiempo previsto de la gestión del conocimiento en el
Lima 2021.
44
En consecuencia, por lo indicado anteriormente machine learning mejora
significativamente la gestión del conocimiento en el Consejo Nacional de Ciencia y
Tecnología e Innovación Tecnológica, Concytec-2021.
Este resultado se contrasta con lo indicado por Medina (2018), López (2019),
Zhao, Zhang, Liu, Wang, Zhu et al. (2021), Knoll, Prüglmeier y Reinhart (2016),
Gamarra (2020), Li, Yang, Wang y Wu (2018), Ashok y Pellakuri (2020), Neyra
(2021) quienes coinciden que la aplicación de modelos predictivos de machine
learning mejora los procesos que generan conocimiento en las organizaciones, y
se ha convertido en una herramienta poderosa para las Organizaciones en diversas
Áreas del Conocimiento tanto en la mejora de tiempos, cumplimientos, eficacia de
sus operaciones, toma de decisiones entre otras. También coinciden que es un
campo que aún falta explorar, difundir y explotar.
La metodología de investigación que se utilizó permitió fortalecer la

investigación, debido a que el diseño de investigación experimental puro, facilita el
control de la validez interna del experimento mediante la asignación aleatoria.
Adicionalmente, mediante las pruebas pre-test y post-test se pudo medir con mayor
exactitud el cambio aplicado, con la finalidad de describir sus resultados,
identificando la relación de causa y efecto, es decir, la relación directa entre las
variables de la investigación. Asimismo, permitió establecer el actual flujo de trabajo
de la organización en relación a los indicadores.
También es importante señalar, que las guías de observación como

instrumento de recolección de datos, nos ayudó en el control y seguimiento durante
el proceso de recolección de datos. Asimismo, las herramientas tecnológicas
utilizadas como el SPSS v25 para el procesamiento de los modelos predictivos
fueron de mucho apoyo para el éxito del trabajo.
45
De similar forma, los indicadores que forman parte de nuestra investigación
nos permitieron conocer el proceso de Gestión Conocimiento trasversal a varias
Áreas y crear una base de datos para ser explotada y continuar su uso.
Respecto a la relevancia social científica, esta investigación proporciona el

conocimiento necesario para que sea aplicado en las organizaciones
especialmente en las del sector público, como alternativa de solución en el
tratamiento de grandes volúmenes de expedientes.
46
VI: CONCLUSIONES
Primera: De acuerdo a los resultados obtenidos en la presente investigación efectuada en

la Empresa Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica
– Concytec, se concluye que con la implementación de Machine Learning se
mejora significativamente la Gestión de Conocimiento, teniendo como puntos
fuertes de mejora de sus tres indicadores: tiempo de ejecución, expedientes
procesados y expedientes procesados en el tiempo previsto respecto a sus
situaciones iniciales. Estos resultados fueron contrastados con sus respectivas
pruebas de hipótesis.
Segunda: El primer indicador tiempo de ejecución, dio como resultado una mejora
significativa después de la aplicación de machine learning, ya que disminuyó en
un 63.68% en promedio el tiempo de procesamiento de expedientes y obtuvo un
valor estadístico de prueba Z de – 6.216 con un p valor de 0.000 de probabilidad
de significancia que determinaron el rechazo de la hipótesis nula y la aceptación
de la hipótesis alterna. Por lo que podemos afirmar que el tiempo empleado en
el proceso de gestión de conocimiento con la aplicación de Machine Learning es
significativamente menor.
Tercera: En el segundo indicador índice de expedientes procesados, tuvo como resultado

una mejora significativa después de la aplicación de machine learning, ya que se
incrementó en promedio un 25.13% respecto a la situación inicial, y obtuvo un
valor estadístico de prueba Z de – 5.621 con un p valor de 0.000 de probabilidad
de significancia que determinaron el rechazo de la hipótesis nula y la aceptación
de la hipótesis alterna. Por tanto, podemos afirmar que en un periodo se podrán
resolver mayor número de expedientes.
Cuarta : Para el tercer indicador índice de expedientes procesados en el tiempo previsto,

se dio como resultado una mejora significativa después de la aplicación machine
learning, ya que se comprobó un incremento promedio de 42.15% respecto al
escenario inicial, y obtuvo un valor estadístico de prueba Z de – 5.528 con un p
valor de 0.000 de probabilidad de significancia que determinaron el rechazo de
la hipótesis nula y la aceptación de la hipótesis alterna, por lo que podemos
47
indicar que se mejoró el cumplimiento de metas establecidas de acuerdo a lo
planificado por periodos, permitiendo contar con un mejor control del avance de
los expedientes procesados.
48
VII. RECOMENDACIONES
Primera: Para el sostenimiento de los resultados positivos en los tres indicadores,

obtenidos por la investigación realizada a la Empresa Consejo Nacional de
Ciencia y Tecnología e Innovación Tecnológica, después de la implementación
de Machine Learning en el proceso de Gestión de Conocimiento, se sugiere que
el Sub- Director del Área usuaria, solicite como parte de la explotación de datos,
la incorporación de nuevos indicadores como índice de apelaciones e índice de
reconsideraciones, que permitan optimizar el proceso de Gestión del
Conocimiento.
Segunda: Respecto al indicador de tiempos de ejecución, a la luz de los resultados de

disminución significativa de tiempos, se sugiere que el especialista del Área
usuaria, realice un sinceramiento de los tiempos para realizar ajustes a los
estándares de programación de trabajos relacionados con los tiempos de
ejecución del proceso Gestión del Conocimiento.
Tercera: Sobre el indicador expedientes procesados, se sugiere que el supervisor del

procesamiento de expedientes solicite el desarrollo de nuevos modelos
predictivos que trabajen con otros escenarios, que permitan atender la mayor
cantidad de posibilidades de los expedientes pendientes de procesar, como son
los expedientes improcedentes.
Cuarta: Respecto al indicador expedientes procesados en el tiempo previsto, se sugiere

que el supervisor del procesamiento de expediente considere los resultados de
la mejora significativa del índice de expedientes procesados en el tiempo
previsto, para la actualización de la programación de asignación de recursos
humanos para atención de expedientes e incorporación de nuevos hitos de
control para facilidad del seguimiento.
49
REFERENCIAS
Álvarez. y Lobo, G. (2020) El tiempo, su uso y abuso. Información Tecnológica,

(31). Recuperada de: http://dx.doi.org/10.4067/S0718-07642020000200073
Ansari, F. (2019). Knowledge Management 4.0: Theoretical and Practical
Considerations in Cyber Physical Production Systems. Revista IFAC paper
on line . Recuperado en: https://doi.org/10.1016/j.ifacol.2019.11.428
Arellano, A. (2014) Epistemología antropológica como conocimiento del hombre: El
papel de la antropología de la tecnociencia. Revista Acta Sociológica, (63),
15-39. Recuperada de: https://doi.org/10.1016/S0186-6028(14)70474-8
Arias, R. y J. Mejía (2020) Knowledge management in two universities before and
during the COVID-19 effect in Peru. Revista Technology in Society, (64).
Recuperado de: https://doi.org/10.1016/j.techsoc.2020.101479
Arunakranthi, G., Rajkumar, B., Chandra, V. y Harshavardhan, A (2020). Advanced
patterns of predictions and cavernous data analytics using machine learning.
Revista Materials Today: Proceedings. Recuperado de:
https://doi.org/10.1016/j.matpr.2020.11.062
Ashok, M, y Pellakuri, V. (2021). Innovative supervised machine learning
techniques for classification of data. Revista Materialstoday Proceeding.
Recuperado de: https://doi.org/10.1016/j.matpr.2020.11.092
Berlanga, V. y Rubio, M.(2012) Clasificación de pruebas no paramétricas. Cómo
aplicarlas en SPSS. REIRE - Revista d’Innovació i Recerca en Educació,
5(2),101-113. Recuperdo de: https://doi.org/10.1344/reire2012.5.2528
Barrera, M.. (2018). Juzgado sin papel, un paso más de la justicia electrónica.
Revista IUS. Recuperado de:
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1870-
21472018000100133
Beltrán. J. (2017) Indicadores de Gestión. Guía práctica para estructurar
acertadamente esta herramienta clave para el logro de la competitividad. (4ta
ed.). Colombia: Panamericana Editorial Ltda.
50
Cabero, J. y Lorente, M (2015). Tecnologías de la Información y la Comunicación
(TIC): escenarios formativos y teorías del aprendizaje. Revista Lasallista de
Investigación, 12, 186-193. Recuperado de:
https://www.redalyc.org/pdf/695/69542291019.pdf
Calvani, A. (2008). Connectivism: New paradigm or fascinating pot-pourri?. Journal
of E-Learning and Knowledge Society-English Version, 4(1). Disponible en
https://www.je-lks.org/ojs/index.php/Je-LKS_EN/article/view/60
Calvo, J, Pelegrin, A. y Gil, M. (2018). Enfoques teóricos para la evaluación de la
eficiencia y eficacia en el primer nivel de atención médica de los servicios de
salud del sector público. Retos de la Dirección, 12(1), 96-118. Recuperado
de: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2306-
91552018000100006
Córdova, F., Durán, C., Pinchera, M., Palominos, F. y Galindo, R. (2020).
Knowledge Management of Intangible Actives in Service. Procedia Computer
Science, 162, 596–603. Recuperado en:
https://www.sciencedirect.com/science/article/pii/S1877050919320381
Costa,K., Johann, J., Passeri, P. y Scott, P. (2017) Gestão do conhecimento nas
organizações. Uma aprendizagem em rede colaborativa. Perspectivas em
Gestão & Conhecimento, 7, 145-159. Recuperado de:
https://dialnet.unirioja.es/servlet/articulo?codigo=5908254
Dalmarco, G., Maehler, A., Trevisan, M. y Mortari, J. (2017). The use of knowledge
management practices by Brazilian startup companies. RAI Revista de
Administração e Inovação, 14, 226–234. Recuperado de:
http://dx.doi.org/10.1016/j.rai.2017.05.005
Falaster, C., Zanin, L. y Guerrazzi, L. (2017). Teoria institucional na pesquisa em
turismo: novas oportunidades de uma teoria em evolução. RETUR Revista
Brasilera de pesquisa em Turismo Brazilian, 11(2), 270-293. Recuperado en:
http://dx.doi.org/10.7784/rbtur.v11i2.1310
Gamarra, W. (2020). Modelos de aprendizaje automático basado en técnicas
supervisadas para la predicción de la mortalidad perinatal en la Región
51
Junín. [Tesis de Doctorado, Universidad Nacional Federico Villareal].
http://repositorio.unfv.edu.pe/handle/UNFV/4355
Hernández, R, Fernández, C. y Baptista, P. (2014). Metodología de la Investigación
(6ta ). México D.C.: MacGraw Hill – Interamericana Editores S.A.
ISO 15489-1 (2016). Information and documentation — Records management —
Part 1: Concepts and principles. Recuperado de:
https://www.iso.org/obp/ui/#iso:std:iso:15489:-1:ed-2:v1:en
Jardim, G. y Bronzo, M. (2016). Teorias institucionais aplicadas aos estudos de
sistemas agroindustriaisno contexto do agronegócio café: uma análise
conceitual. REGE - Revista de Gestão, 23(2), 159-171. Recuperado de:
https://doi.org/10.1016/j.rege.2015.12.005
Jordan, M. y Mitchell, T. (2015). Machine learning: trends, perspectives, and
prospects. Science, 349, 255–260. Recuperado de:
https://doi.org/10.1126/science.aaa8415
Knoll, D., Prüglmeier, M. y Reinhart, G. (2016). Predicting Future Inbound Logistics
Processes using Machine Learning. Revista Procedia CIRP, 52, 145-150.
Recuperado de: https://doi.org/10.1016/j.procir.2016.07.078
Krishna, M, Amirali, B., Swathi, A. y Madhavi, V. (2021). High performance machine
learning and data science based implementation using Weka. Materials
Today: Proceedings. Recuperado de:
Li, Y., Yang, L., Yang, B., Wang, N. y Wu, T. (2018). Application of interpretable
machine learning models for the intelligent decisión. Revista
Neurocomputing, 333, 273-283. Recuperado de :
https://doi.org/10.1016/j.neucom.2018.12.012
López, J. (2019). Comparación de modelos de aprendizaje de máquina en la
predicción del incumplimiento de pago en el sector de las microfinanzas.
[Tesis de Maestría, Pontificia Universidad Católica del Perú].
http://repositorio.pucp.edu.pe/index/handle/123456789/179093
Medina, O. (2018). Detección de depresión a través de análisis textual utilizando
aprendizaje automático 2017. [Tesis de Maestría, Universidad Ricardo
52
Palma].
https://repositorio.urp.edu.pe/bitstream/handle/URP/1674/AMOru%c3%a9M
.pdf?sequence=1&isAllowed=y
Montoya, L., Parra, M., Arias, M., Cabello, O. y Coloma, G. (2019). Teorías
pedagógicas que sustentan el aprendizaje con el uso de las Tecnologías de
la Información y las Comunicaciones. Revista Información científica, 98(2).
Recuperado de:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1028-
99332019000200241
Mora, E. (2018). Algoritmo Machine Learning en los sistemas de filtrado caso
práctico SPAM de google en las cuentas de correo Institucionales de la FAFI.
Pro Sciences, 2(12), 17-23. Recuperado de:
https://doi.org/10.29018/issn.2588-1000vol2iss12.2018pp17-23
Murali, K., Barkat, A., Arelli, S y Madhavi, V. (2021). High performance machine
learning and data science based implementation using Weka . Revista
Materials Today: Proceedings. Recuperado de:
Neyra, J. (2021). Determinación en tiempo real de presencia de cadmio en cultivo
de cacao aplicando Machine Learning. [Tesis de Maestría, Universidad de
Piura]. https://pirhua.udep.edu.pe/handle/11042/4990
OCDE (2014). Medición de la gestión de conocimientos en las empresas: primeros
resultados. Recuperado de: https://www.oecd.org/education/innovation-
education/31540414.pdf
Ode, E. y Ayavoo, R. (2019). The mediating role of knowledge application in the
relationshipbetween knowledge management practices and firm innovation.
Journal of Innovation & Knowledge, 5(3), 210-218. Recuperado de:
https://doi.org/10.1016/j.jik.2019.08.002
OIM (2016). Indicadores de Cumplimiento. Organismo internacional para las
migraciones. Recuperado de:
https://kmhub.iom.int/sites/default/files/indicadores_de_cumplimiento_-
53
_compromisos_adquiridos_en_materia_de_abordaje_integral_de_la_trata_
de_personas_.pdf
Pedrosa, I., Juarros-Basterretxea, J., Robles-Fernández, A., Basteiro, J., y García-
Cueto, E. (2015). Pruebas de bondad de ajuste en distribuciones simétricas,
¿qué estadístico utilizar? Universitas Psychologica, 14(1), 245-254.
Recuperado de: https://doi.org/10.11144/Javeriana.upsy14-1.pbad
Quispe, A., Celi, L. y Campos, R. (2020). Uso de Machine Learning en la creación
de páginas web a medida de los usuarios. Campus, 25(30), 337-344.
Recuperado de: https://doi.org/10.24265/campus.2020.v25n30.09
Ramírez, A. y Polack, A.(2020). Estadística inferencial. Elección de una prueba
estadística no paramétrica en investigación científica. Horizonte de la
Ciencia, 10(19), 191-208. Recuperado de:
https://doi.org/10.26490/uncp.horizonteciencia.2020.19.597
RDE No.38-2019-MEF (2018). Directiva del proceso de trámite documentario en
pro inversión del Ministerio de Economía y Finanzas. Recuperado de:
https://www.proinversion.gob.pe/RepositorioAPS/0/1/JER/RDE2018/Resolu
cionDEN0382018.pdf
Restrepo, M. y Rosero, X. (2002). Teoría Institucional y proceso institucional y
proceso de internacionalización de las empresas colombianas. Estudios
Gerenciales (18). Recuperado de:
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0123-
59232002000300006#:~:text=Seg%C3%BAn%20la%20teor%C3%ADa%20
institucional%2C%20DiMaggio,organizaci%C3%B3n%20por%20su%20am
biente%20externo.
RP N° 007 - 2011 - CONCYTEC-P (2011). Directiva 001-2011-CONCYTEC-OPP
(2011). Directiva de recepción, registro, derivación, cierre y archivo de la
documentación en CONCYTEC. Recuperado de:
https://www.gob.pe/institucion/concytec/normas-legales/605133-007-2011-
concytec-p
RSEGDI No.001-2017-PCM/SEGDI (2017). Aprueban modelo de gestión
documental en el marco del decreto legislativo No.1310. Diario Oficial El
54
Peruano. Recuperado de: https://www.gob.pe/institucion/pcm/normas-
legales/292301-001-2017-pcm-segdi
Robert, C. (2014). Machine Learning, a Probabilistic Perspective. Chance, 27, 62-
63. Recuperado de: https://doi.org/10.1080/09332480.2014.914768
Royston, J. (1982). Approximating the Shapiro–Wilk W test for non-normality. Royal
Statistical society, 31(2), 115-124. Recuperado de:
https://doi.org/10.2307/2347973
Sánchez, J. (2019). Desarrollo de un entorno digital de aprendizaje desde el
Conectivismo y su posterior análisis utilizando algoritmos de machine
learning. EDUTEC. Revista Electrónica de Tecnología Educativa (64).
Recuperado de: DOI: https://doi.org/10.21556/edutec.2019.69
Scott, W. (2014). Institutions and Organizations: Ideas, Interests, and Identities (4a).
London: Sage Publications Ltd.
Thomas, E. y Manz, D. (2017). Research Methods for Cyber Security. Synggress,
269. Recuperado de: https://doi.org/10.1016/B978-0-12-805349-2.00035-2
Torres, J. y Barnabé T. (2020). Aspectos pedagógicos del conectivismo y su
relación con las redes sociales y ecologías del aprendizaje. Revista Brasileira
de Educação. Recuperado de: http://dx.doi.org/10.1590/S1413-
24782020250026
Uhunoma, F. Khan, R. Venkatesan y P.Guillard (2021). Review and analysis of
supervised machine learning algorithms forhazardous events in drilling.
Process Safety and Environmental Protection. Recuperado de:
https://doi.org/10.1016/j.psep.2020.09.038
Vázquez-Marrufo, M., Sarrias-Arrabala, E., García-Torres, M., Martín-Clemente, R.
y Izquierdo, G. (2020). Revisión sistemática de la aplicación de algoritmos
de «machine learning» en la esclerosis múltiple. Neurología. Recuperado de:
https://doi.org/10.1016/j.nrl.2020.10.017
Wu, Y. (2020). Bank Risk Control based on FPGA and Machine Learning. Revista
Microprocessors and Microsystems. Recuperado de:
https://doi.org/10.1016/j.micpro.2020.103472
55
Yap, B. y Sim, C. (2011). Comparisons of various types of normality tests. Journal
of Statistical Computation and Simulation, 81(12), 2141-2155. Recuperado
de: https://doi.org/10.1080/00949655.2010.520163
Young, A., Majehrzak y Kane, G. (2021). Organizing workers and machine learning
tools for a less oppressive workplace. Revista International Journal of
Information Management. Recuperado de:
https://doi.org/10.1016/j.ijinfomgt.2021.102353
Zhao, S., Zhang, S., Liu, J., Wang, H., Zhu, J., Li, D. y Zhao, R (2021). Application
of machine learning in intelligent fish aquaculture: A review . Revista
Aquaculture (540). Recuperado de:
https://doi.org/10.1016/j.aquaculture.2021.736724
Zhao, T., Li, Y., Zuo, L. y Zhang, K. (2021). Machine-learning optimized method
for regional control of sound fields. Revista Materials Today: Proceedings.
Recuperado de: https://doi.org/10.1016/j.eml.2021.101297
56
ANEXOS
Anexo 1: Matriz de Consistencia
TÍTULO: Machine Learning en la mejora de la Gestión del Conocimiento en el Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica -
CONCYTEC, Lima 2021
AUTOR: Mirtha Jesús Quipas Bellizza
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES E INDICADORES
Problema principal: Objetivo principal: Hipótesis principal: Variable Independiente: Machine Learning
¿De qué manera Machine Determinar que Machine Machine Learning mejora
Learning mejora la Learning mejora la Gestión significativamente la Variable Dependiente: Gestión del Conocimiento
Gestión del Conocimiento del Conocimiento en el Gestión del Conocimiento
en el Consejo Nacional Consejo Nacional de en el Consejo Nacional de
Indicadores Unidad de medida
de Ciencia y Tecnología e Ciencia y Tecnología e Ciencia y Tecnología e
Innovación Tecnológica - Innovación Tecnológica - Innovación Tecnológica -
CONCYTEC, Lima 2021? CONCYTEC, Lima 2021. CONCYTEC, Lima 2021.
Tiempo de ejecución Tiempo
Problemas específicos: Objetivos específicos: Hipótesis específicos:
PE1: ¿De qué manera OE1: Determinar que HE1: Machine Learning Porcentaje
procesados
Machine Learninig mejora Machine Learning mejora el mejora significativamente el
el tiempo de ejecución de tiempo de ejecución de la tiempo de ejecución de la
la Gestión del Gestión del Conocimiento Gestión del Conocimiento
procesados en el tiempo Porcentaje
Conocimiento, en el en el Consejo Nacional de en el Consejo Nacional de
previsto
Consejo Nacional de Ciencia y Tecnología e Ciencia y Tecnología e
Ciencia y Tecnología e Innovación Tecnológica - Innovación Tecnológica -
Innovación Tecnológica - CONCYTEC, Lima 2021. CONCYTEC, Lima 2021.
CONCYTEC, Lima 2021?
57
TÍTULO: Machine Learning en la mejora de la Gestión del Conocimiento en el Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica -
CONCYTEC, Lima 2021
AUTOR: Mirtha Jesús Quipas Bellizza
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES E INDICADORES
PE2: ¿De qué manera OE2: Determinar que
Machine Learninig mejora Machine Learning mejora el HE2: Machine Learning
el índice de expedientes índice de expedientes mejora significativamente el
procesados de la Gestión procesados de la Gestión índice de expedientes
del Conocimiento, en el del Conocimiento en el procesados de la Gestión
Consejo Nacional de Consejo Nacional de del Conocimiento en el
Ciencia y Tecnología e Ciencia y Tecnología e Consejo Nacional de
Innovación Tecnológica - Innovación Tecnológica - Ciencia y Tecnología e
CONCYTEC, Lima 2021? CONCYTEC, Lima 2021. Innovación Tecnológica -
. CONCYTEC, Lima 2021.
PE3: ¿De qué manera OE3: Determinar que
Machine Learninig mejora Machine Learning mejora el HE3: Machine Learning
el índice de expedientes índice de expedientes mejora significativamente el
procesados en el tiempo procesados en el tiempo índice de expedientes
previsto de la Gestión del previsto de la Gestión del procesados en el tiempo
Conocimiento, en el Conocimiento en el previsto de la Gestión del
Consejo Nacional de Consejo Nacional de Conocimiento en el
Ciencia y Tecnología e Ciencia y Tecnología e Consejo Nacional de
Innovación Tecnológica - Innovación Tecnológica - Ciencia y Tecnología e
CONCYTEC, Lima 2021? CONCYTEC, Lima 2021. Innovación Tecnológica -
. CONCYTEC, Lima 2021.
58
Metodología
TÉCNICAS E
TIPO Y DISEÑO POBLACIÓN Y MUESTRA ESTADÍSTICA POR UTILIZAR
INSTRUMENTOS
Tipo: Aplicada Población: 50 Técnicas: Observación Descriptiva:
Observaciones Para el análisis descriptivo, se usará tablas y figuras, exponiendo
Diseño: Experimental – medidas de tendencia central usando la media, se realizará su
Experimental puro Muestreo: Probabilístico del Instrumentos: Guía de interpretación o lectura por cada indicador, datos emitidos por el
tipo Aleatorio simple. Observación instrumento, lo cual ayudará a fijar de manera visual y estructurada la
comprensión sencilla de todos los datos numéricos.
Inferencial:
Para el análisis inferencial, se comprobó la normalidad de los datos
obtenidos mediante la prueba Test de Shapiro Wilk; Además, se utilizó
para la contratación de la hipótesis las pruebas de los rangos con signo
de Wilcoxon.
59
Anexo 2: Matriz de Operacionalización de Variables
TÍTULO: Machine Learning en la mejora de la Gestión del Conocimiento en el Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica - CONCYTEC, Lima 2021.
AUTOR: MIRTHA JESUS QUIPAS BELLIZZA
UNIDAD DE
INDICADOR DEFINICIÓN INSTRUMENTO FÓRMULA
MEDIDA
Según Álvarez y Lobo (2020), Beltrán (2017) el tiempo de ejecución

corresponde al tiempo que se emplea para realizar diversas
actividades que forman parte del proceso de Gestión de
Tiempo de
ejecución Conocimiento y que se encuentra enmarcado dentro de un periodo Guía de Tiempo x = Tiempo Final – Tiempo de Inicio
final y un periodo anterior o inicial, es decir desde el registro observación
expediente hasta su calificación asimismo, este indicador se utiliza
para medir la rapidez del proceso de gestión.
La RDE No.38-2019-MEF (2018), indica que los expedientes
procesados son un conjunto de documentos electrónicos
debidamente numerados y generados en un sistema informático de
Índice de
expedientes la institución, que se encuentran asociados a un tema o asunto Guía de x = (Expedientes procesados /
procesados específico, que permite dar inicio a la atención y pasar por varias observación Porcentaje Expedientes pendientes de atención) *
100
etapas dentro del proceso hasta que finaliza cuando el área haya
cumplido con el propósito de la atención y comunique el resultado al
usuario.
Índice de La RDE No.38-2019-MEF (2018), Calvo et al (2018) indican que los
expedientes expedientes procesados son un conjunto de documentos electrónicos
procesados en el Guía de Porcentaje x = (Expedientes procesados en el
debidamente numerados y generados en un sistema informático de
tiempo previsto. observación tiempo previsto / Expedientes
la institución, que se encuentran asociados a un tema o asunto pendientes de atención) * 100
específico, que permite dar inicio a la atención y pasar por varias
etapas dentro del proceso hasta que finaliza cuando el área haya
cumplido con el propósito de la atención y comunicación del resultado
al usuario, de acuerdo a la meta esperada en un tiempo determinado.
60
Anexo 3: Instrumento de Recolección de Datos
Guía de observación N° 1: Tiempo de ejecución

Guía de observación de medición del indicador Tiempo de ejecución
Investigador: Mirtha Quipas
Proceso observado: Gestión de Conocimiento
Pre-Test
Tiempo de ejecución =
N° de
Turno Fecha Tiempo de inicio Tiempo final Tiempo final – Tiempo de
Obs.
inicio
1
2
3
4
5
6
…
n
Guía de observación de medición del indicador Tiempo de ejecución

Post-Test
Tiempo de ejecución =
N° de
Turno Fecha Tiempo de inicio Tiempo final Tiempo final – Tiempo de
Obs.
inicio
1
2
3
4
5
6
…
n
61
Guía de observación N° 2. Índice de expedientes procesados
Guía de observación de medición del indicador índice de expedientes procesados

Proceso observado: Gestión del Conocimiento
Pre-Test
procesados =
Expedientes
N° de Expedientes (expedientes
Turno Fecha pendientes de
Obs. procesados procesados/expedientes
atención
pendientes de atención)
*100
1
2
3
4
5
6
…
n
Guía de observación de medición del indicador índice de expedientes procesados

Post-Test
procesados =
Expedientes
N° de Expedientes (expedientes
Obs. procesados procesados/expedientes
atención
pendientes de atención)
*100
1
2
3
4
5
6
…
n
62
Guía de observación N° 3. Índice de expedientes procesados en el tiempo
previsto.
Guía de observación de medición del indicador índice de expedientes procesados en el tiempo

previsto.
Proceso observado: Gestión del conocimiento
Pre-Test
procesados en el tiempo
Expedientes previsto= (expedientes
Expedientes
N° de procesados en procesados en el tiempo
Obs. el tiempo previsto / expedientes
atención
previsto pendientes de atención)*
100
1
2
3
4
5
6
…
n
Guía de observación de medición del indicador índice de expedientes procesados en el tiempo

previsto.
Proceso observado: Gestión del conocimiento
Post-Test
procesados en el tiempo
Expedientes
Expedientes previsto= (expedientes
N° de procesados en
Turno Fecha pendientes de procesados en el tiempo
Obs. el tiempo
atención previsto / expedientes
previsto
pendientes de atención)*
100
1
2
3
4
5
6
…
n
63
Anexo 4: Certificado de Validación del Instrumento de Recolección de Datos
Validación del Experto N°1
64
65
66
Anexo 5: Base de datos
Índice de expedientes Índice de expedientes procesados

Tiempo de ejecución
I1PreTest I1PostTest I2PreTest I2PostTest I3PreTest I3PostTest

1 115 66 93.33 100 93.33 93.33
2 87 37 66.67 93.33 66.67 93.33
3 162 85 62.5 87.5 56.25 81.25
4 12 4 50 93.75 25 87.5
5 19 14 57.14 76.47 28.57 64.71
6 361 77 50 93.75 25 87.5
7 210 68 57.89 84.21 36.84 63.16
8 31 14 100 93.75 60 87.5
9 275 64 65.22 83.33 30.43 66.67
10 70 40 100 87.5 100 81.25
11 25 8 69.57 83.33 34.78 66.67
12 182 87 66.67 94.12 66.67 82.35
13 183 80 54.55 94.44 22.73 77.78
14 210 115 40 87.5 15 81.25
15 268 117 48 93.75 8 87.5
16 19 6 74.07 88.24 29.63 76.47
17 16 4 64.29 87.5 17.86 81.25
18 19 8 45.45 76.47 13.64 64.71
19 27 14 72 88.24 32 76.47
20 18 4 74.07 84.21 29.63 63.16
21 26 8 63.64 88.24 31.82 76.47
22 29 14 54.55 88.89 22.73 72.22
23 29 14 43.48 82.35 8.7 70.59
24 28 10 40 88.24 0 76.47
25 20 8 60.71 88.89 14.29 72.22
26 18 13 33.33 94.12 0 82.35
27 30 9 90.91 82.35 90.91 70.59
28 25 8 75 100 50 93.75
29 27 14 93.75 83.33 87.5 66.67
30 253 119 100 93.33 75 93.33
31 27 12 62.5 88.89 90.91 72.22
32 24 11 80 100 80 93.75
33 37 17 57.14 88.24 68.75 76.47
67
Índice de expedientes Índice de expedientes procesados
Tiempo de ejecución
I1PreTest I1PostTest I2PreTest I2PostTest I3PreTest I3PostTest

34 16 7 50 93.33 33.33 93.33
35 10 6 41.67 88.24 31.58 76.47
36 31 12 58.33 87.5 16.67 81.25
37 21 7 31.03 88.24 0 76.47
38 22 9 84 94.12 44 82.35
39 36 21 40 88.24 0 76.47
40 397 87 100 100 78.95 93.75
41 31 7 50 94.12 6.45 82.35
42 31 5 93.33 100 93.33 100
43 34 12 33.33 93.75 0 87.5
44 592 148 100 93.33 93.75 93.33
45 22 6 43.24 100 0 93.75
46 22 8 86.67 87.5 86.67 81.25
47 28 16 69.44 100 29.03 100
48 30 6 82.35 82.35 70.59 70.59
49 13 5 53.85 100 38.1 100
50 33 13 88.89 100 72.22 83.33
68
Anexo 6: Autorización de la investigación
69
Anexo 7: Prueba de Normalidad
Para la prueba de normalidad se aplicó Shapiro-Wilk, ya que es considerada

como una de las pruebas estadísticas más sólidas y que presenta mayor potencia
estadística que otras; asimismo, muestra mejores resultados con tamaños de
muestras hasta 50 (Pedrosa, Juarros-Basterretxea, Robles-Fernández, Basteiro y
García-Cueto, 2015); (Yap y Sim, 2011; Royston, 1982).
Prueba normalidad del indicador 1: Tiempo de ejecución
Ho: Los datos del indicador tiempo de ejecución presentan una distribución
normal.
H1: Los datos del indicador tiempo de ejecución no presentan una distribución
normal.
Tabla 1
Pruebas de normalidad del indicador tiempos de ejecución
Shapiro-Wilk
Estadístico gl Sig.
Tiempo de ejecución Pre-test 0.624 50 0.000
Tiempo de ejecución Pos-test 0.699 50 0.000
Nota: Datos asistidos en el software IBM SPSS V25.
De acuerdo al resultado de la prueba Shapiro Wilk podemos observar que el

valor de significancia de los datos del indicador tiempo de ejecución fue 0.000 para
el pre-test y el pos-test, por lo que siendo estos valores menores al error asumido
de 0.05 se rechaza la hipótesis nula (Ho) y se acepta la hipótesis alterna (H1), es
decir que el indicador tiempo de ejecución no presenta una distribución normal.
70
Prueba normalidad del indicador 2: Índice de expedientes procesados
Ho: Los datos del indicador índice de expedientes procesados presentan una
distribución normal.
H1: Los datos del indicador expedientes procesados no presentan
una distribución normal.
Tabla 2
Pruebas de normalidad del indicador índice de expedientes procesados
Shapiro-Wilk
Índice de expedientes 0.951 50 0.036
procesados Pre-test
Índice de expedientes 0.932 50 0.007
procesados Pos-test

valor de significancia de los datos del indicador índice de expedientes procesados
fue 0.036 para el pre-test y de 0.007 para el post-test, y dado que ambos no son
superiores al error asumido de 0.05, se rechaza la hipótesis nula (Ho) y se acepta la
hipótesis alterna (H1), es decir que el indicador índice de expedientes procesados
no presenta una distribución normal.
Prueba normalidad del indicador 3: Índice de expedientes procesados en el

tiempo previsto
71
Ho: Los datos del indicador índice de expedientes procesados en el tiempo
previsto presentan una distribución normal.
H1: Los datos del indicador índice de expedientes procesados en el tiempo
previsto no presentan una distribución normal.
Tabla 3
Pruebas de normalidad del indicador índice de expedientes procesados en el tiempo
previsto.
Shapiro-Wilk
Índice de expedientes procesados 0.916 50 0.002
en el tiempo previsto Pre-test
Índice de expedientes procesados 0.956 50 0.061
en el tiempo previsto Pos-test

valor de significancia de los datos del indicador índice de expedientes procesados
en el tiempo previsto fue 0.002 para el pre-test y de 0.061 para el pos-test, por lo
que dado que ambos no son superiores al error asumido de 0.05, se rechaza la
hipótesis nula (Ho) y se acepta la hipótesis alterna (H1), es decir que el indicador
índice de expedientes procesados en el tiempo previsto no presenta una distribución
normal.
72
Anexo 8: Comportamiento de las medias descriptivas
a) Indicador 1: Tiempo de ejecución

Figura 1
Comparación del comportamiento del indicador tiempo de ejecución
73
b) Indicador 2: Índice de expedientes procesados
Figura 2
Comparación del comportamiento del indicador índice de expedientes procesados
74
c) Indicador 3: Índice de expedientes procesados en el tiempo previsto.
Figura 3
Comparación del comportamiento del indicador índice de expedientes procesados en el tiempo previsto.
75

Quipas BMJ SD

Cargado por

Copyright:

Formatos disponibles

Quipas BMJ SD

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Quipas BMJ SD

Cargado por

Copyright:

Formatos disponibles

ESCUELA DE POSGRADO

PROGRAMA ACADÉMICO DE MAESTRÍA EN INGENIERÍA

Machine Learning en la Mejora de la Gestión del Conocimiento en

TESIS PARA OBTENER EL GRADO ACADÉMICO DE:

El objetivo de la presente investigación es determinar que machine learning

El tipo de investigación empleada fue aplicada, con diseño experimental puro,

Se concluyó que con la implementación de machine learning se mejora

Palabras clave: aprendizaje automático, gestión del conocimiento, proceso,

The objective of this research is to determine that Machine Learning improves

It was concluded that with the implementation of Machine Learning, it

Keywords: machine learning, knowledge management, process, prediction

Actualmente con el acelerado avance tecnológico, a las organizaciones se

Organizaciones internacionales como la Organización para la Cooperación

La gestión del conocimiento a través del tiempo ha ido incorporando

Desde una perspectiva del impacto social-técnico Young, Majehrzak y Kane

En el Perú la Presidencia del Consejo de Ministros como parte de sus

Actualmente, debido a los últimos acontecimientos de la pandemia en las

El Consejo Nacional de Ciencia y Tecnología e Innovación Tecnológica

En Concytec se realizan actividades de cálculos especializados,

En este sentido, la presente investigación responderá a la pregunta: ¿De qué

En cuanto a los problemas específicos, se indican a continuación: (a) ¿De

La presente investigación se justifica porque a través del proyecto se obtiene

La presente investigación utilizó el método experimental, con pre y post test

De igual modo, se realizó suposiciones sobre los resultados a obtener de la

Respecto a las hipótesis específicas, tenemos las siguientes: (a) Machine

Para efectos de sustentar la presente investigación, en el ámbito nacional se

Gamarra (2020) en su investigación, tuvo como propósito la elaboración de

Asimismo, Medina (2018) en su tesis de maestría, realizó una investigación

En cuanto a los antecedentes internacionales, se tienen los siguientes:

Ashok y Pellakuri (2020) realizaron su investigación en Solapur India, donde

Li, Yang, Wang y Wu (2018) en su investigación aplicó modelos de

Knoll, Prüglmeier y Reinhart (2016) efectuaron su investigación en la

En relación a teorías tomadas como base para la presente investigación, se

Asimismo, Calvani (2008) como parte de la teoría conectivista identifica

Sobre la teoría institucional, Falaster, Zanin y Guerrazzi (2017) señalan que

Jardim y Bronzo (2016) en su análisis sobre la teoría institucional toma

Scott (2014) aporta a la Teoría institucional en la identificación de tres pilares

Restrepo y Rosero (2002) consideran que la característica principal de la

Según Jordan y Mitchell (2015) el aprendizaje automático está centrado en

Krishna, Amirali, Swathi y Madhavi (2021), consideran que el aprendizaje

Para Mora (2018); Arunakranthi, Rajkumar, Chandra y Harshavardhan

Según Murali, Barkat, Arelli y Madhavi (2021) el aprendizaje automático es

Adicionalmente Vázquez-Marrufo, Sarrias-Arrabala, García-Torres, Martín-

Robert (2014) define el aprendizaje automático como un conjunto de

Finalizando este bloque de ideas, Uhunoma, Khan, Venkatesan y Guillard

En cuanto a la variable dependiente esta se refiere al proceso de gestión de

Dalmarco, Maehler, Trevisan y Mortari (2017) describen la gestión del

Según Costa, Johann, Passeri y Scott (2017) en el siglo XXI, se considera al

Ansari (2019) desde una perspectiva estratégica y basado en la definición

Asimismo, Córdova, Durán, Pinchera, Palominos y Galindo (2021) opinan

En este contexto, Beltrán (2017) indica que los indicadores de gestión

Para la presente investigación se consideró que la variable gestión del

En este sentido, Álvarez y Lobo (2020) señalan que el tiempo de ejecución

Según la RP N° 007 - 2011 - CONCYTEC-P (2011) el tiempo de ejecución

Respecto al Índice de expedientes procesados, la RDE No.38-2019-MEF

ISO 15489-1 (2016) se refiere a los expedientes procesados como la

Según Calvo, Pelegrin y Gil (2018) el índice de expedientes procesados en

Para Beltrán (2017) el índice de expedientes procesados en el tiempo

OIM (2016) precisa que el índice de expedientes procesados en el tiempo es