Machine Learning para la Asignación de Materias en una IES Mexicana: Viabilidad Técnica, Diseño y Límites de la Automatización
Ibero Ciencias - Revista Científica y Académica - ISSN 3072-7197 · 25.05.2026 · 5 (2) · 2248-2263
DOI: 10.63371/ic.v5.n2.a1146 ↗Kurz gefasst
Fachartikel in der Zeitschrift Ibero Ciencias - Revista Científica y Académica - ISSN 3072-7197, online erschienen am 25.05.2026. Verfasst von Enrique Limón Carrillo und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
La gestión del talento docente en instituciones de educación superior enfrenta desafíos de subjetividad y eficiencia en la asignación de materias. Este estudio explora la viabilidad técnica de implementar un sistema de Machine Learning supervisado para optimizar la selección de perfiles docentes en el Tecnológico de Estudios Superiores del Oriente del Estado de México (TESOEM). Mediante un estudio de caso con enfoque mixto de predominancia cualitativa, se realizaron entrevistas a jefes de división (n=9) y un grupo focal con expertos en programación y bases de datos (n=3). Los resultados muestran que el proceso actual carece de estandarización, basándose en criterios subjetivos y experiencia individual. Se identificó que la institución cuenta con infraestructura tecnológica, talento humano en programación y recursos informáticos suficientes para desarrollar un modelo de aprendizaje automático. Se propone una arquitectura de ML supervisado basada en algoritmo Random Forest, con variables de entrada que incluyen escolaridad, experiencia docente, carga horaria y nivel de asignatura. El modelo alcanzaría una precisión estimada superior al 70% según benchmarks de estudios similares. Se concluye que la viabilidad técnica está resuelta, pero se requiere una fase piloto para ajustar ponderaciones y medir el rendimiento real. Este trabajo entrega las bases metodológicas para la construcción de un sistema de apoyo a la toma de decisiones en la gestión académica.
Zitieren
APA
Carrillo, E. L., Cruz, N. T. D. L., & Razo, B. S. L. (2026). Machine Learning para la Asignación de Materias en una IES Mexicana: Viabilidad Técnica, Diseño y Límites de la Automatización. Ibero Ciencias - Revista Científica y Académica - ISSN 3072-7197, 5(2), 2248-2263. https://doi.org/10.63371/ic.v5.n2.a1146
Vancouver
Carrillo EL, Cruz NTDL, Razo BSL. Machine Learning para la Asignación de Materias en una IES Mexicana: Viabilidad Técnica, Diseño y Límites de la Automatización. Ibero Ciencias - Revista Científica y Académica - ISSN 3072-7197. 2026;5(2):2248-2263. doi:10.63371/ic.v5.n2.a1146
BibTeX
@article{Carrillo2026,
author = {Carrillo, Enrique Limón and Cruz, Nicolás Trejo de la and Razo, Benito Samuel López},
title = {Machine Learning para la Asignación de Materias en una IES Mexicana: Viabilidad Técnica, Diseño y Límites de la Automatización},
journal = {Ibero Ciencias - Revista Científica y Académica - ISSN 3072-7197},
year = {2026},
volume = {5},
number = {2},
pages = {2248--2263},
doi = {10.63371/ic.v5.n2.a1146}
}
EUVIMED