Sistema web basado en machine learning como apoyo a la identificación del nivel de aprendizaje de artesanos del CITE Sipán

Abstract

En el contexto de un centro de innovación tecnológica, se abordó la problemática de identificar adecuadamente el nivel de aprendizaje de los artesanos en el CITE Sipán, un centro de innovación en Lambayeque que apoya a los artesanos mediante capacitaciones y asistencia técnica. La falta de un sistema adecuado para caracterizar a los artesanos generaba ineficiencias en la asignación de recursos y en la adaptación de los servicios a las necesidades específicas de cada artesano. Para resolver esta situación, se implementó un sistema web basado en Machine Learning como apoyo a la identificación del nivel de aprendizaje de los artesanos del CITE Sipán, facilitando así la planificación de actividades y optimizando el uso de recursos. Se exploraron varios modelos de Machine Learning, entre ellos la regresión logística, el árbol de decisión y el CatBoostClassifier, de los cuales el árbol de decisión mostró ser el más efectivo, alcanzando una precisión del 75%. Además, el modelo fue optimizado mediante validación cruzada y se implementó en una interfaz web que permitió una visualización intuitiva de los resultados. Finalmente, se evaluó la usabilidad del sistema a través de encuestas, mostrando una alta aceptación y satisfacción por parte de los usuarios, quienes consideraron el sistema útil y fácil de utilizar. Esto demostró que la implementación del modelo de Machine Learning fue una herramienta efectiva para apoyar la gestión y la mejora continua del aprendizaje en el sector artesanal.

In the context of a technological innovation center, the problem of properly identifying the learning level of artisans at CITE Sipán was addressed. CITE Sipán is an innovation center in Lambayeque that supports artisans through training and technical assistance. The lack of an adequate system to characterize the artisans led to inefficiencies in resource allocation and in adapting services to the specific needs of each artisan. To resolve this issue, a web-based system utilizing Machine Learning was implemented to help identify the learning level of the artisans at CITE Sipán, thus facilitating activity planning and optimizing resource use. Several Machine Learning models were explored, including logistic regression, decision trees, and the CatBoostClassifier, with the decision tree proving to be the most effective, achieving an accuracy of 75%. Additionally, the model was optimized through cross-validation and was implemented on a web interface that allowed for intuitive visualization of the results. Finally, the system's usability was evaluated through surveys, showing high acceptance and satisfaction from users, who found the system useful and easy to use. This demonstrated that the implementation of the Machine Learning model was an effective tool to support management and continuous improvement of learning in the artisan sector.