Este artículo es un estudio que evidencia los beneficios de implementar el análisis de video (AV) en clase de Física. El objetivo de la investigación es demostrar que la aplicación del AV, además de ser una técnica de bajo costo y de fácil uso, mejora significativamente el nivel de comprensión de gráficos en cinemática (NCGC). En el trabajo se comparan los resultados de la parte práctica del tema de cinemática en una clase tradicional y en una con AV, después de aplicar el TUG-K (Test of Understanding Graphs in Kinematics), para evaluar la influencia del AV en el NCGC a 60 alumnos seleccionados de la Facultad de Ingeniería de la Universidad de Huánuco (30 para cada grupo). Los resultados muestran que existe una fuerte correlación biserial puntual (rbp = 0.809) altamente significativa (p < 0.0001) entre estas dos variables, que el AV tiene un impacto medio en el NCGC (Hake = 32.5%) y que el NCGC es significativamente mayor (p < 0.0001) cuando se aplica AV en comparación con la clase tradicional.

El presente artículo es el resultado del estudio cuyo objetivo fue diseñar un modelo conceptual de gestión del conocimiento para las medianas y pequeñas empresas (Mypes) del sector panificación de Huánuco, Perú. La investigación estuvo dividida en dos fases; la primera permitió desarrollar el modelo conceptual propuesto, y la segunda, permitió confirmar empíricamente el modelo conceptual diseñado. Los procesos de gestión del conocimiento fueron analizados a través de un estudio de ocho casos que presentan las Mypes de panificación. La entrevista semiestructurada y la observación directa de las empresas panificadoras fueron los principales métodos de recolección de datos. Así, se exploró empíricamente el modo en que los trabajadores gestionan su conocimiento y, como resultado de la investigación, se desarrolló un modelo con tres fases: la generación, la transferencia y la integración del conocimiento. El modelo conceptual, obtenido como resultado de la primera fase de la investigación, fue contrastado empíricamente utilizando una muestra de 14 personas de ocho empresas panificadoras y se aplicó la prueba estadística Chi cuadrado para verificar los elementos organizativos e individuales que intervienen en dichos procesos. Los resultados obtenidos indican que la generación del conocimiento depende de los trabajadores, es decir, se generan conocimientos con una cultura organizacional y un estilo directivo que motive a los trabajadores. La transferencia del conocimiento, depende de una cómoda distribución física de la planta, de una cultura organizacional abierta y receptiva y un estilo directivo que genere participación y, por último, la integración del conocimiento depende de una buena cultura organizacional propiciadora de la asimilación del conocimiento en los trabajadores.

Background As EKG interpretation paradigms to a physician-free milieu, accumulating massive quantities of distilled pre-processed data becomes a must for machine learning techniques. In our pursuit of reducing ischemic times in STEMI management, we have improved our Artificial Intelligence (AI)-guided diagnostic tool by following a three-step approach: 1) Increase accuracy by adding larger clusters of data. 2) Increase the breadth of EKG classifications to provide more precise feedback and further refine the inputs which ultimately reflects in better and more accurate outputs. 3) Improving the algorithms' ability to discern between cardiovascular entities reflected in the EKG records. Purpose To bolster our algorithm's accuracy and reliability for electrocardiographic STEMI recognition. Methods Dataset: A total of 7,286 12-lead EKG records of 10-seconds length with a sampling frequency of 500 Hz obtained from Latin America Telemedicine Infarct Network from April 2014 to December 2019. This included the following balanced classes: angiographically confirmed STEMI, branch blocks, non-specific ST-T abnormalities, normal, and abnormal (200+ CPT codes, excluding the ones included in other classes). Labels of each record were manually checked by cardiologists to ensure precision (Ground truth). Pre-processing: First and last 250 samples were discarded to avoid a standardization pulse. Order 5 digital low pass filters with a 35 Hz cut-off was applied. For each record, the mean was subtracted to each individual lead. Classification: Determined classes were “STEMI” and “Not-STEMI” (A combination of randomly sampled normal, branch blocks, non-specific ST-T abnormalities and abnormal records – 25% of each subclass). Training & Testing: A 1-D Convolutional Neural Network was trained and tested with a dataset proportion of 90/10, respectively. The last dense layer outputs a probability for each record of being STEMI or Not-STEMI. Additional testing was performed with a subset of the original complete dataset of unconfirmed STEMI. Performance indicators (accuracy, sensitivity, and specificity) were calculated for each model and results were compared with our previous findings from past experiments. Results Complete STEMI data: Accuracy: 95.9% Sensitivity: 95.7% Specificity: 96.5%; Confirmed STEMI: Accuracy: 98.1% Sensitivity: 98.1% Specificity: 98.1%; Prior Data obtained in our previous experiments are shown below for comparison. Conclusion(s) After the addition of clustered pre-processed data, all performance indicators for STEMI detection increased considerably between both Confirmed STEMI datasets. On the other hand, the Complete STEMI dataset kept a strong and steady set of performance metrics when compared with past results. These findings not only validate the consistency and reliability of our algorithm but also connotes the importance of creating a pristine dataset for this and any other AI-derived medical tools. Funding Acknowledgement Type of funding source: None