<p>El objetivo de este estudio fue caracterizar las estrategias de aprendizaje utilizadas por los estudiantes de educación superior de una universidad de Lima. Para lograr este propósito, el enfoque es cualitativo, el cual nos permite interpretar la praxis misma de los alumnos. La metodología de esta investigación incluyó la observación directa y la entrevista a profundidad, cuyo propósito fue comprender las razones de la puesta en práctica de determinadas estrategias. La conclusión de la investigación es que las estrategias metacognitivas, el procesamiento de la información y el control del contexto se convierten en las aristas fundamentales al momento de aprender por parte de los estudiantes.</p>

<p>El presente estudio tiene como objetivo conocer la asociación existente entre el tecnoestrés docente y la percepción de la calidad de servicio al interior de una universidad peruana. Las perturbaciones psicofisiológicas que podrían estar provocando los medios tecnológicos al entrar en contacto con los trabajadores son analizadas como parte del impacto de las nuevas tecnologías en los espacios laborales. En tal sentido, se llevó a cabo una investigación cuantitativa y no experimental en la que se recolectaron datos mediante la aplicación de dos instrumentos: el Cuestionario Red (2004) el cual contiene 16 ítems vinculado al tecnoestrés y el Modelo ServQual con 22 ítems el cual midió la percepción de la calidad de servicio. Ambos instrumentos pasaron la prueba de confiabilidad a través del coeficiente de Alfa de Cronbach obteniendo un valor de ,891 y ,911, respectivamente. A través de un muestreo probabilístico se consideró como muestra a 154 docentes. Para el análisis estadístico descriptivo e inferencial, se generaron tablas de contingencia, utilizando el estadístico de prueba Chi-Cuadrado de Pearson, a partir del cual se concluye que existe asociación entre el Tecnoestrés docente y la percepción de la calidad de servicio (<em>X² </em>(6) = 85,731 y la Sig. Asintótica (bilateral) o p_valor = 0.000 &lt; 0.05). Asimismo, se concluye que existe asociación entre el Tecnoestrés docente y las percepciones de cada de las dimensiones teóricas de la calidad de servicio: elementos tangibles (<em>X² </em>(6) = 112,055 y la Sig. Asintótica (bilateral) o p_valor = 0.000 &lt; 0.05), fiabilidad (<em>X² </em>(6) = 63,859 y la Sig. Asintótica (bilateral) o p_valor = 0.000 &lt; 0.05), capacidad de respuesta (<em>X² </em>(6) = 35,580 y la Sig. Asintótica (bilateral) o p_valor = 0.000 &lt; 0.05),  seguridad (<em>X² </em>(6)<em> </em>= 42,838 y la Sig. Asintótica (bilateral) o p_valor = 0.000 &lt; 0,05) y la empatía (<em>X² </em>(6)<em> </em>= 23,633, con seis grados de libertad (6) y la Sig. Asintótica (bilateral) o p_valor = 0.000 &lt; 0.05).</p>

La investigación tuvo como objetivo determinar la influencia de las estrategias metacognitivas en la comprensión lectora de estudiantes de una universidad de Lima (Perú). Metodológicamente, se empleó el método hipotético deductivo, con un enfoque cuantitativo y diseño cuasiexperimental. La muestra estuvo conformada por 62 estudiantes pertenecientes a la especialidad de educación. Los resultados descriptivos e inferenciales permitieron demostrar la influencia de las estrategias de metacognitivas en la comprensión lectora de los participantes. En todos los casos analizados se alcanzó el logro previsto evidenciándose así la efectividad de la intervención realizada.

No abstract

Objective: Automatic diagnosis of psychiatric disorders such as bipolar disorder (BD) through machine learning techniques has attracted substantial attention from psychiatric and artificial intelligence communities. These approaches mostly rely on various biomarkers extracted from electroencephalogram (EEG) or magnetic resonance imaging (MRI)/functional MRI (fMRI) data. In this paper, we provide an updated overview of existing machine learning-based methods for bipolar disorder (BD) diagnosis using MRI and EEG data. Method: This study is a short non-systematic review with the aim of describing the current situation in automatic diagnosis of BD using machine learning methods. Therefore, an appropriate literature search was conducted via relevant keywords for original EEG/MRI studies on distinguishing BD from other conditions, particularly from healthy peers, in PubMed, Web of Science, and Google Scholar databases. Results: We reviewed 26 studies, including 10 EEG studies and 16 MRI studies (including structural and functional MRI), that used traditional machine learning methods and deep learning algorithms to automatically detect BD. The reported accuracies for EEG studies is about 90%, while the reported accuracies for MRI studies remains below the minimum level for clinical relevance, i.e. about 80% of the classification outcome for traditional machine learning methods. However, deep learning techniques have generally achieved accuracies higher than 95%. Conclusion: Research utilizing machine learning applied to EEG signals and brain images has provided proof of concept for how this innovative technique can help psychiatrists distinguish BD patients from healthy people. However, the results have been somewhat contradictory and we must keep away from excessive optimistic interpretations of the findings. Much progress is still needed to reach the level of clinical practice in this field.