Explore the vast range of titles available.

Las competencias socioemocionales docentes (CSE) son esenciales para reducir el estrés laboral, mejorar la enseñanza y favorecer el bienestar escolar. El objetivo fue analizar la capacidad predictiva de las competencias socioemocionales sobre la resiliencia de 223 profesores de educación primaria en las regiones del Biobío y Ñuble, Chile. Con un enfoque cuantitativo, diseño no experimental, correlacional y predictivo, se aplicaron los instrumen­tos (SEMS-IT) y la escala de resiliencia cotidiana docente usando análisis estadístico en RStudio. Los resultados indicaron niveles moderados de competencias socioemocionales y resiliencia; baja percepción del clima de aula adverso; correlación positiva entre la gestión cognitiva de la emoción del profesorado, preocupación empática del profesorado, relación docente-estudiante y resiliencia y correlación negativa con el clima de aula adverso; diferencias significativas en la relación docente-estudiante a favor de las mujeres y en escuelas públicas y percepción negativa del clima de aula adverso en escuelas privadas; no se evidenciaron diferencias según el Índice de Vulnerabilidad Escolar; la gestión cognitiva de la emoción del docente y la preocupación empática docente son factores positivos que promueven la resiliencia cotidiana docente. Además, el clima de aula adverso actúa como un mediador significativo, especialmente en las relaciones entre la preocupación empática docente y las relaciones docente-estudiante con la resiliencia cotidiana docente. La relación docente-estudiante no tiene un efecto directo significativo sobre la resiliencia, pero sí influye indirectamente a través del clima de aula adverso. Se necesita desarrollar las CSE que se muestran significativas en el modelo. Se concluye la importancia de fortalecer estas competencias desde la formación docente y considerar contextos escolares que promuevan entornos resilientes y emocionalmente saludables. Teachers’ socioemotional competencies (SEC) are essential for reducing work-related stress, improving teaching, and promoting school well-being. The aim was to analyse the predictive power of socioemotional competencies for the resilience of 223 primary school teachers from the Biobío and Ñuble regions of Chile. Using a quantitative, non-experimental, correlational, and predictive approach, the instruments (SEMS-IT) and teacher daily resilience scale were applied using statistical analysis in RStudio. The results showed moderate levels of socioemotional competencies and resilience; low perception of adverse classroom climate; positive correlation between cognitive management of teacher emotion, teacher empathic concern, teacher-student relationship, and resilience, and a negative correlation with adverse classroom climate; significant differences in teacher–student relationship in favour of women and public schools, and negative perception of adverse classroom climate in private schools; no differences were found according to the School Vulnerability Index; cognitive management of teachers’ emotions and empathic concern are positive factors that promote teachers’ daily resilience. Furthermore, an adverse classroom climate acts as a significant mediator, especially in the relationships of teachers’ empathic concern and teacher–student relationships with teachers’ everyday resilience. The teacher–student relationship does not have a significant direct effect on resilience, but it does have an indirect influence through an adverse classroom climate. There is a need to develop SECs, which are shown to be significant in the model. It is concluded that it is important to strengthen these competencies through teacher training and to consider school contexts that promote resilient and emotionally healthy environments.

One of the main social issues in Colombia is the consumption of illegal psychoactive substances, among which marijuana is the most consumed by individuals. Although various preventive programs have been created to reduce the consumption of these substances, few studies utilize technology to address this problem. Therefore, this study presents a machine learning model that predicts the risk of illegal psychoactive substance use in Colombia, using data from ENCSPA-2019. The model demonstrated optimal performance, achieving metrics above 98%, enabling the identification of key factors associated with consumption that influence an individual’s risk level, and providing a useful tool to support public health decisions and prevention efforts. Um dos principais problemas sociais enfrentados na Colômbia é o consumo de substâncias psicoativas ilegais, sendo a maconha a substância mais consumida pela população. Embora diversos programas preventivos tenham sido criados para reduzir o consumo dessas substâncias, são poucos os estudos que utilizam a tecnologia para enfrentar essa problemática. Assim, este estudo apresenta um modelo de machine learning que prevê o risco de consumo de substâncias psicoativas ilegais na Colômbia, com dados da ENCSPA-2019. O modelo demonstrou um desempenho ótimo e alcançou métricas superiores a 98%, o que permite identificar fatores-chave associados ao consumo que influenciam o nível de risco de uma pessoa e oferece uma ferramenta útil para apoiar decisões em saúde pública e prevenção. Una de las principales problemáticas sociales que se presenta en Colombia es el consumo de sustancias psicoactivas ilegales, entre las que la marihuana es la sustancia más consumida por las personas. Si bien se han creado diversos programas preventivos para reducir el consumo de estas sustancias, son pocos los estudios que usan la tecnología para abordar esta problemática. Por tanto, este estudio presenta un modelo de machine learning que predice el riesgo de consumo de sustancias psicoactivas ilegales en Colombia, con datos de la ENCSPA-2019. El modelo demostró un rendimiento óptimo y logró métricas superiores al 98 %, lo que permite identificar factores clave asociados al consumo que influyen en el nivel de riesgo de una persona y ofrece una herramienta útil para apoyar decisiones en salud pública y prevención.

Contexto. El uso desadaptativo de las redes sociales representa un problema de salud pública en aumento a escala mundial, que afecta especialmente a jóvenes y al ámbito universitario. En el caso de México, los índices de prevalencia en estudiantes de educación superior oscilan entre el 18% y el 42%, lo que evidencia la necesidad de detectar factores predictivos y desarrollar estrategias de intervención ajustadas a esta población. Problema. Existe falta de consenso sobre el papel moderador de variables demográficas como edad y género en Uso Problemático de Redes Sociales (UPRS), cuestionando intervenciones basadas solo en reducción de tiempo de uso. Objetivo. Este estudio busca determinar los principales factores predictivos de la adicción a redes sociales en estudiantes universitarios de México, utilizando un modelo de regresión logística y centrándose en variables como la edad, el tiempo de uso diario y el género, en consonancia con los Objetivos de Desarrollo Sostenible 3 y 4. Metodología. Estudio transversal realizado entre enero y marzo de 2025 con 705 estudiantes de la Universidad Autónoma de Aguascalientes -UAA- , se aplicó BSMAS validada (α=0.89; r=0.76 con IAT) y regresión logística binaria controlando por género y año académico. Hallazgos teóricos y prácticos. La Edad mostró efecto protector (OR=0.37, p=0.006), reduciendo probabilidad de adicción en 63% por año adicional. Género masculino asociado a mayor riesgo (69.6% vs 60.1%, p=0.012). Horas de uso no significativas. Hallazgos sustentan modelo I-PACE (Interaction of Person-Affect-Cognition-Execution) y sugieren intervenciones diferenciadas por género y año académico. Originalidad. Integración de variables de desarrollo y género en modelo predictivo aplicable al contexto universitario mexicano, bajo enfoque de innovación en procesos (Manual de Oslo). Conclusiones y limitaciones. Edad y género son predictores más robustos que tiempo de uso. Limitación transversal sugiere futuros estudios longitudinales para inferir causalidad.

Aunque existen algunos avances en el transporte marítimo y en el movimiento portuario, resulta necesario conocer el sector transporte vinculado al movimiento de carga a través de los diferentes puertos autorizados en Colombia, dado que este constituye un factor estratégico para el comercio internacional. A pesar de que el seguimiento se realiza mediante los reportes de las sociedades portuarias de servicio público y privado por medio del sistema de información de Supervisión al Transporte (VIGIA), persisten vacíos importantes tanto en el conocimiento del transporte marítimo de cabotaje, como en el registro de las toneladas de carga movilizadas según zona portuaria, tráfico portuario, tipo de tráfico, tipo de carga y sociedad portuaria. Estos aspectos son fundamentales para la toma de decisiones estratégicas. El propósito de este estudio fue analizar el tipo de carga portuaria movilizada en operaciones de cabotaje y transbordo en los puertos de Colombia. Para ello, se aplicó la metodología CART (Classification and Regression Trees) un algoritmo de aprendizaje supervisado automático. La información secundaria utilizada proviene del conjunto de datos aportado por las sociedades portuarias de servicio público y privado, con un total de 7.139 registros correspondientes a zonas portuarias públicas y privadas del país entre los años 2018 y marzo de 2024. Los resultados presentan un modelo predictivo basado en machine learning para la clasificación de tipos de carga, utilizando un árbol de decisión con una variable objetivo (target) categórica que distingue entre carga de carbón a granel, contenedores, carga general, granel líquido y granel solido distinto del carbón. Las variables predictorias (features) consideradas fueron cabotaje y transbordo. Se concluye que el modelo de árbol de decisión, en su configuración actual, presenta un rendimiento limitado en la clasificación del tipo de carga utilizando únicamente dichas características. A diferencia de otros estudios realizados en Colombia o en la región, los cuales se centran principalmente en la optimización logística, la gestión de terminales o el análisis de la eficiencia portuaria mediante indicadores cuantitativos, esta investigación incorpora un enfoque basado en inteligencia artificial y aprendizaje automático. El uso de la metodología CART constituye una innovación metodológica, al permitir la identificación de patrones de clasificación de carga portuaria a partir de variables categóricas y supervisadas, brindando una perspectiva más predictiva que descriptiva sobre el comportamiento del tráfico marítimo nacional.

Objetivo: Se propuso aplicar modelos basados en técnicasde aprendizaje automático como apoyo para el diagnósticotemprano de la diabetes mellitus, utilizando variables dedatos ambientales, sociales, económicos y sanitarios, sin ladependencia de la toma de muestras clínicas. Metodología: Se utilizaron datos de 10 889 usuarios afiliados al régimen subsidiado de salud de la zona suroccidental en Colombia, diagnosticados con hipertensión y agrupados en usuarios sin (74,3 %) y con (25,7 %) diabetes mellitus. Se entrenaron modelos supervisados utilizando k vecinos más cercanos, árboles de decisión y bosques aleatorios, así como modelos basados en ensambles, aplicados a la base de datos antes ydespués de balancear el número de casos en cada grupo dediagnóstico. Se evalúo el rendimiento de los algoritmosmediante la división de la base de datos en datos de entreno y de prueba (70/30, respectivamente), y se utilizaron métricas de exactitud, sensibilidad, especificidad y área bajo la curva. Resultados: Los valores de sensibilidad aumentaron considerablemente al utilizar datos balanceados, pasando de valores máximos del 17,1 % (datos sin balancear) a valores de hasta 57,4 % (datos balanceados). El valor más alto de área bajo la curva (0,61) fue obtenido con los modelos de ensambles, al aplicar un balance en el número de datos por cada grupo y al codificar las variables categóricas. Las variables de mayor peso estuvieron asociadas con aspectos hereditarios (24,65 %) y con el grupo étnico (5.59 %), además de la dificultad visual, el bajo consumo de agua, una dieta baja en frutas y verduras, y el consumo de sal y azúcar. Conclusiones: Aunque los modelos predictivos, utilizando información socioeconómica y ambiental de las personas, surgen como una herramientan para el diagnóstico temprano de la diabetes mellitus, estos aún deben ser mejorados en su capacidad predictiva.

Los residuos agrícolas representan un problema de contaminación, dada su inadecuada disposición y elevados volúmenes generados. Por ello, su revalorización para producir biocombustibles es atractiva, para lo cual se requiere conocer su poder calorífico. Se han reportado modelos matemáticos para predecir el poder calorífico considerando análisis elementales, estructurales y proximales, siendo éstos últimos los de menor costo. Por ello, el presente trabajo realizó un estudio comparativo de los modelos matemáticos que predicen el poder calorífico con base en análisis elementales; dicho estudio considera: 1) residuos agrícolas procedentes de México (paja de frijol, paja de trigo, cascarilla de arroz, cascabillo de café), y 2) residuos reportados en la literatura (fibras y cáscaras de coco, residuos de jardín, cáscaras de canola, cáscaras de Jatropha curcas, paja de trigo), con el objetivo de determinar si los modelos existentes funcionan adecuadamente para las biomasas mexicanas. Para ello, las biomasas mexicanas son caracterizadas mediante análisis proximales; por otra parte, se estima el poder calorífico de todas las biomasas con modelos matemáticos lineales previamente reportados, y los resultados se comparan con los valores experimentales. Los resultados muestran que los coeficientes de determinación de los modelos matemáticos existentes son bajos, en particular al emplear datos de biomasas mexicanas. El mejor modelo para predecir el poder calorífico en residuos agrícolas mexicanos (R2 = 0.72) considera solamente el contenido de materia volátil y de carbono fijo, así como una débil funcionalidad del contenido de cenizas. Por ello, es necesario proponer modelos matemáticos específicamente para las biomasas mexicanas.

This work introduces a Machine Learning (ML) model designed to predict solar radiation in diverse cities representing Colombia's climatic variability. It is crucial to assert that the amount of solar energy received in a specific region is directly related to solar radiation and its availability, which is influenced by each area's particular climatic and geographic conditions. Due to the high variability and resulting uncertainty, various approaches have been explored, including the use of numerical models to estimate solar radiation. The primary objective of this study was to develop and validate an ML model that accurately predicts solar radiation in cities. The methodology employed was specific to data treatment and ML model development. It was structured into three fundamental stages: clustering, estimation, and response, considering that the model is based on historical data. The obtained results were assessed using appropriate statistical definitions, not only determining the model's efficiency in terms of prediction but also considering interactions between data for the approximation and prediction of solar radiation. In this context, it is crucial to emphasize that the research contributes to understanding solar radiation in Colombia. This study underscores the importance of developing ML models to predict solar radiation, emphasizing the need to consider the country's climatic diversity. The results obtained, following the model's application, provide valuable information for comprehending and anticipating the availability of this primary resource.

An important challenge for conservation is a quantitative understanding of how multiple human stressors will interact to mitigate or exacerbate global environmental change at a community or ecosystem level. We explored the interaction effects of fishing, ocean warming, and ocean acidification over time on 60 functional groups of species in the southeastern Australian marine ecosystem. We tracked changes in relative biomass within a coupled dynamic whole-ecosystem modeling framework that included the biophysical system, human effects, socioeconomics, and management evaluation. We estimated the individual, additive, and interactive effects on the ecosystem and for five community groups (top predators, fishes, benthic invertebrates, plankton, and primary producers). We calculated the size and direction of interaction effects with an additive null model and interpreted results as synergistic (amplified stress), additive (no additional stress), or antagonistic (reduced stress). Individually, only ocean acidification had a negative effect on total biomass. Fishing and ocean warming and ocean warming with ocean acidification had an additive effect on biomass. Adding fishing to ocean warming and ocean acidification significantly changed the direction and magnitude of the interaction effect to a synergistic response on biomass. The interaction effect depended on the response level examined (ecosystem vs. community). For communities, the size, direction, and type of interaction effect varied depending on the combination of stressors. Top predator and fish biomass had a synergistic response to the interaction of all three stressors, whereas biomass of benthic invertebrates responded antagonistically. With our approach, we were able to identify the regional effects of fishing on the size and direction of the interacting effects of ocean warming and ocean acidification. Un reto importante para la conservación es el entendimiento cuantitativo de la forma en que interactúan múltiples factores estresantes humanos para mitigar o exacerbar el cambio climático global a nivel de comunidad o ecosistema. Exploramos los efectos temporales de la interacción de la pesca, el calentamiento de océanos y la acidificacón de océanos sobre 60 grupos funcionales de especies en el ecosistema marino del sureste de Australia. Monitoreamos cambios en la biomasa relativa en el marco de un modelo dinámico acoplado de ecosistema completo que incluy6 el sistema biofísico, efectos humanos, socioeconómicos y evaluación del manejo. Estimamos los efectos individuales, aditivos e interactivos sobre el ecosistema y sobre 5 grupos de la comunidad (depredadores superiores, peces, invertebrados bentónicos, plancton y productores primarios). Calculamos el tamaño y dirección de los efectos de la interacción con un modelo aditivo nulo e interpretamos los resultados como sinérgicos (estrés amplificado), aditivos (sin estrés adicional) o antagónicos (estrés reducido). Individualmente, solo la acidificación de océanos tuvo un efecto negativo sobre la biomasa total. La pesca y el calentamiento de océanos y el calentamiento de océanos con acidificación de océanos tuvieron un efecto aditivo sobre la biomasa. Al añadir la pesca al calentamiento de océanos y la acidificación de océanos, hubo cambio significativo en la dirección y magnitud del efecto de interacción a una respuesta sinérgica sobre la biomasa. El efecto de interacción dependió del nivel de respuesta examinado (ecosistema vs. comunidad). Para comunidades, el tamaño, dirección y tipo de efecto de interacción variaron dependiendo de la combinación de estresantes. Los depredadores superiores y la biomasa de peces tuvieron una respuesta sinérgica a la interacción de los 3 estresantes, mientras la biomasa de los invertebrados bentónicos respondió antagonistamente. Mediante nuestro método, pudimos identificar los efectos regionales de la pesca sobre el tamaño y dirección de los efectos interactivos del calentamiento y acidificación de los océanos.

Databases on the distribution of species can be used to describe the geographic patterns of biodiversity. Nevertheless, they have limitations. We studied three of these limitations: (1) inadequacy of raw data to describe richness patterns due to sampling bias, (2) lack of survey effort assessment (and lack of exhaustiveness in compiling data about survey effort), and (3) lack of coverage of the geographic and environmental variations that affect the distribution of organisms. We used a biodiversity database (BIOTA-Canarias) to analyze richness data from a well-known group (seed plants) in an intensively surveyed area (Tenerife Island). Observed richness and survey effort were highly correlated. Species accumulation curves could not be used to determine survey effort because data digitalization was not exhaustive, so we identified well-sampled sites based on observed richness to sampling effort ratios. We also developed a predictive model based on the data from well-sampled sites and analyzed the origin of the geographic errors in the obtained extrapolation by means of a geographically constrained cross-validation. The spatial patterns of seed-plant species richness obtained from BIOTA-Canarias data were incomplete and biased. Therefore, some improvements are needed to use this database (and many others) in biodiversity studies. We propose a protocol that includes controls on data quality, improvements on data digitalization and survey design to improve data quality, and some alternative data analysis strategies that will provide a reliable picture of biodiversity patterns.

Antecedentes: o ambiente térmico exerce uma influencia direta no desempenho animal. Fatores ambientais, em diferentes circunstancias, podem afetar a produção de leite e a fertilidade dos animais, comprometendo assim a rentabilidade da atividade. Sobcondições de estresse por calor, as vacas leiteiras reduzem o seu consumo de alimento e, consequentemente, a sua produção de leite. Sudorese e respiração ofegante são alguns dos mecanismos que estes animais usam para aliviar o estresse térmico. Além destas consequências, os animais com frequência sofrem mudanças fisiológicas e comportamentais causados pelo estresse calórico, causando uma redução na produção de leite. Objetivo: o objetivo do presente estudo foi desenvolver e avaliar um modelo baseado na teoria dos conjuntos fuzzy para predizer respostas fisiológicas, temperatura retal e frequência respiratória, de vacas leiteiras de raça holandesa branca e preta, expostas a diferentes condições térmicas ambientais. Métodos: o modelo fuzzy proposto foi baseado em dados obtidos experimentalmente (5,884 registros) bem como da literatura (792 registros), referindo-se à influência das variáveis ambientais sobre essas respostas fisiológicas. Cada registro inclui valores de temperatura de bulbo seco do ar, umidade relativa (variáveis de entrada), temperatura retal e frequência respiratória (variáveis de saída). Resultados: o modelo ajustado foi avaliado para cada variável resposta e prediz estas em função das variáveis de entrada. Este modelo foi capaz de predizer a frequência respiratória com um erro padrão médio de 7,73 e a temperatura retal com um erro padrão médio de 0,27. Conclusão: o modelo fuzzy foi desenvolvido com sucesso para predizer respostas fisiológicas. O modelo foi capaz de predizer frequência respiratória e temperatura retal com erros percentuais de +/- 12 y 0,5%, respectivamente. Background:thermal environment exerts a direct influence on animal performance. Environmental factors, in different circumstances, may affect milk production and fertility of animals, compromising the profitability of the activity. Under heat stress conditions dairy cows reduce feed intake and, consequently, milk production. Sweating and panting are some of the mechanisms these animals use to relieve thermal stress. In addition, animals often suffer physiological and behavioral changes caused by heat stress.Objective: the goal of the present study was to develop and evaluate a model based on fuzzy set theory to predict rectal temperature (°C), and respiratory rate (breaths per minute) responses of Holstein cows exposed to different environmental thermal conditions. Methods: the proposed fuzzy model was based on data obtained experimentally (5,884 records) as well as from the literature (792 records) referring to the effect of environmental variables on both physiological responses. Input variables of each record were dry bulb air temperature and relative humidity. Output variables were rectal temperature and respiratory rate. Results: the adjusted model was evaluated for its ability to predict response variables as a function of input variables. The model was able to predict respiration rate with an average standard error of 7.73 and rectal temperature with an average standard error of 0.27. Conclusion: a fuzzy model was developed to predict physiological responses. The error (%) of model prediction for respiration rate and rectal temperature was +/- 12 and 0.5%, respectively. Antecedentes: el ambiente termal ejerce una influencia directa en el desempeño animal. Factores ambientales, en diferentes circunstancias, pueden afectar la producción de leche y la fertilidad de los animales, comprometiendo la rentabilidad de la actividad. Bajo condiciones de estrés por calor, las vacas lecheras reducen su consumo de alimento y, consecuentemente su producción de leche. Sudar y jadear son algunos de los mecanismos que estos animales usan para aliviar el estrés térmico. Además de estas consecuencias, los animales a menudo sufren cambios fisiológicos y comportamentales causados por el estrés calórico, causando una reducción en la producción de leche. Objetivo: el objetivo del presente estudio fue desarrollar y evaluar un modelo basado en la teoría de los conjuntos fuzzy para predecir respuestas fisiológicas, temperatura rectal y frecuencia respiratoria, de vacas lecheras de raza holandesa blanco y negro expuestas a diferentes condiciones ambientales. Métodos: el modelo fuzzy propuesto fue basado en datos obtenidos experimentalmente (5.884 registros), también como de la literatura (792 registros), refiriéndose a la influencia de las variables ambientales sobre esas respuestas fisiológicas. Cada registro incluye valores de temperatura de bulbo seco del aire, humedad relativa (variables de entrada), temperatura rectal y frecuencia respiratoria (variables de salida). Resultados: el modelo ajustado fue evaluado para cada variable respuesta y predice estas en función de las variables de entrada. Este modelo fue capaz de predecir la frecuencia respiratoria con un error estándar medio de 7,73 y la temperatura rectal con un error estándar medio de 0,27. Conclusión: un modelo fuzzy fue exitosamente desarrollado para predecir respuestas fisiológicas. El modelo fue capaz de predecir frecuencia respiratoria y temperatura rectal con errores porcentuales de +/- 12 y 0,5%, respectivamente.