Robert Antonio Romero Flores
Robert Antonio Romero Flores has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
- Sonia Yaneth Tipula Ticona6 shared publications
- Yudy Huacani Sucasaca
Universidad Andina Néstor Cáceres Velásquez. Juliaca, Perú
6 shared publications - Godofredo Quispe Mamani
Universidad Nacional Del Altiplano, Puno - Perú
5 shared publications - Hugo Yosef Gomez Quispe4 shared publications
- Percy Huata Panca
Universidad Nacional del Altiplano, Puno – Perú
4 shared publications - Renan Abelardo Palli Mamani
Universidad Nacional del Altiplano, Puno – Perú
3 shared publications
Latest Publications
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 40-53
COMPARACIÓN DEL ÁREA BAJO LA CURVA (AUC-ROC) DE DIVERSOS MODELOS DE PROCESAMIENTO DE SEÑALES APLICADOS A LA DETECCIÓN DE LA ENFERMEDAD DE ALZHEIMER
Introducción: La enfermedad de Alzheimer representa la causa más frecuente de demencia a nivel mundial, afectando a más de 55 millones de personas y proyectándose a duplicar esta cifra en las próximas dos décadas. Su impacto no se limita al deterioro cognitivo progresivo del paciente, sino que se extiende a las familias, los sistemas de salud y la economía global.. Objetivo: Comparar el rendimiento diagnóstico de seis modelos de procesamiento de señales mediante el área bajo la curva ROC (AUC-ROC) para la detección temprana del Alzheimer y del deterioro cognitivo leve amnésico. Metodología: Se analizaron datos de 180 participantes distribuidos equitativamente entre tres grupos diagnósticos, obtenidos de la base pública ADNI-3. Se evaluaron modelos CNN, LSTM, SVM-RBF, Random Forest, Regresión Logística y KNN, entrenados con vectores de conectividad funcional derivados de rs-fMRI y reducidos mediante análisis de componentes principales. Resultados: La CNN alcanzó el mayor AUC-ROC (0.94) para la distinción Alzheimer vs. control, seguida por LSTM (0.91) y SVM-RBF (0.89). Para la detección del deterioro cognitivo leve, el rendimiento fue moderado en todos los modelos, con valores entre 0.64 y 0.83, reflejando la mayor complejidad diagnóstica de este estadio. Conclusión: Los modelos de aprendizaje profundo, especialmente CNN y LSTM, superan consistentemente a los métodos clásicos en la detección temprana del Alzheimer.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 40-53
Open AccessCOMPARACIÓN DEL ÁREA BAJO LA CURVA (AUC-ROC) DE DIVERSOS MODELOS DE PROCESAMIENTO DE SEÑALES APLICADOS A LA DETECCIÓN DE LA ENFERMEDAD DE ALZHEIMER
Introducción: La enfermedad de Alzheimer representa la causa más frecuente de demencia a nivel mundial, afectando a más de 55 millones de personas y proyectándose a duplicar esta cifra en las próximas dos décadas. Su impacto no se limita al deterioro cognitivo progresivo del paciente, sino que se extiende a las familias, los sistemas de salud y la economía global.. Objetivo: Comparar el rendimiento diagnóstico de seis modelos de procesamiento de señales mediante el área bajo la curva ROC (AUC-ROC) para la detección temprana del Alzheimer y del deterioro cognitivo leve amnésico. Metodología: Se analizaron datos de 180 participantes distribuidos equitativamente entre tres grupos diagnósticos, obtenidos de la base pública ADNI-3. Se evaluaron modelos CNN, LSTM, SVM-RBF, Random Forest, Regresión Logística y KNN, entrenados con vectores de conectividad funcional derivados de rs-fMRI y reducidos mediante análisis de componentes principales. Resultados: La CNN alcanzó el mayor AUC-ROC (0.94) para la distinción Alzheimer vs. control, seguida por LSTM (0.91) y SVM-RBF (0.89). Para la detección del deterioro cognitivo leve, el rendimiento fue moderado en todos los modelos, con valores entre 0.64 y 0.83, reflejando la mayor complejidad diagnóstica de este estadio. Conclusión: Los modelos de aprendizaje profundo, especialmente CNN y LSTM, superan consistentemente a los métodos clásicos en la detección temprana del Alzheimer.
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 122-134
MINERÍA DE DATOS EDUCATIVOS Y ALGORITMOS DE APRENDIZAJE AUTOMÁTICO APLICADOS AL ANÁLISIS DEL DESEMPEÑO ESTUDIANTIL
Introducción: La educación enfrenta el desafío de identificar a tiempo a los estudiantes en riesgo de fracaso académico. La minería de datos educativos (MDE) y el aprendizaje automático han emergido como herramientas poderosas para analizar grandes volúmenes de información académica y predecir el rendimiento estudiantil con precisión creciente. Objetivo: Analizar la evidencia científica sobre el uso de algoritmos de aprendizaje automático en la minería de datos educativos para predecir y comprender el desempeño estudiantil, identificando los modelos más efectivos y las variables de mayor poder predictivo. Métodos: Se realizó una revisión sistemática en PubMed, Scopus, Web of Science, IEEE Xplore y Google Scholar, incluyendo artículos publicados entre 2019 y 2024. Se seleccionaron 52 estudios que cumplieron los criterios de inclusión. Resultados y discusión: Random Forest y XGBoost fueron los algoritmos con mayor rendimiento predictivo (AUC-ROC de 0.93 y 0.91 respectivamente). La asistencia, las calificaciones previas y la participación en entornos virtuales emergieron como las variables de mayor poder predictivo. Los modelos basados en datos de plataformas LMS mostraron especial utilidad en contextos de educación a distancia. Conclusión: La minería de datos educativos, combinada con algoritmos de aprendizaje automático, ofrece un potencial significativo para transformar la gestión del desempeño estudiantil. Su implementación efectiva requiere calidad en los datos, marcos éticos sólidos y una integración pedagógica cuidadosa.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 122-134
Open AccessMINERÍA DE DATOS EDUCATIVOS Y ALGORITMOS DE APRENDIZAJE AUTOMÁTICO APLICADOS AL ANÁLISIS DEL DESEMPEÑO ESTUDIANTIL
Introducción: La educación enfrenta el desafío de identificar a tiempo a los estudiantes en riesgo de fracaso académico. La minería de datos educativos (MDE) y el aprendizaje automático han emergido como herramientas poderosas para analizar grandes volúmenes de información académica y predecir el rendimiento estudiantil con precisión creciente. Objetivo: Analizar la evidencia científica sobre el uso de algoritmos de aprendizaje automático en la minería de datos educativos para predecir y comprender el desempeño estudiantil, identificando los modelos más efectivos y las variables de mayor poder predictivo. Métodos: Se realizó una revisión sistemática en PubMed, Scopus, Web of Science, IEEE Xplore y Google Scholar, incluyendo artículos publicados entre 2019 y 2024. Se seleccionaron 52 estudios que cumplieron los criterios de inclusión. Resultados y discusión: Random Forest y XGBoost fueron los algoritmos con mayor rendimiento predictivo (AUC-ROC de 0.93 y 0.91 respectivamente). La asistencia, las calificaciones previas y la participación en entornos virtuales emergieron como las variables de mayor poder predictivo. Los modelos basados en datos de plataformas LMS mostraron especial utilidad en contextos de educación a distancia. Conclusión: La minería de datos educativos, combinada con algoritmos de aprendizaje automático, ofrece un potencial significativo para transformar la gestión del desempeño estudiantil. Su implementación efectiva requiere calidad en los datos, marcos éticos sólidos y una integración pedagógica cuidadosa.
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 29-45
APLICACIÓN DE BLOCKCHAIN PARA LA TRAZABILIDAD Y TRANSPARENCIA EN LA EXPORTACIÓN DE QUINUA PERUANA HACIA MERCADOS INTERNACIONALES
Introducción: La quinua peruana es uno de los productos agrícolas de mayor proyección en los mercados internacionales, pero enfrenta desafíos críticos de trazabilidad, certificación y transparencia que limitan su competitividad. La tecnología blockchain ofrece una plataforma descentralizada e inmutable para registrar cada etapa de la cadena de exportación. Objetivo: Analizar la evidencia científica sobre la aplicación de tecnología blockchain para mejorar la trazabilidad y transparencia en la exportación de quinua peruana hacia mercados internacionales. Métodos: Se realizó una revisión sistemática de la literatura en Scopus, Web of Science, IEEE Xplore, SciELO y Google Scholar, incluyendo 22 artículos publicados entre 2016 y 2026 que cumplieron los criterios de inclusión establecidos. Resultados: El blockchain demostró mejoras significativas en trazabilidad (87%), reducción del fraude (82%) y confianza del consumidor (91%) en cadenas agroalimentarias similares. Los modelos más efectivos integran contratos inteligentes con sistemas IoT para el monitoreo en tiempo real. Discusión: A pesar del potencial documentado, la implementación de blockchain en la cadena quinuera peruana requiere una revisión crítica de sus condiciones reales de adopción. Las asimetrías tecnológicas entre actores de la cadena y la ausencia de marcos regulatorios específicos constituyen los obstáculos más relevantes. Conclusión: El blockchain puede mejorar la competitividad de la quinua peruana en mercados exigentes, pero requiere colaboración entre productores, exportadores y el Estado, además de inversión en infraestructura digital rural.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 29-45
Open AccessAPLICACIÓN DE BLOCKCHAIN PARA LA TRAZABILIDAD Y TRANSPARENCIA EN LA EXPORTACIÓN DE QUINUA PERUANA HACIA MERCADOS INTERNACIONALES
Introducción: La quinua peruana es uno de los productos agrícolas de mayor proyección en los mercados internacionales, pero enfrenta desafíos críticos de trazabilidad, certificación y transparencia que limitan su competitividad. La tecnología blockchain ofrece una plataforma descentralizada e inmutable para registrar cada etapa de la cadena de exportación. Objetivo: Analizar la evidencia científica sobre la aplicación de tecnología blockchain para mejorar la trazabilidad y transparencia en la exportación de quinua peruana hacia mercados internacionales. Métodos: Se realizó una revisión sistemática de la literatura en Scopus, Web of Science, IEEE Xplore, SciELO y Google Scholar, incluyendo 22 artículos publicados entre 2016 y 2026 que cumplieron los criterios de inclusión establecidos. Resultados: El blockchain demostró mejoras significativas en trazabilidad (87%), reducción del fraude (82%) y confianza del consumidor (91%) en cadenas agroalimentarias similares. Los modelos más efectivos integran contratos inteligentes con sistemas IoT para el monitoreo en tiempo real. Discusión: A pesar del potencial documentado, la implementación de blockchain en la cadena quinuera peruana requiere una revisión crítica de sus condiciones reales de adopción. Las asimetrías tecnológicas entre actores de la cadena y la ausencia de marcos regulatorios específicos constituyen los obstáculos más relevantes. Conclusión: El blockchain puede mejorar la competitividad de la quinua peruana en mercados exigentes, pero requiere colaboración entre productores, exportadores y el Estado, además de inversión en infraestructura digital rural.
- 1 January 2026
- Published by Editora Cientifica Digital
- p. 45-60
ALGORITMOS DE SEGMENTACIÓN INTELIGENTE PARA LA OPTIMIZACIÓN DE PROCESOS INDUSTRIALES EN LA CADENA PRODUCTIVA AGROEXPORTADORA
Introducción: La industria agroexportadora enfrenta presiones crecientes para mejorar su eficiencia operativa, reducir mermas y responder con agilidad a las exigencias de los mercados internacionales. En este escenario, los algoritmos de segmentación inteligente han emergido como herramientas de alto valor para identificar patrones ocultos en los datos de producción, clasificar lotes con precisión y optimizar cada etapa de la cadena productiva. Objetivo: Analizar la evidencia científica disponible sobre la aplicación de algoritmos de segmentación inteligente en la optimización de procesos industriales en cadenas productivas agroexportadoras, identificando los algoritmos de mayor rendimiento, las etapas de mayor impacto y las condiciones para una implementación efectiva. Métodos: Se realizó una revisión sistemática en Scopus, Web of Science, IEEE Xplore, SciELO y Google Scholar, incluyendo 22 artículos publicados entre 2016 y 2026 que cumplieron los criterios de inclusión definidos mediante el protocolo PRISMA 2020. Resultados: K-Means adaptativo y DBSCAN con integración IoT mostraron el mayor impacto en eficiencia operativa (+38% y +34% respectivamente) y reducción de desperdicio (-31% y -28%). La segmentación inteligente demostró mejoras transversales en trazabilidad, calidad de selección, tiempo de proceso y satisfacción del cliente respecto a los procesos sin segmentación. Conclusión: Los algoritmos de segmentación inteligente fortalecen la competitividad agroexportadora, pero su éxito depende de invertir en datos, capacitación técnica y una adecuada integración entre tecnología y estrategia productiva.
- 1 January 2026
- Published by Editora Cientifica Digital
- p. 45-60
ALGORITMOS DE SEGMENTACIÓN INTELIGENTE PARA LA OPTIMIZACIÓN DE PROCESOS INDUSTRIALES EN LA CADENA PRODUCTIVA AGROEXPORTADORA
Introducción: La industria agroexportadora enfrenta presiones crecientes para mejorar su eficiencia operativa, reducir mermas y responder con agilidad a las exigencias de los mercados internacionales. En este escenario, los algoritmos de segmentación inteligente han emergido como herramientas de alto valor para identificar patrones ocultos en los datos de producción, clasificar lotes con precisión y optimizar cada etapa de la cadena productiva. Objetivo: Analizar la evidencia científica disponible sobre la aplicación de algoritmos de segmentación inteligente en la optimización de procesos industriales en cadenas productivas agroexportadoras, identificando los algoritmos de mayor rendimiento, las etapas de mayor impacto y las condiciones para una implementación efectiva. Métodos: Se realizó una revisión sistemática en Scopus, Web of Science, IEEE Xplore, SciELO y Google Scholar, incluyendo 22 artículos publicados entre 2016 y 2026 que cumplieron los criterios de inclusión definidos mediante el protocolo PRISMA 2020. Resultados: K-Means adaptativo y DBSCAN con integración IoT mostraron el mayor impacto en eficiencia operativa (+38% y +34% respectivamente) y reducción de desperdicio (-31% y -28%). La segmentación inteligente demostró mejoras transversales en trazabilidad, calidad de selección, tiempo de proceso y satisfacción del cliente respecto a los procesos sin segmentación. Conclusión: Los algoritmos de segmentación inteligente fortalecen la competitividad agroexportadora, pero su éxito depende de invertir en datos, capacitación técnica y una adecuada integración entre tecnología y estrategia productiva.
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 110-121
ANÁLISIS ESTADÍSTICO MULTIVARIADO Y MACHINE LEARNING PARA LA DETECCIÓN TEMPRANA DE RIESGO DE DESERCIÓN ESCOLAR
Introducción: La deserción escolar constituye un problema complejo que afecta el desarrollo educativo y social, siendo el resultado de múltiples factores interrelacionados. En este contexto, el uso de técnicas analíticas avanzadas permite mejorar su comprensión y predicción temprana. Objetivo: Analizar la eficacia del análisis estadístico multivariado y de los modelos de machine learning en la detección temprana del riesgo de deserción escolar. Métodos: Se desarrolló un estudio cuantitativo de tipo predictivo, utilizando una base de datos de estudiantes que incluyó variables académicas, conductuales y sociodemográficas. Se aplicó regresión logística para el análisis estadístico multivariado y modelos de machine learning (árbol de decisión, Random Forest y SVM). El desempeño de los modelos fue evaluado mediante métricas de clasificación y curva ROC. Resultados: El rendimiento académico y la asistencia se identificaron como los principales predictores del riesgo de deserción. El modelo Random Forest presentó el mejor desempeño, con mayor exactitud y capacidad discriminativa (AUC = 0.91), superando a los demás modelos evaluados. Discusión: Los resultados confirman la relevancia de los factores académicos en la deserción escolar y evidencian la superioridad de los modelos de ensamble en la predicción de fenómenos complejos. Asimismo, se destaca la importancia de integrar enfoques estadísticos y computacionales para mejorar tanto la precisión como la interpretabilidad. Conclusión: La combinación de análisis estadístico multivariado y técnicas de machine learning constituye una estrategia eficaz para la detección temprana del riesgo de deserción escolar.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 110-121
Open AccessANÁLISIS ESTADÍSTICO MULTIVARIADO Y MACHINE LEARNING PARA LA DETECCIÓN TEMPRANA DE RIESGO DE DESERCIÓN ESCOLAR
Introducción: La deserción escolar constituye un problema complejo que afecta el desarrollo educativo y social, siendo el resultado de múltiples factores interrelacionados. En este contexto, el uso de técnicas analíticas avanzadas permite mejorar su comprensión y predicción temprana. Objetivo: Analizar la eficacia del análisis estadístico multivariado y de los modelos de machine learning en la detección temprana del riesgo de deserción escolar. Métodos: Se desarrolló un estudio cuantitativo de tipo predictivo, utilizando una base de datos de estudiantes que incluyó variables académicas, conductuales y sociodemográficas. Se aplicó regresión logística para el análisis estadístico multivariado y modelos de machine learning (árbol de decisión, Random Forest y SVM). El desempeño de los modelos fue evaluado mediante métricas de clasificación y curva ROC. Resultados: El rendimiento académico y la asistencia se identificaron como los principales predictores del riesgo de deserción. El modelo Random Forest presentó el mejor desempeño, con mayor exactitud y capacidad discriminativa (AUC = 0.91), superando a los demás modelos evaluados. Discusión: Los resultados confirman la relevancia de los factores académicos en la deserción escolar y evidencian la superioridad de los modelos de ensamble en la predicción de fenómenos complejos. Asimismo, se destaca la importancia de integrar enfoques estadísticos y computacionales para mejorar tanto la precisión como la interpretabilidad. Conclusión: La combinación de análisis estadístico multivariado y técnicas de machine learning constituye una estrategia eficaz para la detección temprana del riesgo de deserción escolar.
- 1 January 2026
- Published by Editora Cientifica Digital
- p. 82-97
VISIÓN COMPUTACIONAL COMO LECTURA INTELIGENTE DE DATOS VISUALES: ANÁLISIS INFORMÁTICO DE IMÁGENES PARA INTERPRETAR, DETECTAR Y DECIDIR
Introducción: La visión computacional constituye una de las áreas más influyentes de la inteligencia artificial contemporánea, porque permite que los sistemas informáticos procesen imágenes y videos para extraer información útil, reconocer patrones, detectar objetos, segmentar regiones y apoyar decisiones. Objetivo: Analizar la visión computacional como una herramienta informática para el procesamiento, análisis e interpretación de datos visuales. Metodología: Se realizó una revisión documental de carácter descriptivo y analítico. La selección bibliográfica incluyó publicaciones académicas fundacionales y revisiones reconocidas sobre aprendizaje profundo, redes convolucionales, conjuntos de datos visuales, clasificación de imágenes, detección de objetos, segmentación semántica, segmentación de instancias, visión computacional médica y transformadores visuales. Resultados: La revisión evidencia que la visión computacional opera como un proceso de lectura automatizada de datos visuales. Los principales avances se relacionan con ImageNet, AlexNet, VGG, Inception, ResNet, FCN, U-Net, R-CNN, Fast R-CNN, Faster R-CNN, YOLO, Mask R-CNN, EfficientNet y Vision Transformer. Conclusión: La visión computacional es una disciplina estratégica para analizar información visual en contextos de alta complejidad.
- 1 January 2026
- Published by Editora Cientifica Digital
- p. 82-97
VISIÓN COMPUTACIONAL COMO LECTURA INTELIGENTE DE DATOS VISUALES: ANÁLISIS INFORMÁTICO DE IMÁGENES PARA INTERPRETAR, DETECTAR Y DECIDIR
Introducción: La visión computacional constituye una de las áreas más influyentes de la inteligencia artificial contemporánea, porque permite que los sistemas informáticos procesen imágenes y videos para extraer información útil, reconocer patrones, detectar objetos, segmentar regiones y apoyar decisiones. Objetivo: Analizar la visión computacional como una herramienta informática para el procesamiento, análisis e interpretación de datos visuales. Metodología: Se realizó una revisión documental de carácter descriptivo y analítico. La selección bibliográfica incluyó publicaciones académicas fundacionales y revisiones reconocidas sobre aprendizaje profundo, redes convolucionales, conjuntos de datos visuales, clasificación de imágenes, detección de objetos, segmentación semántica, segmentación de instancias, visión computacional médica y transformadores visuales. Resultados: La revisión evidencia que la visión computacional opera como un proceso de lectura automatizada de datos visuales. Los principales avances se relacionan con ImageNet, AlexNet, VGG, Inception, ResNet, FCN, U-Net, R-CNN, Fast R-CNN, Faster R-CNN, YOLO, Mask R-CNN, EfficientNet y Vision Transformer. Conclusión: La visión computacional es una disciplina estratégica para analizar información visual en contextos de alta complejidad.