La gestión pública en América Latina enfrenta el reto del desarrollo social. Las múltiples dificultades y complejidades de la región la convierten en la más desigual del mundo. De este modo, la toma de decisiones estratégicas funge como una herramienta que posibilita la elaboración de políticas públicas eficaces ante este escenario. El objetivo del trabajo es analizar la toma de decisiones estratégicas en la gestión pública de cara al desarrollo social. Se realizó una investigación documental de distintas fuentes bibliográficas. Se concluye que la toma de decisiones estratégicas permite la construcción de planes de acción eficientes de cara a la comprensión de las necesidades de la población y la elaboración de políticas públicas capaces de superar los males administrativos y de cobertura que atañen a la región. El alcance del desarrollo social requiere la comunión entre Estado, organizaciones sociales y sector privado.

Toda organización independientemente del rubro obedece de alguna forma u otra forma a las TICs (Tecnologías de Información y Comunicación) las cuales representan una gran ayuda para la rápida adaptación a los cambios y la entrega de valor. Además, en la era de la Inteligencia Artificial, el mercado de los Chatbot ha venido adquiriendo popularidad en varios sectores. No obstante, en el campo de la educación como herramienta de aprendizaje aún se encuentra iniciando y tiene mucho por mejorar. En la presente revisión sistemática evaluaremos la suficiencia y conveniencia que tiene el uso de los Chatbot aplicados a la educación, así como conocer los factores que influyen en la adopción de esta tecnología para la mejora del proceso de aprendizaje en el ámbito universitario. Entre las principales conclusiones se tiene que de acuerdo a los estudios realizados que la aplicación de los Chatbots tiene mayor incidencia en el sector salud; asimismo, se precisaron que las plataformas más utilizadas para el desarrollo de un Chatbot es el Amazon Lex; de igual modo, se precisaron que los países donde más se utiliza los Chatbots para el proceso de aprendizaje pertenecen al continente asiático y europeo.

El proceso de enseñanza-aprendizaje se ha visto rápidamente transformado producto de la inserción de las nuevas tecnologías. Gracias a estas, todas las esferas de la sociedad han presenciado cambios de todo tipo, la educación no escapa de esto. Este trabajo tiene como finalidad describir las mejoras del proceso educativo a través de plataformas virtuales. Desde un recorrido bibliográfico, teórico-documental, se describen las mejoras más significativas del proceso educativo a partir de la utilización de plataformas virtuales. Se evidencia la posibilidad de construir comunidades de aprendizaje colaborativas mediadas por las tecnologías, flexibles y adaptativas al entorno en el cual se encuentran inmersas. Debido a las nuevas tecnologías, la educación llega a todas partes rompiendo las barreras físicas del aula de clase. Se concluye que los estudiantes se convierten en el centro del proceso educativo, siendo de carácter autónomo y crítico. Las instituciones educativas deben velar por la adecuada implementación de las nuevas tecnologías a fin de garantizar un servicio óptimo y competitivo.

This systematic review explores the application of machine learning (ML) techniques in earthquake prediction, analyzing studies published between 2018 and 2022. The research focuses on identifying models, methods, and tools used in this field, as well as evaluating their effectiveness. A systematic methodology based on Kitchenham’s framework was employed, including three main phases: planning, conducting, and reporting the review. The process involved formulating research questions (RQs), rigorously searching 11 academic databases, and applying inclusion and exclusion criteria to refine 56,240 initial records into 126 relevant studies. Key methods identified include supervised, unsupervised, and reinforcement learning models, with supervised learning being the most utilized approach. Prominent techniques include Naive Bayes (NB), K ‐means, lasso regression, ridge regression, and random forest (RF). Variables frequently associated with earthquake prediction include seismic precursors, neural networks, and prediction accuracy metrics. Python and TensorFlow were the most commonly used tools for implementing these methods. The findings reveal that while ML holds significant potential for improving earthquake prediction, current research is predominantly focused on supervised learning, with limited exploration of other methodologies. The review highlights the need for diverse approaches and further evaluation of underutilized techniques, emphasizing their importance for advancing predictive models. This work contributes a comprehensive analysis of the current state of ML in seismic studies, identifying gaps and opportunities for future research.

Background: Smart mining is rapidly evolving through the integration of automation, advanced sensing technologies, and Machine Learning (ML). Methods: This Systematic Literature Review (SLR), based on 99 peer-reviewed studies published between 2021 and 2025 and synthesized following PRISMA 2020 guidelines, analyzes the current role of ML algorithms in the mining sector, focusing on their applications, algorithmic prevalence, benefits, and challenges. Results: Machine Learning algorithms are primarily applied to equipment failure prediction, ore classification, grade and flotation control, transportation optimization, and environmental monitoring. The most frequently adopted algorithms include Decision Tree-based models, Artificial Neural Networks, Deep Learning architectures, Support Vector Machines, K-means clustering, and Gradient Boosting methods, reflecting different trade-offs between interpretability, computational complexity, and predictive performance. Reported benefits include improved operational efficiency, cost reduction, enhanced predictive maintenance, improved decision-making, and increased safety and environmental performance. However, widespread adoption remains constrained by limited availability of high-quality data, data heterogeneity, high implementation costs, shortages of specialized personnel, algorithm interpretability issues, and cybersecurity risks. Conclusions: Overall, ML algorithms emerge as key enablers of intelligent and sustainable mining. The review highlights the need for explainable and robust algorithms, improved multimodal data integration, and large-scale real-world validation to support the next generation of smart mining systems.