Teresa Paola Alvarez Rozas

Dr. Teresa Paola Alvarez Rozas

orcid

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
30 August 2024 in Sustainability
Verified
Journal Article
Open access
PDF file
LUIS ALBERTO HOLGADO APAZALUIS ALBERTO HOLGADO APAZA
LUIS ALBERTO HOLGADO APAZA
NGNelly Jacqueline Ulloa Gallardo
Nelly Jacqueline Ulloa Gallardo
RARuth Nataly Aragon-Navarrete
Ruth Nataly Aragon-Navarrete
RRRaidith Riva-Ruiz
Raidith Riva-Ruiz
NONaomi Karina Odagawa-Aragon
Naomi Karina Odagawa-Aragon
MQMarleny Quispe-Layme
Marleny Quispe-Layme
Teacher life satisfaction is crucial for their well-being and the educational success of their students, both essential elements for sustainable development. This study identifies the most relevant predictors of life satisfaction among Peruvian teachers using machine learning. We analyzed data from the National Survey of Teachers of Public Basic Education Institutions (ENDO-2020) conducted by the Ministry of Education of Peru, using filtering methods (mutual information, analysis of variance, chi-square, and Spearman’s correlation coefficient) along with embedded methods (Classification and Regression Trees—CART; Random Forest; Gradient Boosting; XGBoost; LightGBM; and CatBoost). Subsequently, we generated machine learning models with Random Forest; XGBoost; Gradient Boosting; Decision Trees—CART; CatBoost; LightGBM; Support Vector Machine; and Multilayer Perceptron. The results reveal that the main predictors of life satisfaction are satisfaction with health, employment in an educational institution, the living conditions that can be provided for their family, and conditions for performing their teaching duties, as well as age, the degree of confidence in the Ministry of Education and the Local Management Unit (UGEL), participation in continuous training programs, reflection on the outcomes of their teaching practice, work–life balance, and the number of hours dedicated to lesson preparation and administrative tasks. Among the algorithms used, LightGBM and Random Forest achieved the best results in terms of accuracy (0.68), precision (0.55), F1-Score (0.55), Cohen’s kappa (0.42), and Jaccard Score (0.41) for LightGBM, and accuracy (0.67), precision (0.54), F1-Score (0.55), Cohen’s kappa (0.41), and Jaccard Score (0.41). These results have important implications for educational management and public policy implementation. By identifying dissatisfied teachers, strategies can be developed to improve their well-being and, consequently, the quality of education, contributing to the sustainability of the educational system. Algorithms such as LightGBM and Random Forest can be valuable tools for educational management, enabling the identification of areas for improvement and optimizing decision-making.

7 October 2026 in Nutrición Clínica y Dietética Hospitalaria
Verified
Journal Article
Closed access
FVFredy Heric Villasante-Saravia
Fredy Heric Villasante-Saravia
TRTeresa Paola Alvarez Rozas
Teresa Paola Alvarez Rozas
RLRocio Cahuana Lipa
Rocio Cahuana Lipa
PPPercy Huata Panca
Percy Huata Panca
MVMilagros Yesenia Pacheco Vizcarra
Milagros Yesenia Pacheco Vizcarra
JMJulio César Machaca Mamani
Julio César Machaca Mamani
Introducción: Las enfermedades crónicas no transmisibles constituyen un importante problema de salud pública, cuya prevención requiere detección oportuna de factores de riesgo nutricionales. Objetivo: Analizar la distribución de los indicadores relacionados con los factores de riesgo nutricionales, el tamizaje de glucosa y la evaluación de la presión arterial en las microredes de la Red de Salud Puno durante el primer trimestre de 2026. Metodología: Se realizó un estudio de enfoque cuantitativo, de tipo aplicado, con diseño observacional, no experimental, de corte transversal y alcance descriptivo-comparativo. La unidad de análisis estuvo conformada por los indicadores de las siete microredes de la Red de Salud Puno correspondientes al período enero-marzo de 2026. Se empleó estadística descriptiva mediante frecuencias absolutas y porcentajes. Resultados: Se identificaron 2,095 personas con factores de riesgo nutricional, de las cuales 1,160 presentaron sobrepeso y 935 obesidad. Las microredes Simón Bolívar (21.0%), José Antonio Encinas (20.2%) y Metropolitano (19.0%) concentraron la mayor proporción de casos. Asimismo, se realizaron 4,139 tamizajes de glucosa, detectándose 1,668 personas (40.3%) con glucosa alterada o probable diabetes, mientras que de las 2,568 evaluaciones de presión arterial efectuadas, 133 personas (5.2%) presentaron presión arterial elevada o anormal. La microred Metropolitano registró el mayor número de tamizajes y de casos con alteraciones metabólicas. Conclusiones: Las microredes urbanas presentan la mayor carga de factores de riesgo nutricionales y metabólicos en la Red de Salud Puno. Se requiere fortalecer el tamizaje oportuno y las intervenciones preventivas para reducir la progresión de las enfermedades crónicas no transmisibles.

1 January 2026
Verified
Book Chapter
Open access
PDF file
GMGodofredo Quispe Mamani
Godofredo Quispe Mamani
TRTeresa Paola Alvarez Rozas
Teresa Paola Alvarez Rozas
FVFredy Heric Villasante-Saravia
Fredy Heric Villasante-Saravia
PPPercy Huata Panca
Percy Huata Panca
HQHugo Yosef Gomez Quispe
Hugo Yosef Gomez Quispe
YSYudy Huacani Sucasaca
Yudy Huacani Sucasaca
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
Verified
Book Chapter
Open access
PDF file
GMGodofredo Quispe Mamani
Godofredo Quispe Mamani
PPPercy Huata Panca
Percy Huata Panca
FVFredy Heric Villasante-Saravia
Fredy Heric Villasante-Saravia
TRTeresa Paola Alvarez Rozas
Teresa Paola Alvarez Rozas
RARemo Choquejahua Acero
Remo Choquejahua Acero
HQHugo Yosef Gomez Quispe
Hugo Yosef Gomez Quispe
Introducción: La Enfermedad de Alzheimer constituye la principal causa de demencia a nivel global y se caracteriza por un deterioro progresivo de las funciones cognitivas, asociado a alteraciones estructurales y funcionales del sistema nervioso central. La identificación de biomarcadores confiables y accesibles resulta fundamental para mejorar el diagnóstico temprano.. Objetivo: Analizar la sensibilidad y especificidad de los biomarcadores topográficos derivados de la electroencefalografía en la clasificación de pacientes con enfermedad de Alzheimer frente a sujetos sanos. Metodología: Se realizó una revisión sistemática de la literatura científica, basada en los lineamientos de Preferred Reporting Items for Systematic Reviews and Meta-Analyses, mediante la consulta de bases de datos internacionales como PubMed, Scopus y Web of Science. Se incluyeron estudios publicados entre 2010 y 2025 que evaluaran biomarcadores topográficos de la electroencefalografía y reportaran métricas de sensibilidad y especificidad. Resultados: Los estudios analizados evidenciaron valores de sensibilidad y especificidad comprendidos entre 70% y 92%, indicando un adecuado rendimiento diagnóstico. Se identificaron patrones consistentes caracterizados por el incremento de la actividad en bandas de baja frecuencia y la disminución de las bandas de mayor frecuencia en pacientes con enfermedad de Alzheimer. Conclusiones: Los biomarcadores topográficos derivados de la electroencefalografía presentan un alto potencial como herramienta complementaria en el diagnóstico de la enfermedad de Alzheimer.

1 January 2026
Verified
Book Chapter
Open access
PDF file
GMGodofredo Quispe Mamani
Godofredo Quispe Mamani
PPPercy Huata Panca
Percy Huata Panca
TRTeresa Paola Alvarez Rozas
Teresa Paola Alvarez Rozas
RMRenan Abelardo Palli Mamani
Renan Abelardo Palli Mamani
HQHugo Yosef Gomez Quispe
Hugo Yosef Gomez Quispe
YSYudy Huacani Sucasaca
Yudy Huacani Sucasaca
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.