Las tecnologías de la información han revolucionado la gestión académica en instituciones educativas, mejorando la eficiencia y la transparencia. Este estudio tuvo como objetivo evaluar el impacto de la implementación de un sistema de información web en el Centro de Informática de la Universidad Nacional Amazónica de Madre de Dios (UNAMAD). Se desarrolló un sistema basado en la metodología ágil Scrum para optimizar procesos clave como el registro de usuarios, matrícula, asignación de tareas y emisión de certificados. Las evaluaciones antes y después de la implementación mostraron una reducción significativa en los tiempos de gestión, con disminuciones de 12.94 minutos en el registro de usuarios y 15.65 minutos en la emisión de certificados. La prueba t de Student indicó una diferencia estadísticamente significativa (t = -78.32, p < 0.001), lo que confirma que el sistema optimizó de manera efectiva la gestión académica. En conclusión, la implementación del sistema de información web mejoró significativamente la eficiencia operativa, beneficiando tanto a los estudiantes como al personal administrativo.

Liquefied petroleum gas (LPG), composed mainly of propane and butane, is widely used as an energy source in residential, commercial, and industrial sectors; however, its high flammability poses a critical risk in the event of accidental leaks. In Peru, where LPG constitutes the main domestic energy source, leakage emergencies affect thousands of households each year. This pattern is replicated in developing countries with limited energy infrastructure. Early quantitative detection of propane, the predominant component of Peruvian LPG (~60%), is essential to prevent explosions, poisoning, and greenhouse gas emissions that hinder climate change mitigation strategies. This study presents PropNet-R, a convolutional neural network (CNN) designed to estimate propane concentrations (ppm) from thermal images. A dataset of 3574 thermal images synchronized with concentration measurements was collected under controlled conditions. PropNet-R, composed of four progressive convolutional blocks, was compared with SqueezeNet, VGG19, and ResNet50, all fine-tuned for regression tasks. On the test set, PropNet-R achieved MSE = 0.240, R² = 0.614, MAE = 0.333, and Pearson’s r = 0.786, outperforming SqueezeNet (MSE = 0.374, R² = 0.397), VGG19 (MSE = 0.447, R² = 0.280), and ResNet50 (MSE = 0.474, R² = 0.236). These findings provide empirical evidence that task-specific CNN architectures outperform generic transfer learning models in thermal image-based regression. By enabling continuous and quantitative monitoring of gas leaks, PropNet-R enhances safety in industrial and urban environments, complementing conventional chemical sensors. The proposed model contributes to the development of sustainable infrastructure by reducing gas-related risks, promoting energy security, and strengthening resilient, safe, and environmentally responsible urban systems.

Madre de Dios, departamento amazónico del Perú presenta restingas y bajiales ofreciendo oportunidades para el desarrollo de la acuicultura, sin embargo, a medida que se incremente el número de acuicultores el precio de peces disminuirá. Por ello se planteó la obtención de colágeno a partir de la piel de paco (Piaractus brachypomus), a través de dos métodos de; extracción con ácido acético a 45 °C por 12 horas en la etapa de extracción y relación materia prima: agua: 1:10 y 1:22, obteniéndose mayor rendimiento en la relación 1:22. Para el segundo método de extracción con hidróxido de sodio, ácido sulfúrico y ácido cítrico, a 45 °C por 12 horas en la etapa de extracción, y relación de materia prima: agua: 1:10 y 1:22, mejor rendimiento con la relación 1:10; además con este segundo método las características organolépticas del colágeno son mejores.

El presente estudio tuvo como propósito identificar la técnica supervisada de minería de datos con mejor desempeño para el análisis del rendimiento académico de estudiantes universitarios. Se optó por el diseño no experimental de corte transversal. El conjunto de datos inicial para los experimentos estuvo conformado por 17771 registros de procesos académicos, tras el preprocesamiento se obtuvo un conjunto de datos final de 17035 registros. La metodología de minería de datos empleada fue Knowledge Discovery in Databases (KDD). Se emplearon las técnicas de regresión logística binaria, Classification and Regression Trees (CART), C4.5, Maquinas de soporte vectorial, K-vecinos más cercanos (k-Nearest Neighbors). Los resultados demuestran que el al algoritmo C5.0 obtiene una exactitud del 93%, AUC del 0.9797 y un tiempo de entrenamiento de 0.87 segundos, resultando ser el más eficiente en relación a los demás algoritmos comparados.