La gestión del talento docente en instituciones de educación superior enfrenta desafíos de subjetividad y eficiencia en la asignación de materias. Este estudio explora la viabilidad técnica de implementar un sistema de Machine Learning supervisado para optimizar la selección de perfiles docentes en el Tecnológico de Estudios Superiores del Oriente del Estado de México (TESOEM). Mediante un estudio de caso con enfoque mixto de predominancia cualitativa, se realizaron entrevistas a jefes de división (n=9) y un grupo focal con expertos en programación y bases de datos (n=3). Los resultados muestran que el proceso actual carece de estandarización, basándose en criterios subjetivos y experiencia individual. Se identificó que la institución cuenta con infraestructura tecnológica, talento humano en programación y recursos informáticos suficientes para desarrollar un modelo de aprendizaje automático. Se propone una arquitectura de ML supervisado basada en algoritmo Random Forest, con variables de entrada que incluyen escolaridad, experiencia docente, carga horaria y nivel de asignatura. El modelo alcanzaría una precisión estimada superior al 70% según benchmarks de estudios similares. Se concluye que la viabilidad técnica está resuelta, pero se requiere una fase piloto para ajustar ponderaciones y medir el rendimiento real. Este trabajo entrega las bases metodológicas para la construcción de un sistema de apoyo a la toma de decisiones en la gestión académica.
La emisión de documentos oficiales en el ámbito educativo a nivel superior se ha comprometido en los últimos años en México debido a la falsificación y robo de identidad. Esta investigación presenta un sistema distribuido basado en Blockchain y Ethereum para la emisión y validación de certificados digitales, garantizando seguridad, trazabilidad e inmutabilidad mediante contratos inteligentes escritos en Solidity. Utilizando la biblioteca web3.py y la red Ethereum. El sistema integra firmas digitales X.509, ERC-721 y códigos QR para facilitar la verificación. Los resultados preliminares muestran métricas de gas usado y consumo de recurso Ethereum de 0.00442378 en promedio por transacción. Este enfoque ofrece una solución escalable y confiable para la emisión y gestión de certificados en entornos educativos e industriales. El sistema reduce costos de verificación en un 43% en comparación de un sistema distribuido con sistemas centralizado.