Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior
En el ámbito académico, la evaluación de ensayos y trabajos escritos es una tarea repetitiva, consumidora de tiempo y sujeta a la variabilidad humana. Este proyecto aborda este desafío mediante el desarrollo de un sistema automatizado de calificación de textos académicos, basado en técnicas avanzada...
- Autores:
-
Vargas Prada, David Santiago
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75337
- Acceso en línea:
- https://hdl.handle.net/1992/75337
- Palabra clave:
- Procesamiento de lenguaje natural
Calificación automática
Transformers
Educación superior
RoBERTa
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_6129dd61ad6f02d0e681e6f0140e68e1 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75337 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| title |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| spellingShingle |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior Procesamiento de lenguaje natural Calificación automática Transformers Educación superior RoBERTa Ingeniería |
| title_short |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| title_full |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| title_fullStr |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| title_full_unstemmed |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| title_sort |
Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superior |
| dc.creator.fl_str_mv |
Vargas Prada, David Santiago |
| dc.contributor.advisor.none.fl_str_mv |
Lozano Martínez, Fernando Enrique |
| dc.contributor.author.none.fl_str_mv |
Vargas Prada, David Santiago |
| dc.contributor.jury.none.fl_str_mv |
Osma Cruz, Johann Faccelo |
| dc.subject.keyword.none.fl_str_mv |
Procesamiento de lenguaje natural Calificación automática Transformers Educación superior RoBERTa |
| topic |
Procesamiento de lenguaje natural Calificación automática Transformers Educación superior RoBERTa Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
En el ámbito académico, la evaluación de ensayos y trabajos escritos es una tarea repetitiva, consumidora de tiempo y sujeta a la variabilidad humana. Este proyecto aborda este desafío mediante el desarrollo de un sistema automatizado de calificación de textos académicos, basado en técnicas avanzadas de Procesamiento de Lenguaje Natural (NLP) y modelos como RoBERTa. Utilizando representaciones semánticas y ajustes finos, el sistema optimiza la evaluación de aspectos como coherencia, cohesión y estructura argumentativa. Las pruebas realizadas reflejan un alto nivel de precisión y consistencia, destacando el potencial del modelo para aliviar la carga docente y ofrecer retroalimentación objetiva. Además, una interfaz gráfica facilita su implementación práctica, promoviendo un enfoque moderno y eficiente en la educación superior. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-10T19:05:05Z |
| dc.date.available.none.fl_str_mv |
2025-01-10T19:05:05Z |
| dc.date.issued.none.fl_str_mv |
2025-01-10 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75337 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75337 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Ke, Z., y Ng, V. “On the Use of BERT for Automated Essay Scoring: Joint Learning of Multi-Scale Essay Representation.” Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 2022. [En línea]. Disponible en: https://aclanthology.org/2022.naacl-main.249/. Brown, T., et al. “Language Models are Few-Shot Learners.” Advances in Neural Information Processing Systems, vol. 33, 2020, pp. 1877–1901. [En línea]. Disponible en: https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf. Jurafsky, D., y Martin, J. H. Speech and Language Processing, 3ra ed., Prentice Hall, 2021. Wu, L., et al. “Automatic essay scoring using machine learning techniques: Insights from random forest and gradient boosting models.” Proceedings of the International Conference on Intelligent Computing and Applications in Computer Science (ICICACS), 2023. Dhini, B. F., et al. “Automatic essay scoring for discussion forum in online learning based on semantic and keyword similarities.” AAOU Journal, vol. 18, no. 4, pp. 210–225, 2023. Montejo, T. R. “Método para la evaluación automática de la organización de textos argumentativos.” Tesis doctoral, Universidad Nacional de Colombia, Bogotá, 2014. Avendaño Muñoz, L. A. “Implementación de un sistema para calificación de ensayos.” Tesis de maestría, Universidad de los Andes, Bogotá, 2017. Crossley, S., Baffour, P., King, J., Burleigh, L., Reade, W., y Demkin, M. “Learning Agency Lab - Automated Essay Scoring 2.0.” Kaggle, 2024. [En línea]. Disponible en: https://kaggle.com/competitions/learning-agency-lab-automated-essay-scoring-2. Mikolov, T., Chen, K., Corrado, G., y Dean, J. “Efficient estimation of word representations in vector space.” arXiv preprint arXiv:1301.3781, 2013. [En línea]. Disponible en: https://arxiv.org/abs/1301.3781. Phung, T. M. “A review of pre-trained language models: from BERT, RoBERTa, to ELECTRA, DeBERTa, BigBird, and more,” 2023. [En línea]. Disponible en: https://acortar.link/ORwmyO. Joshy, J., y Sundar, K. “Analyzing the performance of sentiment analysis using BERT, DistilBERT, and RoBERTa.” Proceedings of the 2022 International Conference on Advances in Computing and Communication Engineering (ICACCE), 2022, pp. 189–195. [En línea]. Disponible en: https://ieeexplore.ieee.org/document/10059542. Pennington, J., Socher, R., y Manning, C. D. “GloVe: Global vectors for word representation.” Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1532–1543. [En línea]. Disponible en: https://doi.org/10.3115/v1/D14-1162. Bojanowski, P., Grave, E., Joulin, A., y Mikolov, T. “Enriching word vectors with subword information.” Transactions of the Association for Computational Linguistics, vol. 5, pp. 135–146, 2017. [En línea]. Disponible en: https://doi.org/10.1162/tacl_a_00051. Devlin, J., Chang, M.-W., Lee, K., y Toutanova, K. “BERT: Pre-training of deep bidirectional transformers for language understanding.” Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), 2019, pp. 4171–4186. [En línea]. Disponible en: https://doi.org/10.18653/v1/N19-1423. Liu, Y., et al. “RoBERTa: A robustly optimized BERT pretraining approach.” arXiv preprint arXiv:1907.11692, 2019. [En línea]. Disponible en: https://arxiv.org/abs/1907.11692. Sanh, V., Debut, L., Chaumond, J., y Wolf, T. “DistilBERT, a distilled version of BERT: Smaller, faster, cheaper and lighter.” arXiv preprint arXiv:1910.01108, 2019. [En línea]. Disponible en: https://arxiv.org/abs/1910.01108. Barrera, J. “Regresión ordinal: Fundamentos y aplicaciones.” Departamento de Matemáticas, Universidad Autónoma de Barcelona, 2020. [En línea]. Disponible en: https://www.mat.uab.cat/~jbarrera/Teaching_files/Regresion_Ordinal.pdf. Gutiérrez, J. “Introducción a la regresión lineal y sus aplicaciones.” Revista Científica de Métodos Cuantitativos, vol. 10, no. 2, pp. 34–45, 2019. [En línea]. Disponible en: https://dialnet.unirioja.es/descarga/articulo/7025156.pdf. Luna, D. “Redes neuronales aplicadas a la predicción de calificaciones de texto: Una revisión.” Revista de Inteligencia Artificial y Aprendizaje, vol. 12, no. 1, pp. 45–57, 2021. [En línea]. Disponible en: https://dialnet.unirioja.es/descarga/articulo/8131067.pdf. Williamson, D., Mislevy, R. J., y Bejar, I. I. “Acceptance criteria for automated scoring systems in high-stakes educational testing.” Journal of Educational Assessment, vol. 18, no. 4, pp. 210–225, 2023. Doewes, A., Kurdhi, N., y Saxena, A. “Evaluating quadratic weighted kappa as the standard performance metric for automated essay scoring.” Proceedings of the 16th International Conference on Educational Data Mining, 2023, pp. 103–113. [En línea]. Disponible en: https://doi.org/10.5281/zenodo.8115784. Landis, J. R., y Koch, G. G. “The measurement of observer agreement for categorical data.” Biometrics, vol. 33, no. 1, pp. 159–174, 1977. |
| dc.rights.uri.none.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
30 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería Electrónica |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/1736501f-2497-4714-a0aa-814a19ec1ee8/download https://repositorio.uniandes.edu.co/bitstreams/f3eb6673-53a6-4c3d-ab8f-6f561ea74a0d/download https://repositorio.uniandes.edu.co/bitstreams/18cd8827-34cc-44c7-ba2e-0a58e69238d5/download https://repositorio.uniandes.edu.co/bitstreams/b4c9c8d3-2744-4d8f-a8ed-20e68e41ef5e/download https://repositorio.uniandes.edu.co/bitstreams/2c55ef51-55c9-402e-9b33-eb15078393c7/download https://repositorio.uniandes.edu.co/bitstreams/e594710b-5f0c-416c-998e-ea8a80a94a5c/download https://repositorio.uniandes.edu.co/bitstreams/52080fa3-7c4b-480e-95b4-dcfefc553fb6/download |
| bitstream.checksum.fl_str_mv |
c2b064e362445d620f4711becdb1ecfa b0b6683dbad7289a55c0da110944aaf7 ae9e573a68e7f92501b6913cc846c39f d001c0189e445c22827e09a1685994b0 73463498c8f41f6fdea68244af1110ec fec411d37b01900c3513a3bfd39872b6 f5a923cba13190d657c16a5b5a2bd536 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1831927783613267968 |
| spelling |
Lozano Martínez, Fernando Enriquevirtual::21954-1Vargas Prada, David SantiagoOsma Cruz, Johann Faccelo2025-01-10T19:05:05Z2025-01-10T19:05:05Z2025-01-10https://hdl.handle.net/1992/75337instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En el ámbito académico, la evaluación de ensayos y trabajos escritos es una tarea repetitiva, consumidora de tiempo y sujeta a la variabilidad humana. Este proyecto aborda este desafío mediante el desarrollo de un sistema automatizado de calificación de textos académicos, basado en técnicas avanzadas de Procesamiento de Lenguaje Natural (NLP) y modelos como RoBERTa. Utilizando representaciones semánticas y ajustes finos, el sistema optimiza la evaluación de aspectos como coherencia, cohesión y estructura argumentativa. Las pruebas realizadas reflejan un alto nivel de precisión y consistencia, destacando el potencial del modelo para aliviar la carga docente y ofrecer retroalimentación objetiva. Además, una interfaz gráfica facilita su implementación práctica, promoviendo un enfoque moderno y eficiente en la educación superior.Pregrado30 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y Electrónicahttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Optimización de la evaluación académica mediante procesamiento de lenguaje natural: desarrollo de un sistema de calificación automática para textos en educación superiorTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPProcesamiento de lenguaje naturalCalificación automáticaTransformersEducación superiorRoBERTaIngenieríaKe, Z., y Ng, V. “On the Use of BERT for Automated Essay Scoring: Joint Learning of Multi-Scale Essay Representation.” Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 2022. [En línea]. Disponible en: https://aclanthology.org/2022.naacl-main.249/.Brown, T., et al. “Language Models are Few-Shot Learners.” Advances in Neural Information Processing Systems, vol. 33, 2020, pp. 1877–1901. [En línea]. Disponible en: https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf.Jurafsky, D., y Martin, J. H. Speech and Language Processing, 3ra ed., Prentice Hall, 2021.Wu, L., et al. “Automatic essay scoring using machine learning techniques: Insights from random forest and gradient boosting models.” Proceedings of the International Conference on Intelligent Computing and Applications in Computer Science (ICICACS), 2023.Dhini, B. F., et al. “Automatic essay scoring for discussion forum in online learning based on semantic and keyword similarities.” AAOU Journal, vol. 18, no. 4, pp. 210–225, 2023.Montejo, T. R. “Método para la evaluación automática de la organización de textos argumentativos.” Tesis doctoral, Universidad Nacional de Colombia, Bogotá, 2014.Avendaño Muñoz, L. A. “Implementación de un sistema para calificación de ensayos.” Tesis de maestría, Universidad de los Andes, Bogotá, 2017.Crossley, S., Baffour, P., King, J., Burleigh, L., Reade, W., y Demkin, M. “Learning Agency Lab - Automated Essay Scoring 2.0.” Kaggle, 2024. [En línea]. Disponible en: https://kaggle.com/competitions/learning-agency-lab-automated-essay-scoring-2.Mikolov, T., Chen, K., Corrado, G., y Dean, J. “Efficient estimation of word representations in vector space.” arXiv preprint arXiv:1301.3781, 2013. [En línea]. Disponible en: https://arxiv.org/abs/1301.3781.Phung, T. M. “A review of pre-trained language models: from BERT, RoBERTa, to ELECTRA, DeBERTa, BigBird, and more,” 2023. [En línea]. Disponible en: https://acortar.link/ORwmyO.Joshy, J., y Sundar, K. “Analyzing the performance of sentiment analysis using BERT, DistilBERT, and RoBERTa.” Proceedings of the 2022 International Conference on Advances in Computing and Communication Engineering (ICACCE), 2022, pp. 189–195. [En línea]. Disponible en: https://ieeexplore.ieee.org/document/10059542.Pennington, J., Socher, R., y Manning, C. D. “GloVe: Global vectors for word representation.” Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1532–1543. [En línea]. Disponible en: https://doi.org/10.3115/v1/D14-1162.Bojanowski, P., Grave, E., Joulin, A., y Mikolov, T. “Enriching word vectors with subword information.” Transactions of the Association for Computational Linguistics, vol. 5, pp. 135–146, 2017. [En línea]. Disponible en: https://doi.org/10.1162/tacl_a_00051.Devlin, J., Chang, M.-W., Lee, K., y Toutanova, K. “BERT: Pre-training of deep bidirectional transformers for language understanding.” Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), 2019, pp. 4171–4186. [En línea]. Disponible en: https://doi.org/10.18653/v1/N19-1423.Liu, Y., et al. “RoBERTa: A robustly optimized BERT pretraining approach.” arXiv preprint arXiv:1907.11692, 2019. [En línea]. Disponible en: https://arxiv.org/abs/1907.11692.Sanh, V., Debut, L., Chaumond, J., y Wolf, T. “DistilBERT, a distilled version of BERT: Smaller, faster, cheaper and lighter.” arXiv preprint arXiv:1910.01108, 2019. [En línea]. Disponible en: https://arxiv.org/abs/1910.01108.Barrera, J. “Regresión ordinal: Fundamentos y aplicaciones.” Departamento de Matemáticas, Universidad Autónoma de Barcelona, 2020. [En línea]. Disponible en: https://www.mat.uab.cat/~jbarrera/Teaching_files/Regresion_Ordinal.pdf.Gutiérrez, J. “Introducción a la regresión lineal y sus aplicaciones.” Revista Científica de Métodos Cuantitativos, vol. 10, no. 2, pp. 34–45, 2019. [En línea]. Disponible en: https://dialnet.unirioja.es/descarga/articulo/7025156.pdf.Luna, D. “Redes neuronales aplicadas a la predicción de calificaciones de texto: Una revisión.” Revista de Inteligencia Artificial y Aprendizaje, vol. 12, no. 1, pp. 45–57, 2021. [En línea]. Disponible en: https://dialnet.unirioja.es/descarga/articulo/8131067.pdf.Williamson, D., Mislevy, R. J., y Bejar, I. I. “Acceptance criteria for automated scoring systems in high-stakes educational testing.” Journal of Educational Assessment, vol. 18, no. 4, pp. 210–225, 2023.Doewes, A., Kurdhi, N., y Saxena, A. “Evaluating quadratic weighted kappa as the standard performance metric for automated essay scoring.” Proceedings of the 16th International Conference on Educational Data Mining, 2023, pp. 103–113. [En línea]. Disponible en: https://doi.org/10.5281/zenodo.8115784.Landis, J. R., y Koch, G. G. “The measurement of observer agreement for categorical data.” Biometrics, vol. 33, no. 1, pp. 159–174, 1977.202013826Publicationedd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::21954-1edd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::21954-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000025550virtual::21954-1ORIGINALautorizacion tesis-electronica copy.pdfautorizacion tesis-electronica copy.pdfHIDEapplication/pdf230712https://repositorio.uniandes.edu.co/bitstreams/1736501f-2497-4714-a0aa-814a19ec1ee8/downloadc2b064e362445d620f4711becdb1ecfaMD51Optimización de la evaluación académica mediante procesamiento de lenguaje natural.pdfOptimización de la evaluación académica mediante procesamiento de lenguaje natural.pdfapplication/pdf819816https://repositorio.uniandes.edu.co/bitstreams/f3eb6673-53a6-4c3d-ab8f-6f561ea74a0d/downloadb0b6683dbad7289a55c0da110944aaf7MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/18cd8827-34cc-44c7-ba2e-0a58e69238d5/downloadae9e573a68e7f92501b6913cc846c39fMD53TEXTautorizacion tesis-electronica copy.pdf.txtautorizacion tesis-electronica copy.pdf.txtExtracted texttext/plain2155https://repositorio.uniandes.edu.co/bitstreams/b4c9c8d3-2744-4d8f-a8ed-20e68e41ef5e/downloadd001c0189e445c22827e09a1685994b0MD54Optimización de la evaluación académica mediante procesamiento de lenguaje natural.pdf.txtOptimización de la evaluación académica mediante procesamiento de lenguaje natural.pdf.txtExtracted texttext/plain93119https://repositorio.uniandes.edu.co/bitstreams/2c55ef51-55c9-402e-9b33-eb15078393c7/download73463498c8f41f6fdea68244af1110ecMD56THUMBNAILautorizacion tesis-electronica copy.pdf.jpgautorizacion tesis-electronica copy.pdf.jpgGenerated Thumbnailimage/jpeg11023https://repositorio.uniandes.edu.co/bitstreams/e594710b-5f0c-416c-998e-ea8a80a94a5c/downloadfec411d37b01900c3513a3bfd39872b6MD55Optimización de la evaluación académica mediante procesamiento de lenguaje natural.pdf.jpgOptimización de la evaluación académica mediante procesamiento de lenguaje natural.pdf.jpgGenerated Thumbnailimage/jpeg5809https://repositorio.uniandes.edu.co/bitstreams/52080fa3-7c4b-480e-95b4-dcfefc553fb6/downloadf5a923cba13190d657c16a5b5a2bd536MD571992/75337oai:repositorio.uniandes.edu.co:1992/753372025-01-12 03:11:24.595https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.coPGgzPjxzdHJvbmc+RGVzY2FyZ28gZGUgUmVzcG9uc2FiaWxpZGFkIC0gTGljZW5jaWEgZGUgQXV0b3JpemFjacOzbjwvc3Ryb25nPjwvaDM+CjxwPjxzdHJvbmc+UG9yIGZhdm9yIGxlZXIgYXRlbnRhbWVudGUgZXN0ZSBkb2N1bWVudG8gcXVlIHBlcm1pdGUgYWwgUmVwb3NpdG9yaW8gSW5zdGl0dWNpb25hbCBTw6luZWNhIHJlcHJvZHVjaXIgeSBkaXN0cmlidWlyIGxvcyByZWN1cnNvcyBkZSBpbmZvcm1hY2nDs24gZGVwb3NpdGFkb3MgbWVkaWFudGUgbGEgYXV0b3JpemFjacOzbiBkZSBsb3Mgc2lndWllbnRlcyB0w6lybWlub3M6PC9zdHJvbmc+PC9wPgo8cD5Db25jZWRhIGxhIGxpY2VuY2lhIGRlIGRlcMOzc2l0byBlc3TDoW5kYXIgc2VsZWNjaW9uYW5kbyBsYSBvcGNpw7NuIDxzdHJvbmc+J0FjZXB0YXIgbG9zIHTDqXJtaW5vcyBhbnRlcmlvcm1lbnRlIGRlc2NyaXRvcyc8L3N0cm9uZz4geSBjb250aW51YXIgZWwgcHJvY2VzbyBkZSBlbnbDrW8gbWVkaWFudGUgZWwgYm90w7NuIDxzdHJvbmc+J1NpZ3VpZW50ZScuPC9zdHJvbmc+PC9wPgo8aHI+CjxwPllvLCBlbiBtaSBjYWxpZGFkIGRlIGF1dG9yIGRlbCB0cmFiYWpvIGRlIHRlc2lzLCBtb25vZ3JhZsOtYSBvIHRyYWJham8gZGUgZ3JhZG8sIGhhZ28gZW50cmVnYSBkZWwgZWplbXBsYXIgcmVzcGVjdGl2byB5IGRlIHN1cyBhbmV4b3MgZGUgc2VyIGVsIGNhc28sIGVuIGZvcm1hdG8gZGlnaXRhbCB5L28gZWxlY3Ryw7NuaWNvIHkgYXV0b3Jpem8gYSBsYSBVbml2ZXJzaWRhZCBkZSBsb3MgQW5kZXMgcGFyYSBxdWUgcmVhbGljZSBsYSBwdWJsaWNhY2nDs24gZW4gZWwgU2lzdGVtYSBkZSBCaWJsaW90ZWNhcyBvIGVuIGN1YWxxdWllciBvdHJvIHNpc3RlbWEgbyBiYXNlIGRlIGRhdG9zIHByb3BpbyBvIGFqZW5vIGEgbGEgVW5pdmVyc2lkYWQgeSBwYXJhIHF1ZSBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgTGV5IDQ0IGRlIDE5OTMsIERlY2lzacOzbiBBbmRpbmEgMzUxIGRlIDE5OTMsIERlY3JldG8gNDYwIGRlIDE5OTUgeSBkZW3DoXMgbm9ybWFzIGdlbmVyYWxlcyBzb2JyZSBsYSBtYXRlcmlhLCB1dGlsaWNlIGVuIHRvZGFzIHN1cyBmb3JtYXMsIGxvcyBkZXJlY2hvcyBwYXRyaW1vbmlhbGVzIGRlIHJlcHJvZHVjY2nDs24sIGNvbXVuaWNhY2nDs24gcMO6YmxpY2EsIHRyYW5zZm9ybWFjacOzbiB5IGRpc3RyaWJ1Y2nDs24gKGFscXVpbGVyLCBwcsOpc3RhbW8gcMO6YmxpY28gZSBpbXBvcnRhY2nDs24pIHF1ZSBtZSBjb3JyZXNwb25kZW4gY29tbyBjcmVhZG9yIGRlIGxhIG9icmEgb2JqZXRvIGRlbCBwcmVzZW50ZSBkb2N1bWVudG8uPC9wPgo8cD5MYSBwcmVzZW50ZSBhdXRvcml6YWNpw7NuIHNlIGVtaXRlIGVuIGNhbGlkYWQgZGUgYXV0b3IgZGUgbGEgb2JyYSBvYmpldG8gZGVsIHByZXNlbnRlIGRvY3VtZW50byB5IG5vIGNvcnJlc3BvbmRlIGEgY2VzacOzbiBkZSBkZXJlY2hvcywgc2lubyBhIGxhIGF1dG9yaXphY2nDs24gZGUgdXNvIGFjYWTDqW1pY28gZGUgY29uZm9ybWlkYWQgY29uIGxvIGFudGVyaW9ybWVudGUgc2XDsWFsYWRvLiBMYSBwcmVzZW50ZSBhdXRvcml6YWNpw7NuIHNlIGhhY2UgZXh0ZW5zaXZhIG5vIHNvbG8gYSBsYXMgZmFjdWx0YWRlcyB5IGRlcmVjaG9zIGRlIHVzbyBzb2JyZSBsYSBvYnJhIGVuIGZvcm1hdG8gbyBzb3BvcnRlIG1hdGVyaWFsLCBzaW5vIHRhbWJpw6luIHBhcmEgZm9ybWF0byBlbGVjdHLDs25pY28sIHkgZW4gZ2VuZXJhbCBwYXJhIGN1YWxxdWllciBmb3JtYXRvIGNvbm9jaWRvIG8gcG9yIGNvbm9jZXIuPC9wPgo8cD5FbCBhdXRvciwgbWFuaWZpZXN0YSBxdWUgbGEgb2JyYSBvYmpldG8gZGUgbGEgcHJlc2VudGUgYXV0b3JpemFjacOzbiBlcyBvcmlnaW5hbCB5IGxhIHJlYWxpesOzIHNpbiB2aW9sYXIgbyB1c3VycGFyIGRlcmVjaG9zIGRlIGF1dG9yIGRlIHRlcmNlcm9zLCBwb3IgbG8gdGFudG8sIGxhIG9icmEgZXMgZGUgc3UgZXhjbHVzaXZhIGF1dG9yw61hIHkgdGllbmUgbGEgdGl0dWxhcmlkYWQgc29icmUgbGEgbWlzbWEuPC9wPgo8cD5FbiBjYXNvIGRlIHByZXNlbnRhcnNlIGN1YWxxdWllciByZWNsYW1hY2nDs24gbyBhY2Npw7NuIHBvciBwYXJ0ZSBkZSB1biB0ZXJjZXJvIGVuIGN1YW50byBhIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBzb2JyZSBsYSBvYnJhIGVuIGN1ZXN0acOzbiwgZWwgYXV0b3IgYXN1bWlyw6EgdG9kYSBsYSByZXNwb25zYWJpbGlkYWQsIHkgc2FsZHLDoSBkZSBkZWZlbnNhIGRlIGxvcyBkZXJlY2hvcyBhcXXDrSBhdXRvcml6YWRvcywgcGFyYSB0b2RvcyBsb3MgZWZlY3RvcyBsYSBVbml2ZXJzaWRhZCBhY3TDumEgY29tbyB1biB0ZXJjZXJvIGRlIGJ1ZW5hIGZlLjwvcD4KPHA+U2kgdGllbmUgYWxndW5hIGR1ZGEgc29icmUgbGEgbGljZW5jaWEsIHBvciBmYXZvciwgY29udGFjdGUgY29uIGVsIDxhIGhyZWY9Im1haWx0bzpiaWJsaW90ZWNhQHVuaWFuZGVzLmVkdS5jbyIgdGFyZ2V0PSJfYmxhbmsiPkFkbWluaXN0cmFkb3IgZGVsIFNpc3RlbWEuPC9hPjwvcD4K |