Palabras clave
Barreras
Productividad científica
Cómo citar
Resumen
En el Perú, aún existe un bajo nivel académico y calidad investigativa, aunque con la implementación de la Ley Universitaria se ha visto alguna mejora en ese sentido. Esto, puede relacionarse con la falta de interés, reconocimiento y apoyo a la investigación desde las autoridades. En el presente estudio se examina la relación entre factores motivacionales/barreras y la productividad científica de los docentes en la Universidad Nacional Autónoma de Tayacaja (UNAT) del Perú. La investigación es de tipo cuantitativa, diseño no experimental. Involucró a 49 de los 73 docentes de la UNAT en 2024. Seleccionados mediante muestreo probabilístico. Se utilizó una encuesta validada con el coeficiente Kuder-Richardson, compuesta de 22 ítems, distribuidos en 6 indicadores. Los resultados se analizaron en Microsoft® Excel 365, análisis de correlación de Spearman y el análisis por componentes principales. Los resultados muestran una alta motivación intrínseca entre los docentes hacia la investigación, con el 98% considerando realizar trabajos de investigación a pesar del esfuerzo requerido. Sin embargo, enfrentan barreras significativas como la falta de incentivos económicos (71.4%), el tiempo para investigar dentro de sus actividades académicas (69.4%) y redes de apoyo para la investigación (36.7%). Los hallazgos del presente artículo identificaron la importancia que la institución implemente política para abordar estas barreras y fomentar la producción científica.
Citas
Abraham, R., Gardini, L., & Mira, C. (2004). Chaos in discrete dynamical systems: A visual introduction in 2 dimensions. Springer. https://doi.org/10.1007/978-3-642-18882-8
Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Holden-Day.
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future. W. W. Norton & Company.
Chopra, S., & Meindl, P. (2019). Supply chain management: Strategy, planning, and operation (7th ed.). Pearson.
Christopher, M. (2016). Logistics & supply chain management (5th ed.). Pearson Education.
Day, R. H. (1992). Complex economic dynamics: Obvious in history, generic in theory, elusive in data. Journal of Applied Econometrics, 7(S1), S9–S23. https://doi.org/10.1002/jae.3950070503
Debreu, G. (1991). The theory of value: An axiomatic analysis of economic equilibrium. Yale University Press.
Drucker, P. (1974). Management: Tasks, responsibilities, practices. Harper & Row.
Feigenbaum, M. J. (1978). Quantitative universality for a class of nonlinear transformations. Journal of Statistical Physics, 19(1), 25–52. https://doi.org/10.1007/BF01020332
Feigenbaum, M. J. (1983). Universal behavior in nonlinear systems. Physica D: Nonlinear Phenomena, 7(1-3), 16–39. https://doi.org/10.1016/0167-2789(83)90112-4
Guegan, D. (2009). Chaos in economics and finance. Annual Review of Financial Economics, 1(1), 143–170. https://doi.org/10.1146/annurev.financial.050808.114341
Koza, J. R. (1992). Genetic programming: On the programming of computers by means of natural selection. MIT Press.
Lipson, H. (2009). Principles of modularity, regularity, and hierarchy for scalable systems. Journal of Biological Physics and Chemistry, 9(1), 151–158. https://doi.org/10.4024/40709.jbpc.09.03
Lorenz, E. N. (1963). Deterministic nonperiodic flow. Journal of the Atmospheric Sciences, 20(2), 130–141. https://doi.org/10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2
Marr, B. (2024). The future of business analytics. Kogan Page.
Matilla, A. S. (2003). Dynamics of customer satisfaction: Modeling and managerial implications. Journal of Service Research, 5(2), 131–144. https://doi.org/10.1177/1094670502238916
May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467. https://doi.org/10.1038/261459a0
Murray, J. D. (2002). Mathematical biology I: An introduction (3rd ed.). Springer. https://doi.org/10.1007/b98868
O’Neill, M., & Ryan, C. (2010). Grammatical evolution: Evolutionary automatic programming in an arbitrary language. Springer. https://doi.org/10.1007/978-1-4419-8983-3
Peters, E. E. (1996). Chaos and order in the capital markets: A new view of cycles, prices, and market volatility (2nd ed.). Wiley.
Rosser, J. B. (2000). From catastrophe to chaos: A general theory of economic discontinuities. Mathematics and Computers in Simulation, 51(1–2), 259–273. https://doi.org/10.1016/S0378-4754(99)00132-5
Schmidt, M., & Lipson, H. (2009). Distilling free-form natural laws from experimental data. Science, 324(5923), 81–85. https://doi.org/10.1126/science.1165893
Stiglitz, J. E. (2002). Globalization and its discontents. W. W. Norton & Company.
Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3–28. https://doi.org/10.1257/jep.28.2.3
World Trade Organization. (2024). World trade statistical review 2024. WTO.
Abraham, R., & Shaw, C. (1992). Dynamics: The geometry of behavior. Addison-Wesley.
Guckenheimer, J., & Holmes, P. (1985). Nonlinear oscillations, dynamical systems, and bifurcations of vector fields. Springer. https://doi.org/10.1007/978-1-4612-1140-2
Kantz, H., & Schreiber, T. (2004). Nonlinear time series analysis (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511755798
Packard, N. H. (1988). Adaptation toward the edge of chaos. In J. A. S. Kelso, A. J. Mandell, & M. F. Shlesinger (Eds.), Dynamic patterns in complex systems (pp. 293–301). World Scientific. https://doi.org/10.1142/9789814415743_0017
Takens, F. (1981). Detecting strange attractors in turbulence. In D. A. Rand & L.-S. Young (Eds.), Dynamical systems and turbulence (pp. 366–381). Springer. https://doi.org/10.1007/BFb009192.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2025 Llamkasun Revista Científica y Tecnológica