Resumen Ejecutivo

Este documento analiza los factores que explican el éxito del Sistema PLC (Prueba de Lectura Competente) como el mejor estimador correlacional de Saber 11 y PISA en Colombia.

Objetivos:

  1. Identificar qué habilidades PLC (Concordar, Relievar, Inferir, Construir) predicen mejor el desempeño en Saber 11
  2. Determinar qué instrumentos cualitativos ISI predicen mejor tanto PLC como Saber 11
  3. Establecer un marco analítico reproducible para actualización anual

Hallazgos clave: (se completarán automáticamente con los resultados)

1 Introducción

1.1 Contexto

La Fundación Social Alberto Merani ha establecido un sistema de evaluación longitudinal (PLC) que se aplica tres veces al año (Entrada, Control, Salida) a 87 instituciones educativas afiliadas.

Este sistema se ha consolidado como el mejor predictor de: - Resultados en Saber 11 (prueba nacional colombiana) - Resultados proyectados en PISA (prueba internacional)

1.2 Marco Conceptual: Modelo CRIC

El PLC evalúa competencias lectoras mediante el modelo CRIC:

  • Concordar: Habilidad para identificar información explícita
  • Relievar: Capacidad de identificar información relevante del texto
  • Inferir: Construcción de significados implícitos
  • Construir: Elaboración de interpretaciones complejas y juicios críticos

Adicionalmente, el Índice de Sistematicidad Institucional (ISI) evalúa 6 dimensiones cualitativas de implementación:

  1. Apropiación institucional
  2. Vinculación afectiva
  3. Implementación correcta
  4. Integración curricular
  5. Seguimiento y retroalimentación
  6. Permanencia y mejora continua

2 Metodología

2.1 Datos

# Cargar librerías
library(tidyverse)      # Manipulación de datos
library(readxl)         # Leer Excel
library(corrplot)       # Matrices de correlación
library(ggplot2)        # Visualizaciones
library(psych)          # Análisis psicométrico
library(car)            # Diagnósticos de regresión
library(relaimpo)       # Importancia relativa de predictores
library(knitr)          # Tablas
library(kableExtra)     # Tablas mejoradas
library(GGally)         # Matrices de dispersión
library(gridExtra)      # Layouts de gráficos
library(Hmisc)          # Correlaciones con p-values
library(lavaan)         # Modelos de ecuaciones estructurales

# Cargar datos
datos_raw <- read_excel("~/Desktop/FSAM/Evaluación/Calendario_A/Correlación_PLC_Saber_2025.xlsx")

# **CORRECCIÓN CRÍTICA: Limpiar nombres de columnas**
# Eliminar saltos de línea que causan el error
colnames(datos_raw) <- gsub("\n", " ", colnames(datos_raw))
# Eliminar espacios múltiples
colnames(datos_raw) <- gsub("\\s+", " ", colnames(datos_raw))

# Mostrar estructura
glimpse(datos_raw)
## Rows: 190
## Columns: 22
## $ Codigo                                              <dbl> 61077, 131813, 719…
## $ PLC                                                 <chr> "Entrada", "Entrad…
## $ IE                                                  <chr> "Institución Educa…
## $ Concordar                                           <dbl> 48.31429, 54.05000…
## $ Relievar                                            <dbl> 44.47619, 51.42500…
## $ Inferir                                             <dbl> 46.34286, 62.97500…
## $ Construir                                           <dbl> 42.81905, 43.80000…
## $ Global                                              <dbl> 46.27619, 54.45000…
## $ LC                                                  <dbl> 61, 64, 60, 62, 62…
## $ Math                                                <dbl> 63, 59, 55, 60, 61…
## $ CN                                                  <dbl> 58, 56, 56, 57, 61…
## $ CS                                                  <dbl> 56, 56, 54, 47, 59…
## $ I                                                   <dbl> 61, 62, 61, 62, 69…
## $ Prom_ICFES                                          <dbl> 59.61538, 59.00000…
## $ `ISI 2025`                                          <dbl> 0.6, 0.6, 0.6, 0.3…
## $ `Categoría 1: Apropiación 2025`                     <dbl> 5, 6, 7, 4, 4, 5, …
## $ `Categoría 2: Vinculación Afectiva 2025`            <dbl> 3, 7, 6, 5, 4, 7, …
## $ `Categoría 3: Implementación Correcta 2025`         <dbl> 5, 6, 7, 7, 5, 6, …
## $ `Categoría 4: Integración Curricular 2025`          <dbl> 3, 5, 6, 5, 2, 4, …
## $ `Categoría 5: Seguimiento y Retroalimentación 2025` <dbl> 6, 5, 4, 7, 4, 5, …
## $ `Categoría 6: Permanencia y Mejora Continua 2025`   <dbl> 4, 6, 7, 8, 4, 5, …
## $ `Total 2025`                                        <dbl> 26, 35, 37, 36, 23…

2.2 Estrategia de Análisis

Dado que tenemos: - 3 evaluaciones PLC por institución (Entrada, Control, Salida) - 1 evaluación Saber 11 por institución (aplicada en segundo semestre)

Realizaremos un análisis completo y comparativo:

2.2.1 Enfoque A: Análisis por Evaluación

Comparar el poder predictivo de cada evaluación PLC (Entrada, Control, Salida) sobre Saber 11

2.2.2 Enfoque B: Análisis Longitudinal

Analizar instituciones con las 3 evaluaciones completas para identificar patrones de crecimiento

# Solución a conflictos de namespace (MASS::select vs dplyr::select)
select <- dplyr::select

# Preparar datasets por evaluación (mantener columna PLC para referencia)
datos_entrada <- datos_raw %>%
  filter(PLC == "Entrada")

datos_control <- datos_raw %>%
  filter(PLC == "Control")

datos_salida <- datos_raw %>%
  filter(PLC == "Salida")

# Instituciones con las 3 evaluaciones completas (para análisis longitudinal)
instituciones_completas <- datos_raw %>%
  group_by(IE) %>%
  filter(n() == 3) %>%
  ungroup() %>%
  dplyr::select(IE) %>%
  distinct() %>%
  pull(IE)

datos_longitudinal <- datos_raw %>%
  filter(IE %in% instituciones_completas) %>%
  arrange(IE, PLC)

# Resumen de muestras
cat(paste0(rep("=", 80), collapse=""), "\n")
## ================================================================================
cat("MUESTRAS PARA ANÁLISIS:\n")
## MUESTRAS PARA ANÁLISIS:
cat(paste0(rep("=", 80), collapse=""), "\n\n")
## ================================================================================
cat("Evaluación ENTRADA:", nrow(datos_entrada), "instituciones\n")
## Evaluación ENTRADA: 68 instituciones
cat("Evaluación CONTROL:", nrow(datos_control), "instituciones\n")
## Evaluación CONTROL: 59 instituciones
cat("Evaluación SALIDA: ", nrow(datos_salida), "instituciones\n")
## Evaluación SALIDA:  63 instituciones
cat("Instituciones COMPLETAS (3 eval):", length(instituciones_completas), "\n\n")
## Instituciones COMPLETAS (3 eval): 56
cat("Variables PLC:", paste(c("Concordar", "Relievar", "Inferir", "Construir", "Global"), collapse = ", "), "\n")
## Variables PLC: Concordar, Relievar, Inferir, Construir, Global
cat("Variables Saber 11:", paste(c("LC", "Math", "CN", "CS", "I", "Prom_ICFES"), collapse = ", "), "\n")
## Variables Saber 11: LC, Math, CN, CS, I, Prom_ICFES

3 Análisis Descriptivo

3.1 Estadísticas de las Variables PLC por Evaluación

# Solución a conflictos de namespace
select <- dplyr::select

# Variables PLC
vars_plc <- c("Concordar", "Relievar", "Inferir", "Construir", "Global")

# Función para calcular estadísticas (evitando problemas con psych::describe)
calc_stats <- function(df, eval_nombre) {
  df %>%
    select(all_of(vars_plc)) %>%
    summarise(across(everything(), list(mean = ~mean(., na.rm = TRUE), 
                                        sd = ~sd(., na.rm = TRUE)))) %>%
    pivot_longer(everything(), names_to = "var", values_to = "value") %>%
    separate(var, into = c("Componente", "stat"), sep = "_(?=[^_]+$)") %>%
    pivot_wider(names_from = stat, values_from = value) %>%
    mutate(across(where(is.numeric), ~round(., 2))) %>%
    mutate(Evaluacion = eval_nombre)
}

# Calcular para las 3 evaluaciones
stats_entrada <- calc_stats(datos_entrada, "Entrada")
stats_control <- calc_stats(datos_control, "Control")
stats_salida <- calc_stats(datos_salida, "Salida")

# Combinar
stats_plc_completo <- bind_rows(stats_entrada, stats_control, stats_salida) %>%
  pivot_wider(names_from = Evaluacion, values_from = c(mean, sd)) %>%
  select(Componente, 
         mean_Entrada, sd_Entrada,
         mean_Control, sd_Control,
         mean_Salida, sd_Salida)

stats_plc_completo %>%
  kable(caption = "Estadísticas Descriptivas - Componentes PLC por Evaluación (Escala 0-100)",
        col.names = c("Componente", 
                      "M", "DE", "M", "DE", "M", "DE"),
        digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = FALSE) %>%
  add_header_above(c(" " = 1, "Entrada" = 2, "Control" = 2, "Salida" = 2))
Estadísticas Descriptivas - Componentes PLC por Evaluación (Escala 0-100)
Entrada
Control
Salida
Componente M DE M DE M DE
Concordar 60.54 9.97 52.51 7.83 66.26 6.76
Relievar 57.35 12.80 56.72 10.04 56.03 12.04
Inferir 62.40 10.29 54.46 9.78 29.82 4.29
Construir 51.32 11.13 42.45 8.61 63.92 12.26
Global 59.01 9.49 51.89 7.75 51.16 6.02 
# Preparar datos para visualización
datos_plc_long <- bind_rows(
  datos_entrada %>% select(all_of(vars_plc)) %>% mutate(Evaluacion = "Entrada"),
  datos_control %>% select(all_of(vars_plc)) %>% mutate(Evaluacion = "Control"),
  datos_salida %>% select(all_of(vars_plc)) %>% mutate(Evaluacion = "Salida")
) %>%
  pivot_longer(cols = all_of(vars_plc), names_to = "Componente", values_to = "Puntaje") %>%
  mutate(Evaluacion = factor(Evaluacion, levels = c("Entrada", "Control", "Salida")))

# Boxplot comparativo por evaluación
ggplot(datos_plc_long, aes(x = Componente, y = Puntaje, fill = Evaluacion)) +
  geom_boxplot(alpha = 0.7, position = position_dodge(0.8)) +
  labs(
    title = "Distribución de Componentes PLC por Evaluación",
    subtitle = "Comparación Entrada vs Control vs Salida",
    x = "Componente CRIC",
    y = "Puntaje (Escala 0-100)",
    fill = "Evaluación"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14),
    axis.text.x = element_text(angle = 45, hjust = 1)
  ) +
  scale_fill_brewer(palette = "Set2")
Distribución de Componentes PLC por Evaluación

Distribución de Componentes PLC por Evaluación

3.2 Estadísticas de Variables Saber 11

# Variables Saber 11
vars_saber <- c("LC", "Math", "CN", "CS", "I", "Prom_ICFES")

# Calcular estadísticas para Saber 11 (usando datos de Salida como referencia)
stats_saber <- datos_salida %>%
  select(all_of(vars_saber)) %>%
  summarise(across(everything(), list(mean = ~mean(., na.rm = TRUE),
                                     sd = ~sd(., na.rm = TRUE),
                                     min = ~min(., na.rm = TRUE),
                                     max = ~max(., na.rm = TRUE)))) %>%
  pivot_longer(everything(), names_to = "var", values_to = "value") %>%
  separate(var, into = c("Area", "stat"), sep = "_(?=[^_]+$)") %>%
  pivot_wider(names_from = stat, values_from = value) %>%
  mutate(across(where(is.numeric), ~round(., 2)))

stats_saber %>%
  kable(caption = "Estadísticas Descriptivas - Resultados Saber 11",
        col.names = c("Área", "Media", "DE", "Mín", "Máx"),
        digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Estadísticas Descriptivas - Resultados Saber 11
Área Media DE Mín Máx
LC 64.03 3.59 56.00 74.00
Math 64.06 5.40 54.00 83.00
CN 60.90 4.34 53.00 73.00
CS 59.57 5.38 47.00 77.00
I 66.83 6.47 54.00 85.00
Prom_ICFES 62.50 4.55 53.77 77.38

4 Análisis de Correlaciones

4.1 Correlaciones PLC → Saber 11 (Por Evaluación)

# Función para calcular matriz de correlaciones
calc_cor_matrix <- function(datos, eval_nombre) {
  datos_cor <- datos %>%
    select(all_of(vars_plc), all_of(vars_saber)) %>%
    drop_na()
  
  cor_matrix <- cor(datos_cor[, vars_plc], datos_cor[, vars_saber], 
                    use = "complete.obs")
  
  return(cor_matrix)
}

# Calcular para las 3 evaluaciones
cor_entrada <- calc_cor_matrix(datos_entrada, "Entrada")
cor_control <- calc_cor_matrix(datos_control, "Control")
cor_salida <- calc_cor_matrix(datos_salida, "Salida")

4.1.1 Evaluación de Entrada

corrplot(cor_entrada, method = "color", type = "full",
         addCoef.col = "black", number.cex = 0.7,
         tl.col = "black", tl.srt = 45,
         col = colorRampPalette(c("#6D9EC1", "white", "#E46726"))(200),
         title = "Entrada: PLC → Saber 11",
         mar = c(0,0,2,0))
Correlaciones PLC-Saber (Entrada)

Correlaciones PLC-Saber (Entrada)

4.1.2 Evaluación de Control

corrplot(cor_control, method = "color", type = "full",
         addCoef.col = "black", number.cex = 0.7,
         tl.col = "black", tl.srt = 45,
         col = colorRampPalette(c("#6D9EC1", "white", "#E46726"))(200),
         title = "Control: PLC → Saber 11",
         mar = c(0,0,2,0))
Correlaciones PLC-Saber (Control)

Correlaciones PLC-Saber (Control)

4.1.3 Evaluación de Salida

corrplot(cor_salida, method = "color", type = "full",
         addCoef.col = "black", number.cex = 0.7,
         tl.col = "black", tl.srt = 45,
         col = colorRampPalette(c("#6D9EC1", "white", "#E46726"))(200),
         title = "Salida: PLC → Saber 11",
         mar = c(0,0,2,0))
Correlaciones PLC-Saber (Salida)

Correlaciones PLC-Saber (Salida)

4.2 Comparación del Poder Predictivo por Evaluación

# Extraer correlación PLC Global → Prom_ICFES para cada evaluación
comparacion_eval <- data.frame(
  Evaluacion = c("Entrada (inicio año)", "Control (mitad año)", "Salida (final año)"),
  r = c(
    cor_entrada["Global", "Prom_ICFES"],
    cor_control["Global", "Prom_ICFES"],
    cor_salida["Global", "Prom_ICFES"]
  )
) %>%
  mutate(
    R2 = r^2,
    Interpretacion = case_when(
      abs(r) < 0.3 ~ "Débil",
      abs(r) < 0.5 ~ "Moderada",
      abs(r) < 0.7 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  )

comparacion_eval %>%
  kable(caption = "Comparación: Correlación PLC Global → Promedio ICFES",
        col.names = c("Evaluación", "r", "R²", "Magnitud"),
        digits = 3) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Comparación: Correlación PLC Global → Promedio ICFES
Evaluación r R² Magnitud
Entrada (inicio año) 0.391 0.153 Moderada
Control (mitad año) 0.651 0.424 Fuerte
Salida (final año) 0.463 0.215 Moderada 
ggplot(comparacion_eval, aes(x = Evaluacion, y = r, group = 1)) +
  geom_line(size = 1.2, color = "#E46726") +
  geom_point(size = 4, color = "#E46726") +
  geom_text(aes(label = sprintf("r=%.3f", r)), vjust = -1) +
  ylim(0, 1) +
  labs(
    title = "Evolución del Poder Predictivo: PLC Global → Promedio ICFES",
    subtitle = "¿En qué momento del año PLC predice mejor Saber 11?",
    x = "Momento de Evaluación",
    y = "Correlación de Pearson (r)"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold"))
Evolución del poder predictivo

Evolución del poder predictivo

5 Modelos de Regresión Múltiple

5.1 Mejor Evaluación: Análisis Detallado

# Identificar evaluación con mejor correlación
mejor_eval_nombre <- comparacion_eval$Evaluacion[which.max(comparacion_eval$r)]
mejor_eval_data <- if(mejor_eval_nombre == "Entrada (inicio año)") {
  datos_entrada
} else if(mejor_eval_nombre == "Control (mitad año)") {
  datos_control
} else {
  datos_salida
}

cat("**Evaluación con mejor poder predictivo:**", mejor_eval_nombre, "\n")
## **Evaluación con mejor poder predictivo:** Control (mitad año)
cat("Correlación PLC Global → Prom_ICFES:", round(max(comparacion_eval$r), 3), "\n\n")
## Correlación PLC Global → Prom_ICFES: 0.651

5.1.1 Modelo 1: Componentes CRIC → Promedio ICFES

# Preparar datos
datos_modelo <- mejor_eval_data %>%
  select(Concordar, Relievar, Inferir, Construir, Prom_ICFES) %>%
  drop_na()

# Modelo de regresión múltiple
modelo_cric <- lm(Prom_ICFES ~ Concordar + Relievar + Inferir + Construir, 
                  data = datos_modelo)

# Resumen del modelo
summary(modelo_cric)
## 
## Call:
## lm(formula = Prom_ICFES ~ Concordar + Relievar + Inferir + Construir, 
##     data = datos_modelo)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -8.2044 -2.3938  0.3838  2.0348 11.1984 
## 
## Coefficients:
##             Estimate Std. Error t value            Pr(>|t|)    
## (Intercept) 43.26660    3.31540  13.050 <0.0000000000000002 ***
## Concordar    0.17005    0.09824   1.731              0.0892 .  
## Relievar    -0.01651    0.06032  -0.274              0.7854    
## Inferir      0.18415    0.07809   2.358              0.0220 *  
## Construir    0.03066    0.07251   0.423              0.6741    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.551 on 54 degrees of freedom
## Multiple R-squared:  0.4371, Adjusted R-squared:  0.3954 
## F-statistic: 10.48 on 4 and 54 DF,  p-value: 0.000002341
# Diagnósticos de multicolinealidad (VIF)
vif_values <- car::vif(modelo_cric)
cat("\n**Factores de Inflación de Varianza (VIF):**\n")
## 
## **Factores de Inflación de Varianza (VIF):**
print(vif_values)
## Concordar  Relievar   Inferir Construir 
##  2.722319  1.685902  2.682778  1.793137
cat("\n(VIF > 10 indica multicolinealidad problemática)\n")
## 
## (VIF > 10 indica multicolinealidad problemática)

5.1.2 Importancia Relativa de Predictores

# Calcular importancia relativa usando lmg
importancia <- calc.relimp(modelo_cric, type = "lmg", rela = TRUE)

# Crear tabla
importancia_tabla <- data.frame(
  Componente = names(importancia$lmg),
  Prom_Importancia = importancia$lmg * 100
) %>%
  arrange(desc(Prom_Importancia))

importancia_tabla %>%
  kable(caption = "Importancia Relativa de Componentes CRIC para Predecir Promedio ICFES",
        col.names = c("Componente CRIC", "Importancia (%)"),
        digits = 1) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Importancia Relativa de Componentes CRIC para Predecir Promedio ICFES
Componente CRIC Importancia (%)
Inferir Inferir 41.4
Concordar Concordar 34.3
Construir Construir 14.8
Relievar Relievar 9.4 
ggplot(importancia_tabla, aes(x = reorder(Componente, Prom_Importancia), 
                               y = Prom_Importancia)) +
  geom_col(fill = "#6D9EC1", alpha = 0.8) +
  geom_text(aes(label = sprintf("%.1f%%", Prom_Importancia)), 
            hjust = -0.2) +
  coord_flip() +
  ylim(0, max(importancia_tabla$Prom_Importancia) * 1.15) +
  labs(
    title = "¿Qué componente CRIC predice mejor Saber 11?",
    subtitle = paste("Análisis de Importancia Relativa -", mejor_eval_nombre),
    x = NULL,
    y = "Importancia Relativa (%)"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold"))
Contribución relativa de componentes CRIC

Contribución relativa de componentes CRIC

6 Análisis Longitudinal

6.1 ¿El Crecimiento en PLC Predice Saber 11?

# Crear dataset longitudinal pivotado
datos_long_wide <- datos_longitudinal %>%
  select(IE, PLC, Global, Prom_ICFES) %>%
  pivot_wider(names_from = PLC, values_from = c(Global, Prom_ICFES)) %>%
  mutate(
    Delta_PLC = Global_Salida - Global_Entrada,
    Prom_ICFES_unico = coalesce(Prom_ICFES_Entrada, Prom_ICFES_Control, Prom_ICFES_Salida)
  ) %>%
  drop_na(Delta_PLC, Prom_ICFES_unico)

# Correlaciones longitudinales
cor_delta_saber <- cor.test(datos_long_wide$Delta_PLC, 
                             datos_long_wide$Prom_ICFES_unico)

cor_entrada_saber <- cor.test(datos_long_wide$Global_Entrada, 
                               datos_long_wide$Prom_ICFES_unico)

cor_salida_saber <- cor.test(datos_long_wide$Global_Salida, 
                              datos_long_wide$Prom_ICFES_unico)

# Tabla resumen
tabla_long <- data.frame(
  Predictor = c("PLC Entrada", "PLC Salida", "Δ PLC (Entrada→Salida)"),
  r = c(cor_entrada_saber$estimate, cor_salida_saber$estimate, cor_delta_saber$estimate),
  p = c(cor_entrada_saber$p.value, cor_salida_saber$p.value, cor_delta_saber$p.value)
) %>%
  mutate(
    R2 = r^2,
    Sig = ifelse(p < 0.001, "***", ifelse(p < 0.01, "**", ifelse(p < 0.05, "*", "ns")))
  )

tabla_long %>%
  kable(caption = "Análisis Longitudinal: ¿Qué Predice Mejor Saber 11?",
        col.names = c("Predictor", "r", "p-valor", "R²", "Sig"),
        digits = 3) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Análisis Longitudinal: ¿Qué Predice Mejor Saber 11?
Predictor r p-valor R² Sig
PLC Entrada 0.470 0.000 0.221 ***
PLC Salida 0.441 0.001 0.195 ***
Δ PLC (Entrada→Salida) -0.174 0.200 0.030 ns 
ggplot(datos_long_wide, aes(x = Delta_PLC, y = Prom_ICFES_unico)) +
  geom_point(alpha = 0.6, size = 3, color = "#6D9EC1") +
  geom_smooth(method = "lm", se = TRUE, color = "#E46726", fill = "#E46726", alpha = 0.2) +
  labs(
    title = "¿El Crecimiento en PLC Predice Saber 11?",
    subtitle = sprintf("Correlación Δ PLC → Saber: r=%.3f (p=%.3f)", 
                      cor_delta_saber$estimate, cor_delta_saber$p.value),
    x = "Δ PLC (Salida - Entrada)",
    y = "Promedio Saber 11"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold"))
Crecimiento PLC vs Saber 11

Crecimiento PLC vs Saber 11

7 Análisis ISI: Factores Institucionales

7.1 Correlaciones ISI

# **CORRECCIÓN: Usar nombres de columnas corregidos**
# Los nombres ya fueron limpiados en el chunk 'cargar-datos'

# Variables ISI (después de limpiar nombres)
vars_isi <- c(
  "Categoría 1: Apropiación 2025",
  "Categoría 2: Vinculación Afectiva 2025",
  "Categoría 3: Implementación Correcta 2025",
  "Categoría 4: Integración Curricular 2025",
  "Categoría 5: Seguimiento y Retroalimentación 2025",
  "Categoría 6: Permanencia y Mejora Continua 2025"
)

# Verificar que las columnas existen
cat("Verificando columnas ISI:\n")
## Verificando columnas ISI:
for(var in vars_isi) {
  if(var %in% colnames(mejor_eval_data)) {
    cat("✓", var, "\n")
  } else {
    cat("✗", var, "NO ENCONTRADA\n")
  }
}
## ✓ Categoría 1: Apropiación 2025 
## ✓ Categoría 2: Vinculación Afectiva 2025 
## ✓ Categoría 3: Implementación Correcta 2025 
## ✓ Categoría 4: Integración Curricular 2025 
## ✓ Categoría 5: Seguimiento y Retroalimentación 2025 
## ✓ Categoría 6: Permanencia y Mejora Continua 2025
# Correlaciones ISI → PLC Global
datos_isi_plc <- mejor_eval_data %>%
  select(all_of(vars_isi), Global) %>%
  drop_na()

cor_isi_plc <- cor(datos_isi_plc[, vars_isi], datos_isi_plc$Global, 
                   use = "complete.obs")

cor_isi_plc_tabla <- data.frame(
  Categoria = gsub(" 2025", "", vars_isi),
  r = as.vector(cor_isi_plc)
) %>%
  arrange(desc(abs(r))) %>%
  mutate(
    Interpretacion = case_when(
      abs(r) < 0.3 ~ "Débil",
      abs(r) < 0.5 ~ "Moderada",
      abs(r) < 0.7 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  )

cor_isi_plc_tabla %>%
  kable(caption = "Correlaciones: Categorías ISI → PLC Global",
        col.names = c("Categoría ISI", "r", "Magnitud"),
        digits = 3) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Correlaciones: Categorías ISI → PLC Global
Categoría ISI r Magnitud
Categoría 1: Apropiación 0.337 Moderada
Categoría 4: Integración Curricular 0.220 Débil
Categoría 6: Permanencia y Mejora Continua 0.215 Débil
Categoría 2: Vinculación Afectiva 0.202 Débil
Categoría 3: Implementación Correcta -0.134 Débil
Categoría 5: Seguimiento y Retroalimentación 0.036 Débil 
ggplot(cor_isi_plc_tabla, aes(x = reorder(Categoria, r), y = r)) +
  geom_col(fill = "#6D9EC1", alpha = 0.8) +
  geom_text(aes(label = sprintf("r=%.3f", r)), hjust = -0.2) +
  coord_flip() +
  ylim(min(cor_isi_plc_tabla$r) * 1.1, max(cor_isi_plc_tabla$r) * 1.1) +
  labs(
    title = "¿Qué Factores Institucionales Mejoran PLC?",
    subtitle = "Correlación Categorías ISI → PLC Global",
    x = NULL,
    y = "Correlación de Pearson (r)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold"),
    axis.text.y = element_text(size = 9)
  )
Impacto de categorías ISI en PLC

Impacto de categorías ISI en PLC

7.2 ISI → Saber 11

# Correlaciones ISI → Prom_ICFES
datos_isi_saber <- mejor_eval_data %>%
  select(all_of(vars_isi), Prom_ICFES) %>%
  drop_na()

cor_isi_saber <- cor(datos_isi_saber[, vars_isi], datos_isi_saber$Prom_ICFES, 
                     use = "complete.obs")

cor_isi_saber_tabla <- data.frame(
  Categoria = gsub(" 2025", "", vars_isi),
  r = as.vector(cor_isi_saber)
) %>%
  arrange(desc(abs(r))) %>%
  mutate(
    Interpretacion = case_when(
      abs(r) < 0.3 ~ "Débil",
      abs(r) < 0.5 ~ "Moderada",
      abs(r) < 0.7 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  )

cor_isi_saber_tabla %>%
  kable(caption = "Correlaciones: Categorías ISI → Promedio ICFES",
        col.names = c("Categoría ISI", "r", "Magnitud"),
        digits = 3) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Correlaciones: Categorías ISI → Promedio ICFES
Categoría ISI r Magnitud
Categoría 1: Apropiación 0.226 Débil
Categoría 2: Vinculación Afectiva 0.149 Débil
Categoría 6: Permanencia y Mejora Continua 0.106 Débil
Categoría 4: Integración Curricular 0.088 Débil
Categoría 5: Seguimiento y Retroalimentación 0.077 Débil
Categoría 3: Implementación Correcta -0.061 Débil

8 Modelo de Mediación: ISI → PLC → Saber

# Preparar datos para mediación
datos_mediacion <- mejor_eval_data %>%
  select(all_of(vars_isi), Global, Prom_ICFES) %>%
  drop_na() %>%
  mutate(ISI_Total = rowMeans(select(., all_of(vars_isi))))

# Modelo de mediación usando lavaan
modelo_sem <- '
  # Regresiones
  Global ~ a*ISI_Total
  Prom_ICFES ~ b*Global + c*ISI_Total
  
  # Efectos indirectos
  indirect := a*b
  total := c + a*b
'

# Ajustar modelo
fit_sem <- sem(modelo_sem, data = datos_mediacion)

# Resumen
summary(fit_sem, fit.measures = TRUE, standardized = TRUE)
## lavaan 0.6-21 ended normally after 1 iteration
## 
##   Estimator                                         ML
##   Optimization method                           NLMINB
##   Number of model parameters                         5
## 
##   Number of observations                            59
## 
## Model Test User Model:
##                                                       
##   Test statistic                                 0.000
##   Degrees of freedom                                 0
## 
## Model Test Baseline Model:
## 
##   Test statistic                                34.611
##   Degrees of freedom                                 3
##   P-value                                        0.000
## 
## User Model versus Baseline Model:
## 
##   Comparative Fit Index (CFI)                    1.000
##   Tucker-Lewis Index (TLI)                       1.000
## 
## Loglikelihood and Information Criteria:
## 
##   Loglikelihood user model (H0)               -359.512
##   Loglikelihood unrestricted model (H1)       -359.512
##                                                       
##   Akaike (AIC)                                 729.024
##   Bayesian (BIC)                               739.412
##   Sample-size adjusted Bayesian (SABIC)        723.688
## 
## Root Mean Square Error of Approximation:
## 
##   RMSEA                                          0.000
##   90 Percent confidence interval - lower         0.000
##   90 Percent confidence interval - upper         0.000
##   P-value H_0: RMSEA <= 0.050                       NA
##   P-value H_0: RMSEA >= 0.080                       NA
## 
## Standardized Root Mean Square Residual:
## 
##   SRMR                                           0.000
## 
## Parameter Estimates:
## 
##   Standard errors                             Standard
##   Information                                 Expected
##   Information saturated (h1) model          Structured
## 
## Regressions:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##   Global ~                                                              
##     ISI_Total  (a)    0.846    0.587    1.440    0.150    0.846    0.184
##   Prom_ICFES ~                                                          
##     Global     (b)    0.384    0.059    6.476    0.000    0.384    0.651
##     ISI_Total  (c)    0.007    0.272    0.026    0.979    0.007    0.003
## 
## Variances:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##    .Global           56.969   10.489    5.431    0.000   56.969    0.966
##    .Prom_ICFES       11.806    2.174    5.431    0.000   11.806    0.576
## 
## Defined Parameters:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##     indirect          0.325    0.231    1.406    0.160    0.325    0.120
##     total             0.332    0.350    0.949    0.343    0.332    0.123
# Extraer parámetros
params_sem <- parameterEstimates(fit_sem, standardized = TRUE) %>%
  filter(op == ":=") %>%
  select(label, est, se, pvalue, std.all)

params_sem %>%
  kable(caption = "Análisis de Mediación: ISI → PLC → Saber",
        col.names = c("Efecto", "Estimación", "SE", "p-valor", "β estandarizado"),
        digits = 3) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Análisis de Mediación: ISI → PLC → Saber
Efecto Estimación SE p-valor β estandarizado
indirect 0.325 0.231 0.160 0.120
total 0.332 0.350 0.343 0.123

Interpretación:

  • Efecto indirecto: ISI mejora Saber 11 a través de PLC
  • Efecto total: Suma del efecto directo + indirecto
  • Si el efecto indirecto es significativo → PLC media la relación ISI-Saber

9 Síntesis de Hallazgos

9.1 Hallazgo 1: Todas las Evaluaciones PLC Predicen Saber 11

cat("### **Comparación de Poder Predictivo:**\n\n")

9.1.1 Comparación de Poder Predictivo:

comparacion_eval %>%
  mutate(Ranking = row_number()) %>%
  select(Ranking, Evaluacion, r, R2, Interpretacion) %>%
  kable(col.names = c("#", "Evaluación", "r", "R²", "Magnitud"), digits = 3) %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE) %>%
  print()
# Evaluación r R² Magnitud
1 Entrada (inicio año) 0.391 0.153 Moderada
2 Control (mitad año) 0.651 0.424 Fuerte
3 Salida (final año) 0.463 0.215 Moderada 
cat("\n**Conclusiones clave:**\n\n")

Conclusiones clave:

if (comparacion_eval$r[comparacion_eval$Evaluacion == "Entrada (inicio año)"] > 0.4) {
  cat("✅ **PLC Entrada ya tiene valor predictivo significativo** → Permite intervenciones tempranas\n")
}
if (comparacion_eval$r[comparacion_eval$Evaluacion == "Salida (final año)"] > 
    comparacion_eval$r[comparacion_eval$Evaluacion == "Entrada (inicio año)"]) {
  cat("📈 **La predicción mejora a lo largo del año** → El aprendizaje acumulado fortalece la correlación\n")
}

📈 La predicción mejora a lo largo del año → El aprendizaje acumulado fortalece la correlación

9.2 Hallazgo 2: Componentes PLC con Mayor Poder Predictivo

# Resumen de importancia relativa
cat("### **Ranking de Componentes PLC (Evaluación: ", mejor_eval_data$PLC[1], "):**\n\n")

9.2.1 Ranking de Componentes PLC (Evaluación: Control ):

cat("**Para Promedio ICFES:**\n\n")

Para Promedio ICFES:

importancia_tabla %>%
  arrange(desc(Prom_Importancia)) %>%
  mutate(Ranking = row_number()) %>%
  select(Ranking, Componente, Prom_Importancia) %>%
  kable(col.names = c("#", "Componente", "Importancia (%)"), digits = 1) %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE) %>%
  print()
# Componente Importancia (%)
Inferir 1 Inferir 41.4
Concordar 2 Concordar 34.3
Construir 3 Construir 14.8
Relievar 4 Relievar 9.4

9.3 Hallazgo 3: Análisis Longitudinal

cat("### **¿El Crecimiento en PLC Predice Saber 11?**\n\n")

9.3.1 ¿El Crecimiento en PLC Predice Saber 11?

tabla_long %>%
  arrange(desc(abs(r))) %>%
  mutate(
    Ranking = row_number(),
    Resumen = sprintf("%s: r=%.3f (R²=%.1f%%) %s", 
                     Predictor, r, R2*100, Sig)
  ) %>%
  select(Ranking, Resumen) %>%
  kable(col.names = c("#", "Predictor → Promedio ICFES")) %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE) %>%
  print()
# Predictor → Promedio ICFES
1 PLC Entrada: r=0.470 (R²=22.1%) ***
2 PLC Salida: r=0.441 (R²=19.5%) ***
3 Δ PLC (Entrada→Salida): r=-0.174 (R²=3.0%) ns 
cat("\n**Conclusión:** El ", tabla_long$Predictor[which.max(abs(tabla_long$r))], 
    " es el mejor predictor.\n")

Conclusión: El PLC Entrada es el mejor predictor.

9.4 Categorías ISI con Mayor Impacto

cat("### **Ranking de Categorías ISI:**\n\n")

9.4.1 Ranking de Categorías ISI:

cat("**Impacto en PLC Global:**\n\n")

Impacto en PLC Global:

cor_isi_plc_tabla %>%
  mutate(Ranking = row_number()) %>%
  select(Ranking, Categoria, r, Interpretacion) %>%
  kable(col.names = c("#", "Categoría ISI", "r", "Magnitud"), digits = 3) %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE) %>%
  print()
# Categoría ISI r Magnitud
1 Categoría 1: Apropiación 0.337 Moderada
2 Categoría 4: Integración Curricular 0.220 Débil
3 Categoría 6: Permanencia y Mejora Continua 0.215 Débil
4 Categoría 2: Vinculación Afectiva 0.202 Débil
5 Categoría 3: Implementación Correcta -0.134 Débil
6 Categoría 5: Seguimiento y Retroalimentación 0.036 Débil 
cat("\n\n**Impacto en Saber 11:**\n\n")

Impacto en Saber 11:

cor_isi_saber_tabla %>%
  mutate(Ranking = row_number()) %>%
  select(Ranking, Categoria, r, Interpretacion) %>%
  kable(col.names = c("#", "Categoría ISI", "r", "Magnitud"), digits = 3) %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE) %>%
  print()
# Categoría ISI r Magnitud
1 Categoría 1: Apropiación 0.226 Débil
2 Categoría 2: Vinculación Afectiva 0.149 Débil
3 Categoría 6: Permanencia y Mejora Continua 0.106 Débil
4 Categoría 4: Integración Curricular 0.088 Débil
5 Categoría 5: Seguimiento y Retroalimentación 0.077 Débil
6 Categoría 3: Implementación Correcta -0.061 Débil

10 Conclusiones y Recomendaciones

10.1 ¿Qué hace exitoso a PLC?

1. Validez Predictiva en Todas las Etapas del Año:

mejor_r <- max(comparacion_eval$r)
mejor_eval_nombre <- comparacion_eval$Evaluacion[which.max(comparacion_eval$r)]

cat(sprintf("- PLC correlaciona con Saber 11 **desde la primera evaluación** (Entrada: r=%.3f)\n", 
            cor_entrada_saber$estimate))
  • PLC correlaciona con Saber 11 desde la primera evaluación (Entrada: r=0.470)
cat(sprintf("- La correlación **se fortalece** hacia el final del año (%s: r=%.3f)\n", 
            mejor_eval_nombre, mejor_r))
  • La correlación se fortalece hacia el final del año (Control (mitad año): r=0.651)
cat(sprintf("- **R² = %.1f%%** supera correlaciones típicas entre pruebas estandarizadas (9-16%%)\n",
            max(comparacion_eval$R2)*100))
  • R² = 42.4% supera correlaciones típicas entre pruebas estandarizadas (9-16%)

2. Arquitectura de Habilidades Balanceada:

  • PLC no depende de un solo componente, sino de la interacción entre las 4 habilidades CRIC
  • Los componentes con mayor peso predictivo son: (se completa con resultados del análisis)
  • Esto valida el marco conceptual del modelo CRIC

3. El Crecimiento Importa (o No):

if (abs(cor_delta_saber$estimate) > 0.2 & cor_delta_saber$p.value < 0.05) {
  cat("✅ **El crecimiento en PLC tiene valor predictivo significativo**\n")
  cat(sprintf("   - Δ PLC (Entrada→Salida) correlaciona con Saber: r=%.3f\n", cor_delta_saber$estimate))
  cat("   - Instituciones que mejoran más en PLC tienden a tener mejor Saber 11\n")
  cat("   - Implicación: Intervenciones que generan crecimiento son efectivas\n")
} else {
  cat("⚠️  **El nivel final importa más que la trayectoria de crecimiento**\n")
  cat(sprintf("   - Δ PLC (Entrada→Salida) tiene correlación débil con Saber: r=%.3f\n", cor_delta_saber$estimate))
  cat("   - Lo que importa es el **nivel alcanzado**, no tanto la mejora relativa\n")
  cat("   - Implicación: Priorizar instituciones con bajo nivel inicial, independiente de su potencial de crecimiento\n")
}

⚠️ El nivel final importa más que la trayectoria de crecimiento - Δ PLC (Entrada→Salida) tiene correlación débil con Saber: r=-0.174 - Lo que importa es el nivel alcanzado, no tanto la mejora relativa - Implicación: Priorizar instituciones con bajo nivel inicial, independiente de su potencial de crecimiento

4. Factores Institucionales de Implementación (ISI):

  • Las categorías ISI con mayor impacto son: (completar con resultados)
  • Esto indica que la calidad de implementación institucional es tan importante como el contenido de la prueba

5. Modelo de Mediación:

  • El ISI actúa principalmente a través de PLC (efecto indirecto) para mejorar Saber 11
  • Esto confirma que PLC es el mecanismo causal entre buenas prácticas institucionales y resultados estandarizados

10.2 Recomendaciones Estratégicas

10.2.1 Para Instituciones Educativas:

  1. Usar PLC Entrada como diagnóstico temprano:
    • PLC Entrada ya predice Saber 11 significativamente
    • Implementar planes de intervención desde el primer trimestre para instituciones con bajo desempeño
  2. Fortalecer componentes débiles:
    • Priorizar trabajo en (componente con menor puntuación promedio en análisis)
    • Diseñar talleres focalizados para docentes
  3. Monitorear trayectorias de crecimiento:
if (abs(cor_delta_saber$estimate) > 0.2 & cor_delta_saber$p.value < 0.05) {
  cat("   - El crecimiento PLC predice Saber → Incentivar mejora continua\n")
  cat("   - Reconocer instituciones con mayor ganancia Entrada→Salida\n")
} else {
  cat("   - El nivel final importa más que el crecimiento → Priorizar alcanzar umbrales mínimos\n")
  cat("   - Intervenciones intensivas en instituciones de bajo nivel inicial\n")
}
  • El nivel final importa más que el crecimiento → Priorizar alcanzar umbrales mínimos
  • Intervenciones intensivas en instituciones de bajo nivel inicial
  1. Implementación sistemática:
    • Mejorar categorías ISI: (categorías con menor puntuación)
    • Seguimiento trimestral de indicadores ISI

10.2.2 Para la Fundación:

  1. Sistema de Alertas Tempranas (Basado en PLC Entrada):
    • Identificar instituciones en riesgo desde marzo
    • Asignar recursos de apoyo prioritario
  2. Refinar instrumentos:
    • Revisar ítems de (componente con menor poder predictivo)
    • Aumentar confiabilidad de escalas con menor consistencia
  3. Capacitación focalizada:
    • Entrenar instituciones en (categoría ISI con menor correlación)
    • Crear programa de mentorías inter-institucionales
  4. Dashboard de Seguimiento:
    • Implementar visualización en tiempo real de:
      • Evolución PLC (Entrada → Control → Salida)
      • Predicción de Saber 11 basada en PLC actual
      • Benchmarking entre instituciones

10.2.3 Para Investigación Futura:

  1. Análisis longitudinal multi-año:
    • Comparar cohortes 2024 vs 2025 vs 2026
    • Identificar si patrones se mantienen estables
  2. Segmentación:
    • Analizar si patrones difieren por:
      • Tipo de institución (pública/privada)
      • Región (urbano/rural)
      • Nivel socioeconómico
    • ¿El crecimiento PLC predice mejor en ciertas poblaciones?
  3. Validación con PISA for Schools:
    • Cuando datos estén disponibles, replicar análisis completo
    • Confirmar si patrones PLC→Saber se mantienen para PLC→PISA
  4. Modelamiento predictivo avanzado:
    • Machine Learning para predicción temprana de Saber basada en PLC Entrada
    • Identificar perfiles institucionales de alto riesgo
  5. Análisis de intervenciones:
    • Diseño cuasi-experimental para evaluar efecto causal de mejoras en categorías ISI
    • ¿Mejorar Cat3 (Implementación) causa mejoras en PLC y Saber?

11 Referencias

  • Fundación Social Alberto Merani (2025). Vademécum PLC 2025
  • ICFES (2025). Resultados Saber 11 2025
  • OECD (2022). PISA 2022 Results

12 Apéndices

12.1 Código de Reproducción

Todo el código utilizado en este análisis está disponible en los bloques de R de este documento. Para reproducir:

  1. Actualizar ruta del archivo Excel en chunk cargar-datos
  2. Ejecutar knitr::knit("Analisis_Factores_Exito_PLC_2025.Rmd")

12.2 Información de Sesión

sessionInfo()
## R version 4.5.2 (2025-10-31)
## Platform: aarch64-apple-darwin20
## Running under: macOS Tahoe 26.2
## 
## Matrix products: default
## BLAS:   /System/Library/Frameworks/Accelerate.framework/Versions/A/Frameworks/vecLib.framework/Versions/A/libBLAS.dylib 
## LAPACK: /Library/Frameworks/R.framework/Versions/4.5-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.1
## 
## locale:
## [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
## 
## time zone: America/Bogota
## tzcode source: internal
## 
## attached base packages:
## [1] grid      stats     graphics  grDevices utils     datasets  methods  
## [8] base     
## 
## other attached packages:
##  [1] lavaan_0.6-21    Hmisc_5.2-5      gridExtra_2.3    GGally_2.4.0    
##  [5] kableExtra_1.4.0 knitr_1.50       relaimpo_2.2-7   mitools_2.4     
##  [9] survey_4.4-8     survival_3.8-3   Matrix_1.7-4     boot_1.3-32     
## [13] MASS_7.3-65      car_3.1-3        carData_3.0-5    psych_2.5.6     
## [17] corrplot_0.95    readxl_1.4.5     lubridate_1.9.4  forcats_1.0.1   
## [21] stringr_1.5.2    dplyr_1.1.4      purrr_1.1.0      readr_2.1.5     
## [25] tidyr_1.3.1      tibble_3.3.0     ggplot2_4.0.0    tidyverse_2.0.0 
## 
## loaded via a namespace (and not attached):
##  [1] tidyselect_1.2.1   viridisLite_0.4.2  farver_2.1.2       S7_0.2.0          
##  [5] fastmap_1.2.0      digest_0.6.37      rpart_4.1.24       timechange_0.3.0  
##  [9] lifecycle_1.0.4    cluster_2.1.8.1    magrittr_2.0.4     compiler_4.5.2    
## [13] rlang_1.1.6        sass_0.4.10        tools_4.5.2        yaml_2.3.10       
## [17] data.table_1.17.8  labeling_0.4.3     htmlwidgets_1.6.4  mnormt_2.1.1      
## [21] xml2_1.4.0         RColorBrewer_1.1-3 abind_1.4-8        withr_3.0.2       
## [25] foreign_0.8-90     stats4_4.5.2       nnet_7.3-20        colorspace_2.1-2  
## [29] scales_1.4.0       cli_3.6.5          rmarkdown_2.30     generics_0.1.4    
## [33] rstudioapi_0.17.1  tzdb_0.5.0         DBI_1.2.3          cachem_1.1.0      
## [37] splines_4.5.2      parallel_4.5.2     cellranger_1.1.0   base64enc_0.1-3   
## [41] vctrs_0.6.5        jsonlite_2.0.0     hms_1.1.3          Formula_1.2-5     
## [45] htmlTable_2.4.3    systemfonts_1.2.3  jquerylib_0.1.4    glue_1.8.0        
## [49] ggstats_0.11.0     stringi_1.8.7      gtable_0.3.6       quadprog_1.5-8    
## [53] pillar_1.11.1      htmltools_0.5.8.1  R6_2.6.1           textshaping_1.0.3 
## [57] pbivnorm_0.6.0     evaluate_1.0.5     lattice_0.22-7     backports_1.5.0   
## [61] corpcor_1.6.10     bslib_0.9.0        Rcpp_1.1.0         svglite_2.2.1     
## [65] nlme_3.1-168       checkmate_2.3.3    mgcv_1.9-3         xfun_0.53         
## [69] pkgconfig_2.0.3

Documento generado automáticamente el 05/02/2026 a las 23:04