La inteligencia artificial (IA) ha avanzado significativamente, siendo capaz ahora de realizar tareas que anteriormente se creía eran exclusivas de humanos con habilidades especializadas. Sin embargo, los modelos de IA, a diferencia de los humanos que pueden desarrollar habilidades con relativamente menos datos, a menudo requieren cantidades sustanciales de datos para emular las capacidades cognitivas humanas en áreas específicas. En situaciones donde no se dispone de suficientes datos de pre-entrenamiento, el meta-aprendizaje se convierte en un método crucial para mejorar la generalización. El algoritmo de Meta-Learning Agnóstico de Modelo (MAML), que emplea cálculos de derivadas de segundo orden para ajustar finamente los parámetros iniciales para obtener mejores puntos de partida, desempeña un papel fundamental en esta área. Sin embargo, la demanda computacional de este método puede ser desafiante para los modelos modernos con un gran número de parámetros. El concepto del Efecto Hessiano Aproximado se introduce en este contexto, examinando la efectividad de las derivadas de segundo orden para identificar parámetros iniciales propicios para un alto rendimiento de generalización. El estudio sugiere el uso de la similitud del coseno y el error al cuadrado (pérdida L2) como función de pérdida dentro del marco del Efecto Hessiano Aproximado para modificar los pesos del gradiente, con el objetivo de obtener parámetros de modelo más generalizables. Además, se presenta un algoritmo que se basa en cálculos de primer orden, diseñado para lograr niveles de rendimiento comparables a MAML. Este enfoque fue probado y comparado con los métodos tradicionales de MAML utilizando tanto el conjunto de datos MiniImagenet como un conjunto de datos MNIST modificado. Los resultados fueron analizados para evaluar su eficiencia. En comparación con estudios anteriores que lograron un buen rendimiento utilizando solo la primera derivada, este enfoque es más eficiente porque no requiere bucles iterativos para converger en funciones de pérdida adicionales. Además, existe potencial para mejorar aún más el rendimiento a través de la sintonización de hiperparámetros.