Análisis de depresión en adolescentes de Básica Secundaria y Media usando algoritmos de Machine Learning - Investigación

Aug 4, 2026

El artículo presenta un análisis para identificar factores determinantes asociados a ansiedad, estrés y depresión en adolescentes de sexto a undécimo grado de una institución educativa del departamento del Tolima, Colombia. La investigación aplica el Inventario Sistémico Cognoscitivista para el estudio del estrés académico (SISCO) a 553 estudiantes de 11 a 20 años y emplea algoritmos de Machine Learning de clasificación con variable objetivo binaria, complementados con métodos de ensamble. La detección muestra probabilidades de acierto de 0,845 y 0,863, destacando variables como fatiga crónica, ansiedad y somnolencia.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas27

Tiempo de lectura42 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Ansiedad, depresión y panorama en adolescentes

ISSN 0124-0137 EISSN 2027-212X ARTÍCULO DE INVESTIGACIÓN Copyright © 2024 by Psicogente Correspondencia de autores: [ymsaavedrag@ut.edu.co](ymsaavedrag@ut.edu.co)[ ](ymsaavedrag@ut.edu.co)[jsalinas@lamolina.edu.pe](jsalinas@lamolina.edu.pe)[ ](jsalinas@lamolina.edu.pe)[mari_apilar_garcia@hotmail.com](mari_apilar_garcia@hotmail.com) Recibido: 23-11-23 Aceptado: 28-08-24 Publicado: 01-09-24 Análisis de depresión en adolescentes de Básica Secundaria y Media usando algoritmos de Machine Learning Analysis of depression in High School and Middle Basic adolescents using Machine Learning algorithms Yuri Marcela García Saavedra Universidad del Tolima-Tolima, Colombia. Jesús Walter Salinas Flores Universidad Nacional Agraria La Molina-Lima, Perú . María Del Pilar García Saavedra Institución Educativa Técnica Alfonso Palacio Rudas-Tolima, Colombia Resumen: Objetivo: Identificar los factores determinantes relacionados con la ansiedad, el estrés y la depresiónen adolescentes de sexto a undécimo grado de una institución educativa del departamento del Tolima, Colombia. Método: Se aplicó el Inventario Sistémico Cognoscitivista para el estudio del estrés académico (Inventario SISCO) a una muestra de 553 estudiantes cuyo rango de edad estuvo entre 11 y 20 años (media=17,12 años, DE=0,766) . Se emplearon diferentes algoritmos de Machine Learning para clasificación debido a que la variable target es de respuesta binaria, complementando con el uso de métodos de ensamble. Resultados: Al preguntarle a los estudiantes si alguna vez habían tenido sentimientos persistentes de tristeza, sensación de vacío o pérdida de interés en las actividades cotidianas (indicativos de depresión), el 76,17 % manifestaron que sí mientras que el 23,83 % respondió que no. La probabilidad de detectar correctamente a los estudiantes con depresión fue de 0,845, mientras que para los estudiantes que no manifiestan tener depresión fue de 0,863 . Las principales variables que mejor discriminaron entre estudiantes que afirmaron tener síntomas de depresión y aquellos que no, fueron: fatiga crónica, dificultad para tomar decisiones, ansiedad, falta de apetito, conflictos interpersonales, actividades evaluativas y somnolencia. Conclusiones: Se recalca la importancia de la detección temprana, la utilización de herramientas de Machine Learning, y la necesidad de enfoques preventivos y personalizados para abordar la ansiedad, el estrés y la depresión en adolescentes. Palabras clave: Adolescentes, depresión, algoritmos de clasificación, Machine Learning, métodos de ensamble. Abstract Objective: To identify the determining factors associated with anxiety, stress, and depression in adolescents from sixth to eleventh grade at an educational institution in the department of Tolima, Colombia. Method: The Systemic Cognitive Inventory for the Study of Academic Stress (SISCO Inventory) was applied to a sample of 553 students aged 11 to 20 (mean = 17,12 years, SD = 0,766) . Various machine learning classification algorithms were employed since the target variable was binary, complemented by ensemble methods. Results: When students were asked whether they had ever experienced persistent feelings of sadness, emptiness, or loss of interest in daily activities (indicative of depression), 76,17 % reported “yes,” while 23,83 % answered “no.” The probability of correctly detecting students with depression was 0,845, while for students without depression, it was 0,863 . The main variables that best discriminated between students reporting depressive symptoms and those who did not include chronic fatigue, difficulty making decisions, anxiety, lack of appetite, interpersonal conflicts, evaluative activities, and drowsiness. Cómo citar este artículo (APA): García Saavedra, Y. M., Salinas Flores, J. W., & García Saavedra, M. del P. 2024. Análisis de depresión en adolescentes de Básica Secundaria y Media usando algoritmos de Machine Learning. Psicogent

Preguntas frecuentes

Cuál es el objetivo principal del análisis de depresión en adolescentes?

Identificar los factores determinantes relacionados con ansiedad, estrés y depresión en adolescentes de sexto a undécimo grado de una institución del Tolima, Colombia.

Qué método y muestra se emplean para el estudio?

Se aplica el Inventario SISCO a 553 estudiantes de 11 a 20 años (media 17,12; DE 0,766).

Qué variables mostraron mejor capacidad para discriminar entre presencia y ausencia de síntomas depresivos?

Fatiga crónica, dificultad para tomar decisiones, ansiedad, falta de apetito, conflictos interpersonales, actividades evaluativas y somnolencia.

Aug 4, 2026

Subir por Theodora