Machine learning para la prevención de ataques de ansiedad en estudiantes universitarios

Abstract

En la investigación que se presenta, se ha desarrollado un modelo de aprendizaje automático para la prevención de ataques de ansiedad en estudiantes universitarios, cuya finalidad ha sido el de facilitar y ayudar a los jóvenes a prever ataques de ansiedad en su vida diaria. Se ha tenido como objetivo principal determinar el índice de precisión, sensibilidad y exactitud de un modelo de aprendizaje automático para la prevención de ataques de ansiedad en estudiantes universitarios. La población ha sido de 60 personas, con quienes se utilizó el test llamado Hamilton para poder medir el nivel de ansiedad, y en que situaciones presentan mayor ansiedad. La presente investigación fue de forma aplicada, porque se tratará un modelo de machine learning para la prevención de los ataques de ansiedad, con un enfoque cuantitativo, ya que, se estuvo recolectando datos del test realizado y con un diseño preexperimental, debido a que hemos estado interviniendo con la muestra, para ver los resultados antes y después del modelo de machine learning. La ansiedad se ha vuelto un problema de salud mental común entre los estudiantes universitarios y tiene un impacto negativo en su salud, así como, un impacto negativo en el rendimiento académico. La identificación temprana y la intervención efectiva son esenciales para minimizar los efectos negativos de la ansiedad. En este contexto, el machine learning proporciona herramientas avanzadas para analizar grandes cantidades de datos e identificar patrones complejos que pueden predecir ataques de pánico. Esta tesis examino cómo se pueden utilizar las técnicas que tiene el machine learning para prevenir ataques de ansiedad en estudiantes universitarios mediante el análisis de datos fisiológicos, conductuales y psicológicos.