15REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
REVISTA PERSPECTIVAS
VOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
ANÁLISIS DE SALUD EMOCIONAL UTILIZANDO
INTELIGENCIA ARTIFICIAL
Facultad de Ciencias de la Computación, Benemérita Universidad Autónoma de Puebla, México.
Erika Morales Portillo
Ana Claudia Zenteno Vázquez
Abraham Sánchez López
erika.moralesp@alumno.buap.mx
ana.zenteno@correo.buap.mx
abraham.sanchez@correo.buap.mx
judith.perez@correo.buap.mx
gustavo.rubin@correo.buap.mx
María del Carmen Santiago Díaz
Judith Pérez Marcial
Gustavo Trinidad Rubín Linares
marycarmen.santiago@correo.buap.mx
RESUMEN
La ansiedad es una respuesta natural al estrés, pero
los trastornos de ansiedad son condiciones donde
esta respuesta se vuelve excesiva y persistente,
afectando la vida diaria. Tipos comunes incluyen
trastorno de ansiedad generalizada, trastorno
de pánico, trastorno obsesivo-compulsivo y
fobias. Los factores genéticos, ambientales y
biológicos pueden contribuir a su desarrollo. Los
síntomas abarcan inquietud, fatiga, problemas
de concentración y sueño. El presente trabajo
presenta los resultados obtenidos y tratados
mediante herramientas y técnicas de inteligencia
artificial para la identificación automática del
estado de ansiedad y su correlación a los niveles
de estrés y salud emocional humana.
Palabras Clave: Trastorno de Ansiedad,
Trastorno Obsesivo-Compulsivo, Trastorno de
Estrés Postraumático, Inteligencia Artificial.
Emotional Health Analysis using Artificial Intelligence
ABSTRACT
Anxiety is a natural stress response, but anxiety
disorders are conditions where this response
becomes excessive and persistent, affecting daily
life. Common types include generalized anxiety
disorder, panic disorder, obsessive-compulsive
disorder, and phobias. Genetic, environmental,
and biological factors may contribute to its
Fecha de Recepción: 15/02/2025. Fecha de Aceptación: 17/03/2025. Fecha de Publicación: 07/07/2025
DOI: https://doi.org/10.47187/perspectivas.7.2.237
development. Symptoms include restlessness,
fatigue, concentration, and sleep problems. This
paper presents the results obtained and treated
using artificial intelligence tools and techniques
for the automatic identification of the state of
anxiety and its correlation to stress levels and
human emotional health.
Keywords: Anxiety Disorder, Agoraphobia,
Social Phobia, Generalized Anxiety Disorder,
Specific Phobia, Obsessive-Compulsive
Disorder, Post-Traumatic Stress Disorder,
Artificial Intelligence.
I. Introducción
La ansiedad es una parte integral de la existencia
humana; todos experimentan un grado moderado
de ella, actuando como una respuesta adaptativa.
Desde su tardía inclusión en la Psicología en
1920, la ansiedad ha sido un tema de gran interés,
abordado desde diversas perspectivas. Según el
Diccionario de la Real Academia Española, el
término ansiedad proviene del latín "anxietas",
refiriéndose a un estado de agitación, inquietud o
zozobra del ánimo, siendo una de las emociones
más frecuentes y complicadas del ser humano.
Esta emoción displacentera se manifiesta a
través de una tensión emocional acompañada de
16REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
síntomas físicos como palpitaciones, sudoración
y temblores. [1]
Aunque la ansiedad está relacionada con el
miedo, se diferencia en que el miedo es una
respuesta a un peligro inmediato y real, mientras
que la ansiedad se relaciona con la preocupación
por posibles peligros futuros e inciertos. [2] La
intensidad de la ansiedad varía entre las personas
debido a factores biológicos y experiencias de
vida. Algunas personas ven muchas situaciones
como amenazantes y reaccionan con ansiedad,
mientras que otras no se preocupan tanto.
En los últimos años, la ansiedad se ha convertido
en un problema de salud mental significativo
entre los estudiantes, afectando su rendimiento
académico, bienestar emocional y calidad de
vida. La identificación temprana y el manejo
adecuado de la ansiedad en el contexto educativo
son cruciales para mejorar tanto los resultados
académicos como la salud mental de los alumnos.
[3] En este sentido, diversas herramientas como
el General Anxiety Disorder 7 (GAD-7), el Social
Phobia Inventory (SPIN), y la Satisfaction With
Life Scale (SWL) se han utilizado ampliamente
para medir distintos aspectos de la ansiedad y
la satisfacción con la vida en los estudiantes.
El GAD-7 es una herramienta que mide la
gravedad del trastorno de ansiedad generalizada;
el SPIN evalúa la fobia social, y el SWL mide
la satisfacción con la vida, proporcionando
una visión integral de la salud mental de los
estudiantes. [4]
Este documento se enfoca en la aplicación de
técnicas de minería de datos para analizar un
dataset que contiene información relacionada
con los niveles de ansiedad y satisfacción de
vida de los estudiantes, utilizando las métricas
GAD-7, SPIN y SWL. La minería de datos es una
herramienta poderosa para descubrir patrones y
relaciones significativas en grandes volúmenes
de datos, permitiendo una comprensión más
profunda de los factores que contribuyen a la
ansiedad estudiantil. [5] A través del análisis
de estos datos, es posible identificar tendencias,
perfiles de riesgo, y potenciales intervenciones
que podrían ser implementadas para apoyar a
Después se explora el dataset para entender mejor
los datos con los que se está trabajando. En este
Fig. 1. Importación del dataset
II. Metodología
La Selección es la primera etapa crucial del proceso
de preparación de datos. En esta fase, el objetivo
es identificar y extraer las variables más relevantes
del dataset que aportan valor para el análisis y los
objetivos planteados. Esta selección se basa en el
conocimiento previo del dominio del problema
y en el entendimiento de los datos disponibles.
Se eliminan los atributos que son irrelevantes,
redundantes o que no tienen relación con el
problema a resolver. Al reducir la dimensionalidad
del dataset, se mejora la eficiencia y efectividad de
los modelos de minería de datos, asegurando que
solo se utilicen los datos necesarios para generar
resultados significativos y precisos.
Primero, se importa las librerías necesarias y
se carga el dataset en un DataFrame de pandas.
Como se muestra en la figura 1.
los estudiantes que experimentan altos niveles de
ansiedad o insatisfacción con la vida. [6]
El objetivo de este trabajo es presentar la
metodología empleada para realizar un análisis
exhaustivo del dataset mediante técnicas de
minería de datos. Esto incluirá la limpieza de
datos, selección de variables, aplicación de
algoritmos de clasificación y agrupamiento, y
la interpretación de los resultados obtenidos. A
partir de estos análisis, se espera proporcionar
recomendaciones basadas en datos que puedan
ser utilizadas por instituciones educativas para
mejorar el apoyo psicológico y el bienestar
general de los estudiantes.
síntomas físicos como palpitaciones, sudoración
y temblores. [1]
Aunque la ansiedad está relacionada con el
miedo, se diferencia en que el miedo es una
respuesta a un peligro inmediato y real, mientras
que la ansiedad se relaciona con la preocupación
por posibles peligros futuros e inciertos. [2] La
intensidad de la ansiedad varía entre las personas
debido a factores biológicos y experiencias de
vida. Algunas personas ven muchas situaciones
como amenazantes y reaccionan con ansiedad,
mientras que otras no se preocupan tanto.
En los últimos años, la ansiedad se ha convertido
en un problema de salud mental significativo
entre los estudiantes, afectando su rendimiento
académico, bienestar emocional y calidad de
vida. La identificación temprana y el manejo
adecuado de la ansiedad en el contexto educativo
son cruciales para mejorar tanto los resultados
académicos como la salud mental de los alumnos.
[3] En este sentido, diversas herramientas como
el General Anxiety Disorder 7 (GAD-7), el Social
Phobia Inventory (SPIN), y la Satisfaction With
Life Scale (SWL) se han utilizado ampliamente
para medir distintos aspectos de la ansiedad y
la satisfacción con la vida en los estudiantes.
El GAD-7 es una herramienta que mide la
gravedad del trastorno de ansiedad generalizada;
el SPIN evalúa la fobia social, y el SWL mide
la satisfacción con la vida, proporcionando
una visión integral de la salud mental de los
estudiantes. [4]
Este documento se enfoca en la aplicación de
técnicas de minería de datos para analizar un
dataset que contiene información relacionada
con los niveles de ansiedad y satisfacción de
vida de los estudiantes, utilizando las métricas
GAD-7, SPIN y SWL. La minería de datos es una
herramienta poderosa para descubrir patrones y
relaciones significativas en grandes volúmenes
de datos, permitiendo una comprensión más
profunda de los factores que contribuyen a la
ansiedad estudiantil. [5] A través del análisis
de estos datos, es posible identificar tendencias,
perfiles de riesgo, y potenciales intervenciones
que podrían ser implementadas para apoyar a
Después se explora el dataset para entender mejor
los datos con los que se está trabajando. En este
Fig. 1. Importación del dataset
II. Metodología
La Selección es la primera etapa crucial del proceso
de preparación de datos. En esta fase, el objetivo
es identificar y extraer las variables más relevantes
del dataset que aportan valor para el análisis y los
objetivos planteados. Esta selección se basa en el
conocimiento previo del dominio del problema
y en el entendimiento de los datos disponibles.
Se eliminan los atributos que son irrelevantes,
redundantes o que no tienen relación con el
problema a resolver. Al reducir la dimensionalidad
del dataset, se mejora la eficiencia y efectividad de
los modelos de minería de datos, asegurando que
solo se utilicen los datos necesarios para generar
resultados significativos y precisos.
Primero, se importa las librerías necesarias y
se carga el dataset en un DataFrame de pandas.
Como se muestra en la figura 1.
los estudiantes que experimentan altos niveles de
ansiedad o insatisfacción con la vida. [6]
El objetivo de este trabajo es presentar la
metodología empleada para realizar un análisis
exhaustivo del dataset mediante técnicas de
minería de datos. Esto incluirá la limpieza de
datos, selección de variables, aplicación de
algoritmos de clasificación y agrupamiento, y
la interpretación de los resultados obtenidos. A
partir de estos análisis, se espera proporcionar
recomendaciones basadas en datos que puedan
ser utilizadas por instituciones educativas para
mejorar el apoyo psicológico y el bienestar
general de los estudiantes.
17REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
A. Preprocesado
El preprocesado incluye la limpieza de datos, la
transformación de variables, y la preparación
de los datos para ser utilizados en modelos de
minería de datos.
Para empezar, dado que la variable gender es
categórica, será necesario convertirla en un
formato que pueda ser interpretado por los
algoritmos de minería de datos, ya que estos
generalmente requieren valores numéricos. Esto se
logra con la línea de código df_encoded = pd.get_
dummies(df_selected, columns=['Gender']).
Pero como resultado tendremos que las columnas
se imprimieron con ‘true’ y ‘false’ como se
observa en la figura 4. Y aunque es correcto y
no afectará ya que internamente true y false son
equivalentes a 1 y 0, respectivamente en Python.
Se recomienda verlos explícitamente como 0 y 1
para mayor claridad o compatibilidad con ciertas
herramientas. Esto se consigue con la línea de
código:
bool_columns = df_encoded.select_
dtypes(include=[bool]).columns
Para solucionar esto, se eliminarán las filas que
tienen estos datos faltantes con la línea de código
df_selected = df_selected.dropna(). El resultado
de esto se muestra en la figura 3.
Fig. 2. Datos faltantes en la columna del dataset.
Fig. 3. Eliminación de filas con datos faltantes.
Fig. 4. Variable categórica a valor booleano.
caso el dataset cuenta con 13464 respuestas de
estudiantes, y contando con 53 columnas. En
donde 22 columnas contienen datos con float, 16
columnas con el tipo de datos int y 15 columnas
con el tipo de dato object.
Para la selección de variables, es importante
considerar las columnas que serán útiles para el
análisis de la ansiedad de los estudiantes. En este
caso, dado que queremos analizar la ansiedad
utilizando las métricas GAD, SPIN, y SWL,
seleccionaremos las siguientes columnas:
Variables principales: GAD_T, SWL_T, SPIN_T
(totales de cada instrumento).
Variables de análisis adicionales: gender, age,
hours, whyplay.
Eliminaremos las columnas que no son relevantes
para el análisis actual, como, ‘timestamp’,
‘playstyle’, ‘earnings’, ‘degree’, ‘birthplace’,
‘residence’, ‘work’ y ‘league’.
Antes de proceder con el análisis, es crucial
verificar si existen datos faltantes en las columnas,
esto se logra hacer con la línea de código print(df_
selected.isnull().sum()). Esto muestra que las
columnas Hours y SPIN_T tienen datos faltantes,
como se muestra en la figura 2.
A. Preprocesado
El preprocesado incluye la limpieza de datos, la
transformación de variables, y la preparación
de los datos para ser utilizados en modelos de
minería de datos.
Para empezar, dado que la variable gender es
categórica, será necesario convertirla en un
formato que pueda ser interpretado por los
algoritmos de minería de datos, ya que estos
generalmente requieren valores numéricos. Esto se
logra con la línea de código df_encoded = pd.get_
dummies(df_selected, columns=['Gender']).
Pero como resultado tendremos que las columnas
se imprimieron con ‘true’ y ‘false’ como se
observa en la figura 4. Y aunque es correcto y
no afectará ya que internamente true y false son
equivalentes a 1 y 0, respectivamente en Python.
Se recomienda verlos explícitamente como 0 y 1
para mayor claridad o compatibilidad con ciertas
herramientas. Esto se consigue con la línea de
código:
bool_columns = df_encoded.select_
dtypes(include=[bool]).columns
Para solucionar esto, se eliminarán las filas que
tienen estos datos faltantes con la línea de código
df_selected = df_selected.dropna(). El resultado
de esto se muestra en la figura 3.
Fig. 2. Datos faltantes en la columna del dataset.
Fig. 3. Eliminación de filas con datos faltantes.
Fig. 4. Variable categórica a valor booleano.
caso el dataset cuenta con 13464 respuestas de
estudiantes, y contando con 53 columnas. En
donde 22 columnas contienen datos con float, 16
columnas con el tipo de datos int y 15 columnas
con el tipo de dato object.
Para la selección de variables, es importante
considerar las columnas que serán útiles para el
análisis de la ansiedad de los estudiantes. En este
caso, dado que queremos analizar la ansiedad
utilizando las métricas GAD, SPIN, y SWL,
seleccionaremos las siguientes columnas:
Variables principales: GAD_T, SWL_T, SPIN_T
(totales de cada instrumento).
Variables de análisis adicionales: gender, age,
hours, whyplay.
Eliminaremos las columnas que no son relevantes
para el análisis actual, como, ‘timestamp’,
‘playstyle’, ‘earnings’, ‘degree’, ‘birthplace’,
‘residence’, ‘work’ y ‘league’.
Antes de proceder con el análisis, es crucial
verificar si existen datos faltantes en las columnas,
esto se logra hacer con la línea de código print(df_
selected.isnull().sum()). Esto muestra que las
columnas Hours y SPIN_T tienen datos faltantes,
como se muestra en la figura 2.
18REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
Fig. 5. Variable ‘gender’ actualizada a binaria.
Fig. 6. Matriz de Correlación
Fig. 7. Importancia de las características usando Random Forest.
df_encoded[bool_columns] = df_encoded[bool_
columns].astype(int)
Con esto podemos visualizar correctamente la
variable ‘gender’ en binario en la figura 5.
Por último, haremos una Matriz de Correlación,
para ver si alguna variable tiene una alta correlación
(mayor a 0.9) con otra, si esto es verdadero, puede
ser redundante y se tendría que eliminar.
Las columnas Gender_Female, Gender_Male, y
Gender_Other contienen la misma información
que la columna original Gender, pero en un
formato que los algoritmos de minería de datos
pueden entender. Si bien existe redundancia (ya
que saber el valor de dos columnas te da la tercera),
la mayoría de los algoritmos de minería de datos
manejan esta situación sin problemas.
B. Selección de Características
La Selección de Características es la siguiente
etapa en el proceso de minería de datos. En esta
etapa, el objetivo es seleccionar las características
más relevantes del dataset para mejorar la
eficiencia y el rendimiento de los modelos de
minería de datos. Este proceso ayuda a eliminar
el "ruido" o la información irrelevante que puede
confundir a los modelos.
Aquí se utilizará el modelo de clasificación
RandomForestClassifier para entrenar un modelo
y obtener la importancia de las características.
El random forest es un algoritmo de machine
learning de uso común registrado por Leo
Breiman y Adele Cutler, que combina la salida de
múltiples árboles de decisión para alcanzar un solo
resultado. Su facilidad de uso y flexibilidad han
impulsado su adopción, ya que maneja problemas
de clasificación y regresión. [7]
Para lograr esto en python primero se
importan las librerías necesarias que son
RandomForestClassifier para el modelo,
matplotlib.pyplot para la visualización y pandas
para la manipulación de datos. Después se define
‘x’ que contiene las variables predictoras (todas las
columnas excepto SPIN_T). Y la variable objetivo
‘y’ (SPIN_T).
En seguida se crea el modelo de Random Forest
con 100 arboles y se entrena con los datos (‘x’ y
‘y’).
Para finalizar se extrae la importancia de cada
característica del modelo entrenado. Se crea un
DataFrame con las características y su importancia
de mayor a menor y por último se visualiza la
importancia de las características mediante un
gráfico de barras horizontales de la figura 7.
Fig. 5. Variable ‘gender’ actualizada a binaria.
Fig. 6. Matriz de Correlación
Fig. 7. Importancia de las características usando Random Forest.
df_encoded[bool_columns] = df_encoded[bool_
columns].astype(int)
Con esto podemos visualizar correctamente la
variable ‘gender’ en binario en la figura 5.
Por último, haremos una Matriz de Correlación,
para ver si alguna variable tiene una alta correlación
(mayor a 0.9) con otra, si esto es verdadero, puede
ser redundante y se tendría que eliminar.
Las columnas Gender_Female, Gender_Male, y
Gender_Other contienen la misma información
que la columna original Gender, pero en un
formato que los algoritmos de minería de datos
pueden entender. Si bien existe redundancia (ya
que saber el valor de dos columnas te da la tercera),
la mayoría de los algoritmos de minería de datos
manejan esta situación sin problemas.
B. Selección de Características
La Selección de Características es la siguiente
etapa en el proceso de minería de datos. En esta
etapa, el objetivo es seleccionar las características
más relevantes del dataset para mejorar la
eficiencia y el rendimiento de los modelos de
minería de datos. Este proceso ayuda a eliminar
el "ruido" o la información irrelevante que puede
confundir a los modelos.
Aquí se utilizará el modelo de clasificación
RandomForestClassifier para entrenar un modelo
y obtener la importancia de las características.
El random forest es un algoritmo de machine
learning de uso común registrado por Leo
Breiman y Adele Cutler, que combina la salida de
múltiples árboles de decisión para alcanzar un solo
resultado. Su facilidad de uso y flexibilidad han
impulsado su adopción, ya que maneja problemas
de clasificación y regresión. [7]
Para lograr esto en python primero se
importan las librerías necesarias que son
RandomForestClassifier para el modelo,
matplotlib.pyplot para la visualización y pandas
para la manipulación de datos. Después se define
‘x’ que contiene las variables predictoras (todas las
columnas excepto SPIN_T). Y la variable objetivo
‘y’ (SPIN_T).
En seguida se crea el modelo de Random Forest
con 100 arboles y se entrena con los datos (‘x’ y
‘y’).
Para finalizar se extrae la importancia de cada
característica del modelo entrenado. Se crea un
DataFrame con las características y su importancia
de mayor a menor y por último se visualiza la
importancia de las características mediante un
gráfico de barras horizontales de la figura 7.
19REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
III. Resultados
Fig. 8. Características más importantes.
Fig. 9. Matriz de confusión
A. Extracción de conocimiento
En la etapa de Extracción de Conocimiento, el
objetivo es interpretar los resultados del análisis
y obtener información útil y comprensible a partir
de los datos procesados. Aquí se busca traducir los
hallazgos del modelo en conocimientos aplicables
que puedan ayudar a tomar decisiones informadas.
Primero se examina cuáles características tienen
mayor impacto en la predicción del modelo. En
este caso, se observa qué características (Hours,
SWL_T, Age, GAD_T) son las más relevantes en
la figura 8.
En esta etapa es importante crear gráficos y
tablas que ayuden a comunicar los hallazgos de
manera clara. Por ejemplo, los gráficos de barras
que muestran la importancia de las características
como en la figura 7.
En este grafico podemos decir que la variable
‘Horas de Juego’ tiene la mayor importancia, lo
que sugiere que la cantidad de tiempo dedicado
a jugar videojuegos es un predictor crucial para
la ansiedad. Esto podría indicar que un mayor
tiempo de juego está asociado con niveles más
altos de ansiedad. También La ‘Satisfacción con la
Vida’ muestra una importancia considerable. Esto
sugiere que una menor satisfacción con la vida
puede estar relacionada con mayores niveles de
ansiedad. Por último, la edad y las puntuaciones
en el GAD también contribuyen a la predicción de
la ansiedad, aunque con menor peso comparativo
en relación con las horas de juego y la satisfacción
con la vida.
B. Interpretación y Evaluación
En esta etapa final del proceso de minería de datos,
se interpretan los resultados obtenidos del modelo
Random Forest y se evalúa su desempeño. La
evaluación se realiza utilizando métricas como la
matriz de confusión y el análisis de la importancia
de las características.
La Matriz de Confusión nos mostrara como
se distribuyen las predicciones del modelo en
comparación con las etiquetas reales de la figura
9. Una matriz de confusión es una herramienta
utilizada en clasificación para evaluar el
rendimiento de un modelo. Muestra el conteo de
las predicciones correctas e incorrectas del modelo
en comparación con las etiquetas verdaderas.
Es particularmente útil para entender cómo se
comporta el modelo en relación con cada clase y
para identificar patrones de errores.
C. No Ansioso
Verdadero Negativo (TN): El valor real es negativo
y la prueba predijo también que el resultado
era negativo. 2684 casos fueron correctamente
predichos como “No Ansioso”.
Falso Positivo (FP): El valor real es negativo, y la
prueba predijo que el resultado es positivo. No hay
predicciones incorrectas en esta categoría.
D. Ansioso
Falso Negativo (FN): El valor real es positivo, y la
prueba predijo que el resultado es negativo. Hay
un caso que fue clasificado incorrectamente como
III. Resultados
Fig. 8. Características más importantes.
Fig. 9. Matriz de confusión
A. Extracción de conocimiento
En la etapa de Extracción de Conocimiento, el
objetivo es interpretar los resultados del análisis
y obtener información útil y comprensible a partir
de los datos procesados. Aquí se busca traducir los
hallazgos del modelo en conocimientos aplicables
que puedan ayudar a tomar decisiones informadas.
Primero se examina cuáles características tienen
mayor impacto en la predicción del modelo. En
este caso, se observa qué características (Hours,
SWL_T, Age, GAD_T) son las más relevantes en
la figura 8.
En esta etapa es importante crear gráficos y
tablas que ayuden a comunicar los hallazgos de
manera clara. Por ejemplo, los gráficos de barras
que muestran la importancia de las características
como en la figura 7.
En este grafico podemos decir que la variable
‘Horas de Juego’ tiene la mayor importancia, lo
que sugiere que la cantidad de tiempo dedicado
a jugar videojuegos es un predictor crucial para
la ansiedad. Esto podría indicar que un mayor
tiempo de juego está asociado con niveles más
altos de ansiedad. También La ‘Satisfacción con la
Vida’ muestra una importancia considerable. Esto
sugiere que una menor satisfacción con la vida
puede estar relacionada con mayores niveles de
ansiedad. Por último, la edad y las puntuaciones
en el GAD también contribuyen a la predicción de
la ansiedad, aunque con menor peso comparativo
en relación con las horas de juego y la satisfacción
con la vida.
B. Interpretación y Evaluación
En esta etapa final del proceso de minería de datos,
se interpretan los resultados obtenidos del modelo
Random Forest y se evalúa su desempeño. La
evaluación se realiza utilizando métricas como la
matriz de confusión y el análisis de la importancia
de las características.
La Matriz de Confusión nos mostrara como
se distribuyen las predicciones del modelo en
comparación con las etiquetas reales de la figura
9. Una matriz de confusión es una herramienta
utilizada en clasificación para evaluar el
rendimiento de un modelo. Muestra el conteo de
las predicciones correctas e incorrectas del modelo
en comparación con las etiquetas verdaderas.
Es particularmente útil para entender cómo se
comporta el modelo en relación con cada clase y
para identificar patrones de errores.
C. No Ansioso
Verdadero Negativo (TN): El valor real es negativo
y la prueba predijo también que el resultado
era negativo. 2684 casos fueron correctamente
predichos como “No Ansioso”.
Falso Positivo (FP): El valor real es negativo, y la
prueba predijo que el resultado es positivo. No hay
predicciones incorrectas en esta categoría.
D. Ansioso
Falso Negativo (FN): El valor real es positivo, y la
prueba predijo que el resultado es negativo. Hay
un caso que fue clasificado incorrectamente como
20REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
IV. Conclusiones
[1] Kaplan H. I, Sadock B. J. Sinopsis de psiquiatria.
8a ed. Ed. Lippincott Williams & Wilkins-
Panamericana. 1998. Pág.324 y 683.
[2] Kolb L. C., Psiquiatría clínica moderna, 6a ed.
PRENSA MÉDICA MEXICANA S.A. DE C.V.
MEXICO 1992. 562 páginas.
[3] Jenike M. A., et al. Trastornos obsesivo-
compulsivos. Manejo práctico. 3a ed. 2001.
Ed.Harcourt. 127 páginas.
[4] Patiño Rojas J. L. Psiquiatría Clínica. 2a edición.
Salvat. México, 1990. 413 páginas.
[5] Kandel E. R., Schwartz J. H. & Jessell T. M.
Principios de Neurociencias, 4a Edición.
McGraw-Hill Interamericana, 2001, 1395
páginas.
[6] Coolhuntermx, R. (2021, 24 agosto). 4 apps para
la salud mental y emocional. Coolhuntermx.
https://coolhuntermx.com/apps-de-inteligencia-
V Referencias
“No Ansioso” cuando realmente es “Ansioso”.
Verdadero Positivo (TP): El valor real es positivo
y la prueba predijo también que era positivo.
Ocho casos fueron correctamente predichos como
“Ansioso”.
E. Importancia de las Características
El análisis de la importancia de las características
nos proporciona información crucial sobre cuáles
de las variables del conjunto de datos tienen un
mayor impacto en la predicción de la ansiedad de
los estudiantes.
Las horas de juego resultaron ser la característica
más importante según el modelo Random Forest.
Este resultado sugiere una fuerte relación entre el
tiempo dedicado a los videojuegos y los niveles de
ansiedad de los estudiantes.
Un número elevado de horas dedicadas a los
videojuegos podría estar asociado con un mayor
aislamiento social y menos tiempo dedicado a
actividades físicas o sociales que promuevan una
mejor salud mental. El modelo sugiere que, a
medida que aumentan las horas de juego, también
lo hace la probabilidad de tener altos niveles de
ansiedad social, medidos a través del SPIN_T.
Este hallazgo sugiere que las intervenciones
dirigidas a reducir las horas de juego excesivo
podrían ser efectivas para disminuir los niveles
de ansiedad en los estudiantes. Por ejemplo,
programas de concienciación sobre el tiempo
de pantalla y la promoción de hábitos de vida
saludables que equilibren el tiempo de juego con
otras actividades podrían ser beneficiosos.
La satisfacción con la vida (medida a través de
SWL_T) es otra característica clave que el modelo
considera significativa para predecir la ansiedad.
Los estudiantes con bajos niveles de satisfacción
con su vida suelen mostrar niveles más altos de
ansiedad social. Esto sugiere que la percepción
de bienestar personal, felicidad y cumplimiento
juega un papel importante en la salud mental de
los estudiantes. Un bajo nivel de satisfacción con
la vida puede estar relacionado con factores como
el estrés académico, problemas familiares, falta
de objetivos claros, o malas relaciones sociales,
todos ellos son factores de riesgo para desarrollar
ansiedad.
Mejorar la satisfacción con la vida de
los estudiantes a través de programas de
bienestar, apoyo emocional, asesoramiento, y
actividades extracurriculares que promuevan
un sentido de logro y pertenencia podría reducir
significativamente los niveles de ansiedad.
La puntuación total de General Anxiety Disorder
(GAD_T), que mide la ansiedad general, es también
una característica importante en el modelo.
La puntuación de GAD_T indica que los estudiantes
que ya experimentan ansiedad generalizada son
más propensos a presentar también ansiedad
social. La ansiedad general puede manifestarse
en múltiples contextos y, al superponerse con la
ansiedad social, puede amplificar sus efectos.
Por lo tanto, aquellos con puntuaciones altas
en GAD_T podrían tener niveles más altos de
SPIN_T, que mide la ansiedad social.
IV. Conclusiones
[1] Kaplan H. I, Sadock B. J. Sinopsis de psiquiatria.
8a ed. Ed. Lippincott Williams & Wilkins-
Panamericana. 1998. Pág.324 y 683.
[2] Kolb L. C., Psiquiatría clínica moderna, 6a ed.
PRENSA MÉDICA MEXICANA S.A. DE C.V.
MEXICO 1992. 562 páginas.
[3] Jenike M. A., et al. Trastornos obsesivo-
compulsivos. Manejo práctico. 3a ed. 2001.
Ed.Harcourt. 127 páginas.
[4] Patiño Rojas J. L. Psiquiatría Clínica. 2a edición.
Salvat. México, 1990. 413 páginas.
[5] Kandel E. R., Schwartz J. H. & Jessell T. M.
Principios de Neurociencias, 4a Edición.
McGraw-Hill Interamericana, 2001, 1395
páginas.
[6] Coolhuntermx, R. (2021, 24 agosto). 4 apps para
la salud mental y emocional. Coolhuntermx.
https://coolhuntermx.com/apps-de-inteligencia-
V Referencias
“No Ansioso” cuando realmente es “Ansioso”.
Verdadero Positivo (TP): El valor real es positivo
y la prueba predijo también que era positivo.
Ocho casos fueron correctamente predichos como
“Ansioso”.
E. Importancia de las Características
El análisis de la importancia de las características
nos proporciona información crucial sobre cuáles
de las variables del conjunto de datos tienen un
mayor impacto en la predicción de la ansiedad de
los estudiantes.
Las horas de juego resultaron ser la característica
más importante según el modelo Random Forest.
Este resultado sugiere una fuerte relación entre el
tiempo dedicado a los videojuegos y los niveles de
ansiedad de los estudiantes.
Un número elevado de horas dedicadas a los
videojuegos podría estar asociado con un mayor
aislamiento social y menos tiempo dedicado a
actividades físicas o sociales que promuevan una
mejor salud mental. El modelo sugiere que, a
medida que aumentan las horas de juego, también
lo hace la probabilidad de tener altos niveles de
ansiedad social, medidos a través del SPIN_T.
Este hallazgo sugiere que las intervenciones
dirigidas a reducir las horas de juego excesivo
podrían ser efectivas para disminuir los niveles
de ansiedad en los estudiantes. Por ejemplo,
programas de concienciación sobre el tiempo
de pantalla y la promoción de hábitos de vida
saludables que equilibren el tiempo de juego con
otras actividades podrían ser beneficiosos.
La satisfacción con la vida (medida a través de
SWL_T) es otra característica clave que el modelo
considera significativa para predecir la ansiedad.
Los estudiantes con bajos niveles de satisfacción
con su vida suelen mostrar niveles más altos de
ansiedad social. Esto sugiere que la percepción
de bienestar personal, felicidad y cumplimiento
juega un papel importante en la salud mental de
los estudiantes. Un bajo nivel de satisfacción con
la vida puede estar relacionado con factores como
el estrés académico, problemas familiares, falta
de objetivos claros, o malas relaciones sociales,
todos ellos son factores de riesgo para desarrollar
ansiedad.
Mejorar la satisfacción con la vida de
los estudiantes a través de programas de
bienestar, apoyo emocional, asesoramiento, y
actividades extracurriculares que promuevan
un sentido de logro y pertenencia podría reducir
significativamente los niveles de ansiedad.
La puntuación total de General Anxiety Disorder
(GAD_T), que mide la ansiedad general, es también
una característica importante en el modelo.
La puntuación de GAD_T indica que los estudiantes
que ya experimentan ansiedad generalizada son
más propensos a presentar también ansiedad
social. La ansiedad general puede manifestarse
en múltiples contextos y, al superponerse con la
ansiedad social, puede amplificar sus efectos.
Por lo tanto, aquellos con puntuaciones altas
en GAD_T podrían tener niveles más altos de
SPIN_T, que mide la ansiedad social.
21REVISTA PERSPECTIVASVOL. 7, N˚2 / JULIO - DICIEMBRE 2025 / e-ISSN: 266-6688
artificial-para-la-salud-mental-y-emocional/
[7] Doonamis. (2024, 5 febrero). El poder de las
Apps para mejorar la salud mental - Doonamis.
Doonamis. https://www.doonamis.com/poder-
apps-mejorar-salud-mental/
[8] J. Díaz-Verdejo, "Ejemplo de bibliografía",
En Actas de las XI Jornadas de Ingeniería
Telemática, vol. 1, n. 1, pp. 1-5, 2013.
artificial-para-la-salud-mental-y-emocional/
[7] Doonamis. (2024, 5 febrero). El poder de las
Apps para mejorar la salud mental - Doonamis.
Doonamis. https://www.doonamis.com/poder-
apps-mejorar-salud-mental/
[8] J. Díaz-Verdejo, "Ejemplo de bibliografía",
En Actas de las XI Jornadas de Ingeniería
Telemática, vol. 1, n. 1, pp. 1-5, 2013.