Acceso usuarios
Yuri Marcela Garcia Saavedra
, Jesús Walter Salinas Flores, María del Pilar García Saavedra
Objetivo: Identificar los factores determinantes relacionados con la ansiedad, el estrés y la depresión en 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.
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.
Conclusions: The findings underscore the importance of early detection, the application of machine learning tools, and the need for preventive and personalized approaches to address anxiety, stress, and depression in adolescents.
