Acceso usuarios
Perú
Perú
El presente estudio tiene como objetivo desarrollar un sistema basado en Inteligencia Artificial que sera capaz de evaluar de manera precisa el nivel de estrés en estudiantes, analizando sus rasgos de conducta y los síntomas manifestados. Para la implementación de este sistema, se utilizó WEKA, una herramienta de minería de datos y aprendizaje automático que facilita la aplicación de diversos algoritmos. La investigación se llevó a cabo con una muestra de 497 estudiantes de ingeniería de la Universidad Nacional de San Cristóbal de Huamanga, lo que proporciona un conjunto de datos representativo y robusto. La metodología incluyó la realización de entrevistas estructuradas, utilizando el cuestionario de datos personales y la escala de estrés académico SISCO SV-21, una herramienta validada para medir el estrés en contextos educativos. Con los datos recopilados, se emplearon diferentes algoritmos de clasificación disponibles en WEKA para analizar y predecir los niveles de estrés en los estudiantes. Los resultados demostraron que, mediante la aplicación de estos algoritmos, se logró una precisión de clasificación superior al 95%, lo que resalta la eficacia del enfoque. Estos hallazgos sugieren que es viable entrenar algoritmos de Inteligencia Artificial para que, a partir del análisis de síntomas específicos y variables demográficas, puedan identificar con éxito si un estudiante experimenta un nivel de estrés leve, moderado o alto. Este estudio destaca el potencial de WEKA y la Inteligencia Artificial como herramientas valiosas en la evaluación del bienestar estudiantil, ofreciendo nuevas perspectivas para la intervención y el apoyo en entornos académicos.
The present study aims to develop an Artificial Intelligence-based system that will be able to accurately assess the level of stress in students by analyzing their behavioral traits and the symptoms manifested. For the implementation of this system, WEKA was used, a data mining and machine learning tool that facilitates the application of various algorithms. The research was carried out with a sample of 497 engineering students from the National University of San Cristóbal de Huamanga, which provides a representative and robust data set. The methodology included conducting structured interviews, using the Personal Data questionnaire and the SISCO SV-21 academic stress scale, a validated tool for measuring stress in educational contexts. With the data collected, different classification algorithms available in WEKA were used to analyze and predict stress levels in students. The results showed that, by applying these algorithms, a classification accuracy of over 95% was achieved, highlighting the effectiveness of the approach. These findings suggest that it is feasible to train AI algorithms to successfully identify whether a student is experiencing mild, moderate, or high stress by analyzing specific symptoms and demographic variables. This study highlights the potential of WEKA and AI as valuable tools in assessing student well-being, offering new insights for intervention and support in academic settings.
