Análisis predictivo de la salud mental en estudiantes y colaboradores de una universidad privada colombiana mediante técnicas de ciencia de datos
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Share
Abstract
La salud mental presenta un desafío a nivel mundial con repercusiones negativas en contextos sociales, institucionales, familiares, laborales, educativos, entre otros, este proyecto tuvo como objetivo principal comprender la salud mental de estudiantes y colaboradores de una universidad privada de Colombia, a través de la implementación de técnicas de modelamiento predictivo en Ciencia de Datos, para ello se empleó técnicas avanzadas de análisis de datos, aprendizaje automático y visualización interactiva. En una primera etapa, se realizó una exhaustiva exploración descriptiva de la base de datos, seguidamente, se aplicaron técnicas de reducción de dimensionalidad (PCA, t-SNE, UMAP) y métodos de agrupamiento (KMeans, clustering aglomerativo, GMM) para identificar patrones y posibles subgrupos latentes, aunque las métricas cuantitativas no evidenciaron clústers naturales bien definidos. En la segunda fase, se implementaron modelos de aprendizaje supervisado, incluyendo Regresión Lasso, Random Forest, XGBoost y LightGBM, para predecir variables clave como depresión, ansiedad, estrés, soledad, resiliencia, satisfacción con la vida y recursos psicosociales. Se emplearon técnicas de sobremuestreo (SMOTE) y validación cruzada para asegurar la robustez de los modelos y se analizaron las variables predictoras más relevantes asociadas a cada indicador. Finalmente, se desarrolló una herramienta de visualización interactiva desarrollada en PowerBi, que integra los resultados descriptivos, de clustering y de predicción, permitiendo a usuarios técnicos y no técnicos explorar dinámicamente la estructura y los determinantes del bienestar (Indicadores Positivos) y malestar psicológico (Indicadores Negativos) en la población de Colaboradores, estudiantes de Posgrado y estudiantes de Pregrado. Los hallazgos obtenidos aportan una visión integral y basada en evidencia sobre los factores asociados a la salud mental en cuanto bienestar y malestar en contextos universitarios, y constituyen una base sólida para el diseño de intervenciones focalizadas y futuras investigaciones en salud mental y determinantes sociales.
item.page.abstract.eng
Mental health presents a global challenge with negative repercussions in social, institutional, family, work, and educational contexts, among others. This project aimed to understand the mental health of students and staff at a private university in Colombia through the implementation of predictive modeling techniques in data science. Advanced data analysis, machine learning, and interactive visualization techniques were employed. In the first phase, a thorough descriptive exploration of the database was conducted. Then, dimensionality reduction techniques (PCA, t-SNE, UMAP) and clustering methods (KMeans, agglomerative clustering, GMM) were applied to identify patterns and potential latent subgroups, although quantitative metrics did not reveal well-defined natural clusters. In the second phase, supervised learning models were implemented, including Lasso Regression, Random Forest, XGBoost, and LightGBM, to predict key variables such as depression, anxiety, stress, loneliness, resilience, life satisfaction, and psychosocial resources. Oversampling techniques (SMOTE) and cross-validation were used to ensure model robustness, and the most relevant predictive variables associated with each indicator were analyzed. Finally, an interactive visualization tool was developed in Power BI, integrating descriptive, clustering, and predictive results. This tool allows both technical and non-technical users to dynamically explore the structure and determinants of well-being (positive indicators) and psychological distress (negative indicators) among staff, graduate students, and undergraduate students. The findings provide a comprehensive, evidence-based view of the factors associated with mental health in terms of well-being and distress within university contexts, and offer a solid foundation for designing targeted interventions and future research on mental health and social determinants.