Marco Teórico

 

Antecedentes y Relevancia

Diversos estudios tanto en Perú como a nivel internacional evidencian que la ansiedad afecta significativamente el rendimiento académico, la salud emocional y la permanencia de los estudiantes universitarios. Durante la pandemia del COVID-19, se observó que un elevado porcentaje de estudiantes presentaba ansiedad y estrés académico, correlacionándose estos factores con un menor rendimiento. Además, la aplicación de algoritmos de machine learning (Naïve Bayes, SVM, Random Forest) ha demostrado precisiones notables al predecir niveles de ansiedad, posicionándose estos métodos como herramientas prometedoras para la detección y prevención temprana.

🔹 La Ansiedad en el Contexto Universitario

La ansiedad, definida como un estado emocional de inquietud y miedo excesivo, se intensifica en el ambiente universitario debido a factores como la sobrecarga académica, el perfeccionismo, la competitividad y la incertidumbre sobre el futuro laboral. Estos elementos deterioran la salud física y mental de los estudiantes —provocando fatiga, insomnio y dificultades de concentración— y repercuten tanto en el desempeño académico como en la demanda de servicios de apoyo psicológico.

🔹 Bienestar Estudiantil y Gestión Institucional

El bienestar integral del estudiante abarca dimensiones física, emocional, psicológica, social y académica. Un reto crucial es la fragmentación de datos entre las distintas instancias universitarias, lo que dificulta la implementación de intervenciones integrales y personalizadas. La propuesta consiste en integrar estos datos para transformar el modelo de atención psicológica hacia uno más predictivo y proactivo.

🔹 Ingeniería de Datos en la Educación

La ingeniería de datos juega un papel fundamental al centralizar y procesar información académica, psicológica y demográfica. Los procesos esenciales incluyen:

• Ingesta de datos: extracción desde bases académicas, encuestas y registros clínicos.
• Limpieza y normalización: tratamiento de datos inconsistentes, incompletos o duplicados.
• Transformación: conversión a formatos adecuados para análisis.
• Almacenamiento: uso de data lakes o bases relacionales para consultas eficientes.
• Acceso: dashboards que permiten visualizar e interpretar la información consolidada.

🔹 Análisis Temporal y Arquitecturas de Interoperabilidad

El estudio de series temporales de los niveles de ansiedad permite identificar ciclos y picos (por ejemplo, durante periodos de exámenes), lo cual resulta crucial para programar intervenciones preventivas y optimizar recursos. Para que los modelos predictivos sean efectivos, es esencial contar con sistemas interoperables, lo que se logra mediante:

• APIs que integren los distintos sistemas.
• Protocolos de autenticación y seguridad de datos.
• Plataformas cloud que aseguren escalabilidad.

Modelización o sistema diseñado