Árboles de decisión para la predicción temprana de estrés académico en estudiantes de la Facultad de Ciencias, 2023

• Autores: Lopez Quiroz, Luis Antony, Soto Salazar, Jackeline Gianella
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional José Faustino Sánchez Carrión
• Repositorio: UNJFSC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unjfsc.edu.pe:20.500.14067/9439
• Enlace del recurso: http://hdl.handle.net/20.500.14067/9439
• Nivel de acceso: acceso abierto
• Materia: Modelo predictivo; Árboles de decisión; Estrés académico; Algoritmo supervisado; Precisión; Predicción; https://purl.org/pe-repo/ocde/ford#1.01.03

La presente investigación tiene como objetivo desarrollar un modelo predictivo basado en arboles de decisión para identificar a estudiantes con riesgo a sufrir estrés académico en la facultad de ciencia de la UNJFSC en el semestre académico 2023-II. El diseño de la investigación fue no experimental, de enfoque cuantitativo, el nivel de la investigación es explicativa y de tipo aplicada. Se empleó dos instrumentos para la recopilación de datos, uno para medir los niveles de estrés percibido Perceived Stress Scale (PSS) que cuenta con 14 preguntas y validado y el segundo para recolectar información sobre los distintos factores establecidos cuenta con 23 preguntas en la investigación. Se encuestó a 298 por la muestra. Se implementó un algoritmo supervisado, empleando hiperparámetros, estos incluyen xval (5), minsplit (7), minbucket (5), maxdepth (4) y cp (0.01). El modelo alcanzó una precisión de 82,93% con un nivel de concordancia de 74,51% en la predicción del estrés en los estudiantes de la facultad de ciencias. En conclusión, se logró demostrar que si es posible implementar un modelo predictivo basado en arboles de decisión para identificar a estudiantes con riesgo a sufrir estrés académico.