Técnicas de Machine Learning para predecir la ansiedad y estrés en los trabajadores del MINSA, 2024

• Autor: Napan Tineo, Marcelo Augusto
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/162875
• Enlace del recurso: https://hdl.handle.net/20.500.12692/162875
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Ansiedad; Estrés; Trabajadores; Python; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación tuvo como objetivo aplicar técnicas de Machine Learning para predecir los síntomas de trastornos de ansiedad y estrés en los trabajadores del MINSA, 2024, siendo de tipo aplicada, pre-experimental, descriptivo y transversal; la población estuvo conformada por 235 trabajadores del MINSA. La técnica de recolección de datos fue la encuesta y observacion, a la vez del instrumento de cuestionario. Los resultados muestran que en “ansiedad”, Regresión logística obtuvo los mejores valores de Accuracy con 100.00%, Sensibilidad con 100.00%, Especificidad con 100.00%, F1-Score con 100.00% y Precisión con 100.00%. Igualmente, en “Estrés”, Regresión logística obtuvo los mejores valores de Accuracy con 95.74%, Sensibilidad con 87.50%, Especificidad con 98.91%, F1-Score con 79.16% y Precisión con 83.33%. Concluyendo que Regresión logística fue el mejor algoritmo para predecir los síntomas de trastornos de ansiedad y estrés en los trabajadores del MINSA.