Aplicación con Deep Learning para identificar casos de depresión y recomendación en los alumnos de secundaria del Colegio María Goretti

• Autores: Cotos Cortez, Luis Angel, Fernández Roncagliolo, Piero David
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad de San Martín de Porres
• Repositorio: USMP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.usmp.edu.pe:20.500.12727/11184
• Enlace del recurso: https://hdl.handle.net/20.500.12727/11184
• Nivel de acceso: acceso abierto
• Materia: Deep learning; Depresión; Estudiantes de secundaria; https://purl.org/pe-repo/ocde/ford#1.02.01

En el colegio María Goretti, ubicado en el distrito de Comas, debido al contexto de la emergencia sanitaria, en el Perú, iniciada en el 2020 por el COVID-19, al cambiar la modalidad de enseñanza de presencial a virtual y con el aislamiento obligatorio, provocó una variación negativa en el rendimiento académico y conductual de los alumnos, siendo el nivel secundario el más afectado, ocasionando incremento de casos de depresión en fases avanzadas, evidenciándose en el atentado contra su integridad física. El presente trabajo de investigación trató sobre la identificación de posibles casos de depresión mediante la aplicación y desarrollo de una evaluación psicológica compuesta por el test de Hamilton y la integración del reconocimiento de expresiones faciales aplicando Deep Learning y las Redes Neuronales Convolucionales (CNN). Se desarrolló bajo la metodología ágil de Scrum, la que se adaptó al trabajo de investigación, manteniendo constantes reuniones con los Stakeholders y constó de iteraciones. Además, se trabajó con CRISP-DM para el análisis de datos. Como dataset se utilizó FER2013, siendo una base de datos libre en Kaggle, donde se entrenó en 100 épocas con un tiempo de 17 horas y 38 minutos, con la finalidad de identificar expresiones relacionadas con la depresión con una precisión de 83%. Finalmente, el desarrollo de la aplicación web permitió al colegio María Goretti accionar, oportunamente, ante cualquier variación considerable en el rendimiento académico y conductual.