Revista Athenea

Modelado y simulación de sistemas inteligentes para la detección temprana del estrés académico en estudiantes universitarios mediante aprendizaje automático

Resumen El presente estudio desarrolla un sistema inteligente basado en aprendizaje automático para la detección temprana del estrés académico en estudiantes universitarios, centrado en las áreas de Ingeniería y Ciencias Sociales. A partir de un enfoque cuantitativo y de simulación, se construyó un dataset estructurado que integra variables académicas, conductuales y psicosociales. Se implementaron modelos predictivos, incluyendo Random Forest, Support Vector Machines y XGBoost, evaluando su desempeño mediante métricas de clasificación multiclase y binaria. Los resultados evidencian que los modelos de ensamble alcanzan los mayores niveles de precisión, superando el 90% en la detección de niveles de estrés. Asimismo, se identificaron variables clave como el cansancio, la concentración, las tareas pendientes y las horas de sueño. La simulación de escenarios demostró que las intervenciones combinadas generan reducciones significativas en la probabilidad de estrés alto. El estudio aporta un enfoque predictivo-explicativo que contribuye a la toma de decisiones en entornos educativos orientados al bienestar estudiantil.

Abstract This study develops an intelligent system based on machine learning for the early detection of academic stress in university students, focusing on Engineering and Social Sciences. Using a quantitative and simulation-based approach, a structured dataset was built integrating academic, behavioral, and psychosocial variables. Predictive models, including Random Forest, Support Vector Machines, and XGBoost, were implemented and evaluated using multiclass and binary classification metrics. Results show that ensemble models achieve the highest performance, exceeding 90% accuracy in stress level detection. Key variables identified include fatigue, concentration, pending tasks, and sleep hours. Scenario simulation demonstrated that combined interventions significantly reduce the probability of high stress. The study provides a predictive-explanatory framework that supports decision-making in educational environments aimed at student well-being.

Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de administración

Resumen La investigación desarrolló un modelo computacional predictivo para identificar y reducir la sobrecarga cognitiva en estudiantes universitarios de administración en entornos digitales. Se aplicó un enfoque cuantitativo utilizando variables académicas, cognitivas y tecnológicas relacionadas con fatiga digital, estrés académico y uso de plataformas virtuales. Se implementaron algoritmos de aprendizaje automático como regresión logística, SVM y Random Forest, complementados con simulación computacional. Los resultados mostraron que Random Forest obtuvo el mejor desempeño predictivo y permitió detectar escenarios críticos de saturación cognitiva. Se concluye que los modelos computacionales pueden contribuir al diseño de sistemas educativos inteligentes orientados al bienestar académico.

Abstract This study developed a predictive computational model to identify and reduce cognitive overload among university administration students in digital learning environments. A quantitative approach was applied using academic, cognitive, and technological variables related to digital fatigue, academic stress, and virtual platform usage. Machine learning algorithms, including logistic regression, SVM, and Random Forest, were implemented and complemented with computational simulation. Results showed that Random Forest achieved the best predictive performance and successfully identified critical cognitive saturation scenarios. The findings suggest that computational models can support the development of intelligent educational systems focused on improving academic well-being.

Diseño de una plataforma basada en inteligencia artificial para la gestión adaptativa de la ansiedad en entornos universitarios digitales

Resumen La transformación digital de la educación superior ha incrementado la necesidad de desarrollar estrategias tecnológicas y diseños de ingeniería orientadas al bienestar emocional estudiantil en entornos virtuales. El objetivo de este trabajo fue hacer un diseño de ingeniería para el apoyo en el control de la ansiedad en entornos universitarios digitales. El estudio presentó un enfoque cuantitativo con diseño cuasi experimental y participación de 240 estudiantes universitarios distribuidos en grupo experimental y grupo de control. La plataforma integró monitoreo emocional, análisis predictivo y mecanismos de intervención adaptativa mediante algoritmos de aprendizaje automático. Los resultados evidenciaron una reducción significativa de ansiedad, estrés y carga cognitiva en el grupo experimental, así como altos niveles de precisión predictiva en los modelos implementados. Se concluye que la inteligencia artificial adaptativa representa una alternativa viable para fortalecer ecosistemas educativos digitalmente más humanos y preventivos.

Abstract The digital transformation of higher education has increased the need to develop technological strategies and engineering designs aimed at student emotional well-being in virtual environments. The objective of this work was to make an engineering design for the support in the control of anxiety in digital university environments. The study presented a quantitative approach with a quasi-experimental design and the participation of 240 university students distributed in an experimental group and a control group. The platform integrated emotional monitoring, predictive analytics, and adaptive intervention mechanisms using machine learning algorithms. The results showed a significant reduction in anxiety, stress and cognitive load in the experimental group, as well as high levels of predictive accuracy in the models implemented. It is concluded that adaptive artificial intelligence represents a viable alternative to strengthen more humane and preventive digital educational ecosystems.

Modelo de inteligencia artificial para la mitigación del estrés académico en estudiantes de administración

Resumen El estrés académico constituye uno de los principales problemas emocionales en estudiantes universitarios debido a la creciente presión académica y digital presente en la educación superior contemporánea. La presente investigación tuvo como objetivo desarrollar un modelo de inteligencia artificial para la mitigación del estrés académico en estudiantes de administración mediante técnicas de aprendizaje automático y simulación predictiva. El estudio presentó un enfoque cuantitativo, diseño no experimental y alcance explicativo-predictivo, considerando una muestra de 384 estudiantes universitarios. Se emplearon algoritmos como Random Forest, XGBoost, SVM y redes neuronales multicapa para identificar patrones emocionales y académicos asociados al estrés. Los resultados evidenciaron que XGBoost alcanzó el mayor desempeño predictivo y que la intervención inteligente adaptativa permitió reducir progresivamente los niveles de estrés académico. Se concluyó que la inteligencia artificial posee elevado potencial para fortalecer estrategias preventivas y sistemas de apoyo emocional en educación superior.

Abstract Academic stress has become one of the main emotional challenges affecting university students due to increasing academic and digital demands in higher education environments. This study aimed to develop an artificial intelligence model for the mitigation of academic stress in business administration students through machine learning techniques and predictive simulation. The research adopted a quantitative approach with a non-experimental and explanatory-predictive design, involving a sample of 384 university students. Algorithms such as Random Forest, XGBoost, Support Vector Machine, and multilayer perceptron networks were employed to identify emotional and academic patterns associated with stress. The findings revealed that XGBoost achieved the highest predictive performance and that the adaptive intelligent intervention progressively reduced academic stress levels. The study concluded that artificial intelligence has significant potential to strengthen preventive strategies and emotional support systems in higher education.

Protocolos de laboratorio generados por inteligencia artificial para la enseñanza de la química: seguridad, valor didáctico y química verde

Resumen En esta investigación se analizaron protocolos de laboratorio generados por inteligencia artificial para la enseñanza de la química, con el propósito de comparar su seguridad, valor didáctico y correspondencia con criterios de química verde. Se desarrolló un estudio de enfoque mixto, carácter exploratorio y alcance comparativo, basado en la generación de un corpus documental sobre temas introductorios de química mediante distintos sistemas de inteligencia artificial y diferentes prompts, posteriormente evaluados con una rúbrica analítica y una revisión complementaria de métricas formales de seguridad y química verde. Los hallazgos mostraron que el desempeño de los modelos dependió tanto del sistema utilizado como del tipo de prompt, aunque el efecto de la instrucción tuvo mayor influencia en la calidad final de los textos. En conjunto, los protocolos presentaron mejor desempeño en valor didáctico que en seguridad y química verde, por lo que su uso requiere validación experta previa en contextos formativos.

Abstract This study analyzed laboratory protocols generated by artificial intelligence for chemistry teaching in order to compare their safety, didactic value, and alignment with green chemistry criteria. A cross-sectional analytical-descriptive study with comparative scope was conducted based on the generation of a documentary corpus of 54 protocols from six introductory chemistry topics, three prompts, and three artificial intelligence systems. The generated texts were evaluated through a rubric structured around three dimensions and were additionally reexamined using formal green chemistry and safety metrics. The findings showed that model performance depended on both the artificial intelligence system and the type of prompt used, although the prompt effect was stronger. Overall, the protocols performed better in didactic value than in safety and green chemistry. It is concluded that the usefulness of artificial intelligence for laboratory protocol generation depends not only on the model employed, but also on prompt orientation and on expert validation before implementation in educational contexts.

Modelado dinámico no lineal y simulación Monte Carlo de la propagación de fallas en redes energéticas antifrágiles bajo perturbaciones estocásticas

Resumen Las redes energéticas modernas constituyen sistemas dinámicos complejos caracterizados por incertidumbre operativa y comportamientos no lineales. El objetivo de esta investigación fue desarrollar un marco físico-computacional para analizar la estabilidad y capacidad de adaptación de redes energéticas sometidas a perturbaciones estocásticas. Se empleó un modelo dinámico no lineal basado en ecuaciones diferenciales ordinarias, integrando simulación Monte Carlo, muestreo Latin Hypercube, un Índice de Antifragilidad Energética (EAI), análisis de sensibilidad mediante índices de Sobol y análisis de bifurcaciones. Los resultados evidenciaron comportamientos frágiles, resilientes y antifrágiles, con predominio de escenarios resilientes. La intensidad de acoplamiento y la magnitud de las perturbaciones fueron los parámetros de mayor influencia sobre el sistema. Asimismo, se identificó un umbral crítico asociado con la aparición de múltiples estados de equilibrio y transiciones dinámicas. Se concluye que la integración de dinámica no lineal y simulación probabilística permite comprender el comportamiento de sistemas energéticos complejos bajo incertidumbre.

Abstract Modern energy networks are complex dynamical systems characterized by operational uncertainty and nonlinear behavior. This study developed a physics-based computational framework to analyze the stability and adaptive capacity of energy networks subjected to stochastic perturbations. A nonlinear dynamical model based on ordinary differential equations was implemented, integrating Monte Carlo simulation, Latin Hypercube Sampling, an Energy Antifragility Index (EAI), Sobol sensitivity analysis, and bifurcation analysis. The results revealed fragile, resilient, and antifragile behaviors, with resilient scenarios being predominant. Coupling intensity and perturbation magnitude were identified as the most influential parameters. Furthermore, a critical threshold associated with multiple equilibrium states and dynamical transitions was identified. It is concluded that integrating nonlinear dynamics and probabilistic simulation provides a useful approach for understanding complex energy systems under uncertainty.

Modelado predictivo basado en inteligencia artificial y sensores inteligentes para la prevención dinámica de accidentes laborales en entornos industriales de alto riesgo

Resumen La prevención de accidentes laborales en entornos industriales de alto riesgo requiere soluciones capaces de anticipar condiciones inseguras en tiempo real. El objetivo de esta investigación fue desarrollar un modelo predictivo basado en inteligencia artificial y sensores inteligentes para la prevención dinámica de accidentes laborales. La metodología integró tecnologías del Internet de las Cosas Industrial (IIoT), algoritmos de aprendizaje automático, simulación Monte Carlo e inteligencia artificial explicable para analizar variables ambientales, operacionales y humanas. Los resultados mostraron que el modelo XGBoost alcanzó una exactitud del 94 % y un AUC de 0,97, mientras que el análisis SHAP identificó la fatiga operacional, las vibraciones anormales y la temperatura ambiental como los principales factores asociados al riesgo. Se concluye que la integración de sensores inteligentes, inteligencia artificial y simulación avanzada fortalece la seguridad industrial mediante sistemas predictivos orientados a la detección temprana de riesgos y la toma de decisiones preventivas.

Abstract The prevention of occupational accidents in high-risk industrial environments requires solutions capable of anticipating unsafe conditions in real time. This study aimed to develop a predictive model based on artificial intelligence and smart sensors for the dynamic prevention of workplace accidents. The methodology integrated Industrial Internet of Things (IIoT) technologies, machine learning algorithms, Monte Carlo simulation, and explainable artificial intelligence to analyze environmental, operational, and human variables. Results showed that the XGBoost model achieved 94% accuracy and an AUC of 0.97, while SHAP analysis identified operational fatigue, abnormal vibrations, and environmental temperature as the main risk-related factors. It is concluded that the integration of smart sensors, artificial intelligence, and advanced simulation enhances industrial safety through predictive systems focused on early risk detection and preventive decision-making.

Plataforma multirrobot para la enseñanza remota de robótica en entornos virtuales

Resumen Este trabajo evalúa el desempeño técnico y el impacto pedagógico de una plataforma multirrobot remota basada en una arquitectura centralizada para la enseñanza de IoT y Visión Artificial. La viabilidad técnica de la plataforma se validó mediante un análisis de calidad de servicio (QoS) en diferentes entornos de conectividad residencial, evidenciando un funcionamiento estable con niveles adecuados de latencia, Jitter y pérdida de paquetes. Se implementó un diseño cuasi-experimental con 56 estudiantes distribuidos en dos grupos: ESPE que utilizó la plataforma multirrobot, e ISUCT, que empleó simuladores basados en software. Los resultados mostraron diferencias significativas a favor de la ESPE en el rendimiento académico global, así como mayores niveles de satisfacción estudiantil. Adicionalmente, IoT presentó mejores resultados que Visión Artificial en ambas instituciones debido a su menor complejidad cognitiva. Los hallazgos respaldan el uso de laboratorios remotos basados en sistemas ciber-físicos como una alternativa efectiva para fortalecer la formación práctica.

Abstract This study evaluates the technical performance and pedagogical impact of a remote multi-robot platform based on an centralized architecture for teaching IoT and Computer Vision. The technical feasibility of the platform was validated through a Quality of Service (QoS) analysis under different residential connectivity environments, demonstrating stable operation with adequate latency, Jitter, and packet loss levels. A quasi-experimental design was conducted with 56 students distributed into two groups: ESPE, which used the multi-robot platform, and ISUCT, which employed software-based simulators. The results revealed significant differences in favor of the ESPE group regarding overall academic performance, as well as higher levels of student satisfaction. Additionally, IoT achieved better results than Computer Vision in both institutions due to its lower cognitive complexity. The findings support the use of cyber-physical remote laboratories as an effective alternative for strengthening practical education.