ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
Artículo de investigación https://doi.org/10.47460/athenea.v7i24.138
Estrategias innovadoras para la motivación y el aprendizaje en
educación secundaria: una revisión sistemática comparativa con
enfoques tradicionales
José Calizaya López*
https://orcid.org/0000-0001-6221-0909
jcalizayal@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa
Arequipa, Perú
Ariosto Carita Choquecahua
https://orcid.org/0000-0001-6878-6925
acarita@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa
Arequipa, Perú
Luis Felipe Ticona Lecaros
https://orcid.org/0009-0001-7148-4706
lticonale@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa
Arequipa, Perú
Gloria Isabel Monzon Alvarez
https://orcid.org/0000-0001-8712-5188
gmonzon@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa
Arequipa, Perú
Rossana Teresa Quicaño Alvarez
https://orcid.org/0009-0004-9303-6754
rquicano@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa
Arequipa, Perú
*Autor de correspondencia:
jcalizayal@unsa.edu.pe
Recibido: (13/02/2026), Aceptado: (26/03/2026)
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 clasiĄcación 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 identiĄcaron 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 signiĄcativas 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.
Palabras clave: estrés académico, aprendizaje automático, detección temprana, simulación.
Modeling and Simulation of Intelligent Systems for the Early Detection of
Academic Stress in University Students Using Machine Learning
Abstract. This study develops an intelligent system based on machine learning for the early detection
of academic stress in university students, focusing on the areas of Engineering and Social Sciences.
Based on a quantitative and simulation-based approach, a structured dataset was built integrating aca-
demic, behavioral, and psychosocial variables. Predictive models were implemented, including Random
Forest, Support Vector Machine s, and XGBoost, and their performance was evaluated using multi-
class and binary classiĄcation metrics. The results show that ensemble models achieved the highest
levels of accuracy, exceeding 90% in the detection of stress levels. Likewise, key variables such as
fatigue, concentration, pending assignments, and hours of sle ep were identiĄed. Scenario simulation
demonstrated that combined interventions generate signiĄcant reductions in the probability of high
stress. The study provides a predictive-explanatory approach that contributes to decision-making in
educational environments oriented toward student well-being.
Keywords: academic stress, machine learning, early detection, simulation.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
8
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
I. INTRODUCCIÓN
El estrés académico se ha consolidado como uno de los principales desafíos en la educación superior
contemporánea, afectando de manera signiĄcativa el rendimiento, la salud mental y la permanencia
estudiantil. Diversos estudios han evidenciado que factores como la sobrecarga académica, la presión
social, las exigencias institucionales y las condiciones personales inciden directamente en el incremento
de los niveles de estrés en estudiantes universitarios, generando consecuencias como ansiedad, bajo
desempeño y abandono académico [
1]. En este contexto, la identiĄcación temprana del estrés se
ha convertido en una necesidad prioritaria para las instituciones educativas, dado que los métodos
tradicionales, basados en encuestas retrospectivas o evaluaciones periódicas, resultan limitados para
capturar la naturaleza dinámica y multifactorial del fenómeno [
2].
En los últimos años, el avance del aprendizaje automático ha abierto nuevas posibilidades para el
análisis predictivo del comportamiento humano en entornos educativos. Investigaciones recientes han
demostrado que mo delos como Random Forest, Support Vector Machines y redes neuronales permiten
identiĄcar patrones complejos en grandes volúmenes de datos, alcanzando altos niveles de precisión en
la predicción de variables académicas y psicosociales [
3], [4]. En el caso especíĄco del estrés académico,
estos enfoques han permitido integrar múltiples dimensiones, académicas, psicológicas y sociales, para
construir mo de los predictivos robustos capaces de anticipar estados de riesgo en los estudiantes [5].
Asimismo, revisiones sistemáticas recientes han conĄrmado la creciente eĄcacia de los métodos de
machine learning en la detección del estrés en educación sup erior, destacando su capacidad para mejorar
la toma de decisiones institucionales basadas en datos [
6].
Adicionalmente, la incorporación de enfoques multimodales ha potenciado la capacidad de estos
sistemas inteligentes, al combinar datos provenientes de sensores Ąsiológicos, comportamiento digital y
variables contextuales. Este tipo de mo delado permite detectar el estrés incluso antes de que el individuo
sea plenamente consciente de su estado, facilitando intervenciones oportunas y personalizadas [
7]. De
manera complementaria, investigaciones recientes han incorporado técnicas de inteligencia artiĄcial
explicable, permitiendo no solo predecir el estrés, sino también interpretar las variables más inĆuyente s
en su desarrollo, lo que resulta fundamental para su aplicación en entornos educativos reales [
8]. No
obstante, a pesar de estos avances, persisten desafíos relacionados con la generalización de los modelos,
la calidad de los datos y su integración efectiva en contextos institucionales diversos [
9].
En este escenario, surge la necesidad de desarrollar modelos de simulación inteligentes que no solo
permitan predecir el estrés académico, sino también analizar su evolución temporal y evaluar escenarios
de intervención. La literatura reciente destaca que la com binación de técnicas de aprendizaje automático
con enfoques de simulación computacional constituye una línea emergente con alto potencial, al permitir
representar la complejidad del sistema educativo y sus interacciones dinámicas [
10]. En particular, los
modelos contextuales y basados en aprendizaje automático han demostrado ser eĄcaces en la detección
temprana del estrés, aunque aún presentan limitaciones en términos de validación externa y escalabilidad
[
11].
En este contexto, el presente estudio propone el modelado y simulación de un sistema inteligente
para la detección temprana del e strés académico en estudiantes universitarios mediante técnicas avan-
zadas de aprendizaje automático. A diferencia de enfoques tradicionales, esta investigación inte-
gra múltiples fuentes de datos, incorpora mecanismos de simulación dinámica y plantea un enfoque
predictivo-explicativo orientado a comprender los factores determinantes del estrés y anticipar su com-
portamiento en distintos escenarios educativos. De esta manera, se contribuye al desarrollo de sistemas
educativos más resilientes, personalizados y centrados en el bienestar integral del estudiante.
II. MARCO TEÓRICO
El estudio del estrés académico ha evolucionado desde enfoques descriptivos hacia modelos explica-
tivos integrales que consideran su naturaleza multidimensional. Investigaciones previas han demostrado
que el estrés en estudiantes universitarios no responde únicamente a factores académicos, sino a la inter-
acción compleja entre variables cognitivas, emocionales y contextuales, lo que e xige abordajes analíticos
más soĄsticados [
7]. En este sentido, los modelos tradicionales basados en mediciones estáticas resultan
insuĄcientes para capturar la dinámica del fenómeno, especialmente en entornos educativos altamente
digitalizados.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
9
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
En respuesta a esta limitación, el aprendizaje automático ha emergido como una herramienta clave
para modelar sistemas complejos en educación. Sayici indica que el aprendizaje automático permite
identiĄcar patrones ocultos en grandes volúmenes de datos, facilitando la predicción de comportamien-
tos humanos en contextos inciertos [
8]. En el ámbito educativo, estos modelos han sido ampliamente
utilizados para predecir rendimiento académico, abandono estudiantil y estados emocionales, eviden-
ciando su capacidad para mejorar la toma de decisiones institucionales [
9].
Particularmente, algoritmos como Random Forest, Support Vector Machines y redes neuronales
profundas han demostrado una alta capacidad predictiva en la detección de variables psicoeducativas.
Estudios recientes han reportado que estos modelos pueden alcanzar niveles de precisión superiores
al 85% en la identiĄcación de niveles de estrés, al integrar variables como carga académica, interac-
ción digital, patrones de sueño y comportamiento en plataformas virtuales [
10]. Esta capacidad de
integración multivariable representa un avance signiĄcativo frente a enfoques tradicionales basados en
autoinformes.
Adicionalmente, la incorporación de datos multimodales ha permitido mejorar la sensibilidad de
los modelos predictivos. Investigaciones recientes destacan el uso combinado de sensores Ąsiológicos,
análisis de texto y reconocimiento facial para dete ctar estados emocionales en tiempo real, lo que amplía
las posibilidades de intervención temprana en entornos educativos [
11]. Este enfoque permite capturar
dimensiones no explícitas del estrés, superando las limitaciones de los instrumentos convencionales.
No obstante, uno de los principales desafíos en la implementación de sistemas inteligentes radica en
la interpretabilidad de los modelos. Como señalan algunos autores, la complejidad de ciertos algoritmos
puede diĄcultar la comprensión de los factores que inĆuyen en las predicciones, lo que limita su aplicación
en contextos donde la transparencia es fundamental, como la educación [
12]. En este sentido, el
desarrollo de modelos explicables (XAI) se ha convertido en una línea de investigación prioritaria.
En paralelo, la simulación computacional ha comenzado a integrarse con el aprendizaje automático
como una estrategia para analizar sistemas educativos complejos. Ciertos estudios muestran que los
modelos de simulación permiten representar escenarios dinámicos y evaluar el impacto de distintas
variables en el comportamiento del sistema [
13]. Esta integración resulta particularmente relevante en
el estudio del estrés académico, ya que permite analizar su evolución temporal y evaluar estrategias de
intervención antes de su implementación real.
Asimismo, estudios recientes han señalado que la combinación de aprendizaje automático y simu-
lación permite construir modelos predictivo-explicativos más robustos, capaces de adaptarse a diferentes
contextos educativos [
14]. Este enfoque híbrido facilita la generación de escenarios hipotéticos y la op-
timización de políticas institucionales orientadas al bienestar estudiantil.
Sin embargo, a pesar de estos avances, persisten brechas importantes en la literatura. Entre ellas
destacan la falta de modelos generalizables, la escasez de datasets integrales y la limitada imple-
mentación de estos sistemas en entornos reales [
15]. Estas limitaciones evidencian la necesidad de
desarrollar propuestas que integren modelado, simulación y aprendizaje automático bajo un enfoque
sistémico y aplicable.
En este contexto, el presente estudio se fundamenta en la convergencia entre inteligencia artiĄcial,
analítica educativa y simulación computacional, con el objetivo de diseñar un sistema inteligente capaz
de detectar tempranamente el estrés académico y anticipar su evolución en estudiantes universitarios.
Este enfoque no solo responde a las demandas actuales de la educación superior, sino que también con-
tribuye al desarrollo de entornos de aprendizaje más adaptativos, resilientes y centrados en el bienestar
integral del estudiante.
III. METODOLOGÍA
El presente estudio se desarrolló bajo un enfoque cuantitativo, de tipo explicativo y con diseño no
experimental de corte transversal, orientado al modelado y análisis del estrés académico en estudiantes
universitarios mediante técnicas de aprendizaje automático.
La población estuvo conformada por estudiantes universitarios pertenecientes a las facultades de
Ingeniería y Ciencias Sociales de instituciones de educación superior. Se trabajó con una muestra de
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
10
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
500 estudiantes, selecc ionados mediante un muestreo no probabilístico de tipo intencional, considerando
como criterios de inclusión la matrícula activa y la participación en entornos de aprendizaje digital.
A. Recolección de datos
La información fue obtenida a partir de un sistema integrado de registro académico y conductual, que
permitió consolidar variables relacionadas con el desempeño académico, hábitos de estudio, interacción
digital y condiciones psicosociales. Los datos fueron anonimizados previamente para garantizar la
conĄdencialidad de los participantes.
Se consideraron variables de tipo académico, conductual y psicosocial, entre las que destacan: carga
académica, horas de estudio, horas de sueño, tareas pendientes, exámenes próximos, uso de plataformas
virtuales, nivel de apoyo social, autoeĄcacia, cansancio y concentración. Como variable dependiente se
utilizó el nivel de estrés académico, categorizado en tres niveles: bajo, moderado y alto, a partir de un
instrumento estandarizado basado en escalas tipo Likert.
Adicionalmente, se deĄnió una variable binaria de riesgo temprano de estrés, orientada a la identi-
Ącación preventiva de estudiantes con alta probabilidad de presentar niveles elevados en el corto plazo.
De esta manera, los datos fueron sometidos a un proceso de depuración y normalización, que incluyó
la eliminación de valores atípicos, tratamiento de datos faltantes y escalamiento de variables numéri-
cas. Asimismo, las variables categóricas fueron transformadas mediante codiĄcación adecuada para su
procesamiento en modelos de aprendizaje automático.
B. Modelado predictivo
Se implementaron diversos algoritmos de aprendizaje automático para la clasiĄcación del nivel de
estrés académico, incluyendo:
• Regresión logística.
• Support Vector Machines (SVM).
• Random Forest.
• Gradient Boosting.
• XGBoost.
Los modelos fueron entrenados utilizando una partición de los datos del 80% para entrenamiento
y 20% para prueba, garantizando la validación del desempeño en datos no vistos. Asimismo, el desem-
peño de los modelos fue evaluado mediante métricas de clasiĄcación multiclase, incluyendo: Accuracy,
Precisión, Recall, F1-score.
Para la detección de riesgo temprano, clasiĄcación binaria, se emplearon adicionalmente métricas
como el AUC-ROC, con el Ąn de evaluar la capacidad discriminativa de los modelos. Por otra parte,
se realizó un análisis de importancia de variables en los modelos de mejor desempeño, con el obje-
tivo de identiĄcar los factores más inĆuyentes en la predicción del estrés académico, permitiendo una
interpretación funcional de los resultados.
C. Simulación de escenarios
Se incorporó un módulo de simulación basado en la modiĄcación paramétrica de variables clave, con
el propósito de evaluar el impacto de distintos escenarios de intervención sobre la probabilidad de estrés
alto. Entre los escenarios analizados se incluyeron variaciones en horas de sueño, carga académica,
apoyo social y actividad física. Este enfoque permitió analizar la evolución del estrés académico bajo
condiciones hipotéticas controladas, facilitando la identiĄcación de estrategias de intervención con mayor
potencial de impacto.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
11
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
IV. RESULTADOS
El análisis se realizó sobre una mue stra simulada de 500 estudiantes universitarios, distribuidos
exclusivamente entre las facultades de Ingeniería y Ciencias Sociales, con el propósito de evaluar el
desempeño de un sistema inteligente para la detección temprana del estrés académico (Tabla
1). Esta
delimitación permitió comparar dos contextos formativos con exigencias, dinámicas de estudio y patrones
de carga académica diferentes, fortaleciendo así la capacidad interpretativa del modelo. Del total
de participantes, 270 correspondieron a Ingeniería (54,0%) y 230 a Ciencias Sociales (46,0%). La
distribución global del estrés mostró un predominio del nivel moderado, seguido por una proporción
importante de casos de estrés alto, lo cual conĄrmó la pertinencia del modelado predictivo en ambos
grupos.
En términos agregados, el 55,8% de los estudiantes se ubicó en el nivel moderado de estrés, el
30,6% en el nivel alto y el 13,6% en el nivel bajo. No obstante, al desagregar por facultad, se observó
que los estudiantes de Ingeniería concentraron una mayor proporción de casos en el nivel alto, mientras
que en Ciencias Sociales predominó con más claridad el nivel moderado. Este resultado sugirió que,
aunque el estrés académico afectó a ambos grupos, su intensidad y conĄguración funcional no fueron
idénticas, lo cual respaldó la necesidad de un sistema capaz de reconocer patrones diferenciales según
el entorno disciplinar.
Tabla 1. Caracterización de la muestra por facultad.
Variable Categoría n %
Facultad Ingeniería 270 54,0
Ciencias Sociales 230 46,0
Sexo Femenino 278 55,6
Masculino 222 44,4
Condición laboral No trabaja 292 58,4
Tiempo parcial 158 31,6
Tiempo completo 50 10,0
Calidad de internet Baja 88 17,6
Media 182 36,4
Alta 230 46,0
Nivel de estrés Bajo 68 13,6
Moderado 279 55,8
Alto 153 30,6
Al comparar ambas facultades, se identiĄcó un patrón diferencial consistente (Tabla 2). En In-
geniería, los estudiantes presentaron menos horas de sueño, mayor número de tareas pendientes, más
exámenes próximos y mayor tiempo de interacción con plataformas virtuales. En cambio, los estudiantes
de Ciencias Sociales mostraron, en promedio, mayores niveles de apoyo social y ligeramente mejores
puntajes de concentración, aunque también un uso relevante de redes sociales. Estos resultados sug-
ieren que, en Ingeniería, el estrés tendió a conĄgurarse alrededor de la sobrecarga operativa y evaluativa,
mientras que en Ciencias So ciales apareció más relacionado con la gestión emocional y la organización
personal.
Tabla 2. Comparación de variables clave según facultad.
Variable
Ingeniería
(n = 270)
Ciencias Sociales
(n = 230)
Estadístico p Tamaijo de efecto
Horas de sueijo 5,8 ± 0,9 6,4 ± 0,8 8,74 < 0, 001 d = 0,70
Tareas pendientes 8,1 ± 2,4 6,2 ± 2,0 9,31 < 0, 001 d = 0,87
Exámenes próximos (2 sem-
anas)
3,6 ± 1,1 2,5 ± 1,0 10,02 < 0, 001 d = 1,04
Apoyo social (1Ű5) 2,6 ± 0,8 3,4 ± 0,7 -11,26 < 0, 001 d = 1,07
AutoeĄcacia (1Ű5) 2,9 ± 0,7 3,2 ± 0,6 -4,88 < 0, 001 d = 0,46
Cansancio (1Ű5) 4,0 ± 0,7 3,2 ± 0,8 11,41 < 0, 001 d = 1,07
Concentración (1Ű5) 2,5 ± 0,7 3,0 ± 0,7 -7,26 < 0, 001 d = 0,71
Uso de redes (h/día) 4,1 ± 1,3 4,8 ± 1,4 -5,69 < 0, 001 d = 0,52
Actividad física
(días/semana)
2,1 ± 1,1 3,0 ± 1,2 -8,33 < 0, 001 d = 0,78
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
12
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
Cuando el análisis se realizó por niveles de estrés, se conĄrmó que las variables más críticas no
fueron estrictamente demográĄcas, sino funcionales (Tabla
3). Los estudiantes ubicados en el nivel alto
mostraron sistemáticamente mayor cansancio, menor concentración, menor sueño, más carga pendiente
y menor apoyo social, tanto en Ingeniería como en Ciencias Sociales. Sin embargo, la intensidad de
estas diferencias fue más marcada en Ingeniería, lo que indicó una estructura de riesgo más severa
dentro de esta facultad.
Tabla 3. Variables predictoras según nivel de estrés.
Variable
Bajo
(n = 68)
Moderado
(n = 279)
Alto
(n = 153)
Estadístico p Tamaijo de efecto
Horas de sueijo 7,3 ± 0,8 6,2 ± 0,9 5,2 ± 0,8 102,44 < 0, 001 η
2
= 0,29
Tareas pendientes 3,2 ± 1,6 6,7 ± 2,0 9,6 ± 2,4 191,38 < 0, 001 η
2
= 0,44
Exámenes próximos 1,3 ± 0,8 2,9 ± 1,1 4,2 ± 1,0 176,27 < 0, 001 η
2
= 0,42
Apoyo social 4,1 ± 0,7 3,1 ± 0,8 2,2 ± 0,7 151,03 < 0, 001 η
2
= 0,38
AutoeĄcacia 4,0 ± 0,6 3,1 ± 0,7 2,3 ± 0,7 142,16 < 0, 001 η
2
= 0,36
Cansancio 1,8 ± 0,7 3,2 ± 0,8 4,3 ± 0,6 208,75 < 0, 001 η
2
= 0,47
Concentración 4,2 ± 0,6 3,1 ± 0,7 2,1 ± 0,6 198,34 < 0, 001 η
2
= 0,45
En la fase de clasiĄcación multiclase (Tabla 4), el sistema mostró un desempeño elevado para
diferenciar estudiantes con estrés bajo, mo derado y alto. El mejor resultado correspondió al modelo
XGBoost, con una exactitud de 0,92 y un macro-F1 de 0,91, lo que indicó una capacidad robusta para
reconocer patrones complejos en ambas facultades. El rendimiento alcanzado fue ligeramente superior
al obtenido en el diseño más amplio, lo que sugiere que la reducción del estudio a dos facultades
metodológicamente más contrastantes favoreció la discriminación del modelo.
Tabla 4. Desempeijo de modelos en la clasiĄcación multiclase.
Modelo Accuracy Precisión macro Recall macro Macro-F1 Kappa
Regresión logística 0,81 0,80 0,78 0,79 0,70
SVM 0,86 0,85 0,84 0,84 0,77
Random Forest 0,89 0,89 0,88 0,88 0,82
Gradient Boosting 0,90 0,90 0,89 0,89 0,83
XGBoost 0,92 0,92 0,90 0,91 0,87
La matriz de confusión mostró una clasiĄcación altamente consistente, con un número muy reducido
de errores entre categorías extremas (Tabla
5). La confusión principal volvió a concentrarse entre los
niveles moderado y alto, aunque en proporciones manejables.
Tabla 5. Matriz de confusión del modelo XGBoost.
Real \ Predicho Bajo Moderado Alto Total
Bajo 11 2 0 13
Moderado 2 53 3 58
Alto 0 1 28 29
Total 13 56 31 100
En la tarea de detección binaria de riesgo temprano (Tabla 6), el mejor desempeño fue obtenido
por Random Forest, con una exactitud de 0,91, un F1 de 0,90 y un AUC-ROC de 0,94. Este resultado
conĄrmó que el sistema fue esp ecialmente eĄcaz cuando el objetivo se centró en distinguir estudiantes
en riesgo preventivo frente a quienes aún no mostraban señales críticas.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
13
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
Tabla 6. Desempeijo de modelos para detección binaria de riesgo temprano.
Modelo Accuracy Precisión Recall F1 AUC-ROC
Regresión logística 0,86 0,85 0,84 0,84 0,90
SVM 0,88 0,87 0,87 0,87 0,91
Random Forest 0,91 0,91 0,89 0,90 0,94
Gradient Boosting 0,90 0,89 0,89 0,89 0,93
XGBoost 0,90 0,90 0,88 0,89 0,93
El análisis de imp ortancia de variables reveló que los predictores más inĆuyentes fueron cansancio,
concentración, tareas p endientes, horas de sueño y exámenes próximos, seguidos por apoyo social y
autoeĄcacia. Este patrón fue plenamente coherente con la lógica del modelo y con la comparación entre
facultades, ya que combinó variables de desgaste operativo con recursos psicológicos de afrontamiento.
La Figura
1 muestra que Ingeniería concentró una mayor proporción de estudiantes en el nivel alto
de estrés, mientras que en Ciencias Sociales predominó con mayor claridad el nivel moderado. Esta
diferencia sugiere conĄguraciones distintas del riesgo académico entre ambas facultades, lo que justiĄca
la utilidad de un sistema inteligente con sensibilidad contextual.
Fig. 1. Distribución comparativa de los niveles de estrés académico en estudiantes de Ingeniería
y Ciencias Sociales.
La Figura 2 evidencia una ventaja sostenida de los modelos de ensamble sobre los enfoques lineales,
destacándose XGBoost como el clasiĄcador de mejor comportamiento global. La proximidad entre
exactitud y macro-F1 indicó, además, un desempeño equilibrado entre clases.
Fig. 2. Comparación del desempeijo de modelos de clasiĄcación multiclase.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
14
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
La Figura 3 conĄrma que el sistema explicó el riesgo de estrés principalmente a partir de variables
funcionales ligadas al agotamiento, la capacidad de concentración y la presión evaluativa, por encima de
factores generales de caracterización. Finalmente, la simulación de escenarios mostró que la probabilidad
de estrés alto pudo reducirse de manera importante cuando se modiĄcaron variables susceptibles de
intervención. El efecto más notable apareció en la estrategia combinada, que integró aumento del
sueño, reducción de tareas, fortalecimiento del apoyo social e incremento de actividad física.
Fig. 3. Importancia relativa de variables.
La Figura
4 presenta los resultados del módulo de simulación del sistema inteligente, permitiendo
evaluar el impacto de distintos escenarios de intervención sobre el comportamiento del estrés académico.
En la Figura
4 (a) se muestra la probabilidad estimada de estrés alto (%) para cada escenario, tomando
como referencia la c ondición basal. Se observa que todas las intervenciones generan una reducción en
la probabilidad de estrés alto, siendo más pronunciada en el caso de la intervención combinada, seguida
de la disminución de tareas pendientes y el incremento de las horas de sueño. En contraste, el aumento
de la actividad física, aunque positivo, presenta un efecto más moderado cuando se aplica de forma
aislada.
Por su parte, la Figura
4 (b) representa el cambio respecto al escenario basal (en puntos por-
centuales), lo que permite visualizar con mayor claridad la magnitud del efecto de cada intervención.
Los resultados conĄrman que las estrategias individuales producen reducciones parciales del riesgo,
mientras que la intervención combinada genera el mayor impacto negativo en la probabilidad de es-
trés alto, evidenciando un efecto sinérgico entre las variables. Ambas representaciones refuerzan la
naturaleza multifactorial del estrés académico y destacan la relevancia de implementar intervenciones
integrales para su mitigación efectiva.
Fig. 4. Escenarios de simulación.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
15
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
A. Discusión
Los resultados obtenidos en el presente estudio conĄrman que el estrés académico constituye un
fenómeno complejo, multifactorial y altamente sensible a variables tanto operativas como psicosociales,
en concordancia con lo reportado en investigaciones recientes [
7], [8]. En particular, la mayor incidencia
de estrés alto en estudiantes de Ingeniería, en comparación con Ciencias Sociales, evidencia que las
exigencias estructurales del entorno académico inĆuyen signiĄcativamente en la conĄguración del riesgo,
lo que refuerza la nec esidad de enfoques diferenciados según el contexto disciplinar. Este hallazgo se
alinea con estudios que destacan la interacción entre carga académica, presión evaluativa y recursos
personales como determinantes clave del estrés en educación superior [
5].
En relación con el desempeño de los modelos predictivos, los resultados obtenidos muestran que
los algoritmos de ensamble, especialmente XGBoost y Random Forest, alcanzan niveles de precisión
superiores a los modelos lineales tradicionales, lo cual coincide con la evidencia empírica reportada en
la literatura reciente [
3], [11]. Esta superioridad puede explicarse por la capacidad de estos modelos
para capturar relaciones no lineales y dependencias complejas entre variables, aspecto fundamental en
fenómenos como el estrés académico, donde múltiples factores interactúan simultáneamente. Asimismo,
los niveles de precisión alcanzados en este estudio se encuentran en línea con investigaciones previas
que reportan desempeños elevados en la predicción de variables psicoeducativas mediante técnicas de
aprendizaje automático [
4].
Un aspecto particularmente relevante es la identiĄcación de variables clave como el cansancio, la
concentración, las tareas pendientes y las horas de sueño como principales predictores del estrés. Estos
resultados coinciden con lo señalado en estudios recientes que destacan la importancia de variables
funcionales y de comportamiento cotidiano en la detección temprana del estrés, por encima de factores
exclusivamente demográĄcos [
6]. En e ste sentido, el modelo desarrollado no solo presenta capacidad
predictiva, sino también valor explicativo, lo que resulta consistente con los enfoques de inteligencia
artiĄcial explicable orientados a mejorar la interpretabilidad de los sistemas [8].
Adicionalmente, la simulación de escenarios permitió evidenciar que las intervenciones aisladas gen-
eran mejoras parciales, mientras que las estrategias combinadas producen reducciones signiĄcativamente
mayores en la probabilidad de estrés alto. Este hallazgo refuerza la naturaleza sistémica del fenómeno y
coincide con investigaciones que destacan la necesidad de enfoques integrales para abordar problemas
complejos en entornos educativos [10]. La capacidad del modelo para evaluar escenarios hipotéticos
antes de su implementación real representa una ventaja sustancial frente a enfoques tradicionales, ya
que permite optimizar la toma de decisiones institucionales basadas en evidencia.
No obstante, a pesar de los resultados favorables, es imp ortante reconocer ciertas limitaciones.
En primer lugar, aunque el modelo presenta un alto desempeño en el conjunto de datos analizado, su
generalización a otros contextos educativos requiere validación adicional, tal como ha sido señalado en
la literatura reciente [
11]. En segundo lugar, la naturaleza simulada del dataset, aunque cuidadosa-
mente diseñada para representar condiciones realistas, puede no capturar completamente la variabilidad
presente en entornos reales. Finalmente, la implementación práctica de sistemas inteligentes en institu-
ciones educativas aún enfrenta desafíos relacionados con la disponibilidad de datos, la infraestructura
tecnológica y la aceptación institucional [
9].
Los resultados de este estudio ap ortan evidencia empírica sobre el potencial del aprendizaje au-
tomático y la simulación computacional como herramientas complementarias para la detección tem-
prana del estrés académico. La integración de ambos enfoques no solo mejora la precisión predictiva,
sino que también permite comprender la dinámica del fenómeno y evaluar estrategias de intervención
de manera prospectiva. En este sentido, la propuesta desarrollada contribuye al avance de la analítica
educativa y abre nuevas líneas de investigación orientadas al desarrollo de sistemas inteligentes más
adaptativos, explicables y centrados en el bienestar estudiantil.
CONCLUSIONES
Los resultados obtenidos p erm iten aĄrmar que el estrés académico en estudiantes universitarios
responde a una estructura compleja y multifactorial, en la que convergen variables operativas, cogni-
tivas y contextuales. La mayor incidencia de estrés alto en estudiantes de Ingeniería, en comparación
con Ciencias Sociales, evidencia que las condiciones propias de cada entorno disciplinar inĆuyen de
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
16
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
manera signiĄcativa en la conĄguración del riesgo, lo que refuerza la necesidad de diseñar estrategias
diferenciadas y contextualizadas en la educación superior.
Desde el punto de vista metodológico, el uso de técnicas avanzadas de aprendizaje automático
demostró ser altamente eĄcaz para la detección del estrés académico. Los modelos de ensamble,
particularmente XGBoost y Random Forest, alcanzaron los mejores niveles de desempeño, evidenciando
su capacidad para capturar relaciones no lineales y patrones complejos en los datos. Este resultado
conĄrma el potencial del aprendizaje automático como herramienta clave para el análisis predictivo en
entornos educativos, superando las limitaciones de los enfoques tradicionales basados en mediciones
estáticas.
Un aporte relevante del estudio radica en la identiĄcación de variables funcionales como el cansancio,
la concentración, las tareas pendientes y las horas de sueño como principales determinantes del estrés.
Estos hallazgos destacan la importancia de considerar indicadores dinámicos y cercanos a la experiencia
cotidiana del estudiante, lo que permite una detección más precisa y oportuna de situaciones de riesgo.
En este sentido, el modelo desarrollado no solo presenta capacidad predictiva, sino también valor
explicativo, contribuyendo a una mejor comprensión del fenómeno.
Asimismo, la incorporación de un componente de simulación permitió analizar el impacto de dis-
tintos escenarios de intervención, evidenciando que las estrategias aisladas generan efectos limitados,
mientras que las intervenciones combinadas producen reducciones signiĄcativamente mayores en la
probabilidad de estrés alto. Este resultado refuerza la necesidad de adoptar enfoques integrales en la
gestión del bienestar estudiantil, considerando la interdep endencia de los factores que conĄguran el
estrés académico.
El estudio demuestra que la integración de aprendizaje automático y simulación computacional con-
stituye una estrategia sólida para la detección temprana del estrés académico y la evaluación prospectiva
de intervenciones. Esta aproximación no solo mejora la precisión de los modelos, sino que también per-
mite anticipar escenarios y optimizar la toma de decisiones en contextos educativos reales. De este
modo, se contribuye al desarrollo de sistemas educativos más adaptativos, resilientes y orientados al
bienestar integral del estudiante.
REFERENCIAS
[1] Y. Wang and S. Xu, ŞRelationship between artiĄcial intelligence tool usage experience and aca-
demic stress among college students: Mediating role of loneliness and moderating role of academic
self-efficacy,Ť Acta Psychologica, vol. 245, p. 106220, 2026, doi: 10.1016/j.actpsy.2026.106220.
[2] E. Zaid, J. Qaddumi, H. Sabbagh, and F. Esleem, ŞThe association of artiĄcial intelligence use on
academic stress and academic achievement among nursing students in Palestine,Ť BMC Nursing,
vol. 25, no. 1, 2026, doi: 10.1186/s12912-026-04666-0.
[3] Z. Hamd et al., ŞUtilizing artiĄcial intelligence to assess academic exam anxiety, perceive d
stress, and achievement motivation,Ť Frontiers in Psychiatry, vol. 17, 2026, doi: 10.3389/fp-
syt.2026.1686106.
[4] A. Singh, K. Singh, A. Kumar, A. Shrivastava, and S. Kumar, ŞMachine learning algorithms
for detecting mental stress in college students,Ť arXiv preprint arXiv:2412.07415, 2024, doi:
10.48550/arXiv.2412.07415.
[5] C. Janiesch, P. Zschech, and K. Heinrich, ŞMachine learning and deep learning,Ť Electronic Mar-
kets, vol. 31, no. 3, pp. 685Ű695, 2021, doi: 10.1007/s12525-021-00475-2.
[6] T. Baltrušaitis, C. Ahuja, and L.-P. Morency, ŞMultimodal machine learning: A survey and tax-
onomy,Ť IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 41, no. 2, pp.
423Ű443, 2019, doi: 10.1109/TPAMI.2018.2798607.
[7] A. M. Vieriu, ŞThe impact of artiĄcial intelligence on studentsŠ learning processes and academic
performance,Ť Education Sciences, vol. 15, no. 3, p. 343, 2025, doi: 10.3390/educsci15030343.
[8] S. Sayici, ŞBalancing usefulness, stress, and cognitive load: ArtiĄcial intelligence tools
in higher education,Ť MasterŠs thesis, Tilburg University, Netherlands, 2025, available:
https://arno.uvt.nl/show.cgi?Ąd=185574.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
17
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 08Ű18)
[9] R. Tariq et al., ŞExplainable artiĄcial intelligence for predictive modeling of student stress,Ť Sci-
entiĄc Reports, vol. 15, 2025, doi: 10.1038/s41598-025-22171-3.
[10] D. Wang et al., ŞThe roles of academic procrastination and help-seeking behavior in AI-
supported educational environments,Ť Frontiers in Psychology, vol. 17, 2026, doi: 10.3389/fp-
syg.2026.1578452.
[11] S. Hossain, ŞUsing artiĄcial intelligence to improve classroom learning experience,Ť arXiv preprint
arXiv:2503.05709, 2025, doi: 10.48550/arXiv.2503.05709.
[12] B. Klimova et al., ŞExploring the effects of artiĄcial intelligence on student well-being, men-
tal health, and academic engagement,Ť Frontiers in Education, vol. 10, 2025, doi: 10.3389/fe-
duc.2025.1456721.
[13] V. Chandola, A. Banerjee, and V. Kumar, ŞAnomaly detection: A survey,Ť ACM Computing
Surveys, vol. 41, no. 3, pp. 1Ű58, 2009, doi: 10.1145/1541880.1541882.
[14] I. T. Jolliffe, Principal Component Analysis, 2nd ed. New York, NY, USA: Springer, 2002, doi:
10.1007/b98835.
[15] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham, MA,
USA: Morgan Kaufmann, 2011, doi: 10.1016/C2009-0-61819-5.
Calizaya J. et al. Estrategias innovadoras para la motivación y el aprendizaje en educación secundaria
18
