ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
Artículo de investigación https://doi.org/10.47460/athenea.v7i24.139
Modelos computacionales para la reducción de la sobrecarga cognitiva
en estudiantes de administración
Karold Roxana Cáceres Gómez*
https://orcid.org/0009-0005-5773-0666
kcaceresg@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa
Arequipa, Perú
Stephanie Cris Cheneaux Márquez
https://orcid.org/0000-0001-9163-6001
stephanie.cheneaux@estudiante.ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
Erick Percy Berrios Fernández
https://orcid.org/0009-0009-8311-7282
eberrios@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
Antonio Escobar Juárez
https://orcid.org/0000-0001-5991-0410
aescobar@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
Christian Herbert Cueva Allison
https://orcid.org/0009-0008-4339-4798
ccuevaa@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
*Autor de correspondencia:
kcaceresg@unsa.edu.pe
Recibido: (12/02/2026), Aceptado: (10/05/2026)
Resumen. La investigación desarrolló un modelo computacional predictivo para identiĄcar 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 computa-
cional. 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.
Palabras clave: sobrecarga cognitiva, modelos computacionales, aprendizaje automático, fatiga digital,
inteligencia artiĄcial.
Computational Models for Reducing Cognitive Overload in Business
Administration Students
Abstract. The study developed a predictive computational model to identify and reduce cognitive
overload in undergraduate business administration students in digital environments. A quantitative
approach was applied using academic, cognitive, and technological variables related to digital fatigue,
academic stress, and the use of virtual platforms. Machine learning algorithms such as logistic regression,
SVM, and Random Forest were implemented and complemented with computational simulation. The
results showed that Random Forest achieved the best predictive performance and made it possible
to detect critical scenarios of cognitive saturation. It is concluded that computational models can
contribute to the design of intelligent educational systems oriented toward academic well-being.
Keywords: cognitive overload, computational models, machine learning, digital fatigue, artiĄcial intel-
ligence.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
19
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
I. INTRODUCCIÓN
La transformación digital de los entornos universitarios ha incrementado signiĄcativamente la exposi-
ción de los estudiantes a múltiples estímulos informativos, plataformas virtuales y dinámicas académicas
simultáneas, generando nuevos desafíos relacionados con la gestión de la carga mental y el procesamiento
cognitivo. En este contexto, la sobrecarga cognitiva se ha convertido en un problema relevante dentro de
la educación superior, especialmente en carreras vinculadas a procesos analíticos y toma de decisiones,
como administración de empresas. Diversos estudios han demostrado que la acumulación excesiva de
información y tareas digitales puede afectar negativamente la concentración, la productividad académic a
y el bienestar psicológico de los estudiantes [
1], [2], [3].
El crecimiento de los sistemas educativos digitales ha impulsado además el interés por el desarrollo de
herramientas basadas en inteligencia artiĄcial orientadas a optimizar el aprendizaje y reducir la saturación
cognitiva. Investigaciones recientes han señalado que los modelos computacionales y sistemas adapta-
tivos permiten gestionar de manera más eĄciente la complejidad de los entornos virtuales de aprendizaje,
facilitando pro cesos de personalización educativa y regulación dinámica de actividades académicas [
4],
[
5], [6]. De manera complementaria, enfoques basados en interacción humano-computador y analítica
educativa han evidenciado que la detección temprana de estados de fatiga mental puede contribuir
signiĄcativamente a mejorar el rendimiento estudiantil y la permanencia académica [7], [8].
Desde una perspectiva teórica, la teoría de la carga cognitiva continúa siendo uno de los principales
marcos explicativos para comprender las limitaciones del procesamiento mental frente a escenarios ed-
ucativos altamente demandantes. No obstante, investigaciones recientes han propuesto ampliar esta
teoría mediante la integración de inteligencia artiĄcial, neurociencia educativa y sistemas inteligentes ca-
paces de adaptarse dinámicamente al comportamiento cognitivo del estudiante [
9], [10], [11]. Asimismo,
se ha señalado que el uso intensivo de herramientas digitales puede generar fenómenos simultáneos de
apoyo cognitivo y saturación mental, dependiendo de la forma en que las tecnologías son implementadas
dentro del proceso de aprendizaje [
12].
A p esar de los avances existentes, aún persisten limitaciones relacionadas con la integración de
modelos predictivos capaces de analizar simultáneamente variables académicas, tecnológicas y cognitivas
dentro de contextos universitarios reales. Muchos estudios se concentran principalmente en aspectos
pedagógicos o psicológicos, dejando en segundo plano el desarrollo de arquitecturas computacionales
orientadas al monitoreo inteligente de estados cognitivos [
13]. En consecuencia, resulta necesario
fortalecer investigaciones interdisciplinarias que incorporen herramientas de aprendizaje automático,
simulación computacional y análisis predictivo para comprender el comportamiento de la sobrecarga
cognitiva en estudiantes universitarios [
14].
En función de ello, el presente estudio tuvo como objetivo desarrollar y evaluar un modelo com-
putacional predictivo orientado a la identiĄcación de factores aso ciados a la sobrecarga cognitiva en
estudiantes de administración dentro de entornos educativos digitales. Para ello, se integraron técnicas
de aprendizaje automático, análisis estadístico y simulación computacional, con el propósito de dis-
eñar un sistema inteligente capaz de contribuir a la reducción de la fatiga cognitiva y optimización del
aprendizaje universitario.
II. MARCO TEÓRICO
La sobrecarga cognitiva constituye un fenómeno asociado a la incapacidad del sistema cognitivo
para procesar eĄcientemente grandes volúmenes de información de manera simultánea. En entornos
educativos digitales, este problema se ha intensiĄcado debido al incremento de actividades virtuales,
multitarea académica y exposición prolongada a plataformas tecnológicas [1], [3]. Diversos estudios han
señalado que la saturación informativa afecta directamente la atención, memoria de trabajo, motivación
y desempeño académico de los estudiantes universitarios [
5], [12].
La teoría de la carga cognitiva ha sido uno de los principales fundamentos para comprender cómo el
exceso de estímulos y demandas mentales impacta el aprendizaje. Sin embargo, investigaciones recientes
sostienen que los modelos tradicionales deben complementarse con enfoques basados en inteligencia
artiĄcial y neurociencia educativa, capaces de analizar dinámicamente el comportamiento cognitivo del
estudiante y adaptar el entorno de aprendizaje según sus necesidades [10], [14]. En este sentido, las
tecnologías inteligentes permiten no solo automatizar procesos educativos, sino también optimizar la
distribución de contenidos y reducir la fatiga mental generada por entornos digitales complejos [4].
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
20
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
El desarrollo de modelos computacionales aplicados a educación ha permitido incorporar herramien-
tas de aprendizaje automático orientadas a la predicción de comportamientos académicos y estados
cognitivos. Estudios recientes destacan que algoritmos computacionales como Random Forest y sis-
temas predictivos adaptativos poseen alta capacidad para identiĄcar patrones relacionados con estrés
académico, fatiga digital y sobrecarga cognitiva [
2], [7]. Estas aproximaciones facilitan el diseño de
sistemas inteligentes capaces de generar recomendaciones académicas personalizadas y mecanismos
automáticos de regulación educativa.
De manera complementaria, la interacción humano-computador y la analítica educativa han adquirido
relevancia de ntro de los entornos virtuales de aprendizaje, particularmente en investigaciones orientadas
a reducir la fatiga digital y mejorar la experiencia académica [
11]. Asimismo, se ha señalado que el uso
de inteligencia artiĄcial puede generar simultáneamente beneĄcios cognitivos y riesgos de dependencia
tecnológica, dependiendo del diseño e implementación de las herramientas digitales [
13]. En conse-
cuencia, la integración de modelos computacionales, aprendizaje automático y simulación predictiva
representa una alternativa relevante para el desarrollo de sistemas educativos inteligentes capaces de
monitorear y reducir la sobrecarga cognitiva en estudiantes universitarios, especialmente en contextos
académicos caracterizados por alta dem anda informacional y exposición tecnológica constante.
III. METODOLOGÍA
La investigación se desarrolló bajo un enfoque cuantitativo de tipo aplicado, orientado al diseño
y evaluación de modelos computacionales para identiĄcar y reducir la sobrecarga cognitiva en estu-
diantes universitarios de administración en entornos digitales. Se adoptó un diseño no experimental
de alcance predictivoŰexplicativo, considerando variables académicas, cognitivas y tecnológicas asoci-
adas al comportamiento estudiantil. La p oblación estuvo conformada por estudiantes universitarios
de administración en modalidad presencial y virtual. La muestra fue seleccionada mediante muestreo
no probabilístico por conveniencia, considerando estudiantes con participación activa en plataformas
virtuales de aprendizaje.
Para la recolección de datos s e aplicó un cuestionario tipo Likert validado por exp ertos, orientado
a medir dimensiones relacionadas con sobrecarga cognitiva, fatiga digital, estrés académico, compleji-
dad de contenidos y rendimiento académico percibido. La conĄabilidad del instrumento fue evaluada
mediante el coeĄciente alfa de Cronbach.
El componente ingenieril del estudio se centró en el desarrollo de un modelo computacional predic-
tivo basado en técnicas de aprendizaje automático. Los datos fueron sometidos a procesos de limpieza,
normalización y análisis estadístico previo al entrenamiento de los algoritmos. Se implementaron mod-
elos como regresión logística y Random Forest para identiĄcar patrones asociados a estados elevados
de sobrecarga cognitiva, utilizando fases de entrenamiento y validación para evaluar la estabilidad del
sistema.
Adicionalmente, se desarrolló una simulación computacional para representar distintos escenarios
académicos relacionados con el incremento de carga mental, tiempo de exposición digital y estrés
académico. El desempeño del modelo fue evaluado mediante métricas como accuracy, precisión, sensi-
bilidad y F1-score, complementadas con análisis de importancia de variables para identiĄcar los factores
con mayor inĆuencia dentro del sistema predictivo.
Finalmente, los resultados fueron analizados mediante estadística descriptiva, correlacional y regre-
sión múltiple, utilizando herramientas de programación orientadas a sistemas inteligentes e ingeniería
educativa.
IV. RESULTADOS
A. Caracterización de la muestra
Con el propósito de contextualizar el comportamiento de las variables cognitivas y tecnológicas
analizadas, inicialmente se realizó una caracterización general de los estudiantes participantes. La dis-
tribución de la muestra permitió identiĄcar patrones relevantes asociados al entorno académico digital,
particularmente en relación con la intensidad de uso de plataformas virtuales, carga académica y tiempo
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
21
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
promedio de exposición tecnológica. La Tabla 1 presenta las principales características sociodemográ-
Ącas y académicas consideradas en el estudio.
Tabla 1. Características generales de la muestra estudiantil.
Variable Categoría Frecuencia Porcentaje (%)
Género Femenino 78 52,0
Masculino 72 48,0
Edad 18Ű21 aijos 64 42,7
22Ű25 aijos 58 38,7
26 aijos o más 28 18,6
Modalidad académica Presencial 81 54,0
Virtual 69 46,0
Tiempo diario en plataformas
virtuales
1Ű3 horas 39 26,0
4Ű6 horas 71 47,3
Más de 6 horas 40 26,7
Nivel de carga académica
percibida
Baja 18 12,0
Moderada 79 52,7
Alta 53 35,3
Nota. La tabla presenta la distribución sociodemográĄca y académica de los estudiantes participantes.
Los resultados evidenciaron una distribución re lativamente equilibrada entre hombres y mujeres,
predominando estudiantes entre 18 y 25 años. Asimismo, se observó que el 74% de los participantes
permanecía más de cuatro horas diarias interactuando con plataformas virtuales, situación que reĆeja
una elevada exposición a entornos digitales de aprendizaje. De manera paralela, más de un tercio de
los estudiantes reportó percibir niveles altos de carga académica, lo que sugiere condiciones p otencial-
mente favorables para la aparición de sobrecarga cognitiva y fatiga mental. Desde una perspectiva
ingenieril, estos resultados justiĄcaron la necesidad de implementar modelos computacionales capaces
de monitorear y predecir dinámicamente escenarios de saturación cognitiva, especialmente en contex-
tos universitarios donde convergen múltiples estímulos digitales, actividades simultáneas y elevados
requerimientos de procesamiento de información.
B. Validación y consistencia interna del instrumento
Con la Ąnalidad de garantizar la conĄabilidad y estabilidad estadística de las mediciones utilizadas en
el modelo computacional, se evaluó la c onsistencia interna del instrumento aplicado a los estudiantes. El
análisis permitió veriĄcar el grado de coherencia entre los ítems asociados a las dimensiones cognitivas,
académicas y tecnológicas incluidas en el estudio. La Tabla
2 presenta los coeĄcientes de conĄabilidad
obtenidos para cada dimensión evaluada.
Tabla 2. Consistencia interna de las dimensiones analizadas.
Dimensión Número de ítems Alfa de Cronbach
Sobrecarga cognitiva 8 0.91
Fatiga digital 6 0.88
Estrés académico 7 0.90
Complejidad percibida de contenidos 5 0.84
Interacción con plataformas virtuales 5 0.86
Rendimiento académico percibido 4 0.82
Instrumento global 35 0.93
Nota. Los coeĄcientes muestran la consistencia interna de las dimensiones utilizadas para alimentar el modelo
computacional predictivo.
Los coeĄcientes obtenidos evidenciaron niveles e levados de consistencia interna en todas las dimen-
siones analizadas, registrándose valores superiores a 0,80, considerados adecuados para investigaciones
aplicadas en ciencias sociales e ingeniería educativa. La dimensión asociada a sobrecarga cognitiva pre-
sentó el valor más alto de conĄabilidad (α = 0, 91), indicando una elevada estabilidad en las respuestas
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
22
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
relacionadas con fatiga mental, saturación informativa y diĄcultad de procesamiento académico. De
manera complementaria, el instrumento global alcanzó un alfa de Cronbach de 0,93, resultado que con-
Ąrmó la robustez estadística del sistema de medición utilizado para alimentar el modelo computacional
predictivo. Estos resultados permitieron establecer una base metodológica sólida para el procesamiento
de datos y el entrenamiento de los algoritmos de aprendizaje automático implementados posterior-
mente. Desde el enfoque ingenieril, la validación del instrumento constituyó una etapa crítica dentro
de la arquitectura computacional propuesta, debido a que la calidad y estabilidad de los datos de en-
trada condicionan directamente el desempeño predictivo de los modelos inteligentes utilizados para la
detección de sobrecarga cognitiva en e ntornos educativos digitales.
C. Análisis descriptivo de las variables cognitivas y tecnológicas
Posteriormente, se realizó un análisis descriptivo de las principales variables incorporadas al modelo
computacional, con el propósito de identiĄcar tendencias asociadas a la sobrecarga cognitiva y al com-
portamiento académico-digital de los estudiantes. Este análisis permitió reconocer patrones iniciales
relacionados con niveles de estrés, fatiga digital y percepción de complejidad académica, elementos fun-
damentales para el entrenamiento del sistema predictivo. La Figura
1 presenta los promedios obtenidos
en las dimensiones evaluadas mediante escalas de cinco niveles.
Fig. 1. Promedio de las dimensiones cognitivas y tecnológicas analizadas.
Los resultados evidenciaron niveles elevados de interacción con plataformas virtuales y sobrecarga
cognitiva, registrándose medias superiores a 4,0 en ambas dimensiones. Este comportamiento sugiere
una relación directa entre la intensidad de exposición digital y el incremento de la fatiga mental en
estudiantes universitarios de administración. Asimismo, el estrés académico presentó valores eleva-
dos y relativamente homogéneos entre los participantes, indicando una presencia constante de presión
cognitiva dentro del entorno formativo. Por otro lado, el rendimiento académico percibido mostró val-
ores moderados en comparación con las demás dimensiones, lo que podría indicar que el incremento
sostenido de estímulos digitales y carga mental no necesariamente se traduce en mejoras proporcionales
del desempeño académico. Esta tendencia resulta particularmente relevante desde el enfoque computa-
cional, ya que evidencia la necesidad de sistemas inteligentes capaces de regular dinámicamente los
niveles de complejidad educativa y distribución de tareas.
En términos ingenieriles, el comportamiento descriptivo de las variables permitió identiĄcar condi-
ciones críticas de saturación cognitiva que posteriormente fueron utilizadas como parámetros de entrada
para el entrenamiento y simulación del modelo predictivo. Estos hallazgos constituyeron una base fun-
damental para la construcción de escenarios computacionales orientados a optimizar el equilibrio entre
exigencia académica y capacidad de procesamiento cognitivo estudiantil.
D. Análisis correlacional y modelado matemático de la sobrecarga cognitiva
Con el objetivo de identiĄcar relaciones funcionales entre las variables académicas, tecnológicas y
cognitivas, se realizó un análisis correlacional previo al entrenamiento del modelo computacional. Esta
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
23
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
etapa permitió establecer la intensidad de asociación entre los factores estudiados y determinar cuáles
variables presentaban mayor inĆuencia sobre la sobrecarga cognitiva. La Tabla
3 presenta la matriz de
correlaciones obtenida mediante el coeĄciente de Pearson.
Tabla 3. Correlaciones entre variables asociadas a la sobrecarga cognitiva.
Variables 1 2 3 4 5 6
1. Sobrecarga cognitiva 1,00
2. Fatiga digital 0,81 1,00
3. Estrés a cadémico 0,76 0,71 1,00
4. Complejidad de contenidos 0,69 0,62 0,66 1,00
5. Tiempo en plataformas vir-
tuales
0,73 0,79 0,58 0,54 1,00
6. Rendimiento académico -0,48 -0,41 -0,45 -0,32 -0,29 1,00
Nota. Las correlaciones fueron estimadas mediante el coeĄciente de Pearson.
Los resultados evidenciaron correlaciones positivas elevadas entre sobrecarga cognitiva y fatiga
digital (r = 0, 81), así como entre sobrecarga cognitiva y estrés académico (r = 0, 76), indicando que
el incremento sostenido de estímulos digitales y presión académica inĆuye directamente en la saturación
mental de los estudiantes. Del mismo modo, el tiempo de exp osición a plataformas virtuales mostró
una asociación considerable con fatiga digital (r = 0, 79), reĆejando la incidencia de los entornos
tecnológicos sobre el procesamiento cognitivo estudiantil. En contraste, el rendimiento académico
presentó correlaciones negativas moderadas respecto a las variables cognitivas, sugiriendo que niveles
elevados de saturación mental podrían afectar progresivamente la percepción de desempeño académico.
Estos resultados respaldaron la necesidad de implementar mecanismos computacionales orientados al
monitoreo dinámico de estados cognitivos críticos. A partir de las variables con mayor capacidad
explicativa, se formuló un modelo matemático multivariable para representar el comportamiento de la
sobrecarga cognitiva dentro del sistema computacional propuesto. El modelo fue expresado mediante
una ecuación de regresión lineal múltiple:
SC = β
0
+ β
1
F D + β
2
EA + β
3
CV + β
4
T P − β
5
RA + ε (1)
donde: (SC): sobrecarga cognitiva, (FD): fatiga digital, (EA): estrés académico, (CV): complejidad de
contenidos, (TP): tiempo en plataformas virtuales, (RA): rendimiento académico, (ε): término de error
del modelo.
La formulación matemática permitió representar computacionalmente la interacción simultánea en-
tre variables cognitivas y tecnológicas, facilitando p osteriormente el entrenamiento del sistema predictivo
basado en aprendizaje automático. Desde el enfoque ingenieril, este modelo constituyó la estructura
funcional inicial para la simulación de escenarios educativos adaptativos y para la detección automati-
zada de estados de alta carga mental dentro de ambientes universitarios digitales.
E. Entrenamiento y desempeño del modelo computacional predictivo
Con el propósito de identiĄcar patrones asociados a estados de sobrecarga cognitiva y generar predic-
ciones automatizadas dentro del entorno académico digital, se implementaron distintos algoritmos de
aprendizaje automático utilizando las variables cognitivas, académicas y tecnológicas previamente anal-
izadas. El conjunto de datos fue dividido en una fase de entrenamiento (80%) y una fase de validación
(20%), permitiendo evaluar la estabilidad y capacidad predictiva de cada modelo computacional bajo
condiciones controladas. Inicialmente, se compararon tres algoritmos ampliamente utilizados en sis-
temas inteligentes y analítica predictiva: regresión logística, máquinas de soporte vectorial (SVM) y
Random Forest . La evaluación del desempeño se realizó mediante métricas de clasiĄcación orientadas
a determinar la capacidad del sistema para detectar escenarios de alta sobrecarga cognitiva en estudi-
antes universitarios. La Tabla
4 presenta los resultados comparativos obtenidos durante el proceso de
validación computacional.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
24
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
Tabla 4. Desempeijo comparativo de los modelos predictivos implementados.
Modelo computacional Accuracy Precision Recall F1-score
Regresión logística 0,81 0,79 0,77 0,78
SVM 0,85 0,83 0,82 0,82
Random Forest 0,91 0,89 0,90 0,89
Nota. El conjunto de datos fue dividido en 80% para entrenamiento y 20% para validación.
Los resultados evidenciaron que el algoritmo Random Forest alcanzó el mejor desempeño global,
registrando una exactitud del 91% y valores superiores en todas las métricas de clasiĄcación. Este
comportamiento indicó una elevada capacidad del modelo para reconocer patrones complejos asocia-
dos a la saturación cognitiva estudiantil, incluso en escenarios donde múltiples variables interactuaban
simultáneamente. Por otro lado, aunque la regresión logística presentó resultados aceptables, su capaci-
dad predictiva fue inferior frente a los algoritmos basados en aprendizaje no lineal, particularmente en
contextos donde la interacción entre variables cognitivas y tecnológicas resultó altamente dinámica. De
manera similar, el modelo SVM mostró un desempeño intermedio, evidenciando una adecuada capacidad
de clasiĄcación, aunque con menor estabilidad frente a variaciones en los datos de entrenamiento.
Desde el enfoque ingenieril, los resultados conĄrmaron que los modelos basados en ensamblaje com-
putacional poseen una mayor capacidad para representar sistemas educativos complejos caracterizados
por múltiples factores simultáneos de inĆuencia. La arquitectura Random Forest permitió además re-
ducir problemas de sobreajuste y mejorar la generalización predictiva del sistema inteligente propuesto.
Complementariamente, el comportamiento matemático del algoritmo seleccionado puede representarse
mediante una función de decisión basada en la agregación de árboles de clasiĄcación independientes:
F (x) =
1
N
N
X
i=1
T
i
(x) (2)
donde: (F (x)) representa la predicción Ąnal del sistema computacional, (T
i
(x)) corresponde a cada
árbol de decisión individual, (N) representa el número total de árboles utilizados en el modelo.
Esta formulación permitió integrar múltiples criterios de dec isión dentro de un único sistema pre-
dictivo robusto, incrementando la precisión de l análisis cognitivo y facilitando la detección temprana
de condiciones académicas potencialmente críticas. Desde una perspectiva aplicada, el modelo de-
sarrollado puede constituir la base para futuros sistemas inteligentes adaptativos capaces de regular
dinámicamente actividades académicas, complejidad de contenidos y distribución de tareas según el
estado cognitivo estimado de cada estudiante.
F. Simulación computacional de escenarios académicos
Con la Ąnalidad de analizar el comportamiento dinámico del modelo predictivo ante diferentes
condiciones académicas y tecnológicas, se desarrolló una simulación computacional basada en escenarios
progresivos de carga cognitiva. Esta etapa permitió evaluar la sensibilidad del sistema inteligente frente
a variaciones en el tiempo de exposición digital, complejidad de contenidos y niveles de estrés académico,
reproduciendo condiciones similares a las experimentadas en entornos universitarios reales.
La simulación fue ejecutada mediante iteraciones computacionales controladas, donde las variables
de entrada fueron modiĄcadas gradualmente para observar el comportamiento predictivo del algoritmo
Random Forest. Los escenarios evaluados permitieron estimar probabilidades de saturación cognitiva
y detectar umbrales críticos asociados al deterioro del rendimiento académico. La Figura
2 presenta
el comportamiento del nivel estimado de sobrecarga cognitiva según el incremento progresivo de la
exposición digital y presión académ ica.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
25
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
Fig. 2. Simulación computacional del nivel de sobrecarga cognitiva en función de la exposición
digital y estrés académico.
Los resultados evidenciaron un crecimiento no lineal de la sobrecarga cognitiva conforme aumenta-
ban simultáneamente las horas de interacción digital y los niveles de presión académica. Particularmente,
los escenarios superiores a seis horas diarias de exposición tecnológica mostraron incrementos acelerados
en los niveles de saturación mental, aproximándose a estados críticos de fatiga cognitiva y disminución
del rendimiento académico. Desde el análisis computacional, el modelo demostró una elevada sensibil-
idad frente a cambios pequeños en las variables de entrada, permitiendo detectar transiciones rápidas
entre estados moderados y críticos de carga mental. Este comportamiento resultó especialmente rele-
vante para el diseño de sistemas inteligentes adaptativos, ya que evidencia la posibilidad de implementar
mecanismos automáticos de alerta temprana y regulación académica. El comportamiento dinámico de
la simulación pudo representarse mediante una función de crecimiento no lineal asociada al incremento
acumulativo de estímulos cognitivos:
SC(t) = α ln(ED + 1) + βEA + γCC (3)
donde: (SC(t)): nivel de sobrecarga cognitiva estimada, (ED): exposición digital, (EA): estrés académico,
(CC): complejidad de contenidos, (α, β, γ): coeĄcientes de ponderación del sistema.
La incorporación de esta formulación matemática permitió representar computacionalmente la
evolución progresiva de la carga cognitiva en función de múltiples estímulos académicos simultáneos.
Desde el enfoque ingenieril, la simulación desarrollada constituye un aporte relevante para el diseño de
plataformas inteligentes orientadas a monitorear estados cognitivos en tiempo real y optimizar dinámi-
camente la distribución de actividades educativas dentro de entornos universitarios digitales.
G. Importancia computacional de las variables predictoras
Con el propósito de identiĄcar cuáles factores ejercían mayor inĆuencia dentro del sistema inteligente
propuesto, se realizó un análisis de importancia de variables utilizando el algoritmo Random Forest se-
leccionado previamente. Esta etapa permitió cuantiĄcar el aporte relativo de cada variable al proceso de
predicción de la sobrecarga cognitiva, facilitando la comprensión del comportamiento interno del modelo
computacional y fortaleciendo la interpretabilidad del sistema. El análisis de importancia se ejecutó me-
diante la reducción promedio de impureza generada por cada variable dentro de los árboles de decisión
del modelo. Este procedimiento permitió determinar cuáles factores contribuían e n mayor medida a la
clasiĄcación de estados cognitivos críticos. La Figura
3 presenta la jerarquización computacional de las
variables predictoras incorporadas en el sistema.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
26
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
Fig. 3. Importancia relativa de las variables dentro del modelo predictivo.
Los resultados evidenciaron que la fatiga digital constituyó la variable de mayor inĆuencia dentro del
sistema predictivo, seguida del estrés académico y del tiempo de interacción con plataformas virtuales.
Este comportamiento conĄrmó que la exposición prolongada a entornos digitales y la acumulación
de presión académica representan factores determinantes en la aparición de estados de saturación
cognitiva en estudiantes universitarios. Asimismo, la complejidad percibida de los contenidos presentó
una inĆuencia considerable dentro del modelo, indicando que no solamente la cantidad de actividades
académicas afecta la carga mental, sino también el nivel de diĄcultad cognitiva requerido para procesar
la información. En contraste, variables como calidad del descanso y rendimiento académico mostraron
una participación menor dentro de la estructura predictiva, aunque continuaron aportando información
relevante para mejorar la estabilidad global del sistema.
Desde el enfoque ingenieril, estos resultados p ermitieron optimizar la arquitectura computacional
mediante la priorización de variables críticas durante el entrenamiento del algoritmo. La reducción de
dimensionalidad y la identiĄcación de factores dominantes favorecieron además la eĄciencia computa-
cional del modelo, disminuyendo tiempos de procesamiento y mejorando la capacidad de generalización
predictiva. La importancia relativa de las variables dentro del sistema puede representarse matemática-
mente mediante una función ponderada de contribución computacional:
I
j
=
P
n
k=1
∆E
jk
P
m
j=1
P
n
k=1
∆E
jk
(4)
donde: (I
j
): importancia relativa de la variable (j), (∆E
jk
): reducción de error generada por la
variable (j) en el nodo (k), (m): número total de variables, (n): número total de nodos evaluados.
Esta formulación permitió cuantiĄcar matemáticamente el aporte individual de cada variable al
desempeño global del sistema inteligente, proporcionando una base sólida para el diseño de futuras
plataformas adaptativas orientadas a la regulación automática de la carga cognitiva en contextos ed-
ucativos digitales.
H. Arquitectura del sistema inteligente para la reducción de la sobrecarga cognitiva
Con base en los resultados obtenidos mediante el análisis estadístico, el modelado matemático y la
simulación computacional, se diseñó una arquitectura conceptual orientada a la detección y mitigación
automatizada de estados de sobrecarga cognitiva en estudiantes universitarios. El sistema propuesto
integra procesos de adquisición de datos académicos, análisis predictivo y retroalimentación adaptativa,
permitiendo generar recomendaciones dinámicas según el comportamiento cognitivo estimado del es-
tudiante. La arquitectura desarrollada fue estructurada en cuatro módulos principales: adquisición de
variables cognitivas y académicas, procesamiento computacional de datos, motor predictivo basado en
aprendizaje automático y sistema adaptativo de respuesta académica. La Figura
4 presenta la estructura
funcional del sistema inteligente propuesto.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
27
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
Fig. 4. Arquitectura conceptual del sistema inteligente para la reducción de la sobrecarga
cognitiva.
Los resultados obtenidos demostraron que la integración de modelos computacionales dentro de en-
tornos educativos universitarios p ermite detectar tempranamente condiciones asociadas a fatiga mental
y saturación cognitiva. Asimismo, la arquitectura propuesta evidencia el potencial de los sistemas in-
teligentes adaptativos para optimizar procesos de aprendizaje mediante mecanismos automáticos de
regulación académica. Desde el enfoque ingenieril, el sistema desarrollado constituye una aproximación
funcional hacia plataformas educativas capaces de combinar analítica predictiva, modelado matemático
y aprendizaje automático en tiempo real, favoreciendo una gestión más eĄciente de los procesos cogni-
tivos estudiantiles en entornos digitales de alta exigencia.
CONCLUSIONES
Los resultados obtenidos evidenciaron que la sobrecarga cognitiva en estudiantes de administración
se encuentra estrechamente relacionada con factores como la fatiga digital, el estrés académico y el
tiempo de interacción con plataformas virtuales. La elevada exposición a entornos digitales y la acu-
mulación simultánea de actividades académicas generaron condiciones favorables para el incremento de
la saturación mental y la disminución del rendimiento académico percibido. El desarrollo del modelo
computacional predictivo permitió identiĄcar patrones relevantes asociados a estados de alta carga cog-
nitiva, demostrando que las técnicas de aprendizaje automático constituyen herramientas efectivas para
el análisis de variables académicas y cognitivas en contextos universitarios digitales. Entre los algoritmos
implementados, el modelo Random Forest presentó el mejor desempeño predictivo, alcanzando niveles
elevados de precisión y estabilidad computacional.
Asimismo, la simulación de escenarios académicos conĄrmó que el incremento progresivo de la
exposición digital y la presión académica produce un crecimiento signiĄcativo de los niveles de sobre-
carga cognitiva. Estos hallazgos evidencian la necesidad de incorp orar sistemas inteligentes adaptativos
capaces de monitorear dinámicamente el comportamiento cognitivo estudiantil y generar mecanismos
automáticos de regulación académica. Desde el enfoque ingenieril, la investigación permitió integrar
modelado matemático, aprendizaje automático y simulación computacional dentro de una arquitectura
funcional orientada a la detección temprana de estados críticos de fatiga mental. El sistema propuesto
representa una aproximación aplicable al desarrollo de plataformas educativas inteligentes capaces de
optimizar procesos de aprendizaje mediante análisis predictivo y adaptación dinámica de actividades
académicas.
Finalmente, el estudio aporta evidencia sobre el potencial de la inteligencia artiĄcial y los modelos
computacionales para fortalecer la gestión educativa en entornos digitales universitarios, contribuyendo
al diseño de estrategias orientadas a mejorar el bienestar cognitivo y la sostenibilidad del aprendizaje
en contextos de crecie nte complejidad tecnológica.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
28
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 19Ű29)
REFERENCIAS
[1] N. Qamar, I. Ullah, F. Zeib, and M. Z. Khan, ŞThe role of AI in reducing cognitive overload complex
learning environments,Ť Review of Applied Management and Social Sciences, vol. 8, no. 2, pp.
1111Ű1127, 2025, doi: 10.47067/ramss.v8i2.541.
[2] H. Pang, X. Jin, and W. Zhang, ŞDeciphering the underlying repercussions of cognitive overload on
university studentsŠ fatigue, frustration and academic productivity: Implementation of stimulusŰ
organismŰresponse model,Ť Acta Psychologica, vol. 260, p. 105469, 2025, art. no. 105469. doi:
10.1016/j.actpsy.2025.105469.
[3] M. A. Pasha, S. Nadeem, A. Rasool, F. ShaĄque, H. Imran, S. Kanwal, and K. Yasmeen, ŞDigital
fatigue and cognitive overload as managerial challenges understanding the impact of workload
management on the workforce,Ť The Critical Review of Social Sciences Studies, vol. 3, no. 4, pp.
1629Ű1641, 2025, doi: 10.52970/grsse.v5i2.1275.
[4] M. Kabir, A. Zafar, Z. Naz, and F. Maqsood, ŞThe role of personalized AI-based learning tools in
reducing cognitive overload and enhancing academic motivation,Ť Review of Applied Management
and Social Sciences, vol. 8, no. 3, pp. 1261Ű1275, 2025, doi: 10.47067/ramss.v8i3.544.
[5] S. M. Kashlot, I. Ruthven, and Y. Moshfeghi, ŞStrategies for managing information overload: a
systematic review,Ť Journal of Documentation, vol. 82, no. 2, pp. 249Ű265, 2026, doi: 10.1108/JD-
09-2025-0257.
[6] S. Barigidad, S. Hameed, N. Karri, S. K. Jangam, P. S. R. Pedda, and D. Gupta, ŞComputational
modeling of AI-enhanced learning pathways: A mathematical framework for optimizing knowledge
acquisition, cognitive load management, and student performance in STEM education,Ť in 2025 In-
ternational Conference on AI-Driven STEM Education and Learning Technologies (AISTEMEDU),
2025, pp. 1Ű7.
[7] M. N. Algewatta and K. Manathunga, ŞA BI approach for student engagement and reten-
tion along with cognitive load analysis for educator,Ť in 2025 5th International Conference
on Advanced Research in Computing (ICARC), Belihuloya, Sri Lanka, 2025, pp. 1Ű6, doi:
10.1109/ICARC64760.2025.10962823.
[8] L. Rodrig and L. Marlow, ŞCognitive load management in digital learning environments: Impli-
cations for student performance,Ť Innovative Journal of Educational Research and Insights, pp.
188Ű197, 2025.
[9] E. Gkintoni, H. Antonopoulou, A. Sortwell, and C. Halkiopoulos, ŞChallenging cognitive load the-
ory: The role of educational neuroscience and artiĄcial intelligence in redeĄning learning efficacy,Ť
Brain Sciences, vol. 15, no. 2, p. 203, 2025, art. no. 203. doi: 10.3390/brainsci15020203.
[10] K. Twabu, ŞEnhancing the cognitive load theory and multimedia learning framework with AI
insight,Ť Discover Education, vol. 4, p. 160, 2025, art. no. 160. doi: 10.1007/s44217-025-00592-
6.
[11] X. Wan and J. Liu, ŞHuman-computer interaction strategies to alleviate information overload in
business contexts,Ť International Journal of HumanŰComputer Interaction, vol. 41, no. 21, pp.
13 349Ű13 362, 2025, doi: 10.1080/10447318.2025.2470296.
[12] P. Gupta and A. Prashar, ŞLearnersŠ psychological needs in online learning environment for ex-
ecutive education: role of cognitive overload and learning self-efficacy,Ť Behaviour & Information
Technology, vol. 44, no. 9, pp. 1942Ű1963, 2025, doi: 10.1080/0144929X.2024.2383777.
[13] G. Chirayath, K. Premamalini, and J. Joseph, ŞCognitive offloading or cognitive overload? How
AI alters the mental architecture of coping,Ť Frontiers in Psychology, vol. 16, p. 1699320, 2025,
art. no. 1699320. doi: 10.3389/fpsyg.2025.1699320.
[14] A. Batubara, F. Rachman, R. Nababan, L. Siagian, and A. Latifah, ŞBrain Ćow: A gamiĄed digi-
tal assessment with chunking enhancing patriotism reducing cognitive overload,Ť in International
Conference on Social Sciences and Interdisciplinary Studies (ICSSIS 2025). Paris, France: Atlantis
Press, 2025, pp. 273Ű281, doi: 10.2991/978-2-38476-499-0_22.
Cáceres R. et al. Modelos computacionales para la reducción de la sobrecarga cognitiva en estudiantes de
administración
29
