ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
Artículo de investigación https://doi.org/10.47460/athenea.v7i24.142
Modelo de inteligencia artiőcial para la mitigación del estrés académico
en estudiantes de administración
Beth Evelyn Cárdenas Núñez
https://orcid.org/0000-0003-4949-2117
beth.cardenas@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
María del Carmen Barriga García
https://orcid.org/0009-0005-1477-1820
mbarrigag@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
Stephanie Delia Rivera Pinto
https://orcid.org/0009-0000-1059-8171
srivera@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
Alonzo Pinto Hurtado
https://orcid.org/0009-0007-3552-2676
apinto@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
Gonzalo Ernesto Vera Zavala
https://orcid.org/0009-0000-7951-0991
gveraz@ucsm.edu.pe
Universidad Católica de Santa María
Arequipa, Perú
*Autor de correspondencia:
beth.cardenas@ucsm.edu.pe
Recibido: (02/02/2026), Aceptado: (10/05/2026)
Resumen. El estrés académico constituye uno de los principales problemas emocionales en estudi-
antes 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
artiĄcial 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 univer-
sitarios. Se emplearon algoritmos como Random Forest, XGBoost, SVM y redes neuronales multicapa
para identiĄcar patrones emocionales y académicos asociados al estrés. Los resultados evidenciaron que
XGBoost alcanzó el m ayor desempeño predictivo y que la intervención inteligente adaptativa permitió
reducir progresivamente los niveles de estrés académico. Se concluyó que la inteligencia artiĄcial posee
elevado potencial para fortalecer estrategias preventivas y sistemas de apoyo emo cional en educación
superior.
Palabras clave: inteligencia artiĄcial, estrés académico, aprendizaje automático, educación superior.
Artificial Intelligence Model for Mitigating Academic Stress in Management
Students
Abstract. Academic stress constitutes one of the main emotional challenges among university stu-
dents due to the increasing academic and digital pressure present in contemporary higher education.
This study aimed to develop an artiĄcial intelligence model for mitigating academic stress in manage-
ment students through machine learning techniques and predictive simulation. The study adopted a
quantitative approach, a non-experimental design, and an explanatory-predictive scope, considering a
sample of 384 university students. Algorithms such as Random Forest, XGBoost, SVM, and multilayer
neural networks were used to identify emotional and academic patterns associated with stress. The
results showed that XGBoost achieved the highest predictive performance and that adaptive intelligent
intervention progressively reduced academic stress levels. It is concluded that artiĄcial intelligence has
strong potential to strengthen preventive strategies and emotional support systems in higher education.
Keywords: artiĄcial intelligence, academic stress, machine learning, higher education.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
39
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
I. INTRODUCCIÓN
La transformación digital de la educación superior ha modiĄcado signiĄcativamente las dinámicas de
aprendizaje, interacción académica y gestión emocional de los estudiantes universitarios. El crecimiento
del uso de plataformas digitales y herramientas basadas en inteligencia artiĄcial ha generado nuevos
escenarios educativos orientados a la automatización, personalización y análisis de procesos académicos
complejos [
1], [2]. En este contexto, la inteligencia artiĄcial se ha consolidado como una tecnología
estratégica capaz de identiĄcar patrones conductuales y emocionales mediante técnicas avanzadas de
aprendizaje automático [
3], [4].
Diversas investigaciones han evidenciado que la incorporación intensiva de tecnologías digitales
también ha incrementado las exigencias académicas, la sobrecarga cognitiva y los niveles de estrés
emocional en estudiantes universitarios [5], [6]. Particularmente, los estudiantes de administración
enfrentan elevados niveles de presión académica debido a la competitividad, la carga de actividades
y la adaptación constante a entornos digitales [
7]. Estas condiciones favorecen síntomas asociados al
agotamiento mental, ansiedad académica, procrastinación y deterioro del bienestar psicológico [
8], [9].
El estrés académico constituye actualmente uno de los principales problemas psicoeducativos en la
educación superior debido a sus efectos negativos sobre la concentración, el rendimiento y la estabilidad
emocional [10]. Estudios recientes han demostrado que factores como la calidad del sueño, la ansiedad
frente a evaluaciones y la sobreexposición digital mantienen relaciones signiĄcativas con el incremento
del estrés estudiantil [
11], [12]. Sin embargo, la complejidad de estas variables diĄculta la identiĄcación
temprana de patrones de riesgo mediante métodos tradicionales de análisis [
13], [14].
Frente a esta problemática, la inteligencia artiĄcial ha emergido como una alternativa innovadora
para el análisis predictivo de fenómenos educativos complejos. Algoritmos como Random Forest, XG-
Boost y redes neuronales multicapa permiten identiĄcar relaciones no lineales y construir modelos
predictivos con elevados niveles de precisión [
4], [5]. Asimismo, los sistemas inteligentes adaptativos
posibilitan generar recomendaciones dinámicas orientadas a mejorar hábitos de estudio, regulación emo-
cional y organización académica [
1], [3].
En este sentido, la presente investigación tuvo como objetivo desarrollar un modelo de inteligencia
artiĄcial para la mitigación del estrés académico en estudiantes de administración, integrando variables
emocionales, académicas y conductuales mediante técnicas avanzadas de aprendizaje automático y
simulación predictiva. El estudio buscó identiĄcar patrones de riesgo emocional, comparar el desempeño
de distintos algoritmos predictivos y evaluar la capacidad de un sistema inteligente adaptativo para
reducir progresivamente los niveles de estrés académico en contextos universitarios.
II. MARCO TEÓRICO
A. Inteligencia artificial y transformación de la educación superior
La inteligencia artiĄcial ha transformado signiĄcativamente los entornos educativos contemporáneos
mediante el desarrollo de sistemas capaces de procesar grandes volúmenes de información, identiĄcar
patrones complejos y generar respuestas adaptativas orientadas a optimizar procesos de aprendizaje [
5],
[
6]. En la educación superior, estas tecnologías han comenzado a desempeñar un papel estratégico
debido a su capacidad para automatizar análisis académicos, personalizar experiencias educativas y
mejorar la toma de decisiones institucionales basadas en datos [
7]. El crecimiento de herramientas in-
teligentes en contextos universitarios ha favorecido el surgimiento de modelos educativos más dinámicos,
interactivos y centrados en las necesidades individuales de los estudiantes.
Diversas investigaciones han señalado que la inteligencia artiĄcial permite analizar variables académi-
cas, emocionales y conductuales de manera simultánea, facilitando la identiĄcación temprana de riesgos
asociados al desempeño estudiantil y al bienestar psicológico [
1], [3]. Este enfoque resulta especial-
mente relevante en escenarios universitarios complejos donde los estudiantes enfrentan elevados niveles
de presión académica, adaptación tecnológica y sobrecarga cognitiva. En consecuencia, el uso de mod-
elos inteligentes ha comenzado a expandirse hacia áreas vinculadas con la salud mental, la regulación
emocional y la prevención del estrés académico.
El desarrollo reciente de algoritmos de aprendizaje automático ha fortalecido la capacidad predictiva
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
40
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
de los sistemas educativos inteligentes. Técnicas como Random Forest, XGBoost y re des neuronales
multicapa permiten construir modelos capaces de identiĄcar relaciones no lineales entre múltiples vari-
ables, superando las limitaciones de los enfoques estadísticos tradicionales [4], [5]. Estos algoritmos
presentan ventajas importantes en términos de precisión, adaptabilidad y capacidad de generalización,
lo que ha impulsado su aplicación en estudios relacionados con comportamiento estudiantil, rendimiento
académico y detección de vulnerabilidades emocionales [
9].
B. Estrés académico en estudiantes universitarios
El estrés académico constituye una respuesta psicológica y Ąsiológica generada por las exigencias
cognitivas, emocionales y sociales presentes en los entornos educativos [
10]. En estudiantes univer-
sitarios, este fenómeno se encuentra asociado con múltiples factores, entre ellos la carga académica
excesiva, la ansiedad frente a evaluaciones, la presión por el rendimiento, las diĄcultades de organi-
zación del tiempo y la adaptación a dinámicas institucionales altamente demandantes [
2], [8].
Diversos estudios han evidenciado que los estudiantes de carreras relacionadas con administración
presentan niveles elevados de estrés debido a la combinación de actividades analíticas, presión com-
petitiva y constante exposición a procesos de evaluación [
1], [12]. Estas condiciones generan efectos
negativos sobre la concentración, la motivación, el bienestar emocional y el desempeño académico,
incrementando además la probabilidad de agotamiento mental y deterioro de la salud psicológica.
La calidad del sueño ha sido identiĄcada como uno de los principales factores asociados al incre-
mento del estrés académico. Investigaciones recientes demostraron que la privación del descanso afecta
signiĄcativamente la capacidad de concentración, la regulación emocional y el procesamiento cogni-
tivo, favoreciendo el desarrollo de síntomas de ansiedad y agotamiento mental [
3], [11]. De manera
complementaria, el uso excesivo de plataformas digitales y la exposición prolongada a pantallas han
comenzado a relacionarse con procesos de fatiga cognitiva y procrastinación académica, especialmente
en contextos educativos altamente digitalizados [
7].
Asimismo, el estrés académico presenta una naturaleza multidimensional debido a la interacción
simultánea de variables emocionales, académicas, conductuales y tecnológicas. Esta complejidad di-
Ąculta la detección temprana de estudiantes en situación de riesgo utilizando únicamente métodos
convencionales de evaluación psicológica o análisis descriptivos tradicionales [
13]. En consecuencia,
la incorporación de modelos de inteligencia artiĄcial ha surgido como una alternativa innovadora para
abordar este problema desde una perspectiva predictiva y adaptativa.
C. Aprendizaje automático y analítica predictiva en contextos educativos
El aprendizaje automático constituye una rama de la inteligencia artiĄcial orientada al desarrollo
de algoritmos capaces de aprender automáticamente a partir de datos y mejorar progresivamente su
desempeño predictivo [
5]. En el ámbito educativo, estas técnicas han sido utilizadas para analizar
grandes conjuntos de información académica, identiĄcar patrones de comportamiento estudiantil y
generar modelos de predicción relacionados con rendimiento, deserción, participación y salud emocional
[
6].
La minería de datos educativos ha permitido fortalecer signiĄcativamente los procesos de analítica
predictiva en instituciones de educación superior. Mediante la integración de variables académicas,
psicológicas y tecnológicas, los sistemas inteligentes pueden construir perĄles estudiantiles complejos y
segmentar grupos de riesgo emocional con elevados niveles de precisión [
15]. Estas capacidades han
favorecido el desarrollo de modelos capaces de anticipar comportamientos asociados al estrés académico
antes de que se maniĄesten consecuencias severas sobre el rendimiento o el bienestar psicológico.
Entre los algoritmos más utilizados en analítica predictiva educativa destacan Random Forest y
XGBoost debido a su elevada capacidad para procesar relaciones complejas y reducir errores de clasi-
Ącación [4], [9]. Random Forest funciona mediante conjuntos de árboles de decisión que permiten
mejorar la estabilidad predictiva y minimizar el sobreajuste, mientras que XGBoost optimiza progresi-
vamente el aprendizaje mediante técnicas avanzadas de boosting orientadas a maximizar precisión y
velocidad computacional [
5].
Por otro lado, las redes neuronales multicapa han demostrado gran eĄcacia en escenarios donde
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
41
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
existen patrones emocionales altamente dinámicos y relaciones no lineales entre variables psicológicas
y académicas [
6]. Estas arquitecturas computacionales permiten modelar comportamientos comple-
jos mediante múltiples capas de procesamiento, favoreciendo la identiĄcación de estructuras latentes
difíciles de detectar mediante modelos lineales convencionales.
D. Modelos inteligentes adaptativos para la mitigación del estrés académico
El desarrollo de sistemas inteligentes adaptativos ha abierto nuevas posibilidades para la intervención
personalizada en contextos educativos universitarios. A diferencia de los modelos tradicionales de
evaluación psicológica, los sistemas basados en inteligencia artiĄcial poseen la capacidad de ajustar
dinámicamente sus recomendaciones según los patrones emocionales y conductuales de cada estudiante
[
1], [12].
Estos modelos permiten generar estrategias de mitigación orientadas a mejorar hábitos de estudio,
organización académica, regulación emocional y equilibrio cognitivo mediante recomendaciones person-
alizadas sustentadas en datos predictivos [3]. En este contexto, la inteligencia artiĄcial no solo actúa
como herramienta de detección temprana, sino también como mecanismo de apoyo preventivo orientado
a reducir progresivamente el impacto del estrés académico sobre el bienestar estudiantil. Asimismo, la
incorporación de simulaciones predictivas y modelos de comp ortamiento dinámico permite evaluar dis-
tintos escenarios de intervención emocional en estudiantes universitarios. Estas simulaciones facilitan
la construcción de estrategias institucionales más eĄcientes para la prevención de riesgos psicológicos y
la promoción de entornos educativos más saludables y adaptativos [
11].
Desde esta perspectiva, la integración de inteligencia artiĄcial, analítica predictiva y modelado
emocional representa una línea emergente de investigación con elevado potencial para transformar los
sistemas contemporáneos de apoyo estudiantil. La capacidad de los algoritmos inteligentes para identi-
Ącar patrones complejos y generar respuestas adaptativas convierte a estas tecnologías en herramientas
estratégicas para la mitigación del estrés académico en escenarios universitarios caracterizados por alta
complejidad emocional y tecnológica.
III. METODOLOGÍA
La investigación se desarrolló bajo un enfoque cuantitativo, de tipo aplicado y alcance explicativo-
predictivo, orientado al diseño y validación de un modelo de inteligencia artiĄcial para la mitigación
del estrés académico en estudiantes de administración. El estudio presentó un diseño no experimental,
transversal y correlacional multivariado, incorporando técnicas de analítica predictiva y aprendizaje
automático. Por otra parte, la población estuvo conformada por estudiantes universitarios de la carrera
de administración pertenecientes a distintos niveles académicos. La muestra estuvo integrada por 384
estudiantes, seleccionados mediante muestreo probabilístico estratiĄcado según semestre académico y
modalidad de estudio.
Para esta investigación se consideraron variables académicas, emocionales y tecnológicas asociadas
al estrés estudiantil, entre ellas calidad del sueño, carga académica percibida, ansiedad frente a eval-
uaciones, tiempo de exposición digital, organización académica y apoyo docente. El nivel de estrés
académico fue evaluado mediante una adaptación del Inventario SISCO SV-21. La recolección de datos
se realizó mediante encuestas digitales aplicadas a los estudiantes participantes. Posteriormente, se
desarrolló un proceso de preprocesamiento que incluyó limpieza de datos, normalización de variables y
normalización y optimización de variables para mejorar el desempeño predictivo del modelo.
Para la construcción del modelo predictivo se emplearon algoritmos de aprendizaje supervisado,
incluyendo Random Forest, XGBoost, Support Vector Machine (SVM), redes neuronales multicapa
(MLP) y regresión logística. El entrenamiento se efectuó utilizando validación cruzada k-fold (k = 10),
distribuyendo los datos en conjuntos de entrenamiento (70%), validación (15%) y prueba (15%). El
desempeño de los algoritmos fue evaluado mediante métricas como accuracy, precision, recall, F1-
score y curva ROC-AUC. Asimismo, se incorporó un sistema inteligente adaptativo orientado a generar
recomendaciones para la mitigación del estrés académico mediante simulaciones predictivas.
Finalmente, se aplicaron análisis descriptivos y correlacionales orientados a identiĄcar patrones
emocionales y académicos asociados al estrés estudiantil, permitiendo evaluar la capacidad predictiva y
funcional del modelo de inteligencia artiĄcial en contextos universitarios.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
42
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
IV. RESULTADOS
La caracterización de la muestra evidenció una predominancia de estudiantes del sexo femenino
y una mayor concentración de participantes entre los 21 y 23 años, correspondientes principalmente
a semestres intermedios de la carrera de administración. Asimismo, se observó que más de la mitad
de los estudiantes dedicaban entre dos y cuatro horas diarias al estudio, mientras que una prop orción
considerable reportó niveles moderados y bajos de calidad del sueño.
En relación con el uso de plataformas digitales, los resultados mostraron una elevada exposición
tecnológica, debido a que más del 77% de los estudiantes utilizaban herramientas académicas digitales
durante más de cuatro horas al día. Respecto al estrés académico, predominó el nivel moderado; sin
embargo, cerca del 35% de los participantes presentó niveles altos o severos, lo cual evidenció la exis-
tencia de condiciones emocionales relevantes que justiĄcaron la implementación del modelo predictivo
basado en inteligencia artiĄcial.
Tabla 1. Características sociodemográĄcas y académicas de la muestra.
Variable Categoría Frecuencia (n) Porcentaje (%)
Sexo Masculino 172 44,8
Femenino 212 55,2
Edad 18Ű20 aijos 96 25,0
21Ű23 aijos 168 43,8
24Ű26 aijos 82 21,4
Más de 26 aijos 38 9,8
Semestre académico Inicial (1.
o
Ű3.
o
) 121 31,5
Intermedio (4.
o
Ű6.
o
) 156 40,6
Avanzado (7.
o
Ű10.
o
) 107 27,9
Horas de estudio diarias Menos de 2 horas 74 19,3
2Ű4 horas 194 50,5
Más de 4 horas 116 30,2
Calidad del sueijo Baja 143 37,2
Moderada 171 44,5
Alta 70 18,3
Uso diario de plataformas dig-
itales
1Ű3 horas 88 22,9
4Ű6 horas 179 46,6
Más de 6 horas 117 30,5
Nivel inicial de estrés
académico
Bajo 69 18,0
Moderado 181 47,1
Alto 107 27,9
Severo 27 7,0
Nota. La tabla presenta la distribución sociodemográĄca y académica de la muestra analizada.
Por otra parte, la distribución del estrés académico mostró una concentración predominante en los
niveles moderado y alto, lo que sugirió la existencia de una presión académica sostenida dentro del
entorno universitario analizado. El nivel moderado representó casi la mitad de la muestra, mientras que
más de una cuarta parte de los estudiantes manifestó niveles altos de estrés, asociados principalmente
con sobrecarga de actividades, presión evaluativa y diĄcultades en la organización del tiempo.
De manera complementaria, aunque el porcentaje de estudiantes con estrés severo fue menor, su
presencia resultó signiĄcativa debido al potencial impacto sobre el rendimiento académico, la estabil-
idad emocional y la adaptación universitaria. Estos hallazgos evidenciaron la necesidad de desarrollar
mecanismos inteligentes de detección temprana y estrategias adaptativas orientadas a la mitigación del
estrés académico mediante modelos basados en inteligencia artiĄcial.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
43
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
Fig. 1. Distribución del nivel de estrés académico en estudiantes de administración.
El análisis de importancia de variables (Tabla
2) evidenció que la calidad del sueño constituyó el
principal factor predictivo asociado al estrés académico, alcanzando el mayor peso dentro del modelo
de inteligencia artiĄcial. Este resultado sugirió que las alteraciones en los patrones de descanso presen-
taron una relación directa con el incremento de síntomas de agotamiento emocional, disminución de
concentración y vulnerabilidad psicológica en estudiantes universitarios.
Además, la ansiedad frente a evaluaciones y la carga académica percibida mostraron niveles pre-
dictivos elevados, consolidándose como factores críticos dentro de la dinámica del estrés estudiantil.
Asimismo, variables relacionadas con hábitos digitales y organización del tiempo presentaron una inĆuen-
cia considerable en el desempeño del modelo, lo que evidenció la interacción compleja entre componentes
emocionales, académicos y tecnológicos.
En contraste, factores como el apoyo docente y la interacción social universitaria registraron niveles
moderados de inĆuencia predictiva, aunque mantuvieron relevancia dentro de la estructura multivariable
del sistema inteligente. Estos hallazgos permitieron identiĄcar patrones prioritarios para el diseño de
estrategias adaptativas de mitigación del estrés académico.
Tabla 2. Importancia de variables predictoras en el modelo de inteligencia artiĄcial.
Variable predictora Peso predictivo Nivel de importancia Ranking
Calidad del sueijo 0,91 Muy alto 1
Ansiedad frente a evaluaciones 0,88 Muy alto 2
Carga académica percibida 0,84 Muy alto 3
Organización del tiempo 0,79 Alto 4
Tiempo de exposición a pantallas 0,74 Alto 5
Agotamiento mental 0,71 Alto 6
Frecuencia de pausas cognitivas 0,66 Moderado 7
Apoyo docente percibido 0,61 Moderado 8
Interacción social universitaria 0,57 Moderado 9
Horas de estudio diarias 0,52 Moderado 10
Nota. La tabla presenta el peso predictivo de las variables incluidas en el modelo de inteligencia artiĄcial.
El mapa de calor (Tabla 3) evidenció la existencia de relaciones signiĄcativas entre las variables
emocionales, académicas y conductuales analizadas. Las correlaciones más elevadas se observaron
entre estrés académico y ansiedad frente a evaluaciones, así como entre estrés y agotamiento mental,
lo que conĄrmó la interacción directa entre presión académica y desgaste psicológico en estudiantes
universitarios.
Asimismo, se identiĄcó una fuerte correlación negativa entre calidad del sueño y niveles de es-
trés, indicando que la disminución del descanso se asoció con un incremento considerable de síntomas
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
44
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
emocionales adversos. De forma similar, el rendimiento académico y la capacidad de concentración
presentaron relaciones inversamente proporcionales con el estrés y la procrastinación, evidenciando el
impacto funcional de las alteraciones emocionales sobre el desempeño estudiantil.
Otro hallazgo relevante correspondió a la relación positiva entre tiempo de exposición digital y
procrastinación académica, sugiriendo que el uso excesivo de plataformas digitales podría actuar como
factor ampliĄcador del agotamiento cognitivo y de la diĄcultad para gestionar adecuadamente las activi-
dades universitarias. En conjunto, estos resultados respaldaron la pertinencia del modelo de inteligencia
artiĄcial para detectar patrones complejos de interacción asociados al estrés académico.
Tabla 3. Mapa de calor de correlaciones entre variables académicas y emocionales.
Variables Estrés Sueño Ansiedad Rendimiento Agotamiento Concentración Procrasti-
nación
Tiempo
digital
Estrés 1 -0,82 0,87 -0,71 0,84 -0,73 0,76 0,69
Sueño -0,82 1 -0,68 0,66 -0,72 0,63 -0,58 -0,51
Ansiedad 0,87 -0,68 1 -0,62 0,81 -0,66 0,73 0,59
Rendimiento -0,71 0,66 -0,62 1 -0,64 0,78 -0,55 -0,43
Agotamiento 0,84 -0,72 0,81 -0,64 1 -0,69 0,74 0,61
Concentración -0,73 0,63 -0,66 0,78 -0,69 1 -0,57 -0,46
Procrastinación 0,76 -0,58 0,73 -0,55 0,74 -0,57 1 0,65
Tiempo digital 0,69 -0,51 0,59 -0,43 0,61 -0,46 0,65 1
Nota. Los valores corresponden a coeĄcientes de correlación entre variables académicas, emocionales y
conductuales.
Los resultados del análisis comparativo (Tabla
4) evidenciaron diferencias signiĄcativas en el de-
sempeño predictivo de los algoritmos de inteligencia artiĄcial utilizados para la identiĄcación de niveles
de estrés académico. El modelo XGBoost alcanzó el mayor rendimiento global, registrando valores su-
periores en accuracy, precisión, F1-score y área bajo la curva ROC, lo que indicó una elevada capacidad
para clasiĄcar correctamente los niveles de estrés en estudiantes universitarios.
Por otro lado, los modelos basados en Random Forest y redes neuronales multicapa también pre-
sentaron desempeños robustos, con métricas superiores al 89% en la mayoría de los indicadores evalu-
ados. Estos resultados sugirieron que los algoritmos basados en aprendizaje ensemble y arquitecturas
neuronales lograron captar relaciones complejas y patrones no lineales entre variables académicas, emo-
cionales y conductuales.
En Cambio, la regresión logística presentó el menor desempeño predictivo, evidenciando limitaciones
para modelar dinámicas multidimensionales aso c iadas al estrés académico. Este comp ortamiento con-
Ąrmó la necesidad de emplear modelos de inteligencia artiĄcial más avanzados en escenarios educativos
caracterizados por alta complejidad emocional y variabilidad conductual.
Tabla 4. Desempeijo comparativo de algoritmos de inteligencia artiĄcial para la predicción del
estrés académico.
Algoritmo Accuracy Precision Recall F1-score ROC-AUC
Random Forest 0,89 0,88 0,87 0,88 0,92
XGBoost 0,93 0,92 0,91 0,92 0,96
SVM 0,86 0,84 0,83 0,84 0,89
MLP 0,90 0,89 0,88 0,89 0,93
Regresión logística 0,81 0,80 0,78 0,79 0,84
Nota. La tabla compara las métricas de desempeijo predictivo de los algoritmos empleados.
La curva ROC (Tabla
4) comparativa evidenció que el modelo XGBoost presentó la mayor capacidad
discriminativa para la predicción de niveles de estrés académico, alcanzando un área bajo la curva de
0,96. Este resultado indicó un desempeño predictivo sobresaliente y una elevada capacidad del algoritmo
para diferenciar correctamente estudiantes con distintos niveles de riesgo emocional. Asimismo, los
modelos MLP y Random Forest mostraron desempeños altamente competitivos, manteniendo valores
de ROC-AUC superiores a 0,90, lo que conĄrmó la eĄcacia de los enfoques basados en aprendizaje
profundo y árboles de decisión ensemble para el análisis de variables académicas complejas.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
45
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
Por otro lado, aunque el modelo de re gresión logística presentó un comportamiento aceptable, su
capacidad discriminativa resultó inferior respecto a los algoritmos avanzados de inteligencia artiĄcial,
evidenciando limitaciones para capturar relaciones no lineales y patrones multidimensionales presentes
en el comportamiento estudiantil. En términos generales, los resultados conĄrmaron que los modelos
de aprendizaje automático avanzados ofrecieron una mayor precisión para la detección temprana del
estrés académico, fortaleciendo el potencial de la inteligencia artiĄcial como herramienta de apoyo en
contextos universitarios.
Fig. 2. Curvas ROC comparativas de los modelos de inteligencia artiĄcial empleados para la
predicción del estrés académico.
El análisis de agrupamiento realizado mediante algoritmos de inteligencia artiĄcial permitió iden-
tiĄcar cuatro perĄles diferenciados de estudiantes según sus patrones emocionales, académicos y con-
ductuales asociados al estrés académico (Tabla 5). El clúster predominante correspondió al grupo de
estrés moderado adaptativo, caracterizado por estudiantes que, pese a experimentar presión académica,
mantuvieron niveles funcionales de organización y rendimiento.
Se observa también que, cerca de un tercio de la muestra, fue clasiĄcada dentro del clúster de
alto estrés y privación de sueño, evidenciando una interacción signiĄcativa entre agotamiento mental,
ansiedad evaluativa y deterioro del descanso. Este grupo presentó mayores probabilidades de desarrollar
síntomas emocionales persistentes y disminución del desempeño académico.
Asimismo, se identiĄcó un clúster de riesgo emocional severo compuesto por estudiantes con ele-
vados niveles de procrastinación, agotamiento cognitivo y bajo ap oyo social universitario. Aunque este
grupo representó la menor proporción de participantes, constituyó el segmento de mayor vulnerabilidad
emocional dentro del modelo predictivo.
Finalmente, el clúster resiliente mostró patrones de regulación académica y emocional signiĄca-
tivamente más estables, caracterizados por hábitos organizacionales adecuados y menor afectación
psicológica frente a la carga universitaria. Estos hallazgos permitieron demostrar la capacidad del mod-
elo de inteligencia artiĄcial para segmentar perĄles estudiantiles complejos y detectar grupos prioritarios
para intervenciones adaptativas.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
46
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
Tabla 5. Clústeres de estudiantes según patrones de estrés académico identiĄcados mediante
inteligencia artiĄcial.
Clúster Características predominantes Nivel de estrés Porcentaje (%)
Clúster 1. Alto estrés y pri-
vación de sueijo
Baja calidad del sueijo, elevada ansiedad evalua-
tiva, agotamiento mental y sobrecarga académica
Alto 29,4
Clúster 2. Estrés moderado
adaptativo
Estrés funcional, organización académica moder-
ada y adecuado rendimiento
Moderado 38,7
Clúster 3. Riesgo emocional
severo
Elevada procrastinación, agotamiento cognitivo,
bajo apoyo social y bajo rendimiento académico
Severo 12,8
Clúster 4. PerĄl resiliente Alta organización del tiempo, descanso adecuado
y bajo impacto emocional
Bajo 19,1
Nota. La tabla presenta los perĄles estudiantiles identiĄcados mediante el análisis de agrupamiento.
La simulación predictiva (Figura
3) evidenció diferencias signiĄcativas entre los escenarios evaluados
para la mitigación del estrés académico. El escenario sin intervención mostró un incremento progresivo
de los niveles de estrés a lo largo del periodo analizado, sugiriendo una acumulación sostenida de presión
académica y agotamiento emocional en ausencia de estrategias de apoyo.
En contraste, la intervención básica produjo una reducción moderada de los índices de estrés,
evidenciando efectos positivos asociados a recomendaciones generales de organización académica y
regulación emocional. Sin embargo, el descenso observado fue considerablemente menor en comparación
con el modelo inteligente adaptativo.
Por otro lado, el sistema basado en inteligencia artiĄcial presentó la mayor capacidad de mitigación,
mostrando una reducción acelerada y sostenida del estrés académico desde las primeras semanas de
intervención. Este comportamiento evidenció la eĄcacia potencial de los mo delos adaptativos person-
alizados para identiĄcar patrones emocionales y generar recomendaciones dinámicas ajustadas a las
necesidades especíĄcas de cada estudiante. En términos generales, los resultados respaldaron la aplica-
bilidad de la inteligencia artiĄcial como herramienta estratégica para la detección temprana y mitigación
del estrés académico en contextos universitarios complejos.
Fig. 3. Simulación predictiva de reducción del estrés académico mediante intervención
inteligente.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
47
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
CONCLUSIONES
La investigación evidenció que la inteligencia artiĄcial posee una elevada capacidad para identi-
Ącar patrones asociados al estrés académico en estudiantes universitarios de administración, integrando
variables emocionales, académicas y conductuales mediante modelos predictivos avanzados. Los re-
sultados demostraron que factores como la calidad del sueño, la ansiedad frente a evaluaciones y la
carga académica percibida mantuvieron una inĆuencia signiĄcativa sobre los niveles de estrés estudiantil,
conĄrmando la naturaleza multidimensional de este fenómeno en contextos de educación superior.
Asimismo, el análisis comparativo de algoritmos permitió determinar que los modelos basados en
aprendizaje ensemble y aprendizaje profundo, particularmente XGBoost y redes neuronales multicapa,
alcanzaron mayores niveles de precisión predictiva en comparación con enfoques tradicionales. Estos
hallazgos evidenciaron el potencial de la inteligencia artiĄcial para fortalecer procesos de detección
temprana de riesgo emocional y mejorar el análisis de dinámicas académicas complejas en entornos
universitarios digitalizados.
De manera complementaria, la segmentación de perĄles estudiantiles mediante técnicas de agru-
pamiento permitió identiĄcar distintos nive les de vulnerabilidad emocional, diferenciando grupos car-
acterizados por agotamiento mental, privación del sueño y procrastinación académica. Esta capacidad
de clasiĄcación favorece el diseño de estrategias institucionales más focalizadas y adaptativas para el
acompañamiento estudiantil.
Finalmente, la simulación predictiva mostró que las intervenciones inteligentes adaptativas podrían
contribuir progresivamente a la reducción de los niveles de estrés académico, superando los efectos
obtenidos mediante estrategias convencionales de apoyo. En este sentido, la investigación permitió
evidenciar que la integración de inteligencia artiĄcial y analítica predictiva representa una alternativa
prometedora para el desarrollo de sistemas universitarios orientados a la prevención, monitoreo y miti-
gación del estrés académico en escenarios educativos contemporáneos.
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 mo derating 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, perceived
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.
[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.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
48
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 39Ű49)
[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.
Cárdenas B. et al. Modelo de inteligencia artiĄcial para la mitigación del estrés académico...
49
