Modelos predictivos para la estimación de adolescentes con tendencia al alcoholismo

Contenido principal del artículo

Fausto Salazar Fierro
Jorge Castañeda
Marco Revelo-Aldás

Resumen

Una de las drogas más consumidas a nivel mundial, es sin lugar a duda el alcohol. Según algunas evidencias, los jóvenes suelen tomar contacto con el alcohol entre los 12 y 17 años, esto ha llevado a la realización de diferentes investigaciones con el fin de entender los patrones que pueden condicionar en los jóvenes el consumo de alcohol. El presente artículo tiene como objetivo analizar tres diferentes modelos predictivos basados en Machine Learning, con el fin de entender cuál de los modelos analizados responden de mejor manera al estudio de la predicción de la tendencia al alcoholismo en jóvenes. Para la realización del análisis, se ha tomado como base un dataset de 521 registros, obtenido de Kagle como modelo, el cual fue sometido al análisis de los tres modelos. Según las pruebas realizadas con los modelos predictivos, el modelo de Regresión Lineal posee una mayor preci-sión con un accuracy de 1.00 frente al 0.95 del modelo KNN y 0.98 del Árbol de Decisión. El estudio nos determina en las curvas ROC analizadas que el modelo de regresión lineal alcanza mejores resultados entre la sensibilidad de los verdaderos positivos y la especificidad de los falsos positivos. Por otro lado, debemos mencionar que según el dataset analizado, se tendría que los indicadores de predicción son: la zona donde vive el adolescente, el estado familiar en el que crece y la disposición de tiempo libre. Si bien el estudio no pretende ser concluyente, refleja la importancia de reconocer los factores psicosociales protectores en el diseño e implementación de programas de promoción y prevención asociados al consumo responsable de alcohol y de conducta no violenta con adolescentes desde una perspectiva salutogénica.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Salazar FierroF., CastañedaJ., & Revelo-AldásM. (2022). Modelos predictivos para la estimación de adolescentes con tendencia al alcoholismo. AXIOMA, 1(26), 74-79. https://doi.org/10.26621/ra.v1i26.779
Sección
SALUD Y BIENESTAR

Citas

Ángel Freddy Godoy Viera. (2017). Técnicas de aprendizaje de máquina utilizadas para la minería de texto. INVESTIGACIÓN BIBLIOTECOLÓGICA, 31(0187–358), 103–126.
César Andrés Gómez-Acosta y Constanza Londoño Pérez. (2013). Modelo Predictor Del Consumo Responsable De Alcohol Y El Comportamiento Típicamente No Violento En Adolescentes Predictive Model Of Responsible Consumption Of Alcohol And Typically Not Violent Behavior In Adolescents. Salud y Drogas, 13(1578–5319), 22–33.
Czado, C., Gneiting, T., & Held, L. (2009). Predictive Model Assessment for Count Data. Biometrics, 65(4). https://doi.org/10.1111/j.1541-0420.2009.01191.x
Espino Timón, C., & Martínez Fontes, X. (2017). “Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. 26/27, I(Principio activo y prestación ortoprotésica), 67.
Salamó Avellaneda, A. G. P. M. E. F.-M. S. (2010). Patrones de consumo de alcohol en la adolescencia. Psicothema, 6(0214–9915), 189–195.
Espino Timón, C., & Martínez Fontes, X. (2017). “Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. 26/27, I(Principio activo y prestación ortoprotésica), 67.
Herrera-Granda, I. D., Chicaiza-Ipiales, J. A., Herrera-Granda, E. P., Lorente-Leyva, L. L., Caraguay-Procel, J. A., García-Santillán, I. D., & Peluffo-Ordóñez, D. H. (2019). Artificial Neural Networks for Bottled Water Demand Forecasting: A Small Business Case Study. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11507 LNCS, 362–373. https://doi.org/10.1007/978-3-030-20518-8_31
Hu, Y. G., Sun, S., & Wen, J. Q. (2014). Agricultural machinery spare parts demand forecast based on BP neural network. Applied Mechanics and Materials, 635–637, 1822–1825. https://doi.org/10.4028/www.scientific.net/AMM.635-637.1822
Vila, D., Cisneros, S., Granda, P., Ortega, C., Posso-Yépez, M., & García-Santillán, I. (2019). Detection of desertion patterns in university students using data mining techniques: A case study. Communications in Computer and Information Science, 895, 420–429. https://doi.org/10.1007/978-3-030-05532-5_31