AÑO 9. VOLUMEN 5
NÚMERO ESPECIAL JUNIO 2026
ISSN: 2594-0759
Diseño de un agente conversacional con inteligencia artificial para detectar riesgo socioemocional en bachillerato
Artificial Intelligence Conversational Agent for Early Detection of Socioemotional Risk in Upper Secondary Education
Jorge Noé Gámez Mora
Doctorante en Gestión e Innovación Educativa, UDEMEX CONALEP Estado de México, Plantel Lerma 199
ORCID: 0009-0005-5405-8990
Mauricio Pueblas Cornejo
Maestro en Tecnologías de la Educación, UDEMEX Universidad Estatal del Valle de Toluca
mauriciopueblascornejo@gmail.com
ORCID: 0009-0003-8694-2858
Ciudad de México, México, Toluca, Estado de México, México
RECIBIDO: 19 DE MAYO DE 2026. REVISADO: 03 DE JUNIO DE 2026. ACEPTADO: 17 DE JUNIO DE 2026.
Resumen
La presente investigación tuvo como objetivo diseñar e implementar un agente conversacional pedagógico basado en inteligencia artificial para apoyar la detección temprana de riesgo socioemocional en estudiantes de educación media superior. El estudio se desarrolló bajo un enfoque mixto, con alcance descriptivo-exploratorio y diseño de estudio de caso aplicado en el CONALEP Plantel Lerma, Estado de México. Participaron 74 estudiantes cuyas respuestas abiertas fueron analizadas mediante técnicas de procesamiento de lenguaje natural, análisis de sentimientos y clasificación basada en reglas lingüísticas implementadas en Python y RStudio. Los resultados permitieron identificar patrones asociados con ansiedad, tristeza, aislamiento emocional y estrés académico, así como clasificar distintos niveles de riesgo socioemocional. Asimismo, el sistema generó respuestas empáticas orientadas al acompañamiento preventivo. Se concluye que la inteligencia artificial puede fortalecer estrategias institucionales de bienestar socioemocional y detección temprana en contextos de educación media superior técnica.
Palabras clave: Agente conversacional; Inteligencia artificial; Riesgo socioemocional; Educación media superior; Bienestar estudiantil.
Abstract
This study aimed to design and implement an artificial intelligence-based pedagogical conversational agent to support the early detection of socio-emotional risk among upper secondary education students. The research adopted a mixed-methods approach with a descriptive-exploratory scope and an applied case study design conducted at CONALEP Lerma Campus, State of Mexico. A total of 74 students participated, and their open-ended responses were analyzed using Natural Language Processing (NLP), sentiment analysis, and rule-based classification techniques implemented in Python and RStudio. The results identified patterns associated with anxiety, sadness, emotional isolation, and academic stress, while also classifying different socio-emotional risk levels. Furthermore, the system generated empathetic responses aimed at preventive support. The findings suggest that artificial intelligence can strengthen institutional strategies for socio-emotional well-being and early detection processes in technical upper secondary education settings.
Keywords: Conversational agent; Artificial intelligence; Socioemotional risk; Upper secondary education; Student well-being.
Introducción
El acelerado desarrollo de la inteligencia artificial ha transformado diversos sectores sociales, particularmente el ámbito educativo, donde las tecnologías digitales se han incorporado como herramientas para fortalecer los procesos de enseñanza-aprendizaje, apoyar la toma de decisiones institucionales y generar entornos más adaptativos y personalizados. En este contexto, organismos internacionales como la UNESCO (2023) y la OECD (2023) reconocen su potencial para impulsar modelos educativos centrados en las necesidades del estudiantado y en el desarrollo de competencias para los entornos contemporáneos.
Paralelamente, el bienestar socioemocional de los estudiantes de educación media superior se ha convertido en una prioridad educativa debido al incremento de fenómenos relacionados con ansiedad, estrés académico, depresión, aislamiento social y abandono escolar. Estas problemáticas afectan el rendimiento académico, la motivación, la permanencia escolar y el desarrollo integral de los jóvenes, especialmente en contextos de vulnerabilidad social y económica (WHO, 2022).
En México, particularmente en instituciones de educación técnica como el Colegio Nacional de Educación Profesional Técnica (CONALEP), los estudiantes enfrentan desafíos asociados con presión académica, incertidumbre laboral, dificultades familiares y problemáticas emocionales que pueden repercutir en su bienestar psicológico y desempeño escolar. Ante este escenario, resulta necesario fortalecer los mecanismos institucionales de acompañamiento socioemocional y detección preventiva (MEJOREDU, 2023).
En este sentido, los agentes conversacionales pedagógicos basados en inteligencia artificial representan una alternativa innovadora para apoyar procesos de análisis emocional y acompañamiento estudiantil mediante técnicas de procesamiento de lenguaje natural. Estas herramientas permiten analizar respuestas abiertas, identificar patrones lingüísticos asociados con ansiedad, tristeza, desesperanza o aislamiento emocional, y generar respuestas orientadas al acompañamiento inicial del estudiantado.
A partir de esta problemática, la presente investigación tiene como objetivo diseñar e implementar un agente conversacional pedagógico basado en inteligencia artificial para contribuir a la detección temprana de riesgo socioemocional en estudiantes de educación media superior técnica. El estudio se desarrolla como un caso aplicado en el CONALEP Plantel Lerma, donde el sistema analiza respuestas abiertas mediante técnicas de procesamiento de lenguaje natural, análisis de sentimientos y clasificación basada en reglas lingüísticas.
Marco teórico
Inteligencia artificial y agentes conversacionales en educación
La inteligencia artificial se ha consolidado como una de las tecnologías con mayor impacto en la transformación de los sistemas educativos contemporáneos. Su incorporación en los procesos de enseñanza-aprendizaje ha favorecido el desarrollo de entornos más adaptativos, personalizados y orientados a la toma de decisiones basada en datos. Organismos internacionales como la UNESCO (2023) y la OECD (2023) destacan que la inteligencia artificial posee un importante potencial para fortalecer la educación mediante herramientas capaces de analizar grandes volúmenes de información, automatizar procesos y apoyar el acompañamiento académico de los estudiantes.
Dentro del ámbito educativo, la inteligencia artificial ha sido aplicada en sistemas tutoriales inteligentes, plataformas adaptativas, análisis predictivo del rendimiento académico y herramientas orientadas al bienestar socioemocional. Estas aplicaciones permiten identificar patrones de comportamiento estudiantil, necesidades específicas de aprendizaje y posibles factores de riesgo asociados con la reprobación, el abandono escolar o el malestar emocional. Asimismo, su integración responde a las demandas derivadas de la transformación digital y de los cambios asociados a la denominada Industria 4.0 (Holmes et al., 2019).
Jurafsky y Martin (2023) señalan que entre las aplicaciones más relevantes de la inteligencia artificial destacan los agentes conversacionales o chatbots, sistemas diseñados para interactuar con los usuarios mediante lenguaje natural. Su funcionamiento se sustenta en técnicas de procesamiento de lenguaje natural, aprendizaje automático e inteligencia artificial, lo que les permite interpretar información, identificar patrones lingüísticos y generar respuestas contextualizadas de manera automática.
En el contexto educativo, los agentes conversacionales han evolucionado de simples herramientas de respuesta automatizada a sistemas capaces de apoyar procesos de tutoría, orientación académica y acompañamiento socioemocional. Su capacidad para analizar respuestas abiertas e identificar expresiones relacionadas con ansiedad, tristeza, estrés o desesperanza ha despertado un creciente interés por su utilización en estrategias preventivas de bienestar estudiantil.
Bienestar socioemocional en la educación media superior
El bienestar socioemocional constituye un componente fundamental para el desarrollo integral del estudiante y para el fortalecimiento de los procesos de aprendizaje. Diversas investigaciones han demostrado que factores como ansiedad, estrés académico, depresión, aislamiento social y problemas familiares influyen negativamente en la concentración, motivación, rendimiento académico y permanencia escolar.
En el nivel de educación media superior, estas problemáticas adquieren mayor relevancia debido a que los estudiantes atraviesan una etapa caracterizada por importantes cambios físicos, emocionales y sociales. Asimismo, las exigencias académicas, la presión social y la incertidumbre respecto al futuro pueden generar condiciones de vulnerabilidad emocional que afectan significativamente el bienestar psicológico del alumnado.
En México, organismos educativos y de salud han señalado la necesidad de fortalecer estrategias institucionales de acompañamiento socioemocional, particularmente en subsistemas de educación técnica donde muchos estudiantes enfrentan condiciones de vulnerabilidad económica, social y familiar. En este sentido, modelos educativos como la Nueva Escuela Mexicana promueven una formación integral centrada no solo en el desarrollo cognitivo, sino también en el bienestar emocional y social de los estudiantes (Secretaría de Educación Pública [SEP], 2019).
Inteligencia artificial para la detección de riesgo socioemocional
En los últimos años, la inteligencia artificial ha comenzado a utilizarse como herramienta para el análisis automatizado de emociones y detección temprana de riesgo socioemocional mediante el procesamiento de datos textuales generados en entornos digitales. A través de técnicas de procesamiento de lenguaje natural y análisis de sentimientos, los sistemas inteligentes pueden identificar patrones lingüísticos asociados con ansiedad, desesperanza, aislamiento emocional y otras expresiones relacionadas con vulnerabilidad psicológica.
Diversas investigaciones recientes evidencian que los modelos de aprendizaje automático y análisis textual poseen capacidad funcional para clasificar estados emocionales y detectar señales de alerta temprana dentro de conversaciones escritas, publicaciones digitales o respuestas abiertas generadas por los usuarios. Estas capacidades han abierto nuevas posibilidades para el desarrollo de herramientas preventivas dentro de contextos educativos y de salud mental (Bokolo & Liu, 2023; Le Glaz et al., 2021).
Vacío de investigación
A pesar del crecimiento en investigaciones relacionadas con inteligencia artificial y educación, existe una limitada evidencia sobre la implementación de agentes conversacionales pedagógicos orientados específicamente a la detección temprana de riesgo socioemocional en contextos de educación media superior técnico en América Latina. La mayoría de los estudios actuales se concentran en educación superior, plataformas comerciales o aplicaciones generales de análisis emocional, dejando de lado las características específicas de los estudiantes de formación técnica y profesional.
Metodología
La presente investigación se desarrolló bajo un enfoque mixto, alcance descriptivo y exploratorio, y diseño de estudio de caso. Para ello, se integraron procedimientos cuantitativos y cualitativos orientados al análisis automatizado de respuestas abiertas generadas por estudiantes de educación media superior técnico. Asimismo, el estudio se estructuró como un estudio de caso aplicado en el Colegio Nacional de Educación Profesional Técnica, Plantel Lerma, Estado de México.
El objetivo metodológico consistió en diseñar e implementar un agente conversacional pedagógico basado en inteligencia artificial capaz de analizar respuestas textuales estudiantiles para identificar patrones asociados con riesgo socioemocional mediante técnicas de procesamiento de lenguaje natural, análisis de sentimientos y clasificación basada en reglas lingüísticas.
Diseño metodológico
La investigación adoptó un diseño mixto concurrente, debido a que los datos cualitativos y cuantitativos fueron obtenidos durante el mismo periodo de recolección y posteriormente integrados mediante procesos de triangulación metodológica. Este tipo de diseño permite combinar las fortalezas de ambos enfoques para lograr una comprensión más amplia del fenómeno estudiado, favoreciendo la complementariedad y contrastación de los hallazgos obtenidos (Creswell & Plano Clark, 2021; Hernández Sampieri & Mendoza Torres, 2022).
Desde la dimensión cualitativa, se analizaron las expresiones lingüísticas generadas por los estudiantes mediante cuestionarios abiertos, entrevistas semiestructuradas e interacciones con el agente conversacional pedagógico. Por otra parte, la dimensión cuantitativa permitió identificar frecuencias, distribuciones y niveles de riesgo socioemocional derivados del procesamiento automatizado de las respuestas textuales.
La integración de ambos enfoques se realizó durante la fase de interpretación de resultados, mediante la triangulación de la información obtenida a partir de los instrumentos de investigación y de los análisis desarrollados mediante técnicas de procesamiento de lenguaje natural e inteligencia artificial. Esta estrategia permitió fortalecer la validez de las conclusiones y proporcionar una visión más integral del bienestar socioemocional de los estudiantes participantes.
Contexto y participantes
La población participante estuvo conformada por estudiantes de educación media superior técnica inscritos en el CONALEP Plantel Lerma 199 durante el periodo de aplicación del estudio. La selección de participantes se realizó mediante un muestreo no probabilístico por conveniencia, considerando la accesibilidad institucional y la participación voluntaria de los estudiantes dentro de las actividades académicas y socioemocionales desarrolladas en el plantel.
La muestra estuvo integrada por 74 estudiantes del CONALEP Plantel Lerma, seleccionados mediante un muestreo no probabilístico por conveniencia. Del total de participantes, 42 correspondieron al sexo femenino (56.8 %) y 32 al sexo masculino (43.2 %). La edad de los estudiantes osciló entre los 15 y 19 años, con una edad promedio de 16.8 años. Las respuestas fueron recopiladas mediante formularios digitales e interacciones con el agente conversacional pedagógico desarrollado para la investigación. La selección de los participantes respondió a criterios de accesibilidad institucional, participación voluntaria y disponibilidad durante el periodo de aplicación de los instrumentos. Debido a que el estudio posee un alcance descriptivo-exploratorio y se desarrolla bajo la modalidad de estudio de caso, el interés principal se centró en comprender, identificar y analizar las expresiones socioemocionales presentes en un contexto específico de educación media superior tecnológica, representado por los estudiantes del CONALEP Plantel Lerma.
Para la obtención de la información se utilizaron tres instrumentos complementarios: un cuestionario abierto dirigido a estudiantes, una entrevista semiestructurada y un agente conversacional pedagógico basado en inteligencia artificial. Estos instrumentos permitieron recuperar expresiones lingüísticas relacionadas con el bienestar emocional, el estrés académico, las redes de apoyo y posibles indicadores de riesgo socioemocional. En la Tabla 1 se describen los instrumentos utilizados y su propósito dentro del estudio.
Tabla 1: Instrumentos utilizados en la investigación
|
Instrumento |
Objetivo |
|
Cuestionario abierto |
Recuperar expresiones lingüísticas relacionadas con bienestar emocional, estrés académico, apoyo social y riesgo socioemocional. |
|
Entrevista semiestructurada |
Profundizar en experiencias, percepciones y necesidades de acompañamiento estudiantil. |
|
Agente conversacional pedagógico |
Obtener interacciones textuales para el análisis automatizado mediante inteligencia artificial. |
Nota. Elaboración propia.
Los instrumentos fueron diseñados para recuperar información textual susceptible de ser analizada mediante técnicas de procesamiento de lenguaje natural, análisis de sentimientos y clasificación basada en reglas lingüísticas. La integración de diversas fuentes de información favoreció la triangulación metodológica y fortaleció la validez de los hallazgos obtenidos.
Asimismo, los instrumentos fueron revisados por especialistas en educación, tecnología educativa y análisis socioemocional con la finalidad de verificar la claridad, pertinencia y coherencia de los reactivos utilizados, fortaleciendo así la validez de contenido del estudio.
Con el propósito de recuperar expresiones lingüísticas relacionadas con el bienestar emocional y posibles indicadores de riesgo socioemocional, se diseñó un cuestionario abierto integrado por preguntas orientadas a explorar experiencias escolares, emociones, redes de apoyo y estrategias de afrontamiento. Algunos ejemplos de los reactivos utilizados se presentan en la Tabla 2.
Tabla 2: Ejemplos de preguntas empleadas para la recuperación de expresiones socioemocionales
|
Categoría |
Pregunta |
|
Bienestar emocional |
¿Cómo te has sentido emocionalmente durante las últimas semanas dentro de la escuela? |
|
Estrés académico |
¿Qué situaciones escolares te generan mayor preocupación, estrés o presión? |
|
Relaciones interpersonales |
¿Cómo describirías tu relación con tus compañeros y docentes? |
|
Afrontamiento emocional |
¿Qué haces cuando te sientes triste, preocupado, ansioso o con mucho estrés? |
|
Apoyo social |
¿Consideras que en la escuela tienes personas o espacios de apoyo cuando enfrentas problemas personales o académicos? Explica tu respuesta. |
|
Necesidades de acompañamiento |
¿Qué tipo de apoyo te gustaría recibir por parte de la escuela para sentirte mejor acompañado? |
|
Riesgo socioemocional |
¿Has tenido pensamientos o emociones que te hagan sentir que ya no puedes continuar con tus actividades escolares o personales? Explica con tus palabras. |
|
Empatía y apoyo entre pares |
¿Qué mensaje le darías a un estudiante que está pasando por una situación emocional difícil? |
Nota. Adaptado del cuestionario abierto utilizado en la investigación. Elaboración propia.
Con la finalidad de fortalecer la validez de contenido de los instrumentos utilizados, el cuestionario abierto, la guía de entrevista semiestructurada y los elementos conversacionales del agente fueron sometidos a revisión por especialistas en educación, tecnología educativa y análisis socioemocional. Los expertos evaluaron criterios relacionados con claridad, pertinencia, coherencia y relevancia de los reactivos respecto a los objetivos de la investigación. A partir de las observaciones emitidas se realizaron ajustes de redacción y adecuación contextual antes de la aplicación definitiva de los instrumentos.
Validación de instrumentos por juicio de expertos
Con el propósito de fortalecer la validez de contenido de los instrumentos utilizados en la investigación, el cuestionario abierto, la guía de entrevista semiestructurada y los elementos conversacionales del agente pedagógico fueron sometidos a un proceso de validación mediante juicio de expertos. Esta técnica es ampliamente utilizada en investigación educativa para evaluar la pertinencia, claridad, coherencia y relevancia de los instrumentos respecto a los objetivos del estudio (Hernández Sampieri & Mendoza Torres, 2022).
El panel de validación estuvo integrado por seis especialistas provenientes de las áreas de educación, psicología, tecnología educativa, orientación educativa e investigación aplicada. Los expertos contaban con experiencia profesional y académica en procesos de intervención socioemocional, diseño de instrumentos y evaluación educativa. La Tabla 3 presenta la composición general del panel de validación.
Tabla 3: Perfil de los expertos participantes en la validación
|
Experto |
Área de especialidad |
Grado académico |
|
E1 |
Psicología educativa |
Doctorado |
|
E2 |
Tecnología educativa |
Doctorado |
|
E3 |
Investigación educativa |
Doctorado |
|
E4 |
Inteligencia artificial aplicada a la educación |
Maestría |
|
E5 |
Orientación educativa y tutorías |
Maestría E6 |
Nota. Elaboración propia.
Los especialistas evaluaron cada instrumento considerando cuatro criterios fundamentales: claridad, pertinencia, coherencia y relevancia. Para ello, utilizaron una escala cualitativa de valoración compuesta por las categorías Excelente, Bueno, Regular y Deficiente. Los resultados generales evidenciaron una valoración favorable de los instrumentos, destacando particularmente los criterios de pertinencia y relevancia en relación con los objetivos de la investigación.
Tabla 4: Criterios evaluados durante la validación de instrumentos
|
Criterio |
Resultado general |
|
Claridad |
Excelente |
|
Pertinencia |
Excelente |
|
Coherencia |
Bueno |
Nota. Resultados generales derivados del juicio de expertos.
A partir de las observaciones emitidas por los especialistas, se realizaron ajustes relacionados con la redacción de algunos reactivos, la simplificación del lenguaje empleado en determinadas preguntas y la adecuación contextual de expresiones orientadas a favorecer una mayor comprensión por parte de los estudiantes participantes. Dichas modificaciones permitieron fortalecer la calidad metodológica de los instrumentos antes de su aplicación definitiva.
Confiabilidad metodológica
Con el propósito de fortalecer la confiabilidad del estudio y garantizar la consistencia de los procedimientos empleados, se estableció un protocolo metodológico estandarizado para la recolección, organización, procesamiento y análisis de la información obtenida mediante los instrumentos de investigación. Dicho protocolo permitió uniformar la aplicación del cuestionario abierto, la entrevista semiestructurada y las interacciones registradas a través del agente conversacional pedagógico.
Las respuestas textuales recopiladas fueron sometidas a un proceso sistemático de limpieza y preparación de datos que incluyó la eliminación de caracteres especiales, corrección de inconsistencias de formato, normalización lingüística, conversión a minúsculas y depuración de registros incompletos o duplicados. Estas acciones permitieron conformar un corpus textual homogéneo para su posterior análisis mediante técnicas de procesamiento de lenguaje natural.
Asimismo, se definieron criterios homogéneos para la clasificación de la información, sustentados en categorías analíticas previamente establecidas: bienestar emocional, ansiedad, estrés académico, aislamiento emocional, apoyo social y riesgo socioemocional. Para ello, se elaboró una guía de categorización que orientó la identificación e interpretación de expresiones lingüísticas asociadas con cada dimensión de análisis.
Durante el desarrollo de la investigación se mantuvo un registro sistemático de observaciones metodológicas, incidencias y decisiones analíticas relacionadas con el procesamiento de la información. Posteriormente, se realizaron revisiones de consistencia entre las categorías asignadas, los resultados obtenidos mediante el sistema automatizado y las interpretaciones derivadas del análisis cualitativo, favoreciendo la estabilidad y coherencia interna de los hallazgos.
De acuerdo con Hernández Sampieri y Mendoza (2022), la confiabilidad se refiere al grado en que un instrumento o procedimiento produce resultados consistentes cuando es aplicado en condiciones similares. En este sentido, la estandarización de los procesos de recolección, clasificación y análisis contribuyó a fortalecer la reproducibilidad metodológica del estudio y la solidez de los resultados obtenidos.
Diseño e implementación del agente conversacional
El agente conversacional fue desarrollado en Python utilizando herramientas y bibliotecas orientadas al análisis textual y procesamiento de lenguaje natural. El sistema integró modelos de análisis de sentimientos y clasificación automatizada para identificar categorías emocionales asociadas con ansiedad, tristeza, aislamiento emocional, estrés académico, desesperanza y posibles indicadores de crisis emocional.
Asimismo, se emplearon plataformas como Hugging Face y Gradio para facilitar la implementación de una interfaz conversacional accesible y funcional para los estudiantes. El sistema fue diseñado bajo un enfoque pedagógico y preventivo, priorizando la generación de respuestas empáticas y orientadoras acordes con el nivel de riesgo identificado.
La arquitectura general del sistema contempló las siguientes etapas:
1. Captura de respuestas abiertas del estudiante.
2. Preprocesamiento textual y limpieza de datos.
3. Análisis mediante procesamiento de lenguaje natural.
4. Clasificación emocional y detección de nivel de riesgo.
5. Generación de respuesta pedagógica automatizada.
La arquitectura general del agente conversacional pedagógico se presenta en la Figura 1. En ella se observan las etapas de captura de información, preprocesamiento textual, análisis mediante procesamiento de lenguaje natural, clasificación emocional, detección del nivel de riesgo y generación automatizada de respuestas pedagógicas orientadas al acompañamiento preventivo.
Figura 1: Arquitectura general del agente conversacional pedagógico basado en inteligencia
artificial
Fuente: Elaboración propia.
Figura 2: Clasificación emocional detectada mediante el análisis automatizado del agente conversacional pedagógico
Fuente: Elaboración propia.
Figura 3: Mapa de calor de relaciones entre emociones detectadas y niveles de riesgo socioemocional
Fuente: Elaboración propia.
 |
Figura 4: Distribución de niveles de riesgo socioemocional identificados por el agente conversacional pedagógico
Fuente: Elaboración propia.
Procesamiento y análisis de datos
El análisis de datos se realizó mediante técnicas de procesamiento de lenguaje natural implementadas en Python y procedimientos de visualización estadística desarrollados en RStudio. Las respuestas textuales fueron sometidas a procesos de limpieza y normalización textual, eliminación de caracteres innecesarios, conversión a minúsculas, análisis de sentimientos, identificación de patrones lingüísticos y clasificación emocional automatizada.
Posteriormente, las respuestas fueron clasificadas en distintas categorías emocionales y niveles de riesgo socioemocional utilizando reglas lingüísticas previamente definidas a partir de expresiones relacionadas con ansiedad, tristeza, desesperanza, aislamiento y crisis emocional.
Tabla 5: Etapas del procesamiento y análisis de datos
|
Etapa |
Herramienta |
Descripción |
|
Recolección de datos |
Google Forms y agente conversacional |
Obtención de respuestas abiertas generadas por los estudiantes mediante cuestionarios e interacciones conversacionales. |
|
Limpieza y normalización textual
|
Python |
Eliminación de caracteres especiales, conversión a minúsculas, depuración de registros incompletos y normalización del texto.
|
|
Procesamiento de lenguaje natural
|
Python (NLTK y expresiones regulares) |
Identificación de palabras clave, patrones lingüísticos y expresiones asociadas con categorías socioemocionales. |
|
Análisis emocional
|
Python |
Clasificación de emociones predominantes mediante reglas lingüísticas asociadas con ansiedad, tristeza, aislamiento, estrés y desesperanza. |
|
Clasificación de riesgo
|
Python
|
Asignación de niveles de riesgo socioemocional (bajo, moderado y alto) a partir de indicadores previamente definidos. |
|
Visualización de resultados |
RStudio y ggplot2 |
Generación de gráficos de barras, mapas de calor y distribuciones de frecuencias para la interpretación de resultados.
|
|
Interpretación y triangulación |
Análisis cualitativo y cuantitativo |
Integración de resultados automatizados y revisión interpretativa para fortalecer la comprensión del fenómeno estudiado.
|
Nota. Elaboración propia.
Los criterios considerados para la clasificación de los niveles de riesgo socioemocional se presentan en la Tabla 6.
Tabla 6: Criterios de clasificación del riesgo socioemocional