Janampa Patilla, HubnerTaype Paniagua, Irvin Pelayo2026-05-052026-05-052025TESIS SIS166_Tayhttps://hdl.handle.net/20.500.14612/8728La presente investigación tiene como objetivo desarrollar un modelo predictivo para identificar el riesgo de ansiedad generalizada en estudiantes universitarios de la Universidad Nacional de San Cristóbal de Huamanga, utilizando el algoritmo Random Forest basado en el cuestionario GAD-7. La problemática radica en el incremento de la ansiedad en estudiantes y en la limitada capacidad predictiva de herramientas tradicionales, que solo permiten evaluaciones descriptivas. En respuesta, se propone el uso de técnicas de aprendizaje automático para mejorar la detección temprana. El estudio es de tipo aplicado, con diseño no experimental, transversal y nivel correlacional-predictivo. La muestra estuvo conformada por 166 estudiantes seleccionados mediante muestreo aleatorio simple. La recolección de datos se realizó mediante el cuestionario GAD-7 complementado con variables sociodemográficas, académicas y de estilo de vida. Se desarrolló un modelo de clasificación multiclase con Random Forest, que permitió categorizar a los estudiantes en niveles de ansiedad: sin ansiedad, leve, moderada y severa. Se aplicaron técnicas de preprocesamiento, partición de datos y optimización de hiperparámetros. Los resultados evidencian un buen desempeño del modelo en precisión, sensibilidad y F1-score, destacando su capacidad para identificar niveles moderados y severos. Asimismo, se identificaron como variables relevantes el estrés académico, las horas de sueño y las respuestas del GAD-7. Se concluye que el modelo propuesto constituye una herramienta eficaz para la predicción temprana de la ansiedad en estudiantes universitarios.application/pdfspahttps://purl.org/coar/access_right/c_abf2Ansiedad generalizadaSalud mentalEstudiantes UniversitariosModelo predictivoRandom ForestRendimiento académicoGAD-7http://purl.org/coar/resource_type/c_7a1fhttps://purl.org/pe-repo/ocde/ford#2.02.04