Tesis Sanchez Casas Cesar Jakson

UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS

ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS
“SISTEMA EXPERTO PARA DIAGNOSTICAR LA

DEPRESIÓN EN ESTUDIANTES DE LA IEP NUESTRA
SEÑORA DEL CARMEN - CAÑETE”
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE

INGENIERO DE SISTEMAS
AUTOR:
CESAR JAKSON SANCHEZ CASAS
ASESOR:
Mg. OSWALDO DANIEL CASAZOLA CRUZ
LÍNEA DE INVESTIGACIÓN:
TECNOLOGÍA DE LA AUTOMATIZACIÓN
Callao, 2024
Perú
1
2
Document Information
Analyzed document TESIS - SANCHEZ-CASAS-CESAR-JAKSON.docx (D181861029)
Submitted 2023-12-14 20:13:00 UTC+01:00
Submitted by Unidad FIIS
Submitter email [email protected]
Similarity 8%
Analysis address [email protected]
Sources included in the report

Universidad Nacional del Callao / TESIS_FUENTES-OJEDA-ROSAS.docx
Document TESIS_FUENTES-OJEDA-ROSAS.docx (D180395035)
2
Submitted by: [email protected]
Receiver: [email protected]
URL: https://psicologiamentesalud.com/los-criterios-diagnosticos-del-dsm-v-para-identificar-la-
depresion-una-guia-para-entender-y-tratar-la-enfermedad/ 1
Fetched: 12/5/2023 10:21:07 PM
Universidad Nacional del Callao / TESIS_SARAVIA_CALLE.docx

Document TESIS_SARAVIA_CALLE.docx (D181855344)
22
Universidad Nacional del Callao / TESIS FINAL- CASTILLO PAREDES Omar, ROSALES
ALBURQUEQUE José-2.docx
Document TESIS FINAL- CASTILLO PAREDES Omar, ROSALES ALBURQUEQUE José-2.docx
2
(D179475359)
Universidad Nacional del Callao / 1A, FARFÁN GARCÍA Y HUAMANÍ TAIPE-Maestría 2023.docx
Document 1A, FARFÁN GARCÍA Y HUAMANÍ TAIPE-Maestría 2023.docx (D180825871)
1
Entire Document
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS
ESCUELA DE INGENIERIA DE SISTEMAS
“SISTEMA EXPERTO PARA DIAGNOSTICAR LA DEPRESIÓN EN ESTUDIANTES DE LA IEP NUESTRA SEÑORA DEL CARMEN
- CAÑETE”
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE SISTEMAS AUTOR: CESAR JAKSON SANCHEZ CASAS
ASESOR: Mg. OSWALDO DANIEL CASAZOLA CRUZ
INFORMACIÓN BÁSICA
FACULTAD:
Facultad de Ingeniería Industrial y de Sistemas
UNIDAD DE INVESTIGACIÓN:
Escuela profesional de Ingeniería de Sistemas
TÍTULO:
“SISTEMA EXPERTO PARA DIAGNOSTICAR LA DEPRESIÓN EN
ESTUDIANTES DE LA IEP NUESTRA SEÑORA DEL CARMEN -
CAÑETE”
AUTOR / CÓDIGO ORCID / DNI
Cesar Jakson Sanchez Casas / 0009-0009-7591-2489 / 70260532
ASESOR / CÓDIGO ORCID / DNI
Mg. Oswaldo Daniel Casazola Cruz / 0000-0003-2521-530X / 40081695
LUGAR DE EJECUCIÓN:
IEP Nuestra Señora Del Carmen, Imperial, Provincia Cañete
UNIDAD DE ANÁLISIS:
Los estudiantes de la IEP Nuestra Señora Del Carmen
TIPO / ENFOQUE / DISEÑO DE INVESTIGACIÓN:
Tipo aplicado / Enfoque cuantitativo / Diseño experimental de tipo
preexperimental.
TEMA OCDE:
Tecnología de la automatización
3
DEDICATORIA
Dedico este trabajo, en primer lugar, a Dios,
quien ha sido mi fortaleza y la luz que iluminó mi
camino.
A mi querida madre, cuyo amor incondicional y
sacrificio he llegado a este punto en mi vida.
Gracias por enseñarme el valor del esfuerzo, la
perseverancia y la lucha por los sueños. Esta
tesis es un testimonio de tu dedicación y amor,
y te la dedico con todo mi corazón.
4
AGRADECIMIENTO
Mi profundo agradecimiento a la directora y

plana docente de la IEP Nuestra Señora del
Carmen por su confianza en mí, por brindarme
la oportunidad de acceder y llevar a cabo el
proceso de investigación en su institución.
También agradecer a la Universidad Nacional

del Callao, por su apoyo gracias a los docentes
y asesor he adquirido los conocimientos y
habilidades necesarias para desempeñarme en
mi carrera profesional.
5
ÍNDICE
LISTADO DE FIGURAS .............................................................................. 8

LISTADOS DE TABLAS ............................................................................ 11
RESUMEN ................................................................................................. 12
RESUMO ................................................................................................... 13
INTRODUCCIÓN....................................................................................... 14
I. PLANTEAMIENTO DEL PROBLEMA. ................................................... 15
1.1 Descripción de la realidad problemática. ......................................... 15
1.2 Formulación del problema. ............................................................... 23
1.2.1 Problema general .......................................................................... 23
1.2.2 Problemas específicos .................................................................. 23
1.3 Objetivos........................................................................................... 23
1.3.1 Objetivo general ............................................................................ 24
1.3.2 Objetivos específicos .................................................................... 24
1.4 Justificación ...................................................................................... 24
1.5 Delimitantes de la investigación ....................................................... 25
II. MARCO TEÓRICO. ............................................................................... 27
2.1 Antecedentes.................................................................................... 27
2.1.1 Antecedentes nacionales. ............................................................. 27
2.1.2 Antecedentes internacionales. ...................................................... 28
2.2 Bases Teóricas. ................................................................................ 30
2.2.2 Marco conceptual .......................................................................... 33
2.3 Definición de términos básicos ........................................................ 34
III. HIPÓTESIS Y VARIABLES. ................................................................. 42
3.1 Hipótesis ........................................................................................... 42
3.1.1 Hipótesis general........................................................................... 42
3.1.2 Hipótesis específicas..................................................................... 42
3.2 Variables de estudio ......................................................................... 42
3.2.1 Descripción de las variables de estudio ........................................ 42
3.2.2 Operacionalización de las variables de estudio ............................ 43
3.2.3 Matriz de operacionalización de las variables. ............................. 46
IV. METODOLOGÍA DEL PROYECTO. .................................................... 49
6
4.1. Diseño metodológico. ...................................................................... 49
4.2 Método de investigación................................................................... 49
4.2.1 Desarrollo del sistema experto...................................................... 50
4.2.2 Implementación de las encuestas ................................................. 52
4.3 Población y muestra ......................................................................... 53
4.4 Lugar de estudio y periodo desarrollado. ......................................... 53
4.5 Técnicas e instrumentos para la recolección de la información ...... 53
V. RESULTADOS. ..................................................................................... 79
5.1. Resultados descriptivos. ................................................................. 79
5.2. Resultados inferenciales ................................................................. 81
VII. DISCUSIÓN DE RESULTADOS. ....................................................... 94
6.1. Contrastación y demostración de la hipótesis con los resultados. . 94
VIII. CONCLUSIONES .............................................................................. 97
IX. RECOMENDACIONES ........................................................................ 98
X. REFERENCIAS BIBLIOGRÁFICAS. .................................................... 99
XI. ANEXOS ......................................................................................... 102
7
LISTADO DE FIGURAS
Figura 1. Casos de trastorno depresivo a nivel mundial ................... 16
Figura 2. Prevalencia global de los trastornos depresivos .............. 18
Figura 3. Prevalencia de trastornos depresivos ................................ 18
Figura 4. La depresión en el Perú. .................................................... 21
Figura 5. Atención de cuadros de depresión en el Perú ................... 22
Figura 6 Esquema de un sistema experto ........................................ 34
Figura 7 Imagen de la arquitectura de Alexa .................................... 38
Figura 8 Imagen del dispositivo Echo Dot (4 ª generación) .............. 39
Figura 9 Iniciar sesión en Alexa ........................................................ 54
Figura 10. Acceso a la plataforma de Alexa ..................................... 55
Figura 11 Configuración y creación de una habilidad de Alexa........ 56
Figura 12 Lista de habilidades .......................................................... 56
Figura 13 Definición de la invocación ............................................... 57
Figura 14 Lista de intents .................................................................. 57
Figura 15 Configuración de la intención studentRegisterIntent ........ 58
Figura 16 Configuración la intención recordStudentTestIntent......... 59
Figura 17 Estructura del package.json.............................................. 60
Figura 18 docker-compose.yml ......................................................... 62
Figura 19 Docker Desktop................................................................. 62
Figura 20 Archivo requirements.txt ................................................... 64
8
Figura 21 Configuración de la Base de Datos en Django ................. 65
Figura 22 Clases de middleware ....................................................... 67
Figura 23 Ejecución del comando makemigrations .......................... 67
Figura 24 Ejecución del comando Migrate ........................................ 68
Figura 25 Tabla "Admin" ................................................................... 69
Figura 26 Tabla "Estudiante"............................................................. 69
Figura 27 Tabla "Evaluacion" ............................................................ 70
Figura 28 Serializador ....................................................................... 71
Figura 29 urls.py del proyecto ........................................................... 73
Figura 30 urls.py general................................................................... 74
Figura 31 Estructura del proyecto ..................................................... 75
Figura 32 Ejecución de la API ........................................................... 75
Figura 33 Acceso a las URL.............................................................. 76
Figura 34 Administración de Django ................................................. 76
Figura 35 Panel de administración de Django .................................. 77
Figura 36 API creación de estudiante ............................................... 77
Figura 37 API registro de evaluación ................................................ 78
Figura 38 Prueba de rangos con signo de Wilcoxon para muestras

relacionadas ................................................................................ 89
Figura 39 Información de campos continuos antes de aplicar sistema

experto en salud conductual ....................................................... 90
Figura 40 Información de campos continuos después de aplicar sistema

experto en salud conductual ....................................................... 91
9
Figura 41 Diagrama de caja de los puntajes de las encuestas antes y
después de aplicar un sistema experto mejora el diagnóstico de la
salud conductual de los estudiantes de la IEP Nuestra Señora del
Carmen ........................................................................................ 92
10
LISTADOS DE TABLAS
Tabla 1. Estimaciones mundiales de salud de la OMS..................... 17
Tabla 2 Matriz de Operacionalización de Variables .......................... 48
Tabla 3 Resúmenes de casos ........................................................... 80
Tabla 4: Pruebas de normalidad ....................................................... 81
Tabla 5 Descriptivos .......................................................................... 83
Tabla 6: Estadística de muestras emparejadas ................................ 84
Tabla 7: Correlaciones de muestras emparejadas ........................... 84
Tabla 8: Prueba de muestras emparejadas ...................................... 85
Tabla 9: Pruebas de normalidad ....................................................... 86
Tabla 10: Resumen de contrastes de hipótesis ................................ 88
Tabla 11: Resumen de prueba de rangos con signo de Wilcoxon para

muestras relacionadas ................................................................ 89
11
RESUMEN
La presente investigación titulada “Sistema experto para diagnosticar la

depresión en estudiantes de la IEP Nuestra Señora Del Carmen - Cañete”,
tuvo como objetivo principal desarrollar un sistema experto para
diagnosticar la depresión en estudiantes de la IEP Nuestra Señora del
Carmen, Cañete. La investigación se enmarca en un enfoque aplicado,
utilizando un diseño experimental de tipo preexperimental con un enfoque
cuantitativo. Los instrumentos utilizados son el Inventario de Depresión de
Beck que fue evaluado mediante el juicio de expertos. Para analizar los
datos en esta investigación trabajamos con la Prueba T de Student. El
sistema experto se desarrolló mediante el uso de un altavoz inteligente
Echo Dot de Alexa los datos recolectados fueron sometidos a
procesamiento y análisis mediante el uso del software SPSS. La población
estuvo conformada por 30 estudiantes. Los resultados del estudio
mostraron que la media de la puntuación obtenida antes de aplicar el
sistema experto es de 25,40%. La media de la puntuación obtenida
después de aplicar el sistema experto es de 30,50%. Los hallazgos de esta
investigación sugieren que el sistema experto podría ser una herramienta
valiosa para ayudar a los profesionales de la salud mental a diagnosticar la
depresión en estudiantes, permitiendo así una intervención oportuna.
Palabras clave: Depresión, sistema experto, inventario de depresión de

Beck, Echo Dot de Alexa.
12
RESUMO
O objetivo principal desta pesquisa intitulada “Sistema especialista para

diagnosticar depressão em alunos do IEP Nuestra Señora Del Carmen -
Cañete” foi desenvolver um sistema especialista para diagnosticar
depressão em alunos do IEP Nuestra Señora del Carmen, Cañete. A
investigação enquadra-se numa abordagem aplicada, recorrendo a um
desenho experimental pré-experimental com abordagem quantitativa. Os
instrumentos utilizados são o Inventário de Depressão de Beck, que foi
avaliado por parecer de especialistas. Para analisar os dados desta
pesquisa trabalhamos com o Teste T de Student. O sistema especialista foi
desenvolvido através da utilização de um alto-falante inteligente Alexa Echo
Dot. Os dados coletados foram submetidos a processamento e análise por
meio do software SPSS. A população era composta por 30 alunos. Os
resultados do estudo mostraram que a pontuação média obtida antes da
aplicação do sistema especialista é de 25,40%. A pontuação média obtida
após a aplicação do sistema especialista é de 30,50%. Os resultados desta
pesquisa sugerem que o sistema especialista pode ser uma ferramenta
valiosa para ajudar os profissionais de saúde mental a diagnosticar a
depressão em estudantes, permitindo assim uma intervenção oportuna.
Palavras-chave: Depressão, sistema especialista, inventário de depressão

de Beck, Alexa Echo Dot.
13
INTRODUCCIÓN
El presente proyecto es el producto de una investigación motivada por la

preocupación que existe en los estudiantes adolescentes por conseguir
diagnosticar la depresión. La depresión es un trastorno emocional que
afecta a muchas personas en todo el mundo. En particular, los estudiantes
adolescentes ya que son vulnerables debido a diversas presiones
académicas, sociales y personales. Por ello, la detección temprana de esta
enfermedad es crucial para brindar la atención adecuada. En este sentido
buscando alternativas a las ya convencionales pruebas de diagnóstico
realizados por especialistas de psicología y desde la perspectiva de un
desarrollador. La idea es contribuir con una alternativa a mejorar el
diagnóstico de la depresión en la institución educativa pública Nuestra
Señora Del Carmen haciendo uso de las tecnologías de la información
mucho más dinámica, intuitiva y cómoda. Se presenta un sistema experto,
basado en un asistente virtual de Amazon llamado Alexa, que mediante
reconocimiento por voz recibirá estas peticiones, las procesará y las
relacionará con reportes clínicos de otros estudiantes con el fin de calcular
un porcentaje indicativo de la probabilidad de sufrir algún tipo de depresión.
14
I. PLANTEAMIENTO DEL PROBLEMA.
1.1 Descripción de la realidad problemática.
A nivel mundial la (OMS, 2017) afirma que el número total de
personas que viven con la depresión en el mundo es de 322
millones como se muestra en la Figura 1. La mitad de estas
personas viven en el sudeste asiático región y región del pacífico
occidental, reflejando las poblaciones relativamente más
grandes de esas dos regiones que incluyen India y China. En
este estudio se observa que la depresión es la principal causa
de problema de salud mental debido a razones culturales, tabúes
o falta de conocimiento, la atención y el tratamiento
generalmente no se brindan temprano para prevenir su
crecimiento.
Un estudio realizado en China durante la fase inicial del brote de
COVID-19, con el objetivo de comprender mejor los niveles de
impacto psicológico, ansiedad, depresión y estrés de la
población general. Los resultados del estudio muestran que más
de la mitad de los encuestados (53,8%) calificaron el impacto
psicológico del brote como moderado o severo, y que alrededor
de un tercio (16,5% y 28,8%, respectivamente) informaron
síntomas moderados a severos de depresión y ansiedad (Wang,
y otros, 2020).
Por otro lado, el número total estimado de personas que viven
con depresión aumentó en 18.4% entre 2005 y 2015. Esto refleja
el total crecimiento de la población mundial, así como un
aumento proporcional en los grupos de edad en qué depresión
es más frecuente (OMS, 2017).
15
Figura 1. Casos de trastorno depresivo a nivel mundial
Fuente (OMS, 2017)
Los trastornos depresivos condujeron a un total global de más

de 50 millones de años vividos con discapacidad en 2015. Más
del 80% de esta enfermedad no mortal. La carga ocurrió en
ingresos bajos y medios países. Las tarifas varían según las
regiones de la OMS, desde 640 por 100 000 habitantes en el
oeste. Región del Pacífico a más de 850 en países de bajos y
medianos ingresos de la Región de Europa. A nivel mundial, los
trastornos depresivos se clasifican como el mayor contribuyente
a la pérdida de salud no fatal 7.5% de todos los años vividos con
discapacidad como se muestra en la Tabla 1, Para comprender
el término "YLD" se refiere a "Años de Vida Saludable Perdidos
debido a la Discapacidad". Este indicador es una medida crucial
en epidemiología y salud pública que se utiliza para evaluar el
impacto de las enfermedades y lesiones en la calidad de vida de
una población.
16
Tabla 1. Estimaciones mundiales de salud de la OMS
Fuente (OMS, 2017)
Región YLD YLD por 100 % Rango
Total 000 YLDs
Región africana 7229 731 6,9 7,5
Región del 4049 685 7,0 2
Mediterráneo
Oriental
Región europea 3517 859 8,1 2
Región de las 5106 844 9,3 1

Américas
Región de Asia 13967 724 7,0 2
sudoriental
Región del 10525 640 7,2 2
Pacífico
occidental
Países de altos 9608 839 7,9 2
ingresos
Mundo 54215 738 6,9 7,5
La proporción de la población mundial con la depresión en 2015

se estima en 4.4%. Los intervalos de incertidumbre superior e
inferior son representados en el gráfico de barras por el error
barras. La depresión es más común entre mujeres 5.1% que
hombres 3.6%. Las tasas de prevalencia varían según la edad,
alcanzando su punto máximo en las personas mayores edad
adulta superior al 7,5% entre las mujeres de edad 55-74 años, y
más de 5.5% entre hombres. La depresión también ocurre en
17
niños y adolescentes menores de 15 años, pero a un nivel más
bajo que los grupos de mayor edad como se muestra en la
Figura 2.
Figura 2. Prevalencia global de los trastornos depresivos

Fuente (OMS, 2017)
Debido a las causas anteriores expuestas, la población tanto

mundial en base a este estudio de la OMS se observa que las
mujeres son las más susceptibles en esta enfermedad de la
depresión como se observa en la Figura 3.
Figura 3. Prevalencia de trastornos depresivos

Fuente (OMS, 2017)
18
Latinoamérica tiene el mayor número total de YLD perdidos
debido a trastornos depresivos. Esto se debe a una serie de
factores, incluidos los altos niveles de estrés, la violencia y la
inseguridad. Según el informe publicado en la revista científica
The Lancet en 2021, el país con el porcentaje más alto de
depresión en América Latina es Brasil, con un 5,8% de la
población adulta afectada. Le siguen Cuba (5,5%) y Paraguay
(5,2%) (Santomauro, y otros, 2021).
A nivel nacional se estima que 1 millón 700 mil personas en el
país sufren de depresión, lo que representa el 10% de la
población. La prevalencia de la depresión es mayor en las
mujeres que en los hombres, y es más alta en las personas de
bajos ingresos y en las zonas rurales (MINSA, 2021).
Solo el 20% de las personas con depresión en el Perú reciben
tratamiento. Esto es un problema grave, ya que la depresión no
tratada puede tener consecuencias graves, como el suicidio.
Según el Instituto Nacional de Salud Mental del Perú (INSM),
indican que la depresión es el trastorno clínico más frecuente en
adolescentes de Lima y Callao con una prevalencia de 7%. El
caso de depresión en varones es de 3% y en mujeres de 11%,
INSM, 2013.
En la sierra del Perú, la depresión es un problema de salud
mental que ha estado presente durante mucho tiempo. La región
andina enfrenta desafíos únicos, la alta incidencia de pobreza,
la falta de acceso a servicios de salud mental y la presión social
son factores que contribuyen a la aparición y el desarrollo de la
depresión en esta área. La prevalencia de depresión en la sierra
del Perú es de 16,2% (MINSA, 2021).
En la selva de Perú, la prevalencia de la depresión es mayor que
en otras regiones del país con un 21,4% (MINSA, 2021). Por otro
lado, en un estudio realizado por el Instituto Nacional de Salud
Mental (INSM) en 2012, la prevalencia de la depresión en la
19
selva amazónica peruana fue de 1.9%. Este estudio incluyó a
una muestra de 1,200 personas de las regiones de Loreto,
Ucayali y Madre de Dios.
En Cañete se examinó la relación entre la estrategia de
afrontamiento al estrés y la ansiedad en estudiantes de séptimo
ciclo en la Institución Educativa "Virgen Guadalupe" de Mala. Los
resultados indicaron que la mayoría de los estudiantes tenían
niveles moderados de afrontamiento al estrés, pero una
proporción significativa experimentaba altos niveles de ansiedad
(Hurtado Pérez, 2018). Debido a ello es que la claridad respecto
de la concepción fenomenológica de la depresión adolescente
podría ser difusa y requerir ser contrastada con los reportes
empíricos a fin de obtener un panorama sobre los factores que
integran las causas y consecuencias de la depresión en el
adolescente peruano.
Según el (INSM, 2014), alrededor de un millón 700,000 personas
padecen de depresión en el Perú y, aunque el número de casos
no deja de crecer en todas las edades, la mayor parte de la
población no lo ubica como un problema grave, pese a que sus
efectos pueden ir desde un daño neuronal hasta la muerte a
causa del suicidio. La mayoría de los casos presentados por
adolescentes están asociados al estrés. Cuanto más temprano
es este, más severas son las consecuencias. En la adolescencia
se vuelven inestables, confrontacionales, no toleran la
frustración y empiezan a tener actos auto agresivos, a golpearse,
a cortarse hasta el grado de llegar a suicidarse.
Debido a las causas anteriores expuestas, en el Perú los
adolescentes es la población más afectada. Estas estadísticas
muestran que los adolescentes de 11 a 18 años de edad
representan el 8% presentan estos síntomas, cada 22 minutos
en Lima metropolitana una persona intenta hacerse daño. De
igual manera en este portal se muestra la tasa de mortalidad
20
para el caso del Perú, donde muestra que para este caso el
promedio es de aproximadamente el 60% y 80% de suicidios.
Esta enfermedad ha afectado al 5% de las personas. Población
mundial. Como se muestra en la Figura 4, según el nivel
educativo de Lima, el número de pacientes con enfermedades
mentales (INSM, 2014).
Figura 4. La depresión en el Perú.

Fuente (INSM)
Según el instituto Nacional de Salud Mental "Honorio Delgado -

Hideyo Noguchi", explicó que las conductas suicidas están
asociadas a la depresión y se forman desde la infancia. Según
las estadísticas de la institución, el 80% de los 334 casos de
suicidios presentados en el país el año pasado tuvo su origen en
problemas de ánimo y depresión. Teóricamente, si se trataran
todos los casos, bajaríamos el suicidio al 20%. Sin embargo,
actualmente solo el 25% de la gente que presenta este episodio
(la depresión) acude a recibir atención en un centro de salud. Se
describe que un 20% se da cuenta de que necesita atención,
21
pero no hace nada al respecto. En tanto, el resto 55% no advierte
la enfermedad y no le presta atención.
La mayoría de suicidas son varones. Sin embargo, alertó que,
en los últimos 20 años, la autoeliminación ha crecido entre los
adolescentes de 12 a 14 años, sobre todo en las mujeres se ha
detectado que, en el 30% de esos casos están causando el
incremento de los intentos de suicidio. Esto se debe a la
masificación de la quiebra de contactos en la familia, la ruptura
de los matrimonios, el abandono de los padres en su rol hacia
los hijos, la familia ausente, la violencia y otros problemas. En
una encuesta realizada por Instituto Nacional de Salud Mental
un 25.8% recibió atención profesional, no sabe si necesita ayuda
21.2%, cree haber necesitado regular ayuda 11.6%, cree haber
necesitado mucha ayuda 12.7%, cree no haber necesitado
ayuda 7.4% y no percibió un trastorno mental 20.9% como se
muestra en la Figura 5.
Figura 5. Atención de cuadros de depresión en el Perú

Fuente (INSM)
Debido a las causas anteriores expuestas, la depresión causa el

80% de suicidios en el Perú, pero no es atendida por falta de una
atención especializada. La inestabilidad emocional adquirida por
las personas desde sus hogares por diversas situaciones, va
creciendo ciertos trastornos e inseguridades que no son tratados
a tiempo, tal es así que en esa etapa se acentúa presentando
22
diferentes comportamientos entre ellos tristeza, ansiedad,
irritabilidad, pensamientos suicidas, desesperanza o culpa.
Frente a lo expuesto anteriormente es pertinente formular las
siguientes preguntas: ¿Es posible usar tecnologías de
información en apoyo al diagnóstico de la depresión? ¿Cómo
pueden las tecnologías de información ayudar a mejorar el
acceso a la atención de la salud mental?
1.2 Formulación del problema.
1.2.1 Problema general

¿Se puede mejorar el diagnóstico de la depresión usando un
sistema experto en estudiantes de la IEP Nuestra Señora del
Carmen, Cañete?
1.2.2 Problemas específicos

PE1. ¿Cómo mejorar el diagnóstico de la salud conductual
usando un sistema experto en estudiantes de la IEP Nuestra
Señora del Carmen, Cañete?
PE2. ¿Cómo mejorar el diagnóstico de la salud mental usando

un sistema experto en estudiantes de la IEP Nuestra Señora del
Carmen, Cañete?
1.3 Objetivos.
Para abordar los problemas planteados anteriormente y

teniendo en cuenta la formación de Ingeniero de Sistemas del
autor del proyecto, se hace una propuesta de solución en base
a los siguientes considerandos: Internet es un gran repositorio
de información, en particular existe abundante información sobre
la cultura ancestral del tratamientos de enfermedades con
medicina alternativa que evitan los efectos colaterales de la
23
medicación con medicina convencional, Desde el punto de vista
de las tecnologías de información existen diversos algoritmos
informáticos que pueden ser usados para apoyo al tratamiento
de enfermedades. En consecuencia, se platean los siguientes
objetivos.
1.3.1 Objetivo general
Desarrollar un sistema experto para diagnosticar la depresión en

estudiantes de la IEP Nuestra Señora del Carmen, Cañete
1.3.2 Objetivos específicos
OE1. Desarrollar un sistema experto de la depresión para

diagnosticar la salud conductual para los estudiantes de la IEP
Nuestra Señora del Carmen, Cañete.
OE2. Desarrollar el sistema experto de la depresión para
diagnosticar la salud mental para los estudiantes de la IEP
Nuestra Señora del Carmen, Cañete.
1.4 Justificación
Esta investigación se justifica porque resulta ser una propuesta

para diagnosticar la depresión, un problema latente en la
humanidad especialmente en los adolescentes, además sin
pretender suplir la actividad de un médico, un sistema experto
se puede considerar como un apoyo al diagnóstico de la
depresión cuya prescripción es gratuita y está disponible cada
vez que se le requiera cuando se le implemente en linea,
volviéndose de repente como la única alternativa en colegios
donde sea difícil contar con la presencia de personal de salud.
La depresión es un problema de salud pública importante en el

Perú. Se ha evidenciado la falta de detección de la depresión en
los adolescentes. Es necesario aumentar la conciencia sobre
esta enfermedad y promover la detección y el tratamiento
tempranos. La importancia de este trabajo radica en que se está
24
contribuyendo desde el punto de vista de la ingeniería en
automatizar el tiempo de respuesta, como son el diagnóstico de
la depresión con el uso de un sistema experto.
1.5 Delimitantes de la investigación
Con el propósito de hacer factible el proyecto de investigación

se establecen criterios que limiten el alcance del proyecto,
estableciendo las restricciones teóricas, espaciales y
temporales.
Con el propósito de hacer factible el proyecto de investigación
se estableció criterios que limiten el alcance del proyecto,
estableciendo las restricciones teóricas, espaciales y
temporales.
Teórico
Respecto a los algoritmos informáticos, existen diversas
propuestas para crear sistemas inteligentes que implementan
variados algoritmos dentro de los cuales se mencionan al
aprendizaje automático, ciencia de los datos, etc.
Por otro lado, el análisis de sentimiento es una de las técnicas
que está siendo utilizado por las organizaciones de todo el
mundo ya que mayormente se usa para identificar el estado
emocional de las personas, los cuales ya están siendo
incorporados tales como en las redes sociales, otras de las
utilidades que se les está dando actualmente es para la
identificación de la satisfacción de los clientes, ya que
actualmente se está realizando lo que es el estudio a través de
las llamadas y de esta manera garantizar la confiabilidad en la
evaluación de los trabajadores.
25
Espacial
Para la validación de los resultados, se consideró conveniente
implementar el sistema experto para prescribir el diagnóstico de
la depresión en estudiantes de la IEP Nuestra Señora del
Carmen, debido al acceso factible a esta población.
Temporal
La verificación de los resultados se restringe al primer semestre
del año 2022, fecha que hicieron factible su aplicación.
26
II. MARCO TEÓRICO.
2.1 Antecedentes
2.1.1 Antecedentes nacionales.
Según (Medina, y otros) planteó como objetivo desarrollar un

modelo predictivo para el análisis, diseño e implementación de
una aplicación web usando análisis textual y aprendizaje
automático para la detección precoz de la depresión. Referente
a la metodología y herramientas se considera esta investigación
de tipo aplicada experimental, ya que busca dar solución al
inconveniente causados por la depresión. Para la recolección de
datos se utilizaron el inventario de depresión de Beck II y el
examen de frases incompletas de Sacks. La población estuvo
conformada por 596 alumnos de nivel universitario, la muestra
obtenida fue elegida por conveniencia. Teniendo como resultado
del análisis textual ayudo a detectar depresión con una exactitud
del 99,2 %.
(Gupioc Ventura, y otros), en su tesis titulada “Sistema Experto

Médico para Mejorar el Diagnóstico de Pacientes con Depresión
del CSM Santa Lucia de Moche, Año 2018”, tuvo como objetivo
principal “Mejorar el proceso de diagnóstico de pacientes con
depresión”. Con respecto a la metodología el autor explica que
es pre experimental pues se describe que este diseño ofrece
identificar los factores de riesgo de depresión. El tipo de la
investigación se considera aplicada, la cual posee un enfoque
cuantitativo. Gracias al sistema experto los resultados se
lograron incrementar el diagnostico en un 45.83% con respecto
al promedio de diagnósticos antes de la implementación. Se
observó en la investigación que las herramientas y metodologías
usadas en la investigación nos brinda un gran panorama sobre
el uso del sistema experto.
27
Según (Vega Guevara, y otros) planteó como objetivo conocer
la prevalencia de depresión y ansiedad en adolescentes y su
relación con ideas suicidas, distrito de Ayacucho. Con respecto
a la metodología el autor explica que es de tipo cuantitativo. Esto
se debe a que utiliza escalas numéricas para medir las variables
de interés, como la ansiedad, la depresión y el riesgo suicida. Se
considera esta investigación es de tipo preexperimental. La
prevalencia de Ideación suicida fue de 0.8% en adolescentes de
la región de Ayacucho,47% reportó al menos un síntoma de
ideación. Se relaciona significativamente con la Ansiedad (p:
0.002 y RR: 3,7) y con la Depresión (p: 0.001 y RR: 5). Los
adolescentes con Ideación Suicida en la región de Ayacucho son
en mayor porcentaje adolescentes tempranos (entre 12 a 14
años) de sexo masculino 54,8% (51), dependen
económicamente de sus padres 70,9% (66) y no profesan ningún
credo 46,2% (53).
2.1.2 Antecedentes internacionales.
Según (González Gómez, 2019) planteó como objetivo construir

un modelo predictivo y un indicador que muestre cuan propenso
es un adulto mayor a sufrir este tipo de enfermedades. Con
respecto a la metodología el autor explica que es pre
experimental pues se describe que este diseño ofrece identificar
los factores de riesgo de depresión en adultos mayores; es decir,
se hace un seguimiento del grupo. El tipo de la investigación se
considera aplicada, la cual posee un enfoque cuantitativo.
Referente a las herramientas que utilizó para obtener un modelo
de predicción de riesgo de depresión, diseñó un algoritmo de
clasificación de aprendizaje automático para dar con un sistema
de alarma temprana a la falta de otros mecanismos que ayuden
a detectar el riesgo de sufrir la enfermedad, además de entender
y descubrir cuáles son las variables que explican este trastorno.
28
Para la selección de datos como primera instancia utilizó
algoritmos de data mining cuya principal ventaja radica en
encontrar patrones para descubrir asociaciones presentes en
registros y profundizar más allá de la evidencia de un caso
puntual. Para el manejo de grandes volúmenes de datos y de un
repositorio de funciones utilizó Python 3 como lenguaje de
programación y por otro lado se aplicó la librería de desarrollo
llamada Scikit-Learn que contempla diferentes herramientas de
data mining y aprendizaje automático que facilitaran el desarrollo
del proyecto. Según los resultados del experimento de la
investigación, se identificó una selección y balance de datos
aproximadamente el 15% de los adultos mayores de la
comunidad urbana estudiada mostraron síntomas significativos
de depresión en el momento de la evaluación.
Según (León Martínez, 2019) planteó como objetivo utilizar el

análisis de sentimientos para detectar posibles síntomas de
depresión por medio de los dispositivos móviles de personas que
corran riesgo de sufrir este trastorno mental. Con respecto a la
metodología el autor explica que es cuantitativo de tipo
descriptivo y transversal. Se realizó un censo comunitario en una
población de 78 adultos mayores. Se aplicó la Escala de
depresión geriátrica de Yesavage y la Escala de desesperanza
de Beck. Como resultado se encontró un nivel de depresión leve
en un 24,4%, seguido de un 9,0% de depresión severa. Al
estudiar la desesperanza se encontró desesperanza leve en un
56,4%, moderada en un 23,1% y severa en un 3,8%. Como
conclusión el 33,4% de adultos mayores presenta síntomas de
depresión y un 83,3% algún nivel de desesperanza, por lo que
es importante incentivar la participación en agrupaciones
comunitarias, ya que es un factor protector que se debe
fortalecer en esta etapa de la vida. Se observa en la
29
investigación que se han creado nuevas herramientas para
facilitar el acceso al cúmulo de información que se genera
diariamente que podemos decir que las herramientas y técnicas
utilizadas para la investigación brindan amplias perspectivas
para nuestra investigación futura.
Según (Gómez Zuluaga, y otros, 2019) planteó como objetivo

desarrollar una aplicación móvil para identificar a tiempo los
síntomas, signos y señales de tendencia a la depresión en
adolescentes a través de la implementación de técnicas de
minería de texto en redes sociales. El tipo de la investigación se
considera aplicada, la cual posee un enfoque cuantitativo. Como
resultado obtenido en su trabajo de investigación se obtuvo un
conocimiento mediante un estudio minucioso sobre los
síntomas, signos y señales de tendencia a la depresión en
adolescentes a través de la implementación de técnicas de
minería de texto en redes sociales.
2.2 Bases Teóricas.
Depresión
Según (Beck, y otros, 1983) nos dice que la depresión es una
enfermedad que afecta nuestros sentimientos y formas de
pensar tanto física como mentalmente. La depresión es muy
grave y frecuente en nuestra sociedad, y hará que las personas
anhelen deshacerse de sus seres queridos y del entorno más
cercano. Además, puede causar ansiedad, falta de sueño,
pérdida de apetito y falta de interés o placer al realizar diferentes
actividades. Esta opinión sostiene que la depresión es causada
por un desequilibrio en los neurotransmisores cerebrales, como
la serotonina, la dopamina y la noradrenalina. Estos
neurotransmisores están involucrados en la regulación del
estado de ánimo, el apetito, el sueño y la motivación (Monroe, y
otros, 2005).
30
En la opinión de (Vázquez, y otros, 2000) la depresión es un
trastorno mental que se caracteriza por un estado de ánimo
depresivo, pérdida de interés o placer en las actividades
habituales, y cambios en el apetito, el sueño, el nivel de energía,
la concentración y la capacidad de tomar decisiones. Desde el
punto de vista teórico, existen diferentes modelos que intentan
explicar las causas de la depresión. Uno de los modelos más
aceptados es el modelo cognitivo-conductual, que postula que la
depresión se debe a un conjunto de factores cognitivos,
conductuales y biológicos.
Además, Según (Beck, y otros, 1983) relata que la depresión es

un trastorno en el estado de ánimo, que normalmente se
presenta en fases, en este apartado procedemos a explicar
brevemente los distintos tipos de depresión que existen en
función de la frecuencia de estas fases y su intensidad. Un
episodio depresivo puede comenzar de forma rápida en unos
días o más lentamente durante unas semanas. Suelen tener una
duración de varias semanas o meses durante los cuales se
mostrarán síntomas claros de depresión. Este es el caso más
típico y común. Cuando hay cierta recurrencia en un episodio
depresivo pasamos a hablar de un trastorno depresivo
recurrente.
Es fundamental establecer como se entiende en la actualidad el

concepto de la depresión, el enfoque más básico es el que la
define como un estado anormal del organismo en el cual se
evidencian signos y síntomas de estado anímico subjetivo bajo,
escepticismo y pesimismo en las actitudes, pérdida de la
espontaneidad y signos vegetativos específicos (Beck, y otros,
1983).
31
Desde el punto de vista de (Joiner, 2005) intenta explicar las
causas de la depresión. Uno de ellos es el modelo interpersonal,
como la pérdida de un ser querido, el rechazo social, o la
violencia doméstica, pueden provocar un sentimiento de
aislamiento, desesperanza y pérdida de autoestima, que a su
vez conducen a la depresión. La mayoría de las personas que
han experimentado un trastorno depresivo tendrán más a lo
largo de su vida. Este riesgo de recurrencia puede reducirse con
el tratamiento adecuado. Por otro lado, presentaban síntomas
físicos, conductuales y cognitivos relacionados con esta
patología. Algunos síntomas físicos y de comportamiento
pueden ser: llanto, aislamiento social, aumento del dolor
preexistente, disminución de la libido, fatiga, la ansiedad es
obvia, el sueño y el apetito disminuyen.
Sistema Experto
Según (Russell, y otros, 1995) “Un sistema experto es una
inteligencia artificial que utiliza el conocimiento y la lógica para
simular el razonamiento humano en un dominio específico,
diseñado para resolver problemas complejos utilizando
conocimiento experto”.
Según (Luger, y otros, 1993) nos dicen que el sistema experto

es "un programa de computadora que utiliza conocimientos y
habilidades específicos de un experto humano para lograr una
tarea". Un sistema experto es un software que utiliza la
inteligencia artificial para simular la capacidad de un experto
humano en un campo específico para tomar decisiones o
resolver problemas.
32
De acuerdo con (Guevara López, y otros, 1997),“Los sistemas
expertos se basan en la idea de que el conocimiento humano
puede ser formalizado y codificado en reglas y procedimientos
que pueden ser utilizados por una computadora para resolver
problemas en un dominio específico”.
2.2.2 Marco conceptual
Base de hechos
Es un componente clave de la base de conocimiento de un
sistema experto. Contiene información detallada y específica
sobre el dominio del problema en cuestión, y que es utilizada por
el motor de inferencia para tomar decisiones.
Base de conocimientos
Es el componente central de un sistema experto que contiene el
conocimiento y la experiencia necesarios para resolver
problemas en un dominio específico.
Motor de inferencia
En este componente el programa utiliza el conocimiento de la
base de datos para hacer inferencias y tomar decisiones.
Módulos de comunicación:
Es la interfaz gráfica que permite al usuario interactuar con el
sistema experto logrando una comunicación de entrada y salida.
A través de la interfaz de usuario, el usuario puede hacer
preguntas, introducir información y recibir respuestas y
soluciones del sistema.
Se subdivide en
Módulo de consulta o del usuario
Módulo de trabajo o del experto
33
En la siguiente figura se presenta de manera clara y concisa los
componentes básicos de un sistema experto, y muestra cómo
cada uno de ellos interactúa para ofrecer soluciones y
respuestas a los usuarios.
Figura 6 Esquema de un sistema experto

Fuente (Universidad de Zaragoza)
2.3 Definición de términos básicos
En esta sección se presenta los conceptos básicos y necesarios para una

mejor lectura del trabajo de investigación.
Aprendizaje automático
Según (Michalski, y otros) relata que “El aprendizaje automático
es un fenómeno multifacético, que incluye adquirir conocimiento
declarativo, desarrollar habilidades cognitivas a través de la
práctica, organizar nuevos conocimientos en representaciones
efectivas y descubrir nuevas representaciones a través de la
observación y el experimento”.
Por otra parte (Kohavi, y otros, 1998) definen que el aprendizaje

automático como la disciplina que permite la construcción de
algoritmos para aprender de los datos. Estos algoritmos según
se construyen modelos para hacer predicciones o tomar
decisiones.
34
Aprendizaje supervisado
Mashingaidze y Backhouse (2017) “El aprendizaje supervisado
se basa en el uso de un conjunto de datos etiquetados para
entrenar un modelo de predicción. Los algoritmos de aprendizaje
supervisado comunes incluyen árboles de decisión, regresión
lineal, regresión logística y redes neuronales”.
Aprendizaje no supervisado
Kelleher y Mac (2017) “Son aquellos que no requieren el uso de
datos de entrenamiento, es decir, el modelo aprende por su
cuenta. Generalmente es usado para técnicas de clustering, que
es aquel que busca asociar o agrupar datos en grupos de objetos
similares”
Aprendizaje por refuerzo

(Kohavi, y otros, 1998) el aprendizaje por refuerzo es un método
cuyo enfoque se centra en el problema de los agentes orientados
a objetivos en entornos desconocidos, todos los sujetos en el
aprendizaje por refuerzo tienen metas claras, pueden sentir
cambios en el entorno y pueden tomar acciones que afecten al
entorno, porque este es un método que cubre todo el problema
para la meta, no necesariamente significa un organismo
completo.
Depresión psicótica
Según Beck, Rush, Shaw y Emery (1983) “Es considerado un
tipo especial de depresión que puede aparecer tanto en
depresión unipolar como bipolar. Su principal característica son
los delirios que experimentan las personas que lo sufren. Estos
delirios o pensamientos falsos suelen estar centrados en
sentimientos de culpa o en un miedo exagerado. Los delirios
siguen estando presentes, aunque haya evidencias de lo
35
contrario. Este tipo de paciente frecuentemente tiene la
necesidad de ser ingresados en una unidad de psiquiatría debido
a la severidad del trastorno y el riesgo de suicidio”.
Depresión atípica
(Beck, y otros, 1983) señalan que “Los síntomas son los mismos
que en un episodio de depresión normal, pero con dos grandes
diferencias, en lugar de sentir una falta de apetito y somnolencia,
es todo lo contrario, experimentan un incremento del apetito y
necesidad de dormir. Este tipo de depresión puede ocurrir tanto
en unipolar como en bipolar”.
Trastorno Afectivo Estacional

(Beck, y otros, 1983) describen “El trastorno afectivo estacional
es un tipo de depresión atípica pero que solo se sufre durante
una época o estación del año, por esa razón durante el resto del
año el paciente vuelve a su estado anímico normal que con el
tiempo se puede agravar si no se hace tratar”.
Modelo Cognitivo
De acuerdo con (Miller, 1956) “La teoría cognitiva se enfoca en
el papel de los procesos cognitivos en el comportamiento
humano, incluyendo la percepción, el pensamiento y la
resolución de problemas “.
(Vázquez, y otros, 2000) explican que existen otros elementos

cognitivos clave de la depresión: pensamientos Automatización
negativa, errores cognitivos y disfunción de esquemas.
36
Alexa
Según (AWS, 2014) es un servicio para crear aplicaciones de
voz que se encuentra en la nube de Amazon y que se puede
utilizar en dispositivos de terceros con tecnología de internet de
las cosas, así como en dispositivos Echo de Amazon. Al utilizar
Alexa, los usuarios pueden tener experiencias de voz similares
a las que tendrían al hablar con otra persona.
Alexa Skills Kit

(AWS, 2014) proporciona todas las herramientas necesarias
para comenzar a crear Skills con Alexa. Estas herramientas
incluyen documentación, muestras de código y una API en self-
service que permite añadir Skills de manera fácil y rápida.
Además, este entorno permite aprovechar el conocimiento y la
innovación de Amazon en el campo del diseño de voz, a partir
de este texto, utilizaremos el término "habilidades" en lugar de
"Skill".
Arquitectura de una Skill de Alexa

Siguiente lo lineamientos para la estructura de una habilidad de
Alexa se compone de dos partes principales: el front-end, que
en este caso es la interfaz de usuario de voz (VUI), que abarca
todo el reconocimiento de voz, y el back-end, que se refiere a la
lógica de programación que proporciona respuestas al servicio
Alexa para transmitirlas al usuario. Como se puede ver en la
ilustración de la Figura 7 que se presenta a continuación.
37
Figura 7 Imagen de la arquitectura de Alexa
Fuente: Elaboración propia
En el diagrama previo se puede notar que el proceso comienza

con un usuario que envía información al dispositivo de Amazon
Echo, el cual cuenta con Alexa instalado. Luego, esta
información se dirige hacia la nube de Amazon para tratar de
conectarse a un servidor de Amazon o de un tercero. Cabe
destacar que cualquier información solicitada que llegue a la
nube de Amazon puede ser visualizada en un teléfono
inteligente.
Echo Dot
Amazon comercializa altavoces inteligentes conocidos como
Echo Dot, los cuales vienen equipados con el asistente virtual
Alexa preinstalado. Tiene la forma de una pelota y tiene un
diámetro de alrededor de diez centímetros. El altavoz tiene un
exterior de plástico azul y una rejilla de tela en la parte superior.
Como se ilustra en la Figura 8.
38
Figura 8 Imagen del dispositivo Echo Dot (4 ª generación)
Fuente (Amazon)
Amazon Web Services - AWS

Se trata de un servicio proporcionado por Amazon que ofrece
una variedad de servicios en la nube, como la virtualización de
equipos informáticos, la gestión de bases de datos, motores de
eventos, almacenamiento, y otros servicios similares (Amazon
Web Services, 2006).
AWS Lambda
Según (Amazon Web Services) es un servicio de cómputo en el
que el usuario sólo proporciona su código, el cual se ejecuta en
una infraestructura altamente escalable de manera automática.
Esto lo convierte en una herramienta muy versátil y potente para
el desarrollo de aplicaciones en la nube.
Django
En consonancia con (Adrian Holovaty, 2005), es un marco de
desarrollo de código abierto basado en el lenguaje de
programación Python que permite un desarrollo rápido y un
diseño limpio y práctico. Django proporciona una estructura de
alto nivel para el desarrollo de aplicaciones que incluye una base
de datos ORM (Object-Relational Mapping), un sistema de
gestión de URL, un motor de plantillas, una capa de abstracción
de base de datos. En este proyecto, se utilizará este marco para
39
desarrollar una interfaz de programación de aplicaciones (API)
que contendrá el modelo para el diagnóstico de la depresión.
Visual Studio Code

(Microsoft, 2015) es un editor de código complejo desarrollado
por Microsoft. Contiene una variedad de herramientas útiles para
el desarrollo de aplicaciones y soporte para varios lenguajes de
programación, incluido Python. Debido estas características, es
muy apreciado por los desarrolladores de aplicaciones. Se
utilizará Visual Studio Code como editor para crear la interfaz de
programación de aplicaciones en el proyecto actual.
MySQL
Según el enfoque de (Watson, 2016) es un sistema de gestión
de bases de datos relacionales de código abierto que utiliza un
modelo cliente-servidor y se basa en el lenguaje de consultas
organizado. Además, brinda a los clientes que se conectan a una
o varias bases de datos a través de una red. Muchas empresas
en todo el mundo han utilizado MySQL porque es conocido por
su velocidad, escalabilidad, seguridad y facilidad de uso.
Python
(Python.org, 1980) es un lenguaje de programación de alto nivel
que es simple de usar y está disponible bajo licencia de código
abierto. También puede integrarse fácilmente con otros
lenguajes. Sus bibliotecas de terceros, que pueden usarse para
tareas específicas, como el aprendizaje de máquina, lo
distinguen. Debido a su relación equilibrada entre complejidad y
rendimiento, así como a su amplia gama de herramientas para
el desarrollo de aprendizaje automático, Python se ha vuelto muy
popular en el campo del aprendizaje de máquina en la
40
actualidad. Como resultado, se ha elegido este lenguaje para
llevar a cabo el proyecto actual.
JavaScript
Según (MDN Web Docs) es un lenguaje de programación ágil e
interpretado, conocido principalmente como el lenguaje de script
para páginas web, pero también se utiliza en numerosos
entornos que no requieren navegador. Es un lenguaje ligero e
interpretado que admite funciones de primera clase y es
compatible con diferentes estilos de programación, como el
funcional, imperativo y orientado a objetos.
41
III. HIPÓTESIS Y VARIABLES.
3.1 Hipótesis
En este apartado se presentan las hipótesis de trabajo que se
formula para guiar el desarrollo del proyecto de investigación.
3.1.1 Hipótesis general
El uso de un sistema experto mejora el diagnóstico de la
depresión de los estudiantes de la IEP Nuestra Señora del
Carmen.
3.1.2 Hipótesis específicas
HE1. El uso de un sistema experto mejora el diagnóstico de la

salud conductual de los estudiantes de la IEP Nuestra Señora
del Carmen.
HE2. El uso de un sistema experto mejora el diagnóstico de la
salud mental de los estudiantes de la IEP Nuestra Señora del
Carmen.
3.2 Variables de estudio
Para realizar este trabajo se identificaron dos variables de

estudio que sirvieron para conducir la investigación. Se identificó
como variable independiente a un “Sistema experto” y como
variable dependiente a el “Diagnóstico de la depresión”.
3.2.1 Descripción de las variables de estudio
Variable dependiente:
Depresión
La Organización Mundial de la Salud (OMS) afirma que la
depresión son las distintas variaciones habituales del estado de
ánimo y de las respuestas emocionales breves a los problemas
de la vida cotidiana.
Por otro lado, la Real Academia Española define depresión al
trastorno emocional y mental, que le produce a un individuo
42
sentirse triste y afligido, y así padeciendo un malestar interior,
que a su vez dificulta su interacción con los demás individuos
que lo rodean.
Variable independiente: Sistema experto

Según la Universidad Pablo de Olavide, define un sistema
experto unas series de programas de computación que reúne
características y comportamientos asimilables al de la
inteligencia humana.
Un sistema experto es capaz de resolver problemas de un área

específica utilizando métodos de razonamiento, habilidades y
conocimientos similares a los de un experto humano. Estos
sistemas actúan como intermediarios entre los expertos
humanos, que participan en la adquisición de conocimiento, y los
usuarios humanos, que utilizan el sistema para consultar
información.
3.2.2 Operacionalización de las variables de estudio
Variable Dependiente: Depresión

Definición conceptual
«La depresión es una enfermedad o trastorno mental que se
caracteriza por una profunda tristeza, decaimiento anímico, baja
autoestima, pérdida de interés por todo y disminución de las
funciones psíquicas».
Dimensiones
La salud del ser humano está relacionada con el equilibrio que
exista entre las siguientes bienestares o dimensiones.
Dimensión conductual. Esta es la capacidad de una persona
para mantener el bienestar mental, social y emocional. Es la
43
manera en que piensa, se siente y actúa al enfrentarse a las
diferentes situaciones de la vida.
Dimensión mental: Se basa en el equilibrio de la persona con
su entorno de esa manera, lo que implica la posibilidad de
resolver los conflictos. Las funciones mentales como la memoria,
la concentración, la claridad de ideas y la expresión pueden
verse afectadas por la preocupación excesiva, que es el
resultado de una concentración excesiva en un tema.
Indicadores:
Para la salud conductual.
Dependencia
Agitación
Abandono
Intolerancia
Para la salud mental.
Autoaceptación
Relaciones positivas
Dominio del entorno
Autonomía
Propósito de vida
Crecimiento personal
Manejo de emociones
Autocrítica
Índices
Para la salud conductual.
Aislamiento social. Expresa un estado deprimido de
incomodidad. Este estado es causado por ciertas enfermedades.
Los indicadores utilizan la temperatura corporal, la presión
arterial y el pulso.
44
Alimentación desordenada. La nutrición es la ingesta de
alimentos relacionados con los requisitos dietéticos humanos.
Una buena nutrición (dieta adecuada y equilibrada más ejercicio
físico regular) es un elemento esencial para la buena salud. Usar
peso índice, capacidad vital.
Para la salud mental.
Concentración. Proceso mediante el cual centramos toda la
atención en un objetivo concreto. Es fundamental para el
aprendizaje y la concentración es posible entrenarla, ejercitarla
y desarrollarla.
Sufrimiento. Es el “dolor del alma”, la falta de confort que son
derivados de ideas, eventos existenciales, recuerdos y otros
aspectos que no son tangibles y referidos a aspectos actuales.
Técnica estadística
Para la realización de la investigación se utilizaron las medidas
de tendencia central y las de regresión lineal
Método y técnica
Se hizo encuestas a la población de estudio, utilizando la
técnica virtual.
Variable independiente: Sistema experto
Definición conceptual
Turban, Sharda, & Delen (2019). El sistema experto es un
"sistema de software diseñado para emular el razonamiento y el
conocimiento de un experto humano en un dominio particular,
con el objetivo de proporcionar recomendaciones o decisiones
precisas y confiables". Estos sistemas se basan en la
recopilación de conocimientos y experiencias de expertos en un
área determinada y utilizan técnicas de inteligencia artificial y
lógica para proporcionar soluciones y respuestas precisas a los
usuarios.
Dimensiones
45
Verificación de requisitos funcionales. Que el sistema
cumpla con todos los casos de uso que se establezcan.
Validación de resultados obtenidos. Que los resultados
recomendados sean asertivos en el tratamiento.
Facilidad de uso. Que el sistema no presente aspectos difíciles
de manejar cuando se le requiera usar.
Indicadores
Porcentaje de cumplimiento de requerimientos funcionales
Indicador de asertividad de la recomendación
Porcentaje de facilidad de uso.
Técnica estadística
Porcentaje de cumplimiento de requerimientos funcionales.
Lista de cotejo
Indicador de asertividad de la recomendación. Medida de
tendencia central
Porcentaje de facilidad de uso. Medida de tendencia central.
Método y técnica
Porcentaje de cumplimiento de requerimientos funcionales.
Lista de cotejo, Formulario virtual, aplicado a especialistas en
desarrollo de sistemas.
Indicador de asertividad de la recomendación. Medida de
tendencia central, aplicado a médicos con formación en
medicina alternativa.
Porcentaje de facilidad de uso. Medida de tendencia central,
aplicado a los usuarios
3.2.3 Matriz de operacionalización de las variables.
Para llevar a cabo la operacionalización de las variables, se

presenta la matriz de operacionalización de cada una de las
variables. En la Tabla 2, se muestra la conceptualización,
46
dimensiones, los indicadores de la variable dependiente salud,
la pregunta del correspondiente ítem dentro del instrumento de
recojo de la información que se debe aplicar a los estudiantes de
la IEP Nuestra Señora del Carmen de Imperial de Cañete.
47
Tabla 2 Matriz de Operacionalización de Variables
Variable Dependiente. Depresión
Dimensiones Definición conceptual Indicadores ítems Escala de medición Niveles y rangos
Es la capacidad de una Sentimientos de 1,2,3 Escala Likert Niveles:
persona para mantener el tristeza,
bienestar mental, social y desesperanza, 4,5,6,7, 0.Nunca, Mínima [0-13]
Dimensión conductual
emocional. Es la manera en desánimo 8,9,10,11, 1.A veces, Leve [14-19]
que piensa, se siente y 12,13,14, 2. Casi siempre, Moderada [20-28]
actúa al enfrentarse a las Pérdida de interés en 15,16,17, 3. Siempre Grave [29-63]
diferentes situaciones de la las actividades 18,19,20
vida. cotidianas
Es el rendimiento óptimo 21
dentro de las capacidades Cambios en el apetito
que posee.
Cambios en el sueño
Dimensión mental
Pensamientos de
muerte o suicidio
48
IV. METODOLOGÍA DEL PROYECTO.
4.1. Diseño metodológico.
Para situar bien el trabajo, se hace una tipificación de la

investigación desde diferentes perspectivas, considerando los
aspectos metodológicos de la investigación referente a la
clasificación de las investigaciones.
Según el objetivo: Es una investigación aplicada ya el trabajo
se centra en encontrar mecanismos o estrategias que permiten
lograr un objetivo concreto, es decir se aborda un problema muy
específico.
Según el nivel de profundización en el objeto de estudio: Se
trata de una investigación explicativa porque se trata de
determinar las causas y consecuencias de un fenómeno
concreto.
Según el tipo de datos empleados: Se clasifica como
investigación cuantitativa debido a que el estudio y análisis de la
realidad se hizo con diferentes procedimientos basados en la
medición, los resultados de estas investigaciones se basan en la
estadística y son generalizables.
Según el grado de manipulación de las variables: Es una
investigación experimental, ya que el proyecto se basa
fundamentalmente en un método científico que se utiliza para
investigar las relaciones causales entre variables. Se lleva a
cabo mediante la manipulación de una o más variables
independientes y la medición de sus efectos en una o más
variables dependientes en un ambiente controlado.
4.2 Método de investigación
El desarrollo de la investigación se hizo siguiendo el siguiente

diseño metodológico.
49
4.2.1 Desarrollo del sistema experto.
Para desarrollar el sistema experto se estableció como

arquitectura del sistema las siguientes capas.
Arquitectura del sistema experto

La arquitectura del sistema experto se estableció mediante una
estructura de 5 capas: La capa de datos, la capa base de
conocimiento, la capa de motor de inferencia, capa de servicios,
capa interfaz de usuario.
Capa de datos
En esta capa es responsable de almacenar y recuperar los datos
necesarios para el funcionamiento del sistema experto, como los
hechos, reglas, conocimiento para la toma de decisiones y la
generación de respuestas.
Capa base de conocimiento
En esta capa se construye a partir de la información
proporcionada por expertos en el tema y se organiza en forma
de reglas, hechos y relaciones.
Capa de motor de inferencia
Para manejar todas las interacciones que se den entre las capas,
en esta capa se encarga de procesar la información de la base
de conocimiento para llegar a una solución o respuesta. Este
motor utiliza diferentes técnicas de razonamiento para combinar
las reglas y los hechos para producir una salida.
Capa de servicios
Esta capa se encarga de la integración del sistema con otros
servicios y sistemas externos, como bases de datos, APIs y
servicios en la nube.
Capa interfaz de usuario
Esta capa se encarga de la comunicación con el usuario final a
través de la interfaz de voz de Alexa. Aquí se definen los
50
comandos de voz que pueden usar los usuarios para interactuar
con el sistema.
Para el desarrollo del sistema experto se siguieron las siguientes
fases:
a) Requerimientos funcionales del sistema
Se establecieron los casos de uso
Se estableció la matriz de requerimientos del sistema
b) Diseño del sistema
A continuación, se describen los componentes que se incluyen
en un sistema experto basado en una Skill de Alexa:
Interfaz de voz:
Es el componente que permite a los usuarios interactuar con el
sistema utilizando comandos de voz en lugar de una interfaz
gráfica mediante una Skill de Alexa.
Base de conocimientos:
Es el conjunto de conocimientos y reglas que se utilizan para
resolver problemas en un área específica. Esta base se
construye a partir de la información proporcionada por expertos
en el tema y se organiza en forma de reglas, hechos y
relaciones.
Motor de inferencia:
Es el componente que se encarga de procesar la información de
la base de conocimiento para llegar a una solución o respuesta.
Este motor utiliza diferentes técnicas de razonamiento para
combinar las reglas y los hechos y producir una salida.
Explicador:
Es el componente que se encarga de proporcionar explicaciones
al usuario sobre cómo se llegó a la respuesta o solución
propuesta. Esto ayuda al usuario a entender mejor el
razonamiento detrás de la solución y a aprender más sobre el
área de conocimiento.
51
Integración con Alexa Skills Kit:
Este módulo permite la integración del sistema experto con la
plataforma de voz de Amazon, lo que permite a los usuarios
interactuar con el sistema a través de dispositivos Alexa como
Echo Dot, Echo Show, entre otros.
Servicios web:
Es la parte encargada de suministrar datos adicionales al
sistema experto mediante la integración con servicios web, tales
como bases de datos y API.
Se desarrollaron los módulos del sistema
Módulo para el registro de estudiantes
Módulo para el servicio API REST
Módulo de Resultados
Módulo diagnóstico de salud conductual
Módulo diagnóstico de salud mental
c) Herramientas de apoyo
Lenguaje de programación Python
Plataforma de Alexa - AWS
Django
MySQL
NodeJs
4.2.2 Implementación de las encuestas
a) Para la realización de las encuestas se hace o un instrumento

sobre el uso del sistema experto a los miembros de la población
estudiada con preguntas sobre la mejora de las dimensiones de
la salud en base a las recomendaciones hechas por el sistema
experto enviado para su prueba que previamente.
b) Se les pide a los estudiantes llenar la encuesta
c) Se procede a procesar las encuestas.
52
4.3 Población y muestra
De acuerdo con (Hernández Sampieri, y otros, 2018) la

población es el conjunto completo de cosas o personas que
tienen una característica común. Por otro lado, se selecciona
una muestra representativa de esa población para realizar
observaciones y generalizaciones sobre el conjunto más amplio.
Población.
La población que se consideró para el trabajo de investigación
estuvo constituida por 30 estudiantes de la IEP Nuestra Señora
del Carmen, Cañete.
Muestra.
Dada la cantidad de personas integrantes de la población, se
consideró a toda la población como muestra de estudio.
4.4 Lugar de estudio y periodo desarrollado.
El presente proyecto se desarrolló en la Institución Educativa

Pública Nuestra Señora del Carmen situado en el distrito de
Imperial, Cañete y la población de estudio es considerada en el
mismo lugar. El periodo de estudio se realizó durante el mes de
noviembre del 2023.
4.5 Técnicas e instrumentos para la recolección de la

información
Técnicas de recolección de datos

De acuerdo con (Hernández Sampieri, y otros) en el campo de
la recopilación de datos, se destaca la necesidad de utilizar una
variedad de métodos para obtener información de manera
efectiva y precisa. Según las necesidades y objetivos de la
investigación, este método implica el uso de técnicas
particulares, como encuestas, entrevistas o análisis documental.
Instrumentos de recolección de datos
53
Para este proyecto, se utilizó una encuesta basada en el
Inventario de Depresión de Beck (BDI). El BDI es una escala
confiable y validada para medir la depresión en adultos. La
encuesta se llevó a cabo con una muestra de 30 estudiantes,
siendo sometida a un proceso de revisión y cumplió con los
requisitos en relación con el nivel de operacionalización de
variables. Los elementos para recopilar información están
detallados en el anexo Nº 2.
Creación y Configuración plataformas de Amazon

Creación de la Skill
Para crear la habilidad y hacer uso, primero es necesario crear
un usuario en AWS, el cual se lo hace en el siguiente enlace:
https://aws.amazon.com/es/. Una vez creado el usuario debe ir
al siguiente para acceder a la plataforma
https://developer.amazon.com/alexa/console/ask como se
detalla en la Figura 9.
Figura 9 Iniciar sesión en Alexa

54
Dentro de la plataforma se debe hacer clic en la esquina superior
izquierda en el icono de tres puntos en la opción de Consola del
Desarrollador de Alexa como se detalla en la Figura 10. Aquí es
donde se generan las habilidades que se conectarán con el Echo
Dot de Alexa.
Figura 10. Acceso a la plataforma de Alexa

Configuración básica
Para iniciar la configuración se debe completar la información
básica de la habilidad, como el nombre, el idioma y la ubicación.
Luego se asigna un nombre único al identificador de la skill (Skill
ID) Tal y como se muestra en la Figura 11.
55
Figura 11 Configuración y creación de una habilidad de Alexa
Después de completar la configuración y crear nuestra

habilidad de Alexa, esperamos verla reflejada de inmediato en
el apartado de habilidades.
Figura 12 Lista de habilidades

Definir la invocación
Después de crear la habilidad, se establece la frase de
invocación que los estudiantes utilizarán para interactuar con la
habilidad de Alexa, para el proyecto se asignó ‘Abrir diagnóstico
de depresión’ como se muestra en la Figura 13. Con esta
invocación los estudiantes pueden acceder a las
funcionalidades.
56
Figura 13 Definición de la invocación
Configuración de la Interfaz de Usuario

Diseño de la voz
Se define cómo la habilidad una aplicación que responderá a
las solicitudes del estudiante. A continuación, se especifica las
intenciones y las frases de ejemplo para entrenar el modelo de
lenguaje natural.
La lista de intents de nuestra habilidad de Alexa refleja las

diferentes interacciones que los estudiantes pueden realizar
mediante comandos de voz. Cada intent tiene un propósito
específico para brindar una experiencia completa y útil, como se
muestra en la Figura 14.
Figura 14 Lista de intents

El primer Intent se llama "studentRegisterIntent" y está

configurado para el idioma español de España. Tiene tres
ejemplos de oraciones que podrían invocar el Intent:
• "registrar estudiante"
57
• "registrar alumno"
• "agregar estudiante"
La estrategia de delegación de diálogo del Intent está
configurada para "fallback to skill setting", lo que significa que
Alexa intentará encontrar una respuesta en la configuración de
la habilidad si no puede entender la solicitud del usuario.
El Intent "studentRegisterIntent" tiene 2 slots:

1) userGender, que es un tipo de slot "TipoGenero"
2) userAge, que es un tipo de slot "AMAZON NUMBER"
Estos slots permiten a Alexa obtener información adicional del

usuario, como su género o edad. Como se ilustra en la siguiente
Figura 15.
Figura 15 Configuración de la intención studentRegisterIntent

El segundo el intent de la habilidad se llama

"recordStudentTestIntent" y está configurado para el idioma
español de España. Tiene dos ejemplos de oraciones que
podrían invocar el Intent:
• "realizar prueba"
• "registrar prueba"
58
En la siguiente Figura 16, se muestra la configuración de la
intención "recordStudentTestIntent".
Figura 16 Configuración la intención recordStudentTestIntent

El Intent tiene 21 slots que es un tipo de slot "TipoCondicion".

Estos slots permiten a Alexa obtener información adicional del
usuario, como las preguntas que se le harán al estudiante.
A continuación, se detalla el slot type denominado

"TipoCondicion".
Tiene cuatro valores posibles:

• siempre
• casi siempre
• a veces
• nunca
Estos valores se utilizan para representar la frecuencia con la

que se cumple una condición. Por ejemplo, si el valor del slot es
"siempre", significa que la condición se cumple siempre.
59
Desarrollo de la lógica de la habilidad
Al obtener la respuesta obtenida por medio del echo dot de Alexa

se envía por medio de los endpoints que se configura los puntos
finales de la habildiad para manejar las solicitudes del usuario y
enviar respuestas. El servicio a implementar es por medio de una
API creada en Django Rest Framework.
Toda la lógica de esta aplicación se programó con el lenguaje de

programación Node.js que permite la creación de aplicaciones
eficientes y escalables con capacidad de gestionar eventos de
manera asincrónica, que es particularmente ventajosa para
aplicaciones de voz como las que hemos construido para Alexa.
A continuación se detalla el archivo package.json que es un

componente fundamental del proyecto, ya que contiene
información sobre las dependencias. A continuación, se
presenta en la Figura 17 una descripción concisa de este archivo
clave en nuestro proyecto.
Figura 17 Estructura del package.json

60
En cuanto al código fuente, se proporciona en detalle en los
anexos adjuntos a este documento.
Integración con servicios externos

A continuación, se explica cómo integrar la skill con servicios
externos a través de una API. Por consiguiente, se detalla los
pasos para la configuración.
Configuración de Docker
En este proyecto, se usa Docker para empaquetar y desplegar
nuestra API. Esto nos permite desarrollar y probar nuestra
aplicación en cualquier entorno que tenga Docker instalado.
Además, Docker permite escalar la aplicación de forma vertical
o horizontal según sea necesario. Finalmente, Docker nos ayuda
a proteger nuestra aplicación de los ataques proporcionando un
aislamiento de recursos.
En este proyecto se hace uso de Docker ya que proporciona los

siguientes beneficios:
• Portabilidad: Las aplicaciones empaquetadas en

contenedores de Docker se pueden ejecutar en cualquier
entorno que tenga Docker instalado. Esto hace que sea
más fácil distribuir y desplegar aplicaciones.
• Escalabilidad: Los contenedores de Docker se pueden
escalar verticalmente o horizontalmente de forma
sencilla. Esto permite que las aplicaciones se adapten a
las necesidades cambiantes del negocio.
• Seguridad: Los contenedores de Docker proporcionan un
aislamiento de recursos que ayuda a proteger las
aplicaciones de los ataques.
61
El siguiente archivo se muestra una descripción más detallada
del archivo docker-compose.yml
Figura 18 docker-compose.yml
Para levantar la configuración en Docker, se corre el siguiente

comando en el mismo nivel del proyecto.
docker compose up -d
Figura 19 Docker Desktop

62
Creación y Configuración de API en Django Rest Framework
Como se mencionó en la introducción del trabajo, Django se
ejecuta en Python, por lo que debe instalarse en la ubicación
donde desea generar su aplicación. A través del proceso de
creación y configuración de una API en Django Rest Framework
(DRF) utilizando MySQL como base de datos. Se crearán dos
modelos: Estudiante y Evaluación. Antes de iniciar la creación
del proyecto es necesario tener instalado Python, Django y
Django Rest Framework en su entorno de desarrollo.
Creación del Proyecto en Django

Como recomendación, es importante instalar Django en un
entorno virtual, también conocido como virtualenv. Esto le
permite separar configuraciones para cada proyecto en la
computadora actual.
Para instalar virtualenv es necesario hacerlo utilizando pip.

Dentro del terminal se ejecuta el siguiente comando:
pip install virtualenv
Luego, ejecuta el siguiente comando para crear un entorno

virtual:
python -m venv venv
Este comando creará un directorio llamado venv que contendrá

el entorno virtual.
A continuación, se debe activar el entorno virtual. Esto se hace

de manera diferente según el sistema operativo:
63
.\venv\Scripts\activate
Después de activar el entorno virtual, el terminal mostrará el

nombre del entorno virtual actual, lo que indica que estás
trabajando dentro de él. Dentro del entorno virtual, se instala las
dependencias del proyecto utilizando el archivo requirements.txt
en el directorio del proyecto se ejecuta el siguiente comando:
pip install -r requirements.txt
Figura 20 Archivo requirements.txt

Este comando instalará todas las dependencias especificadas

en el archivo requirements.txt.
Una vez que la versión esperada de Django se instale

exitosamente usando pip, se creará un nuevo proyecto.
python manage.py startapp depressionExpertSystem
Configuración de la Base de Datos MySQL

En el archivo settings.py, se configura la base de datos, la
configuración de la base de datos se divide en los siguientes
elementos:
64
• ENGINE: Es el tipo de motor de base de datos que se
utilizará. En este proyecto se está utilizando MySQL.
• NAME: El nombre de la base de datos.
• USER: El nombre de usuario que se utilizará para
conectarse a la base de datos.
• PASSWORD: La contraseña que se utilizará para
conectarse a la base de datos.
• HOST: La dirección IP o el nombre de host del servidor
de base de datos.
• PORT: El puerto que se utilizará para conectarse al
servidor de base de datos.
Como se puede apreciar en la siguiente imagen se proporciona

una representación visual que sirve como herramienta esencial
para comprender de manera cómo está establecido la
configuración.
Figura 21 Configuración de la Base de Datos en Django

Componentes Middleware de Django
Las clases de middleware se ejecutan en el orden en que se

enumeran en la variable. Cada clase de middleware tiene la
oportunidad de modificar la solicitud o la respuesta antes de que
65
se envíen al siguiente middleware o a la vista. En este marco de
trabajo, se encuentran incorporados diversos elementos
middleware, sin embargo, el desarrollador tiene la flexibilidad de
personalizar y diseñar componentes adicionales según sus
preferencias. Los componentes básicos que brinda Django son
los siguientes:
• django.middleware.security.SecurityMiddleware: Esta
clase de middleware implementa medidas de seguridad
básicas, como la protección contra ataques de inyección
SQL y la protección contra ataques de falsificación de
solicitudes entre sitios (CSRF).
• django.contrib.sessions.middleware.SessionMiddleware:
Esta clase de middleware mantiene las sesiones de los
usuarios activas.
• django.middleware.common.CommonMiddleware: Esta
clase de middleware realiza tareas comunes, como la
configuración de la codificación de caracteres y la gestión
de los encabezados de la respuesta.
• django.middleware.csrf.CsrfViewMiddleware: Esta clase
de middleware protege las vistas contra ataques CSRF.
• django.contrib.auth.middleware.AuthenticationMiddlewar
e: Esta clase de middleware autentica a los usuarios.
• django.contrib.messages.middleware.MessageMiddlewa
re: Esta clase de middleware gestiona los mensajes de
los usuarios.
• django.middleware.clickjacking.XFrameOptionsMiddlewa
re: Esta clase de middleware protege contra ataques de
clickjacking.
A continuación, se ilustra la información que se está abordando

referente a las clases de middleware.
66
Figura 22 Clases de middleware
Migración de Django
A continuación, se realiza las migraciones haciendo uso del
siguiente comando
python manage.py makemigrations

python manage.py migrate
El comando ´python manage.py makemigrations´ se utiliza para

crear nuevas migraciones basadas en los cambios que has
realizado en los modelos de tu aplicación Django. Una migración
en Django es un archivo Python que contiene las instrucciones
para modificar la estructura de la base de datos. Estos archivos
se crean automáticamente cuando haces cambios en los
modelos establecidos.
Figura 23 Ejecución del comando makemigrations

El comando ´python manage.py migrate´ ejecuta las migraciones

pendientes y realiza las modificaciones necesarias en la base de
datos para reflejar la estructura definida por tus modelos.
67
Figura 24 Ejecución del comando Migrate
Base de datos
En esta sección se presenta el análisis de las tablas

fundamentales creadas por Django para gestionar la información
clave de nuestro sistema. Específicamente, examinaremos las
estructuras de las tablas "Estudiante" y "Evaluacion". Lo que
proporcionará una comprensión más clara de las relaciones
entre estas entidades cruciales del sistema.
Tabla: Admin
La tabla ‘Admin’ es generada por el comando ‘createsuperuser’
de Django. Esta tabla es esencial para gestionar la interfaz de
administración del sistema y asegurar un control eficiente sobre
los datos y usuarios, como se aprecia en la Figura 25.
68
Figura 25 Tabla "Admin"
Tabla: Estudiante
La tabla "Estudiante" almacena información crítica sobre los

estudiantes registrados en nuestro sistema. A continuación, se
presenta una descripción detallada de la estructura de esta tabla
en la Figura 26.
Figura 26 Tabla "Estudiante"

Tabla: Evaluacion
La tabla "Evaluacion" contiene detalles sobre las evaluaciones

realizadas para cada estudiante. A continuación, se presenta en
la Figura 27 una visión detallada de la estructura de esta tabla.
69
Figura 27 Tabla "Evaluacion"
Serializadores
La función from_rest_framework import serializers importa el

módulo serializers del paquete rest_framework. Este módulo
proporciona clases que se utilizan para serializar y deserializar
datos de objetos.
La función from .models import Estudiante, Evaluacion importa
las clases Estudiante y Evaluacion del módulo .models. Estos
módulos definen la estructura de los datos que se almacenarán
en la base de datos.
La clase EstudianteSerializer es una clase
serializers.ModelSerializer que se utiliza para serializar y
deserializar objetos Estudiante. La clase extiende la clase
ModelSerializer y proporciona métodos para serializar y
deserializar los campos de la clase Estudiante.
La clase EvaluacionSerializer es una clase
serializers.ModelSerializer que se utiliza para serializar y
deserializar objetos Evaluacion. La clase extiende la clase
70
ModelSerializer y proporciona métodos para serializar y
deserializar los campos de la clase Evaluacion.
Figura 28 Serializador
Configuración de las URL en urls.py del proyecto.
En este apartado se detalla la configuración de las URL de

nuestro proyecto Django mediante el archivo urls.py. Este
componente es esencial para definir cómo las diversas rutas.
Para la configuración del módulo django.urls se define las rutas
de la aplicación. La aplicación tiene un nombre de aplicación de
estudiante_app y tiene las siguientes rutas:
• /estudiantes/: Esta ruta muestra la lista de estudiantes.

• /api/estudiante/list: Esta ruta devuelve una lista de
estudiantes en formato JSON.
• /api/estudiante/create: Esta ruta crea un nuevo
estudiante.
71
• /api/estudiante/detail/<pk>: Esta ruta devuelve los
detalles de un estudiante con el ID especificado.
• /api/estudiante/delete/<pk>: Esta ruta elimina un
estudiante con el ID especificado.
• /api/estudiante/update/<pk>: Esta ruta actualiza los
detalles de un estudiante con el ID especificado.
La ruta /estudiantes/ utiliza la vista ListaEstudiantes para mostrar

la lista de estudiantes. La vista ListaEstudiantes obtiene la lista
de estudiantes de la base de datos y la devuelve al cliente.
La ruta /api/estudiante/list utiliza la vista EstudianteListApiView

para devolver una lista de estudiantes en formato JSON. La vista
EstudianteListApiView obtiene la lista de estudiantes de la base
de datos y la devuelve al cliente en formato JSON.
La ruta /api/estudiante/create utiliza la vista

EstudianteCreateApiView para crear un nuevo estudiante. La
vista EstudianteCreateApiView recibe los datos del estudiante
del cliente y los inserta en la base de datos.
La ruta /api/estudiante/detail/<pk> utiliza la vista

EstudianteDetailApiView para devolver los detalles de un
estudiante con el ID especificado. La vista
EstudianteDetailApiView obtiene los detalles del estudiante de la
base de datos y los devuelve al cliente.
La ruta /api/estudiante/delete/<pk> utiliza la vista

EstudianteDeleteApiView para eliminar un estudiante con el ID
especificado. La vista EstudianteDeleteApiView elimina el
estudiante de la base de datos.
72
La ruta /api/estudiante/update/<pk> utiliza la vista
EstudianteUpdateApiView para actualizar los detalles de un
estudiante con el ID especificado. La vista
EstudianteUpdateApiView recibe los datos del estudiante del
cliente y los actualiza en la base de datos.
Figura 29 urls.py del proyecto

Los patrones de URL son una forma de mapear solicitudes de

URL a vistas de Django.
La línea de código contiene dos patrones de URL:
El primer patrón, path('admin/', admin.site.urls), coincide con las

solicitudes de URL que comienzan con /admin/. Esta ruta
redirige a las URL del sitio de administración de Django.
El segundo patrón, re_path('',
include('applications.estudiante.urls')), coincide con cualquier
solicitud de URL. Este patrón incluye las URL de la aplicación
estudiante.
73
Figura 30 urls.py general
Arquitectura de la API
La arquitectura de la API sigue el patrón Modelo-Vista-
Controlador (MVC), donde los modelos representan la estructura
de la base de datos, los serializadores manejan la conversión de
datos a formato JSON, y las vistas gestionan las solicitudes
HTTP.
La arquitectura MVC es una arquitectura de software que separa

la lógica de la aplicación en tres capas:
• Modelos: Los modelos son las clases que representan los

datos de la aplicación. En este caso, el modelo Estudiante
y Evaluación.
• Vistas: Las vistas son las funciones que procesan las
solicitudes de los usuarios y generan la respuesta. En
este caso, la vista lista devuelve una lista de estudiantes.
• Controladores: Los controladores son las clases que
encapsulan la lógica de negocio de la aplicación. En este
caso, el controlador Estudiante que proporciona métodos
para crear, modificar y eliminar estudiantes.
74
Figura 31 Estructura del proyecto
El comando python manage.py runserver inicia un servidor web

local para un proyecto de Django. Este servidor web escucha en
el puerto 8000 por defecto.
Figura 32 Ejecución de la API

Después de ejecutar el servidor de desarrollo de Django con la

siguiente línea de comando, se tiene acceso a la API desde
cualquier dispositivo en la red local, incluida la consola de
75
desarrollo de Alexa en Amazon para configurar la skill para
interactuar con la API.
Figura 33 Acceso a las URL

El panel de administración de Django es una interfaz web que

permite a los usuarios crear, editar y administrar. Está diseñado
para ser fácil de usar y personalizar.
La sección superior muestra el nombre de usuario del

administrador actual, así como enlaces para ver el sitio web,
cambiar la contraseña y cerrar la sesión.
Figura 34 Administración de Django

76
Las acciones disponibles en el panel de administración se basan
en los modelos que se han definido en el proyecto Django. Por
ejemplo, en la imagen, la sección de acciones muestra acciones
para los modelos Grupos, Usuarios, Estudiantes y Evaluaciones.
Figura 35 Panel de administración de Django

Para acceder a la vista de API REST creada del modelo de

estudiante. Se encuentra en la ruta "/api/estudiante/create".
Figura 36 API creación de estudiante

Para ingresar a la ruta del modelo de Evaluación. Se encuentra

en la siguiente dirección "/api/ evaluacion/create".
77
Figura 37 API registro de evaluación
78
V. RESULTADOS.
5.1. Resultados descriptivos.
Hipótesis general
El uso de un sistema experto mejora el diagnóstico de la
Carmen.
Antes de aplicar sistema Después de aplicar sistema experto

experto
1 14 18
2 32 35
3 23 33
4 17 24
5 11 23
6 7 22
7 16 13
8 8 37
9 18 16
10 30 37
11 37 16
12 29 42
13 31 36
14 20 31
15 15 44
16 34 38
17 33 34
18 37 31
19 38 52
20 31 50
21 46 33
22 43 10
23 8 15
24 13 26
25 31 39
26 16 26
27 27 41
28 37 33
79
29 41 31
30 19 29
Total N 30 30
Media 25.40 30.50
Desv. 11.398 10.699
estándar
a. Limitado a los primeros 100 casos.
Tabla 3 Resúmenes de casos
1. PRUEBA DE NORMALIDAD (BONDAD DE AJUSTE)

A) ANTES DE APLICAR El SISTEMA EXPERTO EN EL
DIAGNÓSTICO DE LA DEPRESIÓN DE LOS ESTUDIANTES
DE LA IEP NUESTRA SEÑORA DEL CARMEN.
H0: Los datos de los puntajes de nuestra encuesta antes de

aplicar el sistema experto de diagnóstico de la depresión de los
estudiantes de la IEP Nuestra Señora del Carmen tienen una
distribución normal.
estudiantes de la IEP Nuestra Señora del Carmen no tienen una
B) DESPUÉS DE APLICAR El SISTEMA EXPERTO EN EL
DIAGNÓSTICO DE LA DEPRESIÓN DE LOS ESTUDIANTES
DE LA IEP NUESTRA SEÑORA DEL CARMEN.
H0: Los datos de los puntajes de nuestra encuesta después de

estudiantes de la IEP Nuestra Señora del Carmen tienen una
estudiantes de la IEP Nuestra Señora del Carmen no tienen una
80
5.2. Resultados inferenciales
Usamos la Prueba estadística Shapiro-Wilk, porque los datos
son menores o iguales a 30 datos.
Kolmogorov-Smirnova Shapiro-Wilk
Estadístico gl Sig. Estadístico gl Sig.
*
Antes de Aplicar .124 30 .200 .949 30 .156
Sistema Experto
Después de Aplicar .119 30 .200* .977 30 .744
Sistema Experto
*. Esto es un límite inferior de la significación verdadera.
a. Corrección de significación de Lilliefors
Tabla 4: Pruebas de normalidad

ANTES
Como el p-valor es 0.156 > 0.05 se acepta la hipótesis nula por
lo que podemos concluir que: “Los datos de los puntajes de
nuestra encuesta antes de aplicar el sistema experto de
diagnóstico de la depresión de los estudiantes de la IEP Nuestra
Señora del Carmen tienen una distribución normal”.
DESPUÉS
nuestra encuesta después de aplicar el sistema experto de
diagnóstico de la depresión de los estudiantes de la IEP Nuestra
Señora del Carmen tienen una distribución normal”.
Como la muestra de la encuesta los datos del antes y después
de aplicar el Sistema Experto para identificar con mayor presión
la depresión tienen distribución normal de nuestra investigación
aplicamos la prueba estadística paramétrica “t” de student.
81
HIPÓTESIS GENERAL
H0: No hay deferencias estadísticamente significativas entre las
medias aritméticas de los puntajes de las encuestas antes y
después de aplicar el sistema experto de diagnóstico de la
Carmen.
H1: Hay deferencias estadísticamente significativas entre las
medias aritméticas de los puntajes de las encuestas antes y
después de aplicar el sistema experto de diagnóstico de la
Carmen.
Como se observa las muestras están relacionadas aplicamos la
prueba estadística paramétrica “t” de student para muestras
emparejadas.
82
Error
Estadístico estándar
Antes de Media 25.40 2.081
Aplicar 95% de intervalo de confianza Límite 21.14
Sistema para la media inferior
Experto Límite 29.66
superior
Media recortada al 5% 25.31
Mediana 28.00
Varianza 129.903
Desv. estándar 11.398
Mínimo 7
Máximo 46
Rango 39
Rango intercuartil 19
Asimetría -.016 .427
Curtosis -1.205 .833
Después de Media 30.50 1.953
Aplicar 95% de intervalo de confianza Límite 26.50
Sistema para la media inferior
Experto Límite 34.50
superior
Media recortada al 5% 30.43
Mediana 32.00
Varianza 114.466
Desv. estándar 10.699
Mínimo 10
Máximo 52
Rango 42
Rango intercuartil 15
Asimetría -.085 .427
Curtosis -.467 .833
Tabla 5 Descriptivos
83
Prueba T
Media de error
Media N Desv. estándar estándar
Par 1 Antes de Aplicar 25.40 30 11.398 2.081
Sistema Experto
Después de 30.50 30 10.699 1.953
Aplicar Sistema
Experto
Tabla 6: Estadística de muestras emparejadas

Interpretación
Se puede observar en la siguiente tabla aplicado a un grupo de
30 estudiantes que la media de la puntuación obtenida antes de
aplicar el sistema experto es de 25,40. La media de la
puntuación obtenida después de aplicar el sistema experto es de
30,50. La desviación estándar de la puntuación obtenida antes
de aplicar el sistema experto es de 11,398. La desviación
estándar de la puntuación obtenida después de aplicar el
sistema experto es de 10,699; es decir que los resultados de la
prueba t indican que el sistema experto ha tenido un efecto
positivo en la puntuación de los sujetos en la prueba de
evaluación.
Correlaciones de muestras emparejadas

Significación
P de un P de dos
N Correlación factor factores
Par 1 Antes de Aplicar 30 .306 .050 .100
Sistema Experto &
Después de Aplicar
Sistema Experto
Tabla 7: Correlaciones de muestras emparejadas
84
Interpretación
Según se evidencia en la siguiente tabla la correlación entre las
puntuaciones obtenidas antes y después de aplicar el sistema
experto es de 0,306. El P de un factor, el valor de significación
de la correlación para un factor es de 0,050 y el P de dos
factores: El valor de significación de la correlación para dos
factores es de 0,100.
Prueba de muestras emparejadas

Diferencias emparejadas Significación
Media 95% de intervalo de P de
Desv. de error confianza de la P de dos
están estánda diferencia un factor
Media dar r Inferior Superior t gl factor es
Pa Antes de -5.100 13.031 2.379 -9.966 -0.234 -2.144 29 0.020 0.041
r 1 aplicar
Sistema
Experto
Después
de Aplicar
Sistema
Experto
Tabla 8: Prueba de muestras emparejadas
Hipótesis Específica 1
El uso de un sistema experto mejora el diagnóstico de la salud
conductual de los estudiantes de la IEP Nuestra Señora del
Carmen.
2. PRUEBA DE NORMALIDAD (BONDAD DE AJUSTE)

C) ANTES DE APLICAR El SISTEMA EXPERTO EN EL
DIAGNÓSTICO DE LA SALUD CONDUCTUAL DE LOS
ESTUDIANTES DE LA IEP NUESTRA SEÑORA DEL CARMEN.
85
aplicar el sistema experto de diagnóstico de la salud conductual
de los estudiantes de la IEP Nuestra Señora del Carmen tienen
una distribución normal.
de los estudiantes de la IEP Nuestra Señora del Carmen no
tienen una distribución normal.
D) DESPUÉS DE APLICAR El SISTEMA EXPERTO EN EL
DIAGNÓSTICO DE LA SALUD CONDUCTUAL DE LOS
ESTUDIANTES DE LA IEP NUESTRA SEÑORA DEL CARMEN.

de los estudiantes de la IEP Nuestra Señora del Carmen tienen
una distribución normal.
de los estudiantes de la IEP Nuestra Señora del Carmen no
tienen una distribución normal.
Usamos la Prueba estadística Shapiro-Wilk, porque los datos
son menores o iguales a 30 datos.
Kolmogorov-Smirnova Shapiro-Wilk
Estadísti Estadísti
co gl Sig. co gl Sig.
Antes de Aplicar .167 30 .033 .925 30 0.037
Sistema Experto en
Salud Conductual
Después de Aplicar .133 30 .183 .958 30 0.280
Sistema Experto en
Salud Conductual
a. Corrección de significación de Lilliefors
Tabla 9: Pruebas de normalidad
86
ANTES
Como el p-valor es 0.037 < 0.05 se rechaza la hipótesis nula por
nuestra encuesta antes de aplicar el sistema experto de
diagnóstico de la salud conductual de los estudiantes de la IEP
Nuestra Señora del Carmen no tienen una distribución normal”.
DESPUÉS
nuestra encuesta después de aplicar el sistema experto de
Nuestra Señora del Carmen tienen una distribución normal.”.
Como los datos de la muestra de la encuesta del antes de aplicar
el Sistema Experto para identificar con mayor presión el
Nuestra Señora del Carmen no tienen una distribución normal
de nuestra investigación se tiene que aplicar una prueba
estadística no paramétrica de Wilcoxon
PRUEBA DE HIPÓTESIS ESPECÍFICA 1

El uso de un sistema experto mejora el diagnóstico de la salud
conductual de los estudiantes de la IEP Nuestra Señora del
Carmen.
H0: Las medianas de las encuestas antes y después de aplicar

un sistema experto mejora el diagnóstico de la salud conductual
de los estudiantes de la IEP Nuestra Señora del Carmen, es
igual a 0.
H1: Las medianas de las encuestas antes y después de aplicar
un sistema experto mejora el diagnóstico de la salud conductual
87
de los estudiantes de la IEP Nuestra Señora del Carmen, es
diferente a 0.
Como se observa las muestras están relacionadas aplicamos la
prueba estadística de rangos signados de Wilcoxon que es una
prueba flexible que se puede utilizar en distintas situaciones
inclusive con muestras de diferente tamaño y con pocas
restricciones. Lo único que se quiere es que la variable sea
continua y que las observaciones sean pareadas, es decir, que
sean sujetos de una misma muestra que hayan sido pareados
bajo criterios bien definidos, en nuestro caso es el diagnóstico
de salud conductual.
Pruebas no paramétricas
Hipótesis nula Prueba Sig.a,b Decisión

1 La mediana de diferencias entre Prueba de .806 Conserve la
Antes de Aplicar Sistema rangos con hipótesis nula.
Experto en Salud Conductual y signo de
Después de Aplicar Sistema Wilcoxon para
Experto en Salud Conductual es muestras
igual a 0. relacionadas
a. El nivel de significación es de .050.

b. Se muestra la significancia asintótica.
Tabla 10: Resumen de contrastes de hipótesis

88
Prueba de rangos con signo de Wilcoxon
Conforme se expone en el esquema que aparece a continuación

para muestras relacionadas antes de aplicar sistema experto en
salud conductual y después de aplicar sistema experto en salud
conductual.
Resumen de prueba de rangos con signo de

Wilcoxon para muestras relacionadas
N total 30
Estadístico de prueba 146.000
Error estándar 32.490
Estadístico de prueba .246
estandarizado
Sig. asintótica (prueba 0.806
bilateral)
Tabla 11: Resumen de prueba de rangos con signo de Wilcoxon para
muestras relacionadas
Figura 38 Prueba de rangos con signo de Wilcoxon para muestras

relacionadas
89
Interpretación
La gráfica de la Figura 38 muestra que la mayoría de las
diferencias son positivas, lo que significa que los valores
después de la aplicación del sistema experto son mayores que
los valores antes de la aplicación.
Específicamente, hay 12 diferencias positivas, 11 diferencias
negativas y 7 empates.
Las diferencias positivas más comunes son de 3 unidades,
seguidas de las diferencias de 5 unidades. Las diferencias
negativas más comunes son de 3 unidades, seguidas de las
diferencias de 5 unidades.
Por lo cual esta gráfica sugiere que la aplicación del sistema
experto en salud conductual tiene un efecto positivo en las
variables que se midieron.
Figura 39 Información de campos continuos antes de aplicar sistema

experto en salud conductual
Interpretación
La gráfica de la Figura 39 representa la distribución de la
información de campos continuos antes de aplicar un sistema
90
experto en salud conductual. El centro de la campana, o la
media, es de 4. Esto significa que la información de campos
continuos antes de aplicar el sistema experto en salud
conductual era generalmente de calidad media.
Figura 40 Información de campos continuos después de aplicar

sistema experto en salud conductual
Interpretación
La gráfica de la Figura 40 muestra que la información de campos

continuos después de aplicar el sistema experto en salud
conductual es más uniforme que la información de campos
continuos antes de aplicar el sistema. Esto sugiere que tuvo un
impacto positivo en la calidad de la información de campos
continuos.
91
Figura 41 Diagrama de caja de los puntajes de las encuestas antes y
después de aplicar un sistema experto mejora el diagnóstico de la
salud conductual de los estudiantes de la IEP Nuestra Señora del
Carmen
Interpretación
El diagrama de caja de los puntajes de las encuestas antes y

después de aplicar un sistema experto para mejorar el
Nuestra Señora del Carmen muestra que los puntajes promedio
de las encuestas aumentaron significativamente después de la
aplicación del sistema experto. Según se evidencia en la Figura
41, la caja de la distribución de los puntajes antes de la
aplicación del sistema experto se encuentra entre 2 y 6. El valor
mediano, o el punto medio de la distribución, es 4. Esto significa
que la mitad de los estudiantes obtuvieron puntajes inferiores a
4 y la otra mitad obtuvo puntajes superiores a 4.
92
La caja de la distribución de los puntajes después de la
aplicación del sistema experto se encuentra entre 4 y 8. El valor
mediano, o el punto medio de la distribución, es 6. Esto significa
que la mitad de los estudiantes obtuvieron puntajes superiores a
6 y la otra mitad obtuvo puntajes inferiores a 6. La diferencia
entre las dos cajas es significativa. Esto sugiere que el sistema
experto fue efectivo para mejorar el diagnóstico de la salud
conductual de los estudiantes.
En términos específicos, el sistema experto aumentó el rango de

puntajes de las encuestas. Antes de la aplicación del sistema
experto, la mayoría de los estudiantes obtuvieron puntajes entre
2 y 6. Después de la aplicación del sistema experto, la mayoría
de los estudiantes obtuvieron puntajes entre 4 y 8. Esto sugiere
que el sistema experto ayudó a los profesionales de la salud
mental a identificar a los estudiantes con necesidades de salud
conductual más graves.
93
VII. DISCUSIÓN DE RESULTADOS.
6.1. Contrastación y demostración de la hipótesis con los resultados.
Para validar la hipótesis propuesta, es necesario cumplir con dos requisitos:
1) La media del pretest debe ser inferior a la media del post test.
2) El valor p o la significancia deben ser inferiores a 0.5.
Si se cumplen ambas condiciones, se respalda la hipótesis de

investigación; de lo contrario, se acepta la hipótesis nula.
Contrastación de la hipótesis general.
El p-valor de la “t” de student en el SPSS nos da 0.041 < 0.05 por lo que se
rechaza la hipótesis nula y se acepta la hipótesis alterna “Hay deferencias
estadísticamente significativas entre las medias aritméticas de los puntajes
de las encuestas antes y después de aplicar el sistema experto de
diagnóstico de la depresión de los estudiantes de la IEP Nuestra Señora
del Carmen”.
Contrastación de las hipótesis específicas.
El p-valor de la prueba de Wilcoxon en el SPSS nos da 0.806 > 0.05 por lo

que no se rechaza la hipótesis nula “Las medianas de las encuestas antes
y después de aplicar un sistema experto mejora el diagnóstico de la salud
conductual de los estudiantes de la IEP Nuestra Señora del Carmen, es
igual a 0. La grafica de las medianas comprueba lo que el SPSS nos afirma,
observamos que no hay diferencias significativas en los puntajes de las
medianas.
Por lo que: El uso de un sistema experto mejora el diagnóstico de la salud
conductual de los estudiantes de la IEP Nuestra Señora del Carmen.
94
El p-valor de la “t” de student en el SPSS nos da 0.026 < 0.05 por lo que se
rechaza la hipótesis nula y se acepta la hipótesis alterna “Hay deferencias
estadísticamente significativas entre las medias aritméticas de los puntajes
de las encuestas antes y después de aplicar el sistema experto de
diagnóstico de la salud mental de los estudiantes de la IEP Nuestra Señora
del Carmen”.
Por lo que: El uso de un sistema experto mejora el diagnóstico de la salud

mental de los estudiantes de la IEP Nuestra Señora del Carmen.
6.2. Contrastación de los resultados con otros estudios similares.
Habiendo encontrado evidencia en la investigación, se respalda la hipótesis

general que establece que la implementación de un diagnóstico de
depresión tiene un efecto positivo para ayudar a los estudiantes a identificar
y comprender sobre la depresión. Asimismo, guardan relación con:
(Gupioc Ventura, y otros) establece que el número de diagnósticos de

depresión aumentó en un 45.83% después de la implementación del
sistema experto. Esto se debe a que el sistema facilitó el diagnóstico de la
depresión al proporcionar una herramienta que guía al profesional de la
salud a través de un proceso estructurado. Estos resultados son positivos
y muestran que el sistema experto médico tuvo un impacto positivo en el
diagnóstico de pacientes con depresión. El sistema aumentó el número de
diagnósticos, redujo el tiempo de diagnóstico y generación de reportes, y
mejoró la satisfacción del personal del área de psicología.
(Gómez Zuluaga, y otros, 2019) evaluó mediante una prueba con

estudiantes universitarios. Los resultados mostraron que el sistema tuvo
una sensibilidad del 80% y una especificidad del 75%. Estos resultados son
comparables a los resultados de otros estudios que han utilizado técnicas
de inteligencia artificial para identificar la depresión.
95
6.3. Responsabilidad ética de acuerdo con los reglamentos vigentes
Informo que la presente investigación fue llevada a cabo por el bachiller

Cesar Jakson, Sanchez Casas. Por lo tanto, aseguro que el trabajo cumple
con los reglamentos y el código ético de investigación actuales. De manera
consistente, garantizo que la información presentada y los hallazgos
obtenidos en este estudio son verdaderos.
96
VIII. CONCLUSIONES
1) El p-valor de la “t” de student en el SPSS nos da 0.041 < 0.05

se acepta la hipótesis alterna. Los puntajes de las encuestas
de los estudiantes de la IEP Nuestra Señora del Carmen
mejoraron significativamente después de aplicar el sistema
experto de diagnóstico de la depresión.
2) La media de los resultados después de aplicar el sistema

experto 30.50% es significativamente mayor que la media de
los resultados antes de aplicarlo 25.40%. El sistema experto
tuvo un efecto positivo en los resultados que impacta
significativamente en la detección de la depresión en
estudiantes.
3) El sistema experto podría ser una herramienta eficaz para la

prevención y el tratamiento de la depresión en los estudiantes.
Los hallazgos de esta investigación podrían conducir al
desarrollo de programas de intervención basados en el
sistema experto para ayudar a los estudiantes que sufren de
depresión.
97
IX. RECOMENDACIONES
1) Investigar cómo las intervenciones basadas en voz

proporcionadas por Alexa, como la terapia cognitivo-
conductual guiada, pueden afectar positivamente a individuos
con síntomas depresivos. Evaluar la efectividad de estas
intervenciones y su capacidad para monitorear el progreso a
lo largo del tiempo, utilizando métricas como la mejora en el
estado de ánimo y la reducción de síntomas depresivos.
2) Investigar cómo la combinación de datos biométricos como

frecuencia cardíaca, patrones de sueño a través del reloj
inteligente y respuestas emocionales registradas durante
interacciones con Alexa puede proporcionar una visión más
completa para el diagnóstico de la depresión. Explorar la
viabilidad de la integración de dispositivos de monitoreo de
salud con el Echo Dot.
3) Investigar cómo los cambios en los patrones de voz y

comportamiento, detectados a través de interacciones con el
Echo Dot, pueden indicar la presencia de síntomas
depresivos. Utilizar técnicas de procesamiento de lenguaje
natural y aprendizaje automático para analizar datos de voz y
registros de interacciones.
98
X. REFERENCIAS BIBLIOGRÁFICAS.
Adrian Holovaty. 2005. Django Project. Django Project. [En línea] 2005.
https://www.djangoproject.com/.
Amazon Web Services. 2006. Amazon Web Services. Amazon Web Services. [En línea]
Amazon, 2006. https://aws.amazon.com/.
AWS. 2014. Alexa. Alexa. [En línea] Amazon, 2014. https://developer.amazon.com/.
Beck, Aaron, Steer, Robert y Brown, Gregory. 1996. Inventario de depresión de Beck-
II. 1996.
Beck, Aaron, y otros. 1983. Terapia cognitiva de la depresion. 1983.
Beck, y otros. 1983. Terapia cognitiva de la depresión. 1983.
Candia, Iván. 2019. Predicción del rendimiento académico de los estudiantes de la
UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje
automático. 2019.
Cerecero García, Diego , y otros. 2022. Síntomas depresivos y cobertura de
diagnóstico y tratamiento de depresión en población mexicana. Morelos : s.n., 2022.
Espinoza Sotelo, Joan Carlos. 2021. Estrés académico, depresión y agresividad en
estudiantes universitarios de Lima, 2021. Lima : s.n., 2021.
Gómez Cordones, Yajaira Jacqueline y Lima Rojas, Dayamy. 2023. Relación entre
manifestaciones de depresión e ideación suicida en adolescentes de 15 a 17 años.
Ambato : s.n., 2023.
Gómez Zuluaga, Luisa Fernanda, García Hoyos, Rodrigo y Fernando Pineda, José.
2019. Desarrollo de un sistema de identificación de tendencia a la depresión, utilizando
técnicas de minería de texto en redes sociales. 2019.
González Gómez, Mauricio Andrés. 2019. Diseño y construcción de un modelo de
predicción de depresión en adultos mayores en Chile. 2019.
González Lugo, Sandybell, Pineda Domínguez, Antonio y Gaxiola Romero, José
Concepción . 2017. Depresión adolescente: factores de riesgo y apoyo social como
factor protector. Sonora : s.n., 2017.
Guevara López, Miguel A., Rodríguez Rodríguez, Mario y González Pestano, Norma.
1997. DIAG, un sistema experto para el diagnóstico de anomalías craneofaciales. 1997.
Guevara, Roberto Garcia. 1996. Evaluación y desarrollo de un simulador para analizar
el comportamiento de los sistemas expertos Fuzzy. 1996.
Gupioc Ventura, Franz Junior y Peña Membrillo, Brayan Oliver. 2018. Sistema
Experto Médico para Mejorar el Diagnóstico de Pacientes con Depresión del CSM Santa
Lucia de Moche, Año 2018. Trujillo : s.n., 2018.
Hernández Sampieri, Roberto, Fernández Collado, Carlos y Baptista Lucio, Pilar.
2018. Metodología de la investigación. Mexico : s.n., 2018.
99
Hurtado Pérez, Iemimah de Jesús. 2018. Estrategia de afrontamiento al estrés y la
ansiedad en los estudiantes de VII ciclo de la Institución Educativa “Virgen Guadalupe”
Mala – Cañete, 2018. Mala : s.n., 2018.
INSM. 2014. insm.gob.pe. insm.gob.pe. [En línea] 12 de Agosto de 2014.
https://www.insm.gob.pe/oficinas/comunicaciones/notasdeprensa/2014/033.html.
Joiner, T. E. 2005. Why people die by suicide: The science of suicide prevention. 2005.
Kohavi y Provost. 1998. Applications of Machine Learning and the Knowledge
Discovery Process. 1998.
León Martínez, Joaquín. 2019. Identificación de depresión mediante el análisis de
sentimientos. Badajoz : s.n., 2019.
Luger, George F. y Stubblefield, William A. 1993. Artificial Intelligence: Structures and
Strategies for Complex Problem Solving. 1993.
Masias Figueroa, Roxana. 2022. Personalidad y depresión en estudiantes de una
carrera profesional de una universidad del cusco - 2016. Cusco : s.n., 2022.
MDN Web Docs. 1995. MDN Web Docs. MDN Web Docs. [En línea] MDN Web Docs,
1995. https://developer.mozilla.org/es/docs/Web/JavaScript.
Medina, Orué y Maybee, Ariana . 2017. Detección de depresión a través de análisis
textual utilizando aprendizaje automático. Lima : s.n., 2017.
Michalski, Ryszard, Carbonell, Jaime G. y Mitchell, Tom M. 2013. Machine learning:
An Artificial Intelligence Approach. Springer Science & Business Media. 2013.
Microsoft. 2015. Visual Studio Code. Visual Studio Code. [En línea] Microsoft, 2015.
https://code.visualstudio.com/.
Miller. 1956. Memoria a corto plazo. 1956.
MINSA. 2021. Gob.pe. Gob.pe. [En línea] 2021.
https://www.gob.pe/institucion/minsa/noticias/575899-minsa-mas-de-300-mil-casos-de-
depresion-fueron-atendidos-durante-el-2021.
Monroe y Harkness. 2005. Estrés vital, la hipótesis del "encendido" y la recurrencia de
la depresión: consideraciones desde una perspectiva del estrés vital. 2005.
Obregón Morales, Berea , y otros. 2020. Factores asociados a la depresión en
estudiantes de medicina de una universidad peruana. Huánuco : s.n., 2020.
OMS. 2017. World health statistics 2017: monitoring health for the SDGs, sustainable
development goals. Ginebra : s.n., 2017. 9789241565486.
Python.org. 1980. python.org. python.org. [En línea] Python, 1980.
https://www.python.org/.
Russell, Stuart y Norvig, Peter. 1995. Inteligencia artificial, un enfoque moderno. 1995.
Sánchez Nogueira, Fiorella y Sánchez Torres, Gisela. 2017. Depresión y
funcionalidad familiar en adolescentes de instituciones educativas públicas secundaria
de menores Nº 60027 y Nº 6010227. San Juan Bautista 2016. Iquitos : s.n., 2017.
100
Santomauro, Damian, Mantilla Herrera, Ana y Shadid, Jamileh. 2021. Prevalencia
global y carga de los trastornos depresivos y de ansiedad en 204 países y territorios en
2020 debido a la pandemia de COVID-19. 2021.
Vázquez, Fernando L., Muñoz, Ricardo F. y Becoña, Elisardo. 2000. DEPRESIÓN:
DIAGNÓSTICO, MODELOS TEÓRICOS Y TRATAMIENTO A FINALES DEL SIGLO XX.
2000.
Vázquez, Fernando, Muñoz, Ricardo y Becoña, Elisardo . 2000. DEPRESIÓN:
DIAGNÓSTICO, MODELOS TEÓRICOS. 2000.
Vega Guevara, Rosa M., León Mendoza, María L. y Gonzales Alarcón, Luis F. 2017.
Depresión y ansiedad en relación a ideas suicidas en adolescentes del distrito de
Ayacucho 2017. Ayacucho : s.n., 2017.
Wang, Cuiyan, y otros. 2020. Immediate Psychological Responses and Associated
Factors during the Initial Stage of the 2019 Coronavirus Disease (COVID-19) Epidemic
among the General Population in China. 2020.
Watson, Paul. 2016. MySQL - A Beginner's Guide. 2016.
101
XI. ANEXOS
Anexo 1 Matriz de consistencia
SISTEMA EXPERTO PARA DIAGNOSTICAR LA DEPRESIÓN EN ESTUDIANTES DE LA IEP NUESTRA SEÑORA DEL CARMEN – CAÑETE
Problema Objetivos Hipótesis Variables e indicadores
Variable 1. Sistema Experto
Dimensiones Indicadores ítems Escala de Niveles y rangos
Problema general Objetivo general: Hipótesis general:
medición
¿Se puede mejorar el Desarrollar un sistema El uso de un sistema
diagnóstico de la experto para diagnosticar la experto mejora el Variable 2. Depresión
depresión usando un depresión en estudiantes diagnóstico de la Dimensiones Indicadores ítems Escala de Niveles y rangos
sistema experto en de la IEP Nuestra Señora depresión de los medición
estudiantes de la IEP del Carmen, Cañete. estudiantes de la IEP Dimensión Sentimientos 1,2,3 Escala Likert Niveles:
Nuestra Señora del conductual: Es la de tristeza,
Nuestra Señora del
Objetivos específicos: Carmen, Cañete. capacidad de una desesperanza, 4,5,6,7, 0.Nunca, Mínima [0-13]
Carmen? persona para desánimo 8,9,10,11, 1.A veces, Leve [14-19]
OE1. Desarrollar un
mantener el bienestar 12,13,14, 2. Casi Moderada [20-28]
módulo de un sistema Hipótesis específicas:
Problemas específicos mental, social y Pérdida de 15,16,17, siempre, Grave [29-63]
experto de la depresión HE1. El uso de un emocional. Es la interés en las 18,19,20 3. Siempre
PE1. ¿Se puede mejorar para diagnosticar la salud sistema experto mejora la manera en que actividades
la salud conductual conductual para los salud conductual de los piensa, se siente y cotidianas 21
usando un sistema estudiantes de la IEP estudiantes de la IEP actúa al enfrentarse a
experto a los estudiantes Nuestra Señora del las diferentes Cambios en el
Nuestra Señora del
de la IEP Nuestra Señora Carmen, Cañete. situaciones de la vida. apetito
Carmen, Cañete.
del Carmen, Cañete?
Dimensión mental: Cambios en el
OE2. Desarrollar un HE2. El uso de un sueño
PE2. ¿Se puede mejorar Es el rendimiento
módulo de un sistema sistema experto mejora la óptimo dentro de las
la salud mental usando experto de la depresión Pensamientos
salud mental de los
un sistema experto a los para diagnosticar la salud de muerte o
estudiantes de la IEP
estudiantes de la IEP mental para los estudiantes suicidio
102
Nuestra Señora del de la IEP Nuestra Señora Nuestra Señora del capacidades que
Carmen, Cañete? del Carmen, Cañete. Carmen, Cañete. posee.
Nivel – diseño de Población y muestra Técnicas e instrumentos Método de investigación

investigación
Tipo de estudio: Población: 30 Encuesta Enfoque cuantitativo
Pre-experimental, Muestra: 30
Aplicada Lugar: IEP Nuestra Señora
del Carmen, Cañete
103
Anexo 2 Instrumento de recolección de datos
Edad: Sexo:
I. FORMATO DIMENSIÓN SALUD CONDUCTUAL
Nunca A Casi Siempre

veces siempre
1. ¿Ha tenido problemas para
dormir?
2. ¿Me despierto demasiado
temprano?
3. ¿Duermes tarde?
II. FORMATO DIMENSIÓN SALUD MENTAL
Nunca A Casi Siempre

veces siempre
4. ¿Me siento triste?
5. ¿Me siento pesimista?
6. ¿Me siento desesperanzado sobre

el futuro?
7. ¿Me siento como un fracaso?
8. ¿He perdido interés en mis

actividades habituales?
9. ¿Me siento culpable?
10. ¿Me siento castigado?
11. ¿Me desagrado a mí mismo?
12. ¿Me critico a mí mismo?
13. ¿Me siento cansado o sin

energía?
14. ¿Tengo dificultades para
concentrarme o pensar?
15. ¿Me siento lento o inactivo?
16. ¿Me siento inquieto o agitado?
17. ¿Tengo problemas para dormir?
18. ¿Tienes síntomas físicos como

dolores de cabeza o problemas
digestivos?
19. ¿He tenido cambios en mi
apetito?
20. ¿He perdido peso sin intentarlo?
21. ¿He tenido pensamientos de

muerte o suicidio?
Fuente: Inventario de Depresión de Beck (BDI-2)
104
Anexo 3 Validación de instrumentos

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS
ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS
105
Validación de instrumentos que miden la variable dependiente
Validación de experto N° 1
106
107
108
109
110
Anexo 4 Carta de autorización de la I.E.P. Nuestra Señora del Carmen –
Cañete
111
112
Anexo 11 Fotografías Varias
Ilustración 1. Fotografía con la directora y psicóloga de la institución
Ilustración 2. Interior del salón para realizar la pre prueba
113
Ilustración 3. Fotografías haciendo uso del sistema.
114
115
Anexo 12 Registro de datos en los instrumentos de recolección
Base de datos PRE-TEST
116
Base de datos POS-TEST
117
Anexo 13 Código fuente en Python – Django Rest Framework
118
119
Código fuente de NodeJs de la plataforma Alexa developer console
Este módulo demuestra el manejo de intenciones de una habilidad de Alexa

utilizando el SDK del kit de habilidades de Alexa (v2).
120
121
122
123

Tesis Sanchez Casas Cesar Jakson

Cargado por

Copyright:

Formatos disponibles

Tesis Sanchez Casas Cesar Jakson

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Sanchez Casas Cesar Jakson

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS

“SISTEMA EXPERTO PARA DIAGNOSTICAR LA

TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE

Analyzed document TESIS - SANCHEZ-CASAS-CESAR-JAKSON.docx (D181861029)

Submitted 2023-12-14 20:13:00 UTC+01:00

Submitted by Unidad FIIS

Submitter email [email protected]

Analysis address [email protected]

Sources included in the report

Universidad Nacional del Callao / TESIS_SARAVIA_CALLE.docx

Mi profundo agradecimiento a la directora y

También agradecer a la Universidad Nacional

LISTADO DE FIGURAS .............................................................................. 8

Figura 1. Casos de trastorno depresivo a nivel mundial ................... 16

Figura 2. Prevalencia global de los trastornos depresivos .............. 18

Figura 3. Prevalencia de trastornos depresivos ................................ 18

Figura 4. La depresión en el Perú. .................................................... 21

Figura 5. Atención de cuadros de depresión en el Perú ................... 22

Figura 6 Esquema de un sistema experto ........................................ 34

Figura 7 Imagen de la arquitectura de Alexa .................................... 38

Figura 8 Imagen del dispositivo Echo Dot (4 ª generación) .............. 39

Figura 9 Iniciar sesión en Alexa ........................................................ 54

Figura 10. Acceso a la plataforma de Alexa ..................................... 55

Figura 11 Configuración y creación de una habilidad de Alexa........ 56

Figura 12 Lista de habilidades .......................................................... 56

Figura 13 Definición de la invocación ............................................... 57

Figura 14 Lista de intents .................................................................. 57

Figura 15 Configuración de la intención studentRegisterIntent ........ 58

Figura 16 Configuración la intención recordStudentTestIntent......... 59

Figura 17 Estructura del package.json.............................................. 60

Figura 18 docker-compose.yml ......................................................... 62

Figura 19 Docker Desktop................................................................. 62

Figura 20 Archivo requirements.txt ................................................... 64

Figura 22 Clases de middleware ....................................................... 67

Figura 23 Ejecución del comando makemigrations .......................... 67

Figura 24 Ejecución del comando Migrate ........................................ 68

Figura 25 Tabla "Admin" ................................................................... 69

Figura 26 Tabla "Estudiante"............................................................. 69

Figura 27 Tabla "Evaluacion" ............................................................ 70

Figura 28 Serializador ....................................................................... 71

Figura 29 urls.py del proyecto ........................................................... 73

Figura 30 urls.py general................................................................... 74

Figura 31 Estructura del proyecto ..................................................... 75

Figura 32 Ejecución de la API ........................................................... 75

Figura 33 Acceso a las URL.............................................................. 76

Figura 34 Administración de Django ................................................. 76

Figura 35 Panel de administración de Django .................................. 77

Figura 36 API creación de estudiante ............................................... 77

Figura 37 API registro de evaluación ................................................ 78

Figura 38 Prueba de rangos con signo de Wilcoxon para muestras

Figura 39 Información de campos continuos antes de aplicar sistema

Figura 40 Información de campos continuos después de aplicar sistema

Tabla 1. Estimaciones mundiales de salud de la OMS..................... 17

Tabla 2 Matriz de Operacionalización de Variables .......................... 48

Tabla 3 Resúmenes de casos ........................................................... 80

Tabla 4: Pruebas de normalidad ....................................................... 81

Tabla 5 Descriptivos .......................................................................... 83

Tabla 6: Estadística de muestras emparejadas ................................ 84