🤖 machine learning

Uncovering Latent Patterns in Social Media Usage and Mental Health: A Clustering-Based Approach Using Unsupervised Machine Learning

Este estudio utiliza aprendizaje automático no supervisado (K-Means) para segmentar a 551 participantes en seis perfiles distintos, revelando patrones ocultos entre los hábitos de uso de redes sociales y diversos indicadores de salud mental.

Autores originales: Md All Shahria, Sanjeda Dewan Mithila, Touhid Alam, Mohammad Sakib Mahmood, Mahfuza Khatun

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Md All Shahria, Sanjeda Dewan Mithila, Touhid Alam, Mohammad Sakib Mahmood, Mahfuza Khatun

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

📱 El "Menú de Redes Sociales": ¿Estamos comiendo demasiada comida chatarra digital?

Imagina que las redes sociales son como un buffet libre de comida. Algunas personas van para nutrirse (conectar con amigos, aprender algo nuevo), mientras que otras se quedan horas frente a la máquina de postres, comiendo dulces sin parar, hasta que terminan con dolor de estómago y sin energía.

Un grupo de investigadores decidió dejar de mirar a la gente como un "gran montón de comensales" y utilizó la Inteligencia Artificial para sentarse en una mesa y observar con lupa. No querían saber solo cuánto comía la gente, sino quiénes eran y cómo se sentían después de la cena.

🤖 ¿Qué hicieron los científicos? (La receta)

En lugar de usar reglas fijas, usaron una técnica llamada "Aprendizaje No Supervisado". Imagina que tienes una caja gigante llena de piezas de LEGO de todos los colores y formas, y le pides a un robot que las agrupe por sí solo. El robot no sabe qué es un "bloque azul", pero nota que todos los azules se parecen y los pone juntos.

Eso hicieron con 551 personas: el robot (el algoritmo) analizó su edad, su género, cuántas horas pasaban en el móvil y cómo estaba su salud mental, y los dividió en 6 grupos distintos.

👥 Los 6 "Personajes" del Buffet Digital

El estudio descubrió que no todos reaccionamos igual al móvil. Aquí están los grupos que encontraron:

Los Estudiantes Ansiosos (El grupo de "mucho azúcar"): Son jóvenes que, aunque intentan "tomar descansos" (como intentar dejar de comer dulces después de haber comido demasiados), siguen sintiéndose muy nerviosos y ansiosos. El descanso no les está funcionando porque quizás solo están cambiando de un dulce por otro.
Los Estudiantes Equilibrados (Los "comensales saludables"): Son jóvenes que usan el móvil con moderación y saben cuándo retirarse de la mesa. Son los que mejor salud mental tienen.
Los Estudiantes Intensos (Los "adictos al postre"): Pasan mucho tiempo en redes sociales por puro placer. Esto les está pasando factura: duermen mal y están más estresados.
Las Mujeres Empleadas (Las "moderadas"): Mujeres que trabajan y usan las redes de forma equilibrada, tanto para lo personal como para lo profesional. Están en un punto medio.
Los Hombres Trabajadores (Los "resistentes"): Este grupo es curioso. Casi nunca toman descansos del móvil, pero extrañamente, no parecen estar muy tristes ni tienen problemas de sueño. Es como si su vida fuera tan estable que el móvil no les afecta tanto.
Los Hombres Jóvenes de Alto Uso: Muy parecidos a los estudiantes intensos; usan mucho las redes y eso les quita el sueño.

💡 Las grandes lecciones (¿Qué aprendimos?)

El descanso no es una cura mágica: El estudio descubrió algo sorprendente: tomar un descanso no siempre ayuda. Si eres una persona muy ansiosa, dejar el móvil un rato para mirar otro móvil no sirve de nada. El descanso debe ser "real" (leer un libro, caminar, desconectar de las pantallas).
No todos somos iguales: No puedes darle el mismo consejo a un estudiante de 18 años que a un profesional de 40. Las redes sociales nos afectan de forma distinta según nuestra edad y nuestro género.
La clave es la intención: No es solo cuánto tiempo pasas conectado, sino para qué lo haces.

🚀 ¿Para qué sirve esto?

En lugar de decir "¡Deja el móvil!", los expertos ahora pueden decir: "Oye, tú tienes el perfil de 'Estudiante Ansioso', necesitas un tipo de ayuda diferente a la de un 'Trabajador Resistente'". Es pasar de una medicina general a una medicina personalizada para nuestra salud digital.

Resumen Técnico: Descubriendo Patrones Latentes en el Uso de Redes Sociales y la Salud Mental

Problema
A pesar de la creciente evidencia que vincula el uso de redes sociales con problemas de salud mental (ansiedad, depresión, soledad y mala calidad del sueño), la investigación tradicional suele basarse en datos agregados que ignoran las diferencias individuales. Existe una brecha en la literatura sobre cómo diversos grupos demográficos y comportamentales presentan perfiles de riesgo distintos. El problema central es la falta de segmentación precisa que permita diseñar intervenciones de bienestar digital personalizadas en lugar de estrategias genéricas.

Metodología
El estudio emplea un enfoque cuantitativo basado en aprendizaje automático no supervisado utilizando un conjunto de datos de 551 participantes recolectados mediante encuestas en línea. El proceso metodológico se divide en cuatro fases:

Preparación de datos: Se utilizó la imputación de K-Nearest Neighbors (KNN) con $k=5$ para manejar valores faltantes, preservando las relaciones entre variables. Las variables categóricas se transformaron mediante one-hot encoding y los valores atípicos (outliers) se trataron mediante la técnica de winsorization (limitación en los percentiles 1 y 99) usando métodos de IQR y Z-score.
Ingeniería de características: Se estandarizaron las variables numéricas mediante StandardScaler para asegurar que todas contribuyeran equitativamente al modelo basado en distancias.
Modelado de Clustering: Se aplicó el algoritmo K-Means. Para determinar el número óptimo de clústeres ( $K$ ), los autores combinaron el Método del Codo (Elbow Method) y el Coeficiente de Silueta (Silhouette Score), determinando que $K=6$ era el valor óptimo (con un Silhouette Score de 0.32).
Reducción de dimensionalidad y visualización: Se utilizó el Análisis de Componentes Principales (PCA) para reducir las 22 dimensiones originales a dos componentes principales, permitiendo la visualización de la separación de los grupos en un espacio 2D.

Resultados Clave
El modelo identificó seis perfiles de usuario distintos:

Clúster 0 (Moderadores Femeninos Empleados): Mujeres mayores con uso moderado y alta frecuencia de descansos; presentan indicadores de salud mental moderados.
Clúster 1 (Usuarios Estudiantes Ansiosos): Jóvenes, predominantemente mujeres, con los niveles más altos de ansiedad, a pesar de tener la mayor tasa de toma de descansos (77%). Esto sugiere que los descansos no son una solución universal.
Clúster 2 (Estudiantes Masculinos Equilibrados): Jóvenes, predominantemente hombres, con menor uso de redes sociales y los niveles más bajos de ansiedad.
Clúster 3 (Estudiantes Femeninas Comprometidas): Jóvenes con alto uso por motivos personales y ansiedad de moderada a alta.
Clúster 4 (Hombres Trabajadores de Bajo Descanso): Hombres mayores con muy baja frecuencia de descansos (21%), pero sorprendentemente con los niveles más bajos de infelicidad y problemas de sueño, sugiriendo resiliencia o usos profesionales.
Clúster 5 (Estudiantes Masculinos de Alto Uso): Jóvenes con alto compromiso y uso personal, que reportan los niveles más altos de trastornos del sueño.

Contribuciones Principales

Segmentación Granular: El uso de aprendizaje no supervisado permitió identificar perfiles de riesgo que los métodos estadísticos tradicionales (correlaciones simples) pasan por alto.
Desmitificación de los "Descansos": El estudio revela la "paradoja del descanso", demostrando que tomar descansos no mitiga necesariamente la ansiedad si el perfil del usuario es de alta vulnerabilidad (Clúster 1).
Identificación de Factores Protectores: El hallazgo de perfiles resilientes (Clúster 4) abre nuevas líneas de investigación sobre qué factores (estabilidad laboral, propósito de uso) protegen contra el estrés digital.

Significancia
Este trabajo tiene implicaciones críticas para la salud digital de precisión. Los resultados sugieren que las intervenciones de bienestar no deben ser uniformes. Para los diseñadores de plataformas, esto implica la necesidad de crear herramientas de control granular y recordatorios de "descansos conscientes". Para profesionales de la salud, ofrece una base de datos para personalizar el consejo clínico según el perfil conductual del paciente, moviéndose de recomendaciones genéricas hacia estrategias basadas en datos para mitigar los riesgos psicológicos en un mundo hiperconectado.