Factores familiares y culturales asociados al consumo de alcohol en adolescentes de educación secundaria mediante modelos de aprendizaje automático
DOI:
https://doi.org/10.63688/3wfr8616Palabras clave:
consumo de alcohol, adolescentes, aprendizaje automático, factores familiares, factores culturalesResumen
El consumo de alcohol entre adolescentes se relaciona con condiciones de convivencia familiar, experiencias comunitarias y normas culturales que requieren un análisis contextualizado. El objetivo fue estructurar un enfoque de clasificación mediante aprendizaje automático para estudiar factores familiares y culturales asociados al consumo de alcohol en estudiantes de educación secundaria, tomando como referencia el contexto de la Unidad Educativa Máximo Novillo I, en Santa Cruz, Bolivia. Se integró la caracterización cualitativa descrita para las gestiones 2024–2025 con un ejercicio computacional reproducible sobre 100 registros sintéticos. Se operacionalizaron diez variables y una respuesta binaria de consumo reciente, y se compararon regresión logística, bosque aleatorio y potenciación de gradiente mediante validación cruzada estratificada de cinco particiones. Los resultados cualitativos permiten organizar factores de comunicación y supervisión familiar, modelos adultos, exposición en espacios productivos, normas comunitarias e influencia de pares. La comparación computacional muestra cómo interpretar discriminación, equilibrio de clasificación y calibración en un entorno controlado, sin atribuir sus cifras a participantes reales. Se concluye que el aprendizaje automático puede complementar la lectura sociocultural, siempre que la validación empírica, la protección de datos y la interpretación de las prácticas culturales acompañen la aplicación de los modelos.
Referencias
Afzali, M. H., Sunderland, M., Stewart, S., Masse, B., Seguin, J., Newton, N., Teesson, M., & Conrod, P. (2019). Machine-learning prediction of adolescent alcohol use: A cross-study, cross-cultural validation. Addiction, 114(4), 662–671. https://doi.org/10.1111/add.14504
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785
Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., . . . Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
Eisenberg, M. E., Toumbourou, J. W., Catalano, R. F., & Hemphill, S. A. (2014). Social norms in the development of adolescent substance use: A longitudinal analysis of the International Youth Development Study. Journal of Youth and Adolescence, 43(9), 1486–1497. https://doi.org/10.1007/s10964-014-0111-1
Hurley, E., Dietrich, T., & Rundle-Thiele, S. (2019). A systematic review of parent based programs to prevent or reduce alcohol consumption in adolescents. BMC Public Health, 19, 1451. https://doi.org/10.1186/s12889-019-7733-x
Ivaniushina, V., & Titkova, V. (2021). Peer influence in adolescent drinking behavior: A meta-analysis of stochastic actor-based modeling studies. PLOS ONE, 16(4), e0250169. https://doi.org/10.1371/journal.pone.0250169
Kim, S., Kim, H., Kim, S., Lee, H., Hammoodi, A., Choi, Y., Kim, H. J., Smith, L., Kim, M. S., Fond, G., Boyer, L., Baik, S. W., Lee, H., Park, J., Kwon, R., Woo, S., & Yon, D. K. (2025). Machine learning–based prediction of substance use in adolescents in three independent worldwide cohorts: Algorithm development and validation study. Journal of Medical Internet Research, 27, e62805. https://doi.org/10.2196/62805
Lee, S. (2025). Development of deep learning auto-encoder algorithms for predicting alcohol use in Korean adolescents based on cross-sectional data. Social Science & Medicine, 367, 117690. https://doi.org/10.1016/j.socscimed.2025.117690
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems (Vol. 30). https://proceedings.neurips.cc/paper_files/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html
Luwedde, E., & Peltzer, K. (2023). Levels and pattern of alcohol consumption among adolescents in Bolivia: A national cross-sectional survey in 2018. Adolescents, 3(1), 1–9. https://doi.org/10.3390/adolescents3010001
MacArthur, G. J., Hickman, M., & Campbell, R. (2020). Qualitative exploration of the intersection between social influences and cultural norms in relation to the development of alcohol use behaviour during adolescence. BMJ Open, 10(3), e030556. https://doi.org/10.1136/bmjopen-2019-030556
Moons, K. G. M., Damen, J. A. A., Kaul, T., Hooft, L., Andaur Navarro, C., Dhiman, P., Beam, A. L., Van Calster, B., Celi, L. A., Denaxas, S., Denniston, A. K., Ghassemi, M., Heinze, G., Kengne, A. P., Maier-Hein, L., Liu, X., Logullo, P., McCradden, M. D., Liu, N., . . . van Smeden, M. (2025). PROBAST+AI: An updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ, 388, e082505. https://doi.org/10.1136/bmj-2024-082505
Nesi, J., Rothenberg, W. A., Hussong, A. M., & Jackson, K. M. (2017). Friends’ alcohol-related social networking site activity predicts escalations in adolescent drinking: Mediation by peer norms. Journal of Adolescent Health, 60(6), 641–647. https://doi.org/10.1016/j.jadohealth.2017.01.009
Organización Mundial de la Salud. (2024). Alcohol. https://www.who.int/news-room/fact-sheets/detail/alcohol/
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://www.jmlr.org/papers/v12/pedregosa11a.html
Pizarro, K. W., Bustamante, I. V., & Surkan, P. J. (2017). Family factors and adolescent problem drinking in a high-risk urban Peruvian neighborhood. Substance Use & Misuse, 52(2), 194–202. https://doi.org/10.1080/10826084.2016.1223137
Ryan, S. M., Jorm, A. F., & Lubman, D. I. (2010). Parenting factors associated with reduced adolescent alcohol use: A systematic review of longitudinal studies. Australian & New Zealand Journal of Psychiatry, 44(9), 774–783. https://doi.org/10.1080/00048674.2010.501759
Squeglia, L. M., Ball, T. M., Jacobus, J., Brumback, T., McKenna, B. S., Nguyen-Louie, T. T., Sorg, S. F., Paulus, M. P., & Tapert, S. F. (2017). Neural predictors of initiating alcohol use during adolescence. American Journal of Psychiatry, 174(2), 172–185. https://doi.org/10.1176/appi.ajp.2016.15121587
Varma, S., & Simon, R. (2006). Bias in error estimation when using cross-validation for model selection. BMC Bioinformatics, 7, 91. https://doi.org/10.1186/1471-2105-7-91
Yap, M. B. H., Cheong, T. W. K., Zaravinos-Tsakos, F., Lubman, D. I., & Jorm, A. F. (2017). Modifiable parenting factors associated with adolescent alcohol misuse: A systematic review and meta-analysis of longitudinal studies. Addiction, 112(7), 1142–1162. https://doi.org/10.1111/add.13785
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Wilder Mel Mamani Chaca (Author)

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.