Aplicación del Aprendizaje Federado para predecir el nivel de estrés y ansiedad de una minoría desfavorecida en Córdoba (Proyecto Educass)

Abstract

El presente trabajo aborda el desafío de predecir los niveles de ansiedad y depresión en una minoría desfavorecida, utilizando datos sensibles del proyecto E-DUCASS. Se ha desarrollado una metodología de aprendizaje automático que compara un amplio espectro de modelos de regresión y clasificación, desde bases lineales hasta ensamblajes complejos. Los resultados demuestran una alta capacidad predictiva, la cual depende de forma crítica de la comorbilidad entre ansiedad y depresión. Adicionalmente, se ha simulado con éxito un sistema de Aprendizaje Federado, demostrando que es una alternativa viable que logra un rendimiento competitivo protegiendo al mismo tiempo la privacidad de los datos.

This work addresses the challenge of predicting anxiety and depression levels in a disadvantaged minority using sensitive data from the E-DUCASS project. A machine learning methodology has been developed that compares a broad spectrum of regression and classification models, from linear baselines to complex ensembles. The results demonstrate a high predictive capacity, which is critically dependent on the comorbidity between anxiety and depression. Additionally, a Federated Learning system has been successfully simulated, proving it to be a viable alternative that achieves competitive performance while protecting data privacy.