Análisis de las causas del consumo de drogas mediante aprendizaje automático

Resumen

El consumo de drogas es un problema real, que afecta a gran parte de la sociedad adulta mundial, pero indiscutiblemente, los jóvenes son un sector muy vulnerable dentro de este escenario, situación de la cual no está exento Ecuador. Por la necesidad de estudiar esto, se estableció como objetivo fundamental de esta investigación consistió en realizar un análisis de las causas del consumo de drogas y ayudar a la prevención mediante técnicas de aprendizaje automático supervisado o no supervisado. Adicionalmente el proyecto presentó como objetivo proporcionar técnicas y herramientas sobre aprendizaje automático y su aplicación práctica en problemas relacionados. Se analizó como caso de estudio, una muestra de 3 876 jóvenes y adolescentes ecuatorianos y los resultados fueron procesados mediante el software Orange, y se obtuvo un riesgo del 85%. Las tareas definidas en la metodología CRISP DM se ejecutaron sin novedades, y se pudo indicar que los datos son suficientes para el modelado, y que las predicciones realizadas son confiables.

Palabras clave:

Análisis de causas, consumo de drogas, aprendizaje automático.

ABSTRACT

Drug consumption is a real problem that affects a large part of the world's adult society, but unquestionably, young people are a very vulnerable sector within this scenario, a situation from which Ecuador is not exempt. Due to the need to study this, the main objective of this research was to analyze the causes of drug use and help prevention through supervised or unsupervised automatic learning techniques. Additionally, the project's objective was to provide techniques and tools on automatic learning and its practical application in related problems. A sample of 3,876 Ecuadorian youths and adolescents was analyzed as a case study and the results were processed using Orange software, and a risk of 85% was obtained. The tasks defined in the CRISP DM methodology were executed without novelties, and it was possible to indicate that the data are sufficient for modeling, and that the predictions made are reliable.

Keywords:

Causal analysis, drug use, machine learning.