Predicción del bienestar subjetivo de los niños a partir de la actividad física y la participación deportiva...

Área de la Ciencia:

• Psicología infantil
• Ciencias sociales computacionales
• Ciencias del deporte

Sus antecedentes:

• Los modelos tradicionales luchan con las relaciones no lineales en el bienestar subjetivo de los niños (SWB).
• La actividad física es un correlato conocido de SWB, pero los patrones complejos siguen siendo poco explorados a nivel mundial.
• Este estudio aborda la necesidad de técnicas analíticas avanzadas para comprender los controladores SWB en diversas poblaciones.

Objetivo del estudio:

• Evaluar el aprendizaje automático (ML) para predecir el SWB de los niños, centrándose en la participación deportiva.
• Para explorar los límites teóricos de la predicción SWB utilizando un gran conjunto de datos internacionales.
• Identificar los principales factores predictivos de la BSE y su relación con la actividad física en niños de 6 a 14 años.

Principales métodos:

• Análisis de 128.184 registros de la encuesta ISCWeB en 35 países.
• Utilizó la validación cruzada de GroupKFold y la validación de dejar fuera un país para obtener resultados sólidos y generalizables.
• Empleado XGBoost y LightGBM, con SHAP para la interpretabilidad y bootstrapping para la estimación de errores.

Principales resultados:

• Los modelos de aprendizaje automático (XGBoost, LightGBM) superaron a OLS, logrando R2 hasta 0.504.
• Las variables de participación deportiva predijeron positivamente el SWB (valores SHAP: +0,15-0,25), lo que contribuyó significativamente a la precisión del modelo.
• Los modelos ML capturaron el 68,1% de la varianza explicable, acercándose a los límites de previsibilidad teórica.

Conclusiones:

• El aprendizaje automático mejora significativamente la predicción del SWB de los niños en comparación con los métodos tradicionales.
• Los resultados subrayan la importancia de la participación deportiva para el bienestar de los niños y sugieren el potencial de intervenciones basadas en datos.
• Se recomienda una mayor investigación longitudinal para establecer la causalidad y mitigar los sesgos culturales en los datos autoinformados.