Huella digital: exploración y predicción de comportamientos digitales

Simple item page
dc.contributor.MentorSpiousas, Ignacio
dc.creator.AutorMorán, Trinidad María Del Carmen
dc.creator.AutorMirmelstein, Ariela
dc.date.accessioned2025-12-02T13:36:36Z
dc.date.available2025-12-02T13:36:36Z
dc.date.issued2025-09
dc.descriptionFil: Morán, Trinidad María Del Carmen. Universidad de San Andrés. Departamento de Ciencias de la Vida y del Comportamiento; Argentina.
dc.descriptionFil: Mirmelstein, Ariela. Universidad de San Andrés. Departamento de Ciencias de la Vida y del Comportamiento; Argentina.
dc.description.abstractEl uso de smartphones constituye una fuente masiva y continua de datos conductuales que permite explorar patrones de interacción digital. Este trabajo analiza la “huella digital” generada por adultos a través de sus dispositivos Android, con el objetivo de caracterizar perfiles de uso y predecir ciclos de alta intensidad de interacciones. La base de datos, construida a partir de registros retrospectivos de Google Takeout, incluye más de 33.216 días de actividad de 65 participantes. En una primera etapa, se realizó un análisis exploratorio que identificó diferencias temporales claras entre categorías: aplicaciones de productividad y herramientas concentraron su uso en horarios laborales, mientras que redes sociales y comunicación mostraron actividad sostenida hasta la noche. Los fines de semana se observaron menos horas activas y menor diversidad de aplicaciones, con un predominio de las de carácter social. Mediante técnicas de clustering se distinguieron cinco perfiles de uso digital, diferenciados principalmente por intensidad y diversidad de interacciones. En una segunda etapa, se desarrollaron modelos predictivos de ciclos de alta intensidad definidos como aquellas horas en las que el número de interacciones se ubica por encima del percentil 80 de los casos. Los modelos mixtos basados en variables contextuales (día de la semana y hora) mostraron bajo poder discriminativo (ROC AUC ≈ 0.39), mientras que los algoritmos de machine learning (Elastic Net y Random Forest) alcanzaron un desempeño robusto (ROC AUC > 0.97; F1 > 0.95). Las categorías de productividad, navegación y finanzas emergieron como los predictores más relevantes. Los resultados demuestran que la granularidad del uso por tipo de aplicación es más informativa que factores temporales o demográficos para anticipar patrones de alta intensidad. Estos hallazgos evidencian el potencial de la huella digital y el aprendizaje automático como herramientas para comprender y predecir comportamientos digitales con aplicaciones futuras en el diseño de intervenciones de bienestar digital.
dc.formatapplication/pdf
dc.identifier.citationMorán, T. M. del C. y Mirmelstein, A. (2025). Huella digital: exploración y predicción de comportamientos digitales. [Tesis de grado, Universidad de San Andrés. Departamento de Ciencias de la Vida y del Comportamiento]. Repositorio Digital San Andrés. https://repositorio.udesa.edu.ar/handle/10908/26016
dc.identifier.urihttps://repositorio.udesa.edu.ar/handle/10908/26016
dc.languagespa
dc.publisherUniversidad de San Andrés. Departamento de Ciencias de la Vida y del Comportamiento
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.titleHuella digital: exploración y predicción de comportamientos digitales
dc.typeTesis
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typeinfo:ar-repo/semantics/tesis de grado
dc.typeinfo:eu-repo/semantics/updatedVersion
Files
Original bundle
Thumbnail Image
Name:
[P][W] T.L. Comp. Morán, Trinidad María Del Carmen y Mirmelstein, Ariela.pdf
Size:
4.74 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Trabajos de Licenciatura en Ciencias del Comportamiento