Caro Seguel, Juan CarlosGarcía Zavala, Alejandro Hernán2026-06-222026-06-222025https://repositorio.udec.cl/handle/11594/14194Tesis presentada para optar al título de Ingeniero/a Civil Industrial.Esta investigación aborda la mitigación del arranque en frío en sistemas de recomendación para salud digital mediante la generación de datos sintéticos informados por teoría psicológica. En aprendizaje por refuerzo, el arranque en frío aparece cuando el sistema debe decidir sin historial del usuario; se requiere una base de datos inicial para calibrar valores/políticas y así evitar que las primeras interacciones se traduzcan en baja adherencia al comportamiento de salud. El objetivo es desarrollar y evaluar un simulador de usuarios sintéticos parametrizado con constructos psicológicos del Modelo Integrado de Cambio de Comportamiento y variables sociodemográficas. La metodología considera una matriz de covarianza multivariada, una función de puntuación y la generación de una variable binaria de adherencia al comportamiento de salud. Con estos datos, se entrenó un modelo logit para estimar probabilidades de éxito conductual y contextual bandit para optimizar la asignación de metas en actividad física. En la misma población simulada y bajo el mismo protocolo, la política aprendida logra una mayor proporción de adherencia al comportamiento de salud que una asignación puramente aleatoria, especialmente en las primeras interacciones. Estos resultados muestran que los datos sintéticos son útiles para calibrar políticas iniciales y no perder información valiosa de los usuarios al inicio, acelerando la personalización en aplicaciones mHealth.This research addresses the mitigation of the cold start problem in digital health recommender systems through the generation of synthetic data informed by psychological theory. In reinforcement learning, the cold start problem arises when the system must make decisions without prior user history; an initial dataset is therefore required to calibrate value estimates and decision policies, preventing early interactions from resulting in low adherence to health-related behaviors. The objective of this study is to develop and evaluate a synthetic user simulator parameterized with psychological constructs from the Integrated Behavior Change Model and sociodemographic variables. The proposed methodology incorporates a multivariate covariance matrix, a scoring function, and the generation of a binary health-behavior adherence variable. Using these data, a logistic regression model was trained to estimate probabilities of behavioral success, followed by a contextual bandit algorithm to optimize the assignment of physical activity goals. Within the same simulated population and under a common evaluation protocol, the learned policy achieved a higher proportion of health-behavior adherence than a purely random assignment, particularly during early interactions. These results indicate that synthetic data can effectively support the calibration of initial decision policies, reduce information loss at the beginning of user engagement, and accelerate personalization in mHealth applications.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalMetadatosAlgoritmosCambio de actitudTeléfonos móvilesThesisINDUSTRIA, innovaciónALIANZAS para los objetivos