Escala de Depresión para Evaluación en Línea

1. Resumen

La Escala de Depresión para Evaluación en Línea (denominada en el ámbito anglosajón como Depression Scale for Online Assessment, DSO) constituye un instrumento psicométrico contemporáneo desarrollado específicamente para identificar y cuantificar la sintomatología depresiva a través de expresiones lingüísticas naturalistas e informales, tales como las empleadas cotidianamente en entornos digitales y plataformas de redes sociales. A diferencia de las herramientas psicométricas tradicionales concebidas en entornos clínicos cerrados, la DSO aborda una de las limitaciones diagnósticas más notorias en la era digital: la desconexión existente entre la terminología psiquiátrica formal y las formas coloquiales en que los individuos, en particular los nativos digitales, exteriorizan su sufrimiento psicológico. El instrumento fue diseñado y validado por investigadores del Departamento de Psiquiatría de la Facultad de Medicina de la Universidad de Yonsei (Hospital Severance de Yongin, República de Corea), bajo la dirección de Minjeong Jeon y colaboradores.

Estructuralmente, la escala se compone de 20 reactivos organizados bajo una arquitectura multidimensional de cinco factores interdependientes: Desconexión social, Riesgo de suicidio, Estado de ánimo deprimido, Autoconcepto negativo y Malestar cognitivo y somático. El formato de respuesta se articula mediante una escala tipo Likert de 5 puntos, que va desde 0 («Nada en absoluto») hasta 4 («Muchísimo» o «En gran medida»), facilitando una administración ágil en dispositivos móviles o navegadores web que suele completarse en menos de cinco minutos.

Desde el punto de vista psicométrico, la DSO ha demostrado propiedades excepcionales. En su estudio de validación fundacional sobre una muestra comunitaria representativa de 1.151 adultos surcoreanos, la consistencia interna general arrojó un coeficiente alfa de Cronbach de 0,95. El análisis factorial confirmatorio ratificó la adecuación de su estructura pentafactorial con índices de ajuste sobresalientes: un índice de ajuste comparativo (CFI) de 0,960, un índice de Tucker-Lewis (TLI) de 0,95, un residuo cuadrático medio estandarizado (SRMR) de 0,03 y un error cuadrático medio de aproximación (RMSEA) de 0,07. La validez convergente quedó sólidamente respaldada a través de correlaciones robustas con medidas consagradas como la Center for Epidemiologic Studies Depression Scale-Revised (K-CESD-R; r = 0,68 a 0,77) y el Patient Health Questionnaire-9 (PHQ-9; r = 0,64 a 0,74), consolidando a la DSO como un recurso de cribado ecológicamente válido, idóneo para la telemedicina, la monitorización remota y la salud mental digital.

2. Palabras clave

Depresión, evaluación en línea, salud mental digital, validez ecológica, redes sociales, cribado psicométrico, telepsiquiatría, desconexión social, ideación suicida, psicometría digital.

3. Autores

La Depression Scale for Online Assessment ha sido diseñada y validada por el equipo de investigación en psiquiatría y neurociencias del comportamiento de la Universidad de Yonsei en la República de Corea:

• Minjeong Jeon (Investigadora principal y autora de correspondencia)
  • Afiliación: Departamento de Psiquiatría, Facultad de Medicina de la Universidad de Yonsei, Hospital Severance de Yongin, Yongin, República de Corea.
  • Correo electrónico: [email protected]
• Hae-In Park
  • Afiliación: Departamento de Psiquiatría, Facultad de Medicina de la Universidad de Yonsei, Hospital Severance de Yongin, Yongin, República de Corea.
• Yoorianna Son
  • Afiliación: Departamento de Psiquiatría, Facultad de Medicina de la Universidad de Yonsei, Hospital Severance de Yongin, Yongin, República de Corea.
• Ji Won Hyun
  • Afiliación: Departamento de Psiquiatría, Facultad de Medicina de la Universidad de Yonsei, Hospital Severance de Yongin, Yongin, República de Corea.
• Jin Young Park
  • Afiliación: Departamento de Psiquiatría, Facultad de Medicina de la Universidad de Yonsei, Hospital Severance de Yongin, Yongin, República de Corea.

4. Propósito

El propósito medular de la Escala de Depresión para Evaluación en Línea radica en subsanar la brecha comunicativa y conceptual que media entre los criterios nosológicos convencionales descritos en manuales psiquiátricos estandarizados —como el DSM-5-TR de la Asociación Estadounidense de Psiquiatría o la CIE-11 de la Organización Mundial de la Salud— y el lenguaje natural, orgánico e hipercontextualizado con el cual las personas manifiestan su desasosiego psíquico en la vida moderna. Tradicionalmente, los cuestionarios psicométricos de autoinforme para el trastorno depresivo mayor, tales como el Inventario de Depresión de Beck (BDI-II) o la escala de Montgomery-Åsberg (MADRS), fueron estructurados a partir de una semántica formal, clínica y en ocasiones aséptica. Si bien estos instrumentos gozan de un indiscutible rigor empírico acumulado a lo largo de décadas, plantean importantes barreras pragmáticas en entornos telemáticos.

En el ecosistema hiperconectado actual, el sufrimiento emocional no se verbaliza habitualmente mediante frases directas sobre anhedonia manifiesta o retardo psicomotor tipificado. Por el contrario, los usuarios de plataformas como Twitter (X), Instagram, foros en línea y comunidades virtuales recurren a metáforas cotidianas, microrelatos de alienación, expresiones indirectas de desesperanza y quejas fragmentadas. Los jóvenes y nativos digitales, en especial, perciben los formularios diagnósticos ortodoxos como ajenos, distantes o estigmatizantes, lo que con frecuencia suscita sesgos de respuesta, infradeclaración o derechamente el abandono de evaluaciones en línea. Esta incongruencia genera falsos negativos en cribados preventivos implementados a través de canales digitales de salud pública.

La DSO responde de manera directa a este desafío pragmático y epistemológico mediante la utilización de reactivos breves y empáticos, construidos a partir del análisis lingüístico de textos generados en redes sociales. El instrumento optimiza la detección temprana de la depresión en diversos contextos de aplicación:

• Investigación epidemiológica y de comportamiento en línea: Facilita el estudio a gran escala del estado anímico en comunidades virtuales y paneles de internet sin generar una sobrecarga cognitiva en los participantes.
• Sistemas de cribado en telepsiquiatría y salud móvil (mHealth): Permite que las plataformas de telemedicina implementen triajes iniciales de alta sensibilidad antes de una interconsulta especializada, empleando un vocabulario fluido y aceptado por el usuario.
• Monitorización de intervenciones a distancia: La rapidez de administración de sus 20 ítems (menos de cinco minutos) posibilita su empleo reiterado en diseños longitudinales de evaluación ecológica momentánea (EMA).

5. Constructo psicológico

La depresión mayor es universalmente reconocida como una patología heterogénea y polisintomática, que no puede reducirse a una mera perturbación afectiva univariada. La DSO conceptualiza el constructo de la depresión a través de un prisma multidimensional que aúna las alteraciones clínicas clásicas con las manifestaciones afectivas e interpersonales propias de la interacción en red. A continuación, se detallan exhaustivamente las cinco subescalas que configuran su arquitectura:

1. Desconexión social (Social Disconnection)

Esta dimensión evalúa el aislamiento subjetivo, el extrañamiento interpersonal y el sentimiento de vacuidad en las relaciones sociales. En la psicología contemporánea se distingue netamente el aislamiento objetivo de la soledad percibida; en los medios sociales, las personas pueden mantener cientos de interacciones telemáticas pasivas mientras experimentan una profunda falta de pertenencia o sintonía con el entorno humano. Esta dimensión sondea percepciones del tipo sentirse invisible, la convicción de que nadie notaría la ausencia propia en caso de desaparecer de las redes o la desconexión afectiva frente a los círculos primarios de apoyo.

2. Riesgo de suicidio (Suicide Risk)

La subescala de riesgo suicida aborda la ideación pasiva de muerte, el deseo explícito de cesación de la consciencia y las cogniciones vinculadas a la autolesión. La investigación en minería de textos en redes sociales ha demostrado que el riesgo letal a menudo se filtra en publicaciones digitales antes de manifestarse verbalmente ante profesionales de la salud. Esta faceta evalúa pensamientos intrusivos de no querer despertar por la mañana, fantasías de descanso definitivo y la fatiga existencial paralizante, constituyendo un componente cardinal de alerta clínica dentro de la escala.

3. Estado de ánimo deprimido (Depressed Mood)

Refleja el núcleo afectivo primario del síndrome depresivo. Incorpora la tristeza profunda, el llanto recurrente, la apatía afectiva y el abatimiento moral generalizado. A nivel fenomenológico, captura el dolor psíquico no articulado a través de categorías clínicas formales, sino como un estado de pesadumbre asfixiante, desolación y pérdida integral de la reactividad emocional frente a incentivos cotidianos placenteros.

4. Autoconcepto negativo (Negative Self-Concept)

Centrada en el procesamiento cognitivo autorreferencial desadaptativo, esta subescala evalúa sentimientos de inutilidad, autoexigencia destructiva, culpa patológica y un menoscabo radical de la propia estima. En el marco de la interacción digital, la constante comparación social desfavorable con las versiones idealizadas de terceros exacerba esta faceta. Los reactivos identifican ideas de ser una carga para los demás, autoevaluaciones de fracaso total y la interiorización de una inferioridad insalvable frente a los coetáneos.

5. Malestar cognitivo y somático (Cognitive and Somatic Distress)

Abarca las manifestaciones neurobiológicas y fisiológicas consustanciales al episodio depresivo, tales como la fatiga crónica inespecífica, la desregulación de los patrones de vigilia-sueño, la lentificación psicomotora y las interferencias atencionales y memorísticas. En la experiencia cotidiana, estas alteraciones se traducen en la imposibilidad de concentrarse en tareas académicas o laborales frente a las pantallas, el agotamiento generalizado al despertar y el embotamiento mental que impide la ejecución funcional de responsabilidades básicas.

6. Marco teórico

La fundamentación teórica de la DSO descansa en la convergencia de dos líneas epistemológicas fundamentales: la Teoría Cognitiva de la Depresión de Aaron T. Beck y los paradigmas modernos de la Psicología Digital y Fenomenología Ecológica del Lenguaje.

Desde la formulación de Beck (1967, 1996), la depresión se perpetúa a través de la reactivación de esquemas disfuncionales latentes y distorsiones cognitivas sistemáticas que configuran la clásica «tríada cognitiva»: una visión negativa del sí mismo, del mundo circundante y del futuro. Las subescalas de Autoconcepto negativo y Desconexión social encarnan directamente la plasmación empírica de estos esquemas. Cuando un individuo atraviesa un estado de reactivación esquemática depresiva, procesa la información relacional con sesgos de abstracción selectiva e inferencia arbitraria, traduciéndose en convicciones de minusvalía («no valgo nada») y desconexión existencial («a nadie le importo»). La DSO rescata esta base beckiana pero le confiere una formulación discursiva actual, reconociendo que los esquemas cognitivos se exteriorizan a través del léxico específico propio del entorno en el que el individuo reside y se comunica habitualmente.

De forma complementaria, el instrumento se apoya en los postulados de la salud mental computacional y la hipótesis de validez ecológica del lenguaje en línea. Investigaciones señalan que los marcadores lingüísticos extraídos de la actividad en redes sociales (como publicaciones en Facebook, Instagram o Twitter/X) actúan como proxys conductuales altamente sensibles de la patología subyacente. Autores pioneros en este ámbito han constatado que la sintomatología depresiva se asocia con un incremento marcado en el uso de pronombres en primera persona del singular («yo», «mí»), términos con carga afectiva negativa y expresiones recurrentes de aislamiento físico y social. Sin embargo, en lugar de depender exclusivamente de algoritmos opacos de procesamiento del lenguaje natural (PLN) para la vigilancia pasiva —los cuales conllevan notorios dilemas éticos y de privacidad—, los creadores de la DSO adoptaron este acervo lingüístico natural para redefinir el propio autoinforme estructurado.

Bajo este paradigma mixto, los enunciados de la escala reproducen fielmente los patrones estilísticos y semánticos observados en las expresiones espontáneas de malestar digital. De este modo, el paciente no se siente evaluado bajo un examen psiquiátrico abstracto, sino que lee frases con las que se identifica de manera inmediata, eliminando la resistencia psicológica al cribado y optimizando la precisión de medida.

7. Validez

La validación psicométrica de la DSO fue efectuada a través de un diseño empírico robusto sobre una muestra comunitaria de 1.151 adultos surcoreanos, permitiendo obtener evidencias determinantes respecto a su validez de constructo, convergente y predictiva.

Validez convergente

Para comprobar que la DSO mide con exactitud el constructo de la depresión clínica y no un artefacto de descontento digital pasajero, se examinaron sus correlaciones bivariadas frente a dos de los estándares psicométricos de mayor prestigio internacional:

• Center for Epidemiologic Studies Depression Scale-Revised (K-CESD-R): Las subescalas de la DSO mostraron coeficientes de correlación de Pearson comprendidos entre r = 0,68 y r = 0,77, evidenciando una concordancia de constructo de magnitud muy elevada.
• Patient Health Questionnaire-9 (PHQ-9): Al correlacionar los factores de la DSO con las puntuaciones de gravedad del PHQ-9, los coeficientes oscilaron consistentemente entre r = 0,64 y r = 0,74.

Estos hallazgos revisten una notable trascendencia metodológica: confirman de manera incontestable que, a pesar de valerse de una semántica informal y contemporánea, la escala evalúa con extraordinaria fidelidad el mismo sustrato psicopatológico que las herramientas de diagnóstico clínico consagradas.

Validez de constructo y de contenido

La validez de contenido fue resguardada desde las etapas iniciales de extracción de ítems, los cuales fueron seleccionados meticulosamente a partir de corpus masivos de expresiones en redes sociales vinculadas con autolesión, dolor psíquico y depresión, contrastados rigurosamente con los criterios semiológicos diagnósticos por paneles de expertos psiquiatras y psicómetras de la Universidad de Yonsei. A su vez, la validez de constructo quedó plenamente corroborada mediante el modelado de ecuaciones estructurales aplicado en el análisis factorial confirmatorio, logrando índices de bondad de ajuste que satisfacen los estándares internacionales más estrictos de la disciplina.

8. Confiabilidad

La estabilidad y precisión métrica de la DSO exhiben niveles de excelencia estadística, garantizando un error estándar de medida reducido a lo largo de todo el espectro de severidad sintomática.

En el análisis de consistencia interna de la versión final de 20 reactivos, el coeficiente alfa de Cronbach global alcanzó un valor de 0,95. Este guarismo sitúa a la DSO ampliamente por encima del umbral convencional de 0,80 recomendado para la investigación básica y supera el exigente criterio de 0,90 estipulado para instrumentos utilizados en la toma de decisiones clínicas y tamizaje individualizado. Asimismo, cada una de las cinco subescalas demostró una elevada coherencia interna con correlaciones ítem-total corregidas óptimas, descartando tanto la redundancia estéril entre reactivos como la existencia de ítems espurios que debilitasen la homogeneidad factorial.

Esta elevada cohesión estadística constata que el formato de formulaciones breves y oraciones concisas de tres segmentos adoptado en la DSO no sacrifica en absoluto la fidelidad de la medida. Por el contrario, reduce la ambigüedad semántica que suele aquejar a los ítems extensos o cargados de dobles negaciones frecuentes en escalas pretéritas, posibilitando una evaluación extraordinariamente reproducible a través de paneles en línea de población general adulta.

9. Análisis factorial

La verificación de la dimensionalidad de la escala se condujo aplicando la metodología psicométrica estándar de partición de muestra (split-sample cross-validation), dividiendo aleatoriamente la muestra total en dos subconjuntos independientes para garantizar la replicabilidad estructural de los hallazgos.

Análisis Factorial Exploratorio (AFE)

Sobre la primera mitad de la muestra comunitaria, se aplicó un Análisis Factorial Exploratorio recurriendo al método de factorización de ejes principales (principal axis factoring) emparejado con una rotación oblicua (promax), dada la correlación teórica natural existente entre las diversas dimensiones de la depresión. La idoneidad de la matriz de correlaciones fue verificada mediante la prueba de esfericidad de Bartlett y el índice Kaiser-Meyer-Olkin (KMO).

Tanto el criterio de autovalores superiores a la unidad (criterio de Kaiser-Guttman) como el análisis paralelo de Horn indicaron la retención inequívoca de un modelo de cinco factores, el cual explicó conjuntamente el 66,53% de la varianza total acumulada. Todos los reactivos conservados presentaron saturaciones factoriales primarias sustanciales en su dimensión correspondiente, sin exhibir problemas de cargas cruzadas complejas que enturbiaran la interpretabilidad de los componentes.

Análisis Factorial Confirmatorio (AFC)

Con el propósito de validar de forma estricta la estructura pentafactorial derivada del AFE, se ejecutó un Análisis Factorial Confirmatorio sobre la segunda submuestra independiente utilizando estimación de máxima verosimilitud robusta. Los índices de bondad de ajuste alcanzaron niveles óptimos según las directrices metodológicas contemporáneas (Hu & Bentler, 1999):

• Índice de Ajuste Comparativo (CFI): 0,960 (el estándar de excelencia exige > 0,95).
• Índice de Tucker-Lewis (TLI): 0,95 (reflejando un ajuste sobresaliente al penalizar la complejidad del modelo).
• Residuo Cuadrático Medio Estandarizado (SRMR): 0,03 (el criterio óptimo es < 0,08).
• Error Cuadrático Medio de Aproximación (RMSEA): 0,07 (situado confortablemente dentro de los márgenes admisibles de < 0,08 con un intervalo de confianza al 90% estrecho).

Estos parámetros confirman sólidamente la arquitectura multidimensional de cinco factores interrelacionados, permitiendo a los clínicos tanto calcular un puntaje global indicativo de gravedad como obtener perfiles sintomáticos desagregados por subescala.

10. Instrumento de medición

A continuación se detallan las especificaciones técnicas del instrumento para su administración e interpretación clínica:

• Tipo de prueba: Cuestionario psicométrico estandarizado de autoinforme (self-report questionnaire).
• Formato de administración: Adaptado prioritariamente para plataformas web interactivas, interfaces móviles y encuestas electrónicas (e-Surveys); factible también en modalidad autoaplicada en papel.
• Número de reactivos: 20 ítems distribuidos equilibradamente entre las cinco dimensiones del constructo.
• Escala de respuesta: Escala ordinal tipo Likert de 5 puntos:
  • 0 = Nada en absoluto (Not at all)
  • 1 = Un poco (A little)
  • 2 = Moderadamente (Moderately)
  • 3 = Bastante (Quite a bit)
  • 4 = Muchísimo / En gran medida (Very much so)
• Instrucciones y fórmula de puntuación:
  • La puntuación global se calcula mediante la sumatoria directa de las respuestas a los 20 ítems del instrumento (todos calificados de 0 a 4).
  • El rango de la puntuación total se extiende desde un mínimo de 0 hasta un máximo de 80 puntos.
  • Puntuaciones más altas reflejan una mayor gravedad de la sintomatología depresiva y un mayor riesgo clínico.
  • De manera complementaria, pueden computarse sumatorias parciales para cada una de las cinco subescalas para confeccionar perfiles diagnósticos y focalizar intervenciones específicas.
• Población diana y edad: Población general adulta, aplicable formalmente a individuos de 19 años en adelante.
• Idioma original: Coreano (con adaptaciones de traducción de investigación al inglés y otros idiomas).
• Tiempo estimado de respuesta: Menos de 5 minutos, ideal para mitigar el agotamiento atencional en línea.

11. Permisos, Tarifas y Año del test

La Depression Scale for Online Assessment fue publicada y registrada en el año 2025 en el Journal of Medical Internet Research (JMIR). Los derechos de propiedad intelectual, formulación original de los reactivos y copyright de la escala corresponden a sus desarrolladores institucionales y autores de la Facultad de Medicina de la Universidad de Yonsei.

Con fines de investigación académica, validaciones transculturales o uso clínico sin ánimo de lucro, los profesionales y equipos de investigación interesados deben remitir una solicitud de autorización formal dirigida a la autora principal y de correspondencia, la investigadora Minjeong Jeon, al correo electrónico institucional: [email protected]. Para eventuales integraciones comerciales en aplicaciones informáticas de salud o sistemas cerrados de pago, se requerirá la tramitación de los convenios de licenciamiento pertinentes con la Universidad de Yonsei.

12. Referencias

A continuación se detallan las referencias clave que sustentan el marco empírico, metodológico y conceptual del instrumento:

• Beck, A. T. (1996). Beck Depression Inventory (2nd ed.) Manual. San Antonio: The Psychological Corporation.
• De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2021). Predicting Depression via Social Media. Proceedings of the International AAAI Conference on Web and Social Media, 7(1), 128-137. https://doi.org/10.1609/icwsm.v7i1.14432
• DeVellis, R. F. (2016). Scale Development: Theory and Applications (4th ed.). Thousand Oaks: SAGE Publications.
• Eichstaedt, J. C., Smith, R. J., Merchant, R. M., Ungar, L. H., Crutchley, P., Preoţiuc-Pietro, D., Asch, D. A., & Schwartz, H. A. (2018). Facebook language predicts depression in medical records. Proceedings of the National Academy of Sciences, 115(44), 11203-11208. https://doi.org/10.1073/pnas.1802331115
• Eysenbach, G. (2004). Improving the Quality of Web Surveys: The Checklist for Reporting Results of Internet E-Surveys (CHERRIES). Journal of Medical Internet Research, 6(3), e34. https://doi.org/10.2196/jmir.6.3.e34
• Figuerêdo, J., Maia, A., & Calumby, R. (2022). Early depression detection in social media based on deep learning and underlying emotions. Online Social Networks and Media, 31, 100225. https://doi.org/10.1016/j.osnem.2022.100225
• Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor Retention Decisions in Exploratory Factor Analysis: a Tutorial on Parallel Analysis. Organizational Research Methods, 7(2), 191-205. https://doi.org/10.1177/1094428104263675
• Horn, J. L. (1965). A Rationale and Test for the Number of Factors in Factor Analysis. Psychometrika, 30(2), 179-185. https://doi.org/10.1007/BF02289447
• Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
• Jeon, M., Park, H.-I., Son, Y., Hyun, J. W., & Park, J. Y. (2025). Depression Scale for Online Assessment. Journal of Medical Internet Research, 27, e70689. https://doi.org/10.2196/70689
• Keles, B., McCrae, N., & Grealish, A. (2020). A systematic review: the influence of social media on depression, anxiety and psychological distress in adolescents. International Journal of Adolescence and Youth, 25(1), 79-93. https://doi.org/10.1080/02673843.2019.1590851
• Kroenke, K., Spitzer, R. L., & Williams, J. B. (2001). The PHQ-9: Validity of a brief depression severity measure. Journal of General Internal Medicine, 16(9), 606-613. https://doi.org/10.1046/j.1525-1497.2001.016009606.x
• Liu, D., Feng, X., Ahmed, F., Shahid, M., & Guo, J. (2022). Detecting and Measuring Depression on Social Media Using a Machine Learning Approach: Systematic Review. JMIR Mental Health, 9(3), e27244. https://doi.org/10.2196/27244
• Montgomery, S. A., & Åsberg, M. (1979). A New Depression Scale Designed to be Sensitive to Change. British Journal of Psychiatry, 134(4), 382-389. https://doi.org/10.1192/bjp.134.4.382
• Park, S., & Yu, K. (2021). Analysis of Instagram Posts Related to Self-Injury and Suicide Using Text Mining. The Korean Journal of Counseling and Psychotherapy, 33(3), 1429-1455. https://doi.org/10.23844/kjcp.2021.08.33.3.1429
• Seabrook, E. M., Kern, M. L., Fulcher, B. D., & Rickard, N. S. (2018). Predicting Depression From Language-Based Emotion Dynamics: Longitudinal Analysis of Facebook and Twitter Status Updates. Journal of Medical Internet Research, 20(5), e168. https://doi.org/10.2196/jmir.9267

13. Ítems de la escala