Gabriel Lazaro Cruz

Gabriel Lazaro Cruz

Auto-generated profile, based on publicly available information

Gabriel Lazaro Cruz

Instituto Peruano de Orientación Psicológica, Lima, Peru

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
21 August 2024 in JMIR Mental Health
Verified
Journal Article
Open access
David Villarreal-ZegarraDavid Villarreal-Zegarra
David Villarreal-Zegarra
CRChristian Mahony Reategui-Rivera
Christian Mahony Reategui-Rivera
JGJackeline García-Serna
Jackeline García-Serna
GQGleni Quispe-Callo
Gleni Quispe-Callo
GLGabriel Lázaro-Cruz
Gabriel Lázaro-Cruz
JFJoseph Finkelstein
Joseph Finkelstein
Background: The introduction of natural language processing (NLP) technologies has significantly enhanced the potential of self-administered interventions for treating anxiety and depression by improving human-computer interactions. Although these advances, particularly in complex models such as generative artificial intelligence (AI), are highly promising, robust evidence validating the effectiveness of the interventions remains sparse. Objective: The aim of this study was to determine whether self-administered interventions based on NLP models can reduce depressive and anxiety symptoms. Methods: We conducted a systematic review and meta-analysis. We searched Web of Science, Scopus, MEDLINE, PsycINFO, IEEE Xplore, Embase, and Cochrane Library from inception to November 3, 2023. We included studies with participants of any age diagnosed with depression or anxiety through professional consultation or validated psychometric instruments. Interventions had to be self-administered and based on NLP models, with passive or active comparators. Outcomes measured included depressive and anxiety symptom scores. We included randomized controlled trials and quasi-experimental studies but excluded narrative, systematic, and scoping reviews. Data extraction was performed independently by pairs of authors using a predefined form. Meta-analysis was conducted using standardized mean differences (SMDs) and random effects models to account for heterogeneity. Results: In all, 21 articles were selected for review, of which 76% (16/21) were included in the meta-analysis for each outcome. Most of the studies (16/21, 76%) were recent (2020-2023), with interventions being mostly AI-based NLP models (11/21, 52%); most (19/21, 90%) delivered some form of therapy (primarily cognitive behavioral therapy: 16/19, 84%). The overall meta-analysis showed that self-administered interventions based on NLP models were significantly more effective in reducing both depressive (SMD 0.819, 95% CI 0.389-1.250; P<.001) and anxiety (SMD 0.272, 95% CI 0.116-0.428; P=.001) symptoms compared to various control conditions. Subgroup analysis indicated that AI-based NLP models were effective in reducing depressive symptoms (SMD 0.821, 95% CI 0.207-1.436; P<.001) compared to pooled control conditions. Rule-based NLP models showed effectiveness in reducing both depressive (SMD 0.854, 95% CI 0.172-1.537; P=.01) and anxiety (SMD 0.347, 95% CI 0.116-0.578; P=.003) symptoms. The meta-regression showed no significant association between participants’ mean age and treatment outcomes (all P>.05). Although the findings were positive, the overall certainty of evidence was very low, mainly due to a high risk of bias, heterogeneity, and potential publication bias. Conclusions: Our findings support the effectiveness of self-administered NLP-based interventions in alleviating depressive and anxiety symptoms, highlighting their potential to increase accessibility to, and reduce costs in, mental health care. Although the results were encouraging, the certainty of evidence was low, underscoring the need for further high-quality randomized controlled trials and studies examining implementation and usability. These interventions could become valuable components of public health strategies to address mental health issues. Trial Registration: PROSPERO International Prospective Register of Systematic Reviews CRD42023472120; https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42023472120

10 April 2026
Verified
Preprint
Open access
PDF file
GCGabriel Lazaro Cruz
Gabriel Lazaro Cruz
IntroducciónLa neuroeducación, también conocida como neurociencia educativa, ha emergido como un campo prometedor que busca optimizar la enseñanza a partir de nuestro entendimiento del cerebro1,2. Sin embargo, un análisis crítico de sus fases iniciales revela una marcada tendencia a centrar sus explicaciones y soluciones casi exclusivamente en los procesos y estructuras cerebrales. Esta perspectiva, aunque valiosa, ha presentado una visión a veces reduccionista del aprendizaje y las emociones, atribuyendo tanto las fortalezas como los desafíos educativos a causas fundamentalmente del sistema nervioso central.Por ejemplo, el libro "Educational Neuroscience"3 estructura la evolución de este campo en tres fases. La primera fue una colaboración entre educación y psicología. La segunda fase, crucial para este análisis, fue la alianza entre psicología y neurociencia, que dio origen a la neurociencia cognitiva. Fue en esta etapa donde se consolidó un fuerte enfoque en el cerebro como el epicentro del aprendizaje. Se empezaron a estudiar las bases neurales de la lectura, las matemáticas, la atención y la memoria, a menudo utilizando técnicas de neuroimagen para mapear funciones cognitivas en estructuras cerebrales específicas4,5.Este enfoque ha sido muy fructífero. Por ejemplo, los estudios sobre la dislexia han mostrado que las diferencias en el aprendizaje lector se relacionan con anormalidades en la red cerebral que vincula el reconocimiento visual con el habla y el significado6,7. De manera similar, en el estudio de la discalculia se han identificado estructuras y patrones de activación anormales en áreas parietales del cerebro8,9. Siendo así, procesos cognitivos como el aprendizaje, la atención, la memoria y la regulación emocional fueron priorizados desde una perspectiva cerebral. El TDAH, por ejemplo, se ha asociado con déficits en redes atencionales específicas10, mientras que el autismo se ha vinculado con disrupciones en otras. Esta perspectiva centrada en el cerebro ha llevado a la idea de que los problemas de aprendizaje tienen una base neurobiológica que puede ser identificada e incluso remediada con intervenciones dirigidas mayormente al cerebro.Por otro lado, un conflicto significativo gira en torno al modo en que la neuroeducación puede contribuir a la labor cotidiana del educador. En el epílogo del libro, John T. Bruer reafirma su escepticismo inicial respecto a la posibilidad de establecer un “puente directo” entre la neurociencia y la práctica educativa11. Argumenta que la neurociencia educativa, especialmente en sus inicios, ha dependido en gran medida de los modelos cognitivos preexistentes de la psicología para diseñar e interpretar sus estudios de neuroimagen. Por lo tanto, en lugar de generar principios pedagógicos completamente nuevos, a menudo ha proporcionado correlatos neurales de procesos ya conocidos. Aún así, la neuroeducación continuó en sus avances. Mary Helen Immordino-Yang, en su obra "Emotions, Learning, and the Brain”12, critica la tendencia a separar lo cognitivo de lo emocional, una dualidad que la neurociencia afectiva está desmantelando. Sostiene que las emociones no son meros complementos del aprendizaje, sino que son fundamentales para él, dirigiendo el pensamiento, la memoria y la toma de decisiones. Su investigación demuestra que las emociones complejas, como la admiración, involucran sistemas neurales primitivos relacionados con la supervivencia y la regulación corporal. Esto sugiere que el aprendizaje significativo no puede reducirse a la activación de ”circuitos cognitivos”, sino que está profundamente arraigado en la experiencia corporal, social y emocional del individuo. Sin embargo, esta revelación se ancló firmemente en la función de estructuras como la amígdala y el sistema límbico. La regulación emocional se convirtió, entonces, en una habilidad de la corteza prefrontal para modular las respuestas subcorticales13,14.A pesar de ideas integrales de unir la influencia del cuerpo sobre el cerebro, la tendencia continuaba sobre este órgano central. Un conocido ejemplo es la obra de Stanislas Dehaene, en "How We Learn"15, él propone la hipótesis del "reciclaje neuronal", que sostiene que las habilidades culturales como la lectura y las matemáticas se adquieren mediante la reconversión de circuitos cerebrales preexistentes que evolucionaron para otras funciones. Aunque esta idea sigue estando centrada en el cerebro, abre la puerta a la influencia de la cultura y la educación como fuerzas que ”esculpen” activamente el cerebro. La educación, desde esta perspectiva, no solo llena un cerebro pasivo, sino que lo reorganiza. En síntesis de esta breve historia, la neuroeducación ha proporcionado valiosas ideas al centrarse en el cerebro como el órgano del aprendizaje; y, se han encontrado relación conducta y regiones cerebrales. Sin embargo, su fase inicial ha tendido a priorizar los mecanismos neurales como la causa principal de los resultados educativos. La crítica actual, sugiere que un enfoque más integrador es necesario: uno que reconozca que el cerebro opera dentro de un cuerpo, en un contexto social y cultural donde este vital órgano intepreta la realidad. Lo llamaremos conexión cuerpo-cerebro. Y, como un segundo aporte hacia la nueva neuroeducación, es que las emociones se construyen para guiar al pensamiento, pero consigo involucran otros órganos del cuerpo y sistemas. La neuroeducación del futuro deberá comprender que el cerebro es un órgano más, y equilibrar los procesos de aprendizaje y enseñanza desde la comprensión de mecanismos...

30 September 2025
Verified
Preprint
Open access
GCGabriel Lazaro Cruz
Gabriel Lazaro Cruz

15 April 2024 in JMIR Preprints
Verified
Preprint
Open access
David Villarreal-ZegarraDavid Villarreal-Zegarra
David Villarreal-Zegarra
JGJackeline García-Serna
Jackeline García-Serna
GQGleni Quispe-Callo
Gleni Quispe-Callo
GLGabriel Lázaro-Cruz
Gabriel Lázaro-Cruz
GCGianfranco Centeno-Terrazas
Gianfranco Centeno-Terrazas
JFJoseph Finkelstein
Joseph Finkelstein
BACKGROUND The introduction of Natural Language Processing (NLP) technologies has significantly enhanced the potential of self-directed interventions for treating anxiety and depression by improving human-computer interactions. Despite these advancements, particularly in AI and Large Language Models (LLMs), robust evidence validating their effectiveness remains sparse. OBJECTIVE To determine whether interventions based on NLP models can reduce depressive and anxiety symptoms. METHODS Our study was a systematic review, and the protocol was registered in PROSPERO (CRD42023472120). The databases we used for the systematic review are Web of Science, SCOPUS, MEDLINE (via PubMed), PsycINFO (via EBSCO), IEEE Xplore, EMBASE (via EBSCO), and Cochrane Library. The quality of the included studies was assessed using the JBI Critical Appraisal Tools. RESULTS 21 articles were selected for review, and 16 were included in the meta-analysis for each outcome. The overall meta-analysis showed that self-administered interventions based on NLP models were significantly more effective in reducing depressive symptoms (SMD=0.819; 95%CI: 0.389-1.250; p<0.001) and anxiety symptoms (SMD=0.272; 95% CI: 0.116-0.428; p=0.001) compared with various control conditions. In subgroup analysis, AI-based NLP was shown to be effective in reducing depressive (SMD=1.059 [0.520 to 1.597]; p<0.001) and anxiety symptoms (SMD=0.302 [0.073 to 0.532]; p=0.010) compared with pooled control conditions. Also, NLP-based interventions overall outperform psychoeducation and bibliotherapy in reducing both depressive (SMD=1.481 [0.368 to 2.594]; p=0.009) and anxiety symptoms (SMD=0.561 [0.195 to 0.927]; p=0.003). In addition, these interventions are more effective than waitlist or no intervention in reducing anxious symptoms (SMD=0.196 [0.042 to 0.351]; p=0.013). CONCLUSIONS Our findings support the usefulness of self-applied NLP-based interventions in alleviating widely prevalent mental health problems such as depressive and anxious symptoms. CLINICALTRIAL Protocol was registered in PROSPERO (CRD42023472120)