Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos

Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos

Desde sus inicios, la Psicología ha sido propensa tanto a la generación de datos como a la comprensión del comportamiento humano a través del análisis de datos. En 1879, el Dr. Wilheim Wundt abrió el primer laboratorio de psicología experimental en la Universidad de Leipzig para estudiar los tiempos de reacción. Para muchos, esto se considera el comienzo de la psicología como una disciplina científica separada y el uso del análisis de datos para la toma de decisiones basada en datos de campo (Flis, 2019; Tweney, 2003). En este editorial, analizamos brevemente cómo los estudiantes, médicos e investigadores de Psicología pueden participar en la revolución de los datos y ayudar a transformar la Psicología, tal como la conocemos, en Psicología... Ver más

Guardado en:

International Journal of Psychological Research

2011-2084

2011-7922

Vélez, Jorge I.

UNIVERSIDAD DE SAN BUENAVENTURA

10.21500/20112084.5365

14

2021-04-30

Colombia

Psicología basada en Aprendizaje Automático

http://purl.org/coar/access_right/c_abf2

info:eu-repo/semantics/openAccess

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

id 4ae4839880679f8ee484fbe8f493bd7e
record_format ojs
spelling Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
Psicología basada en Aprendizaje Automático
Artículo de revista
Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
Desde sus inicios, la Psicología ha sido propensa tanto a la generación de datos como a la comprensión del comportamiento humano a través del análisis de datos. En 1879, el Dr. Wilheim Wundt abrió el primer laboratorio de psicología experimental en la Universidad de Leipzig para estudiar los tiempos de reacción. Para muchos, esto se considera el comienzo de la psicología como una disciplina científica separada y el uso del análisis de datos para la toma de decisiones basada en datos de campo (Flis, 2019; Tweney, 2003). En este editorial, analizamos brevemente cómo los estudiantes, médicos e investigadores de Psicología pueden participar en la revolución de los datos y ayudar a transformar la Psicología, tal como la conocemos, en Psicología basada en Aprendizaje Automático.
http://purl.org/coar/access_right/c_abf2
Dhall, D., Kaur, R., & Juneja,M. (2020). Machine Learning: A Review of the Algorithms and Its Applications, In P. Singh, A. Kar, Y. Singh, M. Kolekar,&S.Tanwar (eds), Proceedings of ICRIC 2019. Lecture Notes in Electrical Engineering (pp. 47–63). Springer. https://doi.org/10.1007/978-3-030-29407-6_5.
Bragazzi, N. L. (2013). Rethinking psychiatrywithOMICS science in the age of personalized P5 medicine: ready for psychiatome? Philosophy, ethics, and humanities in medicine: PEHM, 8, Article 4. https://doi.org/10.1186/1747-5341-8-4.
Breiman, L. (2001). Random forests. Machine Learning, 45 (1), 5–32. https://doi.org/10.1023/A:1010933404324.
Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. (1984). Classification andRegression Trees.Routledge.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’16) (pp.785–794). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785.
Cortes, C., & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20 (3), 273–297. https://doi.org/10.1023/A:1022627411411.
Cuartas Arias, J. M. (2017). Big data for use in psychological research. International Journal of Psychological Research, 10 (1), 6–7. https://doi.org/10.21500/20112084.2828.
Cuartas Arias, J. M. (2019). Homo digitalis and Contemporary Psychology. International journal of psychological research, 12 (2), 6–7. https://doi.org/10.21500/20112084.4260.
de Mello, F. L., & de Souza, S. A. (2019). Psychotherapy and Artificial Intelligence: A Proposal for Alignment. Frontiers in psychology, 10, 263. https://doi.org/10.3389/fpsyg.2019.00263.
Dey, A. (2016). Machine Learning Algorithms: A Review. International Journal of Computer Science and Information Technologies, 7 (3), 1174–1179.
Dwyer, D. B., Falkai, P., & Koutsouleris, N. (2018). Machine Learning Approaches for Clinical Psychology and Psychiatry. Annual review of clinical psychology, 14, 91–118. https://doi.org/10.1146/annurev-clinpsy-032816-045037.
info:eu-repo/semantics/openAccess
Elia, J., Arcos-Burgos, M., Bolton, K. L., Ambrosini, P. J., Berrettini, W., &Muenke, M. (2009). ADHD latent class clusters: DSM-IV subtypes and comorbidity. Psychiatry research, 170 (2–3), 192–198. https://doi.org/10.1016/j.psychres.2008.10.008.
Bone, D., Goodwin, M. S., Black, M. P., Lee, C. C., Audhkhasi, K., & Narayanan, S. (2015). Applying machine learning to facilitate autism diagnostics: Pitfalls and promises. Journal of autism and developmental disorders, 45 (5), 1121–1136. https://doi.org/10.1007/s10803-014-2268-6.
Fröhlich, H., Balling, R., Beerenwinkel, N., Kohlbacher, O., Kumar, S., Lengauer, T., Maathuis, M. H., Moreau, Y., Murphy, S. A., Przytycka, T. M., Rebhan, M., Röst, H., Schuppert, A., Schwab, M., Spang, R., Stekhoven, D., Sun, J., Weber, A., Ziemek, D., & Zupan, B. (2018). From hype to reality: Data science enabling personalized medicine. BMC medicine, 16 (1), 150. https://doi.org/10.1186/s12916-018-1122-7.
Gudivada, V., Irfan, M., Fathi, E., & Rao, D. (2016). Cognitive Analytics: Going Beyond Big Data Analytics and Machine Learning. Handbook of Statistics, 35, 169–205. https://doi.org/10.1016/bs.host.2016.07.010.
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
Text
Flis, I. (2019). Psychologists psychologizing scientific psychology: An epistemological reading of the replication crisis. Theory & Psychology, 29 (2), 158–181. https://doi.org/10.1177/0959354319835322.
Bachli, M. B., Sedeño, L., Ochab, J. K., Piguet, O., Kumfor, F., Reyes, P., Torralva, T., Roca, M., Cardona, J. F., Campo, C. G., Herrera, E., Slachevsky, A., Matallana, D., Manes, F., García, A. M., Ibáñez, A., & Chialvo, D. R. (2020). Evaluating the reliability of neurocognitive biomarkers of neurodegenerative diseases across countries: A machine learning approach. NeuroImage, 208, 116456. https://doi.org/10.1016/j.neuroimage.2019.116456.
Bezanson, J., Karpinski, S., Shah, V., & Edelman, A. (2012). WhyWe Created Julia. https://julialang.org/blog/2012/02/why-we-created-julia/.
International Journal of Psychological Research
Since its beginnings, Psychology has been prone to both data generation and understanding of human behavior through data analysis. Back in 1879, Dr. Wilheim Wundt opened the first experimental psychology lab at the University of Leipzig to study reaction times. To many, this is considered the start of Psychology as a separate scientific discipline and the use of data analysis for data-driven decision making in the field (Flis, 2019; Tweney, 2003). In this Editorial, we briefly discuss how Psychology students, clinicians, and researchers may take part of the data revolution and help transforming Psychology, as we know it, into Machine Learning Psychology.
Vélez, Jorge I.
Machine Learning Psychology
14
1
Journal article
application/pdf
Bell, M. A., & Cuevas, K. (2012). Using EEG to Study Cognitive Development: Issues and Practices. Journal of cognition and development: official journal of the Cognitive Development Society. 13 (3). 281–294. https://doi.org/10.1080/15248372.2012.691143.
Universidad San Buenaventura - USB (Colombia)
https://revistas.usb.edu.co/index.php/IJPR/article/view/5365
Inglés
http://creativecommons.org/licenses/by-nc-nd/4.0
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Acosta, M. T., Vélez, J. I., Bustamante, M. L., Balog, J. Z., Arcos-Burgos, M., & Muenke, M. (2011). A two-locus genetic interaction between LPHN3 and 11q predicts ADHD severity and long-term outcome. Translational psychiatry, 1 (7), e17. https://doi.org/10.1038/tp.2011.14.
Arcos-Burgos, M., Vélez, J., Martinez, A., Ribasés, M., Ramos-Quiroga, J., Sánchez-Mora, C., Richarte, V., Roncero, C., Cormand, B., Fernández-Castillo, N., Casas, M., Lopera, F., Pineda, D., Palacio, J., Acosta-López, J., Cervantes-Henriquez, M., Sánchez-Rojas, M., Puentes-Rozo, P., Molina, B., & Muenke, M. (2019). ADGRL3 (LPHN3) Variants Predict Substance Use Disorder. Translational Psychiatry, 9 (1), e42. https://doi.org/10.1038/s41398-019-0396-7.
Publication
2011-2084
2011-7922
10.21500/20112084.5365
2021-04-30
2021-04-30T21:34:25Z
https://revistas.usb.edu.co/index.php/IJPR/article/download/5365/3883
2021-04-30T21:34:25Z
https://doi.org/10.21500/20112084.5365
institution UNIVERSIDAD DE SAN BUENAVENTURA
thumbnail https://nuevo.metarevistas.org/UNIVERSIDADDESANBUENAVENTURA_COLOMBIA/logo.png
country_str Colombia
collection International Journal of Psychological Research
title Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
spellingShingle Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
Vélez, Jorge I.
Psicología basada en Aprendizaje Automático
Machine Learning Psychology
title_short Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
title_full Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
title_fullStr Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
title_full_unstemmed Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
title_sort psicología basada en aprendizaje automático: abogando por un enfoque basado en datos
description Desde sus inicios, la Psicología ha sido propensa tanto a la generación de datos como a la comprensión del comportamiento humano a través del análisis de datos. En 1879, el Dr. Wilheim Wundt abrió el primer laboratorio de psicología experimental en la Universidad de Leipzig para estudiar los tiempos de reacción. Para muchos, esto se considera el comienzo de la psicología como una disciplina científica separada y el uso del análisis de datos para la toma de decisiones basada en datos de campo (Flis, 2019; Tweney, 2003). En este editorial, analizamos brevemente cómo los estudiantes, médicos e investigadores de Psicología pueden participar en la revolución de los datos y ayudar a transformar la Psicología, tal como la conocemos, en Psicología basada en Aprendizaje Automático.
description_eng Since its beginnings, Psychology has been prone to both data generation and understanding of human behavior through data analysis. Back in 1879, Dr. Wilheim Wundt opened the first experimental psychology lab at the University of Leipzig to study reaction times. To many, this is considered the start of Psychology as a separate scientific discipline and the use of data analysis for data-driven decision making in the field (Flis, 2019; Tweney, 2003). In this Editorial, we briefly discuss how Psychology students, clinicians, and researchers may take part of the data revolution and help transforming Psychology, as we know it, into Machine Learning Psychology.
author Vélez, Jorge I.
author_facet Vélez, Jorge I.
topicspa_str_mv Psicología basada en Aprendizaje Automático
topic Psicología basada en Aprendizaje Automático
Machine Learning Psychology
topic_facet Psicología basada en Aprendizaje Automático
Machine Learning Psychology
citationvolume 14
citationissue 1
publisher Universidad San Buenaventura - USB (Colombia)
ispartofjournal International Journal of Psychological Research
source https://revistas.usb.edu.co/index.php/IJPR/article/view/5365
language Inglés
format Article
rights http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
references_eng Dhall, D., Kaur, R., & Juneja,M. (2020). Machine Learning: A Review of the Algorithms and Its Applications, In P. Singh, A. Kar, Y. Singh, M. Kolekar,&S.Tanwar (eds), Proceedings of ICRIC 2019. Lecture Notes in Electrical Engineering (pp. 47–63). Springer. https://doi.org/10.1007/978-3-030-29407-6_5.
Bragazzi, N. L. (2013). Rethinking psychiatrywithOMICS science in the age of personalized P5 medicine: ready for psychiatome? Philosophy, ethics, and humanities in medicine: PEHM, 8, Article 4. https://doi.org/10.1186/1747-5341-8-4.
Breiman, L. (2001). Random forests. Machine Learning, 45 (1), 5–32. https://doi.org/10.1023/A:1010933404324.
Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. (1984). Classification andRegression Trees.Routledge.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’16) (pp.785–794). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785.
Cortes, C., & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20 (3), 273–297. https://doi.org/10.1023/A:1022627411411.
Cuartas Arias, J. M. (2017). Big data for use in psychological research. International Journal of Psychological Research, 10 (1), 6–7. https://doi.org/10.21500/20112084.2828.
Cuartas Arias, J. M. (2019). Homo digitalis and Contemporary Psychology. International journal of psychological research, 12 (2), 6–7. https://doi.org/10.21500/20112084.4260.
de Mello, F. L., & de Souza, S. A. (2019). Psychotherapy and Artificial Intelligence: A Proposal for Alignment. Frontiers in psychology, 10, 263. https://doi.org/10.3389/fpsyg.2019.00263.
Dey, A. (2016). Machine Learning Algorithms: A Review. International Journal of Computer Science and Information Technologies, 7 (3), 1174–1179.
Dwyer, D. B., Falkai, P., & Koutsouleris, N. (2018). Machine Learning Approaches for Clinical Psychology and Psychiatry. Annual review of clinical psychology, 14, 91–118. https://doi.org/10.1146/annurev-clinpsy-032816-045037.
Elia, J., Arcos-Burgos, M., Bolton, K. L., Ambrosini, P. J., Berrettini, W., &Muenke, M. (2009). ADHD latent class clusters: DSM-IV subtypes and comorbidity. Psychiatry research, 170 (2–3), 192–198. https://doi.org/10.1016/j.psychres.2008.10.008.
Bone, D., Goodwin, M. S., Black, M. P., Lee, C. C., Audhkhasi, K., & Narayanan, S. (2015). Applying machine learning to facilitate autism diagnostics: Pitfalls and promises. Journal of autism and developmental disorders, 45 (5), 1121–1136. https://doi.org/10.1007/s10803-014-2268-6.
Fröhlich, H., Balling, R., Beerenwinkel, N., Kohlbacher, O., Kumar, S., Lengauer, T., Maathuis, M. H., Moreau, Y., Murphy, S. A., Przytycka, T. M., Rebhan, M., Röst, H., Schuppert, A., Schwab, M., Spang, R., Stekhoven, D., Sun, J., Weber, A., Ziemek, D., & Zupan, B. (2018). From hype to reality: Data science enabling personalized medicine. BMC medicine, 16 (1), 150. https://doi.org/10.1186/s12916-018-1122-7.
Gudivada, V., Irfan, M., Fathi, E., & Rao, D. (2016). Cognitive Analytics: Going Beyond Big Data Analytics and Machine Learning. Handbook of Statistics, 35, 169–205. https://doi.org/10.1016/bs.host.2016.07.010.
Flis, I. (2019). Psychologists psychologizing scientific psychology: An epistemological reading of the replication crisis. Theory & Psychology, 29 (2), 158–181. https://doi.org/10.1177/0959354319835322.
Bachli, M. B., Sedeño, L., Ochab, J. K., Piguet, O., Kumfor, F., Reyes, P., Torralva, T., Roca, M., Cardona, J. F., Campo, C. G., Herrera, E., Slachevsky, A., Matallana, D., Manes, F., García, A. M., Ibáñez, A., & Chialvo, D. R. (2020). Evaluating the reliability of neurocognitive biomarkers of neurodegenerative diseases across countries: A machine learning approach. NeuroImage, 208, 116456. https://doi.org/10.1016/j.neuroimage.2019.116456.
Bezanson, J., Karpinski, S., Shah, V., & Edelman, A. (2012). WhyWe Created Julia. https://julialang.org/blog/2012/02/why-we-created-julia/.
Bell, M. A., & Cuevas, K. (2012). Using EEG to Study Cognitive Development: Issues and Practices. Journal of cognition and development: official journal of the Cognitive Development Society. 13 (3). 281–294. https://doi.org/10.1080/15248372.2012.691143.
Acosta, M. T., Vélez, J. I., Bustamante, M. L., Balog, J. Z., Arcos-Burgos, M., & Muenke, M. (2011). A two-locus genetic interaction between LPHN3 and 11q predicts ADHD severity and long-term outcome. Translational psychiatry, 1 (7), e17. https://doi.org/10.1038/tp.2011.14.
Arcos-Burgos, M., Vélez, J., Martinez, A., Ribasés, M., Ramos-Quiroga, J., Sánchez-Mora, C., Richarte, V., Roncero, C., Cormand, B., Fernández-Castillo, N., Casas, M., Lopera, F., Pineda, D., Palacio, J., Acosta-López, J., Cervantes-Henriquez, M., Sánchez-Rojas, M., Puentes-Rozo, P., Molina, B., & Muenke, M. (2019). ADGRL3 (LPHN3) Variants Predict Substance Use Disorder. Translational Psychiatry, 9 (1), e42. https://doi.org/10.1038/s41398-019-0396-7.
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2021-04-30
date_accessioned 2021-04-30T21:34:25Z
date_available 2021-04-30T21:34:25Z
url https://revistas.usb.edu.co/index.php/IJPR/article/view/5365
url_doi https://doi.org/10.21500/20112084.5365
issn 2011-2084
eissn 2011-7922
doi 10.21500/20112084.5365
url2_str_mv https://revistas.usb.edu.co/index.php/IJPR/article/download/5365/3883
_version_ 1797376677941084160

Código QR

Estadísticas y Métricas Alternativas

Títulos similares