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...

Full description

Autores:
Vélez, Jorge I.
Tipo de recurso:
Article of journal
Fecha de publicación:
2021
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
eng
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/25871
Acceso en línea:
https://hdl.handle.net/10819/25871
https://doi.org/10.21500/20112084.5365
Palabra clave:
Machine Learning Psychology
Psicología basada en Aprendizaje Automático
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id SANBUENAV2_4a1768570f311bdc6d3df233b8199539
oai_identifier_str oai:bibliotecadigital.usb.edu.co:10819/25871
network_acronym_str SANBUENAV2
network_name_str Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
dc.title.translated.spa.fl_str_mv Psicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en Datos
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
Machine Learning Psychology
Psicología basada en Aprendizaje Automático
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
dc.creator.fl_str_mv Vélez, Jorge I.
dc.contributor.author.eng.fl_str_mv Vélez, Jorge I.
dc.subject.eng.fl_str_mv Machine Learning Psychology
topic Machine Learning Psychology
Psicología basada en Aprendizaje Automático
dc.subject.spa.fl_str_mv Psicología basada en Aprendizaje Automático
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.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-04-30T21:34:25Z
2025-07-31T16:12:29Z
dc.date.available.none.fl_str_mv 2021-04-30T21:34:25Z
2025-07-31T16:12:29Z
dc.date.issued.none.fl_str_mv 2021-04-30
dc.type.spa.fl_str_mv Artículo de revista
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.eng.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.eng.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.eng.fl_str_mv Text
dc.type.driver.eng.fl_str_mv info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv Journal article
dc.type.version.eng.fl_str_mv info:eu-repo/semantics/publishedVersion
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.doi.none.fl_str_mv 10.21500/20112084.5365
dc.identifier.eissn.none.fl_str_mv 2011-7922
dc.identifier.issn.none.fl_str_mv 2011-2084
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10819/25871
dc.identifier.url.none.fl_str_mv https://doi.org/10.21500/20112084.5365
identifier_str_mv 10.21500/20112084.5365
2011-7922
2011-2084
url https://hdl.handle.net/10819/25871
https://doi.org/10.21500/20112084.5365
dc.language.iso.eng.fl_str_mv eng
language eng
dc.relation.bitstream.none.fl_str_mv https://revistas.usb.edu.co/index.php/IJPR/article/download/5365/3883
dc.relation.citationissue.eng.fl_str_mv 1
dc.relation.citationvolume.eng.fl_str_mv 14
dc.relation.ispartofjournal.eng.fl_str_mv International Journal of Psychological Research
dc.relation.references.eng.fl_str_mv 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.
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.
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.
Bezanson, J., Karpinski, S., Shah, V., & Edelman, A. (2012). WhyWe Created Julia. https://julialang.org/blog/2012/02/why-we-created-julia/.
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.
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.
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.
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.
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.
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.
dc.rights.accessrights.eng.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
http://creativecommons.org/licenses/by-nc-nd/4.0
dc.format.mimetype.eng.fl_str_mv application/pdf
dc.publisher.eng.fl_str_mv Universidad San Buenaventura - USB (Colombia)
dc.source.eng.fl_str_mv https://revistas.usb.edu.co/index.php/IJPR/article/view/5365
institution Universidad de San Buenaventura
bitstream.url.fl_str_mv https://bibliotecadigital.usb.edu.co/bitstreams/b681d3de-acca-4c96-8e34-07e80f77731a/download
bitstream.checksum.fl_str_mv 382812d3106f6b12a6374068b0f07787
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851053578174595072
spelling Vélez, Jorge I.2021-04-30T21:34:25Z2025-07-31T16:12:29Z2021-04-30T21:34:25Z2025-07-31T16:12:29Z2021-04-30Desde 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.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.application/pdf10.21500/20112084.53652011-79222011-2084https://hdl.handle.net/10819/25871https://doi.org/10.21500/20112084.5365engUniversidad San Buenaventura - USB (Colombia)https://revistas.usb.edu.co/index.php/IJPR/article/download/5365/3883114International Journal of Psychological ResearchAcosta, 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.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.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.Bezanson, J., Karpinski, S., Shah, V., & Edelman, A. (2012). WhyWe Created Julia. https://julialang.org/blog/2012/02/why-we-created-julia/.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.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.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.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.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.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/openAccesshttp://purl.org/coar/access_right/c_abf2This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.http://creativecommons.org/licenses/by-nc-nd/4.0https://revistas.usb.edu.co/index.php/IJPR/article/view/5365Machine Learning PsychologyPsicología basada en Aprendizaje AutomáticoPsicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en DatosPsicología basada en Aprendizaje Automático: Abogando por un Enfoque basado en DatosArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2515https://bibliotecadigital.usb.edu.co/bitstreams/b681d3de-acca-4c96-8e34-07e80f77731a/download382812d3106f6b12a6374068b0f07787MD5110819/25871oai:bibliotecadigital.usb.edu.co:10819/258712025-07-31 11:12:29.471http://creativecommons.org/licenses/by-nc-nd/4.0https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.com

Publicaciones similares