Acceso usuarios
Alejandro José Mena, Nicolas De Oliveira Cardoso, Carlos Eduardo Xavier, Irani I. de Lima Argimon
Durante la última década ha habido un crecimiento exponencial de modelos de inteligencia artificial aplicados a los distintos campos del conocimiento incluida la psicología. Diversos estudios han utilizado dichos modelos con el objetivo de identificar precozmente potenciales riesgos. Sin embargo, pocos estudios enfocados en adolescentes han utilizado dichas técnicas. La presente revisión sistemática utilizó los pasos sugeridos por el modelo Prisma para identificar estudios que aplicaron técnicas de Aprendizaje automático para identificar rasgos comportamentales en adolescentes. Al aplicar los criterios de inclusión y exclusión fueron identificados 5 estudios en las bases de datos PsycNET, PubMed, Scopus, Scielo, Web of Sciencey Science Direct. Los principales resultados muestran que los algoritmos de Machine Learning(ML)o Aprendizaje automático principalmente utilizados de forma individual o combinada fueron regresión logística (n=4) y Support Vector Machine(SVM)(n=3) además de otros como Adaboost(n=1), Random Forest(n=1), Artificial Neural Network(ANN)(n=1) y Extreme gradient boosting (XGB)(n=1). Esta revisión destacaque la utilización de métodos de aprendizaje automático provee de herramientas predictivas confiables tanto o más que los métodos estadísticos tradicionales. Por último, la presente revisión destaca la falta de estudios que utilicen dichas herramientas en el campo de la psicología principalmente en adolescentes.
During the last decade there has been an exponential growth of artificial intelligence models applied to the different fields of knowledge including psychology. Various studies have used these models in order to identify potential risks early. However, fewstudies focused on adolescents have used these techniques. This systematic review used the steps suggested by the Prisma model to identify studies that applied Machine Learning (ML)techniques to identify behavioral traits in adolescents. When applying the inclusion and exclusion criteria, 5 studies were identified in the PsycNET, PubMed, Scopus, Scielo, Web of Scienceand Science Direct databases. The main results show that the machine learning algorithms mainly used individually or in combination, were logistic regression(n = 4) and Support Vector Machine (SVM)(n = 3) in addition to others such as Adaboost(n = 1), Random Forest(n = 1), Artificial Neural Network (ANN)(n = 1), and Extreme gradient boosting (XGB)(n = 1). This review highlights that the use of machine learning methods providesreliable predictive tools as much or even more than the traditional statistical methods. Finally, the present review highlights the lack of studies using these tools in the field of psychology, mainly in adolescents.
