Técnicas de Machine Learning utilizadas en estudios psicológicos con adolescentes: Una revisión sistemática

Resumen

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 Machine Learning 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 Science y Science Direct. Los principales resultados muestran que los algoritmos de Machine learning 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) Nested ten-fold crossvalidation (n=1), Random Forest (n=1), Artificial Neural Network ANN (n=1)  y Extreme gradient boosting XGB (n=1). Esta revisión resalta que la utilización de métodos de Machine learning proveen 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.