Машинное обучение в поведенческих науках

Поведенческие науки исследуют когнитивные процессы внутри организмов и поведенческие взаимодействия между организмами в естественном мире.

Это звучит интересно - научить машину помогать нам в понимании когнитивного процесса человека. Что буквально означает обучение машины познанию, запоминанию, оценке и решению проблем, связанных с человеческим мышлением, знанием, запоминанием, суждением и способностями решать проблемы.

Изучая области, в которых можно применить машинное обучение, я наткнулся на очень интересную область - поведенческие науки.

Есть много областей, в которых мы применяем методы машинного обучения для более эффективного понимания и решения проблем. Но применение его к себе, чтобы лучше понять, как функционирует человеческий мозг, как он будет реагировать на какой-то сценарий, очень поможет нам, когда мы столкнемся с какой-либо панической ситуацией.

Использование машинного обучения в психометрии привлекло внимание средств массовой информации после дела Cambridge Analytica, которое доминировало в заголовках новостей по всему миру после избрания президента Трампа. Первоначально ученые из Психометрического центра Кембриджского университета Соединенного Королевства собрали огромное количество данных из социальных сетей (о более чем 50 000 участников), чтобы предсказать личность владельцев профилей Facebook на основе их поведения в Facebook. В результате этого исследования появилась очень влиятельная публикация, в которой авторы показали, как поведение на основе FB (например, лайки) можно использовать для определения личных качеств с высокой точностью (демократы против республиканцев, AUC = 0,88).

Эксперименты в психологической науке традиционно анализируются с помощью инструментов статистического вывода. Однако недавние споры об уровне воспроизводимости таких аналитических инструментов в поведенческих исследованиях вызвали интерес к разработке более эффективных методов анализа результатов психологических экспериментов. Машинное обучение разработало методы, которые могут контролировать по крайней мере некоторые формы воспроизводимости, тиражирование результатов с такой же точностью, что и новые невидимые данные.

Лучшее воспроизведение результатов с помощью машинного обучения

Недавний упор на отсутствие воспроизводимости в поведенческих экспериментах известен под термином кризис воспроизводимости. Одним из источников потенциальной проблемы является использование выводимой статистики и неправильное понимание значений p.

Перекрестная проверка обычно является очень хорошей процедурой для измерения того, насколько хорошо результат может быть воспроизведен. Поскольку перекрестная проверка состоит из оценки моделей на оставшемся наборе экспериментальных примеров, этот набор не отличается от примеров, используемых для разработки моделей. Хотя перекрестная проверка не предотвращает переобучения модели, она все же оценивает истинную производительность.

Статистические выводы и результаты машинного обучения

В машинном обучении используются оценочные метрики, в основном относящиеся к точности классификации, такие как точность, площадь под кривой (AUC) и т. Д. Статистические метрики, напротив, различны и больше связаны с выводом (p -значениями) и сосредоточение внимания на сообщении размеров эффекта (например, d Коэна и т. д.).

Заключение

Модели машинного обучения, используемые для когнитивного теоретизирования, редко использовались при анализе психологических экспериментов и при разработке психометрических тестов. Заметным исключением является классификация изображений мозга (как функциональных, так и структурных).

Ниже приведены некоторые преимущества использования методов машинного обучения в экспериментах по поведенческой науке.

  1. Воспроизведение результатов с невидимыми данными оценивается скорее реалистично, чем оптимистично.
  2. N-кратная перекрестная проверка гарантирует воспроизводимые результаты также для небольших наборов данных (например, n = 40), что типично для психологических экспериментов.
  3. Приводятся практические и четко понятные показатели, а не косвенные показатели.

использованная литература

  • Машинное обучение в психометрии и психологических исследованиях Грациэллы Орру, Мерилин Монаро, Анджело Джеминьяни.
  • Подходы машинного обучения к клинической психологии и психиатрии, авторы Доминик Б. Двайер, Питер Фалкаи и Николаос Кутсулерис.