🎓Programa

Dia 1

  • Psicometría

    • Cómo validar la medición de constructos psicológicos

    • Debates sobre nosología y clasificación de trastornos psicológicos

    • Network analysis

    • Nuevas direcciones en psicometría

  • Breve introducción a la estadística y machine learning: asociación vs. predicción

  • Breve introducción al procesamiento de lenguaje natural (NLP)

Dia 2

  • IA generativa

    • Arquitecturas y entrenamiento

    • Uso de los modelos open-source y propietarios

    • Nuevas direcciones en IA generativa

  • Yendo más allá de la evaluación estándar en machine learning

    • Psicometría textual (text psychometrics): problemas especiales con la medición de constructos psicológicos en texto

    • Consideraciones con la predicción de fenómenos de baja frecuencia (e.g., riesgo suicida)

    • Análisis de costo-beneficio de un modelo para intervenciones de salud

  • Interpretabilidad algorítmica para machine learning

    • Cómo obtener explicaciones de qué variables o palabras influyen una predicción

    • Condiciones en las que fallan estos métodos

    • Cómo detectar sesgos algoritmos y cómo mitigar los sesgos

Dia 3

  • Breve introducción a la inferencia causal

  • Machine learning causal: inferencia causal automatizada dado un modelo gráfico causal

  • Descubrimiento de gráficos causales automáticamente desde datos observacionales

  • Efectos causales individuales en casos únicos

Dia 4

  • Procesamiento acústico de la voz y el habla para la salud digital.

    • Producción del habla

    • Patrones de la voz y el habla en salud mental y neurología

    • Transcripciones automáticas y gratuitas.

    • Procesamiento digital de señales acústicas

    • Deep learning con grabaciones de audio

  • Datos longitudinales en modelos asociativos, predictivos y causales

Forma de evaluación

Certificado de asistencia para quienes asistan al menos al 75% de las clases.

Bibliografía

Psicometría

  • Fried, E. I., Flake, J. K., & Robinaugh, D. J. (2022). Revisiting the theoretical and methodological foundations of depression measurement. Nature Reviews Psychology, 1-11.

  • Mair, P. (2018). Modern psychometrics with R. Cham: Springer International Publishing.

  • Eaton, N. R., Bringmann, L. F., Elmer, T., Fried, E. I., Forbes, M. K., Greene, A. L., … & Waszczuk, M. A. (2023). A review of approaches and models in psychopathology conceptualization research. Nature Reviews Psychology, 2(10), 622-636.

  • Markus, K. A., & Borsboom, D. (2013). Frontiers of test validity theory: Measurement, causation, and meaning. Routledge.

Machine learning, deep learning e interpretabilidad algorítmica

  • Yarkoni, T., & Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from Machine Learning. Perspectives on Psychological Science, 12, 1100-1122

  • Raschka, S. (2018). Model evaluation, model selection, and algorithm selection in machine learning. arXiv preprint arXiv:1811.12808.

  • Varoquaux, G., & Colliot, O. (2023). Evaluating machine learning models and their diagnostic value. Machine learning for brain disorders, 601-630.

  • Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342 https://d2l.ai/

  • Molnar, C. (2020). Interpretable machine learning. Lulu. com.

  • Low, D. M., Rao, V., Randolph, G., Song, P. C., & Ghosh, S. S. (2024). Identifying bias in models that detect vocal fold paralysis from audio recordings using explainable machine learning and clinician ratings. PLOS Digital Health, 3(5), e0000516.

  • Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. Packt Publishing Ltd.

Procesamiento del lenguaje natural e IA generativo

  • Lane, H., Howard, C., & Hapke, H. M. (2019). Natural Language Processing in Action: Understanding, Analyzing, and Generating Text in Python. Manning.

  • The Hugging Face Course (2022). https://huggingface.co/course.

  • Raschka, S. (2024). Build a Large Language Model (From Scratch). Manning.

  • Low DM, Nock MK, Ghosh, SS. (in prep). Text psychometrics: assessing psychological constructs in text using natural language processing.

  • Low DM, Rankin O, Bentley KH, Nock MK Ghosh SS. (in prep). Using generative AI to create lexicons for interpretable text models with high content validity.

Inferencia causal

  • Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/

  • Neal, B. (2020). Introduction to causal inference. https://www.bradyneal.com/causal-inference-course

  • Briganti, G., Scutari, M., & McNally, R. J. (2023). A tutorial on bayesian networks for psychopathology researchers. Psychological methods, 28(4), 947.

  • Scutari, M., & Denis, J. B. (2021). Bayesian networks: with examples in R. Chapman and Hall/CRC.

  • Lobo, M. A., Moeyaert, M., Cunha, A. B., & Babik, I. (2017). Single-case design, analysis, and quality assessment for intervention research. Journal of neurologic physical therapy, 41(3), 187-197.

Procesamiento de voz y habla para salud digital

  • Low, D. M., Bentley, K. H., & Ghosh, S. S. (2020). Automated assessment of psychiatric disorders using speech: A systematic review. Laryngoscope investigative otolaryngology, 5(1), 96-116.

  • Ramanarayanan, V., Lammert, A. C., Rowe, H. P., Quatieri, T. F., & Green, J. R. (2022). Speech as a biomarker: opportunities, interpretability, and challenges. Perspectives of the ASHA Special Interest Groups, 7(1), 276-283.

  • Quatieri, T. F. (2006). Discrete-time speech signal processing: principles and practice. Pearson Education India.