特色
机器学习是如何改变心理科学吗
- 人工智能和机器学习提供见解,将很快超越了科学家的观察能力,可能导致理解人类心理上的革命性突破。
- 机器学习技术已经使创新的方法来研究认知、个性、行为、学习、情感等等。
- 一些研究者半岛体育官方网址入口警告说,算法从数据源可能含有偏见和有缺陷的测量,影响他们的预测精度。
今天,我们可以训练计算机程序给我们方向,真空显示流媒体电影我们会享受,甚至我们的客厅。但是机器学习正成为远远超过方便的来源;它帮助科学家更好地理解我们的思想。
日益增长的使用大数据和人工智能(AI)生成开拓的发现和理论是关于人类认知,行为,人格和心理健康。这种先进的技术是超越极限的科学家的观察能力。
“未来十年将会发生什么,就像一个拥有更多的结果数据是,机器学习系统要能够拿出更多的见解比人类思考这些数据可以[产生],”汤姆·格里菲思普林斯顿大学心理学和计算机科学教授,在一次采访中说。
虽然有些心理科学家警告说,机器学习太胚胎产生不容置疑的结论,许多人认为这项技术革命道路捕捉人类心理的复杂性。
“人工智能可以提供创新的想法,可能对人类采取了相当长的时间,部分原因是它不受到限制可用的知识和偏见,”心理学家劳拉·k·巴特利特和她的同事们在伦敦经济学院的经济学和政治学写道文章发表在 心理科学观点 (Bartlett, et al ., 2022)。
仅在过去五年里,研究人员展示了使用机器学习研究意识、决半岛体育官方网址入口策、认知和行为。
小说从小说的数据源,应用程序
机器学习的研究也在迅速发展得益于庞大的计算能力的增加和21世纪的数据源,包括社交媒体、智能手机短信,众包等研究工具亚马逊的土耳其机器人(MTurk)。
“机器学习的效用与这些新数据类型是必需的,”罗斯Jacobucci,圣母大学定量心理学家,在一个采访中说。“分析的大部分小说来源收集的数据,你不能使用传统的统计模型。”
大规模数据集和先进技术的出现催生了大学的实验室专门关注使用机器学习。例如,卡内基梅隆大学BrainHub,一个跨学科的倡议,旨在发展新技术来衡量和分析大脑。的科罗拉多大学博尔德研究所的科学认知房屋的专家心理学、计算机科学、神经科学、语言学和其他学科,旨在现代化人类认知的研究。斯坦福大学的计算心理学实验室和幸福使用社交媒体数据和机器学习研究健康和心理问题。
格里菲斯,古根海姆博物馆研究员,普林斯顿的指导计算认知科学实验室,建立数学模型来理解人类认知的根源。他和芝加哥大学的合作者,史蒂文斯理工学院最近教一个人工智能算法模型人第一印象的人。
术语表
人工智能(AI)——计算机系统模拟人类学习能力,解决问题和其他认知功能使用数学和逻辑。
机器学习——人工智能的子集,使用数学模型根据经验来帮助电脑学习独立。
神经网络——计算机系统仿照人脑神经元的活性。
深度学习——机器学习应用程序解释大数据和识别模式。
研究小组问数千人,招募MTurk,给他们的第一印象的电脑脸的照片。在近11000人会议,参与者排名每见个人情报等品质,吸引力,诚信,宗教信仰,政治方向。反应训练半岛体育官方网址入口质量的研究人员使用一种人工神经网络处理信息的人工智能就像人类的大脑做出类似的快速判断的脸部照片。
他们学习算法的判断反映的许多参与者的印象。笑脸被视为更值得信赖,例如。戴眼镜的人被认为是更聪明(彼得森et al ., 2022)。
结果表明,人工智能可以帮助预测他人,包括潜在的雇主或浪漫的合作伙伴,将感知我们的基础上我们的面部特征和表情。
“算法没有提供有针对性的反馈或解释为什么一个给定的形象唤起特定的判断,”乔丹w .苏州,认知心理学家史蒂文斯理工学院,在一次新闻发布会上说。“但即便如此它可以帮助我们了解我们看到我们可以根据哪一个等级的一系列照片让你看起来最值得信赖的,例如,允许您选择如何展现自己。”
格里菲思和他的合作者也创建了算法来生成新的理论风险决策和规划(Peterson, et al ., 2021;卡拉威,et al ., 2022)。其他人使用机器学习在各种行为,人格、认知、和临床研究。
管理人员如计算哥伦比亚半岛体育官方网址入口大学心理学家桑德拉·c·Matz应用机器学习技术研究支出和人格特征之间的联系。在一个研究报告在 心理科学,马和他的同事们收集的数据来自近2200个同意用户的资金管理应用程序,导致二百万年支出从信用卡和银行交易记录。账户持有人也完成了人格调查,测量了唯物主义,自我控制,“五大”人格特征的开放经验,责任心,外向性、宜人性和神经质。
研究人员半岛体育官方网址入口支出数据组织到广泛的领域—包括超市,家具店,保险政策,在线商店和咖啡店。随机森林模型,然后使用机器学习技术,结合多个算法,分析参与者的相关支出是否跨类别表示特定的人格类型。
科学家们几个消费习惯和某些特征之间的关系,特别是唯物主义的狭隘的品质和自我控制。那些得分高的唯物主义,例如,花更多的珠宝和减少对慈善捐款(格拉德斯通et al ., 2019)。
机器学习技术也使创新的方法来研究跨文化情感。Daniel Oberfeld-Twistel心理Gutenberg大学的科学家,发明了一种算法,他和一个国际研究小组用于探索人们如何从世界不同地区将颜色与情绪和愤怒(例如,红色)。他们结合问卷反应与Oberfeld-Twistel对30个国家的4598个人的创造展示大量的类似的颜色/情感联系全球和那些因国家而异(Jonauskaite et al ., 2020)。
机器学习收益率也发现可以提供洞察人类学习和改善教育。卡耐基-半岛体育官方网址入口梅隆的研究人员罗伯特·梅森和马塞尔,例如,使用机器学习识别潜在的改善科学指导。他们招募了9所高等物理和工程的学生,让他们接受脑部扫描,他们研究了30概念包括重力、熵和速度。使用神经解码技术发达的卡内基梅隆大学,研究人员发现,每个概念引发自己的大脑活动模式。半岛体育官方网址入口结果,作者说,揭示大脑如何学习和发现抽象科学概念(梅森&,2016)。
认知心理学家西德尼·k·D 'Mello科罗拉多大学博尔德和他的同事们使用了一种机器学习算法研究涉及学生的眼球追踪数据;他们发现了眼动模式与阅读理解能力和心智游移(D 'Mello et al ., 2020;赫特et al ., 2017)。教育心理学家迈克尔·帆船和弗兰克费希尔的路德维希马克西米利安慕尼黑大学已经利用人工神经网络来提供反馈,帮助教师更好地识别学生难语症和其他学习障碍(帆船et al ., 2022)。
相关内容我们认为你会喜欢>
预测的痛苦
心理科学家们越来越多地转向人工智能识别和预测心理健康问题在庞大的人口。APS詹姆斯·麦肯卡特尔的爱丁堡大学的Ian亲爱的和他的同事们展示了使用机器学习来解析特定的心理和人口特征,影响心理健康。亲爱的,处理心理科学家把Altschul和马修·Iveson训练算法研究代际差异孤独。利用纵向数据集,他们测量了4000多个人的心理和社会人口特征在两个年龄组:45 - 69和70岁以上的老人。通过训练一个算法来识别最重要的预测因子,孤独,他们发现了一些风险因素。这些影响包括情绪稳定性低,单独living-especially最古老的男人(Altschul et al ., 2021)。
约翰内斯·c·Eichstaedt计算心理学和幸福在斯坦福大学实验室的主任,机器学习与美国人口普查,轮询,和社交媒体数据来研究各种各样的健康和行为问题。他和他的同事证明算法可以帮助预测抑郁、孤独,甚至心脏病(Eischsteadt et al ., 2016年,2018年)。
同理,耶鲁大学心理学家斯宾塞和APS受奖者阿Baskin-Sommers和同事培训筛选纵向数据的机器学习模型预测从9 - 10岁的孩子品行障碍的发展(陈等人,2022)。Paola Pedrelli,哈佛医学院的心理学助理教授,一直在与麻省理工学院的教授罗莎琳德·皮卡德开发算法,可以帮助诊断和监测症状在患者接受治疗重度抑郁症(金&总值,2022)。在佛蒙特大学的临床心理学家艾伦·麦金尼斯领导的一个研究中,使用了一个算法来检测儿童抑郁和焦虑的迹象的演讲模式(麦金尼斯et al ., 2019)。
但从临床研究发现使用人工智能产生了一些疑虑。半岛体育官方网址入口研究人员警告说,机器学习模型分析心理变量,首先测量可能是不佳。数据集可能包含非代表性样本或测量误差算法吸收和使用他们生产预测。
“事实上,我们使用更强大的机器学习方法并不否定垃圾在垃圾这个词,“Jacobucci和亚利桑那州立大学的凯文·j·格林写的 条心理科学观点 (Jacobucci &格林,2020)。Jacobucci尤其引发了担忧使用人工智能预测的研究自杀风险。各种各样的研究展示了机器学习技术,国旗在大型数据集的自杀想法和行为指标(沃尔什et al ., 2017年,里贝罗et al ., 2019)。但Jacobucci自己的研究表明,机器学习方法并不比传统措施更好地预测自杀行为(Jacobucci et al ., 2021)。
上级”我会说的承诺机器学习与传统数据类型在心理学已经有些未满足的,”他在一次采访中说。“我认为很多关于自杀的文件发现轻微的机器学习在线性模型的好处。但从可操作的角度来看,我真的不知道这是添加。”
机器学习的研究也可能受到所谓的算法的偏见。模型学习的数据集可能包含同质样本或隐式假设的科学家们在第一时间收集数据。APS的罗伯特·戈德斯通,印第安纳大学认知心理学家,中写道心理科学当前的方向,人工智能是“不受社会的偏见,创建“ (戈德斯通,2022)
例如,机器学习模型可以训练只在数据涉及白人个体,并预测模型产生不能推广到其他种族,心理学家路易斯·泰(普渡大学)和他的同事写道一篇文章心理科学的方法和实践的进步。
茶和他的合作者分享了一些技术,心理学家可以用来减轻机器学习偏差,确保一个训练有素的机器学习模型等功能同样感兴趣的在不同的子组(泰et al ., 2022)。
“黑盒”
心理学家其他机器学习技术的担忧是所谓的“黑盒”结果他们生产;算法可以预测的结果但不提供因果或说明传统方法生成的信息。半岛体育官方网址入口格里菲斯等研究人员正在开发可翻译的机器学习模型(Agrawal et al ., 2020)。但是定量心理学研究者Tal Yarkoni雅各德克萨斯大学奥斯半岛体育官方网址入口汀分校的威斯特法说,研究项目可能更加丰硕的通过专注于机器学习的预测能力和治疗解释作为次要目标。他们指出模型作为解释的行为在一个最初的样本摇摇欲坠与后续的样品复制。
“我们认为心理学的几乎完全集中在解释行为的原因导致的字段被填充的研究项目,提供复杂的心理机制的理论,但这几乎没有(或未知)能力与任何明显的准确性预测未来的行为,“Yarkoni和威斯特法中写道文章对 心理科学观点。 “我们建议从机器学习领域的原则和技术可以帮助心理学成为一个更加预测科学”(Yarkoni &威斯特法,2017)。
除了预测、机器学习和大数据将使社会科学家图新领域探索的心理现象。
“事实是,人类行为是非常复杂的,”格里菲思说,“我们得到的更多的数据,我们可以确定系统的变量影响的复杂性。”
反馈这篇文章?电子邮件apsbdapp官网下载observer@psychologicalscience.org或登录置评。对写作感兴趣吗?阅读我们的贡献者的指导方针。
Agrawal, M。,Peterson, J.C., & Griffiths, T.L. (2020). Scaling up psychology via scientific regret minimization.美国国家科学院院刊》上,美国,117年(16), 8825 - 8835。https://doi.org/10.1073/pnas.1915841117
Altschul D。Iveson, M。,& Deary, I.J. (2021). Generational differences in loneliness and its
心理和社会人口预测:一个探索性和验证性
机器学习的研究。心理医学,51,991 - 1000。https://doi.org/10.1017/S0033291719003933
巴特利特,l·K。Pirrone,。Javed, N。,& Gobet, F. (2022). Computational scientific discovery in psychology. 心理科学观点。https://doi.org/10.1177/17456916221091833
卡拉威,F。,van Opheusden, B., Gul, S., Das, P., Krueger, P.M., Griffiths, T.L., & Lieder F. (2022). Rational use of cognitive resources in human planning.自然的人类行为,6,1112 - 1125。https://doi.org/10.1038/s41562 - 022 - 01332 - 8
Chan L。,Simmons, C., Tillem, S., Conley, M., Brazil, I.A., & Baskin-Sommers, A. (2022). Classifying conduct disorder using a biopsychosocial model and machine learning methods.生物精神病学:认知神经科学和神经影像。https://doi.org/10.1016/j.bpsc.2022.02.004
D 'Mello”栏目,Southwell, R., & Gregg, J. (2020). Machine-learned computational models can enhance the study of text and discourse: A case study using eye tracking to model reading comprehension.话语过程,57(5 - 6),420 - 440。https://doi.org/10.1080/0163853X.2020.1739600
Eichstaedt, j . C。施瓦兹,h·A。克恩,m . L。、公园、G。,Labarthe, D. R., Merchant, R. M., Jha, S., Agrawal, M., Dziurzynski, L. A., Sap, M., Weeg, C., Larson, E. E., Ungar, L. H., & Seligman, M. E. P. (2015). Psychological language on Twitter predicts county-level heart disease mortality. 心理科学, 26 (2),159 - 169https://doi.org/10.1177/0956797614557867
Eichstaedt, j . C。史密斯,r . J。,Merchant, R. M., & Schwartz, H. A. (2018). Facebook language predicts depression in medical records.美国国家科学院院刊》上,美国,115年(44), 11203 - 11208。https://doi.org/10.1073/pnas.1802331115
格莱斯顿,J·J。马,s . C。,& Lemaire, A. (2019). Can psychological traits be inferred from spending? Evidence from transactional data.心理科学,30.(7),1087 - 1096。https://doi.org/10.1177/0956797619849435
黄金,a .总值& d (2022)。部署机器学习来改善精神健康。麻省理工学院的新闻。https://news.mit.edu/2022/deploying -机-学习-改进-心理-健康-罗莎琳德-皮卡德- 0126
戈德斯通,r . l . (2022)。性能、幸福、动机、和身份的时代丰富的数据:介绍“有效度量生活”特殊的问题心理科学当前的方向。 心理科学当前的方向, 31日(1)3-11 https://doi.org/10.1177/09637214211053834
赫特,S。,Mills, C., Bosch, N., Krasich, K., Brockmole, J., & D’Mello, S. (2017). “Out of the fr-eye-ing plan”: Towards gaze-based models of attention during learning with technology in the classroom.诉讼的25th会议用户建模、适应和个性化,94 - 103。https://doi.org/10.1145/3079628.3079669
Jacobucci, R。,& Grimm, K. J. (2020). Machine learning and psychological research: The unexplored effect of measurement. 心理科学观点, 15 (3),809 - 816https://doi.org/10.1177/1745691620902467
Jacobucci, R。,Littlefield, A. K., Millner, A. J., Kleiman, E. M., & Steinley, D. (2021). Evidence of inflated prediction performance: A commentary on machine learning and suicide research.临床心理科学,9(1),129 - 134。https://doi.org/10.1177/2167702620954216
Jonauskaite D。Abu-Akel,。Dael, N。,Oberfeld, D., Abdel-Khalek, A. M., Al-Rasheed, A. S., Antonietti, J.-P., Bogushevskaya, V., Chamseddine, A., Chkonia, E., Corona, V., Fonseca-Pedrero, E., Griber, Y. A., Grimshaw, G., Hasan, A. A., Havelka, J., Hirnstein, M., Karlsson, B. S. A., Laurent, E., … Mohr, C. (2020). Universal patterns in color–emotion associations are further shaped by linguistic and geographic proximity. 心理科学, 31日 (10),1245 - 1260https://doi.org/10.1177/0956797620948810
梅森,r。,& Just, M. A. (2016). Neural representations of physics concepts. 心理科学, 27 (6),904 - 913https://doi.org/10.1177/0956797616641941
麦金尼斯,e·W。,Anderau, S. P., Hruschak, J., Gurchiek, R. D., Lopez-Duran, N. L., Fitzgerald, K., Rosenblum, K. L., Muzik, M., & McGinnis, R. (2019). Giving voice to vulnerable children: Machine learning analysis of speech detects anxiety and depressions in early childhood.IEEE生物医学和卫生信息学杂志》上,23(6),2294 - 2301。https://doi.org/10.1109/JBHI.2019.2913590
彼得森,j . C。,Bourgin, D. D., Agrawal, M., Reichman, D., & Griffiths, T. L. (2021). Using large-scale experiments and machine learning to discover theories of human decision-making.科学,372,1209 - 1214。https://doi.org/10.1126/science.abe2629
彼得森,j . C。、Uddenberg年代。,Griffiths, T. L., Todorov, A., & Suchow, J. W. (2022). Deep models of superficial face judgments.美国国家科学院院刊》上,美国,119年(17),e2115228119条。https://doi.org/10.1073/pnas.2115228119
里贝罗j . D。,黄X。,Fox K. R., Walsh C. G., & Linthicum K. P. (2019). Predicting imminent suicidal thoughts and nonfatal attempts: The role of complexity. 临床心理科学,941 - 957。https://doi.org/10.1177/216770261983846
帆船,M。,Bauer, E., Hofmann, R., Kiesewetter, J., Glas, J., Gurevych, I., & Fischer, F. (2022). Adaptive feedback from artificial neural networks facilitates pre-service teachers’ diagnostic reasoning in simulation-based learning。 学习和教学,83年。https://doi.org/10.1016/j.learninstruc.2022.101620
茶,L。,Woo S.E, Hickman, L., Booth B.M., & D’Mello S. (2022). A conceptual framework for Investigating and mitigating machine-learning measurement bias (MLMB) in psychological assessment. 心理科学方法和实践的进步,5(1),https://doi.org/10.1177 / 25152459211061337
沃尔什,c·G。,Ribeiro, J. D., & Franklin, J. C. (2017). Predicting risk of suicide attempts over time through machine learning. 临床心理科学, 5 (3),457 - 469https://doi.org/10.1177/2167702617691560
Yarkoni, T。,& Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from machine learning. 心理科学观点, 12 (6),1100 - 1122https://doi.org/10.1177/1745691617693393
APS定期打开特定的在线文章讨论在我们的网站上。有效的2021年2月,你必须登录APS成员发表评论。通过发布评论,你同意我们社区指导原则和显示您的个人信息,包括你的名字和联系。任何意见、发现、结论或建议在文章评论的作家和不一定反映APS的观点或文章的作者。有关更多信息,请参阅我们的社区指导原则。
请登录你的APS账户置评。