Bajo el nombre Science Spotlight, la Asociación Americana de Psicología (APA-American Psychological Association) cuenta con un nuevo recurso en su página Web, a través del cual recoge toda la actualidad e información más relevante y actual, relacionadas con la ciencia psicológica. En este apartado, la APA recoge todos los recursos de vanguardia que pueden ayudar a los y las profesionales con su investigación, convocatorias abiertas para artículos, subvenciones, así como las acciones que está llevando a cabo la Asociación para promover la ciencia y cómo participar en ellas. A este respecto, ha anunciado recientemente una serie de sesiones gratuitas de formación científica (Free Science Training Sessions), enfocadas a la integración de nuevas herramientas y técnicas para apoyar la investigación psicológica de vanguardia. |  | Fuente: rawpixel.com Fuente: pexels Fecha descarga: 01/03/2023 |
|
|
Estas sesiones de formación científica gratuitas serán impartidas de modo online por expertos en el campo durante los meses de marzo y abril, abordando los siguientes aspectos: El término datos agrupados (clustered data) describe el muestreo de resultados de múltiples individuos y múltiples grupos (p. ej., hermanos en las familias, estudiantes en las escuelas, clientes en la consulta del/de la terapeuta), en los que los grupos se denominan agrupaciones. Los modelos multinivel (también conocidos como modelos lineales jerárquicos o modelos de efectos mixtos) brindan la oportunidad de examinar las relaciones entre variables en los niveles de análisis individual y de grupo simultáneamente, así como sus posibles interacciones. Partiendo de un marco de regresión múltiple tradicional (de un solo nivel), en este primer curso formativo se presentan modelos multinivel para datos agrupados y se describe cómo interpretar los efectos de los predictores de niveles de agrupación. También se ofrecen recursos sobre cómo se pueden estimar los modelos para los ejemplos descritos, mediante los programas SPSS, SAS, Stata, R y Mplus.
En este segundo curso de formación se continúa describiendo el modo de especificar correctamente los efectos de los predictores de nivel individual en modelos multinivel para datos agrupados. Es decir, aunque los modelos multinivel proporcionan una forma flexible de examinar los predictores en cualquier nivel de muestreo, solo se pueden sacar conclusiones correctas para los predictores de nivel individual cuando se aborda adecuadamente su variación a nivel de conglomerado en el modelo de análisis. A lo largo de esta sesión, se abordarán especificaciones alternativas de pendientes fijas y aleatorias de predictores de nivel individual (y sus interacciones con predictores de nivel de agrupación) utilizando tres enfoques: centrado al promedio del grupo, centrado a la gran media o promedio general y centrado latente. Asimismo, se aborda la sintaxis y el resultado correspondientes para los modelos que utilizan SPSS, SAS, Stata, R y Mplus.
El uso de datos de series temporales en Psicología está en aumento. Los ejemplos incluyen la fMRI, evaluaciones ecológicas momentáneas (p. ej., diarios), datos de teléfonos inteligentes (p. ej., uso de aplicaciones, textos, geoseguimiento) y otras formas de datos recopilados pasivamente (p. ej., actigrafías, frecuencia cardíaca). Esta formación se enfoca en el GIMME, un método para el descubrimiento y estimación de modelos de redes. GIMME es un algoritmo desarrollado para solucionar problemas específicos de los datos de series temporales que a menudo se recopilan en las ciencias psicológicas. Los resultados de GIMME proporcionan patrones de relaciones específicos de la persona, así como a nivel muestral. Después de una breve introducción a las motivaciones y usos del algoritmo, este curso aborda los detalles matemáticos y técnicos del algoritmo, brindando ejemplos de datos y código R para realizar un análisis estándar, así como extensiones que incluyen la clasificación no supervisada de individuos, el uso de variables latentes, opciones para eliminar tendencias de datos, etc.
El análisis cuantitativo tradicional emplea una amplia gama de técnicas estadísticas y matemáticas para evaluar los datos obtenidos de sondeos, encuestas y otras formas de datos experimentales. La inteligencia artificial (IA), el aprendizaje automático y otras metodologías de ciencia de datos ofrecen una nueva oportunidad para procesar y analizar datos en formato libre, que pueden ser difíciles de integrar en los análisis convencionales. Con los avances recientes en el aprendizaje profundo, el potencial para incorporar otras modalidades de información, como datos de audio e imágenes, amplía el abanico de datos que se pueden analizar. En esta formación, se introducirán técnicas de IA y ciencia de datos para el procesamiento de datos no estructurados, y se analizarán las consideraciones éticas que acompañan a la implementación de estos modelos de vanguardia.
Los fundamentos teóricos y computacionales de los análisis modernos de datos perdidos se desarrollaron en las décadas de 1970 y 1980, y los enfoques modernos, como la máxima verosimilitud de información completa y la imputación múltiple, han sido los pilares del software durante más de dos décadas. Mucho ha cambiado en los últimos 20 años, ya que las metodologías de datos perdidos han ido evolucionando y mejorando de forma continua; la gama de aplicaciones posibles gracias a las modernas técnicas de datos perdidos ha aumentado drásticamente y las opciones de software se encuentran años luz por delante de donde estaban. Este curso brinda a los asistentes una descripción general de alto nivel de las metodologías populares de datos faltantes, como la máxima verosimilitud, la estimación bayesiana y la imputación múltiple, y describe cómo han evolucionado estos métodos en los últimos años.
Junto a estos cursos formativos, la APA brinda también la oportunidad de acceder a otras sesiones de formación ya realizadas, dedicadas a la recopilación y el análisis de datos longitudinales intensivos en la ciencia psicológica. Toda la información disponible se encuentra aquí: Science Spotlight |
