Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Pendidikan

Open AccessOA2022

Penerapan machine learning pada ilmu perilaku: fokus pada data kategorik

Artikel perspektif ini menelaah terbatasnya penggunaan machine learning pada data perilaku kategorik non-pencitraan dan mendorong penerapannya secara lebih luas untuk melengkapi model berbasis inferensi tradisional.
Pegah Dehghan; Hany Alashwal; Ahmed A. Moustafaยท Discover Psychologyยท 2022ยท DOI 10.1007/s44202-022-00027-5

Masalah inti

Dalam dua dekade terakhir, kemajuan dalam AI dan ilmu data telah menarik perhatian peneliti terhadap machine learning. Minat yang tumbuh dalam menerapkan algoritma machine learning dapat diamati di berbagai bidang ilmiah, termasuk ilmu perilaku. Namun, sebagian besar penelitian di bidang ini menerapkan algoritma machine learning pada data pencitraan dan fisiologis seperti EEG dan fMRI, dan studi perilaku non-pencitraan serta non-fisiologis yang menggunakan machine learning untuk menganalisis datanya relatif terbatas. Oleh karena itu, dalam artikel perspektif ini, penulis bertujuan untuk (1) memberikan pemahaman umum tentang model yang dibangun untuk inferensi, model yang dibangun untuk prediksi (yaitu machine learning), metode yang digunakan dalam model-model tersebut, serta kekuatan dan keterbatasannya; (2) menyelidiki penerapan machine learning pada data kategorik di ilmu perilaku; dan (3) menyoroti kegunaan penerapan algoritma machine learning pada data non-pencitraan dan non-fisiologis (misalnya data klinis dan kategorik) serta memberikan bukti untuk mendorong peneliti melakukan studi machine learning lebih lanjut di ilmu perilaku dan klinis.

Inovasi

Sebagai artikel perspektif, metodologi ini melibatkan tinjauan konseptual dan sintesis literatur, bukan pengumpulan data empiris. Penulis membandingkan dan mengontraskan model inferensial dan model prediktif (machine learning), membahas metode, kekuatan, dan keterbatasan masing-masing. Mereka kemudian meninjau penerapan machine learning pada data kategorik di ilmu perilaku, dengan fokus pada data non-pencitraan dan non-fisiologis. Artikel ini tidak menyajikan data eksperimen baru; sebaliknya, artikel ini membangun argumen berdasarkan penelitian yang ada untuk mendorong studi machine learning lebih lanjut di ilmu perilaku dan klinis.
Pendahuluan
Dalam dua dekade terakhir, kemajuan dalam AI dan ilmu data telah menarik perhatian peneliti terhadap machine learning. Minat yang tumbuh dalam menerapkan algoritma machine learning dapat diamati di berbagai bidang ilmiah, termasuk ilmu perilaku. Namun, sebagian besar penelitian di bidang ini menerapkan algoritma machine learning pada data pencitraan dan fisiologis seperti EEG dan fMRI, dan studi perilaku non-pencitraan serta non-fisiologis yang menggunakan machine learning untuk menganalisis datanya relatif terbatas. Oleh karena itu, dalam artikel perspektif ini, penulis bertujuan untuk (1) memberikan pemahaman umum tentang model yang dibangun untuk inferensi, model yang dibangun untuk prediksi (yaitu machine learning), metode yang digunakan dalam model-model tersebut, serta kekuatan dan keterbatasannya; (2) menyelidiki penerapan machine learning pada data kategorik di ilmu perilaku; dan (3) menyoroti kegunaan penerapan algoritma machine learning pada data non-pencitraan dan non-fisiologis (misalnya data klinis dan kategorik) serta memberikan bukti untuk mendorong peneliti melakukan studi machine learning lebih lanjut di ilmu perilaku dan klinis.

Mengapa penting

Penulis membahas kekuatan dan keterbatasan model berbasis inferensi versus model berbasis prediksi (machine learning). Model inferensi berfokus pada penjelasan hubungan dan pengujian hipotesis, sedangkan model machine learning mengutamakan akurasi prediktif dan dapat menangani data kompleks berdimensi tinggi. Artikel ini berargumen bahwa machine learning dapat melengkapi metode tradisional di ilmu perilaku, terutama untuk data kategorik, dengan mengungkap pola dan meningkatkan prediksi. Namun, tantangan seperti interpretabilitas, overfitting, dan kualitas data juga dicatat. Penulis menyimpulkan dengan mendorong peneliti menerapkan machine learning pada data non-pencitraan dan non-fisiologis untuk memajukan penelitian perilaku dan klinis.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ