Prediksjon og maskinlæring

Question 1

Prediksjon

Answer 1

Forsøke å si noe om fremtiden.

Question 2

Klinsik/ekspert prediksjon

Answer 2

Baserer seg på klinikers erfaringer og ekspertise. Ingen regler for hvordan man kombinerer informasjon. To eksperter kan komme fram til ulik prediksjon. Vekting av informasjon er av viktighet.
- Ikke ofte replikerbar

Question 3

Statistisk/mekanisk prediksjon

Answer 3

Benytter seg av statistiske formler og tabeller, som integrerer og vektlegger informasjonen på en bestemt måte. Kommer fram til samme prediksjon 100% replikerbar.

Question 4

Hvilken prediksjon er best?

Answer 4

• Metastudier: ca likt, eller statistisk prediksjon bedre (Grove & Meehl: 64 SP, 8 KP, 64 likt)
• SP = 10% mer accurate
• Studier med likt resultat = statistisk prediksjon > pga billigere
• Nesten ingen foretrekker klinisk

Question 5

Hvorfor brukes ikke statistisk prediksjon til tross for at den er best?

Answer 5

• Redsel for å miste jobbene sine til maskiner
• Selv-konseptet til klinker
• Tilknytningsteori
• Misforståelsen om at statistisk prediksjon er dehumaniserende ovenfor pasient
• Liker ikke at maskiner kan konkurrere med mennesker
• Ikke adekvat informasjon

Question 6

Hvorfor er statistisk prediksjon bedre enn klinisk?

Answer 6

• Menneskehjernen kan ikke erstatte statistiske formler.
• Goldberg paradokset
  We use precise instruments when needed ex. For eyes or ears
• Klinikere har ikke den tilstrekkelige teorien og tilgjengeligheten på instrumenter som kan måle sannsynlighet/prediksjon
• SP vektlegger faktorene på en konsekvent og objektiv måte.
• SP blir ikke påvirket av sosialt press (ops! implsitt bias hos skaperen = følgefeil)

Question 7

Goldberg paradokset

Answer 7

Formeler og regresjonsvekter som blir skapt av klinikeren, predikerer bedre enn klinikeren som lagde dem, fordi klinikeren ikke vektlegger faktorene på en konsekvent måte.

Question 8

Sensitivitet

Answer 8

Sannsynligheten for at en syk person får positivt testresultat

Question 9

Spesifisitet

Answer 9

Sannsynligheten for at en frisk person får riktig svar (negativ test)
- Bør brukes ved generell befolkning

Question 10

Positiv prediktiv verdi

Answer 10

Sannsynligheten for at en person som fikk positivt resultat faktisk er syk.
Høy PPV = få falske positive
Lav PPV = mange falske positive

Question 11

Negativ prediktiv verdi

Answer 11

Sannsynligheten for at en person som fikk negativt resultat faktisk er friskt.
Høy NPV = de som får neg, er mest sannsynlig friske
Lav NPV = mange falske negative (risiko for at de er syke)

Question 12

Prevalens

Answer 12

Hvor mange individer i en bestemt gruppe som har en gitt tilstand eller sykdom, gjerne på et gitt tidspunkt.
- Stor påvirkning på prediktive verdier

Lav prevalens = Lav PPV (øker mengden falske positive), men høy NPV (de som fikk neg er mest sannsynlig ikke syke)

Høy prevalens = Lav NPV (øker mengden falske negative), men høy PPV (de som får pos, har mest sannsynlig sykdommen)

Question 13

Maskinlæringstilnærming i personlighet

Answer 13

Forsøker å identifisere empiriske assosiasjoner mellom digital data og personlighetstrekk innen et utvalg.

Question 14

Maskinlæring

Answer 14

Studie og konstrueringen av algoritmer, som kan lære fra datasett, og predikere deretter, uten å være programmert for å utføre spesifikke oppgaver.

Question 15

Big data

Answer 15

Bruker maskinlæring til å identifisere mønstre, signaler, og adresserer spm som er vanskelige å besvare med mindre datasett.

Question 16

User-footprint matrix

Answer 16

Assosierer hvert individ til et antall digitale footprints.

Question 17

K-fold variation

Answer 17

Flere runder (k) av kryss-validering ved bruk av subdeler av et datasett. k=10 like store subdeler.

Question 18

Prediksjonsmodeller i maskinlæring

Answer 18

Predikerer individuelle forskjeller ibrukers perosnlighetstrekk, basert på digitale “records” i User-footprint matrisen.

Question 19

Prediction accuracy

Answer 19

Korrelasjonen mellom skåren på en personlighetstest og de predikerte verdiene på tvers av brukere.

Question 20

Machine Learning research on Personality Assessment (MLPA)

Answer 20

Bruk av maskinlæring til å predikere selvrapporterte og peer-rapporterte personlighetstrekk, basert på digitalefotavtrykk.
MLPA:
1. Datainnsamling
2. Data extraction (utdrag)
3. Prediksjon av personlighetstest

Question 21

Substantive validity

Answer 21

Til hvilken grad testleddene samsvarer med de teoretiske aspektene, konstruktet er ment å måle.
- Innholdsvaliditet (content validity)

Question 22

Strucutral validity

Answer 22

Omhandler de interne karakteristikkene ved en test.
- Reliability
- Generalizability
- Factorial validity

Question 23

External validity

Answer 23

Omhandler de eksterne karakteristikkene ved en test
- Convergent validity
- Discriminant validity
- Criterion validity
- Incremental validity

Question 24

The construct validation approach

Answer 24

• Testutvikling og teoriutvikling er intergrert, å utvikle tester, forbedrer teori.
  “Bevis” på construct validity:
  1. Substansive validity
  2. Structural validity
  3. External validity

Question 25

Discriminant validity

Answer 25

I hvilken grad en test ikke er relatert til andre tester som måler andre konstrukter.