Первая статья посвящена интеграции машинного обучения в поведенческие науки. Биологические, биомедицинские и поведенческие науки в настоящее время собирают больше данных, чем когда-либо прежде, благодаря революционным технологическим достижениям. Чтобы улучшить здоровье человека, необходимо разработать эффективные по времени и деньгам способы анализа и интерпретации этих данных. Уникальную возможность в этом отношении предоставляет недавнее развитие машинного обучения как мощного метода интеграции мультимодальных и многоточных данных, а также выявления связей между связанными событиями. Однако само по себе машинное обучение игнорирует фундаментальные правила физики и может давать некорректные вопросы или нелогичные ответы. Поиск процессов, объясняющих генезис функции, с помощью многомасштабного моделирования является эффективным методом интеграции многомасштабных данных (Alber et al., 2019). Однако многомасштабное моделирование часто не позволяет эффективно объединить огромные наборы данных из многих источников и уровней разрешения. В данном случае исследование показывает, как машинное обучение и многомасштабное моделирование могут естественным образом дополнять друг друга, обеспечивая надежные модели прогнозирования, включающие в себя базовую физику для решения плохо поставленных задач и исследования обширных пространств проектирования. Обыкновенные дифференциальные уравнения, уравнения в частных производных, подходы, основанные на данных, и подходы, основанные на теории, — это четыре всеобъемлющие тематические области, в которых авторы рассматривают текущую литературу, выделяют приложения и возможности, решают открытые вопросы и говорят о потенциальных проблемах и ограничениях.

Для достижения этих целей исследователи используют свои знания в области прикладной математики, информатики, вычислительной биологии, биофизики, биомеханики, инженерной механики, экспериментов и медицины. Понимание систем, для которых базовых данных недостаточно, а физика еще не полностью известна, представляет собой значительную трудность в биологических, биомедицинских и поведенческих науках. Другими словами, ученые могли бы использовать машинное обучение для исследования пространств проектирования и поиска корреляций с полной коллекцией данных высокого разрешения. Исследователи могли бы использовать многомасштабное моделирование для прогнозирования динамики системы и поиска причинно-следственных связей с помощью проверенного и откалиброванного набора физических уравнений и характеристик материалов (Alber et al., 2019). Они могут максимизировать потенциал как машинного обучения, так и многомасштабного моделирования, объединив их с конечной целью предоставления количественного прогнозного понимания биологических систем. Биологические, медицинские и поведенческие науки часто используют стандартные дифференциальные уравнения во времени. Во многом это связано с тем, что наблюдения и сбор данных относительно просты на молекулярном, клеточном, органном или популяционном уровнях без учета географической гетерогенности, которую зачастую сложнее получить.

Вторая статья, полученная из библиотеки Университета Бельвью, посвящена поведенческой науке, связанной с личностью, в контексте машинного обучения и больших данных. Мне удалось найти эту статью с помощью поисковой системы в онлайн-библиотеке. Я ввел соответствующие ключевые слова и поискал статьи, соответствующие моей теме. Для поиска статьи я воспользовался онлайн-библиотекой Университета Бельвью. Если бы мне нужно было написать 10-страничную статью по теме, затронутой в этой статье, мне были бы доступны некоторые университетские ресурсы, такие как библиотеки, помощь профессоров и учебные места, для завершения работы. Если у коллеги на одном из моих курсов возникали трудности с определением темы исследования, я шел на консультацию к преподавателю курса.

Выбранная статья основана на анализе четырнадцати эмпирических исследований. Таким образом, эти статьи предлагают предварительный обзор того, что наша дисциплина может сделать в будущем, когда исследователи захотят использовать подходы мультимодального поведенческого зондирования, больших данных, машинного обучения или искусственного интеллекта. Они также содержат несколько предостережений и предостережений и сообщают нам о том, как лучше всего воспользоваться многочисленными шансами и одновременно справиться с многочисленными трудностями, с которыми могут столкнуться ученые. В ближайшие годы алгоритмические подходы к исследованию и оценке личности, вероятно, будут продолжать расти в популярности и привлекать все больше внимания и приложений. Более поведенческая наука о личности в эпоху мультимодальных методов зондирования, больших данных, машинного обучения и искусственного интеллекта рассматривается в текущем специальном выпуске (Раутманн, 2020). В документе подчеркивается, что, несмотря на ценность мультидисциплинарных и междисциплинарных исследований и сотрудничества, исследователи никогда не должны упускать из виду наш интерес к психологическим переменным или их использование при выводах.

Среди наблюдений, сделанных в статье, было указано, что крайне важно использовать строгие рекомендации для строгого психометрического тестирования (например, оценки различных типов надежности и валидности) при извлечении основанных на алгоритмах оценок черт или состояний из наблюдаемых поведенческих и больших данных. Например, при анализе сходимости между оценками черт, сообщаемыми самостоятельно, и оценками черт, основанными на алгоритмах (например, полученными из цифровых следов), меньше внимания ранее уделялось также демонстрации дискриминантной достоверности. Несмотря на то, что некоторые виды надежности может быть проще обеспечить благодаря все более точным измерениям (например, с помощью сенсорных сигналов и носимых устройств), достоверность является серьезной проблемой. Далее было замечено, что три основные цели психологии в целом — описание, объяснение и предсказание — иногда смешиваются или нечетко отличаются друг от друга. По мнению автора, некоторые виды психологии личности могут вызывать некоторую путаницу, «но они становятся еще более актуальными при использовании подходов, основанных на чувственном поведении и больших данных». (Раутманн, 2020, стр. 595). Может быть спорным вопрос, смогут ли ученые вообще идентифицировать эти три в психологии, учитывая, что они могут сливаться воедино и даже служить друг другу.

Рекомендации

Альбер М., Буганза Теполе А., Кэннон В.Р., Де, С., Дура-Бернал С., Гарикипати К., Карниадакис Г., Литтон В.В., Пердикарис П., Петцольд Л. и Куль, Э. (2019). Интеграция машинного обучения и многомасштабного моделирования — перспективы, проблемы и возможности в биологических, биомедицинских и поведенческих науках. Цифровая медицина NPJ, 2 (1), 1–11.

Раутманн, Дж. Ф. (2020). (Более) поведенческая наука о личности в эпоху мультимодального восприятия, больших данных, машинного обучения и искусственного интеллекта. Европейский журнал личности, 34(5), 593-598.