Modelo computacional para evaluación de discapacidad intelectual usando datos de funcionamiento cognitivo

dc.audienceGeneralspa
dc.contributor.advisorNiño Vásquez, Luis Fernando
dc.contributor.advisorHerrera Rojas, Aura Nidia
dc.contributor.authorLeiva Ruiz, Nelson Fabian
dc.contributor.researchgroupLABORATORIO DE INVESTIGACIÓN EN SISTEMAS INTELIGENTES - LISIspa
dc.date.accessioned2021-07-08T16:37:58Z
dc.date.available2021-07-08T16:37:58Z
dc.date.issued2021-07
dc.descriptionilustracionesspa
dc.description.abstractA lo largo de esta investigación, se llevó a cabo un proceso de descubrimiento de conocimiento (KDD, por sus siglas en inglés), en el marco de ciencia de datos, aplicado a datos de evaluación de capacidad cognitiva aportados por el Servicio de Atención Psicológica (SAP) de la Universidad Nacional de Colombia. Se realizó el preprocesamiento y tratamiento de datos en concordancia con el objetivo de la investigación: desarrollar un modelo computacional que permita determinar las agrupaciones de variables, asociadas al Coeficiente intelectual, que predicen el diagnóstico de discapacidad intelectual. Se obtuvo un total de 18 variables cognitivas más informativas, con las cuales se implementaron Árbol de decisión y Regresión logística como modelos predictivos e interpretables. (Texto tomado de la fuente)spa
dc.description.abstractThroughout this research, a knowledge discovery process (KDD) was carried out, within the framework of data science, applied to cognitive capacity assessment data, provided by the Psychological Attention Service (SAP) of the National University of Colombia. Data pre-processing and treatment was carried out in accordance with the objective of the research: to develop a computational model that allows determining the groupings of variables, associated with the IQ, that predict the diagnosis of intellectual disability. A total of 18 more informative cognitive variables were obtained, with which Decision Tree and Logistic Regression were implemented as predictive and interpretable models. (Text taken from source)eng
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ingeniería - Ingeniería de Sistemas y Computaciónspa
dc.description.methodsCon el fin de llevar esta investigación a buen término, se implementó una metodología estructurada en cuatro etapas, las cuales dieron lugar a la consecución de los objetivos propuestos. Como el objetivo principal del proyecto fue desarrollar un modelo computacional analítico, se usaron métodos y herramientas en el marco de Ciencia de datos, vinculando procesos de KDD y técnicas de aprendizaje automático, los cuales no solo ayudaron a generar un modelo predictivo e interpretable, sino que dio lugar a nuevo conocimiento que ayudará al diagnóstico diferencial de discapacidad intelectual. A continuación, se describen las etapas seguidas en el desarrollo de la investigación: ▪ Etapa 1: Selección y preprocesamiento de datos En esta etapa se realizó la recopilación y preparación de los datos, los cuales fueron gestionados por el Servicio de Atención Psicológica (SAP) de la Universidad Nacional, y contienen tanto información socioeconómica de los evaluados, como de las puntuaciones obtenidas en la prueba de evaluación de funcionamiento WISC-IV. La preparación de los datos incluyó tratamiento de datos perdidos e imputación de valores, dados los errores de digitación con los que se encontraba la base inicialmente, así como eliminación de variables con alto porcentaje de datos perdidos. ▪ Etapa 2: Análisis Exploratorio de datos Una vez el conjunto de datos fue limpiado, se efectuó una exploración general del conjunto de datos usando estadística descriptiva, con el fin de describir la información socioeconómica que comprende el conjunto de datos y hallar patrones en la población. ▪ Etapa 3: Transformación y modelamiento de datos En esta etapa se filtró y dicotomizó la variable de diagnóstico final, de modo que solo tuviera en cuenta si los evaluados eran positivos o negativos para discapacidad intelectual. También se efectuó balanceo de clases, dada la diferencia de proporción entre las dos etiquetas del diagnóstico. Posteriormente se implementaron los métodos de selección de características y de aprendizaje automático necesarios. ▪ Etapa 4: Evaluación del modelo computacional En esta etapa se evaluó la calidad del modelo en términos de las métricas de rendimiento, y se analizan los resultados a la luz de los conocimientos previos sobre inteligencia y discapacidad intelectual.spa
dc.description.researchareaSistemas Inteligentesspa
dc.format.extent90 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameUniversidad Nacional de Colombiaspa
dc.identifier.reponameRepositorio Institucional Universidad Nacional de Colombiaspa
dc.identifier.repourlhttps://repositorio.unal.edu.co/spa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/79779
dc.language.isospaspa
dc.publisherUniversidad Nacional de Colombiaspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotáspa
dc.publisher.departmentDepartamento de Ingeniería de Sistemas e Industrialspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeBogotá, Colombiaspa
dc.publisher.programBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computaciónspa
dc.relation.references[1] X. Ke and J. Liu, Discapacidad intelectual. Ginebra: Asociación Internacional de Psiquiatría del Niño y el Adolescente y Profesiones Afines: IACAPAP, 2017.spa
dc.relation.references[2] American Association on Intellectual and Developmental Disabilities (AAIDD), “Definition of Intellectual Disability.” https://aaidd.org/intellectual-disability/definition (accessed May 08, 2019).spa
dc.relation.references[3] O. P. de la salud OPS and O. M. de la S. OMS, “CIE-10 clasificación estadística internacional de enfermedades y problemas relacionados con la salud,” 554, vol. 3, no. 554, p. 758, 2008, Accessed: Feb. 01, 2021. [Online]. Available: http://ais.paho.org/classifications/Chapters/pdf/Volume3.pdf.spa
dc.relation.references[4] A. Srivastava, “A Vector Measure for the Intelligence of a Question-Answering (Q-A) System,” IEEE Trans. Syst. Man. Cybern., vol. 25, no. 5, pp. 814–823, 1995, doi: 10.1109/21.376494.spa
dc.relation.references[5] J. Hernández-Orallo and D. L. Dowe, “Measuring universal intelligence: Towards an anytime intelligence test,” Artif. Intell., vol. 174, pp. 1508–1539, 2010, doi: 10.1016/j.artint.2010.09.006.spa
dc.relation.references[6] C. L. Reeve, C. Scherbaum, and H. Goldstein, “Manifestations of intelligence: Expanding the measurement space to reconsider specific cognitive abilities,” Hum. Resour. Manag. Rev., vol. 25, pp. 28–37, 2015, doi: 10.1016/j.hrmr.2014.09.005.spa
dc.relation.references[7] W. J. Schneider and D. A. Newman, “Intelligence is multidimensional: Theoretical review and implications of specific cognitive abilities,” 2015, doi: 10.1016/j.hrmr.2014.09.004.spa
dc.relation.references[8] J. Hernández-Orallo, D. L. Dowe, and M. Victoria Hernández-Lloreda, “Universal psychometrics: Measuring cognitive abilities in the machine kingdom,” 2014, doi: 10.1016/j.cogsys.2013.06.001.spa
dc.relation.references[9] S. R. Vrana and D. T. Vrana, “Can a computer administer a Wechsler intelligence test?,” Prof. Psychol. Res. Pract., vol. 48, no. 3, pp. 191–198, 2017, doi: 10.1037/pro0000128.spa
dc.relation.references[10] J. Hernández-Orallo, F. Martínez-Plumed, U. Schmid, M. Siebers, and D. L. Dowe, “Computer models solving intelligence test problems: Progress and implications,” Artif. Intell., vol. 230, pp. 74–107, 2016, doi: 10.1016/j.artint.2015.09.011.spa
dc.relation.references[11] D. Wechsler, WISC-IV: escala Wechsler de inteligencia para niños-IV: manual técnico. México: Manual Moderno, 2005.spa
dc.relation.references[12] D. Flanagan and A. Kaufman, Claves para la evaluación con WISC-IV, 2nd ed. El Manual Moderno, 2012.spa
dc.relation.references[13] J. Stanton, VERSION 3: AN INTRODUCTION TO DATA SCIENCE, Third. iTunes Open Source eBook, 2012.spa
dc.relation.references[14] L. Cao, “Data science: A comprehensive overview,” ACM Comput. Surv, vol. 50, no. 43, 2017, doi: 10.1145/3076253.spa
dc.relation.references[15] M. Herman et al., The field guide to data science. Booz Allen Hamilton, 2013.spa
dc.relation.references[16] R. A. Pazminño-Maji, F. J. García-Peñalvo, and M. A. Conde-González, Statistical implicative analysis approximation to KDD and Data Mining: A systematic and mapping review in Knowledge Discovery Database framework, no. c. 2017.spa
dc.relation.references[17] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From Data Mining to Knowledge Discovery in Databases) (© AAAI),” Mar. 1996. doi: 10.1609/AIMAG.V17I3.1230.spa
dc.relation.references[18] “1.13. Feature selection — scikit-learn 0.24.1 documentation.” https://scikit-learn.org/stable/modules/feature_selection.html#rfe (accessed Feb. 24, 2021).spa
dc.relation.references[19] P. M. Granitto, C. Furlanello, F. Biasioli, and F. Gasperi, “Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products,” Chemom. Intell. Lab. Syst., vol. 83, no. 2, pp. 83–90, Sep. 2006, doi: 10.1016/j.chemolab.2006.01.007.spa
dc.relation.references[20] S. R. Das, Data Science: Theories, Models, Algorithms and Analytics, a web book. Das, Sanjiv Ranjan, 2013.spa
dc.relation.references[21] S. Kumar and H. Sharma, “A Survey on Decision Tree Algorithms of Classification in Data Mining,” 2016. Accessed: Jan. 27, 2021. [Online]. Available: www.ijsr.net.spa
dc.relation.references[22] S. Tangirala, “Evaluating the Impact of GINI Index and Information Gain on Classification using Decision Tree Classifier Algorithm*,” Artic. Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 2, 2020, doi: 10.14569/IJACSA.2020.0110277.spa
dc.relation.references[23] “1.10. Decision Trees — scikit-learn 0.24.1 documentation.” https://scikit-learn.org/stable/modules/tree.html (accessed Jan. 27, 2021).spa
dc.relation.references[24] K. Fawagreh, M. Medhat Gaber, E. Elyan, and M. M. Gaber, “Random forests: from early developments to recent advancements,” Syst. Sci. Control Eng. An Open Access J., vol. 2, no. 1, pp. 602–609, 2014, doi: 10.1080/21642583.2014.956265.spa
dc.relation.references[25] M. Kohl, “Performance Measures in Binary Classification,” Int. J. Stat. Med. Res., vol. 1, no. 1, pp. 79–81, 2012, doi: 10.1016/j.ipm.2009.03.002.spa
dc.relation.references[26] A. M. McIntosh et al., “Data science for mental health: a UK perspective on a global challenge,” The Lancet Psychiatry, vol. 3, no. 10, pp. 993–998, 2016, doi: 10.1016/S2215-0366(16)30089-X.spa
dc.relation.references[27] R. Stewart and K. Davis, “‘Big data’ in mental health research: current status and emerging possibilities,” Soc. Psychiatry Psychiatr. Epidemiol., vol. 51, no. 8, pp. 1055–1072, 2016, doi: 10.1007/s00127-016-1266-8.spa
dc.relation.references[28] D. Hidalgo-Mazzei, A. Murru, M. Reinares, E. Vieta, and F. Colom, “Big Data in mental health: A challenging fragmented future,” World Psychiatry, vol. 15, no. 2, pp. 186–187, 2016, doi: 10.1002/wps.20307.spa
dc.relation.references[29] M. Kosinski and T. Behrend, “Editorial overview: Big data in the behavioral sciences,” COBEHA, vol. 18, pp. iv–vi, 2017, doi: 10.1016/j.cobeha.2017.11.007.spa
dc.relation.references[30] A. Markowetz, K. Błaszkiewicz, C. Montag, C. Switala, and T. E. Schlaepfer, “Psycho-Informatics: Big Data shaping modern psychometrics,” Med. Hypotheses, vol. 82, pp. 405–411, 2014, doi: 10.1016/j.mehy.2013.11.030.spa
dc.relation.references[31] D. D. Luxton, “An Introduction to Artificial Intelligence in Behavioral and Mental Health Care,” in Artificial Intelligence in Behavioral and Mental Health Care, Department of Psychiatry and Behavioral Sciences, University of Washington School of Medicine, Seattle, WA, United States, 2015, pp. 1–26.spa
dc.relation.references[32] C. C. Bennett and T. W. Doub, “Expert Systems in Mental Health Care: AI Applications in Decision-Making and Consultation,” in Artificial Intelligence in Behavioral and Mental Health Care, School of Informatics and Computing, Indiana University, Bloomington, IN, United States, 2015, pp. 27–51.spa
dc.relation.references[33] D. Becker, W. van Breda, B. Funk, M. Hoogendoorn, J. Ruwaard, and H. Riper, “Predictive modeling in e-mental health: A common language framework,” Internet Interv., vol. 12, pp. 57–67, 2018, doi: 10.1016/j.invent.2018.03.002.spa
dc.relation.references[34] S. G. Alonso et al., “Data Mining Algorithms and Techniques in Mental Health: A Systematic Review,” J. Med. Syst., vol. 42, no. 9, 2018, doi: 10.1007/s10916-018-1018-2.spa
dc.relation.references[35] A. G. Di Nuovo, V. Catania, S. Di Nuovo, and S. Buono, “Psychology with soft computing: An integrated approach and its applications,” Appl. Soft Comput. J., vol. 8, no. 1, pp. 829–837, 2007, doi: 10.1016/j.asoc.2007.03.001.spa
dc.relation.references[36] A. Di Nuovo, S. Di Nuovo, S. Buono, and V. Cutello, “Benefits of fuzzy logic in the assessment of intellectual disability,” in IEEE International Conference on Fuzzy Systems, 2014, pp. 1843–1850, doi: 10.1109/FUZZ-IEEE.2014.6891834.spa
dc.relation.references[37] S. Nor, W. Shamsuddin, N. Siti, F. Nik, W. Malini, and W. Isa, “Classification Techniques for Early Detection of Dyslexia Using Computer-Based Screening Test,” World Appl. Sci. J., vol. 35, no. 10, pp. 2108–2112, 2017, doi: 10.5829/idosi.wasj.2017.2108.2112.spa
dc.relation.references[38] H. M. Al-Barhamtoshy and D. M. Eldeen Motaweh, “Diagnosis of Dyslexia using Computing Analysis,” 2017. Accessed: May 10, 2019. [Online]. Available: http://www.joetsite.com/wp-content/uploads/2017/07/Vol.-62-37-2017.pdf.spa
dc.relation.references[39] H. Selvi and M. S. Saravanan, “A Study of dyslexia using different machine learning algorithm with data mining techniques,” International Journal of Engineering and Technology(UAE), vol. 7, no. 4, Research and Development Centre Science, Bharathiar University, India, pp. 3406–3411, 2018.spa
dc.relation.references[40] B.-M. Chen, X.-P. Fan, Z.-M. Zhou, and X.-R. Li, “Application of computer system based on artificial neural network and artificial intelligence in diagnosing child mental health disorders,” J. Clin. Rehabil. Tissue Eng. Res., vol. 15, no. 13, pp. 2467–2470, 2011, doi: 10.3969/j.issn.1673-8225.2011.13.044.spa
dc.relation.references[41] P. Dhaka and R. Johari, “Big data application: Study and archival of mental health data, using MongoDB,” in International Conference on Electrical, Electronics, and Optimization Techniques, ICEEOT 2016, 2016, pp. 3228–3232, doi: 10.1109/ICEEOT.2016.7755300.spa
dc.relation.references[42] D. A. Rosenthal, J. A. Dalton, and R. Gervey, “Analyzing vocational outcomes of individuals with psychiatric disabilities who received state vocational rehabilitation services: A data mining approach,” Int. J. Soc. Psychiatry, vol. 53, no. 4, pp. 357–368, 2007, doi: 10.1177/0020764006074555.spa
dc.relation.references[43] C. Yuan, “Data mining techniques with its application to the dataset of mental health of college students,” in Proceedings - 2014 IEEE Workshop on Advanced Research and Technology in Industry Applications, WARTIA 2014, 2014, pp. 391–393, doi: 10.1109/WARTIA.2014.6976277.spa
dc.relation.references[44] D. Cheng, T. Li, and L. Niu, “A Study on the Application of the Decision Tree Algorithm in Psychological Information of Vocational College Students,” in MATEC Web of Conferences, 2015, vol. 22, doi: 10.1051/matecconf/20152201044.spa
dc.relation.references[45] J. QingHua, “Data mining and management system design and application for college student mental health,” in Proceedings - 2016 International Conference on Intelligent Transportation, Big Data and Smart City, ICITBS 2016, 2017, pp. 410–413, doi: 10.1109/ICITBS.2016.96.spa
dc.relation.references[46] S. V Tyulyupo, A. A. Andrakhanov, B. A. Dashieva, and A. V Tyryshkin, “Adolescents psychological well-being estimation based on a data mining algorithm,” in 2018 IEEE 13th International Scientific and Technical Conference on Computer Sciences and Information Technologies, CSIT 2018 - Proceedings, 2018, vol. 1, pp. 475–478, doi: 10.1109/STC-CSIT.2018.8526628.spa
dc.relation.references[47] A. Shrestha, S. Bergquist, E. Montz, and S. Rose, “Mental Health Risk Adjustment with Clinical Categories and Machine Learning,” Health Serv. Res., vol. 53, pp. 3189–3206, 2018, doi: 10.1111/1475-6773.12818.spa
dc.relation.references[48] M. Srividya, S. Mohanavalli, and N. Bhalaji, “Behavioral Modeling for Mental Health using Machine Learning Algorithms,” J. Med. Syst., vol. 42, no. 5, 2018, doi: 10.1007/s10916-018-0934-5.spa
dc.relation.references[49] S. Ohlsson, R. H. Sloan, G. Turán, and A. Urasky, “Measuring an artificial intelligence system’s performance on a Verbal IQ test for young children*,” J. Exp. Theor. Artif. Intell., vol. 29, no. 4, pp. 679–693, 2017, doi: 10.1080/0952813X.2016.1213060.spa
dc.relation.references[50] S. Ohlsson, R. H. Sloan, G. Turán, D. Uber, and A. Urasky, “An approach to evaluate AI commonsense reasoning systems,” in Proceedings of the 25th International Florida Artificial Intelligence Research Society Conference, FLAIRS-25, 2012, pp. 371–374, [Online]. Available: https://www.scopus.com/inward/record.uri?eid=2-s2.0-84864991190&partnerID=40&md5=1f74a6af3d3d81c4a3bb261335f63ef2.spa
dc.relation.references[51] F. Martínez-Plumed, C. Ferri, J. Hernández-Orallo, and M. J. Ramírez-Quintana, “A computational analysis of general intelligence tests for evaluating cognitive development,” Cogn. Syst. Res., vol. 43, pp. 100–118, 2017, doi: 10.1016/j.cogsys.2017.01.006.spa
dc.relation.references[52] D. G. T. Barrett, F. Hill, A. Santoro, A. S. Morcos, and T. Lillicrap, “Measuring abstract reasoning in neural networks,” in 35th International Conference on Machine Learning, ICML 2018, 2018, vol. 10, pp. 7118–7127, [Online]. Available: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85057325020&partnerID=40&md5=e585112ce962e18dc3b0143e9dc7f36e.spa
dc.rightsDerechos reservados al autor, 2021spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacionalspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.ddc000 - Ciencias de la computación, información y obras generalesspa
dc.subject.proposalCiencia de datosspa
dc.subject.proposalDiscapacidad intelectualspa
dc.subject.proposalEvaluación psicológicaspa
dc.subject.proposalInteligenciaspa
dc.subject.proposalKDDeng
dc.subject.proposalData scienceeng
dc.subject.proposalIntellectual disabilityeng
dc.subject.proposalPsychological assessmenteng
dc.subject.proposalIntelligenceeng
dc.subject.unescoDeficiencia mental
dc.subject.unescoMental deficiency
dc.subject.unescoProcesamiento de datos
dc.subject.unescoData processing
dc.titleModelo computacional para evaluación de discapacidad intelectual usando datos de funcionamiento cognitivospa
dc.title.translatedComputational model for evaluation of intellectual disability using cognitive functioning dataeng
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TMspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
1022334382.2021.pdf
Tamaño:
1.43 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de Maestría en Ingeniería - Ingeniería de Sistemas y Computación

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.87 KB
Formato:
Item-specific license agreed upon to submission
Descripción: