Your browser doesn't support javascript.

Biblioteca Virtual en Salud

Hipertensión

Home > Búsqueda > ()
XML
Imprimir Exportar

Formato de exportación:

Exportar

Email
Adicionar mas contactos
| |

A Systematic Review of Machine Learning for Assessment and Feedback of Treatment Fidelity / Revisión sistemática del aprendizaje automático para la evaluación y feedback de la fidelidad al tratamiento

Ahmadi, Asghar; Noetel, Michael; Schellekens, Melissa; Parker, Philip; Antczak, Devan; Dicke, Teresa; Yeung, Alexander; Lonsdale, Chris; Beauchamp, Mark; Diezmann, Carmel; Maeder, Anthony; Ntoumanis, Nikos.
Interv. psicosoc. (Internet) ; 30(3): 139-153, septiembre 2021. tab
Artículo en Inglés | IBECS (España) | ID: ibc-221667
Se ha puesto de manifiesto que muchos tratamientos psicológicos tienen un coste efectivo y son eficaces siempre que se apliquen con fidelidad. La evaluación de esta y el feedback son caros y exigen mucho tiempo. El aprendizaje automático se ha utilizado para evaluar la fidelidad al tratamiento, aunque su fiabilidad y capacidad de generalización no estén claras. Recopilamos y analizamos todas las aplicaciones de aprendizaje automático con el fin de evaluar el comportamiento verbal de todos los profesionales de ayuda, con el acento particular en la fidelidad al tratamiento de los terapeutas. Llevamos a cabo búsquedas en nueve bases de datos electrónicas para enfoques automáticos de codificación de comportamiento verbal en terapia y contextos semejantes. Llevamos a cabo el cribado, la extracción y la evaluación de la calidad por duplicado. Cincuenta y dos estudios cumplían nuestros criterios de inclusión (el 65.3% en psicoterapia). Los métodos de codificación automática resultaban mejor que el azar y algunos de ellos mostraban un desempeño casi al nivel humano, que tendía a ser mejor con conjuntos más grandes de datos, un número de códigos menor, códigos conceptualmente simples y cuando predecían índices al nivel de sesión que los de tipo declaración. Escasos estudios cumplían las directrices de buena praxis en aprendizaje automático. Este presentó unos resultados alentadores, sobre todo donde había conjuntos de datos grandes y anotados y un escaso número de características concretas que codificar, modos expansibles de evaluar la fidelidad y facilitar a los terapeutas un feedback individualizado, rápido y objetivo. (AU)
Biblioteca responsable: ES1.1
Ubicación: ES15.1 - BNCS