Edición de «Drogas»

= Predicción del consumo de drogras =

El grupo de Psicología Clínica y Experimental de José Andrés Lorca nos han consultado si habría algún método de inteligencia artificial que se le aplique a un conjunto de datos y pudiésemos predecir si un usuario, respondiendo al test, iba a ser o no consumidor de drogas.


== Datos ==
Los datos son una colección de respuestas dadas a un test que se les ha pasado a un grupo de adictos y a un grupo de control sano.

El test consiste en 4 botones (A,B,C y D) que ofrecen recompensas y castigos, con un comportamiento complejo, y ellos deben de maximizar una puntuación.

== Pregunta ==
¿Estudiando las respuestas seríamos capaces de predecir si es consumidor de drogas o no?

En realidad, la predicción del consumo no se podría hacer con machine learning, ya que no tenemos el antes y el después de la adicción para saber que características nos llevarían a la adicción y cuales no. Lo que se puede hacer en este trabajo es *caracterizar* al drogadicto, es decir, pasarle un test de drogas por ordenador.


== Experimentos ==










=== Simular la puntuación ===
Se me acaba de ocurrir... simular la puntuación y aquí sí que se puede hacer un vector de números y podríamos, en función de la forma de la gráfica, aplicar redes neuronales y caracterizar al drogadicto.
@@ Línea 10: / Línea 10: @@
 == Pregunta ==
-# ¿Estudiando las respuestas seríamos capaces de predecir si es consumidor de drogas o no?
+¿Estudiando las respuestas seríamos capaces de predecir si es consumidor de drogas o no?
 En realidad, la predicción del consumo no se podría hacer con machine learning, ya que no tenemos el antes y el después de la adicción para saber que características nos llevarían a la adicción y cuales no. Lo que se puede hacer en este trabajo es *caracterizar* al drogadicto, es decir, pasarle un test de drogas por ordenador.
-# Dado n respuestas: ¿seríamos capaces de predecir la siguiente respuesta?
 == Experimentos ==
-Lista global de experimentos.
-Otra cosa es partir las experimentaciones en 3.... ya que se hacen en 3 fases distintas y LOS BOTONES SIGNIFICAN DIFERENTE
-Mirar si podemos encontrar los caminos "mas gordos"
-=== Red neuronal ===
-En este caso... hay que estudiar un poco más cómo hacerlo
-=== Secuencia de respuestas ===
-Pregunta: Detección de patrones
-Hacer un grafo donde representar la evolución de las respuestas, por colores, viendo si realmente toman caminos distintos o no.
-y si la afinidad entre usuarios fuera la subcadena común mas larga entre ellos???....
-otra afinidad... numero de cadenas comunes de longitud i... i=0..n
-Con eso se hace un vector y ya vemos como se trabaja
-=== FCA ===
-Tenemos hecho el generador de combinaciones de teclas... y la generacion de su contexto.
-Demasiado grande para correr en tiempo real... haremos experimentos y los dejaremos corriendo.
-Idea: y si vemos cuantas veces se repite cada combinacion... y ponemos solo las que se repiten mas de X veces.
 === Simular la puntuación ===
 Se me acaba de ocurrir... simular la puntuación y aquí sí que se puede hacer un vector de números y podríamos, en función de la forma de la gráfica, aplicar redes neuronales y caracterizar al drogadicto.
-== Reunion 27/02/2019 ==
-Hemos visto como hacer un grafo de comportamiento y medir la variación de las respuestas mediante entropía de la información.
-También se podría hacer la representación por conjuntos distintos de usuarios y si todos aprenden lo mismo e igual de rápido.
-Hemos elegido PLOS one como una revista de caracter interdisciplinar y Q1
-Hemos quedado para el martes que viene para seguir viendo el tema.
-He pensado que una propuesta puede ser que: cuando la entropía baje de un cierto nivel, aplicar FCA a las respuestas.... ver qué sale