Viabilidad de los Procedimientos de Aprendizaje Automático Automatizado para el Estudio de las Evidencias de la Validez de Criterio: El Caso del VIA-IS

• Mercedes Ovejero ^[1] ; Jesús M. Alvarado ^[1] ; Jaime Ballesteros ^[2]
  1. [1] Universidad Complutense de Madrid

     Universidad Complutense de Madrid

     Madrid, España

     
  2. [2] Sermes CRO, Departamento de Biometría.
• Localización: Revista iberoamericana de diagnóstico y evaluación psicológica, ISSN 1135-3848, ISSN-e 2183-6051, Vol. 5, Nº 66, 2022 (Ejemplar dedicado a: Avances en Medición en Psicología), págs. 117-126
• Idioma: español
• Títulos paralelos:
  • Feasibility of Automated Machine Learning Procedures for the Study of Criterion Validity Evidence: The Case of VIA-IS
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El enfoque tradicional de la validez de criterio se basa en el uso de correlaciones y regresión lineal empleados en una única muestra. Los avances en la algoritmia del aprendizaje automático supervisado han permitido el desarrollo de herramientas automatizadas (AutoML) que suponen un ahorro de tiempo y de coste computacional de la exploración de la capacidad predictiva de las puntuaciones de un test sobre criterios relevantes para el modelo teórico. El presente trabajo aplicó el pipeline de AutoML al estudio de la capacidad predictiva del cuestionario VIA-IS de fortalezas personales sobre la satisfacción general con la vida. Los resultados muestran que el AutoML permite explorar de forma rápida y eficiente gran cantidad de algoritmos predictivos, obteniéndose mejores medidas generales de ajuste y que las fortalezas gratitud, curiosidad, esperanza, apreciación del a belleza y la bondad son las que contribuyen en mayor grado a pronosticar la satisfacción vital.

  • English

    The traditional approach to criterion validity is based on the use of correlations and linear regression models used on a single sample. Advances in supervised machine learning algorithms have enabled the development of automated tools (AutoML) that save time and computational cost when exploring the predictive capacity of test estimates on criteria relevant to the theoretical model. The present work applied the AutoML pipeline to the study of the predictive capacity of the VIA-IS personal strengths questionnaire on general satisfaction with life. The results show that AutoML allows a large number of predictive algorithms to be explored quickly and efficiently, obtaining better general measures of fit and that the strengths gratitude, curiosity, hope, appreciation of beauty and kindness are the ones that contribute the most to predict life satisfaction.