Predicción del consumo de éxtasis a partir de redes neuronales artificiales

Autores/as

  • Alfonso Palmer Pol Facultad de Psicología. Universidad de las Islas Baleares
  • J. J. Montaño Moreno Facultad de Psicología. Universidad de las Islas Baleares
  • A. Calafat Far IREFREA España

DOI:

https://doi.org/10.20882/adicciones.623

Palabras clave:

redes neuronales artificiales, éxtasis, factores de riesgo, clasificación de patrones

Resumen

El propósito del presente estudio fue mostrar cómo una red neuronal artificial (RNA) puede ser útil para predecir el consumo de éxtasis (MDMA). Más específicamente, se trata de desarrollar una red neuronal del tipo backpropagation capaz de discriminar entre quién consume éxtasis y quién no, a partir de las respuestas dadas por los sujetos a un cuestionario. La muestra estaba compuesta por 148 consumidores y 148 no consumidores de éxtasis. Se explican las diferentes fases llevadas a cabo para desarrollar la RNA: selección de las variables relevantes y preprocesamiento de los datos, división de la muestra en grupo de entreno, validación y test, entreno y evaluación del modelo de red, y análisis de sensibilidad. La eficacia de la RNA entrenada fue del 96.66%. El área bajo la curva ROC (Receiver operating characteristic) fue de 0.99440.0055 SE. Por otra parte, se pretende mostrar que las RNA no representan una “caja negra”, sino que pueden dar información acerca del grado de influencia que tiene cada variable predictora sobre el consumo de éxtasis.

Citas

Arbib, M.A. (Ed.) (1995). The handbook of brain theory and neural networks. Cambridge, Mass.: MIT Press.

Arbib, M.A., Erdi, P. y Szentagothai, J. (1997). Neural organization: structure, function and dynamics. Cambridge, Mass.: MIT Press.

Bishop, C.M. (1995). Neural networks for pattern recognition. New York: Oxford University Press.

Buscema, M. (1995). Squashing Theory: A prediction approach for drug behavior. Drugs and Society, 8(3-4), 103-110.

Buscema, M., Intraligi, M. y Bricolo, R. (1998). Artificial neural networks for drug vulnerability recognition and dynamic scenarios simulation. Substance Use & Misuse, 33(3), 587-623.

Calafat, A., Sureda, M.P. y Palmer, A. (1997). Características del consumo de éxtasis en una muestra de universitarios y usuarios de discoteca. Adicciones, 9(4), 529-555.

Calafat, A.; Stocco, P.; Mendes, et al (1998) Characteristics and Social Representation of Ecstasy in Europe. Palma de Mallorca. IREFREA.

Caudill, M. y Butler, C. (1992). Understanding neural networks: Computer explorations. Cambridge, MA: MIT Press.

De Laurentiis, M. y Ravdin, P.M. (1994). A technique for using neural network analysis to perform survival analysis of censored data. Cancer Letters, 77, 127-138.

De Lillo, A. y Meraviglia, C. (1998). The role of social determinants on men´s and women´s mobility in Italy. A comparison of discriminant analysis and artificial neural networks. Substance Use and Misuse, 33(3), 751-764.

Fahlman, S. (1988). An empirical study of learning speed in back-propagation networks. Tech. Rep. CMU-CS-88-162.

Fausett, L. (1994). Fundamentals of neural networks. New Jersey: Prentice-Hall.

Funahashi, K. (1989). On the approximate realization of continuous mapping by neural networks. Neural Networks, 2, 183-192.

Hashem, S. (1992). Sensitivity analysis for feedforward artificial neural networks with differentiable activation functions. International Joint Conference on Neural Networks, 419-424.

Hilera, J.R. y Martínez, V.J. (1995). Redes neuronales artificiales: Fundamentos, modelos y aplicaciones. Madrid: Ra-Ma.

Hornik, K., Stinchcombe, M. y White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359-366.

Jang, J. (1998). Comparative analysis of statistical methods and neural networks for predicting life insurers´ insolvency (bankruptcy) (The University of Texas at Austin, 1997). Dissertation Abstracts International, DAI-A, 59/01, 228.

Kalman, B.L. y Kwasny, S.C. (1992). Why tanh? Choosing a sigmoidal function. International Joint Conference on Neural Networks, 578-581.

Kashani, J.H., Nair, S.S., Rao, V.G., Nair, J. y Reid, J.C. (1996). Relationship of personality, environmental, and DICA variables to adolescent hopelessness: a neural network sensitivity approach. Journal American Children and Adolescent Psychiatry, 35(5), 640-645.

Lisboa, P., Mehridehnavi, A. y Martin, P. (1994). The interpretation of supervised neural networks. Proceedings of the Workshop on Neural Network Applications and Tools, 11-17.

Martín del Brío, B. y Sanz, A. (1997). Redes neuronales y sistemas borrosos. Madrid: Ra-Ma.

Massini, G. y Shabtay, L. (1998). Use of a constraint satisfaction network model for the evaluation of the methadone treatments of drug addicts. Substance Use & Misuse, 33(3), 625-656.

Masters, T. (1993). Practical neural networks recipes in C++. London: Academic Press.

Maurelli, G. y Di Giulio, M. (1998). Artificial neural networks for the identification of the differences between “light” and “heavy” alcoholics, starting from five nonlinear biological variables. Substance Use & Misuse, 33(3), 693-708.

Modai, I., Saban, N.I., Stoler, M., Valevski, A. y Saban, N. (1995). Sensitivity profile of 41 psychiatric parameters determined by neural network in relation to 8-week outcome. Computers in Human Behavior, 11(2), 181-190.

Palmer, A. y Montaño, J.J. (1999). ¿Qué son las redes neuronales artificiales?. Aplicaciones realizadas en el ámbito de las adicciones. Adicciones, 11(3), 243-255.

Plan Nacional sobre Drogas (2.000). Informe nº 3. Observatorio español sobre drogas. Madrid: Plan Nacional sobre Drogas.

Ripley, B.D. (1996). Pattern recognition and neural networks. Cambridge: Cambridge University Press.

Rumelhart, D.E., Hinton, G.E. y Williams, R.J. (1986). Learning internal representations by error propagation. En: D.E. Rumelhart y J.L. McClelland (Eds.). Parallel distributed processing (pp. 318-362). Cambridge, MA: MIT Press.

Rzempoluck, E.J. (1998). Neural network data analysis using Simulnet. New York: Springer-Verlag.

Sarle, W.S. (Ed.) (1998). Neural network FAQ. Periodic posting to the Usenet newsgroup comp.ai.neural-nets, URL: ftp://ftp.sas.com/pub/neural/FAQ.html.

Simpson, P.K. (Ed.) (1995). Neural networks technology and applications: theory, technology and implementations. New York: IEEE.

Smith, M. (1993). Neural networks for statistical modeling. New York: Van Nostrand Reinhold.

Speri, L., Schilirò, G., Bezzetto, A., Cifelli, G., De Battisti, L., Marchi, S., Modenese, M., Varalta, F. y Consigliere, F. (1998). The use of artificial neural networks methodology in the assessment of “vulnerability” to heroin use among army corps soldiers: A preliminary study of 170 cases inside the Military Hospital of Legal Medicine of Verona. Substance Use & Misuse, 33(3), 555-586.

SPSS Inc. (1997a). Neural Connection 2.0 [Programa para ordenador]. SPSS Inc. (Productor). Chicago: SPSS Inc. (Distribuidor).

SPSS Inc. (1997b). Neural Connection 2.0: User´s Guide [Manual de programa para ordenadores]. Chicago: SPSS Inc.

Swets, J.A. (1973). The relative operating characteristic in psychology. Science, 182, 990-1000.

Swets, J.A. (1988). Measuring the accuracy of diagnostic systems. Science, 240, 1285-1293.

Waller, N.G., Kaiser, H.A., Illian, J.B. y Manry, M. (1998). A comparison of the classification capabilities of the 1-dimensional Kohonen neural network with two partitioning and three hierarchical cluster analysis algorithms. Psycometrika, 63(1), 5-22.

West, P., Brockett, P. y Golden, L. (1997). A comparative analysis of neural networks and statistical methods for predicting consumer choice. Marketing Science, 16(4), 370-391.

Descargas

Publicado

2000-03-15

Número

Sección

Originales