Curso en Integración de IA y Psicoterapia (60 créditos)

Primer Semestre (30 créditos)

1. Modelos de IA para Análisis Psicológico (6 créditos)

Justificación: Esta asignatura es fundamental para capacitar a los estudiantes en la aplicación práctica de técnicas de IA al análisis de datos psicológicos, permitiéndoles desarrollar herramientas avanzadas para la comprensión y evaluación de procesos terapéuticos.

Temario:

1. Aplicaciones de NLP en psicoterapia 1.1. Implementación de análisis de sentimientos en transcripciones de terapia 1.2. Desarrollo de sistemas de extracción de temas clave en narrativas de pacientes 1.3. Creación de modelos para detectar patrones lingüísticos de trastornos específicos
2. Aprendizaje profundo para reconocimiento emocional 1.1. Desarrollo de CNN para análisis de expresiones faciales en sesiones de terapia 1.2. Implementación de RNN para seguimiento de estados de ánimo 1.3. Aplicación de modelos de atención para identificar momentos críticos en terapia
3. Sistemas predictivos en salud mental 1.1. Construcción de modelos de predicción de recaídas 1.2. Implementación de sistemas de alerta temprana para crisis de salud mental 1.3. Desarrollo de dashboards para visualización de pronósticos de salud mental
4. Sistemas de recomendación para terapia 1.1. Diseño de algoritmos de recomendación de técnicas terapéuticas 1.2. Implementación de sistemas de personalización de contenido terapéutico 1.3. Desarrollo de modelos de optimización de planes de tratamiento

Conceptos clave: NLP en psicoterapia, redes neuronales convolucionales y recurrentes, modelos de atención, sistemas de predicción en salud mental, sistemas de recomendación terapéutica.

Bibliografía:

• Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261-266.
• Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
• Chekroud, A. M., et al. (2016). Cross-trial prediction of treatment outcome in depression: a machine learning approach. The Lancet Psychiatry, 3(3), 243-250.

Modo de calificación:

• 40% Proyecto final: Desarrollo de un sistema de análisis de sesiones terapéuticas
• 30% Prácticas de laboratorio y ejercicios de programación
• 20% Examen teórico-práctico
• 10% Participación en clase y discusiones

2. Diseño de Sistemas Terapéuticos basados en IA (6 créditos)

Justificación: Esta asignatura es crucial para dotar a los estudiantes de habilidades prácticas en el diseño e implementación de sistemas de IA aplicados directamente a la terapia, permitiéndoles crear herramientas innovadoras para el apoyo y la intervención terapéutica.

Temario:

1. Desarrollo de chatbots terapéuticos 1.1. Implementación de arquitecturas de diálogo para terapia 1.2. Integración de conocimiento psicoterapéutico en sistemas conversacionales 1.3. Manejo práctico de contexto en conversaciones de larga duración
2. Generación de respuestas empáticas 2.1. Fine-tuning de modelos de lenguaje para empatía 2.2. Implementación de estrategias de control de tono en respuestas 2.3. Desarrollo de sistemas de evaluación de calidad de respuestas
3. Sistemas de manejo de crisis 3.1. Implementación de algoritmos de detección de riesgo en tiempo real 3.2. Desarrollo de protocolos automatizados de escalamiento y derivación 3.3. Integración de múltiples fuentes de datos para evaluación de riesgo
4. Personalización de intervenciones 4.1. Implementación de modelos de usuario para terapia personalizada 4.2. Desarrollo de sistemas de aprendizaje por refuerzo para optimizar tratamientos 4.3. Creación de mecanismos de adaptación dinámica de contenido terapéutico

Conceptos clave: Chatbots terapéuticos, generación de lenguaje natural empático, detección de crisis, personalización de intervenciones, aprendizaje por refuerzo en terapia.

Bibliografía:

• Vinyals, O., & Le, Q. (2015). A neural conversational model. arXiv preprint arXiv:1506.05869.
• Fitzpatrick, K. K., Darcy, A., & Vierhile, M. (2017). Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent (Woebot): a randomized controlled trial. JMIR mental health, 4(2), e19.
• Thrun, S., & Littman, M. L. (2000). Reinforcement learning: An introduction. AI Magazine, 21(1), 103-103.

Modo de calificación:

• 50% Proyecto final: Creación de un prototipo de asistente terapéutico virtual
• 25% Ejercicios prácticos y mini-proyectos
• 15% Presentaciones y demostraciones en clase
• 10% Participación en discusiones y revisiones de código

3. Neurociencia Computacional Aplicada (6 créditos)

Justificación: Esta asignatura es esencial para proporcionar a los estudiantes una comprensión profunda de cómo los modelos computacionales pueden aplicarse a problemas de neurociencia y psicoterapia, permitiéndoles desarrollar intervenciones basadas en evidencia neurocientífica.

Temario:

1. Implementación de modelos cognitivos 1.1. Desarrollo de modelos bayesianos de procesos cognitivos 1.2. Implementación de redes neuronales inspiradas en la neurobiología 1.3. Creación de modelos computacionales de memoria y aprendizaje
2. Simulación de trastornos mentales 2.1. Implementación de modelos computacionales de depresión y ansiedad 2.2. Desarrollo de simulaciones de alteraciones en toma de decisiones 2.3. Creación de modelos de conectividad cerebral en trastornos psiquiátricos
3. Desarrollo de interfaces cerebro-computadora 3.1. Implementación de algoritmos de decodificación de señales cerebrales 3.2. Desarrollo de sistemas de neurofeedback basados en ML 3.3. Creación de protocolos de estimulación cerebral adaptativa
4. Aplicaciones en psicoterapia 4.1. Desarrollo de modelos predictivos de respuesta a tratamiento 4.2. Implementación de sistemas para identificar biomarcadores computacionales 4.3. Creación de intervenciones cognitivas personalizadas basadas en modelos

Conceptos clave: Modelos bayesianos, redes neuronales biológicamente inspiradas, simulación de trastornos mentales, interfaces cerebro-computadora, neurofeedback, biomarcadores computacionales.

Bibliografía:

• O'Reilly, R. C., & Munakata, Y. (2000). Computational explorations in cognitive neuroscience: Understanding the mind by simulating the brain. MIT press.
• Doya, K., Ishii, S., Pouget, A., & Rao, R. P. (2007). Bayesian brain: Probabilistic approaches to neural coding. MIT press.
• Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. Neuroimage, 19(4), 1273-1302.

Modo de calificación:

• 40% Proyecto final: Desarrollo de un modelo computacional aplicado a un problema de psicoterapia
• 30% Implementación de modelos y simulaciones durante el curso
• 20% Examen teórico-práctico
• 10% Presentaciones y discusiones en clase

4. Métodos de Investigación en IA y Psicoterapia (6 créditos)

Justificación: Esta asignatura es fundamental para equipar a los estudiantes con las herramientas metodológicas necesarias para diseñar, implementar y evaluar investigaciones rigurosas en la intersección de IA y psicoterapia.

Temario:

1. Diseño e implementación de experimentos 1.1. Configuración de ensayos controlados para terapias digitales 1.2. Implementación de diseños N-of-1 para intervenciones personalizadas 1.3. Desarrollo de sistemas de recolección de datos pasivos
2. Análisis de datos terapéuticos a gran escala 2.1. Implementación de pipelines de NLP para análisis de notas clínicas 2.2. Desarrollo de análisis de redes de síntomas y tratamientos 2.3. Aplicación de técnicas de clustering para descubrimiento de fenotipos
3. NLP avanzado en investigación terapéutica 3.1. Implementación de análisis de sentimientos en transcripciones 3.2. Desarrollo de modelos de tópicos para sesiones de terapia 3.3. Aplicación de análisis de discurso computacional a interacciones terapéuticas
4. Optimización de tratamientos con aprendizaje por refuerzo 4.1. Implementación de políticas de tratamiento adaptativo 4.2. Desarrollo de algoritmos de bandidos multi-brazo para selección de intervenciones 4.3. Aplicación de aprendizaje por refuerzo inverso a estrategias terapéuticas

Conceptos clave: Diseño experimental en IA y psicoterapia, análisis de big data en salud mental, NLP en investigación terapéutica, aprendizaje por refuerzo para optimización de tratamientos.

Bibliografía:

• Kazdin, A. E. (2011). Single-case research designs: Methods for clinical and applied settings. Oxford University Press.
• Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of machine Learning research, 3(Jan), 993-1022.
• Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.

Modo de calificación:

• 40% Proyecto de investigación: Diseño y ejecución de un estudio piloto
• 25% Ejercicios prácticos de análisis de datos
• 20% Propuesta de investigación escrita
• 15% Presentaciones y discusiones en clase

5. Sistemas de Soporte Emocional basados en IA (6 créditos)

Justificación: Esta asignatura es crucial para desarrollar habilidades en la creación de sistemas de IA capaces de proporcionar apoyo emocional efectivo, un componente esencial en muchas aplicaciones de la IA en psicoterapia.

Temario:

1. Implementación de modelos de inteligencia emocional artificial 1.1. Desarrollo de modelos computacionales de emociones 1.2. Creación de arquitecturas para sistemas de soporte emocional 1.3. Implementación de métricas de evaluación emocional
2. Técnicas de reconocimiento emocional 2.1. Desarrollo de analizadores de sentimientos para texto 2.2. Implementación de sistemas de reconocimiento de emociones en voz 2.3. Creación de modelos de detección de emociones en expresiones faciales 2.4. Desarrollo de sistemas de fusión multimodal para análisis emocional
3. Creación de agentes conversacionales empáticos 3.1. Implementación de arquitecturas de chatbots para soporte emocional 3.2. Desarrollo de modelos de generación de respuestas empáticas 3.3. Creación de sistemas de manejo de crisis emocionales 3.4. Implementación de mecanismos de adaptación al estado emocional del usuario
4. Sistemas de monitoreo y regulación emocional 4.1. Desarrollo de sistemas de seguimiento emocional continuo 4.2. Implementación de algoritmos de detección de cambios emocionales 4.3. Creación de intervenciones automatizadas para regulación emocional 4.4. Desarrollo de sistemas de personalización de estrategias de afrontamiento

Conceptos clave: Modelos computacionales de emociones, reconocimiento multimodal de emociones, agentes conversacionales empáticos, sistemas de regulación emocional, personalización de estrategias de afrontamiento.

Bibliografía:

• Picard, R. W. (1997). Affective computing. MIT press.
• Calvo, R. A., D'Mello, S., Gratch, J., & Kappas, A. (Eds.). (2015). The Oxford handbook of affective computing. Oxford University Press.
• Ekman, P., & Rosenberg, E. L. (Eds.). (1997). What the face reveals: Basic and applied studies of spontaneous expression using the Facial Action Coding System (FACS). Oxford University Press.

Modo de calificación:

• 50% Proyecto final: Desarrollo de un prototipo de sistema de soporte emocional
• 25% Implementación de componentes de reconocimiento y generación emocional
• 15% Examen teórico-práctico
• 10% Participación en discusiones y presentaciones en clase

Segundo Semestre (30 créditos)

6. Sistemas de Diagnóstico y Predicción en Salud Mental (6 créditos)

Justificación: Esta asignatura es esencial para desarrollar habilidades en la creación de sistemas de IA capaces de asistir en el diagnóstico y predicción de trastornos mentales, mejorando la precisión y eficiencia de los procesos clínicos.

Temario:

1. Modelos de aprendizaje profundo para detección temprana 1.1. Implementación de redes neuronales para clasificación de trastornos 1.2. Desarrollo de modelos de detección de anomalías en datos de salud mental 1.3. Creación de sistemas de alerta temprana basados en patrones de comportamiento
2. Análisis multimodal para evaluación psicológica 2.1. Integración de datos de texto, voz e imagen para evaluación 2.2. Implementación de modelos de fusión de datos para diagnóstico 2.3. Desarrollo de interfaces para visualización de resultados multimodales
3. Procesamiento de lenguaje natural para análisis de contenido clínico 3.1. Implementación de sistemas de extracción de información de notas clínicas 3.2. Desarrollo de modelos de resumen automático de historias clínicas 3.3. Creación de herramientas de análisis semántico para entrevistas psicológicas
4. Modelos predictivos de trayectorias clínicas 4.1. Implementación de modelos de series temporales para pronóstico 4.2. Desarrollo de sistemas de predicción de recaídas 4.3. Creación de herramientas de visualización de trayectorias de tratamiento

Conceptos clave: Aprendizaje profundo en diagnóstico, análisis multimodal, NLP clínico, modelos predictivos en salud mental, visualización de datos clínicos.

Bibliografía:

• Shatte, A. B., Hutchinson, D. M., & Teague, S. J. (2019). Machine learning in mental health: a scoping review of methods and applications. Psychological medicine, 49(9), 1426-1448.
• Torous, J., & Keshavan, M. (2018). A new window into psychosis: The rise digital phenotyping, smartphone assessment, and mobile monitoring. Schizophrenia research, 197, 67-68.
• Chekroud, A. M., et al. (2016). Cross-trial prediction of treatment outcome in depression: a machine learning approach. The Lancet Psychiatry, 3(3), 243-250.

Modo de calificación:

• 40% Proyecto final: Desarrollo de un sistema de diagnóstico o predicción
• 30% Implementación de modelos y análisis durante el curso
• 20% Examen teórico-práctico
• 10% Presentaciones y discusiones en clase

7. Personalización y Adaptación de Intervenciones Terapéuticas mediante IA (6 créditos)

Justificación: Esta asignatura es fundamental para desarrollar sistemas de IA capaces de adaptar y personalizar intervenciones terapéuticas, mejorando la eficacia y la adherencia al tratamiento.

Temario:

1. Sistemas de recomendación para técnicas terapéuticas 1.1. Implementación de algoritmos de filtrado colaborativo para terapia 1.2. Desarrollo de sistemas basados en contenido para recomendación de intervenciones 1.3. Creación de modelos híbridos de recomendación terapéutica
2. Aprendizaje por refuerzo para adaptación de tratamientos 2.1. Implementación de algoritmos de Q-learning para optimización de tratamientos 2.2. Desarrollo de sistemas de bandidos multi-brazo para selección de intervenciones 2.3. Creación de modelos de aprendizaje por refuerzo inverso para imitar estrategias de expertos
3. Modelos de usuario para personalización 3.1. Implementación de técnicas de clustering para identificación de perfiles de pacientes 3.2. Desarrollo de modelos de redes bayesianas para representación de conocimiento del usuario 3.3. Creación de sistemas de actualización dinámica de modelos de usuario
4. Adaptación en tiempo real de intervenciones 4.1. Implementación de sistemas de monitoreo continuo y ajuste de intervenciones 4.2. Desarrollo de algoritmos de detección de cambios para adaptar estrategias 4.3. Creación de interfaces adaptativas para aplicaciones terapéuticas

Conceptos clave: Sistemas de recomendación terapéutica, aprendizaje por refuerzo en psicoterapia, modelado de usuario, adaptación dinámica de intervenciones.

Bibliografía:

• Paredes, P., et al. (2014). PopTherapy: Coping with stress through pop-culture. In Proceedings of the 8th International Conference on Pervasive Computing Technologies for Healthcare (pp. 109-117).
• Nahum-Shani, I., et al. (2018). Just-in-Time Adaptive Interventions (JITAIs) in mobile health: key components and design principles for ongoing health behavior support. Annals of Behavioral Medicine, 52(6), 446-462.
• Schulte, P. J., et al. (2014). Q-learning with inverse reinforcement learning for real-time treatment regimes. Artificial intelligence in medicine, 64(2), 79-88.

Modo de calificación:

• 50% Proyecto final: Desarrollo de un sistema de intervención personalizada
• 25% Implementación de componentes de personalización y adaptación
• 15% Examen teórico-práctico
• 10% Participación en discusiones y presentaciones en clase

8. Integración de Datos Multimodales en IA para Psicoterapia (6 créditos)

Justificación: Esta asignatura es crucial para desarrollar habilidades en la integración y análisis de diversas fuentes de datos en psicoterapia, permitiendo una comprensión más completa y precisa del estado del paciente.

Temario:

1. Técnicas de fusión de datos para información multimodal 1.1. Implementación de métodos de fusión temprana y tardía 1.2. Desarrollo de arquitecturas de redes neuronales para fusión multimodal 1.3. Creación de sistemas de ponderación adaptativa de fuentes de datos
2. Análisis conjunto de datos textuales, de voz y fisiológicos 2.1. Implementación de pipelines de procesamiento para datos multimodales 2.2. Desarrollo de modelos de alineación temporal para diferentes fuentes de datos 2.3. Creación de técnicas de extracción de características multimodales
3. Modelos de aprendizaje profundo para procesamiento de señales multimodales 3.1. Implementación de arquitecturas de redes convolucionales y recurrentes para datos multimodales 3.2. Desarrollo de modelos de atención para fusión de diferentes modalidades 3.3. Creación de sistemas de auto-supervisión para aprendizaje de representaciones multimodales
4. Interpretación de patrones multimodales en contextos clínicos 4.1. Implementación de técnicas de visualización para datos multimodales 4.2. Desarrollo de métodos de explicabilidad para modelos multimodales 4.3. Creación de interfaces para interpretación clínica de resultados multimodales

Conceptos clave: Fusión de datos multimodales, procesamiento de señales multimodales, aprendizaje profundo multimodal, interpretación de patrones multimodales.

Bibliografía:

• Baltrušaitis, T., Ahuja, C., & Morency, L. P. (2019). Multimodal machine learning: A survey and taxonomy. IEEE transactions on pattern analysis and machine intelligence, 41(2), 423-443.
• Poria, S., et al. (2017). A review of affective computing: From unimodal analysis to multimodal fusion. Information Fusion, 37, 98-125.
• Lahat, D., Adali, T., & Jutten, C. (2015). Multimodal data fusion: an overview of methods, challenges, and prospects. Proceedings of the IEEE, 103(9), 1449-1477.

Modo de calificación:

• 45% Proyecto final: Desarrollo de un sistema de análisis multimodal para psicoterapia
• 30% Implementación de técnicas de fusión y análisis multimodal durante el curso
• 15% Examen teórico-práctico
• 10% Presentaciones y discusiones en clase

9. Simulación y Modelado de Procesos Terapéuticos (6 créditos)

Justificación: Esta asignatura es esencial para desarrollar habilidades en la creación de modelos computacionales que simulen procesos terapéuticos, permitiendo un mejor entendimiento y optimización de las intervenciones.

Temario:

1. Modelos computacionales de cambio terapéutico 1.1. Implementación de modelos de ecuaciones estructurales para procesos terapéuticos 1.2. Desarrollo de modelos de sistemas dinámicos para cambio psicológico 1.3. Creación de simulaciones basadas en agentes para interacciones terapeuta-paciente
2. Simulación de dinámicas terapeuta-paciente 2.1. Implementación de modelos de teoría de juegos para interacciones terapéuticas 2.2. Desarrollo de simulaciones de procesos de toma de decisiones en terapia 2.3. Creación de entornos virtuales para entrenamiento de terapeutas
3. Modelado de trayectorias de recuperación y recaída 3.1. Implementación de modelos de Markov ocultos para estados de salud mental 3.2. Desarrollo de simulaciones de Monte Carlo para pronóstico de resultados terapéuticos 3.3. Creación de modelos de redes complejas para la progresión de síntomas
4. Técnicas de agentes autónomos para escenarios terapéuticos 4.1. Implementación de arquitecturas de agentes cognitivos para simulación de pacientes 4.2. Desarrollo de sistemas multi-agente para modelar entornos terapéuticos 4.3. Creación de técnicas de aprendizaje por refuerzo para optimizar estrategias terapéuticas

Conceptos clave: Modelos de cambio terapéutico, simulación basada en agentes, modelado de trayectorias clínicas, sistemas dinámicos en psicoterapia.

Bibliografía:

• Borsboom, D., & Cramer, A. O. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual review of clinical psychology, 9, 91-121.
• Epstein, J. M. (2006). Generative social science: Studies in agent-based computational modeling. Princeton University Press.
• Trull, T. J., & Ebner-Priemer, U. W. (2020). Ambulatory assessment in psychopathology research: A review of recommended reporting guidelines and current practices. Journal of abnormal psychology, 129(1), 56.

Modo de calificación:

• 45% Proyecto final: Desarrollo de un modelo de simulación de proceso terapéutico
• 30% Implementación de modelos y simulaciones durante el curso
• 15% Examen teórico-práctico
• 10% Presentaciones y discusiones en clase

10. Trabajo Fin de Máster (12 créditos)

Justificación: El Trabajo Fin de Máster permite a los estudiantes integrar y aplicar los conocimientos y habilidades adquiridos durante el programa en un proyecto de investigación o desarrollo original en el campo de la IA aplicada a la psicoterapia.

Desarrollo:

1. Identificación y definición de un problema relevante en la intersección de IA y psicoterapia
2. Revisión exhaustiva de la literatura y el estado del arte
3. Diseño e implementación de una solución basada en IA
4. Evaluación experimental o simulación de la solución propuesta
5. Análisis de resultados y discusión de implicaciones
6. Redacción de la memoria del proyecto
7. Presentación y defensa del trabajo

Conceptos clave: Investigación original, desarrollo de sistemas de IA para psicoterapia, evaluación de eficacia, ética en IA y salud mental.

Bibliografía: La bibliografía será específica para cada proyecto y será determinada en conjunto por el estudiante y su supervisor.

Modo de calificación:

• 50% Calidad técnica y originalidad del proyecto
• 25% Memoria escrita
• 15% Presentación y defensa oral
• 10% Proceso de desarrollo y seguimiento