🤖📚 Descubre las mejores herramientas impulsadas por #AI para la investigación académica y ahorra tiempo para hacer lo que más te gusta
📚 Accede a más información en menos tiempo!
🚀 Dale un impulso a tu investigación académica! #GPT#DataScience#science#chatGPT#research#ML
✅Scispace
Espacio de trabajo para automatizar tareas
Obtén una explicación simple de texto, matemáticas y tablas confusas
Haz preguntas de seguimiento y obtén respuestas instantáneas
Busca papers relevantes
Mejora la colaboración buff.ly/3gz7LhQ #Researchtools#science
✅Elicit
Automatiza flujos de trabajo
Encuentra papers relevantes sin palabras clave exactas
Resume conclusiones del documento específicas para tu pregunta
Extrae información clave de los documentos
Lluvia de ideas, resumen y clasificación de textos buff.ly/30DwBok #GPT4
✅Scite
Analiza artículos científicos y extrae info relevante
Identifica los papers +relevantes en tu dominio
Conoce los últimos desarrollos y tendencias
Accede a "citas inteligentes" para explorar el contexto en el que se cita un artículo.
De pago buff.ly/2IUks4a #AI
✅ResearchRabbit
Busca papers, crea alertas
Mantente actualizado, visualiza papers, descubre redes de artículos y autores, accede a recomendaciones según tus gustos, resúmenes personalizados, crea y comparte tus colecciones
El Spotify de la investigación! buff.ly/3KjWL1d
✅ChatPDF
Sube el PDF del paper y comienza a hacerle preguntas
Resume el documento y da ejemplos de preguntas que podría responder basándose en el artículo completo
Facilita la lectura y el análisis de artículos de revistas científica buff.ly/3zvriFJ #GPT4#Researchtools
• • •
Missing some Tweet in this thread? You can try to
force a refresh
𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒆 𝑪𝒐𝒏𝒇𝒖𝒔𝒊ó𝒏: riesgos, límites y consideraciones críticas👇🧵
¿Qué es un confusor? ¿Cuáles son sus consecuencias?
¿Cómo evitar problemas de confusores? ¿Qué limitaciones debemos tener en cuenta?
¿Qué es? Una variable de confusión (o confusor) es un tercer factor que cambia la asociación entre otras 2 variables: la exposición (e.g. el factor de riesgo que se estudia) y el resultado (e.g. el efecto en la salud).
3 condiciones👇
¿Consecuencias? El efecto real de la exposición se mezcla con el efecto de otros factores que también influyen en el resultado, dificultando la identificación de la verdadera relación causal.
Puede alterar los resultados en magnitud o dirección.
𝐋𝐚 𝐩𝐨𝐭𝐞𝐧𝐜𝐢𝐚 𝐞𝐬𝐭𝐚𝐝𝐢𝐬𝐭𝐢𝐜𝐚 es 1−β: la probabilidad de evitar un 𝐞𝐫𝐫𝐨𝐫 𝐝𝐞 𝐭𝐢𝐩𝐨 II, es decir, de no pasar por alto un efecto real del tamaño especificado. Una potencia baja implica un alto riesgo de concluir que no hay efecto cuando sí existe.
#master
Por eso, el enfoque correcto no es basarse en el efecto esperado, sino en el 𝐭𝐚𝐦𝐚𝐧̃𝐨 𝐝𝐞𝐥 𝐞𝐟𝐞𝐜𝐭𝐨 𝐝𝐞 𝐢𝐧𝐭𝐞́𝐫𝐞𝐬 𝐦𝐚́s 𝐩𝐞𝐪𝐮𝐞𝐧̃𝐨 (𝐒𝐄𝐒𝐎𝐈). Esto define el umbral de relevancia científica o práctica que no queremos pasar por alto.
#cienciadedatos #phd
😱 ¿Tienes varias mediciones de un mismo sujeto, sensor o ciudad? ¡Cuidado! Tratarlas como si fueran observaciones independientes (e.g. tratar 25 mediciones de 5 sujetos como si fueran 25 sujetos distintos) es cometer pseudoreplicación. Y este error invalida tus conclusiones:👇🧵
1️⃣Inferencia
Al ignorar la dependencia, el modelo asume que cada dato aporta información nueva y única. Esto subestima el error estándar e infla los estadísticos de prueba.
Consecuencia: Aumentan los falsos positivos y se distorsionan artificialmente los intervalos de confianza.
2️⃣ Estimación de Efectos (Intra vs. Inter)
Impide distinguir entre la variabilidad intra-sujetos (cambios en el tiempo) y inter-sujetos (diferencias inherentes).
Consecuencia: Los efectos aparentan ser más precisos de lo que realmente son, y puedes caer en la Paradoja de Simpson.
⚽ En este post tienes una introducción divulgativa y práctica al papel del data scientist en el fútbol, explicando qué datos se generan, cómo se analizan y para qué se usan en la toma de decisiones deportivas.
Hoy cada partido y entrenamiento producen una avalancha de información que ya no se puede gestionar solo con intuición.
El data scientist entra en escena para responder preguntas que antes no tenían respuesta clara:
El fútbol sigue siendo emocional. Pero la toma de decisiones ya no lo es tanto.
Cada vez más clubes (grandes y pequeños) tienen equipos internos de datos. Porque decidir fichajes, rotaciones o planteamientos sin datos hoy es asumir desventaja estructural.
🚨𝗖𝗼́𝗺𝗼 𝗲𝘃𝗮𝗹𝘂𝗮𝗿 𝘂𝗻 𝗺𝗼𝗱𝗲𝗹𝗼 𝗽𝗿𝗲𝗱𝗶𝗰𝘁𝗶𝘃𝗼: decenas de métricas... y mucha confusión
La evaluación de modelos predictivos está plagada de métricas (¡existen más de 30!), pero ¿Qué preguntas responden realmente?
𝟱 𝗱𝗶𝗺𝗲𝗻𝘀𝗶𝗼𝗻𝗲𝘀 conceptuales👇🧵
👉 Si no distingues estos dominios, estás evaluando mal el modelo, aunque los números “salgan bien”.
¿Cómo evaluar qué errores comete, con qué frecuencia y a qué coste?
#stats
▶︎ 𝗘𝗫𝗔𝗖𝗧𝗜𝗧𝗨𝗗 (𝗔𝗖𝗖𝗨𝗥𝗔𝗖𝗬)
Porcentaje total de aciertos.
⚠️ Si una clase es mayoritaria, un modelo trivial que siempre predice esa clase puede tener una exactitud alta sin capacidad predictiva real.
Debes superar la tasa de no información (% clase mayoritaria)