Referências iniciais para estudo de Inteligência Artificial e Psicologia

À medida que avançamos no século XXI, a interseção entre Inteligência Artificial (IA) e Psicologia abre portas para descobertas significativas e inovações importantes. 

O crescente interesse nessa convergência reflete a busca por respostas para desafios complexos relacionados ao entendimento do comportamento humano, tratamento de transtornos mentais e melhoria da saúde mental. 

Esta lista de referências foi compilada para oferecer a estudiosos e profissionais da área um norte ao qual iniciar seus estudos sobre o campo da IA aplicada à Psicologia. 

Alguns estudos são pioneiros, explorando avanços tecnológicos e discussões éticas cruciais que moldam o futuro da interação dessas áreas. Embora algumas leituras possam ser densas, sugiro que prossiga, pois bons processos de aprendizagem frequentemente exigem esse nível de dedicação. 

Seja você um acadêmico, psicólogo clínico, pesquisador ou entusiasta, a ideia é que esta lista proporcione uma visão abrangente e aprofundada desse campo de estudo, que, por sinal, já exploramos de maneira abrangente neste texto. Qualquer problema com os links, por favor, indique nos comentários que resolveremos tão logo seja possível. Vamos às referências:

LIVROS, DISSERTAÇÕES E DOCUMENTOS

1. ALMEIDA JUNIOR, O. A. Beck: Um Chatbot Baseado na Terapia Cognitivo- Comportamental para Apoiar Adolescentes com Depressão. Dissertação (Mestrado em Computação) – Pós-graduação em Ciência da Computação do Centro de Informática, Universidade Federal de Pernambuco, Pernambuco, 2017. https://bit.ly/3cbuayY.
2. BRASIL, Ministério da Ciência, Tecnologia e Inovações. Portaria GM nº 4.617, de 6 abril de 2021. Brasília, 2021. https://bit.ly/2UmIHz1.  
3. EYSENCK, M.; EYSENCK, C. Inteligência Artificial x Humanos: o que a ciência cognitiva nos ensina ao colocar frente a frente a mente humana e a IA. Artmed, 2023.
4. JEFFREY, K. In our image. In J. Brockman (ed.). What to think about machines that think. Harper Perennial, 2015.
5. KAUFMAN, D.  A Inteligência Artificial irá suplantar a inteligência humana? Barueri, SP: Estação das Letras e Cores, 2018.
6. KELLY, K. Inevitável: As 12 Forças Tecnológicas que Mudarão o Nosso Mundo. São Paulo: HSM, 2017.
7. LEE, K. Inteligência artificial: como os robôs estão mudando o mundo, a forma como amamos, nos relacionamos, trabalhamos e vivemos. Rio de Janeiro: Globo Livros.
8. LOTTEMBERG, C.; SILVA, P. E.; KLAJNER S. A revolução digital na saúde: como a inteligência artificial e a internet das coisas tornam o cuidado mais humano, eficiente e sustentável. São Paulo: Editora dos Editores, 2019.
9. MCCARTHY, J. AI, Logic and Formalizing Common Sense. In THOMASON, R. Philosophical Logic and Artificial Intelligence. Kluver Academic, 1989.
10. MIT, Institute Massachusetts Technology. Inteligência Artificial nas grandes organizações latino-americanas: visão geral da adoção e tendências na região. Technology Review, 2020.
11. OLIVEIRA, R. F. Inteligência Artificial. Londrina: Editora e Distribuidora Educacional S.A., 2018.
12. PRESOTTO, J. G. C.  Métodos de aprendizado de máquina fracamente supervisionados baseados em ranqueamento. Dissertação (Mestrado) – Universidade Estadual Paulista (Unesp), Instituto de Geociências e Ciências Exatas, Rio Claro, 2021. http://bit.ly/3ABceYf. 
13. RUSSEL, S. J.; NORVIG, P. Inteligência Artificial (3ªed.). Rio de Janeiro: Elsevier Editora Ltda, 2013.
14. TAULLI, T. Introdução à Inteligência Artificial: uma Abordagem Não Técnica. São Paulo: Novatec, 2020.

ARTIGOS

1. AKTAN, M. E.; TURHAN, Z.; DOLU, I. Attitudes and perspectives towards the preferences for artificial intelligence in psychotherapy. Computers in Human Behavior, v. 133, 2022. https://bit.ly/3nXoUlh. 
2. BICKMAN, L. Improving Mental Health Services: A 50-Year Journey from Randomized Experiments to Artificial Intelligence and Precision Mental Health. Adm Policy Ment Health, v. 47, pp. 795–843, 2020. https://bit.ly/3ZF0j6j.  
3. BURNS, M. N.; BEGALE, M.; DUFFECY, J.; GERGLE, D.; KARR, C. J.; GIANGRANDE, E.; MOHR, D. C. Harnessing Context Sensing to Develop a Mobile Intervention for Depression. Journal Medical Internet Research, v. 13, n. 3, 2011. https://bit.ly/3nXRbZ7.  
4. CHEN, M.; MAO, S.; LIU, Y. Big Data: A Survey. Mobile Netw Appl, v. 19, p. 171– 209, 2014. https://bit.ly/3uN7mMx.  
5. CORMACK, F.; MCCUE,M.; TAPTIKLIS, N.; SKIRROW, C.; GLAZER E.; PANAGOPOULOS, E.; VAN SCHAIK, T. A.; FEHNERT, B.; KING, J.; BARNETT, J. H. Wearable Technology for High-Frequency Cognitive and Mood Assessment in Major Depressive Disorder: Longitudinal Observational Study. JMIR Ment Health, v. 6, n. 11, 2019. https://bit.ly/3qmbBvf.  
6. COZMAN, F. G. Inteligência Artificial: uma utopia, uma distopia. Teccogs: Revista Digital de Tecnologias Cognitivas, n. 17, pp. 32-43, 2018. http://bit.ly/3Zyzocl. 
7. DELAHUNTY, F.; WOOD, I. D.; ARCAN, M. First Insights on a Passive Major Depressive Disorder Prediction System with Incorporated Conversational Chatbot. 26th AIAI Irish Conference on Artificial Intelligence and Cognitive Science, 2018. https://bit.ly/3yHpTei. 
8. DUAN, Y.; EDWARDS, J. S.; DWIVEDI, Y. K. Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda. International Journal of Information Management, v. 48, pp. 63–71, 2019. http://bit.ly/3XrhZ3y. 
9. DWYER, D. B.; FALKAI, P.; KOUTSOULERIS, N. Machine Learning Approaches for Clinical Psychology and Psychiatry. Annual Review of Clinical Psychology, v. 14, n. 1, pp. 91–118, 2018. https://bit.ly/3yvx4Gg.  
10. FITZPATRICK, K. K.; DARCY, A.; VIERHILE, M. 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 Ment Health, v. 4, n. 2, 2017. https://bit.ly/3jE3E3c. 
11. FULMER, R.; JOERIN, A.; GENTILE, B.; LAKERINK, L.; RAUWS, M. Using Psychological Artificial Intelligence (Tess) to relieve symptoms of Depression and Anxiety: Randomized Controlled Trial. JMIR Mental Health, v. 5, n. 4, 2018. https://bit.ly/32sClij.  
12. GONZALEZ, O. Psychometric and Machine Learning Approaches to Reduce the Length of Scales. Multivariate Behavioral Research, 2020. https://bit.ly/3nlP41S.  
13. GRAHAM, S.; DEPP, C.; LEE, E.E.; NEBEKER, C.; TU, X.; KIM, H.; JESTE D. V. Artificial Intelligence for Mental Health and Mental Illnesses: an Overview. Current Psychiatry Reports, v. 21, n. 116, 2019. https://bit.ly/3oQHEUB. 
14. GRIFFITHS, F.; LINDENMEYER, A.; POWELL, J.; LOWE, P.; THOROGOOD, M. Why Are Health Care Interventions Delivered Over the Internet? A Systematic Review of the Published Literature. Journal of Medical Internet Research, v. 8, n. 2, 2006. https://bit.ly/3xpf4Mk. 
15. HALLBERG, S. C. M.; LISBOA, C. M. L. Percepção e Uso de Tecnologias da Informação e Comunicação por Psicoterapeutas. Temas em Psicologia, v. 24, n. 4, pp. 1297-1309, 2016. https://bit.ly/35MvBh7. 
16. JIANG, F.; JIANG, Y.; ZHI, H.; DONG, Y.; LI, H.; MA, S.; WANG, Y.; DONG, Q.; SHEN, H.; WANG, Y. Artificial intelligence in healthcare: Past, present and future. Stroke and Vascular Neurology, v. 2, n. 4, pp. 230–43, p. 2017.  https://bit.ly/3IkXfTK. 
17. JUNGMANN, S. M.; KLAN, T.; KUHN, S.; JUNGMANN, F. Accuracy of a Chatbot (ADA) in the Diagnosis of Mental Disorders: Comparative Case Study with Lay and Expert Users. JMIR Formative Research, v. 3, n. 4, 2019. https://bit.ly/3dAgbkz. 
18. LÖTSCH, J.; SIPILÄ, R.; DIMOVA, V.; KALSO, E. Machine-learned selection of psychological questionnaire items relevant to the development of persistent pain after breast cancer surgery. British Journal of Anaesthesia, v. 121, n. 5, pp. 1123-1132, 2018. https://bit.ly/3N6Pog1.  
19. MALDONADO, M.; ALULEMA, D.; MOROCHO, D.; PROAÑO, M. System for monitoring natural disasters using natural language processing in the social network twitter. IEEE International Carnahan Conference on Security Technology, 2016. https://bit.ly/3uKJDwn. 
20. MCCULLOCH, W.S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133, 1943. https://doi.org/10.1007/BF02478259
21. MIKUS, A.; HOOGENDOORN, M.; ROCHA, A.; GAMA, J.; RUWAARD, J.; RIPER, H. Predicting short term mood developments among depressed patients using adherence and ecological momentary assessment data. Internet Interventions, v. 12, pp. 105-110, 2018. https://bit.ly/3APDZx4. 
22. NATALE, S. If software is narrative: Joseph Weizenbaum, artificial intelligence and the biographies of ELIZA. New Media & Society, v. 21, n. 3, pp. 712-728, 2019. https://bit.ly/3BFuvTu. 
23. NEMESURE, M. D.; HEINZ, M.V.; HUANG, R.; JACOBSON, N. C. Predictive modeling of depression and anxiety using electronic health records and a novel machine learning approach with artificial intelligence. Scientific Report, v. 11, n. 1980, 2021. https://bit.ly/3AP1J48. 
24. OLIVEIRA, L; LADOUCEUR, C. D.; PHILLIPS, M. L.; BRAMMER, M.; MOURAO- MIRANDA, J. What does Brain Response to Neutral Faces Tell Us about Major Depression? Evidence from Machine Learning and fMRI. PLoS ONE, v. 8, n. 4, 2013. https://bit.ly/3cfK9MN. 
25. ORRÙ, G.; PETTERSSON-YEO, W.; MARQUAND, A. F.; SARTORI, G.; MECHELLI, A. Using SVM to identify imaging biomarkers of neurological and psychiatric disease. Neuroscience & Biobehavioral Reviews, v. 36, n. 4, pp. 1140- 1152, 2012. https://bit.ly/3IyMRJl. 
26. PANG, Z., YUAN, H., ZHANG, Y. T., PACKIRISAMY, M. Guest Editorial Health Engineering Driven by the Industry 4.0 for Aging Society. IEEE Journal of Biomedical and Health Informatics, v. 22, n. 6, pp. 1709–1710, 2018. https://bit.ly/3gHZjcm. 
27. QIAN, K.; KUROMIYA, H.; REN, Z.; SCHMITT, M.; ZHANG, Z.; NAKAMURA, T.; YOSHIUCHI, K.; SCHULLER, B. W.; YAMAMOTO, Y. Automatic detection of Major Depressive Disorder via a Bag-of-Behaviour-Words Approach. Proceedings of the Third International Symposium on Image Computing and Digital Medicine, pp. 71-75, 2019. https://bit.ly/3yBPzZT. 
28. QIAN, K.; KUROMIYA, H.; REN, Z.; SCHMITT, M.; ZHANG, Z.; NAKAMURA, T.; YOSHIUCHI, K.; SCHULLER, B. W.; YAMAMOTO, Y. Automatic detection of Major Depressive Disorder via a Bag-of-Behaviour-Words Approach. Proceedings of the Third International Symposium on Image Computing and Digital Medicine, pp. 71-75, 2019. https://bit.ly/3yBPzZT. 
29. RENN, B. N.; SCHURR, M. S.; ZASLAVSKY, O.; PRATAP, A. Artificial Intelligence: An Interprofessional Perspective on Implications for Geriatric Mental Health Research and Care. Frontiers in Psychiatry, v. 12, 2021. https://bit.ly/3uTCJG6. 
30. SCHROEDERS, U.; WILHELM, O.; OLARU, G. Meta-Heuristics in Short Scale Construction: Ant Colony Optimization and Genetic Algorithm. PLoS ONE v. 11, n. 11, 2016. https://bit.ly/3tu5hmR. 
31. SCOTT, C.K.; DENNIS, M.L; GUSTAFSON, D.H. Using smartphones to decrease substance use via self-monitoring and recovery support: study protocol for a randomized control trial. Trials, v. 18, n. 374, 2017. http://bit.ly/3938m4y. 
32. SHANNON, C. A Chess-Playing Machine. Scientific American, v. 182, n. 2, p. 48-51, 1950. https://bit.ly/34W47bM. 
33. SHATTE, A. B. R.; HUTCHINSON, D. M.; TEAGUE, S. J. Machine learning in mental health: a scoping review of methods and applications. Psychological Medicine, v. 49, n. 9, pp. 1426-1448, 2019. https://bit.ly/3PeLRN3.  
34. SHEIKH, S.; SHABAN, K. Finding Behavioural and Imaging Biomarkers of Major Depressive Disorder (MDD) using Artificial Intelligence: A Review. IEEE International Conference on Informatics, IoT, and Enabling Technologies, pp. 7- 12, 2020. https://bit.ly/3jfLQLp.  
35. SIJIA, Z.; JINGPING, Z.; LULU, Z. Application of Artificial Intelligence on Psychological Interventions and Diagnosis: An Overview. Frontiers in Psychiatry, v. 13, 2019. https://bit.ly/38AY26t. 
36. TAO, X.; CHI, O.; DELANEY, P. J.; LI, L.; HUANG, J. Detecting depression using an ensemble classifier based on Quality of Life scales. Brain Informatics, v. 8, n. 2, 2021. https://bit.ly/3o3poX0. 
37. TURING, A. M. Computing Machinery and Intelligence.  Mind, v. 49, pp. 433-460, 1950. http://bit.ly/3tFepJZ
38. UCUZ, l.; ARI, A.; OZCAN, O. O.; TOPAKTAS, O.; SARRAF, M.; DOGAN, O. Estimation of the Development of Depression and PTSD in Children Exposed to Sexual Abuse and Development of Decision Support Systems by Using Artificial Intelligence. Journal of Child Sexual Abuse, 2020. https://bit.ly/3RKQiAT. 
39. VICARI, R. M. Influências das Tecnologias da Inteligência Artificial no Ensino. Estudos Avançados, v. 35, n. 101, pp. 73-84, 2021. https://bit.ly/3c0I2w2.  
40. WISNIEWSKI, H.; LIU G.; HENSON, P.; VAIDYAM, A.; HAJRATALLI, N. K.; ONNELA, J. Understanding the quality, effectiveness and attributes of top-rated smartphone health apps. Evidence-Based Mental Health, v. 22, n. 1, pp. 4-9, 2019. https://bit.ly/35SSIq6. 
41. ZAHAN, R.; MCQUILLAN, I.; OSGOOD, N. DNA Methylation Data to Predict Suicidal and Non-Suicidal Deaths: A Machine Learning Approach. IEEE International Conference on Healthcare Informatics, pp. 363-365, 2018. https://bit.ly/3ALjYaV. 
42. ZHANG, F.; WU, C.; JIA, C.; GAO, K.; WANG, J.; ZHAO, H.; WANG, W.; CHEN, J. Artificial intelligence based discovery of the association between depression and chronic fatigue syndrome. Journal of Affective Disorders, v. 250, pp. 380-390, 2019. https://bit.ly/3aDuk1G.