Zur Kurzanzeige

dc.date.accessioned2024-05-13T07:28:22Z
dc.date.available2024-05-13T07:28:22Z
dc.date.issued2024
dc.identifierdoi:10.17170/kobra-2024050710129
dc.identifier.urihttp://hdl.handle.net/123456789/15747
dc.language.isoeng
dc.relation.haspartdoi:10.1177/01650254221075034
dc.relation.haspartdoi:10.1177/10731911231167490
dc.relation.haspartdoi:10.1111/bjc.12452
dc.rightsNamensnennung-Nicht-kommerziell 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectmachine learningeng
dc.subjectpredictive modelingeng
dc.subjectpsychological researcheng
dc.subjectsuicidal behavioreng
dc.subjecttreatment responseeng
dc.subjecttherapy dropouteng
dc.subjectattrition in longitudinal studieseng
dc.subject.ddc150
dc.titlePromises and Pitfalls of Machine Learning Modeling in Psychological Researcheng
dc.typeDissertation
dcterms.abstractAlgorithmen des maschinellen Lernens werden in der Psychologie und ihren Teildisziplinen immer beliebter. Sie werden häufig dafür angepriesen, dass sie mit der Multikollinearität von Prädiktorvariablen und komplexen Beziehungen zwischen Prädiktoren und Kriterien effizient umgehen können. Trotz ihrer Vorteile werden auch immer mehr kritische Stimmen laut, die auf die derzeitigen Grenzen von Vorhersagen durch maschinelles Lernen hinweisen und die Frage aufwerfen, ob die Algorithmen den Erwartungen gerecht werden. Insbesondere gibt es immer mehr Berichte über fehlerhafte Modellvalidierungen, die wiederum inflationäre Ergebnisse bedingen. In dieser Dissertation untersuche ich die Nützlichkeit von Algorithmen des maschinellen Lernens für die Vorhersage von Abbrüchen in längsschnittlichen Studien (Manuskript 1), Suizidversuchen von Jugendlichen (Manuskript 2), dem Ansprechen auf eine Psychotherapie (Manuskript 3) und dem Abbruch einer Psychotherapie (Manuskript 4). In jedem dieser Gebiete werden Machine Learning Algorithmen immer häufiger mit dem Ziel genutzt, negative Ergebnisse proaktiv zu vermindern. Innerhalb des Prologs gehe ich jeweils auf typische Probleme bei der Machine Learning Modellierung innerhalb dieser Gebiete ein und adressiere diese innerhalb der vier Studien. Im Epilog diskutiere ich verschiedene Aspekte (Zeit, Umgebung, Kultur, Messinstrumente und -verfahren, und Methoden), die sich auf die Generalisierbarkeit von Vorhersagemodellen auswirken können und bisher bei dessen Betrachtung innerhalb der psychologischen Forschung zu kurz kommen. Darüber hinaus thematisiere ich verschiedene Aspekte, bei denen es innerhalb von Machine Learning Modellierung in der psychologischen Forschung allgemein, aber auch für meine Vorhersagemodelle noch Verbesserungspotential gibt (z.B. eine strengere Variablenvorabauswahl oder die stärkere Verknüpfung von Machine Learning Modellierung und Open Science Praktiken).ger
dcterms.abstractMachine learning algorithms are becoming increasingly popular across psychology and its subdisciplines. They are often praised for their ability to efficiently deal with collinearity of predictors and complex relationships between predictors and outcomes. Despite their advantages, there are also critical voices pointing out the current limitations of machine learning predictions and questioning whether the algorithms live up to the expectations. In particular, there are increasing reports of incorrect model validation contributing to inflationary results. In this thesis, I investigate the usefulness of machine learning across four prediction use cases, namely the prediction of attrition in longitudinal studies (manuscript 1), of suicide attempts of adolescents (manuscript 2), of treatment response in psychotherapy (manuscript 3), and of psychotherapy dropout (manuscript 4). In each of these research areas, machine learning algorithms are increasingly being used with the aim to proactively prevent negative outcomes. In the prologue and in the four studies, I present and address typical pitfalls in machine learning modeling common for each of these areas. In the epilogue, I discuss different aspects (time, settings, cultures, measures, and methods) that can affect the generalizability of predictive models and that have not been sufficiently considered in the psychological research literature so far. In addition, I address several aspects where there is still room for improvement not only in machine learning modeling in psychological research in general, but also with respect to the prediction models included in this thesis (e.g., a more stringent feature selection or a more rigorous combination of machine learning modeling and open science practices).eng
dcterms.accessRightsopen access
dcterms.creatorJankowsky, Kristin
dcterms.dateAccepted2024-04-25
dcterms.extent137 Seiten
dc.contributor.corporatenameKassel, Universität Kassel, Fachbereich Humanwissenschaften, Institut für Psychologie, Fachgebiet Psychologische Diagnostik
dc.contributor.refereeSchroeders, Ulrich (Prof. Dr.)
dc.contributor.refereeZimmermann, Johannes (Prof. Dr.)
dc.contributor.refereeGnambs, Timo (Dr.)
dc.subject.swdMaschinelles Lernenger
dc.subject.swdSuizidger
dc.subject.swdTherapieabbruchger
dc.subject.swdPsychologieger
dc.subject.swdForschungger
dc.type.versionpublishedVersion
kup.iskupfalse
ubks.epflichttrue
ubks.kumDisstrue


Dateien zu dieser Ressource

Thumbnail
Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige

Namensnennung-Nicht-kommerziell 4.0 International
Solange nicht anders angezeigt, wird die Lizenz wie folgt beschrieben: Namensnennung-Nicht-kommerziell 4.0 International