Promises and Pitfalls of Machine Learning Modeling in Psychological Research

Algorithmen 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).