270314 Wie können wir Verhalten vorhersagen? (S) (SoSe 2022)

Vorhersagen von menschlichem Verhalten finden sich in verschiedenen Bereichen, wie der Empfehlung von Produkten, bei Partnervermittlungen, beim Aufstellen von Wahlprognosen, bei der Feststellung von Kreditwürdigkeit oder bei der Bemessung der Rückfallwahrscheinlichkeit von Straftätern. Im experimentellen Bereich (welche Antwort wird die Vp als nächstes geben?) oder in klinischen Studien (gehört diese Person zu der Patienten- oder der Kontrollgruppe?) ist das Potenzial von Vorhersagen noch weitestgehend ungenutzt. Wir wollen die Möglichkeiten von Vorhersagen als Werkzeug für die Psychologie anschauen und erlernen, wie wir Vorhersagen formal aufstellen und überprüfen können.
Im Vordergrund stehen das Anschauen von Daten (Exploration), die Auswahl von Variablen (Feature Selection), die Erstellung von Modellen (Training), das Überprüfen der Akkuratheit der Modelle (Testing) und das Umwandeln von Modellen in Anwendungen (Deployment).
Hierzu erlernen wir die Grundlagen des Programmierens in Python und den Umgang mit Paketen wie scikit-learn (https://scikit-learn.org). Am Ende des Seminars werden wir in der Lage sein, eine vollständige Anwendung online zu stellen, mit der andere Personen interaktiv arbeiten können.

Format: Hybrid-Veranstaltung, d.h. Teilnahme in Präsenz oder via Zoom möglich (+ Asynchron im LernraumPlus)

Requirements for participation, required level

Die Veranstaltung richtet sich an Studierende der Psychologie im Bachelorstudiengang. Vorausgesetzt werden ein Interesse an Neurowissenschaften und der Arbeit mit Daten. Zu beachten sind ebenfalls die Anforderungen an das Modul Y bzw. AF-Neuro2: https://ekvv.uni-bielefeld.de/sinfo/publ/modul/80734865

Bibliography

Hofman, J. M., Sharma, A., & Watts, D. J. (2017). Prediction and explanation in social systems. Science, 355(6324), 486-488. http://faculty.washington.edu/jwilker/559/prediction.pdf

Yarkoni, T., & Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from machine learning. Perspectives on Psychological Science, 12(6), 1100-1122. https://talyarkoni.org/pdf/Yarkoni_PPS_2017.pdf