Fachbereich Informatik

Fachbereich Informatik - Aktuell

21.11.2019

Disputation Tanja Krumpe

am Freitag, 29. November 2019, um 11:30 Uhr in Raum A302, Sand 1

 
Maschinelles Lernen als Forschungstool in der experimentellen Psychologie


Berichterstatter 1: Prof. Volker Franz
Berichterstatter 2: Prof. Peter Gerjets


Im Rahmen dieser Dissertation wird evaluiert wie Methodiken aus dem maschinellen Lernen angewendet werden können um in der experimentellen Psychologie neue Erkenntnisse aus neurophysiologischen Daten zu gewinnen. An zwei Beispielen aus der Gedächtnispsychologie, werden die experimentell erhobenen EEG Daten jeweils einmal mit klassischer Gruppen Statistik ausgewertet und einmal mit Klassifikationsverfahren aus dem Bereich des maschinellen Lernens. Die Kombination aus den Ergebnissen beider Verfahren zeigt, dass neue Erkenntnisse gewonnen werden können, die die Forschung in der experimentellen Psychologie gewinnbringend vorantreiben.
Der Einsatz neuer Methodiken in diesem Bereich ist notwendig, da die konventionelle Gruppen-Statistik Probleme aufweist, die sich großflächige in der Wissenschaft ausgebreitet und schwerwiegende Folgen nach sich gezogen haben, die sich insbesondere in der Replikationskrise zeigen. Die Vorteile, die sich durch den Einsatz von maschinellem Lernen ergeben, können dazu beitragen diese Probleme maßgeblich zu lindern.
Im Vergleich zur Anwendung von Gruppen-Statistik alleine, ermöglicht die Kombination aus beiden Methoden, dass Daten sowohl auf Gruppen als auch auf Versuchspersonenebene gleichermaßen ausgewertet werden können, um ein vollständiges Bild der Daten zu erhalten. Zum anderen können die Informationen einzelner Regionen, mit denen von einem ganzen Verband von Daten sammelnden Sensoren verglichen und ausgewertet werden. So können auch Muster in Betracht gezogen werden. Auch wird mit dem Hinzufügen des maschinellen Lernens die explorative Datenanalyse ermöglicht, welche im Bereich der Gruppen-Statistik bisher nicht durchführbar war.
Konkret konnte durch die Anwendung maschineller Lernverfahren die Charakterisierung von exekutiven Funktionen verfeinert und neue Hypothesen bezüglich des episodischen Gedächtnisses aufgestellt werden. Von großer Wichtigkeit waren Methodiken, die die Arbeitsweise der maschinellen Lernverfahren transparent gestalten. Durch sie konnte die Anwendung legitimiert und eine zweckgebundene Interpretation der Ergebnisse durchgeführt werden. Weiterhin besonders wertvoll war die Gegenüberstellung von der behavioralen Genauigkeit und der Genauigkeit des maschinellen Lernverfahrens. In diesem Vergleich konnte gezeigt werden, dass zwischen der visuellen Verarbeitung eines Bildes und dessen aktiver Wiedererkennung nicht notwendigerweise ein Zusammenhang besteht. Beide Fallbeispiele konnten repräsentativ zeigen, welche Möglichkeiten sich durch den Einsatz von maschinellen Lernverfahren ergeben und dadurch neue Erkenntnisse präsentieren, die ohne die Anwendung des maschinellen Lernens in diesem Kontext nicht möglich gewesen wären.
 

Zurück