Modellering en controle van dynamische intrapersoonlijke netwerken.

Nu we midden in de artificiële intelligentie revolutie zitten, worden de enorme voordelen van machine learning duidelijk. Top op heden zijn deze voordelen echter nog niet volledig geïntegreerd in het veld van psychologische methoden. Het doel van dit doctoraat is om dit op predictie gebaseerde kader te gebruiken om psychologische methoden te verbeteren.

We zullen machine learning en predicties op twee verschillende manieren gebruiken. In de eerste twee delen voorspellen we de oplossingen van computationeel erg moeilijke problemen, die gebruikt worden om affect tijdseries te modeleren, om het aantal keer dat we ze effectief moeten oplossen te minimaliseren. Hierdoor is het mogelijk om de snelheid van statistische inferentie te verhogen. In de laatste drie delen gebruiken we predicties om verschillende state-of-the-art psychologische modellen te evalueren. Door hun voorspellingskracht te testen merken we dat veel van deze nieuwe modellen slechts weinig incrementele waarde hebben tegen over hun minder ingewikkelde voorgangers.

Specifiek beginnen we met het introduceren van `fingerprint resampling', een generische methode om computationeel erg zware resampling methoden zoals bootstrap en cross-validatie te versnellen. In deze resampling methoden moet een gelijkaardige functie keer op keer geoptimaliseerd worden. Wij stellen voor om de relatie tussen de geresamplede data en hun corresponderende optima te leren. Gebruik makend van deze kennis kunnen we toekomstige optima voorspellen en zo de resampling procedure drastisch versnellen.

Hierna introduceren we een gelijkaardige oplossing om het schatten van parameters voor modellen zonder analytische likelihood functie te versnellen. Als het mogelijk is om het hele domein van oplossingen voor een bepaald model in kaart te brengen, dan kunnen we machine learning gebruiken om toekomstige problemen, direct, op te lossen. Dit maakt het schatten van parameters tot 100,000 keer sneller.

Vervolgens evalueren we vector autoregressieve of VAR modellen die vaak gebuikt worden om multivariate dynamische processen te modelleren. Gezien er veel parameters geschat moeten worden voor dit model zou het kunnen dat dit model eigenlijk te complex is. Gebruik makend van predicties vinden we inderdaad dat het VAR model de data overfit in enkele psychologische data sets en dat het er niet in slaagt het gemakkelijkere AR model te overtreffen.

Ten slotte focussen we op het extraheren van nuttige informatie uit emotie dynamica om het huidige psychologische welzijn van participanten te voorspellen. Van veel dynamische maten, zoals autocorrelatie, variantie en densiteit, wordt beweerd dat ze een kritisch en dynamische aspect van emotie tijdreeksen evalueren dat gelinkt kan worden aan psychologisch welzijn. We laten eerst theoretisch zien hoe veel van deze dynamische maten vertroebeld worden door het gemiddelde, wanneer emoties met een begrensde schaal gemeten worden. Tot slot verkennen we hoe al deze maten empirisch samenhangen met elkaar en evalueren we hun incrementele waarde in de predictie van psychologisch welzijn. We vinden dat in veel gevallen het gebruik van dynamische aspecten van affect tijdsreeksen, boven op het gemiddelde, de predicties van psychologisch welzijn niet verbeteren.