From Prediction to Agile Interventions in the Social Sciences
Gefördert vom MKW NRW im Rahmen der MKW-Profilbildung 2020
Der interdisziplinäre Forschungsbereich From Prediction to Agile Interventions in the Social Sciences (FAIR) bringt Forscher*innen aus den Datenwissenschaften, der Statistik, den Erziehungswissenschaften, der Psychologie, den Rehabilitationswissenschaften und der Soziologie zusammen. FAIR-Forscher*innen aus diesen verschiedenen Disziplinen konzentrieren sich auf die Entwicklung und Anwendung innovativer Forschungsmethoden aus den Datenwissenschaften und verwenden sie zur Adressierung gesellschaftlicher Herausforderungen in hochrelevanten Bereichen wie Bildung, Gesundheit sowie gesellschaftlicher Inklusion und Teilhabe.
Projektive Item-Response-Theorie-Modelle für Zähldaten und ihre Anwendung als interpretierbare Approximationen an Black-Box-Modelle des maschinellen Lernens
Gefördert von der Deutschen Forschungsgemeinschaft (DFG)
Im Vergleich zu IRT-Methoden für binäre Daten sind Zähldaten-IRT-Modelle unterentwickelt. Gezielte weitere Methodenentwicklung für Zähldaten erlaubt die Berücksichtigung von unstrukturierten Indikatoren für latente Variablen, wodurch die IRT enger mit Methoden des maschinellen Lernens verknüpft wird. Das Forschungsvorhaben entwickelt projektive IRT-Modelle für Zähldaten. Insbesondere kann auf Hauptdimensionen gängiger existierender Modelle projiziert werden. Die projektiven Modelle finden als gut interpretierbare Modelle Verwendung in Situationen, in denen ein Black-Box-Modell des maschinellen Lernens wegen seiner Vorhersage- oder Klassifikationsgüte eingesetzt wird. So entstehen Approximationen an Black-Box-Modelle, die helfen, diese besser zu verstehen. Da mehr- und sogar hochdimensionale latente Variablenkonstellationen numerisch aufwändig sind, wird auch ein EM-Algorithmus für ein generelles Zähldaten-IRT-Modell entwickelt.
Publikationen
-
Beisemann, M. (2022). A flexible approach to modelling over‐, under‐and equidispersed count data in IRT: The Two‐Parameter Conway–Maxwell–Poisson Model. British Journal of Mathematical and Statistical Psychology. (Advance online publication.) https://doi.org/10.1111/bmsp.12273
