izpis_h1_title_alt

Računska raziskava faznih prehodov v podatkih časovnih vrst na področju duševnega zdravja : magistrsko delo
ID Šiško, Primož (Avtor), ID Schiepek, Günter (Mentor) Več o mentorju... Povezava se odpre v novem oknu

.pdfPDF - Predstavitvena datoteka, prenos (3,15 MB)
MD5: 001421EAADDEEF8BCB2CA1D9CA3AA97C

Izvleček
Mnogo kognitivnih fenomenov lahko interpretiramo skozi paradigme kompleksnih in kaotičnih sistemov, kar omogoči uporabo matematičnih modelov v podatkovni analizi. Nekatere izmed najpomembnejših vidikov procesov sprememb v psihoterapiji (npr. diskontinuiteten napredek) je mogoče razložiti v kontekstu njihovih kaotičnih dinamik [1]. Za fazni prehod samoorganizirajočih sistemov (angl. phase transition, v nadaljevanju PT) so značilne spremembe v različnih dinamičnih aspektih klientove multivariatne časovne vrste (npr. sprememba v aritmetičnem poprečju ali varianci skozi čas) [2]. Zanimalo me je, če uporaba modelov strojnega učenja pripomore k višji točnosti zaznave faznih prehodov. To sem raziskovali tako, da sem (a) analiziral možnosti vpeljave modelov strojnega učenja v algoritem PTDA (Pattern Transition Detection Algorithm) [3], ki vključuje več podalgoritmov za zaznavo faznih prehodov, in (b) programsko izvedel izbrano možnost vpeljave modelov strojnega učenja v PTDA in analiziral, če je razširitev pripomogla k zvišanju točnosti. Uporabil sem dve obstoječi podatkovni zbirki, pri čemer ena vsebuje heterogen vzorec 30 klientov in druga 40 udeležencev. Obe podatkovni zbirki sta sestavljeni iz časovnih vrst samoocenjevalnih vprašalnikov in dnevniških vnosov. Prvo podatkovno zbirko bom uporabil za oblikovanje modela za zaznavo PT in drugo za prikaz možnosti prenosa rešitve tudi na druge podatke časovnih vrst na področju duševnega zdravja. Za (a) sem s pomočjo literature in preučevanja PTDA navedel različne možnosti vpeljave modelov strojnega učenja in izbral najprimernejšo. Za (b) sem programsko ustvaril model strojnega učenja in ocenil uspešnost s pomočjo primerjave točnosti razširjene in originalne verzije PTDA. Rezultati so pokazali, da je, v primerjavi z originalnim PTDA, vključitev regresivnega modela strojnega učenja pripomogla k statistično značilnem zvišanju metrike uspešnosti R2 pri zaznavi faznih prehodov. To kaže na prednost uporabe modelov strojnega učenja zaradi njihove sposobnosti odkrivanja vzorcev in dodatnega znanja z učenjem na podatkih. Predlagal sem tudi sistemsko rešitev, s pomočjo katere se lahko izvede programska izvedba za uporabo v psihoterapevtski praksi. Predlagana rešitev lahko služi kot učinkovito orodje v psihoterapevtski praksi. Z rezultati sem pokazal na pomembnost tesne interakcije psihoterapevta in računskih metod. Z magistrskim delom sem naredili enega izmed prvih korakov v procesu vključevanja modelov strojnega učenja za zaznavo faznih prehodov v duševnem zdravju.

Jezik:Slovenski jezik
Ključne besede:fazni prehod, duševno zdravje, nelinearni algoritmi, psihoterapija, strojno učenje
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:PEF - Pedagoška fakulteta
Kraj izida:Ljubljana
Založnik:P. Šiško
Leto izida:2023
Št. strani:70 str.
PID:20.500.12556/RUL-152568 Povezava se odpre v novem oknu
UDK:165.194(043.2)
DOI:20.500.12556/RUL-152568 Povezava se odpre v novem oknu
COBISS.SI-ID:174347779 Povezava se odpre v novem oknu
Datum objave v RUL:29.11.2023
Število ogledov:335
Število prenosov:24
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:A Computational Study of Phase Transitions in Mental Health Time Series Data
Izvleček:
Many cognitive phenomena can be interpreted through the paradigms of complex and chaotic systems, allowing the use of mathematical models in data analysis. Some of the most important aspects of change processes in psychotherapy (e.g., discontinuous progress) can be explained in the context of their chaotic dynamics [1]. The phase transition of self-organizing systems (PT) is characterized by changes in various dynamic aspects of the client’s PT’s multivariate time series (e.g., a change in the mean or variance over time) [2]. I was interested in whether the use of machine learning (ML) models contributes to increased accuracy in detecting PTs. I investigated this by (a) analysing the specific options for introducing the ML model into the Pattern Transition Detection Algorithm (PTDA) [3], which contains several sub-algorithms for detecting PT, and (b) implementing the chosen option of introducing the ML model into PTDA and analysing whether the extension contributes to increasing the detection accuracy. I used two existing datasets, one containing a heterogeneous sample of 30 clients and the other of 40 participants. Both datasets consist of a time series of self-assessment questionnaires and diary entries. I used the first dataset to develop a model for detecting PT, and the second to demonstrate the feasibility of transferring the solution to other mental health time series data. For (a), I used the literature and analysis of the PTDA to list the options for implementing ML models and select the most appropriate one. For (b), I implemented a ML model and evaluated performance by comparing the accuracy of the expanded and original versions of the PTDA. The results showed that, compared to the original PTDA, the inclusion of a machine learning regression model contributed to a statistically significant increase in the R2 performance metric in detecting phase transitions. This points to the advantage of using machine learning models because of their ability to discover patterns and additional knowledge by learning from the data. Additionally, I proposed a systemic solution to guide the implementation of this system for utilization in psychotherapy practice, emphasizing the importance of close interaction between psychotherapists and computational methods. The proposed solution can serve as an effective tool in psychotherapeutic practice. With this work, I took an important step in the process of incorporating machine learning models to detect phase transitions in mental health.

Ključne besede:machine learning, mental health, phase transition, nonlinear algorithms, psychotherapy

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj