VSE knjižnice (vzajemna bibliografsko-kataložna baza podatkov COBIB.SI)
  • Računska raziskava faznih prehodov v podatkih časovnih vrst na področju duševnega zdravja [Elektronski vir] = A computational study of phase transitions in mental health time series data : magistrsko delo
    Šiško, Primož
    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.
    Vrsta gradiva - magistrsko delo ; neleposlovje za odrasle
    Založništvo in izdelava - [P. Šiško], 2023 ; Ljubljana
    Jezik - slovenski
    COBISS.SI-ID - 174347779

    Povezava(-e):

    Repozitorij Univerze v Ljubljani – RUL
    DOI

Vnos na polico