Machine Learning in der psychologischen Forschung

Machine Learning (ML) Methoden werden auch in der psychologischen Forschung zunehmend verwendet. Sie versprechen eine präzise Vorhersage auf Basis vieler, potenziell hoch korrelierter Prädiktoren und können komplexe Muster (z. B. Interaktionen und nonlinear Beziehungen) automatisch detektieren, ohne dass diese Zusammenhänge im Vorfeld spezifiziert werden müssen. Zugleich sind psychologische Daten typischerweise durch kleine Stichprobenumfänge, komplexe Datenstrukturen (oft nicht i.i.d.), Messartefakte, kleine Effektstärken und ein ungünstiges Signal-to-noise Ratio gekennzeichnet. Demnach werden ML-Methoden bei der Anwendung auf psychologische Daten häufig in einem Bereich eingesetzt, für den theoretische Herleitungen nicht unbedingt gültig sind.

Wir wollen untersuchen, unter welchen Bedingungen ML-Methoden in realistischen psychologischen Settings zuverlässig Performance-Vorteile und interpretierbare Ergebnisse liefern. Um den Nutzen von ML-Methoden für typische psychologische Datensätze zu bewerten, führen wir systematische Simulationsstudien unter realistischen daten-generierenden Bedingungen durch. Wir variieren zentrale Merkmale psychologischer Datensätze wie Stichprobengröße, Reliabilität der Prädiktoren, Modellkomplexität und Eigenschaften der Messung, um deren Einfluss auf die Vorhersageperformance und die Stabilität von Modellvergleichen zu untersuchen.

Über reine Vorhersageperformance hinaus beschäftigt sich die psychologische Forschung häufig mit der Generalisierbarkeit von Ergebnissen und mit der Quantifizierung von Schätzungenauigkeiten, um inhaltliche Schlussfolgerungen abzusichern. Daher untersuchen wir Aussagekraft und Grenzen von ML-Methoden und beabsichtigen, traditionelle parametrische Statistik mit modernen ML-Workflows zu verbinden. Wir arbeiten an Empfehlungen, wie ML-Methoden sinnvoll mit inhaltlichen Theorien und strukturellen Eigenschaften psychologischer Daten verknüpft werden können.

Einschlägige Publikationen:

Speck, K.L., Jankowsky, K., Scharf, F., & Schroeders, U. (2026). Beyond the Hype: A Simulation Study Evaluating the Predictive Performance of Machine Learning Models in Psychology. Psychological Methods. 10.1037/met0000832