The Psych‐telling Machine

Diese Dissertation untersucht und evaluiert das Potential von Machine Learning (ML) zur Vorhersage psychologischer Merkmale und zur Minderung diagnostischer Verzerrungen. Eine umfassende Meta-Analyse (Kapitel 2) hat die konvergente Validität zwischen ML-basierten Vorhersagen und selbst berichteten Big-Five Persönlichkeitsmerkmalen empirisch untersucht. Mithilfe eines mehrstufigen metaanalytischen Designs wurden Daten von 121 Primärstudien einbezogen, um die konvergente Validität zu ermitteln. Die Ergebnisse dieses Kapitels liefern Evidenz für konvergente Validität. Dies bestätigt, dass ML-Methoden Kerndimensionen der Persönlichkeit erfassen können. Die nachfolgende Meta-SEM-Analyse hob auch den möglichen Einfluss der Common Method Varianz hervor (Faktorkongruenz φ = 0,9), was darauf hindeutet, dass ML-Vorhersagen nicht nur echte Merkmalsvarianz, sondern auch methoden-spezifische Artefakte widerspiegeln könnten. Dies ist eine entscheidende Betrachtung für die Validität jeglicher computergestützter Diagnostik. Aufbauend auf diesen Erkenntnissen untersuchte die Dissertation die Fähigkeiten von ML weiter, indem sie ein Transfer-Learning-Modell zur Vorhersage von sozialer Erwünschtheit (SDR) anhand von Bilddaten anwandte (Kapitel 3). Dieser Ansatz liefert vielversprechende Ergebnisse zur Erkennung von SDR Tendenzen (MSE = 0,07, r = 0,27, AUC = 0,71). Wurde Grad-CAM als Explainable AI-Technik zur Interpretation der Entscheidungsvorhersagen herangezogen, zeigte sich, dass sich das Modell gelegentlich auf in der Theorie nicht erwartete Merkmale stützte. Dies unterstreicht erneut, dass ML sowohl bedeutungsvolle psychologische Muster als auch die Komplexität unserer Messmethoden widerspiegelt. Zusammen genommen deuten diese Studien darauf hin, dass ML wirkungsvolle Instrumente zur Weiterentwicklung der psychologischen Diagnostik bietet, indem es die Vorhersagbarkeit verbessert und neue Wege zur Erfassung komplexer Konstrukte eröffnet. Die Ergebnisse bedürfen jedoch einer sorgfältigen Prüfung. Somit demonstriert diese Dissertation das Potenzial von ML - einschließlich seiner inhärenten Komplexitäten - zur Weiterentwicklung der psychologischen Wissenschaft.