标签归档：贝叶斯

基于贝叶斯网络的ADHD分类器与自适应诊断

培训资讯、统计分析、

内容来源：中山大学心理学系

报告人：江哲涵 副研究员

报告人单位：北京大学

题目：基于贝叶斯网络的ADHD分类器与自适应诊断

时间：2022年4月18日 （周一，14:20-17:30）

地点：心理学系305

报告简介

在面对注意力缺陷/多动症（ADHD）等神经系统疾病时，我们常需要对其严重程度进行量化分级。为了探索数据驱动分类的方法学特性，本研究旨在开发基于贝叶斯网络的模型及其计算机适应性测试（CAT），以便对个体受试者的ADHD症状严重程度进行高效且准确地分类。当前症状量表（CCS）被用来在892名大学生样本中建立ADHD症状严重程度分类器，通过计算机模拟研究，我们评估了基于条件概率的信息增益CAT，以此模拟结果来确定优化方案。平均结果显示，将18个项目中的8个分配给单个受试者可获得85%的分类准确率，由此为ADHD量表的精简化与个性化提供可行机制，进而允许基于贝叶斯网络的分类器以数据驱动来协助诊断。通过与项目反应理论的对比，该研究证明将CAT纳入分类器可在缩短量表的同时、保持可接受的测量质量。

报告人简介

江哲涵，北京大学医学部/全国医学教育发展中心 (Tenure-Track)副研究员，博士研究生导师。研究领域：心理和教育测量，数据可视化，机器学习，人工智能，成本效益，医学考试，问卷设计分析等。近三年在主流SCI/SSCI的教育学、心理学、信息学等期刊发文近30余篇，如《Medical Teacher》、《Behavior Research Methods》、《Multivariate Behavior Research》、《Psychometrika》等。曾担任阿拉巴马大学、贝勒医学院助理教授，现担任《BMC Medical Research Methodology》等期刊的责任编辑与审稿专家。

 

评估零效应的方法介绍：等价检验、贝叶斯估计和贝叶斯因子

OpenScience、培训资讯、统计分析、

内容来源：OpenScience

主持人：

胡传鹏（德国莱布尼茨心理韧性研究中心，Leibniz Institute for Resilience Research）

报告者：

许岳培（等价检验，上海师范大学心理系，即将进入中科院心理所学习）；

王珺（贝叶斯估计，中山大学心理学系）；

陆春雷（贝叶斯因子，浙江师范大学教师教育学院心理系）。

直播时间：

2020年3月8日 晚上8: 30-9: 30 （北京时间）

通讯工具：

Zoom会议ID: 860 509 0616

会议密码: hnsut2012

工作坊 | 心理学研究中的（统计）模型思维

培训资讯、、、

内容来源：清华大学心理学系

在本次工作坊中，胡博士将以自己博士论文中的部分实验为例，分享不同研究问题可以采用的不同模型。重点包括：假设检验中Bayes factor （贝叶斯因子）及其如何在JASP中实现、认知模型HDDM（Hierarchical drift diffusion model, 层级扩散模型）及其如何Python中实现。胡博士希望通过本次工作坊，能够激发听众思考统计模型思维在研究中的作用，同时学会如何使用JASP计算贝叶斯因子，如何使用HDDM工具包探索反应时数据。

时间：

2019年12月27日（周五）

下午 13:30–17:00；晚上 18:30–20:00

地点：

清华大学伟清楼507室（暂定，具体场地根据报名情况而定）

工作坊初步拟定大纲如下：

1. 引言：研究问题及其对应的统计模型

2. 研究问题类型I：效应是否存在？

2.1 频率主义的NHST

2.2 贝叶斯学派的贝叶斯因子 （重点）

3 研究问题类型 II：效应有多大？

3.1 频率主义的效应量及其置信区间

3.2 贝叶斯学派的估计

4 研究问题类型III：效应的异质性（略讲）

混合线性模型在估计效应异质性中的作用

5 研究问题类型IV：对机制的描述

反应时数据的扩散模型（重点）

对象及费用：

面向所有高年级本科生、研究生（方向不限）

工  作  坊  费  用：免  费

（但需要提前报名，以便主办方做准备）

报名链接：https://www.wenjuan.com/s/ZNZ3Ef/

（扫描报名工作坊）

参考文献
1. Wagenmakers, E.-J., Love, J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., . . . Morey, R. D. (2018). Bayesian Inference for Psychology. Part II: Example Applications with JASP. Psychonomic Bulletin & Review, 25(1), 58-76. doi:10.3758/s13423-017-1323-7
2. Wagenmakers, E.-J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Love, J., . . . Morey, R. D. (2018). Bayesian inference for psychology. Part I: Theoretical advantages and practical ramifications. Psychonomic Bulletin & Review, 25(1), 35-57. doi:10.3758/s13423-017-1343-3
3. Wiecki, T. V., Sofer, I., & Frank, M. J. (2013). HDDM: Hierarchical Bayesian estimation of the Drift-Diffusion Model in Python. Frontiers in Neuroinformatics, 7. doi:10.3389/fninf.2013.00014
4. 胡传鹏, 孔祥祯, Wagenmakers, E.-J., Ly, A., 彭凯平. (2018). 贝叶斯因子及其在JASP中的实现. 心理科学进展, 26(6), 951-965.  doi:10.3724/SP.J.1042.2018.00951