Table of Contents

Die Schnittstelle von Big Data und psychologischer Forschung stellt eine der transformierendsten Entwicklungen in der modernen Verhaltenswissenschaft dar. Menschen wandern zunehmend in die digitale Umgebung und erzeugen große Mengen an digitalen Fußabdrücken von Verhaltensweisen, Kommunikation und sozialen Interaktionen. Diese digitale Revolution hat grundlegend verändert, wie Forscher menschliches Verhalten, Kognition und Emotion untersuchen, und bietet beispiellose Möglichkeiten, den menschlichen Geist in großem Maßstab zu verstehen. Diese Transformation bringt jedoch erhebliche Herausforderungen mit sich, die innovative Lösungen und eine sorgfältige Berücksichtigung methodischer, ethischer und praktischer Bedenken erfordern.

Big Data in der psychologischen Forschung verstehen

Technologische Fortschritte haben zu einer Fülle von allgemein verfügbaren Daten über jeden Aspekt des Lebens geführt. Psychologen haben heute mehr Informationen als je zuvor über menschliche Kognition, Emotionen, Einstellungen und Verhalten. Der Umfang von Big Data in der Psychologie geht weit über traditionelle Laborexperimente und Umfrageforschung hinaus. Moderne psychologische Studien umfassen jetzt Daten aus verschiedenen Quellen, einschließlich Social-Media-Plattformen, tragbare Fitness-Tracker, Smartphone-Anwendungen, Online-Verhaltensverfolgung, elektronische Gesundheitsakten und digitale Phänotypisierungstechnologien.

Psychologen führen jetzt Online-Experimente durch, die Daten von Tausenden von Teilnehmern sammeln können, maschinelle Lernmodelle, die Muster aus Tausenden von Datenpunkten entschlüsseln können, oder Gehirndaten aus Tausenden von Subregionen analysieren. Dies stellt eine grundlegende Verschiebung gegenüber den traditionellen kleinteiligen Studien dar, die die psychologische Forschung historisch charakterisiert haben. Da psychologische Forschung üblicherweise Daten von menschlichen Probanden sammelt, beinhalten psychologische Studien traditionell keine (sehr) großen Proben. Die Stichprobengrößen der meisten experimentellen Studien sind relativ klein (mittlere Stichprobengröße um 40), während die Stichprobengrößen von Beobachtungsstudien tendenziell klein bis mittel sind (mittlere Stichprobengröße um 120).

Die Verfügbarkeit großer Datensätze auf Facebook, Twitter und anderen Social-Media-Sites bietet ein psychologisches Fenster zu den Einstellungen und Verhaltensweisen eines breiten Spektrums der Bevölkerung. Darüber hinaus sammeln Einzelpersonen Daten über sich selbst (z. B. Anzahl der Schritte, Herzfrequenz, Schlafmuster) mit persönlichen Trackern wie Fitbit, Jawbone, iPhone und ähnlichen Geräten. Diese vielfältigen Datenquellen bieten reiche Möglichkeiten, die menschliche Psychologie in naturalistischen Kontexten zu verstehen.

Große Herausforderungen bei der Analyse von Big Data

Datenvolumen und Computational Complexity

Die schiere Größe von Big Data stellt psychologische Forscher vor unmittelbare praktische Herausforderungen. Die Datensätze sind möglicherweise zu groß für Standard-Arbeitsplätze, so dass die Computer der Forscher nicht für den Umgang mit den Daten verwendet werden können. Diese Rechenbarriere erfordert, dass Forscher Cloud-Computing-Infrastruktur, verteilte Verarbeitungssysteme und spezialisierte Datenbankmanagement-Tools übernehmen, die viele Psychologieabteilungen möglicherweise nicht ohne Weiteres zur Verfügung haben.

Neben der Speicher- und Verarbeitungsleistung können die Daten verschiedene Arten von Informationen umfassen, wie numerische Daten, Text, Ton und Videos. Konventionelle multivariate Techniken wie die multiple Regression sind möglicherweise nicht optimal für den Umgang mit solchen verschiedenen Arten von Variablen. Diese Heterogenität von Datentypen erfordert neue analytische Ansätze, die mehrere Modalitäten gleichzeitig integrieren können, so dass Forscher Fähigkeiten in Bereichen wie Verarbeitung natürlicher Sprache, Computer Vision und Signalverarbeitung entwickeln müssen.

Die Vertrautheit mit fortgeschrittenen statistischen Analysen und Computerprogrammierung wird immer wichtiger, um mit dem Stand der Technik Schritt zu halten. Die Idee, Big Data zu bekämpfen, kann jedoch für Menschen, die in das Feld kommen, unglaublich entmutigend sein, insbesondere angesichts der Tatsache, dass die meisten grundständigen Psychologie-Curricula keine computergestützte oder fortgeschrittene statistische Studienarbeit erfordern. Diese Qualifikationslücke stellt ein erhebliches Hindernis für die weit verbreitete Einführung von Big Data-Methoden in der psychologischen Forschung dar.

Datenqualität und Messprobleme

Big Data hat zwar eine beispiellose Größe, geht aber oft auf Kosten der Messgenauigkeit und -kontrolle. Big Data wirft Fragen zur Qualität der Daten und zur Verallgemeinerbarkeit der Ergebnisse auf. In der Forschung, in der Daten über das Internet oder andere Medien gesammelt werden, haben Forscher möglicherweise wenig Kontrolle darüber, wer die Daten bereitstellt, und Informationen über die Hintergrundeigenschaften der Teilnehmer können schwer zu erhalten sein.

Forscher haben davor gewarnt, dass Machine-Learning-Modelle psychologische Variablen analysieren, die möglicherweise von vornherein schlecht gemessen wurden. Datensätze können nicht repräsentative Proben oder Messfehler enthalten, die Algorithmen absorbieren und verwenden, um ihre Vorhersagen zu erstellen. Diese grundlegende Sorge um die Datenqualität wird in dem Prinzip festgehalten, dass "Die Tatsache, dass wir leistungsfähigere Machine-Learning-Methoden verwenden, den Begriff Müll nicht negiert - Müll aus."

Das Rauschen, das in großen Datenquellen steckt, stellt zusätzliche Herausforderungen dar. Social-Media-Beiträge können beispielsweise Sarkasmus, kulturelle Referenzen oder kontextabhängige Bedeutungen enthalten, die für automatisierte Systeme schwer genau zu interpretieren sind. Tragbare Gerätedaten können durch technische Störungen, Compliance-Probleme der Benutzer oder Umweltfaktoren beeinflusst werden, die nichts mit den psychologischen Konstrukten von Interesse zu tun haben. Forscher müssen strenge Datenbereinigungs-, Validierungs- und Qualitätskontrollverfahren implementieren, um sicherzustellen, dass ihre Analysen aussagekräftige Erkenntnisse liefern und nicht Artefakte von Messfehlern.

Statistische Signifikanz versus praktische Signifikanz

Die massiven Stichprobengrößen, die für Big Data charakteristisch sind, stellen ein paradoxes Problem für die traditionelle statistische Inferenz dar. Die großen Stichprobengrößen können bei den meisten statistischen Analysen zu statistisch signifikanten Ergebnissen führen, selbst wenn die damit verbundenen Effektgrößen praktisch trivial sind. Wenn Forscher den Signifikanztest als Kriterium verwenden, um beispielsweise die Relevanz der Prädiktoren zu beurteilen, können irreführende Schlussfolgerungen gezogen werden.

Diese Herausforderung erfordert, dass Forscher ihren Fokus von der statistischen Signifikanz auf die Einflussgrößen, Konfidenzintervalle und praktische Bedeutung verlagern. Mit Stichproben in den Tausenden oder Millionen erreichen sogar winzige Korrelationen oder Gruppenunterschiede eine statistische Signifikanz, haben aber möglicherweise keine aussagekräftigen Auswirkungen auf das Verständnis menschlichen Verhaltens oder die Entwicklung von Interventionen. Forscher müssen neue Rahmenbedingungen für die Bewertung der Bedeutung von Ergebnissen entwickeln, die über die traditionellen Signifikanztests mit Nullhypothesen hinausgehen.

Bei großen Stichprobengrößen ist zu befürchten, dass selbst eine kleine Selektionsverzerrung zu einer falschen Ablehnung der Nullhypothese führen kann, was bedeutet, dass Stichprobenverzerrungen, die in kleinen Studien vernachlässigbar sein könnten, zu irreführenden Ergebnissen führen können, wenn sie durch große Stichprobengrößen verstärkt werden, wodurch die Aufmerksamkeit auf die Probenahmemethodik in der Big-Data-Forschung noch wichtiger wird.

Algorithmische Bias und Generalisierbarkeit

Die Forschung im Bereich des maschinellen Lernens kann auch durch sogenannte algorithmische Verzerrungen behindert werden. Modelle lernen aus Datensätzen, die homogene Proben enthalten können, oder aus den impliziten Annahmen der Wissenschaftler, die die Daten überhaupt erst erhoben haben. Diese Verzerrung kann sich auf vielfältige Weise manifestieren, von Trainingsdatensätzen, die bestimmte demografische Gruppen überrepräsentieren, bis hin zu Algorithmen, die versehentlich gesellschaftliche Vorurteile in historischen Daten kodieren.

Ein Modell des maschinellen Lernens kann nur auf Daten trainiert werden, an denen weiße Individuen beteiligt sind, und die Vorhersagen, die das Modell produziert, können sich nicht auf andere Rassengruppen verallgemeinern.

Einige Forscher warnen davor, dass Algorithmen aus Datenquellen lernen, die Verzerrungen und fehlerhafte Messungen enthalten können, was ihre prädiktive Genauigkeit beeinflusst. Diese Verzerrungen können subtil und schwer zu erkennen sein, was eine sorgfältige Validierung über verschiedene Populationen und Kontexte hinweg erfordert. Die Verwendung selbstberichteter Umfrageantworten führt zu potenziellen Verzerrungen, da diese subjektiv sind und möglicherweise nicht klinisch validiert sind. Zweitens können demografische Verzerrungen innerhalb des Datensatzes (z. B. Alters- oder Regionendarstellung) die Generalisierbarkeit beeinflussen.

Ethische und Datenschutzbedenken

Die Sammlung und Analyse von groß angelegten Verhaltensdaten wirft tiefgreifende ethische Fragen zu Privatsphäre, Einwilligung und Datenschutz auf. Die Identifizierung, Adressierung und Sensibilität für ethische Überlegungen bei der Analyse großer Datensätze aus öffentlichen oder privaten Quellen ist zu einem zentralen Anliegen in der psychologischen Big-Data-Forschung geworden.

Viele Quellen von Big Data beinhalten Informationen, denen Personen möglicherweise nicht ausdrücklich zugestimmt haben, sie für Forschungszwecke verwendet zu haben. Social-Media-Beiträge, Smartphone-Nutzungsmuster und Online-Browsing-Verhalten können intime Details über die mentalen Zustände, Beziehungen und persönlichen Kämpfe von Personen offenbaren. Selbst wenn Daten öffentlich verfügbar sind oder mit Zustimmung gesammelt werden, müssen sich die Forscher mit Fragen auseinandersetzen, ob die Teilnehmer wirklich verstanden haben, wie ihre Daten verwendet werden würden und ob sie zugestimmt hätten, wenn sie die Auswirkungen vollständig verstanden hätten.

Das Potenzial für eine Re-Identifizierung stellt eine weitere ernste Sorge dar. Selbst wenn Datensätze anonymisiert werden, kann die Kombination mehrerer Datenpunkte manchmal die Identifizierung von Individuen ermöglichen, insbesondere wenn große Datenquellen miteinander verbunden sind. Dieses Risiko ist besonders akut in der psychologischen Forschung, wo die Daten sensible Informationen über psychische Gesundheit, Persönlichkeitsmerkmale oder Verhaltensmuster aufdecken können, die Individuen lieber privat halten würden.

Die Datensicherheits- und -schutzmaßnahmen müssen robust sein, um Verstöße zu verhindern, die sensible psychologische Informationen offenlegen könnten. Forscher müssen Verschlüsselung, sichere Speichersysteme, Zugangskontrollen und Datenverwaltungsrichtlinien implementieren, die die regulatorischen Anforderungen wie DSGVO, HIPAA und Standards des institutionellen Überprüfungsgremiums erfüllen oder übertreffen.

Interpretierbarkeit und das Problem der "Black Box"

Viele Algorithmen des maschinellen Lernens, die in der Big-Data-Analyse verwendet werden, sind komplex und schwer zu interpretieren. ML-Modelle werden typischerweise als Blackboxen angesehen, was bedeutet, dass sie zwar genaue Vorhersagen liefern, aber das Verständnis, warum sie bestimmte Vorhersagen treffen, schwierig oder unmöglich sein kann. Dieser Mangel an Transparenz stellt die psychologische Forschung vor Probleme, wo das Verständnis von Mechanismen und Prozessen oft genauso wichtig ist wie das Erstellen genauer Vorhersagen.

Für klinische Anwendungen ist das Blackbox-Problem besonders besorgniserregend. Psychische Fachkräfte müssen die Gründe hinter Diagnose- oder Risikobewertungsinstrumenten verstehen, um fundierte Entscheidungen über die Patientenversorgung zu treffen. Patienten und ihre Familien haben auch ein Recht darauf zu verstehen, wie Entscheidungen über ihre Behandlung getroffen werden. Die Undurchsichtigkeit einiger Modelle des maschinellen Lernens kann das Vertrauen untergraben und den praktischen Nutzen von Big-Data-Ansätzen in angewandten Umgebungen einschränken.

Forscher erkennen zunehmend die Notwendigkeit erklärbarer KI und interpretierbarer maschineller Lernmethoden, die Einblicke in die Art und Weise liefern können, wie Modelle zu ihren Vorhersagen gelangen.

Innovative Lösungen und Best Practices

Fortgeschrittene Computational Infrastructure und Tools

Um die Herausforderungen im Bereich der Rechenleistung von Big Data zu bewältigen, sind Investitionen in geeignete Infrastrukturen und Tools erforderlich. Cloud-Computing-Plattformen wie Amazon Web Services, Google Cloud Platform und Microsoft Azure bieten skalierbare Speicher- und Verarbeitungsfunktionen, die Datensätze verarbeiten können, die weitaus größer sind als herkömmliche Desktop-Computer. Diese Plattformen bieten Pay-as-you-go-Preismodelle, die Hochleistungs-Computing für Forscher zugänglich machen, ohne dass massive Vorabinvestitionen in Hardware erforderlich sind.

Spezialisierte Datenbankmanagementsysteme, die für Big Data entwickelt wurden, wie Apache Hadoop, Apache Spark und NoSQL Datenbanken, ermöglichen eine effiziente Speicherung und Abrufung von großen Datensätzen. Diese Tools können Daten parallel über mehrere Maschinen hinweg verarbeiten, was die Zeit für Datenmanipulation und -analyse drastisch verkürzt. Data Warehousing-Lösungen bieten organisierte Strukturen für die Speicherung und den Zugriff auf verschiedene Datentypen, was die Integration von Informationen aus verschiedenen Quellen erleichtert.

Programmiersprachen und Bibliotheken, die speziell für Data Science entwickelt wurden, insbesondere Python und R, bieten umfangreiche Ökosysteme von Tools für Big Data-Analysen. Bibliotheken wie Pandas, NumPy und scikit-learn in Python oder dplyr, data.table und caret in R bieten effiziente Implementierungen von Datenmanipulation und Machine Learning Algorithmen, die für große Datensätze optimiert sind. Forscher sollten Zeit in das Erlernen dieser Tools investieren und über neue Entwicklungen im Data Science Ökosystem auf dem Laufenden bleiben.

Machine Learning und Advanced Analytics

Machine Learning-Techniken wie Regressionsbäume, regularisierte Regression, zufällige Wälder, neuronale Netze und unterstützende Vektormaschinen sind in der Big Data-Analyse beliebt. Diese Methoden bieten mehrere Vorteile gegenüber herkömmlichen statistischen Ansätzen, wenn sie mit großen, komplexen Datensätzen arbeiten.

Es gibt fünf Arten von analytischen Ansätzen in Data Science: (1) deskriptive Analytics, die erklären, was passiert ist; (2) diagnostische Analytics, die erklären, warum Dinge passiert sind; (3) prädiktive Analytics, die durch die Verwendung prädiktiver Modelle vorhersagen, was wahrscheinlich auf der Grundlage von beobachteten Daten passieren wird; (4) präskriptive Analytics, die eine Vorgehensweise auf der Grundlage der Ergebnisse eines prädiktiven Modells empfiehlt; und (5) kognitive Analysen, die die Fortschritte in ML und KI durch High Performance Computing ausnutzen, um analytische Modelle mit einer menschenähnlichen Intelligenz zu entwickeln.

Die Ergänzung des analytischen Workflows psychologischer Experimente mit auf maschinellem Lernen basierender Analyse wird sowohl die Genauigkeit maximieren als auch Replizierbarkeitsprobleme minimieren. Die Forscher müssen jedoch darauf achten, häufige Fallstricke zu vermeiden. Wenn sie nicht richtig verwendet werden, kann dies zu überoptimistischen Genauigkeitsschätzungen führen, die ähnlich mit statistischen Inferenzen beobachtet werden.

Künstliche Intelligenz und maschinelles Lernen liefern Erkenntnisse, die bald die Beobachtungsfähigkeiten der Wissenschaftler überschreiten werden und möglicherweise zu revolutionären Fortschritten im Verständnis der menschlichen Psychologie führen. Schon jetzt haben maschinelle Lerntechniken innovative Wege ermöglicht, Kognition, Persönlichkeit, Verhalten, Lernen, Emotionen und mehr zu studieren.

Rigorose Datenaufbereitung und Qualitätskontrolle

Die Implementierung umfassender Datenbereinigungs- und Vorverarbeitungsprotokolle ist für die Sicherstellung der Datenqualität in der Big-Data-Forschung von entscheidender Bedeutung. Dieser Prozess sollte mehrere Stufen der Validierung, Fehlererkennung und Korrektur umfassen. Automatisierte Vorverarbeitungstechniken können dabei helfen, Ausreißer, fehlende Datenmuster, doppelte Datensätze und Inkonsistenzen zu identifizieren, die auf Datenqualitätsprobleme hinweisen könnten.

Die Datenvalidierung sollte die Überprüfung auf logische Konsistenz, Bereichseinschränkungen und erwartete Muster beinhalten. Wenn beispielsweise Smartphone-Nutzungsdaten analysiert werden, sollten Forscher überprüfen, ob die gemeldeten Nutzungszeiten in plausible Bereiche fallen und dass Zeitstempel konsistent sind.

Fehlende Daten erfordern einen sorgfältigen Umgang mit Big Data-Kontexten. Während herkömmliche Ansätze wie das listenweise Löschen für kleine Datensätze mit minimalen fehlenden Daten akzeptabel sein können, können sie erhebliche Verzerrungen in Big Data-Einstellungen hervorrufen. Moderne Imputationstechniken, einschließlich Mehrfachimputation und maschinelles Lernen basierende Imputationsmethoden, können robustere Lösungen bieten, während Unsicherheiten angemessen berücksichtigt werden.

Feature Engineering – der Prozess der Erstellung neuer Variablen aus Rohdaten – ist besonders wichtig in der Big-Data-Psychologie. Rohdaten aus Quellen wie Social Media oder tragbaren Geräten müssen oft in psychologisch sinnvolle Konstrukte umgewandelt werden. Dies kann die Aggregation von Daten im Laufe der Zeit, die Extraktion sprachlicher Merkmale aus Text oder die Berechnung abgeleiteter Maßnahmen umfassen, die die psychologischen Phänomene von Interesse besser erfassen.

Behebung von Vorurteilen und Gewährleistung von Fairness

Die Abschwächung algorithmischer Verzerrungen erfordert proaktive Strategien während des gesamten Forschungsprozesses. Forscher sollten ihre Trainingsdaten sorgfältig auf demografische Repräsentation und mögliche Quellen von Verzerrungen untersuchen. Wenn möglich sollten Datensätze erweitert werden, um vielfältigere Proben aufzunehmen, die die Populationen besser repräsentieren, auf die die Ergebnisse verallgemeinert werden.

Fairnessbewusste maschinelle Lerntechniken können helfen, Verzerrungen in prädiktiven Modellen zu identifizieren und zu reduzieren. Diese Methoden umfassen Techniken, die sicherstellen, dass die Modellleistung in verschiedenen demografischen Gruppen konsistent ist, dass Vorhersagen bestimmte Bevölkerungsgruppen nicht unverhältnismäßig benachteiligen und dass sensible Eigenschaften wie Rasse oder Geschlecht Vorhersagen nicht unangemessen beeinflussen.

Die Validierung über verschiedene Untergruppen hinweg ist von wesentlicher Bedeutung. Modelle sollten separat an verschiedenen demografischen Gruppen getestet werden, um sicherzustellen, dass sie für alle Populationen angemessen sind. Wenn Leistungsunterschiede festgestellt werden, sollten die Forscher die Quellen dieser Unterschiede untersuchen und prüfen, ob das Modell neu kalibriert werden sollte oder ob separate Modelle für verschiedene Populationen entwickelt werden sollten.

Die Transparenz über die Grenzen ist von entscheidender Bedeutung. Die Forscher sollten die demografischen Merkmale ihrer Ausbildungsdaten klar dokumentieren, mögliche Quellen von Verzerrungen anerkennen und die Bevölkerungsgruppen und Kontexte diskutieren, auf die ihre Ergebnisse verallgemeinert werden können und nicht. Diese Transparenz hilft, unangemessene Anwendungen von Forschungsergebnissen zu verhindern und die zukünftige Forschung anleiten, um die festgestellten Lücken zu schließen.

Ethische Rahmenbedingungen und Governance

Die Entwicklung umfassender ethischer Rahmenbedingungen, die speziell auf die Big-Data-Forschung zugeschnitten sind, ist von wesentlicher Bedeutung. Traditionelle forschungsethische Leitlinien sind zwar immer noch relevant, gehen aber möglicherweise nicht angemessen auf die einzigartigen Herausforderungen ein, die sich aus der groß angelegten Datenerhebung und -analyse ergeben. Forscher sollten mit institutionellen Prüfgremien zusammenarbeiten, um Protokolle zu entwickeln, die den wissenschaftlichen Wert angemessen mit dem Schutz der Teilnehmer in Einklang bringen.

Die Verfahren für die Zustimmung nach Aufklärung müssen an Big Data-Kontexte angepasst werden. Die Teilnehmer sollten eindeutig darüber informiert werden, welche Daten gesammelt werden, wie sie verwendet werden, wer Zugang zu ihnen hat und wie lange sie aufbewahrt werden. Dynamische Zustimmungsmodelle, die es den Teilnehmern ermöglichen, ihre Zustimmungspräferenzen im Laufe der Zeit zu ändern, können für Big Data-Längsstudien geeignet sein.

Die Prinzipien der Datenminimierung legen nahe, nur die Daten zu sammeln, die zur Beantwortung spezifischer Forschungsfragen erforderlich sind, anstatt alle verfügbaren Daten zu sammeln, nur weil dies möglich ist. Dieser Ansatz reduziert Datenschutzrisiken und hilft, die Forschungsbemühungen auf sinnvolle Fragen zu konzentrieren, anstatt auf exploratives Data Mining, das falsche Ergebnisse liefern könnte.

Anonymisierungs- und De-Identifizierungstechniken sollten rigoros angewendet werden, wobei anerkannt wird, dass eine perfekte Anonymisierung mit reichen Verhaltensdaten unmöglich sein kann. Differentielle Datenschutztechniken, die sorgfältig kalibriertes Rauschen zu Daten hinzufügen, um eine Re-Identifizierung zu verhindern und gleichzeitig statistische Eigenschaften zu erhalten, bieten vielversprechende Ansätze zum Schutz der Privatsphäre in der Big Data-Forschung.

Die Grundsätze der Datenverwaltung sollten klar festlegen, wer unter welchen Bedingungen und zu welchen Zwecken Zugang zu Daten hat. Zugangskontrollen, Prüfpfade und regelmäßige Sicherheitsüberprüfungen tragen dazu bei, dass Daten angemessen verwendet werden und Verstöße schnell erkannt und behoben werden. Datenaustauschvereinbarungen sollten sorgfältig ausgearbeitet werden, um die Privatsphäre der Teilnehmer zu schützen und gleichzeitig eine wissenschaftliche Zusammenarbeit zu ermöglichen.

Interdisziplinäre Zusammenarbeit

Die Vorteile der Zusammenarbeit in allen Disziplinen, wie etwa in den Sozialwissenschaften, der angewandten Statistik und der Informatik. Dies hilft bei der Verankerung der Big-Data-Forschung in solider Theorie und Praxis sowie bei der Bereitstellung effektiver Datenabrufe und -analysen. Psychologen bringen Fachwissen in Theorie, Messung und Verständnis des menschlichen Verhaltens mit, während Informatiker und Datenwissenschaftler technische Fähigkeiten in Datenmanagement, Algorithmusentwicklung und Berechnungsmethoden einbringen.

Effektive interdisziplinäre Zusammenarbeit erfordert gegenseitigen Respekt und die Bereitschaft, aus verschiedenen disziplinären Perspektiven zu lernen. Psychologen müssen ausreichende technische Kenntnisse entwickeln, um die Fähigkeiten und Grenzen von Rechenmethoden zu verstehen, während Datenwissenschaftler die theoretischen Rahmenbedingungen und die methodische Strenge, die die psychologische Forschung charakterisieren, schätzen müssen. Regelmäßige Kommunikation, gemeinsame Schulungsmöglichkeiten und kollaborative Problemlösung helfen, disziplinäre Kluften zu überbrücken.

Teamwissenschaftsansätze, bei denen verschiedene Experten während des gesamten Forschungsprozesses vom Studiendesign bis zur Interpretation zusammenarbeiten, tendieren dazu, robustere und wirkungsvollere Big-Data-Forschung zu produzieren als Ansätze, bei denen verschiedene Disziplinen nacheinander beitragen. Der Aufbau dieser Kooperationsbeziehungen erfordert Zeit und institutionelle Unterstützung, aber die Investition zahlt sich aus in Qualität und Innovation der Forschung.

Aus- und Weiterbildung

Die Ausbildung von Psychologen in Data Science ist unerlässlich, um Daten zu verstehen und zu visualisieren, prädiktive Modelle zu entwickeln und als Konsequenz die Wissensgenerierung zu fördern. Mit anderen Worten, wir müssen, beginnend mit den Grundstudiengängen, den Studierenden der Psychologie die notwendigen Werkzeuge zur Verfügung stellen, um an der Datenrevolution teilzunehmen und in naher Zukunft in der Lage zu sein, datengesteuerte Entscheidungen zu treffen.

Psychologie-Lehrpläne müssen sich weiterentwickeln, um Computer- und Data Science-Training einzuschließen. Das bedeutet nicht, dass jeder Psychologie-Student Programmierer werden muss, aber grundlegende Fähigkeiten in Datenmanipulation, statistischem Computing und algorithmischem Denken sollten Standardkomponenten der Psychologie-Ausbildung werden. Kurse in Forschungsmethoden sollten Beispiele und Übungen mit echten Big-Data-Quellen beinhalten, die den Schülern helfen, praktische Fähigkeiten neben theoretischem Wissen zu entwickeln.

Weiterbildungsmöglichkeiten für etablierte Forscher sind ebenso wichtig. Workshops, Online-Kurse und Sommerinstitute, die sich auf Big Data-Methoden in der Psychologie konzentrieren, können aktuellen Fakultäten und Forschern helfen, ihre Fähigkeiten zu aktualisieren. Professionelle Organisationen wie die Association for Psychological Science und die American Psychological Association können eine wichtige Rolle bei der Bereitstellung dieser Ausbildungsmöglichkeiten und der Entwicklung von Standards für Big Data-Forschung in der Psychologie spielen.

Mentoring-Programme, die Psychologen mit Data Science-Expertise mit denen verbinden, die diese Fähigkeiten entwickeln wollen, können das Lernen beschleunigen und kollaborative Beziehungen fördern. In ähnlicher Weise können Programme, die Datenwissenschaftler in psychologische Theorie und Methoden einführen, dazu beitragen, die interdisziplinäre Belegschaft aufzubauen, die für die Big Data-Psychologieforschung benötigt wird.

Anwendungen und Real-World Impact

Vorhersage der psychischen Gesundheit und Intervention

Die Psychowissenschaftlerin der Yale University und APS Spence Awardee Arielle Baskin-Sommers und ihre Kollegen trainierten ein maschinelles Lernmodell, um die Entwicklung von Verhaltensstörungen durch Längsschnittdaten von 9- und 10-jährigen Kindern zu bestimmen. Solche prädiktiven Modelle könnten frühe Interventionen ermöglichen, die die Entwicklung von schweren psychischen Problemen verhindern.

Paola Pedrelli, Assistenzprofessorin für Psychologie an der Harvard Medical School, hat mit Professorin Rosalind Picard am Massachusetts Institute of Technology zusammengearbeitet, um Algorithmen zu entwickeln, die bei der Diagnose und Überwachung von Symptomen bei Patienten, die wegen schwerer Depressionen behandelt werden, helfen können. Diese Anwendungen zeigen, wie Big-Data-Ansätze die klinische Versorgung verbessern können, indem sie eine objektivere, kontinuierliche Überwachung des Patientenstatus ermöglichen.

Digitale Phänotypisierung beinhaltet das Sammeln und Analysieren von Daten aus dem digitalen Verhalten von Personen (wie Smartphone-Nutzungsmuster, Tippgeschwindigkeit und Social-Media-Aktivität), um Anzeichen von psychischen Erkrankungen zu erkennen. KI-Algorithmen können subtile Muster erkennen, die auf Probleme wie Depressionen oder Angst hinweisen können, wodurch frühere und genauere Interventionen ermöglicht werden.

Durch die Kombination von Daten aus Krankenakten, Social-Media-Interaktionen und demografischen Informationen hat Predictive Analytics die Genauigkeit der Suizidrisikoerkennung deutlich verbessert. Diese fortschrittlichen Modelle übertreffen traditionelle Bewertungsinstrumente und ermöglichen lebensrettende Frühinterventionen. Die Forscher müssen jedoch vorsichtig sein, was die Grenzen dieser Ansätze angeht und sicherstellen, dass sie das klinische Urteilsvermögen ergänzen und nicht ersetzen.

Verständnis von kognitiven Prozessen und Gehirnfunktion

Datenanalysen haben beispiellose Möglichkeiten in den Neurowissenschaften und der kognitiven Psychologie geschaffen, die unser Verständnis komplexer kognitiver Prozesse vertiefen. Fortschrittliche analytische Techniken, die auf Bildgebungsdaten des Gehirns wie fMRI und EEG angewendet werden, ermöglichen es Forschern, Muster zu identifizieren, die mit kognitiven Funktionen und Funktionsstörungen verbunden sind. Diese Einsicht verbessert unser Verständnis der Gehirnaktivität und ihrer Beziehung zu kognitivem Verhalten und psychischen Störungen erheblich.

Groß angelegte Neuroimaging-Datenbanken wie das Human Connectome Project und die UK Biobank liefern Forschern Bildgebungsdaten von Tausenden von Teilnehmern. Machine Learning-Analysen dieser Datensätze haben neue Erkenntnisse über die Gehirnorganisation, individuelle Unterschiede in den kognitiven Fähigkeiten und die neuronalen Grundlagen psychiatrischer Störungen ergeben. Diese Entdeckungen wären mit traditionellen kleinangelegten Neuroimaging-Studien unmöglich gewesen.

Durch Big Data Analytics erhalten Psychologen tiefere Einblicke in Phänomene wie Gedächtnisspeicherung, emotionale Reaktionen und Verhaltensmuster. Daten aus digitalen Interaktionen, biometrischen Sensoren und kognitiven Tests bereichern unser Verständnis und informieren über gezielte therapeutische Interventionen und eine breitere psychologische Theorie.

Personalisierte Interventionen und Behandlung

Die Kombination von unbeaufsichtigten ML-Techniken kann zur Identifizierung von Personen mit unterschiedlichen klinischen Profilen (d.h. extreme Phänotypen) führen und somit zur Entwicklung personalisierter Interventionen, Behandlungen und Folgestrategien beitragen.

Big Data ermöglicht die Identifizierung von Untergruppen von Personen, die ähnliche Muster von Symptomen, Risikofaktoren oder Behandlungsreaktionen teilen. Diese datengesteuerten Untergruppen entsprechen möglicherweise nicht den traditionellen diagnostischen Kategorien, sind aber möglicherweise nützlicher für die Vorhersage von Ergebnissen und die Auswahl von Behandlungen. Machine Learning-Modelle können mehrere Informationsquellen integrieren - genetische Daten, Bildgebung des Gehirns, Verhaltensbewertungen, Umweltfaktoren - um personalisierte Vorhersagen darüber zu erstellen, welche Behandlungen für bestimmte Personen am wahrscheinlichsten wirksam sind.

Durch die Kombination von klinischen Bewertungen, Patienten-Selbstberichten und elektronischen Gesundheitsakten erzielten maschinelle Lernmodelle eine höhere prädiktive Genauigkeit im Vergleich zu klinischen Bewertungen. Dies unterstreicht den Vorteil der Integration von KI mit traditionellen Bewertungsmethoden. Das Ziel ist nicht, klinisches Fachwissen zu ersetzen, sondern es mit datengesteuerten Erkenntnissen zu ergänzen, die die Entscheidungsfindung verbessern können.

Soziale und Verhaltens-Insights

Big Data aus sozialen Medien und Online-Plattformen bietet beispiellose Möglichkeiten, soziales Verhalten, Einstellungsbildung und kulturelle Dynamik in großem Maßstab zu untersuchen. Forscher können Millionen von Social-Media-Beiträgen analysieren, um zu verstehen, wie sich Emotionen durch soziale Netzwerke ausbreiten, wie sich Fehlinformationen verbreiten oder wie soziale Bewegungen entstehen und sich entwickeln. Diese Erkenntnisse haben Auswirkungen auf das Verständnis von allem, von politischer Polarisierung bis hin zur Kommunikation im öffentlichen Gesundheitswesen.

Die Forschung zum Verbraucherverhalten wurde durch Big Data verändert, wobei Forscher in der Lage sind, Kaufmuster, Produktbewertungen und das Online-Browsing-Verhalten zu analysieren, um Entscheidungsprozesse zu verstehen. Während ein Großteil dieser Forschung in kommerziellen Kontexten stattfindet, trägt sie auch zum grundlegenden psychologischen Verständnis bei, wie Menschen Entscheidungen treffen, auf Überzeugungen reagieren und Präferenzen bilden.

Groß angelegte Online-Experimente ermöglichen es Forschern, psychologische Theorien mit beispielloser statistischer Leistung und Vielfalt der Teilnehmer zu testen. Plattformen wie Amazon Mechanical Turk, Prolific und spezialisierte Forschungsplattformen ermöglichen es Forschern, Tausende von Teilnehmern schnell und kostengünstig zu rekrutieren und Hypothesen in verschiedenen Populationen und Kontexten zu testen.

Integration mehrerer Datenmodalitäten

Zukünftige Forschung könnte Deep-Learning-Ansätze erforschen und multimodale Datenquellen wie Stimme oder physiologische Signale integrieren. Die Zukunft der Big-Data-Psychologie liegt in der Integration verschiedener Datentypen, um umfassendere Modelle des menschlichen Verhaltens und mentaler Zustände zu erstellen. Die Kombination von Selbstberichtsdaten mit Verhaltensbeobachtungen, physiologischen Messungen, Gehirnbildgebung, genetischen Informationen und Umweltdaten kann ein reicheres, differenzierteres Verständnis bieten als jede einzelne Datenquelle allein.

Deep-Learning-Methoden, insbesondere solche, die für die multimodale Datenintegration entwickelt wurden, sind vielversprechend für die Entdeckung komplexer Muster über verschiedene Arten von Informationen hinweg. Diese Ansätze können Darstellungen lernen, die Beziehungen zwischen verschiedenen Datenmodalitäten erfassen, was möglicherweise Erkenntnisse aufzeigt, die bei einer separaten Analyse jedes Datentyps verpasst würden.

Echtzeit- und Ökologisch-Momentare Bewertung

Tragbare Geräte und Smartphone-Anwendungen ermöglichen eine kontinuierliche Echtzeit-Überwachung von Verhalten und psychologischen Zuständen in naturalistischen Umgebungen. Dieser ökologische momentane Bewertungsansatz erfasst Erfahrungen, wie sie im täglichen Leben auftreten, reduziert die Erinnerungsverzerrung und bietet eine feinkörnige zeitliche Auflösung. Zukünftige Forschung wird diese Technologien zunehmend nutzen, um zu verstehen, wie psychologische Zustände im Laufe der Zeit und in Reaktion auf Umweltkontexte schwanken.

Echtzeit-Interventionslieferung, bei der Behandlungen in Momenten bereitgestellt werden, in denen sie am dringendsten benötigt werden, basierend auf kontinuierlichen Überwachungsdaten, stellt eine aufregende Grenze dar. Zum Beispiel könnte eine Smartphone-App frühe Anzeichen von Angst erkennen, basierend auf Veränderungen in Aktivitätsmustern oder physiologischen Signalen und eine kurze Intervention liefern, bevor die Symptome eskalieren. Diese just-in-time-anpassungsfähigen Interventionen könnten die psychische Gesundheitsversorgung reaktionsfähiger und effektiver machen.

Erklärbare KI und interpretierbare Modelle

Das Feld bewegt sich in Richtung der Entwicklung von maschinellen Lernmethoden, die sowohl genau als auch interpretierbar sind. Techniken wie SHAP (SHapley Additive exPlanations) Werte, LIME (Local Interpretable Model-agnostic Explanations) und Aufmerksamkeitsmechanismen in neuronalen Netzwerken helfen zu erklären, warum Modelle spezifische Vorhersagen treffen. Diese Methoden können identifizieren, welche Merkmale für Vorhersagen am wichtigsten sind und wie sie interagieren, und liefern Erkenntnisse, die die psychologische Theorie voranbringen und gleichzeitig prädiktive Genauigkeit beibehalten.

Hybridansätze, die theorie- und datengetriebene Methoden kombinieren, sind besonders vielversprechend. Anstatt maschinelles Lernen als Blackbox zu behandeln, können Forscher psychologische Theorie in Modellarchitekturen integrieren, Domänenwissen als Leitfaden für Feature Engineering verwenden und Modellergebnisse im Lichte bestehender theoretischer Rahmenbedingungen interpretieren. Diese Integration von Theorie und Daten kann Modelle hervorbringen, die sowohl wissenschaftlich sinnvoll als auch praktisch nützlich sind.

Adressierung von Kontextfaktoren

Ohne die Integration kontextorientierter Denkweisen und Methoden besteht die Gefahr, dass die Big Data-Analyse Verhaltensmuster, sprachliche und historische Muster zu stark vereinfacht und falsch interpretiert. Zukünftige Big Data-Forschung muss die Kontexte, in denen Verhalten auftritt, besser berücksichtigen. Kulturelle Faktoren, historische Perioden, soziale Situationen und individuelle Umstände prägen psychologische Phänomene und Modelle, die diese kontextuellen Faktoren ignorieren, können irreführende Schlussfolgerungen ergeben.

Kontextbewusste maschinelle Lernmethoden, die Situationsfaktoren und ihre Wechselwirkungen mit individuellen Merkmalen explizit modellieren, stellen eine wichtige Richtung für die zukünftige Forschung dar. Diese Ansätze erkennen an, dass dasselbe Verhalten je nach Kontext unterschiedliche Bedeutungen oder Ursachen haben kann und dass effektive Vorhersagen und Interventionen diese Variabilität berücksichtigen müssen.

Open Science und Reproduzierbarkeit

Die Big-Data-Revolution in der Psychologie muss von der Verpflichtung zu offenen wissenschaftlichen Praktiken begleitet werden, die die Reproduzierbarkeit und Transparenz verbessern. Der Austausch von Code, Daten (falls ethisch angemessen) und detaillierter methodischer Dokumentation ermöglicht es anderen Forschern, Ergebnisse zu überprüfen, auf früheren Arbeiten aufzubauen und mögliche Fehler oder Einschränkungen zu identifizieren. Die Vorregistrierung von Analyseplänen kann dazu beitragen, bestätigende von explorativen Analysen zu unterscheiden und das Risiko von Überanpassungen oder P-Hacking zu verringern.

Die Entwicklung von Standards und Best Practices für die Big-Data-Forschung in der Psychologie wird dazu beitragen, Qualität und Vergleichbarkeit zwischen den Studien sicherzustellen. Professionelle Organisationen, Förderagenturen und Zeitschriften spielen eine Rolle bei der Festlegung und Durchsetzung dieser Standards. Die Schaffung gemeinsamer Ressourcen, einschließlich kuratierter Datensätze, validierter Algorithmen und Benchmark-Aufgaben, kann den Fortschritt beschleunigen und die Zusammenarbeit erleichtern.

Praktische Empfehlungen für Forscher

Beginnen Sie mit klaren Forschungsfragen

Die Verfügbarkeit von Big Data sollte keine Forschungsfragen antreiben; vielmehr sollten sinnvolle psychologische Fragen Entscheidungen darüber leiten, welche Daten gesammelt und analysiert werden sollen. Forscher sollten mit klaren theoretischen Rahmenbedingungen und spezifischen Hypothesen beginnen und dann identifizieren, welche Datenquellen und Analysemethoden am besten geeignet sind, um diese Fragen zu beantworten. Exploratives Data Mining hat seinen Platz, sollte aber klar von Hypothesentests unterschieden werden und sollte von Bestätigungsstudien gefolgt werden.

Investitionen in die Entwicklung von Kompetenzen

Forscher, die sich für Big Data-Psychologie interessieren, sollten Zeit in die Entwicklung von Rechenkenntnissen investieren. Dazu könnten das Erlernen von Programmiersprachen wie Python oder R, das Belegen von Kursen in maschinellem Lernen und Datenwissenschaft und das Üben mit echten Datensätzen gehören. Viele ausgezeichnete Online-Ressourcen, einschließlich Kurse von Plattformen wie Coursera, edX und DataCamp, machen diese Fähigkeiten zugänglich. Forscher sollten auch Mitarbeiter mit komplementärem Fachwissen suchen und bereit sein, von interdisziplinären Kollegen zu lernen.

Priorisieren Sie Datenqualität vor Quantität

Während Big Data eine beeindruckende Größe bietet, sollte Qualität niemals für Quantität geopfert werden. Forscher sollten die Zuverlässigkeit und Gültigkeit ihrer Datenquellen sorgfältig bewerten, strenge Qualitätskontrollverfahren implementieren und Datenbeschränkungen transparent vorsehen. Manchmal liefert ein kleinerer Datensatz mit höherer Qualität aussagekräftigere Erkenntnisse als ein massiver, aber lauter Datensatz.

Berücksichtigen Sie ethische Implikationen während des gesamten

Ethische Überlegungen sollten in jede Phase des Forschungsprozesses, vom Studiendesign über die Datenerhebung, -analyse und -verbreitung, einbezogen werden. Die Forscher sollten sich frühzeitig und häufig mit institutionellen Prüfungsgremien beraten, sich mit Interessenvertretern, einschließlich potenzieller Teilnehmer, austauschen und die breiteren gesellschaftlichen Auswirkungen ihrer Arbeit berücksichtigen.

Validierung von Befunden in mehreren Kontexten

Angesichts von Bedenken hinsichtlich der Generalisierbarkeit und Voreingenommenheit sollten Forscher ihre Ergebnisse möglichst über verschiedene Stichproben, Kontexte und Zeiträume hinweg validieren. Kreuzvalidierung innerhalb von Datensätzen hilft, Überanpassungen zu verhindern, aber externe Validierungen mit unabhängigen Datensätzen liefern stärkere Beweise für die Robustheit und Generalisierbarkeit von Ergebnissen. Forscher sollten bei der Erstellung breiter Behauptungen auf der Grundlage von Daten aus begrenzten Populationen oder Kontexten vorsichtig sein.

Kommunizieren Sie klar und verantwortungsbewusst

Bei der Kommunikation von Big-Data-Forschungsergebnissen sollten Forscher ihre Methoden klar erklären, Einschränkungen anerkennen und überschätzende Implikationen vermeiden. Die Medienberichterstattung über Big-Data-Psychologieforschung macht oft Sensationen oder übersieht wichtige Vorbehalte, so dass Forscher proaktiv mit Journalisten und Kommunikatoren zusammenarbeiten sollten, um eine genaue Darstellung zu gewährleisten. Eine klare Kommunikation über Unsicherheit, Einschränkungen und geeignete Anwendungen hilft, einen Missbrauch von Forschungsergebnissen zu verhindern.

Schlussfolgerung

Die Analyse großer Datensätze solcher Fußabdrücke stellt einzigartige methodische Herausforderungen dar, könnte aber unser Verständnis von Individuen, Gruppen und Gesellschaften erheblich verbessern. Die Integration von Big Data in die psychologische Forschung stellt sowohl eine enorme Chance als auch eine bedeutende Herausforderung für das Gebiet dar. Der Umfang und die Vielfalt der verfügbaren Daten ermöglichen es Forschern, Fragen zu beantworten, die bisher unlösbar waren, und menschliches Verhalten mit beispielloser Detailgenauigkeit und ökologischer Validität zu untersuchen.

Um dieses Potenzial zu realisieren, müssen jedoch erhebliche Herausforderungen in Bezug auf Datenqualität, Computerinfrastruktur, statistische Methoden, algorithmische Verzerrungen und ethische Überlegungen angegangen werden. Erfolg erfordert neue Fähigkeiten, neue Werkzeuge und neue Denkweisen in Bezug auf psychologische Forschung. Psychologie als Bereich befindet sich an einem wichtigen Übergangspunkt. Die Vertrautheit mit fortschrittlichen statistischen Analysen und Computerprogrammierung wird immer wichtiger, um mit dem Stand der Technik Schritt zu halten.

Die in diesem Artikel beschriebenen Lösungen – von fortschrittlicher Computerinfrastruktur und Methoden des maschinellen Lernens bis hin zu strengen Qualitätskontrollverfahren und ethischen Rahmenbedingungen – bieten eine Roadmap zur Bewältigung dieser Herausforderungen. Interdisziplinäre Zusammenarbeit, kontinuierliche Schulungen und Schulungen sowie das Engagement für Open-Science-Praktiken werden unerlässlich sein, um sicherzustellen, dass die Forschung in der Big-Data-Psychologie streng, ethisch und wirkungsvoll ist.

Mit Blick auf die Zukunft wird die Weiterentwicklung der Technologie neue Möglichkeiten und Herausforderungen für die psychologische Forschung schaffen. Künstliche Intelligenz, tragbare Sensoren, virtuelle Realität und andere aufkommende Technologien werden neue Datenquellen und analytische Möglichkeiten schaffen. Das Gebiet muss anpassungsfähig bleiben, neue Methoden kritisch bewerten und gleichzeitig die Kernverpflichtungen zu wissenschaftlicher Strenge, ethischer Praxis und einem sinnvollen Beitrag zum Verständnis der menschlichen Psychologie beibehalten.

Letztendlich, wenn es richtig gemacht wird, hat psychologisches Targeting das Potenzial, unser wissenschaftliches Verständnis der menschlichen Natur zu verbessern und das Wohlbefinden von Individuen und der Gesellschaft insgesamt zu verbessern. Indem die Chancen von Big Data genutzt und gleichzeitig ihre Herausforderungen durchdacht angegangen werden, können psychologische Forscher wertvolle Einblicke in menschliches Verhalten, Kognition und Emotion gewinnen, die das Leben verbessern und wissenschaftliche Erkenntnisse voranbringen. Die Zukunft der Psychologie liegt darin, traditionelle Stärken in Theorie, Messung und experimentellem Design erfolgreich mit den leistungsstarken neuen Fähigkeiten zu integrieren, die Big Data und Advanced Analytics bieten.

Für Forscher, die sich auf Big-Data-Projekte einlassen, mag die Reise entmutigend erscheinen, aber die potenziellen Belohnungen - sowohl für das wissenschaftliche Verständnis als auch für praktische Anwendungen, die das menschliche Wohlergehen verbessern - machen die Anstrengung lohnenswert. Durch die Einhaltung bewährter Praktiken, die Zusammenarbeit zwischen Disziplinen, die Einhaltung ethischer Standards und die Verpflichtung zur strengen Wissenschaft kann die psychologische Forschungsgemeinschaft die Macht von Big Data nutzen, um einige der dringendsten Fragen über die menschliche Natur und das Verhalten zu beantworten.

Um mehr über Big-Data-Methoden in der Psychologie zu erfahren, können Forscher Ressourcen von Organisationen wie der Association for Psychological Science erkunden, die regelmäßig Artikel veröffentlicht und Konferenzen zu Computermethoden veranstaltet. Die American Psychological Association bietet auch Richtlinien und Ressourcen in Bezug auf ethische Überlegungen in der Big-Data-Forschung. Für technische Schulungen bieten Plattformen wie Coursera und DataCamp Kurse an, die speziell für Forscher konzipiert wurden, die sich für Datenwissenschaft und maschinelles Lernen interessieren. Darüber hinaus bietet das Open Science Framework Werkzeuge und Ressourcen zum Austausch von Daten, Code und Materialien in Übereinstimmung mit Open-Science-Prinzipien.

Die Transformation der psychologischen Forschung durch Big Data ist nicht nur ein technologischer Wandel, sondern eine grundlegende Weiterentwicklung unserer Forschung des menschlichen Geistes. Indem wir diese Entwicklung nachdenklich und verantwortungsbewusst annehmen, können Forscher sicherstellen, dass die Psychologie unser Verständnis dessen, was es bedeutet, in einer zunehmend digitalen Welt menschlich zu sein, weiter voranbringt.