Detailansicht
Predicting spider fear from questionnaire and rating data using machine learning
Sophia Shea
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Psychologie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Psychologie
Betreuer*in
Frank Scharnowski
Mitbetreuer*in
David Steyrl
DOI
10.25365/thesis.72707
URN
urn:nbn:at:at-ubw:1-26205.79601.569879-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Angst vor Spinnen ist in der Bevölkerung weit verbreitet und gehört zu einer der am häufigsten auftretenden spezifischen Phobien. Das Wohlbefinden der betroffenen Personen wird deutlich eingeschränkt. Die momentan dominierende Behandlungsmöglichkeit ist die Expositionstherapie. Hierbei werden Patient:innen mit furchtauslösenden Stimuli konfrontiert. Expositionstherapie ist sehr zeitaufwendig und viele Betroffene nehmen keine Behandlung in Anspruch. Um diese Limitationen zu adressieren ist es unser Ziel, mittels maschinellen Lernens ein Modell zu entwickeln, das die individuelle Furchtbewertung von Spinnenbildern vorhersagen kann. Dies könnte ein erster Schritt sein, automatisierte und individualisierte Expositionstherapie zu entwickeln, welche zusätzlich Potential in computerbasierter Expositionstherapie hätte. Zwei vergleichbare Studien wurden durchgeführt, in welchen Proband:innen mit Spinnenangst ihre subjektiv empfundene Furcht beim Ansehen von Spinnenbildern auf einer kontinuierlichen Skala bewertet haben. Eine Light Gradient Boosted Machine (LightGBM) Regression wurde verwendet, um unsere Zielvariable vorherzusagen: Subjektives Furchtempfinden von Proband:innen der zweiten Studie beim Ansehen von Spinnenbildern. Dazu dienten Furchtbewertungen und Fragebogendaten der ersten Studie als Modellprädiktoren, sowie Fragebogen- und demografische Daten der zweiten Studie. Ein Furcht-Mittelwert pro Spinnenbild wurde mit Daten der ersten Studie berechnet und als Prädiktor verwendet. Unsere Ergebnisse zeigen, dass dieser Furcht-Mittelwert der wichtigste Prädiktor war. Zusätzlich waren die erzielten Gesamtpunkte des Fear of Spiders Questionnaire, des State Trait Anxiety Inventory – state, des Fragebogen zur Erfassung der Ekelempfindlichkeit und des Spinnenangst Screening wichtige Prädiktoren. Unser Modell konnte 26 Prozent der Varianz von subjektiven Furchtbewertungen erklären. Dieser Ansatz ist ein wichtiger Schritt für zukünftige personalisierte Expositionstherapie und hat möglicherweise das Potenzial, die Limitationen konventioneller Expositionstherapie zu adressieren. Anregungen für weitere Forschung, die automatisierte und individualisierte Expositionstherapie in greifbare Nähe rückt, werden diskutiert.
Abstract
(Englisch)
The fear of spiders is very widespread in our population and belongs to one of the most common specific phobias. It is a threat of wellbeing to affected individuals. The current main treatment for spider fear is exposure therapy, in which patients are confronted with their feared stimuli. Exposure therapy is very time-consuming, shows high drop-out rates, and affected individuals mostly do not seek help. To address these limitations, we aim at developing a machine learning model which can predict image-based fear ratings in individuals. This would be a first step in developing automized and individualized exposure therapy, which could further be adapted in computer-based exposure therapy. Two comparable studies were conducted, in which spider-fearful individuals rated images of spiders on a continuous scale according to subjective fear. A light gradient boosted machine (LightGBM) regression was chosen to predict our target, the subjective fear individuals of the second study experienced while viewing spider images. We used fear ratings and questionnaire data of our first study to train the machine learning model. A fear mean per stimulus was calculated from a holdout set of our first study and used as a model predictor. Further, questionnaire and demographic data of our second study were inserted into the model as predictors. The results indicate that fear mean was the most important predictor. Additionally, the sum scores of the Fear of Spiders Questionnaire, State Trait Anxiety Inventory – state, Fragebogen zur Erfassung der Ekelempfindlichkeit (disgust propensity scale), and Spinnenangst Screening (spider fear screening) were important predictors. We were able to explain 26 percent of the variance of participants’ subjective fear ratings. Our approach is a new step toward personalized exposure therapy and might have the potential to address the limitations and challenges of conventional exposure therapy. Directions for further research which could make automatized and individualized exposure therapy feasible in the near future are given.
Schlagwörter
Schlagwörter
(Deutsch)
Spinnenangst Spinnenphobie Expositionstherapie Maschinelles Lernen LightGBM automatisierte Expositionstherapie individualisierte Expositionstherapie
Schlagwörter
(Englisch)
Spider fear spider phobia exposure therapy machine learning LightGBM automatized exposure individualized exposure
Autor*innen
Sophia Shea
Haupttitel (Englisch)
Predicting spider fear from questionnaire and rating data using machine learning
Publikationsjahr
2022
Umfangsangabe
42 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Frank Scharnowski
Klassifikationen
77 Psychologie > 77.03 Methoden und Techniken der Psychologie ,
77 Psychologie > 77.70 Klinische Psychologie
AC Nummer
AC16691355
Utheses ID
65105
Studienkennzahl
UA | 066 | 840 | |