Detailansicht
Assessing risk factors for depression during the second wave of COVID-19 in Japan
a machine learning approach
Julian Weinhuber
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.80958
URN
urn:nbn:at:at-ubw:1-17148.15658.653717-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Masterarbeit repliziert und erweitert die Studie von Fukase et al. (2021), die Depression, Risikofaktoren und Bewältigungsstrategien während der zweiten Welle der COVID-19-Pandemie in Japan untersuchte. Unter Verwendung des öffentlich verfügbaren Datensatzes konnten die deskriptiven und inferenzstatistischen Analysen der Originalstudie erfolgreich reproduziert werden, mit nur geringfügigen Abweichungen, die wahrscheinlich auf Rundungsdifferenzen oder unterschiedliche Software zurückzuführen sind. Im Zuge der Replikation wurden nicht dokumentierte analytische Entscheidungen identifiziert, wie der Ausschluss von mehr als einem Fünftel der Teilnehmenden sowie mehrerer Bewältigungsstrategien, was die Bedeutung transparenter Dokumentation unterstreicht. Über die Replikation hinaus wendet diese Arbeit ein Machine-Learning-Framework auf denselben Datensatz an. Logistische und lineare Regressionsmodelle wurden in einer prädiktiven Pipeline mit verschachtelter Kreuzvalidierung und Hyperparameter-Optimierung implementiert und ihre Leistung mit Gradient Boosted Decision Trees (LightGBM) verglichen. Die Ergebnisse zeigen, dass die LightGBM-Modelle moderate, aber konsistente Verbesserungen der Vorhersagegenauigkeit im Vergleich zu den traditionellen Regressionsmodellen erzielen konnten. Die Ergebnisse stärken das Vertrauen in die ursprüngliche Studie, verdeutlichen die methodischen Abwägungen zwischen traditionellen statistischen und modernen Machine-Learning-Ansätzen und betonen den Wert der Integration strenger Replikationspraktiken mit prädiktiver Modellierung. Diese Arbeit leistet somit einen Beitrag sowohl zur Zuverlässigkeit
Abstract
(Englisch)
This thesis replicates and extends the study of Fukase et al. (2021), which examined depression, risk factors, and coping strategies during the second wave of the COVID-19 pandemic in Japan. Using the publicly available dataset, descriptive and inferential analyses of the original study were successfully reproduced, with only minor deviations likely due to rounding errors or software differences. In the process, undocumented analytical decisions, such as the exclusion of more than one fifth of participants and several coping strategies, were identified, highlighting the importance of transparent reporting. Beyond replication, this thesis applies a Machine Learning framework to the same data. Logistic and linear regression models were implemented within a predictive pipeline using nested cross-validation and hyperparameter optimization, and their performance was compared to Gradient Boosted Decision Trees (LightGBM). The results show that the LightGBM models achieved modest but consistent improvements in predictive accuracy over the traditional regression models. The findings strengthen confidence in the original study, highlight the methodological trade-offs between traditional statistical and modern Machine Learning approaches, and emphasize the value of integrating rigorous replication practices with predictive modeling. This work contributes both to the reliability of psychological research and to its methodological development.
Schlagwörter
Schlagwörter
(Deutsch)
Psychologie Depression COVID-19 Maschinelles Lernen
Schlagwörter
(Englisch)
Psychology Depression COVID-19 Machine Learning
Autor*innen
Julian Weinhuber 
Haupttitel (Englisch)
Assessing risk factors for depression during the second wave of COVID-19 in Japan
Hauptuntertitel (Englisch)
a machine learning approach
Paralleltitel (Deutsch)
Beurteilung von Risikofaktoren für Depression während der zweiten Welle von COVID-19 in Japan
Paralleluntertitel (Deutsch)
ein Machine-Learning-Ansatz
Publikationsjahr
2026
Umfangsangabe
viii, 91 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Frank Scharnowski
Klassifikation
77 Psychologie > 77.03 Methoden und Techniken der Psychologie
AC Nummer
AC17844672
Utheses ID
80399
Studienkennzahl
UA | 066 | 840 | |