Lehrende: Larissa Gebken; Matthias Pillny; Habiba Schiller
Veranstaltungsart: Blocklehrveranstaltung
Anzeige im Stundenplan:
Credits: 6,0
Unterrichtssprache: Deutsch / Englisch
Min. | Max. Teilnehmerzahl: 5 | 26
Weitere Informationen: Dieses Angebot richtet sich an Studierende der Psychologie, Informatik, Wirtschaftsinformatik, Mensch-Computer-Interaktion, Software-System Entwicklung, Intelligent Adaptive Systems, IT-Management und -Consulting; Es sind alle Fachsemester oder Abschlussformen dieser Studiengänge willkommen. Die Lehrveranstaltung wird als Blockveranstaltung geplant. Dabei wird der Hauptteil der Veranstaltung in den Semesterferien stattfinden. Die Veranstaltung wird in einem hybriden Verfahren (Mischform aus digitalen & analogen Teilen) stattfinden. Bei Problemen oder Fragen zur An- oder Abmeldung wenden Sie sich an: stine.isa@lists.uni-hamburg.de
Kommentare/ Inhalte: Dieses interdisziplinäre Projektseminar (in Form einer Blockveranstaltung) für Studierende der Informatik und der Psychologie findet im Sommer- und Wintersemester statt. Dabei lernen Sie, den Herausforderungen um „Machine Learning“ in der Psychologie zu begegnen. Zu diesem Zweck wird die breit einsetzbare Programmiersprache Python mit Anwendungsbezug zu einer psychologischen Fragestellung gelehrt: Sie werden den Zusammenhang zwischen Musiknutzungsverhalten und psychischer Gesundheit untersuchen. Hierzu lernen Sie, eigene Hypothesen aufzustellen, komplexe Daten zu erheben und unterschiedliche Datentypen für die Auswertung aufzubereiten. Sie erfassen dazu ihr eigenes Musiknutzungsverhalten und weitere relevante Daten mit Smartwatches. Dadurch werden sie auch für Fragen der Datenqualität und des datenschutzkonformen und ethisch-sensitiven Umgang mit personenbezogenen Daten sensibilisiert. Nach der Auswertung der Daten mit geeigneten Machine Learning-Verfahren werden die Ergebnisse visualisiert und reflektiert, um sie in einer Abschlussveranstaltung öffentlich zu präsentieren. Sie erlernen die nötigen Grundlagen der Programmiersprache Python mit Hilfe von Online-Kursen und Flipped Classroom-Sitzungen. Falls Sie direkt Interesse besteht sich einzulesen oder einzuarbeiten: - https://www.technologyreview.com/2019/11/01/254/ai-machine-learning-music-feel-good/ - https://developer.spotify.com/documentation/web-api/ Die Lehrveranstaltung findet als Blockveranstaltung statt. Die konkreten Termine folgen schnellstmöglich. Die untenstehenden Termine sind als zu anvisierte Zeitfenster zu verstehen. Termin Inhalt TBD Auftaktveranstaltung: Einführung und Grundlagen TBD Summerschool TBD Winterschool
Lernziel: - Kenntnisse und Erfahrung eigene Hypothesen aufzustellen und eine eigene multimethodale Erhebung komplexer Daten durchzuführen. - Kenntnisse und Erfahrungen in der Auswertung von komplexen Daten, insbesondere mit Fokus auf die Herausforderungen in Verbindung mit den unterschiedlichen Datentypen und Datenorganisation - Kenntnisse und Erfahrungen zu Machine Learning Verfahren sowie geeigneter Visualisierungen - Erweiterung der Reflektionsfähigkeit und dem Hinterfragen von Ergebnissen - Kenntnisse und Erfahrungen im Zusammenhang zwischen Musiknutzungsverhalten und psychischer Gesundheit
Vorgehen: - Hypothesenbildung: Im Rahmen des Seminars sollen sie sich mit der übergeordneten Fragestellung auseinandersetzen und in einem iterativen Prozess geeignete Untersuchungsmethoden auswählen - Datenerhebung: Sie erheben innerhalb einem vereinbartem Zeitraum die Daten mit Hilfe der Ecological Momentary Assessment Methodemit verschiedenen Proband:innen. Hierzu werden sie jeweils mit Smartwatches ausgestattet, die es ermöglichen psychophysiologische (z.B. Herzfrequenz) und psychometrische Daten (z.B. Affekt) im Alltag zu erfassen. Zusätzlich wird ihr Musiknutzungsverhalten durch die offenen Spotify Schnittstellen erfasst - Datenverarbeitung und -organisation: Die Aufbereitung der Daten stellt einen wichtigen Fokus des Lehrkonzepts dar. Da mit verschiedenen Daten gearbeitet wird, müssen sie sich damit auseinandersetzen, wie diese geeignet aufbereitet werden. Darüber hinaus soll bereits in der frühen Phase die Reflexion über den Umgang mit möglichen Verzerrungsquellen der Daten angeregt werden. - Datenanalyse: Sie bearbeiten in Kleingruppen ihre Teilforschungsfragen. Hierbei können sie mit Python eine breite Palette von Auswertungsmethoden für die Datenanalyse durchführen. - Datenvisualisierung: Sie lernen vorgefertigte Pakete kennen, die Ihnen das visualisieren von Ergebnissen erleichtern. - Reflexion: Sie reflektieren das Erlernte insbesondere den Umgang mit komplexen Daten, Machine Learning und Implikationen auf persönlicher Ebene. - Abschlussveranstaltung: Die gesammelten Erkenntnisse sollen in einer Abschlussveranstaltung öffentlich präsentiert werden. Diese kann gemeinsam entsprechend ihrer Wünsche ausgestaltet werden und soll der Wissenkommunikation in die Gesellschaft dienen.
Zusätzliche Hinweise zu Prüfungen: Studienleistung: Aktive Beteiligung an der Datenerhebung, sowie an der Abschlusspräsentation
