ľ�ϸ���Ӱ��

Psychologische processen worden gekarakteriseerd door verandering door de tijd. Om deze processen goed te bestuderen, is het noodzakelijk om ze op een passende manier te meten—herhaaldelijk door de tijd—bijvoorbeeld met behulp van dagelijkse dagboeken of momentopnames.

Onderzoekers die zulke data verzamelen zijn vaak geïnteresseerd in de dynamische relaties tussen variabelen. Bijvoorbeeld hoe iemands huidige stemming gerelateerd is aan diens eigen of diens partners stemming een moment eerder. De complexiteit van psychologische processen en data zorgen er echter voor dat de meeste dynamische modellen niet geschikt zijn om het bestudeerde gedrag goed in kaart te brengen.

In haar proefschrift laat Sophie Berkhout zien hoe theoretische kennis en complexiteiten in data kunnen aanduiden waarom een model al dan niet geschikt is voor het bestuderen van psychologische processen. Daarnaast beargumenteert ze dat deze kunnen dienen als leidraad voor de ontwikkeling van geschiktere modellen. Ze introduceert een Shiny-app die het model geïmpliceerde gedrag van verschillende soorten dynamische modellen laat zien door middel van gesimuleerde data en visualisaties, om onderzoekers te helpen begrijpen wat voor gedrag deze modellen kunnen opvangen.

Bovendien ontwikkelde Berkhout nieuwe dynamische modellen, die rekening houden met nachtpauzes in de dataverzameling wanneer participanten slapen en met variabelen die op verschillende frequenties zijn gemeten. Ten slotte presenteert ze multilevel-uitbreidingen van modellen om zowel verschillen binnen personen als tussen personen te bestuderen in psychologische processen.

Berkhout: “Het is belangrijk om te zorgen dat het toegepaste model aansluit op de theorie en de data. In mijn proefschrift stel ik een aantal modellen voor die passen bij het bestuderen van psychologische processen.”