Tipologia tematica: Metodologie statistiche avanzate: analisi fattoriale esplorativa e confermativa, modelli di equazioni strutturali, modelli lineari generali, misti e generalizzati
Durata in ore: 20 ore di lezione frontale
Data di inizio e fine: Gennaio- Febbraio 2024
Modalità didattiche: Lezioni frontali ed esercitazioni pratiche
Nome del Docente: Dr. Alessandro Catini
Programma: Questo corso si focalizza su modelli maggiormente complessi e generali, utili nell’ambito dell’analisi statistica psicometrica. Vengono dapprima presentate le tecniche statistiche dell’analisi fattoriale, sia esplorativa sia confermativa, attraverso l’utilizzo del software statistico IBM SPSS Statistics. Vengono poi introdotti, sempre con il sopporto del software SPSS, i modelli appartenenti alla famiglia dei GLM (Univariati, Multivariati e a Misure ripetute) con spiegazioni concettuali teoriche ed esempi di applicazioni concrete su dati psicometrici. Si passa dunque ai modelli lineari generalizzati con particolare focus sulla scelta della funzione Link a seconda del modello che si vuole costruire e sull’interpretazione dell’output del software statistico. Infine vengono presentati i modelli ad equazione strutturali (SEM) attraverso l’applicativo AMOS della IBM. I SEM vengono presentati sia in termini concettuali, sia attraverso esempi di strutturazione e di interpretazione dei risultati forniti dal software. Al termine del corso lo studente avrà una buona padronanza ed una sostanziale autonomia nella realizzazione di modelli statistici avanzati adatti a varie situazioni.
Modalità di accertamento finale: Esercitazione pratica
Tipologia tematica: Tecniche di analisi statistiche tramite algoritmi di intelligenza artificiale (e.g., machine learning)
Durata in ore: 24 ore di lezione frontale
Data di inizio e fine: Dicembre 2023
Modalità didattiche: Lezioni frontali ed esercitazioni pratiche
Nome del Docente: Dr. Merylin Monaro
Programma: Il corso si apre con un'introduzione all'intelligenza artificiale e al machine learning, in particolare vengono affrontati i seguenti argomenti: definizione di apprendimento automatico, tipi di apprendimento (supervisionato, non supervisionato, renforcement learning), tipologia di task (regressione, classificazione, clustering), metriche di misurazione della performance degli algoritmi (es. accuratezza, AUC, sensitivity, specificity), tipologie di classificatori (es. alberi decisionali, SVM, regressione logistica, KNN, ecc.), tecniche di selezione delle features, tecniche di validazione dei modelli (es. k-fold cross-validation). I concetti acquisiti vengono consolidati tramite esercitazioni pratiche (applicazione di tecniche di machine learning a dati raccolti in contesti psicologici e forensi). Queste vengono svolte tramite l'appredimento e l'utilizzo del software WEKA. La seconda parte del corso è dedicata ad esempi di applicazioni pratiche del machine learning alle neuroscienze, alla psicologia, e in particolare in ambito forense (ad esempio, utilizzo del machine learning e del natural language processing per lo smascheramento della menzogna, per l'individuzione di profili di personalità a rischio, brain e mind reading).
Modalità di accertamento finale: La valutazione finale consiste nella presentazione di un articolo scientifico in cui l'apprendimento automatico è applicato ad un ambito di ricerca di interesse dello studente, o nella presentazione della procedura di analisi tramite queste tecniche effettuata su dati in possesso dello studente.
Tipologia tematica: Metodologie per la conduzione di meta-analisi
Durata in ore: 20 ore di lezione frontale
Data di inizio e fine: Gennaio- Febbraio 2024
Modalità didattiche: Lezioni frontali ed esercitazioni pratiche
Nome del Docente: Dr.ssa Giovanna Parmigiani
Programma: Il corso ha lo scopo di fornire ai dottorandi la capacità di: i) conoscere le linee guida internazionali per la produzione e aggiornamento delle meta-analisi; ii) saper formulare la Research Question, definire i criteri di eleggibilità degli studi da includere, progettare la search bibliografica, selezionare gli studi ed estrarre i dati, valutare la qualità degli studi inclusi, produrre le Summary of Findings tables, sviluppare l’analisi statistica, presentare i dati; iii) saper redigere e registrare il protocollo di una meta- analisi a aver acquisito le conoscenze metodologiche per scrivere una meta-analisi vera e propria.
Modalità di accertamento finale: Esercitazione pratica