Paving new ways: the case for machine learning in political psychology
This dissertation aims to illustrate the potential of machine learning models in political psychology research. Drawing on previous theoretical and empirical work from related disciplines, I outline three shifts in how research in political psychology can be conducted. In detail, I explain the benef...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book/Monograph Thesis |
| Language: | English |
| Published: |
Heidelberg
10 Jul. 2025
|
| DOI: | 10.11588/heidok.00036819 |
| Subjects: | |
| Online Access: | Resolving-System, kostenfrei: https://nbn-resolving.de/urn:nbn:de:bsz:16-heidok-368192 Resolving-System, kostenfrei: https://doi.org/10.11588/heidok.00036819 Verlag, kostenfrei, Volltext: http://www.ub.uni-heidelberg.de/archiv/36819 Resolving-System, kostenfrei: https://nbn-resolving.org/urn:nbn:de:bsz:16-heidok-368192 Langzeitarchivierung Nationalbibliothek, kostenfrei: https://d-nb.info/1371231311/34 
|
| Author Notes: | presented by Nils Brandenstein ; supervisor: Prof. Dr. Jan Rummel |
| Summary: | This dissertation aims to illustrate the potential of machine learning models in political psychology research. Drawing on previous theoretical and empirical work from related disciplines, I outline three shifts in how research in political psychology can be conducted. In detail, I explain the benefits of focusing on prediction, embracing more complexity in the modeling phase and using large datasets and novel data sources – and how the usage of machine learning models can support these shifts. Representing the main contribution of this publication-based dissertation, I then present three original studies in which I investigated belief in conspiracy theories, individual sustainable behavior and political attitudes and behavior in online social media networks using different machine learning models. I concurrently discuss how using these models in my studies helped to gain deep insights into the psychological mechanisms underlying political cognitions and behavior. Based on my original studies and insights from other previous studies, I outline potential future directions for political psychological research. I discuss the advantages and limitations of machine learning models, important precautions for their application, strategies to increase their future usage and approaches for integrating them into current research practice. Diese Dissertation zielt darauf ab, das Potenzial von Modellen des maschinellen Lernens in der politikpsychologischen Forschung aufzuzeigen. Ausgehend von früheren theoretischen und empirischen Arbeiten aus verwandten Disziplinen skizziere ich drei Veränderungen in der Art und Weise, wie politikpsychologische Forschung betrieben werden kann. Im Einzelnen erläutere ich die Vorteile einer stärkeren Ausrichtung auf Vorhersagen, einer höheren Komplexität bei der Modellbildung sowie der Nutzung großer Datensätze und neuartiger Datenquellen – und lege dar, wie der Einsatz von Modellen des maschinellen Lernens diese Entwicklungen unterstützen kann. Als zentralen Beitrag dieser kumulativen Dissertation präsentiere ich anschließend drei Originalstudien, in denen ich mithilfe verschiedener Modelle des maschinellen Lernens den Glauben an Verschwörungstheorien, individuelles nachhaltiges Verhalten sowie politische Einstellungen und Verhaltensweisen in sozialen Online-Netzwerken untersucht habe. Zugleich erörtere ich, wie der Einsatz dieser Modelle in meinen Studien dazu beigetragen hat, tiefgehende Einblicke in die psychologischen Mechanismen zu gewinnen, die politischen Kognitionen und Verhaltensweisen zugrunde liegen. Auf der Basis meiner eigenen Studien sowie Erkenntnissen aus früheren Forschungsarbeiten skizziere ich mögliche zukünftige Richtungen für die politikpsychologische Forschung. Dabei diskutiere ich die Vorteile und Grenzen von Modellen des maschinellen Lernens, wichtige Vorsichtsmaßnahmen bei deren Anwendung, Strategien zur Förderung ihres künftigen Einsatzes sowie Ansätze für ihre Integration in die aktuelle Forschungspraxis. [Mit KI übersetzt] |
|---|---|
| Physical Description: | Online Resource |
| DOI: | 10.11588/heidok.00036819 |