Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Bayesian Gaussian Processes. Or: How I Learned to Stop Worrying and Love Nonlinear Social Science

Opis projektu

Badanie złożonych zjawisk nieliniowych w naukach społecznych

W badaniach przekrojowych zmienne takie jak skłonność do udostępniania fałszywych wiadomości są ściśle powiązane z ludzką percepcją i tworzą skomplikowane wzorce, które wymykają się liniowym analizom. Kwestię tę dodatkowo komplikują badania podłużne, analizujące niestacjonarny charakter czasowych procesów społecznych. Konwencjonalne metody nie pozwalają na uchwycenie tej złożoności. Aby rozwiązać ten problem, pi finansowany przez ERBN projekt NONLINEARSCIENCE zakłada wykorzystanie bayesowskich procesów gaussowskich. Zespół proponuje elastyczne metodologie nieparametryczne, umożliwiające uchwycenie złożonych nieliniowych kształtów, integrację wcześniejszej wiedzy i testowanie teorii. Nowe, łatwe w użyciu oprogramowanie umożliwi udostępnienie rozwiązania szerokiemu gronu odbiorców, którzy z pewnością docenią także rozszerzenia oferujące obsługę różnych typów danych. Projekt NONLINEARSCIENCE pozwoli naukowcom na badanie skomplikowanych mechanizmów nieliniowych, śledzenie ewolucji czasowej i dokonywanie dokładnych prognoz w dynamicznym krajobrazie nauk społecznych.

Cel

Nonlinearity is ubiquitous in the social sciences. In cross-sectional research, nonlinearity naturally follows from the fact that variables often depend on human perception. The tendency to share fake news, for example, depends in a complex nonlinear manner on peoples’ personality and political preferences. In longitudinal research, nonlinearity follows from the fact that temporal social processes are nonstationary by nature. For instance, stressful life events (e.g. unemployment, pandemic) have a complex nonlinear impact on well-being over time. To study these nonlinear phenomena, much more data are needed than in linear analyses. Therefore, researchers increasingly rely on technological innovations to collect rich data, such as panel data via online surveys, experience sampling data via mobile apps, or temporal social network data using digital communication (e.g. email). In addition, prior information (e.g. from experts) is often available to inform us about plausible nonlinear shapes. A crucial problem is however that statistical approaches for learning nonlinearity still heavily rely on old-fashioned techniques which can only model simple (curvilinear) effects and are unable to include external prior information. Our understanding about nonlinear phenomena therefore remains limited. This project aims to resolve these shortcomings by developing cutting-edge methods for nonlinear social science using Bayesian Gaussian processes. With this nonparametric methodology, we can learn complex nonlinear shapes, add prior knowledge, and test nonlinear theories. Implementation in user-friendly software will ensure general utilization. Tailor-made extensions will be developed for cross-sectional data, panel data, experience sampling data, and temporal social network data. After this project, we will be able to truly understand complex nonlinear mechanisms, to learn how these unfold over time, and to make accurate predictions (e.g. of well-being after life events).

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2022-COG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

TILBURG UNIVERSITY- UNIVERSITEIT VAN TILBURG
Wkład UE netto
€ 1 999 555,00
Koszt całkowity
€ 1 999 555,00

Beneficjenci (1)