变压器深度学习模型用于缺失数据归算:在心理尺度上的ReMasker模型的应用

科学领域:

• 心理测量 心理测量 心理测量
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 缺少的数据是心理测量研究的一个重大挑战,可能会损害研究的可靠性和有效性.
• 传统的归算方法 (例如,平均归算,预期最大化) 往往无法满足心理数据的假设,从而导致有偏见的结果.
• 开发强大的方法来处理丢失的数据对于准确的心理测量分析至关重要.

研究的目的:

• 评估基于变压器的深度学习在心理测量研究中赋予缺失数据的有效性.
• 为了比较一个新的变压器模型,ReMasker,与传统和其他机器学习归算技术.
• 用现实世界的心理测量数据集来评估不同归算方法的性能.

主要方法:

• 开发了一个掩盖自编码变压器模型 (ReMasker),并与平均/中位数归算,预期最大化 (EM),K-最近邻居 (KNN),MissForest和人工神经网络 (ANN) 进行了比较.
• 来自COVID应急仓库的心理测量数据集被用于评估.
• 使用原始和归算数据矩阵之间的根平均平方误差 (RMSE) 来量化推算性能.

主要成果:

• 基于变压器的模型,特别是ReMasker,在数据重建方面表现出优异的性能,与传统的归算方法相比.
• 机器学习方法,包括ReMasker,在所有测试的场景中始终优于传统技术.
• ReMasker实现了最小的重建错误,表明了更准确的数据归算.

结论:

• 基于变压器的深度学习模型提供了一个强大而有效的解决方案,用于解决心理测量研究中缺失的数据.
• ReMasker的卓越性能凸显了先进的人工智能技术在提高数据完整性和心理研究发现的概括性方面的潜力.
• 这些发现提倡采用先进的归算方法来提高心理测量研究结果的质量.