Das Subprojekt PREACT-digital ist Teil einer großen Forschungsgruppe (FOR 5187), die Prädiktoren für die Vorhersage von Non-Response auf kognitive Verhaltenstherapie in einer prospektiven Längsschnittstudie untersucht. Im Subprojekt PREACT-digital werden dafür Ecological Momentary Assessment (EMA) Daten mittels einer Studien-App und Digital Phenotyping Daten (u.a. Heartrate, Sleep, Activity, GPS) über 365 Tage erhoben, um Symptome und Symptomveränderungen längsschnittlich abzubilden. Für die Arbeit mit Digital-Phenotyping-Daten ist - aufgrund der Komplexität der Daten - ein Interesse an geeigneten Analysemethoden (z.B. Machine Learning) von Vorteil. Für inferenzstatistische Fragestellungen eignen sich klassische Verfahren wie Mehrebenenmodelle. Auch die Auswertung von Fragebögen mittels einfacher statistischer oder qualitativer Methoden ist möglich. Vorkenntnisse in diesen Bereichen sind hilfreich und wünschenswert, werden jedoch nicht vorausgesetzt. Eine methodische Einarbeitung und Betreuung sind vorgesehen.

Wir suchen:

• Bachelor / Master-Studierende (Psychologie, Data Science, Computational Neuroscience oder eines verwandten Faches)

• mindestens gute Kenntnisse in Python und/oder R

• Für komplexere Fragestellungen: Vertieftes Interesse an hochfrequenten sequentiellen Daten (time series)

• Kenntnisse mit High Performance Cluster (HPC) und Versionskontrolle (GitHub) hilfreich, aber nicht notwendig

• Je nach Fragestellung Begeisterung für sauberen und gut strukturierten Code sowie gute Methodenkenntnis

Im Folgenden finden Sie eine Übersicht möglicher Themen mit Angaben zum jeweiligen Schwierigkeitsgrad (Datentyp und Analysemethoden).

Themenvorschläge:

• Adhärenz von EMA bei Patient*innen in Psychotherapie (quantitative Auswertung der Compliance, Schweregrad: leicht), ggf. in Zusammenhang mit Faktoren wie Alter, Schweregrad, Diagnose

• Adhärenz von Digital Phenotyping bei Patient*innen in Psychotherapie (quantitative Datenauswertung der Compliance für verschiedene Datentypen, Schweregrad: mittel), ggf. in Zusammenhang mit Faktoren wie Alter, Schweregrad, Diagnose

• Feasibility von Digital Phenotyping und EMA bei Patient*innen in Psychotherapie; Auswertung eines Kurzfragebogens (quantitativ, Schweregrad: leicht)

• Untersuchung systematischer Muster von fehlenden Daten (Missings) in EMA und/ oder Digital Phenotyping Daten (quantitativ und qualitativ möglich, Schweregrad: leicht - schwierig)

• Untersuchung der Gründe für Dropout auf Basis eines Kurzfragebogens, ggf. in Zusammenhang mit Faktoren wie Alter, Schweregrad, Diagnose (quantitativ, Schweregrad: leicht)

• Untersuchung von Emotionsregulationsdynamiken über Netzwerkanalysen (quantitativ, Schweregrad: mittel)

Gerne können auch eigene Themenvorschläge eingebracht werden.

Kontakt: Bei Interesse melden Sie sich gerne mit einer Kurzvorstellung Ihrer Person, Ihrem CV und Ihrem Transcript of Records bei Leona Hammelrath (leona.hammelrath@fu-berlin.de).

Hier können Sie sich einlesen:

Studienprotokoll PREACT-digital:

https://bmjopen.bmj.com/content/15/7/e102392

Studienprotokoll FOR:

https://bmjopen.bmj.com/content/15/2/e094110