Methodik

Als Datensatz haben wir die European Social Survey (ESS) von 2014 ausgewählt, die in 30 europäischen Ländern unter Anderem Daten zu sozialem Verhalten und Einstellungen, allgemeiner Gesundheit und Wohlbefinden, politischen Ideologien, kultureller Identität sowie Ernährung und Alkoholkonsum erhoben hat. Für die Vorhersage von Schlaf als Outcome wurde die Variable „slprl“ ausgewählt. Die insgesamt21 Prädiktoren wurden im Rahmen dieses Projektes zunächst nur auf Basis von inhaltlichen Überlegungen ausgewählt und beinhalten Daten zu Lebenszufriedenheit, politischem Interesse, subjektiver Gesundheit, Alkoholkonsum, Rauchen, Diskriminierung, Persönlichkeit sowie psychischer Gesundheit und Einkommen. Um unser Endprodukt einer individuellen Vorhersage inklusive Empfehlungen zu erreichen, haben wir zunächst diese Variablen aus dem Datensatz selektiert und umbenannt und im Anschluss fehlende Werte definiert sowie einzelne Variablen für die leichtere Interpretation so umkodiert, dass hohe Werte einer hohen Ausprägung entsprechen. Nach Ausschluss der fehlenden Werte hatte unser Datensatz noch 33562 Zeilen und war insgesamt von Vornherein gut vorbereitet, um die Datenbereinigung schnell abzuschließen. Für die Modellauswahl wurden verschiedene Modelle (Lasso-Regression, Decision Tree und Support Vector Machine) für die Klassifikation eines binären Outcomes getestet, um anhand der Accuracy eine begründete Auswahl für eines der Modelle zu treffen. Obwohl es in der Accuracy nur sehr geringe Unterschiede gab, haben wir uns für die höchste Accuracy und damit für eine logistische Regression mit z-standardisierten Werten entschieden. (Die anderen Modell befinden sich der Übersichtlichkeit halber nicht mehr im Google Colab, sondern in unserem Archiv.) Um das Modell anschließend auf neue User-Daten anzuwenden, erheben wir diese durch Input und geben abschließend Empfehlungen zu möglichen Verhaltensänderungen, indem wir den User-Input mit den Mittelwerten aus dem Trainingsdatensatz vergleichen. Der User / die Userin bekommt somit ein Feedback zu jedem änderbaren Prädiktor (für die Empfehlungen haben wir Prädiktoren wie Geschlecht oder Diskriminierung ausgeschlossen, da diese für die Person selbst so nicht änderbar sind). Weicht die Person um min. 1 SD vom Mittelwert ab, bekommt sie eine Änderungsempfehlung, sowie eine Erklärung zum Zusammenhang mit Schlafqualität.