McKee et al. (2022) haben in einer zweiteiligen Querschnittsstudie die Beziehung zwischen der Angst, etwas zu verpassen und maladaptiven Verhaltensweisen bei Studenten untersucht. Dabei wurde erfasst, ob FOMO bei Hochschulstudenten maladaptive Verhaltensweisen in verschiedenen Bereichen wie Alkohol- und Drogenkonsum, akademisches Fehlverhalten, illegales Verhalten voraussagt.
Die Teilnehmer füllten Fragebögen in Papierform aus, in denen die FOMO-Eigenschaften und Fragen zu unethischem und illegalem Verhalten während des Studiums erfasst wurden, wobei im ersten Teil traditionelle statistische Analysen (hierarchische Regressionsmodelle) eingesetzt wurden, um Beziehungen zwischen FOMO, demografischen Variablen (sozioökonomischer Status, Lebenssituation und Geschlecht) und den interessierenden Verhaltensresultaten zu ermitteln. Im zweiten Teil wurde versucht, die Vorhersagekraft von FOMO und den im ersten Teil verwendeten demografischen Variablen durch den konvergenten Ansatz des überwachten maschinellen Lernens zu quantifizieren.
Die Ergebnisse des ersten Teils deuteten darauf hin, dass FOMO bei College-Studenten tatsächlich mit vielen verschiedenen maladaptiven Verhaltensweisen aus dem legalen und illegalen Spektrum zusammenhängt. Ein höheres FOMO-Niveau stand dabei mit folgenden Verhaltensweisen in Verbindung: erhöhter Konsum von Canabis, Plagiaten, unhöfliches Verhalten im Studium, höherer wöchentlicher Alkoholkonsum, niedrigeres Alter bei Beginn des Alkoholkonsums, erhöhter Konsum von Stimulanzien, Beruhigungsmitteln und Halluzinogenen, illegale Aktivitäten wie das Verschenken von Drogen und Diebstahl. Offenbar existiert FOMO nicht nur als aversives Phänomen, sondern führt auch zu konkreten Konsequenzen für den Einzelnen und die Gesellschaft. Bei der zweiten Auswertung wurden rekursive Merkmalseliminierung und Hauptkomponentenanalyse sowie Modelle wie logistische Regression, Random Forest und Support Vector Machine eingesetzt, um die Vorhersagekraft der Implementierung des maschinellen Lernens zu demonstrieren. Die Zugehörigkeit für diese Verhaltensweisen (Täter vs. Nicht-Täter) wurde mit einer Rate vorhergesagt, die weit über der Basislinie lag (z. B. 50 % bei der Basislinie vs. 87 % Genauigkeit für akademisches Fehlverhalten mit nur drei Eingabevariablen). Diese Studie zeigte die Zusammenhänge zwischen FOMO und diesen Verhaltensweisen auf und verdeutlichte, wie maschinelles Lernen zusätzliche Vorhersageerkenntnisse liefern kann, die durch inferenzstatistische Modellierungsansätze, wie sie typischerweise in der Psychologie und im weiteren Sinne in den Sozialwissenschaften verwendet werden, nicht möglich wären.
Literatur
McKee, Paul C., Budnick, Christopher J., Walters, Kenneth S. & Antonios, Imad (2022). College student Fear of Missing Out (FOMO) and maladaptive behavior: Traditional statistical modeling and predictive analysis using machine learning. Public Library of Science, 17, doi:10.1371/journal.pone.0274698.
Nachricht ::: Stangls Bemerkungen ::: Stangls Notizen ::: Impressum
Datenschutzerklärung ::: © Werner Stangl :::