Statistica con le reti neurali

Perche la statistica interessa lo psicologo

Negli ultimi anni e cresciuta fortemente la richiesta, da parte degli psicologi e in generale degli studiosi di scienze umane, di strumenti software per l’analisi statistica. La ricerca psicologica produce grandi quantita di dati: questionari, test, misurazioni sperimentali, osservazioni ripetute nel tempo. Trasformare questi dati in conoscenza utile richiede metodi capaci di descrivere, sintetizzare e prevedere i fenomeni osservati.

La statistica tradizionale risponde a queste esigenze con tecniche consolidate, come la correlazione, la regressione e l’analisi della varianza. Tuttavia molti di questi metodi presuppongono che i dati rispettino assunzioni precise, ad esempio la distribuzione normale o la relazione lineare tra le variabili. Quando i dati psicologici si discostano da queste assunzioni, i risultati possono diventare meno affidabili. E proprio qui che le reti neurali offrono un approccio complementare.

Che cosa sono le reti neurali

Una rete neurale artificiale e un modello di calcolo ispirato, in modo molto semplificato, al funzionamento del cervello. Il nome richiama i neuroni biologici, ma e bene chiarire subito che si tratta di una metafora: una rete neurale non pensa e non comprende, esegue calcoli matematici. La sua utilita per chi studia il comportamento umano sta nella capacita di individuare regolarita nei dati, non in una reale somiglianza con la mente.

L’unita di base e il nodo, spesso chiamato neurone artificiale. Ogni nodo riceve dei valori in ingresso, li combina assegnando a ciascuno un peso e produce un valore in uscita. I nodi sono organizzati in strati: uno strato di ingresso che riceve i dati, uno o piu strati intermedi che li elaborano e uno strato di uscita che fornisce il risultato. Le connessioni tra i nodi sono i pesi, e sono questi numeri a determinare il comportamento della rete.

Come una rete impara dai dati

L’aspetto piu caratteristico di una rete neurale e la fase di addestramento. All’inizio i pesi hanno valori casuali e la rete produce risposte sbagliate. Le si presentano allora molti esempi di cui si conosce gia il risultato corretto: per ogni esempio la rete confronta la propria risposta con quella attesa e modifica leggermente i pesi per ridurre l’errore. Ripetendo questo confronto migliaia di volte, la rete affina gradualmente i pesi finche le sue risposte diventano accurate.

Questo processo si chiama apprendimento supervisionato, perche la rete viene guidata da esempi corretti. Al termine dell’addestramento la rete dovrebbe essere in grado di rispondere bene anche a dati nuovi, mai visti prima. La capacita di generalizzare a casi nuovi e il vero obiettivo: una rete che si limita a memorizzare gli esempi di partenza, senza coglierne la struttura, non e utile nella pratica.

Tipi di analisi possibili con le reti neurali

Le reti neurali permettono di affrontare diversi problemi che lo psicologo incontra abitualmente nell’analisi dei dati. La logica resta quella della statistica, ma cambia il modo in cui le relazioni tra le variabili vengono ricavate.

Classificazione

Classificare significa assegnare ogni caso a una categoria sulla base delle sue caratteristiche. In ambito psicologico si puo pensare di distinguere profili di rischio, raggruppare partecipanti in base a un insieme di punteggi di un test, oppure prevedere a quale gruppo appartiene un soggetto a partire dalle sue risposte. La rete impara dagli esempi gia classificati e poi propone una categoria per i casi nuovi. E un compito analogo a quello dell’analisi discriminante, ma senza richiedere le sue rigide assunzioni statistiche.

Previsione e regressione

In molti studi interessa stimare il valore di una variabile a partire da altre. Si pensi a prevedere un indice di benessere dai punteggi di piu scale, oppure a stimare l’esito di un intervento dalle condizioni iniziali. Una rete neurale puo svolgere questo compito in modo simile alla regressione tradizionale, con il vantaggio di cogliere relazioni non lineari, cioe legami tra le variabili che non seguono una semplice linea retta. Questo la rende adatta a fenomeni complessi, dove l’effetto di una variabile dipende dal valore delle altre.

Raggruppamento e riconoscimento di pattern

Alcune reti lavorano senza esempi gia etichettati e cercano da sole le regolarita presenti nei dati. In questo caso il compito e simile all’analisi dei gruppi: la rete individua insiemi di casi simili tra loro, utili per scoprire profili o tipologie che non erano stati ipotizzati in partenza. Questo approccio, detto apprendimento non supervisionato, e prezioso nelle fasi esplorative della ricerca.

Vantaggi e limiti per chi studia scienze umane

Il principale vantaggio delle reti neurali e la flessibilita. Non impongono una forma predefinita alle relazioni tra le variabili e riescono a modellare legami complessi che i metodi classici faticano a descrivere. Inoltre i software disponibili oggi rendono molte analisi accessibili senza conoscenze matematiche avanzate, abbassando notevolmente i costi rispetto al passato e permettendo allo studioso di concentrarsi sull’interpretazione dei risultati.

Esistono pero anche dei limiti da tenere presenti. Una rete neurale e spesso difficile da interpretare: fornisce previsioni accurate, ma non spiega in modo trasparente perche arriva a una certa conclusione, ed e per questo chiamata talvolta scatola nera. Inoltre richiede una quantita sufficiente di dati per addestrarsi bene, e con campioni piccoli rischia di adattarsi troppo agli esempi di partenza perdendo capacita di generalizzazione. Per la ricerca psicologica, dove la spiegazione del fenomeno conta quanto la previsione, le reti neurali vanno quindi viste come uno strumento da affiancare ai metodi tradizionali, non come un loro semplice sostituto.

Da dove iniziare

Per avvicinarsi concretamente alle reti neurali non serve diventare programmatori. Conviene partire da un problema reale e ben definito, raccogliere dati ordinati e completi, e scegliere un software che guidi nelle scelte principali. E utile dedicare attenzione alla preparazione dei dati, perche la qualita dei risultati dipende in larga misura dalla cura con cui le variabili vengono selezionate e pulite. Solo dopo conviene confrontare i risultati della rete con quelli di un’analisi statistica classica, per valutare se l’approccio aggiunge davvero valore al proprio studio.

Domande frequenti

Serve una formazione matematica avanzata per usare le reti neurali?

No. I software attuali rendono le analisi accessibili anche a chi ha conoscenze matematiche limitate, come uno studente di psicologia o di scienze umane. E pero importante comprendere la logica di base del metodo, per interpretare correttamente i risultati ed evitare conclusioni affrettate.

Le reti neurali sostituiscono la statistica tradizionale?

No, la affiancano. I metodi classici restano fondamentali, soprattutto quando interessa spiegare un fenomeno in modo trasparente. Le reti neurali sono utili quando le relazioni tra le variabili sono complesse o non lineari, ma vanno usate come complemento, non come sostituto.

Quanti dati servono per addestrare una rete neurale?

Non esiste un numero fisso, ma in generale serve un campione sufficientemente ampio. Con pochi dati la rete tende ad adattarsi troppo agli esempi di partenza e perde la capacita di rispondere bene a casi nuovi. Per gli studi con campioni piccoli i metodi statistici tradizionali sono spesso piu prudenti.

Perche le reti neurali sono chiamate scatole nere?

Perche forniscono previsioni accurate senza spiegare in modo chiaro come vi arrivano. La rete combina molti pesi numerici e il percorso che porta al risultato e difficile da leggere. Questo le rende meno adatte quando l’obiettivo principale e capire le cause di un fenomeno.