19. November 2024 | News | Workshop
Demystifying Machine Learning for Population Researchers
Mehr als 50 Forschende aus verschiedenen Bereichen der Bevölkerungswissenschaften am MPIDR
Das Max-Planck-Institut für demografische Forschung organisierte einen Workshop, um die Ziele, Techniken und Anwendungen von maschinellem Lernen für die Bevölkerungsforschung aufzuzeigen. Das Thema maschinelles Lernen wird am 25. Februar mit einer Süßmilch-Lecture von Vanessa Didelez fortgesetzt.
Die Teilnehmer*innen des Workshops on demystifying machine learning for population researchers. © MPIDR/Schulz
Am 5. und 6. November veranstaltete das Max-Planck-Institut für demografische Forschung (MPIDR) in Rostock einen Workshop, um maschinelles Lernen für Bevölkerungsforscher*innen nutzbar zu machen. Organisiert wurde der Workshop von Angela Carollo, Aapo Hiilamo und Mikko Myrskylä. Für Bevölkerungsforscher*innen ist maschinelles Lernen nicht nur für Hochrechnungen von Bevölkerungsdynamiken nützlich, sondern auch als Werkzeug um kausale Inferenz zu verbessern. Die Organisator*innen brachten mehr als 50 Forscher*innen aus verschiedenen Bereichen der Bevölkerungswissenschaften zusammen, darunter Gesundheit der Bevölkerung, formale und soziale Demografie, Public Health und Wirtschaft.
„Wir sind mit dem Verlauf des Workshops sehr zufrieden. Ich habe viel aus den sehr interessanten Präsentationen gelernt. Ich freue mich darauf, in meiner zukünftigen Forschung maschinelle Lernmethoden einzusetzen, um Fragen zur Familiendemografie und Fertilität zu beantworten“, sagt Angela Carollo.
Der Workshop bestand aus zwei Vorträgen, mehreren thematischen Kurzbeitrags-Sessions, einer Poster-Session, einem Tutorial und einer Podiumsdiskussion. Der erste Talk mit dem Titel „Machine Learning for Population Inference“ wurde von Ian Lundberg von der UCLA gehalten. Er erörterte, wie maschinelles Lernen dazu beitragen kann, Mittelwerte von (Teil)-Populationen abzuschätzen, wenn Daten lückenhaft sind oder ganz fehlen. Jennie E. Brand von der UCLA hielt einen Online-Vortrag mit dem Titel „Causal Inference and Machine Learning for Social Science“. Sie gab einen Überblick über die neuesten methodischen Fortschritte für kausale Inferenz und konzentrierte sich dann auf Ansätze zur Bewertung der Effektheterogenität.
In thematischen Kurzbeitrags-Sessions wurden Anwendungen des maschinellen Lernens etwa in den Bereichen Fertilität, Sterblichkeit, Gesundheit und Migration vorgestellt. Eine Sitzung zu Methoden und eine weitere zu kausaler Inferenz brachten den Zuhörer*innen Neuerungen auf diesen Gebieten näher. Am ersten Tag des Workshops wurden 15 Poster zu einer Vielzahl von Themen präsentiert.
Der Workshop endete mit einer Podiumsdiskussion über die Herausforderungen und zukünftigen Möglichkeiten des maschinellen Lernens. Irena Chen vom MPIDR, Matti Nelimarkka von der Universität Helsinki und Ian Lundberg diskutierten unter anderem darüber, ob und wie maschinelles Lernen in die Lehrpläne integriert werden sollte.
„Es wird interessant sein, in einigen Jahren zu sehen, ob die Demografie einige der im Workshop diskutierten Methoden des maschinellen Lernens aufgreift und ob dies zu Fortschritten in den Bevölkerungswissenschaften beiträgt“, sagt Angela Carollo.
Das Thema maschinelles Lernen wird am 25. Februar am MPIDR fortgesetzt, wenn Vanessa Didelez vom Leibniz-Institut für Präventionsforschung und Epidemiologie eine Süßmilch-Lecture mit dem Titel „Expert-driven versus Data-driven Causal Graph Selection in Epidemiology“ hält.