Matematyka w psychologii i psychiatrii

1. Wprowadzenie: rola matematyki w naukach o umyśle

Matematyka pełni w psychologii i psychiatrii rolę języka formalnego, który umożliwia precyzyjne opisywanie procesów psychicznych, ich pomiar oraz testowanie hipotez empirycznych. Zjawiska takie jak percepcja, pamięć, uczenie się czy regulacja emocji mają charakter dynamiczny i probabilistyczny, dlatego naturalnie poddają się modelowaniu matematycznemu. Przejście od opisów jakościowych do modeli ilościowych pozwala formułować twierdzenia o charakterze predykcyjnym i falsyfikowalnym.

Centralnym założeniem ilościowego podejścia jest traktowanie zachowania i stanów psychicznych jako zmiennych losowych. Obserwacje empiryczne modeluje się poprzez rozkłady prawdopodobieństwa $X\sim P(\theta)$ , gdzie parametry $\theta$ kodują cechy indywidualne lub mechanizmy poznawcze. Dzięki temu możliwe jest wnioskowanie statystyczne o populacjach na podstawie prób oraz estymacja niepewności pomiaru.

Matematyka umożliwia także formalizację teorii psychologicznych w postaci równań i algorytmów. Modele liniowe $y=\mathbf{x}^\top\boldsymbol{\beta}+\varepsilon$ opisują zależności między bodźcami a reakcjami, natomiast modele nieliniowe i stochastyczne, takie jak równania różniczkowe $\dot{\mathbf{x}}=f(\mathbf{x})$ czy procesy losowe $X(t)$ , pozwalają uchwycić dynamikę zmian w czasie. Tego typu formalizm jest niezbędny do badania adaptacji, uczenia oraz patologii.

W psychiatrii matematyka odgrywa kluczową rolę w analizie danych klinicznych, klasyfikacji zaburzeń oraz ocenie skuteczności terapii. Modele probabilistyczne umożliwiają estymację ryzyka $P(D|X)$ , gdzie $D$ oznacza diagnozę, a $X$ zestaw obserwacji klinicznych. Z kolei modele dynamiki pozwalają opisywać przebieg choroby jako trajektorię w przestrzeni stanów $\mathbf{x}(t)$ .

Istotnym aspektem jest również integracja danych wielowymiarowych, pochodzących z testów psychometrycznych, neuroobrazowania i obserwacji behawioralnych. Matematyka dostarcza narzędzi redukcji wymiaru, optymalizacji i analizy sieciowej, dzięki którym możliwe jest łączenie różnych poziomów opisu umysłu w spójny model ilościowy.

Podsumowując, rola matematyki w naukach o umyśle polega na dostarczaniu formalnych struktur umożliwiających opis, analizę i przewidywanie zjawisk psychicznych. Dzięki matematyzacji psychologia i psychiatria zyskują status nauk ilościowych, zdolnych do budowania teorii o wysokim stopniu precyzji i empirycznej sprawdzalności.

2. Podstawy statystyki i pomiarów w badaniach psychologicznych

Badania psychologiczne opierają się na ilościowym pomiarze cech psychicznych, zachowań i reakcji, które modeluje się jako zmienne losowe. Podstawowym krokiem analizy jest opis statystyczny próby $(x_1,\dots,x_n)$ , który umożliwia streszczenie danych oraz ocenę ich zmienności i niepewności.

Centralną miarą tendencji centralnej jest średnia arytmetyczna $\bar{x}=\frac{1}{n}\sum_{i=1}^n x_i$ , natomiast rozproszenie danych opisuje wariancja $s^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-\bar{x})^2$ oraz odchylenie standardowe $s=\sqrt{s^2}$ . W psychologii często stosuje się także medianę $\tilde{x}$ oraz kwartyle, szczególnie przy rozkładach asymetrycznych.

Wnioskowanie statystyczne opiera się na modelach probabilistycznych. Często zakłada się normalność rozkładu zmiennej $X\sim N(\mu,\sigma^2)$ , której gęstość ma postać $f(x)=\frac{1}{\sqrt{2\pi\sigma^2}}\exp \left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$ . Założenie to leży u podstaw wielu testów parametrycznych.

Jednym z najczęściej stosowanych testów jest test t-Studenta dla jednej próby, w którym statystyka testowa dana jest wzorem $t=\frac{\bar{x}-\mu_0}{s/\sqrt{n}}$ . Dla dwóch prób niezależnych stosuje się statystykę $t=\frac{\bar{x}_1-\bar{x}_2}{s_p\sqrt{1/n_1+1/n_2}}$ , gdzie wariancja połączona wynosi $s_p^2=\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}$ .

W analizie zależności pomiędzy zmiennymi kluczową rolę odgrywa korelacja. Współczynnik korelacji Pearsona definiuje się jako $r=\frac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^n(x_i-\bar{x})^2}\sqrt{\sum_{i=1}^n(y_i-\bar{y})^2}}$ . Jego wartość mierzy siłę liniowego związku pomiędzy zmiennymi psychologicznymi.

Modele regresji liniowej pozwalają przewidywać jedną zmienną na podstawie innych. Model jednowymiarowy zapisuje się jako $y_i=\beta_0+\beta_1 x_i+\varepsilon_i$ , przy czym estymatory najmniejszych kwadratów spełniają $\hat{\boldsymbol{\beta}}=(\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y}$ . Wariancja reszt wyraża się jako $\hat{\sigma}^2=\frac{1}{n-p}\sum_{i=1}^n(y_i-\hat{y}_i)^2$ .

Istotnym zagadnieniem pomiarowym jest rzetelność narzędzi psychologicznych. Współczynnik alfa Cronbacha, mierzący spójność wewnętrzną testu, ma postać $\alpha=\frac{k}{k-1}\left(1-\frac{\sum_{i=1}^k s_i^2}{s_T^2}\right)$ , gdzie $k$ oznacza liczbę pozycji testowych, a $s_T^2$ wariancję sumy punktów.

Błąd pomiaru modeluje się statystycznie jako składnik losowy. Dla wyniku obserwowanego $X$ przyjmuje się dekompozycję $X=T+E$ , gdzie $T$ jest wartością prawdziwą, a $E$ błędem o własności $\mathbb{E}[E]=0$ . Wariancja błędu determinuje precyzję pomiaru i wpływa na moc testów statystycznych.

Statystyka w badaniach psychologicznych pełni zatem podwójną funkcję: umożliwia zarówno opis empirycznych danych, jak i formalne wnioskowanie o mechanizmach psychicznych w populacji. Bogactwo modeli i wzorów statystycznych stanowi fundament ilościowego podejścia do nauk o umyśle, bez którego współczesna psychologia i psychiatria nie mogłyby funkcjonować jako dyscypliny empiryczne.

3. Psychometria: teoria testów klasycznych i modeli IRT(Item Response Theory)

Psychometria zajmuje się ilościowym pomiarem cech psychicznych, takich jak inteligencja, osobowość czy nasilenie objawów klinicznych. Matematyczne modele pomiaru umożliwiają rozdzielenie informacji o badanej cesze od losowego błędu oraz ocenę jakości narzędzi diagnostycznych.

W klasycznej teorii testów (CTT) wynik obserwowany traktuje się jako sumę wyniku prawdziwego i błędu pomiaru, co zapisuje się relacją $X=T+E$ . Zakłada się przy tym, że $\mathbb{E}[E]=0$ oraz $\mathrm{Cov}(T,E)=0$ . Z tego wynika dekompozycja wariancji $\mathrm{Var}(X)=\mathrm{Var}(T)+\mathrm{Var}(E)$ .

Podstawową miarą jakości testu w CTT jest rzetelność, definiowana jako udział wariancji prawdziwej w wariancji obserwowanej $r_{xx}=\frac{\mathrm{Var}(T)}{\mathrm{Var}(X)}$ . Im większa wartość $r_{xx}$ , tym mniejszy względny wpływ błędu pomiaru. Standardowy błąd pomiaru wyraża się wzorem $\mathrm{SEM}=s_X\sqrt{1-r_{xx}}$ , gdzie $s_X$ oznacza odchylenie standardowe wyników.

W praktyce psychologicznej rzetelność często estymuje się współczynnikiem alfa Cronbacha, danym wzorem $\alpha=\frac{k}{k-1}\left(1-\frac{\sum_{i=1}^k s_i^2}{s_T^2}\right)$ , gdzie $k$ jest liczbą pozycji testowych, $s_i^2$ wariancją pojedynczej pozycji, a $s_T^2$ wariancją sumy punktów. Alfa interpretuje się jako dolne ograniczenie rzetelności testu.

Ograniczeniem CTT jest zależność parametrów testu od konkretnej próby. Problem ten rozwiązuje item response theory (IRT), w której centralnym pojęciem jest latentna cecha $\theta$ , a nie wynik sumaryczny. W IRT prawdopodobieństwo odpowiedzi na pozycję testową modeluje się jako funkcję $\theta$ .

Najprostszy model IRT to model jednoparametrowy (Rascha), w którym prawdopodobieństwo poprawnej odpowiedzi ma postać $P_i(\theta)=\frac{1}{1+\exp[-(\theta-b_i)]}$ , gdzie $b_i$ jest parametrem trudności pozycji. Model ten zakłada jednakową dyskryminację wszystkich pozycji.

Bardziej ogólny jest model dwupunktowy (2PL), zapisany jako $P_i(\theta)=\frac{1}{1+\exp[-a_i(\theta-b_i)]}$ , gdzie $a_i$ jest parametrem dyskryminacji. Parametr ten określa, jak silnie dana pozycja różnicuje osoby o różnych poziomach cechy.

W modelu trzypunktowym (3PL), stosowanym głównie w testach wyboru, uwzględnia się zgadywanie poprzez parametr $c_i$ , co prowadzi do postaci $P_i(\theta)=c_i+(1-c_i)\frac{1}{1+\exp[-a_i(\theta-b_i)]}$ . Model ten ma szczególne znaczenie w testach edukacyjnych i diagnostyce klinicznej.

Centralnym narzędziem analitycznym w IRT jest funkcja informacji pozycji $I_i(\theta)=\frac{[P_i'(\theta)]^2}{P_i(\theta)[1-P_i(\theta)]}$ , która mierzy precyzję pomiaru cechy $\theta$ przez daną pozycję. Informacja testu jest sumą informacji pozycji $I(\theta)=\sum_i I_i(\theta)$ , co pozwala projektować testy o maksymalnej czułości w określonym zakresie cechy.

Estymacja poziomu cechy u osoby badanej opiera się na maksymalizacji funkcji wiarygodności $L(\theta)=\prod_i P_i(\theta)^{x_i}[1-P_i(\theta)]^{1-x_i}$ , gdzie $x_i\in{0,1}$ oznacza odpowiedź na pozycję $i$ . Alternatywnie stosuje się estymację Bayesowską, minimalizującą oczekiwany błąd kwadratowy.

Psychometria, zarówno w ujęciu klasycznym, jak i w ramach IRT, stanowi przykład ścisłego zastosowania matematyki w psychologii i psychiatrii. Formalizacja pomiaru umożliwia obiektywną ocenę narzędzi diagnostycznych, porównywalność wyników oraz precyzyjne wnioskowanie o latentnych cechach psychicznych, co ma kluczowe znaczenie zarówno w badaniach naukowych, jak i w praktyce klinicznej.

4. Analiza sygnałów i teoria detekcji sygnału

Analiza sygnałów w psychologii percepcji dostarcza formalnych narzędzi do opisu tego, jak organizm rozróżnia bodźce istotne od szumu. Matematycznym punktem wyjścia jest model sygnału sensorycznego jako zmiennej losowej $X$ , będącej sumą składowej deterministycznej (sygnału) i losowej (szumu), co zapisuje się jako $X=S+N$ .

W klasycznej teorii detekcji sygnału (SDT) zakłada się, że rozkład odpowiedzi sensorycznych w warunku braku bodźca ma postać normalną $N\sim N(\mu_0,\sigma^2)$ , natomiast w obecności bodźca $S+N\sim N(\mu_1,\sigma^2)$ . Kluczowym parametrem rozróżnialności jest miara czułości $d'=\frac{\mu_1-\mu_0}{\sigma}$ , która określa odległość między rozkładami w jednostkach odchylenia standardowego.

Decyzja obserwatora opiera się na porównaniu wartości zmiennej $X$ z kryterium decyzyjnym $c$ . Prawdopodobieństwo trafienia definiuje się jako $H=P(X>c|S)=1-\Phi!\left(\frac{c-\mu_1}{\sigma}\right)$ , natomiast prawdopodobieństwo fałszywego alarmu jako $F=P(X>c|N)=1-\Phi \left(\frac{c-\mu_0}{\sigma}\right)$ , gdzie $\Phi$ jest dystrybuantą rozkładu normalnego.

Zależność pomiędzy $H$ i $F$ dla ustalonego $d'$ opisuje krzywa ROC, dana równaniem $H=\Phi\left(\Phi^{-1}(F)+d'\right)$ . Pole pod krzywą ROC stanowi miarę ogólnej zdolności detekcyjnej i może być wyrażone jako $\mathrm{AUC}=\Phi \left(\frac{d'}{\sqrt{2}}\right)$ .

Oprócz czułości istotna jest także skłonność decyzyjna obserwatora, mierzona parametrem $\beta$ . W ujęciu ilorazu wiarygodności definiuje się ją jako $\beta=\frac{f_{S+N}(c)}{f_N(c)}$ , gdzie $f$ oznacza gęstości rozkładów. Często stosuje się również miarę logarytmiczną $\ln\beta=\frac{c-\mu_0}{\sigma}d'-\frac{d'^2}{2}$ .

Analiza sygnałów znajduje zastosowanie w modelowaniu progów percepcyjnych. Funkcja psychometryczna, opisująca zależność prawdopodobieństwa detekcji od natężenia bodźca $s$ , często przyjmuje postać logistyczną $P(s)=\frac{1}{1+\exp[-a(s-s_0)]}$ , gdzie $s_0$ jest progiem detekcji, a $a$ parametrem stromości.

W analizie czasowej sygnałów sensorycznych wykorzystuje się transformatę Fouriera $X(f)=\int_{-\infty}^{\infty}x(t)e^{-i2\pi ft}dt$ , która pozwala badać pasma częstotliwości istotne dla percepcji. Stosunek sygnału do szumu w dziedzinie częstotliwości definiuje się jako $\mathrm{SNR}=\frac{\int |S(f)|^2df}{\int |N(f)|^2df}$ , a jego wartość wpływa bezpośrednio na osiągalne $d'$ .

Modele SDT można również formułować w ujęciu bayesowskim. Decyzja optymalna polega wówczas na porównaniu ilorazu posteriorów $\frac{p(S|X)}{p(N|X)}$ z jednością, co po zastosowaniu twierdzenia Bayesa prowadzi do reguły $\frac{p(X|S)p(S)}{p(X|N)p(N)}>1$ . Kryterium decyzyjne zależy wtedy zarówno od rozkładów sensorycznych, jak i od apriorycznych prawdopodobieństw bodźców.

Teoria detekcji sygnału stanowi jedno z najlepiej ugruntowanych matematycznych narzędzi w psychologii eksperymentalnej. Łączy analizę sygnałów, rachunek prawdopodobieństwa i teorię decyzji, umożliwiając ilościowe badanie percepcji, uwagi oraz zaburzeń sensorycznych w sposób niezależny od subiektywnych kryteriów odpowiedzi.

5. Modele procesów poznawczych i dynamika układów

Procesy poznawcze, takie jak podejmowanie decyzji, uwaga czy uczenie się, mają charakter dynamiczny i losowy, dlatego są naturalnie opisywane za pomocą równań różniczkowych, równań różnicowych oraz procesów stochastycznych. Matematyczny formalizm dynamiki układów umożliwia analizę trajektorii stanów poznawczych w czasie oraz identyfikację punktów równowagi i bifurkacji.

Najprostszym ujęciem jest model deterministyczny, w którym stan poznawczy opisuje wektor $\mathbf{x}(t)\in\mathbb{R}^n$ , a jego ewolucja dana jest równaniem $\dot{\mathbf{x}}(t)=\mathbf{f}(\mathbf{x}(t),\boldsymbol{\theta})$ , gdzie $\boldsymbol{\theta}$ to parametry modelu. Punkty stałe spełniają warunek $\mathbf{f}(\mathbf{x}^*,\boldsymbol{\theta})=\mathbf{0}$ , a ich stabilność analizuje się przez wartości własne macierzy Jacobiego $J=\frac{\partial \mathbf{f}}{\partial \mathbf{x}}(\mathbf{x}^*)$ .

W modelach uczenia się często pojawia się dynamika relaksacyjna postaci $\dot{x}=-\lambda(x-x^*)$ , której rozwiązanie ma postać $x(t)=x^*+(x(0)-x^*)e^{-\lambda t}$ . Parametr $\lambda$ interpretuje się jako tempo adaptacji lub uczenia się. Dla procesów dyskretnych stosuje się równania różnicowe $x_{t+1}=ax_t+b$ , których stabilność zależy od wartości $|a|<1$ .

Decyzje binarne modeluje się często za pomocą modelu dryfu–dyfuzji, w którym akumulacja dowodów sensorycznych opisana jest równaniem stochastycznym $dx(t)=\mu dt+\sigma dW(t)$ , gdzie $W(t)$ jest ruchem Browna. Rozkład czasu reakcji do osiągnięcia bariery decyzyjnej $a$ opisuje gęstość $f(t)=\frac{a}{\sqrt{2\pi\sigma^2 t^3}}\exp\left(-\frac{(a-\mu t)^2}{2\sigma^2 t}\right)$ .

W modelach uwagi i konkurencji bodźców stosuje się układy nieliniowe, np. równania Wilsona–Cowana $\dot{x}=-x+S(w x+I)$ , gdzie $S(z)=\frac{1}{1+e^{-z}}$ jest funkcją sigmoidalną. Tego typu modele wykazują przejścia fazowe i oscylacje, które interpretuje się jako przełączanie stanów poznawczych.

Uczenie asocjacyjne i wzmacnianie opisuje się za pomocą równań uczenia, takich jak reguła delta $\Delta w=\eta(y-\hat y)x$ , gdzie $\eta$ jest współczynnikiem uczenia. W ujęciu ciągłym prowadzi to do dynamiki gradientowej $\dot{\boldsymbol{\theta}}=-\nabla_{\boldsymbol{\theta}}L(\boldsymbol{\theta})$ , gdzie $L$ jest funkcją kosztu.

Modele poznawcze często uwzględniają szum wewnętrzny, co prowadzi do równań Langevina $\dot{x}=f(x)+\xi(t)$ , gdzie $\xi(t)$ jest procesem losowym o własnościach $\langle\xi(t)\rangle=0$ oraz $\langle\xi(t)\xi(t')\rangle=2D\delta(t-t')$ . Odpowiadające równanie Fokkera–Plancka opisuje ewolucję gęstości prawdopodobieństwa $\frac{\partial p}{\partial t}=-\frac{\partial}{\partial x}[f(x)p]+D\frac{\partial^2 p}{\partial x^2}$ .

Z punktu widzenia dynamiki układów procesy poznawcze mogą wykazywać wielostabilność, histerezę oraz chaos deterministyczny. Matematyczne narzędzia analizy stabilności, bifurkacji i procesów stochastycznych pozwalają ilościowo badać przejścia między stanami psychicznymi oraz wyjaśniać zmienność zachowań obserwowanych empirycznie.

6. Sieci neuronowe i modele Bayesowskie w psychologii

Współczesna psychologia poznawcza coraz częściej opisuje procesy umysłowe za pomocą modeli probabilistycznych oraz sieci neuronowych, które umożliwiają formalne ujęcie uczenia się, wnioskowania i percepcji w warunkach niepewności. Matematyka pełni tu rolę spoiwa łączącego dane empiryczne z teorią.

Podstawą podejścia bayesowskiego jest twierdzenie Bayesa, które opisuje aktualizację przekonań w świetle nowych danych: $p(\theta|x)=\frac{p(x|\theta)p(\theta)}{p(x)}$ , gdzie $p(\theta)$ jest rozkładem a priori, $p(x|\theta)$ funkcją wiarygodności, a $p(\theta|x)$ rozkładem a posteriori. Normalizacja dana jest przez $p(x)=\int p(x|\theta)p(\theta)d\theta$ .

W modelach percepcji zakłada się, że obserwacje sensoryczne są obciążone szumem, co prowadzi do modeli typu $x=s+\varepsilon$ , gdzie $\varepsilon\sim N(0,\sigma^2)$ . Wówczas rozkład posteriori ma często postać normalną $p(s|x)\sim N \left(\frac{\sigma_s^2 x+\sigma^2\mu_s}{\sigma_s^2+\sigma^2},\frac{\sigma_s^2\sigma^2}{\sigma_s^2+\sigma^2}\right)$ , co tłumaczy zjawiska optymalnej integracji bodźców.

Modele Bayesowskie stosuje się również do opisu uczenia się sekwencyjnego. W prostym modelu aktualizacja przekonań po obserwacji $x_t$ ma postać $p(\theta|x_{1:t})\propto p(x_t|\theta)p(\theta|x_{1:t-1})$ . Taka dynamika formalizuje proces adaptacyjnego uczenia się na podstawie doświadczenia.

Równolegle rozwijane są modele sztucznych sieci neuronowych, które w psychologii pełnią rolę przybliżeń funkcji poznawczych. Podstawowy neuron formalny opisuje się równaniem $y=\sigma(\mathbf{w}^\top\mathbf{x}+b)$ , gdzie $\mathbf{w}$ jest wektorem wag, $b$ wyrazem wolnym, a $\sigma$ funkcją aktywacji, np. sigmoidalną $\sigma(z)=\frac{1}{1+e^{-z}}$ .

t-\eta\nabla{\mathbf{w}}L(\mathbf{w}_t) $, przy czym $\eta$ jest współczynnikiem uczenia.

Sieci neuronowe można interpretować probabilistycznie. W modelach logistycznych prawdopodobieństwo odpowiedzi binarnej zapisuje się jako $P(y=1|\mathbf{x})=\frac{1}{1+e^{-\mathbf{w}^\top\mathbf{x}}}$ , co łączy regresję logistyczną z neuronem perceptronowym. Funkcja kosztu w tym przypadku odpowiada ujemnemu logarytmowi wiarygodności $L=-\sum_i[y_i\log\hat y_i+(1-y_i)\log(1-\hat y_i)]$ .

Istnieją także sieci Bayesowskie, w których zmienne losowe $X_1,\dots,X_n$ tworzą graf acykliczny, a rozkład łączny faktoryzuje się jako $p(X_1,\dots,X_n)=\prod_{i=1}^n p(X_i|\mathrm{Pa}(X_i))$ , gdzie $\mathrm{Pa}(X_i)$ oznacza zbiór rodziców w grafie. Takie modele są szeroko stosowane do opisu zależności poznawczych i diagnostyki klinicznej.

Z punktu widzenia psychologii matematycznej sieci neuronowe i modele Bayesowskie stanowią dwa komplementarne podejścia. Pierwsze kładzie nacisk na mechanizmy obliczeniowe i adaptacyjne, drugie na normatywne zasady wnioskowania w warunkach niepewności. Oba ujęcia, oparte na precyzyjnych wzorach matematycznych, umożliwiają ilościowy opis procesów poznawczych i tworzą fundament współczesnych teorii umysłu.

7. Modele statystyczne w psychiatrii klinicznej

Psychiatria kliniczna wykorzystuje modele statystyczne do opisu, predykcji i wnioskowania o zaburzeniach psychicznych na podstawie danych obserwacyjnych, testów psychometrycznych oraz pomiarów biologicznych. Zmiennymi wyjściowymi są najczęściej diagnozy, nasilenie objawów lub odpowiedź na leczenie, które modeluje się jako zmienne losowe warunkowane przez zestaw predyktorów klinicznych.

Podstawowym narzędziem jest regresja logistyczna, stosowana do modelowania zmiennych binarnych, takich jak obecność lub brak zaburzenia. Model ma postać $\log\frac{p}{1-p}=\beta_0+\sum_{j=1}^k\beta_j x_j$ , gdzie $p=P(Y=1|x)$ . Funkcja wiarygodności dla próby $latex (y_i,\mathbf{x}{i=1}^n p_i^{y_i}(1-p_i)^{1-y_i} $, a estymację parametrów uzyskuje się przez maksymalizację $\ell(\boldsymbol{\beta})=\sum_{i=1}^n[y_i\log p_i+(1-y_i)\log(1-p_i)]$ .

Dla zmiennych ciągłych, takich jak skale nasilenia objawów, stosuje się regresję liniową wielowymiarową $y=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\varepsilon}$ , przy założeniu $\boldsymbol{\varepsilon}\sim N(\mathbf{0},\sigma^2\mathbf{I})$ . Estymator najmniejszych kwadratów ma postać $\hat{\boldsymbol{\beta}}=(\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y}$ , a macierz kowariancji estymatora wynosi $\mathrm{Var}(\hat{\boldsymbol{\beta}})=\sigma^2(\mathbf{X}^\top\mathbf{X})^{-1}$ .

W badaniach podłużnych kluczową rolę odgrywają modele mieszane, które uwzględniają zróżnicowanie międzyosobnicze. Model liniowy mieszany zapisuje się jako $y_{ij}=x_{ij}^\top\beta+z_{ij}^\top b_i+\varepsilon_{ij}$ są efektami losowymi pacjenta, a $\varepsilon_{ij}\sim N(0,\sigma^2)$ . Taka struktura umożliwia modelowanie indywidualnych trajektorii objawów.

Do analizy czasu do zdarzenia, np. nawrotu choroby lub remisji, stosuje się analizę przeżycia. Model Coxa opisuje hazard jako $h(t|\mathbf{x})=h_0(t)\exp(\mathbf{x}^\top\boldsymbol{\beta})$ , a funkcja przeżycia dana jest przez $S(t)=\exp \left(-\int_0^t h(u)du\right)$ . Estymacja parametrów opiera się na częściowej wiarygodności.

W klasyfikacji wieloklasowej, np. rozróżnianiu typów zaburzeń, wykorzystuje się modele wielomianowe $P_j(\mathbf{x})=\frac{e^{x^\top\beta_j}}{\sum_{l=1}^J e^{x^\top\beta_l}}$ Miary dopasowania obejmują entropię krzyżową $H=-\sum_{i,j} y_{ij}\log p_{ij}$ oraz dokładność klasyfikacji.

Coraz częściej stosuje się modele ukrytych zmiennych, w których obserwowane objawy są manifestacjami latentnych stanów klinicznych. W modelu mieszanin normalnych gęstość ma postać $p(x)=\sum_{k=1}^K\pi_k N(x|\mu_k,\Sigma_k)$ , gdzie $\pi_k$ są wagami klas. Algorytm EM maksymalizuje wiarygodność poprzez iteracje $\gamma_{ik}=\frac{\pi_k N(x_i|\mu_k,\Sigma_k)}{\sum_l\pi_l N(x_i|\mu_l,\Sigma_l)}$ oraz aktualizacje parametrów.

W psychiatrii predykcyjnej wykorzystuje się także modele regularizowane, np. LASSO, minimalizujące funkcję $L(\boldsymbol{\beta})=\frac{1}{2n}|\mathbf{y}-\mathbf{X}\boldsymbol{\beta}|_2^2+\lambda|\boldsymbol{\beta}|_1$ , co umożliwia selekcję istotnych predyktorów przy wysokim wymiarze danych.

Modele statystyczne w psychiatrii klinicznej tworzą spójny aparat ilościowy, który pozwala integrować dane objawowe, demograficzne i biologiczne. Dzięki formalnym własnościom estymatorów, testów i predykcji możliwe jest przechodzenie od opisu klinicznego do obiektywnego wnioskowania probabilistycznego, stanowiącego podstawę nowoczesnej psychiatrii opartej na danych.

8. Analiza sieci i neuroobrazowanie

Analiza sieci stanowi dziś jedno z kluczowych narzędzi matematycznych w badaniach neuroobrazowych, takich jak fMRI, EEG i MEG. Mózg modeluje się jako graf $G=(V,E)$ , gdzie wierzchołki $V={1,\dots,N}$ reprezentują regiony mózgu, a krawędzie $E$ funkcjonalne lub strukturalne połączenia między nimi.

Dane neuroobrazowe opisuje się najpierw w postaci szeregów czasowych $x_i(t)$ , przypisanych do regionów $i$ . Funkcjonalne połączenia estymuje się za pomocą korelacji $r_{ij}=\frac{\sum_t(x_i(t)-\bar x_i)(x_j(t)-\bar x_j)}{\sqrt{\sum_t(x_i(t)-\bar x_i)^2}\sqrt{\sum_t(x_j(t)-\bar x_j)^2}}$ , co prowadzi do macierzy korelacji $\mathbf{R}=(r_{ij})$ .

Po progowaniu otrzymuje się macierz sąsiedztwa $\mathbf{A}=(a_{ij})$ , gdzie $a_{ij}=\mathbb{I}(|r_{ij}|>\tau)$ lub w wersji ważonej $a_{ij}=|r_{ij}|$ . Stopień wierzchołka definiuje się jako $k_i=\sum_j a_{ij}$ , a średni stopień sieci jako $\langle k\rangle=\frac{1}{N}\sum_i k_i$ .

Centralność węzłów opisuje się różnymi miarami. Centralność wektorowa spełnia równanie własne $\mathbf{A}\mathbf{x}=\lambda\mathbf{x}$ , gdzie $\lambda$ jest największą wartością własną, a $\mathbf{x}$ wektorem centralności. Centralność pośrednictwa (betweenness) definiuje się jako $C_B(i)=\sum_{s\neq i\neq t}\frac{\sigma_{st}(i)}{\sigma_{st}}$ , gdzie $\sigma_{st}$ jest liczbą najkrótszych ścieżek między $s$ i $t$ .

Globalną integrację sieci mierzy się długością najkrótszych ścieżek $L=\frac{1}{N(N-1)}\sum_{i\neq j}d_{ij}$ , a segregację lokalną współczynnikiem klasteryzacji $C=\frac{1}{N}\sum_i\frac{2e_i}{k_i(k_i-1)}$ , gdzie $e_i$ jest liczbą krawędzi między sąsiadami węzła $i$ . Struktura „małego świata” charakteryzuje się relacją $\sigma=\frac{C/C_{\mathrm{rand}}}{L/L_{\mathrm{rand}}}>1$ .

W neuroobrazowaniu spektralnym analizuje się własności macierzy Laplasjana $\mathbf{L}=\mathbf{D}-\mathbf{A}$ , gdzie $\mathbf{D}=\mathrm{diag}(k_1,\dots,k_N)$ . Wartości własne $\lambda_i(\mathbf{L})$ dostarczają informacji o spójności i modularności sieci. Podział na moduły maksymalizuje funkcję modularności $Q=\frac{1}{2m}\sum_{ij}\left(a_{ij}-\frac{k_i k_j}{2m}\right)\delta(c_i,c_j)$ , gdzie $m=\frac12\sum_{ij}a_{ij}$ .

Dane fMRI modeluje się także w ramach ogólnego modelu liniowego, zapisując sygnał jako $\mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\varepsilon}$ , przy czym estymator parametrów wynosi $\hat{\boldsymbol{\beta}}=(\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y}$ . Statystyki aktywacji oblicza się za pomocą kontrastów $t=\frac{\mathbf{c}^\top\hat{\boldsymbol{\beta}}}{\sqrt{\hat{\sigma}^2\mathbf{c}^\top(\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{c}}}$ .

W EEG i MEG analizuje się synchronizację sygnałów w dziedzinie częstotliwości. Spójność widmowa definiowana jest jako $C_{ij}(f)=\frac{|S_{ij}(f)|^2}{S_{ii}(f)S_{jj}(f)}$ , gdzie $S_{ij}(f)$ jest widmem krzyżowym. Miary te pozwalają budować sieci zależne od częstotliwości $G(f)$ .

Analiza sieciowa w neuroobrazowaniu umożliwia ilościowy opis organizacji mózgu jako złożonego systemu. Matematyczne miary grafowe, spektralne i statystyczne pozwalają porównywać sieci zdrowe i patologiczne, identyfikować biomarkery zaburzeń psychicznych oraz modelować dynamikę funkcjonalnej integracji i segregacji mózgu w sposób formalny i empirycznie testowalny.

9. Ocena efektywności terapii: metryki i krzywe wzrostu

Ocena skuteczności interwencji terapeutycznych w psychologii i psychiatrii wymaga formalnych miar ilościowych, które opisują zmianę w czasie, wielkość efektu oraz niepewność estymacji. Matematyczne modele wzrostu i metryki efektu umożliwiają porównywanie terapii, monitorowanie postępów pacjentów oraz predykcję wyników leczenia.

Podstawową miarą zmiany jest różnica średnich pomiędzy pomiarem początkowym i końcowym $\Delta=\bar y_{\mathrm{post}}-\bar y_{\mathrm{pre}}$ . W ujęciu standaryzowanym stosuje się wielkość efektu Cohena $d=\frac{\bar y_2-\bar y_1}{s_p}$ , gdzie $s_p$ jest odchyleniem standardowym połączonym. Dla badań z powtarzanym pomiarem używa się korekty zależnej od korelacji $d_z=\frac{\bar{d}}{s_d}$ .

Istotność kliniczną zmiany ocenia się często za pomocą indeksu zmiany rzetelnej $\mathrm{RCI}=\frac{y_{\text{post}}-y_{\text{pre}}}{\sqrt{2},\mathrm{SEM}}$ , gdzie $\mathrm{SEM}=s\sqrt{1-r_{xx}}$ . Wartość $|\mathrm{RCI}|>1.96$ wskazuje na zmianę przekraczającą błąd pomiaru.

Zmiany w czasie modeluje się przy użyciu krzywych wzrostu. Najprostszy model liniowy ma postać $y(t)=\beta_0+\beta_1 t+\varepsilon(t)$ , gdzie $\beta_1$ interpretuje się jako tempo poprawy. Dla dynamiki nieliniowej stosuje się model wykładniczy $y(t)=\alpha+\gamma(1-e^{-\lambda t})$ , w którym $\lambda$ określa szybkość osiągania efektu terapeutycznego.

Bardzo często używany jest model logistyczny, opisujący procesy nasycenia: $y(t)=\frac{K}{1+\exp[-r(t-t_0)]}$ . Parametr $K$ oznacza maksymalny efekt terapii, $r$ tempo zmiany, a $t_0$ punkt przegięcia krzywej. Model ten dobrze opisuje szybkie początkowe poprawy i późniejsze plateau.

W badaniach podłużnych stosuje się modele mieszane krzywych wzrostu, zapisane jako $y_{it}=\beta_0+\beta_1 t+z_{it}^\top b_i+\varepsilon_{it}$ , gdzie $\mathbf{b}_i$ są losowymi efektami pacjenta. Macierz kowariancji efektów losowych $\mathbf{D}$ pozwala badać zróżnicowanie indywidualnych trajektorii terapii.

Do porównań terapii wykorzystuje się także krzywe ROC w kontekście remisji klinicznej. Czułość i swoistość definiuje się jako $\mathrm{Se}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$ oraz $\mathrm{Sp}=\frac{\mathrm{TN}}{\mathrm{TN}+\mathrm{FP}}$ , a pole pod krzywą ROC wyraża się jako $\mathrm{AUC}=\int_0^1 \mathrm{Se}(\mathrm{FPR}),d\mathrm{FPR}$ .

W analizie czasowej efektów terapeutycznych stosuje się modele autoregresyjne, np. $y_t=\phi y_{t-1}+\varepsilon_t$ , oraz uogólnienia ARIMA $\phi(B)(y_t-\mu)=\theta(B)\varepsilon_t$ , gdzie $B$ jest operatorem opóźnienia. Modele te pozwalają rozróżnić trwałą poprawę od krótkotrwałych fluktuacji.

Efektywność terapii można także oceniać w ujęciu bayesowskim, estymując rozkład a posteriori efektu $p(\delta|D)\propto p(D|\delta)p(\delta)$ . Przedziały wiarygodności wyznacza się z warunku $P(\delta_L<\delta<\delta_U|D)=0.95$ , co umożliwia bezpośrednią interpretację niepewności klinicznej.

Matematyczne metryki i modele wzrostu tworzą spójny aparat do ilościowej oceny terapii. Pozwalają one łączyć statystyczną istotność z istotnością kliniczną, analizować dynamikę zmian oraz uwzględniać indywidualne różnice pacjentów, co stanowi fundament nowoczesnej, opartej na danych ewaluacji interwencji terapeutycznych.

10. Wyzwania i przyszłość: modele złożone i sztuczna inteligencja

Współczesna psychologia i psychiatria stoją przed wyzwaniem opisu zjawisk o wysokiej złożoności, nieliniowości i wieloskalowości. Dane pochodzą jednocześnie z poziomu behawioralnego, psychometrycznego, neurobiologicznego i środowiskowego, co wymaga integracji modeli matematycznych o różnej naturze w jednym spójnym formalizmie.

Jednym z kluczowych kierunków rozwoju są modele układów złożonych, w których stan psychiczny opisuje się jako punkt w przestrzeni wysokiego wymiaru $\mathbf{x}(t)\in\mathbb{R}^n$ . Dynamika takiego stanu dana jest przez nieliniowe równania różniczkowe $\dot{\mathbf{x}}=f(\mathbf{x},\boldsymbol{\theta})$ , które mogą wykazywać wielostabilność, bifurkacje oraz przejścia krytyczne. Zmiany kliniczne interpretuje się jako przejścia pomiędzy atraktorami układu.

W psychiatrii coraz większą rolę odgrywają modele stochastyczne, uwzględniające losowe fluktuacje nastroju i zachowania. Formalnie zapisuje się je jako równania Langevina $d\mathbf{x}=f(\mathbf{x})dt+\mathbf{G}d\mathbf{W}(t)$ , gdzie $\mathbf{W}(t)$ jest wektorem procesów Wienera. Odpowiadające im równanie Fokkera–Plancka opisuje ewolucję gęstości stanów psychicznych $\frac{\partial p}{\partial t}=-\nabla\cdot(fp)+\frac12\nabla^\top(\mathbf{D}\nabla p)$ .

Sztuczna inteligencja wnosi do nauk o umyśle potężne narzędzia predykcyjne. W uczeniu maszynowym problem diagnozy formułuje się jako minimalizację funkcji kosztu $L(\theta)=\frac{1}{n}\sum_{i=1}^n\ell(y_i,f_\theta(x_i))$ , gdzie $f_\theta$ jest modelem parametrycznym, a $\ell$ funkcją straty. Aktualizacja parametrów odbywa się zgodnie z regułą $\theta_{t+1}=\theta_t-\eta\nabla_\theta L(\theta_t)$ .

W modelach głębokich sieci neuronowych kolejne warstwy realizują transformacje $\mathbf{h}^{(l+1)}=\sigma(\mathbf{W}^{(l)}\mathbf{h}^{(l)}+\mathbf{b}^{(l)})$ , co umożliwia aproksymację złożonych funkcji poznawczych. Z punktu widzenia teorii aproksymacji sieci te realizują odwzorowania $f:\mathbb{R}^d\to\mathbb{R}^k$ o bardzo dużej pojemności reprezentacyjnej.

Coraz większe znaczenie mają modele bayesowskie hierarchiczne, które łączą uczenie maszynowe z interpretowalnością kliniczną. Rozkład łączny parametrów i danych zapisuje się jako $p(\mathbf{y},\boldsymbol{\theta},\boldsymbol{\phi})=p(\mathbf{y}|\boldsymbol{\theta})p(\boldsymbol{\theta}|\boldsymbol{\phi})p(\boldsymbol{\phi})$ , co umożliwia jednoczesne modelowanie poziomu indywidualnego i populacyjnego. Wnioskowanie realizuje się poprzez aproksymację rozkładu posteriori $p(\boldsymbol{\theta},\boldsymbol{\phi}|\mathbf{y})$ .

Wyzwania przyszłości obejmują również problem interpretowalności modeli. Wysokowymiarowe algorytmy predykcyjne muszą być powiązane z miarami niepewności, takimi jak wariancja predykcji $\mathrm{Var}(\hat y|x)$ , oraz z dekompozycją błędu $\mathbb{E}[(y-\hat y)^2]=\mathrm{Bias}^2+\mathrm{Var}+\sigma^2$ . Bez tego modele AI pozostają „czarnymi skrzynkami” o ograniczonej wartości klinicznej.

Istotnym kierunkiem jest także modelowanie adaptacyjne i personalizacja terapii, gdzie parametry modelu zależą od czasu i historii pacjenta $\theta(t)=g(\theta(t-1),x(t))$ . Takie podejście prowadzi do systemów sterowania optymalnego, w których terapia minimalizuje funkcjonał kosztu $J=\int_0^T L(\mathbf{x}(t),u(t))dt$ , gdzie $u(t)$ oznacza interwencję terapeutyczną.

Podsumowując, przyszłość matematyki w psychologii i psychiatrii leży w integracji modeli dynamicznych, probabilistycznych i algorytmicznych. Sztuczna inteligencja, wsparta solidnym formalizmem matematycznym, ma potencjał nie tylko zwiększać trafność diagnoz, lecz także pogłębiać rozumienie mechanizmów psychicznych. Kluczowym wyzwaniem pozostaje zachowanie równowagi pomiędzy mocą predykcyjną a interpretowalnością i odpowiedzialnym zastosowaniem modeli w praktyce klinicznej.

11. Bibliografia

F. Lord, M. R. Novick, Statistical Theories of Mental Test Scores
J. Embretson, S. Reise, Item Response Theory for Psychologists
M. E. Bruno, Signal Detection Theory and Psychophysics
P. Dayan, L. F. Abbott, Theoretical Neuroscience
K. Friston, Statistical Parametric Mapping
A. Gelman, Bayesian Data Analysis
A. Kujala et al., Mathematical Models in Psychology
S. M. Smith et al., Network Modelling Methods for fMRI
J. Fox, Applied Regression Analysis and Generalized Linear Models
B. W. Silverman, Density Estimation for Statistics and Data Analysis
R. O. Duda et al., Pattern Classification

Otagowanoanaliza sygnałów, badania psychologiczne, detekcja sygnału, dynamika układów, krzywa wzrostu, metryka wzrostu, model IRT, modele Bayesowskie, neuroobrazowanie, procesy poznawcze, psychiatria, psychiatria kliniczna, psychologia, psychometria, sieci neuronowe, statystyka