Model-based and data-driven approaches to complex systems: novel methods for psychology

This thesis explores both model-based and data-driven approaches to the analysis of complex systems, with a particular emphasis on innovative methodologies for the study of psychology. On the model-based side, the thesis investigates agent-based models and Markov models, presenting case studies in sustainability and climate change perception. These models illustrate how formal representations of interacting components can generate emergent phenomena and offer valuable insights into the dynamics of large-scale systems. On the data-driven side, the thesis examines machine learning techniques — clustering, prediction, classification — together with causal inference. Two empirical studies in extreme rainfall events analysis and air quality monitoring demonstrate how these methods identify complex patterns and improve predictive performance on longitudinal data. Recognizing that analyzing individual affect dynamics is key for understanding decision-making and human behavior, the methodological foundations previously developed are transferred to the field of psychology. First, a novel Markov model formalizes emotion regulation in individuals, with particular attention to the concept of egosyntonicity —the alignment between current and expected emotion— demonstrating that while it may provide short-term positive impacts, it may not always be beneficial in the long run. Second, a methodological pipeline is proposed for the study of mental disorders. Specifically, causal inference and machine learning are applied to longitudinal symptom data to capture nonlinear relationships among symptoms at both individual and group levels, and to improve the distinction between clinically similar disorders through complexity measures derived from time series. Overall, the findings suggest that complexity-rich methodologies provide a powerful framework for advancing research in psychology, and highlight a direction for computational social science—namely, linking idiographic affective dynamics to population-level models that instead often rely on reductionist assumptions.

Questa tesi esplora sia approcci model-based sia data-driven all’analisi dei sistemi complessi, con una particolare enfasi su metodologie innovative per lo studio della psicologia. Sul versante model-based, la tesi indaga modelli ad agenti e modelli di Markov, presentando casi di studio in ambito di sostenibilità e percezione del cambiamento climatico. Tali modelli mostrano come rappresentazioni formali di componenti interagenti possano generare fenomeni emergenti e offrire spunti rilevanti sulla dinamica di sistemi su larga scala. Sul versante data-driven, la tesi esamina tecniche di machine learning —clustering, previsione e classificazione— insieme all’inferenza causale. Due studi empirici sull’analisi di eventi di precipitazioni estreme e sul monitoraggio della qualità dell’aria dimostrano come questi metodi consentano di individuare pattern complessi e di migliorare le prestazioni predittive su dati longitudinali. Riconoscendo che l’analisi delle dinamiche affettive individuali è cruciale per comprendere il processo decisionale e il comportamento umano, le basi metodologiche sviluppate vengono trasferite al campo della psicologia. In primo luogo, un nuovo modello di Markov formalizza la regolazione emotiva negli individui, con particolare attenzione al concetto di egosintonicità —l’allineamento tra emozione attuale ed emozione attesa— mostrando che, sebbene possa produrre effetti positivi nel breve periodo, non è necessariamente vantaggiosa nel lungo termine. In secondo luogo, viene proposta una pipeline metodologica per lo studio dei disturbi mentali. In particolare, inferenza causale e machine learning vengono applicati a dati longitudinali sui sintomi per catturare relazioni non lineari tra i sintomi sia a livello individuale sia di gruppo, e per migliorare la distinzione tra disturbi clinicamente simili mediante misure di complessità derivate da serie temporali. Nel complesso, i risultati suggeriscono che metodologie ricche di complessità costituiscono un quadro potente per far avanzare la ricerca in psicologia e indicano una direzione per la computational social science: collegare le dinamiche affettive idiografiche a modelli a livello di popolazione, che spesso si basano invece su assunzioni riduzionistiche.