Modelli statistici avanzati in neuroscienze
A.A. 2025/2026
Obiettivi formativi
Il corso si propone di fornire agli studenti competenze avanzate nell'applicazione e nell'interpretazione dei modelli statistici per l'analisi dei dati neuroscientifici. In particolare, verranno fornite le basi per:
- Sviluppare capacità critiche nell'uso di modelli statistici avanzati in contesti clinici e sperimentali.
- Approfondire l'analisi di dati neuropsicologici e neuroscientifici attraverso metodi statistici multivariati e di machine learning.
- Integrare conoscenze teoriche e pratiche nell'elaborazione di dataset complessi.
- Formare competenze applicative per l'interpretazione rigorosa di dati e la comunicazione efficace dei risultati scientifici.
- Sviluppare capacità critiche nell'uso di modelli statistici avanzati in contesti clinici e sperimentali.
- Approfondire l'analisi di dati neuropsicologici e neuroscientifici attraverso metodi statistici multivariati e di machine learning.
- Integrare conoscenze teoriche e pratiche nell'elaborazione di dataset complessi.
- Formare competenze applicative per l'interpretazione rigorosa di dati e la comunicazione efficace dei risultati scientifici.
Risultati apprendimento attesi
Al termine del corso, gli studenti saranno in grado di:
- Comprendere i principi teorici alla base dei principali modelli statistici avanzati, inclusi modelli lineari e non lineari, modelli gerarchici, e analisi multivariata.
- Identificare le tecniche statistiche appropriate per specifici tipi di dati neuroscientifici (fMRI, EEG, MEG).
- Applicare strumenti di analisi statistica avanzata a dataset neuroscientifici.
- Sviluppare modelli predittivi e interpretativi basati su dati neuroscientifici per rispondere a domande cliniche e sperimentali.
- Valutare criticamente la qualità e la robustezza dei modelli statistici applicati a studi neuroscientifici.
- Formulare ipotesi statistiche e interpretare i risultati con attenzione alle limitazioni metodologiche.
- Presentare in maniera chiara ed efficace i risultati di analisi statistiche avanzate, adattandoli a pubblicazioni scientifiche.
- Comprendere i principi teorici alla base dei principali modelli statistici avanzati, inclusi modelli lineari e non lineari, modelli gerarchici, e analisi multivariata.
- Identificare le tecniche statistiche appropriate per specifici tipi di dati neuroscientifici (fMRI, EEG, MEG).
- Applicare strumenti di analisi statistica avanzata a dataset neuroscientifici.
- Sviluppare modelli predittivi e interpretativi basati su dati neuroscientifici per rispondere a domande cliniche e sperimentali.
- Valutare criticamente la qualità e la robustezza dei modelli statistici applicati a studi neuroscientifici.
- Formulare ipotesi statistiche e interpretare i risultati con attenzione alle limitazioni metodologiche.
- Presentare in maniera chiara ed efficace i risultati di analisi statistiche avanzate, adattandoli a pubblicazioni scientifiche.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Programma
Introduzione alla Statistica in Neuroscienze
· Fondamenti di statistica descrittiva e inferenziale.
· Concetti base di variabilità, correlazione e regressione.
Modelli Statistici di Base
· Introduzione ai modelli statistici lineari.
· Analisi della varianza (ANOVA) e test statistici di base (t-test).
Modelli Statistici Avanzati
· Modelli lineari generalizzati (GLM) e loro estensioni.
· Analisi della varianza multivariata (MANOVA) e modelli misti.
Metodi Statistici per Dati Neuroscientifici
· Analisi di dati comportamentali e neuropsicologici.
· Analisi di segnali EEG/MEG e neuroimaging funzionale.
· Statistiche per studi longitudinali e clinici.
Tecniche di Machine Learning in Neuroscienze
· Introduzione al machine learning: concetti base e applicazioni.
· Classificazione e regressione nei dati neuroscientifici.
· Fondamenti di statistica descrittiva e inferenziale.
· Concetti base di variabilità, correlazione e regressione.
Modelli Statistici di Base
· Introduzione ai modelli statistici lineari.
· Analisi della varianza (ANOVA) e test statistici di base (t-test).
Modelli Statistici Avanzati
· Modelli lineari generalizzati (GLM) e loro estensioni.
· Analisi della varianza multivariata (MANOVA) e modelli misti.
Metodi Statistici per Dati Neuroscientifici
· Analisi di dati comportamentali e neuropsicologici.
· Analisi di segnali EEG/MEG e neuroimaging funzionale.
· Statistiche per studi longitudinali e clinici.
Tecniche di Machine Learning in Neuroscienze
· Introduzione al machine learning: concetti base e applicazioni.
· Classificazione e regressione nei dati neuroscientifici.
Prerequisiti
Conoscenze di base di statistica descrittiva (indici di tendenza centrale e di variabilità); fondamenti di statistica inferenziale. Familiarità con la regressione semplice, la correlazione e il t-test.
Metodi didattici
Lezioni frontali teoriche e pratiche, lettura di articoli scientifici, analisi di lavori di ricerca tratti dalla letteratura psicologica, discussioni di analisi dei dati in aula, esercitazioni.
Materiale di riferimento
La bibliografia di riferimento sarà fornita agli studenti all'inizio del corso e caricata sul sito MyAriel dell'insegnamento.
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consisterà in una prova orale e/o scritta, le cui modalità specifiche saranno comunicate dal docente all'inizio del corso.
M-PSI/03 - PSICOMETRIA - CFU: 6
Lezioni: 42 ore