eLearning - Methoden der Psychologie - TU Dresden - Benutzerbeiträge [de]

Sandkasten:Sandkasten

2017-01-10T21:52:53Z

Micha:

Ein Sandkasten, auch als Buddelkasten, Buddelkiste oder Sandkiste bezeichnet, ist im allgemeinen Sinn ein durch Steine oder Holzbretter von der Umgebung abgegrenzter, oft in den Erdboden eingelassener Bereich, der mit Sand gefüllt ist. Er ist als Spielfläche für Kinder bis zum Grundschulalter gedacht und befindet sich vornehmlich auf Spielplätzen, in Grünanlagen oder in Gärten. In den Sandkästen werden von den Kindern meist Sandburgen gebaut oder Sandkuchen „gebacken“.

[[Datei:sandbox.jpg|frame|right|link=|300px|Dies ist ein Sandkasten.]]
Üblicherweise ist ein Sandkasten aus Holz gefertigt, doch es gibt auch Modelle aus Kunststoff. Die Modelle aus Kunststoff haben hinsichtlich Form und Farben oft Ähnlichkeit mit Tieren und zeichnen sich durch kompakte Abmessungen aus. Ein aus Holz gefertigter Sandkasten bietet meistens eine Sitzbank.

Sandkästen sollen mindestens 40 Zentimeter tief mit Sand gefüllt sein, dessen Körner nach DIN 18034 einen Durchmesser von bis zu zwei Millimeter haben sollen. Vor allem bei größeren Kindern kam es in der Vergangenheit schon zu einigen tödlichen Unfällen durch tief gebuddelte Löcher und Höhlen, die zusammenbrachen. Um solche Unfälle zu vermeiden, sollten ein Gitter, wasserdurchlässige Gewebefolien oder Verbundsteine unter dem Sand verbaut sein. Der Sand öffentlicher Spielplätze soll mindestens alle zwei Jahre gewechselt werden. Zur Kostenreduktion kann der Austauschzyklus durch Einsatz einer geeigneten Sandreinigungsmaschine bis auf das Dreifache verlängert werden.

Biases

2015-08-21T12:14:12Z

Micha:

{{Nav|Navigation|Ergebnisinterpretation|Kommunikation und Recherche}}

So wie es beim Messen zu Verzerrungen kommen kann, ist dies auch im Interpretationsschritt auf Seiten des Forschers möglich. Dabei kann man drei verschiedene Arten von Verzerrungen unterscheiden: 
Theoretisch 
Auch nach Objektivität strebende Forscher haben '''vorgefertigte Theorien''' über Kausalzusammenhänge und Hintergründe, die sie (oftmals unbewusst) in die Interpretation von Daten einfließen lassen. So kann es dazu kommen, dass verschiedene Forscher aus ein und denselben Daten komplett gegensätzliche, unvereinbare Schlüsse ziehen – und diese jeweils an den Daten logisch begründen können! 
In weniger dramatischen Fällen kann es dazu kommen, dass die Erwartungen die Deutung der Daten beeinflussen – indem sie etwa den Blick auf '''Alternativinterpretationen''' verdecken. 
Persönlich 
Nicht nur spezifische Erwartungen und Theorien nehmen Einfluss auf die Interpretation. Auch die grundlegende '''Weltsicht''' der Forscher tut dies. Und diese setzt schon einige Schritte vorher an, indem sie lenkt, zu welchen Themenbereichen überhaupt geforscht wird, wie der Versuchsaufbau ist, was damit letztlich gefunden werden kann und wird, und so weiter. So ist es auch zu erklären, dass es zu manchen Themen deutlich mehr Forschung gibt als zu anderen – und dies wiederum kann zu Verzerrungen führen: 
''Dass große Unterschiede zwischen den Geschlechtern bestehen ist Teil des gesellschaftlichen Weltbildes. Dementsprechend gibt es viele wissenschaftliche Arbeiten zu eben diesem Thema, was alleine die subjektive Wichtigkeit dieser Unterschiede betont. Berücksichtigt man nun noch den Publication Bias (siehe "logisch-interpretatorisch"), ist klar ersichtlich, dass es leicht zur Überschätzung der beobachteten Unterschiede kommen kann.'' 
Logisch-interpretatorisch 
Besonders bei der Untersuchung biologischer oder persönlichkeitsbedingter Unterschiede tritt leicht der Fehler einer '''unangebrachten Kausalinterpretation''' auf: die Auswirkungen dieser Faktoren kann in der Regel nur korrelativ untersucht werden, was eine Kausalinterpretation der Ergebnisse verbietet (siehe [[Korrelationen]]). 
'''Eine Übergeneralisierung''' tritt beispielsweise auf, wenn sich ausschließlich auf die '''Signifikanz''' eines Unterschiedes konzentriert wird, der aber so minimal ist, dass er kaum Auswirkungen hat. Eine Berücksichtigung der [[Effektgröße|Effektstärke]] und eine Analyse der unterliegenden Verteilungen kann hier Abhilfe schaffen. 
Beispiel: ''Unterschiede zwischen Männern und Frauen in Mathematiktests können z.B. durch eine leichte Verschiebung in den Verteilungen entstehen – dadurch mag eine Gruppe im Mittel zwar eine niedrigere Punktzahl erreichen, als die andere. Die jeweils schlechtesten und jeweils erfolgreichsten Personen beider Gruppen können aber trotzdem gleichauf liegen. Damit ist eine Interpretation im Sinne von „Männer sind in Mathematik besser oder schlechter“ unangebracht und eine Generalisierung auf alle Individuen im Sinne von „Du bist eine Frau, also bist Du in Mathematik besser oder schlechter als ein Mann“ unangebracht. '' 
Ein weiterer interpretatorischer Fehler liegt vor, wenn eine Gruppe unreflektiert oder grundlos als '''Norm''' gesetzt wird. Dies schafft verzerrte Verhältnisse und Auslegungen der Daten.
 Beispiel: ''Bei Unterschieden zwischen Männern und Frauen in einem Selbstvertrauens-Fragebogen werden die Frauen verzerrt als „weniger selbstbewusst als die Männer“ bezeichnet und Trainings für Selbstvertrauen empfohlen.'' 
Eine Verzerrung, die ein großes Problem im Wissenschaftssystem darstellt, ist der '''Publication Bias'''. Damit Studien der Öffentlichkeit zugänglich sind, müssen sie publiziert werden. Studien, die jedoch keine signifikanten Unterschiede (''etwa zwischen den Geschlechtern'') finden, sind aus verschiedenen Gründen schwerer zu publizieren (z.B. wegen des möglichen Vorwurfs mangelnder "statistischer Power") als Studien, welche Unterschiede finden. Somit entsteht in der wissenschaftlichen Literatur und in der Öffentlichkeit ein verzerrtes Bild, welches die Unterschiede deutlich überschätzen lässt.

Artikelliste:Modellierung

2015-07-16T16:12:24Z

Micha:

* [[Modellierung]]
** [[Statistische Modelle]]
** [[Mathematische Modelle]]
** [[Komputationale Modelle]]
*** [[Agentenmodelle]]
*** [[Neuronale Netzwerke]]
**** [[Attraktornetze]]

Neuronale Netzwerke

2015-07-15T22:06:57Z

Micha: Micha verschob die Seite Sandkasten:Neuronale Netzwerke nach Neuronale Netzwerke, ohne dabei eine Weiterleitung anzulegen

{{Nav||Modellierung|Hauptseite}}
=Neuronale Netzwerke=
Die Idee der Modellierung psychischer Prozesse durch Künstliche Neuronale Netze entspricht der Forschungsrichtung des [[Konnektionismus]]. Die Idee dahinter ist, Modelle einzelner Komponenten in Anlehung an die Funktionsweise des Gehirns zu entwerfen. Diese Komponenten spiegeln Prozesse der Informationsverarbeitung wider und können diese auf gegebenen Stimuli ausführen. Die '''zentralen Fähigkeiten''' neuronaler Netze liegen im ''Lernen'' und der ''Selbstorganisation'' von Informationen, der damit verbundenen ''Toleranz von Informationsfehlern'', dem ''Erkennen von Mustern'' und schließlich der ''Generalisierung'' dieser Prozesse, z.B. auf noch nie gesehene Stimuli. 
Durch die Modellierung sollen Verhaltensweisen und Verhaltensveränderungen repliziert, erklärt und vorhergesagt werden.

==Grundlagen==
Bei der Modellierung durch Künstliche Neuronale Netze greift man unter anderem auf die {Neuronenhypothese} zurück, es werden Neurone „simuliert“. Hierbei werden ''kleinste einfache Einheiten verschaltet''. Diese Verschaltungen ähneln biologischen ''„Synapsen“', also den Verbindungsstellen zwischen biologischen Neuronen. Aufgrund dieser Verbindungen erhält jede Einheit ''vektorielle Inputs'' („Reize“) von ihren verbundenen Nachbareinheiten. Diese Reize werden je nach Verbindungsstärke unterschiedlich ''gewichtet''. Die Gewichtung des Inputs ist dabei im Modell ''veränderbar'', was die Basis für späteres Lernen bildet. Diese gewichteten Inputs werden im in der Einheit (auch „Unit“ oder „Knoten“ genannt) aufsummiert (kumuliert). Über eine Aktivierungsfunktion wird schließlich der Output berechnet. Er ist skalar (durch einen numerischen Wert beschrieben) und oftmals nichtlinear (abhängig von der gewählten Aktivierungsfunktion).

Lernen findet durch Veränderung der Verbindungsstärken zwischen Einheiten statt. Donald O. Hebb entwarf 1949 die grundlegende Lernregel: '''„what fires together, wires together“'''. Die Idee ist, dass gleichzeitig feuernde Neurone stärker miteinander verknüpft werden. Seine Formel kann in Künstlichen Neuronalen Netzen z.B. eingesetzt werden um die Konditionierung zu simulieren: ein US (z.B. Essen im Mund) und ein CS (z.B. Glockenleuten) aktivieren jeweils eine Einheit. Diese Einheiten wiederum sind mit einer weiteren Einheit (z.B. Speicheln) verbunden. Wenn nun die US Einheit aktiviert ist (Essen im Mund), aktiviert das die Verhaltenseinheit (Speicheln). Wenn nun gleichzeitig die CS Einheit aktiviert wird (Glocke läutet), so führt die Koaktivierung der Einheiten zu einer Verstärkung der Verbindungsgewichte zwischen ihnen. Mit der Zeit genügt der CS, um das Verhalten auszulösen.
[[File:HebbscheLernregel.jpg|768px|Beispiel: Neuronale Netze|Beispiel: Hebb'sche Lernregel in neuronalen Netzen]]

==Funktionale Unterschiede==
Künstliche Neuronale Netze unterscheiden sich in ihren Funktionen vor allem durch ihre Struktur. Es gibt einschichtige und mehrschichtige Netze. Einschichtige neuronale Netze bestehen aus nur einer Schicht Neuronen, mehrschichtige aus mehreren Schichten. Letztere können wiederrum entweder ''feedforward'' oder ''rekurrente'' (feedback) vernetzt sein. Bei mehrschichtigen Netzten nennt sich die Eingabeschicht „input layer“, die Ausgabeschicht „output layer“, dazwischenliegende verdeckte Schichten heißen „hidden layers“. Ein feedforward Netz bedeutet, dass eine Schicht immer nur mit der nächsthöheren verbunden ist, während rekurrente Netze über Rückkopplungsverbindungen verknüpft sind. Sie erlauben somit ein Feedback zu der Information, welches ein dynamisches Verhalten des Netzwerkes möglich macht.
===einschichtig, feedforward===
[[File:neuronetz_einschichtig_feedforward.png|195px|einschichtig, feedforward]]
===mehrschichtig, feedforward===
[[File:neuronetz_mehrschichtig_feedforward.png|310px|mehrschichtig, feedforward]]
===einschichtig, rekurrent===
[[File:neuronetz_einschichtig_rekurrent.png|194px|einschichtig, rekurrent]]
 Bilder CC-BY-SA 3.0 [http://commons.wikimedia.org/wiki/User:Chrislb by Chrislb]

==Komplexe Netzwerkarchitekturen ==
Um die komplexen Mechanismen eines Gehirns zu modellieren, die zum Beispiel bei sozialer Interaktion auftreten, genügt die Simulation durch ein Netz oft nicht. Man koppelt dann zum Beispiel mehrere verschiedene künstliche neuronale Netze hierarchisch aneinander und setzt so ein komplexes neuronales Netz aus mehreren einfacheren Subnetzen zusammen.

Verschiedene Architekturen Neuronaler Netze:
[[File:DynamischeNeuronaleFelder.jpg|768px]]

Fragen:Fragen

2015-07-01T17:07:25Z

Micha: /* Fragen von Ihrer Seite */

=Fragen von Ihrer Seite=

Wenn Sie noch Fragen zu den Inhalten des Elearning Moduls oder der Vorlesungen Einführung in die Methoden bzw. Versuchsplanung haben, können Sie diese hier einstellen. Wenn Sie auf eine Frage stoßen, zu der Sie eine Antwort haben, dann bieten Sie diese an. Wir werden ebenfalls Antworten beitragen und Ihre Diskussion entsprechend kommentieren.
Bitte nennen Sie bei Ihrer Frage im Betreff kurz das Themengebiet.
 
: [http://versuch.file2.wcms.tu-dresden.de/w/index.php?title=Fragen:Fragen&action=edit&section=new Neue Frage stellen]
----

== Themengebiet: Beispiele ==

(Name): Dies ist eine Beispielfrage
: Micha: Dies ist eine Beispielantwort

== Wissenschaftstheorie: objektiv vs. intersubjektiv ==

Josefine: Was ist der Unterschied zwischen objektiv und intersubjektiv? (es wird auf den nächten Folien nämlich geschrieben: Objektivität (intersubjektiv)
: Johannes: Ich glaube, die Bezeichnung „intersubjektiv“ versucht einfach auf begrifflicher Ebene der Tatsache gerecht zu werden, dass es wahre „Objektivität“ in der menschlichen Erkenntnis nicht geben kann. Es geht eher darum, Erfahrungen zwischen verschiedenen Individuen vergleichbar zu machen.

Fragen:Fragen

2015-07-01T17:00:04Z

Micha: /* Beispielfrage */

=Fragen von Ihrer Seite=

Wenn Sie noch Fragen zu den Inhalten des Elearning Moduls oder der Vorlesungen Einführung in die Methoden bzw. Versuchsplanung haben, können Sie diese hier einstellen. Wenn Sie auf eine Frage stoßen, zu der Sie eine Antwort haben, dann bieten Sie diese an. Wir werden ebenfalls Antworten beitragen und Ihre Diskussion entsprechend kommentieren.
Bitte nennen Sie bei Ihrer Frage kurz das Themengebiet.
 
(Name): Themengebiet. Fragetext 
Antwort (Name): Antworttext
 
Ein Beispiel 
(Josefine): Wissenschaftstheorie. Was ist der Unterschied zwischen objektiv und intersubjektiv? (es wird auf den nächten Folien nämlich geschrieben: Objektivität (intersubjektiv) 
Antwort (Johannes): Ich glaube, die Bezeichnung „intersubjektiv“ versucht einfach auf begrifflicher Ebene der Tatsache gerecht zu werden, dass es wahre „Objektivität“ in der menschlichen Erkenntnis nicht geben kann. Es geht eher darum, Erfahrungen zwischen verschiedenen Individuen vergleichbar zu machen.
 
----

[http://versuch.file2.wcms.tu-dresden.de/w/index.php?title=Fragen:Fragen&action=edit&section=new Neue Frage stellen]

== Beispielfrage ==

Testi: Dies ist eine Beispielfrage
: Micha: Dies ist eine Beispielantwort

Modellierung

2015-06-30T16:51:10Z

Micha: /* Zusammenfassung */

{{Nav||Modellierung|Hauptseite}}
=Modellbildung und Simulation=

==Modelle==
Wissenschaftler entwerfen Modelle, damit ''komplexe'' Prozesse ''einfacher'' zu verstehen sind. Sie bilden ''reduziert'' und ''abstrahiert'' ein Abbild der Realität in bestimmtem Maße. „Ein Modell ist eine Replikation eines Realitätsausschnitts, sein Abbild“ (Dörner, 1994). Ein reales System (Urbild) wird somit, fokussiert auf ''wesentliche'' Merkmale und Relationen, vereinfacht als Modell (Bild) abgebildet. Welche Merkmale dabei als wesentlich oder unwesentlich erachtet werden hängt vom jeweiligen Erkenntnisinteresse ab. 
Es gibt verschiedene Arten von Modellen:
* Realmodelle wie z.B. das „Tiermodell“(z.B. Affen als Modell für menschliche Interaktion)
* Ikonische (anschauliche) Modelle (z.B. eine Modelleisenbahn).
* Verbalmodelle (z.B. eine Hypothese bzw. verbale Theorie)
* Formalmodelle (z.B. mathematische Gleichungen in [[Mathematische Modelle|mathematischen Modellen]])

Während Verbalmodelle in der Psychologie am meisten verbreitet sind, nimmt auch die Zahl der Formalmodelle langsam zu, was aus wissenschaftlicher Sicht begrüßbar ist, weisen Formalmodelle gegenüber Verbaldmodellen doch deutliche Vorteile auf bzw. sind aus wissenschaftstheoretischer Sicht unverzichtbar (angefangen beim [[Logischer Positivismus (Wiener Kreis)|Positivismus]] bis hin zum [[Strukturalismus]])

==Formalmodelle==
Formalmodelle haben gegenüber Verbalmodellen und anderen Modellen den Vorteil, dass sie durch ihre ''klare Formalität'' weniger anfällig sind für typische natürlichsprachliche Probleme (in Verbalmodellen z.B. die Mehrdeutigkeit von Metaphern, welche zu Missverständnissen führen kann).
Wesentliche Eigenschaften von Formalmodellen sind die Folgenden:
*'''proof-of-concept''': Ein formales Modell ist ''explizit'' und ''abgeschlossen'', d.h. alle verwendeten Konstrukte, Kausalzusammenhänge und andere im Modell enthaltenen Annahmen sind klar und explizit definiert. Implizite Annahmen werden im Prozess der Formalisierung identifiziert und expliziert.
*'''Eindeutigkeit der Kommunikation''': Die verwendete Terminologie ist ''standardisiert'', d.h. ''objektiv'' und interdisziplinär nachvollziehbar.
*'''Sparsamkeit''': Damit das Modell so einfach wie möglich ist, werden die ''Annahmen'' auf die kleinstmögliche Zahl ''minimiert''. Dazu werden unwesentliche Annahmen eliminiert, die übrigen, wesentlichen Annahmen müssen ''klar formuliert'' werden.
*'''Hypothesengenerierung''': Aus formalen Modellen lassen sich unter ''spezifizierten Umgebungsbedingungen'' '''Vorhersagen''' ''ableiten''.
Ein weiterer Vorteil der Formalmodelle ist die Möglichkeit, visuell zu experimentieren.

==Modelle in der Psychologie==
In der Psychologie wird in drei verschiedene Arten von Modellen unterschieden.
#'''Statistische Modelle'''
#'''Mathematische Modelle'''
#'''Komputationale/synthetische Modelle'''

Statistische Modelle sind aufgrund des empirischen Charakters der Psychologie und des entsprechenden Fokus der Ausbildung weit verbreitet. Allerdings können Sie strenggenommen nicht zur Theoriebildung im Sinne einer Abstraktion von konkreten Daten beitragen. Dies bieten dahingegen mathematische und komputationale Modelle und stellen damit Modelle bzw. formalisierte Theorien im wissenschaftstheoretischen und nomothetischen Sinne dar.

==Zusammenfassung==
Im realen System werden Daten erhoben (durch Experimente), die dann durch das Hinzuziehen geeigneter Datenmodelle zu dem Entwurf eines abstrakten Modells führen (einer Hypothese). Mittels eines Simulationsmodells kann dieses abstrakte Modell dann verifiziert (proof of concept) oder falsifiziert werden. Die durch eine Simulation oder auch durch ein mathematisches Modell erhaltenen Modelldaten können im Vergleich mit im realen System (neu-) erhobenen Daten auf ihre Validität überprüft werden. 
[[File:Modellierung_Zusammenfassung.png|768px]]

Fragen:Fragen

2015-06-30T08:46:29Z

Micha:

=Diskussionsforum=
Hier können Fragen gestellt werden. 
[http://versuch.file2.wcms.tu-dresden.de/w/index.php?title=Fragen:Fragen&action=edit&section=new Neue Frage stellen]

MediaWiki:Sidebar

2015-06-30T08:43:02Z

Micha:

* Navigation
** Hauptseite|Hauptseite
** Geisteswissenschaftliche Grundlagen|Geisteswissenschaftliche Grundlagen
** Wissenschaftliches Arbeiten|Wissenschaftliches Arbeiten
** Erhebung|Erhebung
** Kommunikation und Recherche|Kommunikation und Recherche
** Theoriebildung und Modellierung|Theoriebildung und Modellierung
** Versuchsplanung|Versuchsplanung
** Methodenwiki:Impressum|Impressum/Kontakt
* Üben & Fragen
** Übungen|Zu den Übungen
** Fragen:Fragen|Diskussion

MediaWiki:Sidebar

2015-06-30T08:42:54Z

Micha:

MediaWiki:Sidebar

2015-06-30T08:42:44Z

Micha:

Fragen:Fragen

2015-06-30T08:41:26Z

Micha:

Hier können Fragen gestellt werden. 
[http://versuch.file2.wcms.tu-dresden.de/w/index.php?title=Fragen:Fragen&action=edit&section=new Neue Frage stellen]

Neuronale Netzwerke

2015-06-29T15:55:35Z

Micha: Micha verschob die Seite Neuronale Netzwerke nach Sandkasten:Neuronale Netzwerke, ohne dabei eine Weiterleitung anzulegen

Neuronale Netzwerke

2015-06-29T15:55:12Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Modellierung|Hauptseite}} =Neuronale Netzwerke= Die Idee der Modellierung psychischer Prozesse durch Künstliche Neuronale Netze entspricht der Forschun…“

Hauptseite

2015-06-18T22:19:16Z

Micha:

<div class="noprint" style="float:right; border:1px solid;width:320px;background-color:#F5F5F5;padding:10px">
{| cellspacing="0"
| style="padding-left:2px;"|'''PROJEKTLEITUNG''' 
[mailto:Stefan.Scherbaum@psychologie.tu-dresden.de Jun.-Prof. Dr. Stefan Scherbaum] 
[mailto:Matthias.Rudolf@tu-dresden.de Dr. Matthias Rudolf] 
Initiatorin: Prof. em. Dr. Bärbel Bergmann

Ein Projekt der [http://tu-dresden.de/die_tu_dresden/fakultaeten/fakultaet_mathematik_und_naturwissenschaften/fachrichtung_psychologie/i1/methpsy Professur Methoden der Psychologie]

'''Autoren''' 
M. Englisch 
D. Ewert-Altenhain 
P. Lemper 
J. Steffen 

M. Klein 
C. Scholl 
M. Górniak 
J. Petzoldt 
K. Schäfer 
N. Weßels 

|}</div>

== Herzlich Willkommen im E-Learning-Modul ''Methoden der Psychologie und Versuchsplanung'' ==

Sie finden hier eine Artikelsammlung zum Einstieg in das Thema ''psychologische Forschungsmethoden'' - sie ist sowohl als begleitende Unterstützung zum ''Modul M1 Methoden der Psychologie'' des Bachelor-Programms Psychologie der TU Dresden als auch als generelles Informationsangebot zum Einstieg in des Thema ausgelegt.

Bitte beachten Sie: Momentan ist diese Sammlung noch im Aufbau - es werden sich zuerst Artikel einfinden, die Themen der Vorlesung "Einführung in die Methoden der Psychologie" behandeln.
Bis zum Sommer wird die Seite vervollständigt und dann auch mit dem bereits existierenden E-Learning-Modul [http://elearning.tu-dresden.de/versuchsplanung/ Versuchsplanung] zusammengeführt, zu welchem Sie bereits über den Menüpunkt "Übungen" finden. In diesem Bereich "Übungen" finden Sie außerdem die Möglichkeit, Multiple Choice Fragen zu den hier präsentierten Themen zu beantworten.

Bitte haben Sie deshalb auch Verständnis, dass einige Artikellinks im Moment noch zu leeren Seiten führen.

Bei Anmerkungen, Vorschlägen, Wünschen oder Beschwerden (z.B. Fehlermeldungen) kontaktieren Sie uns bitte über '''elearning@web.de'''.

Und nun viel Spaß bei der Wissenserweiterung,
 Ihr E-Learning Team

----

''Als Lernpause oder zur Überprüfung, ob die Begriffskenntnis inzwischen ausreichend ausgeprägt ist, empfehlen wir [[Methoden-Blödelei|dieses]] Schmankerl.''

Hauptseite

2015-06-18T15:20:03Z

Micha:

<div class="noprint" style="float:right; border:1px solid;width:320px;background-color:#F5F5F5;padding:10px">
{| cellspacing="0"
| style="padding-left:2px;"|'''PROJEKTLEITUNG''' 
[mailto:Stefan.Scherbaum@psychologie.tu-dresden.de Jun.-Prof. Dr. Stefan Scherbaum] 
[mailto:Matthias.Rudolf@tu-dresden.de Dr. Matthias Rudolf] 
Initiatorin: Prof. em. Dr. Bärbel Bergmann

Ein Projekt der [http://tu-dresden.de/die_tu_dresden/fakultaeten/fakultaet_mathematik_und_naturwissenschaften/fachrichtung_psychologie/i1/methpsy Professur Methoden der Psychologie]

'''Autoren''' 
M. Englisch 
D. Ewert-Altenhain 
M. Klein 
P. Lemper 
C. Scholl 
J. Steffen 

M. Górniak 
J. Petzoldt 
K. Schäfer 
N. Weßels 

|}</div>

== Herzlich Willkommen im E-Learning-Modul ''Methoden der Psychologie und Versuchsplanung'' ==

Sie finden hier eine Artikelsammlung zum Einstieg in das Thema ''psychologische Forschungsmethoden'' - sie ist sowohl als begleitende Unterstützung zum ''Modul M1 Methoden der Psychologie'' des Bachelor-Programms Psychologie der TU Dresden als auch als generelles Informationsangebot zum Einstieg in des Thema ausgelegt.

Bitte beachten Sie: Momentan ist diese Sammlung noch im Aufbau - es werden sich zuerst Artikel einfinden, die Themen der Vorlesung "Einführung in die Methoden der Psychologie" behandeln.
Bis zum Sommer wird die Seite vervollständigt und dann auch mit dem bereits existierenden E-Learning-Modul [http://elearning.tu-dresden.de/versuchsplanung/ Versuchsplanung] zusammengeführt, zu welchem Sie bereits über den Menüpunkt "Übungen" finden. In diesem Bereich "Übungen" finden Sie außerdem die Möglichkeit, Multiple Choice Fragen zu den hier präsentierten Themen zu beantworten.

Bitte haben Sie deshalb auch Verständnis, dass einige Artikellinks im Moment noch zu leeren Seiten führen.

Bei Anmerkungen, Vorschlägen, Wünschen oder Beschwerden (z.B. Fehlermeldungen) kontaktieren Sie uns bitte über '''elearning@web.de'''.

Und nun viel Spaß bei der Wissenserweiterung,
 Ihr E-Learning Team

----

''Als Lernpause oder zur Überprüfung, ob die Begriffskenntnis inzwischen ausreichend ausgeprägt ist, empfehlen wir [[Methoden-Blödelei|dieses]] Schmankerl.''

Methodenwiki:Impressum

2015-06-18T15:19:02Z

Micha:

=Kontakt=
==Projektleitung==
*[mailto:Stefan.Scherbaum@psychologie.tu-dresden.de Jun.-Prof. Dr. Stefan Scherbaum]
*[mailto:Matthias.Rudolf@tu-dresden.de Dr. Matthias Rudolf]

*Initiatorin: Prof. em. Dr. Bärbel Bergmann

Ein Projekt der:
[http://tu-dresden.de/die_tu_dresden/fakultaeten/fakultaet_mathematik_und_naturwissenschaften/fachrichtung_psychologie/i1/methpsy Professur Methoden der Psychologie]

==Autoren==
*M. Englisch
*D. Ewert-Altenhain
*M. Klein
*P. Lemper
*C. Scholl
*J. Steffen

*M. Górniak
*J. Petzoldt
*K. Schäfer
*N. Weßels

==Quellen==
[[Literatur]]

Vorlage:Nav

2015-06-18T15:08:39Z

Micha:

Methodenwiki:Impressum

2015-06-18T14:22:36Z

Micha:

=Kontakt=
==Projektleitung==
*[mailto:Stefan.Scherbaum@psychologie.tu-dresden.de|Jun.-Prof. Dr. Stefan Scherbaum]
*[mailto:Matthias.Rudolf@tu-dresden.de|Dr. Matthias Rudolf]

*Initiatorin: Prof. em. Dr. Bärbel Bergmann

Ein Projekt der:
Professur Methoden der Psychologie

==Autoren==
*M. Englisch
*D. Ewert-Altenhain
*M. Klein
*P. Lemper
*C. Scholl
*J. Steffen

*M. Górniak
*J. Petzoldt
*K. Schäfer
*N. Weßels

==Quellen==
[[Literatur]]

Methodenwiki:Impressum

2015-06-18T14:17:59Z

Micha: Die Seite wurde neu angelegt: „=Kontakt= ==Projektleitung== [mailto:Stefan.Scherbaum@psychologie.tu-dresden.de|Jun.-Prof. Dr. Stefan Scherbaum] [mailto:Matthias.Rudolf@tu-dresden.de|Dr. Matt…“

=Kontakt=
==Projektleitung==
[mailto:Stefan.Scherbaum@psychologie.tu-dresden.de|Jun.-Prof. Dr. Stefan Scherbaum]
[mailto:Matthias.Rudolf@tu-dresden.de|Dr. Matthias Rudolf]

Initiatorin: Prof. em. Dr. Bärbel Bergmann

Ein Projekt der:
Professur Methoden der Psychologie

==Autoren==
M. Englisch
D. Ewert-Altenhain
M. Klein
P. Lemper
C. Scholl
J. Steffen

M. Górniak
J. Petzoldt
K. Schäfer
N. Weßels

==Quellen==
[[Literatur]]

MediaWiki:Sidebar

2015-06-18T14:11:59Z

Micha:

MediaWiki:Sidebar

2015-06-18T13:58:34Z

Micha:

* Navigation
** Hauptseite|Hauptseite
** Geisteswissenschaftliche Grundlagen|Geisteswissenschaftliche Grundlagen
** Wissenschaftliches Arbeiten|Wissenschaftliches Arbeiten
** Erhebung|Erhebung
** Kommunikation und Recherche|Kommunikation und Recherche
** Theoriebildung und Modellierung|Theoriebildung und Modellierung
** Versuchsplanung|Versuchsplanung
* Üben
** Übungen|Zu den Übungen
* Kontakt
** Methodenwiki:Impressum|Impressum
** Methodenwiki:Kontakt|Kontakt

Übungen

2015-04-29T12:15:31Z

Micha: Die Seite wurde neu angelegt: „[http://elearning.tu-dresden.de/versuchsplanung/e137/ Die Übungen finden sich hier]“

[http://elearning.tu-dresden.de/versuchsplanung/e137/ Die Übungen finden sich hier]

MediaWiki:Sidebar

2015-04-29T12:13:31Z

Micha:

* Navigation
** Geisteswissenschaftliche Grundlagen|Geisteswissenschaftliche Grundlagen
** Wissenschaftliches Arbeiten|Wissenschaftliches Arbeiten
** Erhebung|Erhebung
** Kommunikation und Recherche|Kommunikation und Recherche
** Theoriebildung und Modellierung|Theoriebildung und Modellierung
** Versuchsplanung|Verspuchsplanung
* Übungen
** Übungen|Übungen

MediaWiki:Sidebar

2015-04-29T12:13:17Z

Micha:

Modellierung

2015-02-25T14:16:28Z

Micha:

{{Nav||Modellierung|Hauptseite}}
=Modellbildung und Simulation=

==Modelle==
Wissenschaftler entwerfen Modelle, damit ''komplexe'' Prozesse ''einfacher'' zu verstehen sind. Sie bilden ''reduziert'' und ''abstrahiert'' ein Abbild der Realität in bestimmtem Maße. „Ein Modell ist eine Replikation eines Realitätsausschnitts, sein Abbild“ (Dörner, 1994). Ein reales System (Urbild) wird somit, fokussiert auf ''wesentliche'' Merkmale und Relationen, vereinfacht als Modell (Bild) abgebildet. Welche Merkmale dabei als wesentlich oder unwesentlich erachtet werden hängt vom jeweiligen Erkenntnisinteresse ab. 
Es gibt verschiedene Arten von Modellen:
* Realmodelle wie z.B. das „Tiermodell“(z.B. Affen als Modell für menschliche Interaktion)
* Ikonische (anschauliche) Modelle (z.B. eine Modelleisenbahn).
* Verbalmodelle (z.B. eine Hypothese bzw. verbale Theorie)
* Formalmodelle (z.B. mathematische Gleichungen in [[Mathematische Modelle|mathematischen Modellen]])

Während Verbalmodelle in der Psychologie am meisten verbreitet sind, nimmt auch die Zahl der Formalmodelle langsam zu, was aus wissenschaftlicher Sicht begrüßbar ist, weisen Formalmodelle gegenüber Verbaldmodellen doch deutliche Vorteile auf bzw. sind aus wissenschaftstheoretischer Sicht unverzichtbar (angefangen beim [[Positivismus]] bis hin zum [[Strukturalismus]])

==Formalmodelle==
Formalmodelle haben gegenüber Verbalmodellen und anderen Modellen den Vorteil, dass sie durch ihre ''klare Formalität'' weniger anfällig sind für typische natürlichsprachliche Probleme (in Verbalmodellen z.B. die Mehrdeutigkeit von Metaphern, welche zu Missverständnissen führen kann).
Wesentliche Eigenschaften von Formalmodellen sind die Folgenden:
*'''proof-of-concept''': Ein formales Modell ist ''explizit'' und ''abgeschlossen'', d.h. alle verwendeten Konstrukte, Kausalzusammenhänge und andere im Modell enthaltenen Annahmen sind klar und explizit definiert. Implizite Annahmen werden im Prozess der Formalisierung identifiziert und expliziert.
*'''Eindeutigkeit der Kommunikation''': Die verwendete Terminologie ist ''standardisiert'', d.h. ''objektiv'' und interdisziplinär nachvollziehbar.
*'''Sparsamkeit''': Damit das Modell so einfach wie möglich ist, werden die ''Annahmen'' auf die kleinstmögliche Zahl ''minimiert''. Dazu werden unwesentliche Annahmen eliminiert, die übrigen, wesentlichen Annahmen müssen ''klar formuliert'' werden.
*'''Hypothesengenerierung''': Aus formalen Modellen lassen sich unter ''spezifizierten Umgebungsbedingungen'' '''Vorhersagen''' ''ableiten''.
Ein weiterer Vorteil der Formalmodelle ist die Möglichkeit, visuell zu experimentieren.

==Modelle in der Psychologie==
In der Psychologie wird in drei verschiedene Arten von Modellen unterschieden.
#'''Statistische Modelle'''
#'''Mathematische Modelle'''
#'''Komputationale/synthetische Modelle'''

Statistische Modelle sind aufgrund des empirischen Charakters der Psychologie und des entsprechenden Fokus der Ausbildung weit verbreitet. Allerdings können Sie strenggenommen nicht zur Theoriebildung im Sinne einer Abstraktion von konkreten Daten beitragen. Dies bieten dahingegen mathematische und komputationale Modelle und stellen damit Modelle bzw. formalisierte Theorien im wissenschaftstheoretischen und nomothetischen Sinne dar.

==Zusammenfassung==
Im realen System werden Daten erhoben (durch Experimente), die dann durch das Hinzuziehen geeigneter Datenmodelle zu dem Entwurf eines abstrakten Modells führen (einer Hypothese). Mittels eines Simulationsmodells kann dieses abstrakte Modell dann verifiziert (proof of concept) oder falsifiziert werden. Die durch eine Simulation oder auch durch ein mathematisches Modell erhaltenen Modelldaten können im Vergleich mit im realen System (neu-) erhobenen Daten auf ihre Validität überprüft werden.
[[File:Modellierung_Zusammenfassung.png|768px]]

Datei:Modellierung Zusammenfassung.png

2015-02-25T14:13:42Z

Micha:

Artikelliste:Modellierung

2015-02-25T13:47:24Z

Micha:

Indexbildung

2015-02-25T13:41:32Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}} =Indexbildung= Ein '''Index''' ist ein Messwert für ein komplexes Merkmal. Dabei werden einzelne…“

{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}}
=Indexbildung=
Ein '''Index''' ist ein Messwert für ein komplexes Merkmal. Dabei werden einzelne Indikatoren, die Teil des zu messenden Merkmals sind, als Faktoren des [[Konstrukt]]es zu einer [[Variable]] zusammengefasst, die man als Index bezeichnet.
Sollen beispielsweise die Mathematisch-Naturwissenschaftlichen Fähigkeiten von Schülern anhand des schulischen Erfolges erhoben werden, so könnten Noten in Mathematik, Physik, Chemie, Biologie und Informatik aufgenommen werden und der Mittelwert als Index für das zu messende Merkmal “Schulische Leistung im Mathematisch-Naturwissenschaftlichen Bereich” dienen. 
Der Index soll eine klare Größe sein, die auf einer [[Intervallskala|Intervall-]] oder [[Ordinalskala]] gemessen werden kann.
Im Beispiel könnte es nun, bei 5 Fächern und 6 Noten, 30 verschiedene Kombinationen geben. 
Die Qualität eines Indexes hängt letztlich davon ab, ob alle relevanten Faktoren enthalten und korrekt gewichtet sind.

==Reduktion des Merkmalsraumes==
Die Konstruktdimensionen (im Beispiel die verschiedenen Fächer mit ihrer jeweiligen Note) spannen den Merkmalsraum auf. Der Index stellt dann eine Reduktion dieses Merkmalsraumes dar (aus den fünf Dimensionen der fünf Fächer wird eine Dimension zur schulischen Leistung im Mathematisch-Naturwissenschaftlichen Bereich).
Für die Reduktion dieses Merkmalsraumes unterscheidet Lazarsfeld (1937) deskriptiv drei Wege:
===Funktionelle Reduktion===
[[File:Reduktion1.png|right|192px|text-top]]
Oft treten bestimmte Kombinationen praktisch nicht auf. Bei Korrekter Durchführung eines Intelligenztests, der davon ausgeht, dass eine übergreifende Intelligenzeigenschaft gemessen wird, dürfte zum Beispiel ein Ergebnis wie stark unterdurchschnittliche Ergebnisse im figuralen und verbalen bei überdurchschnittlichen numerischen Fähigkeiten nicht auftreten und muss somit nicht einfließen. 
===Beliebige Reduktion===
[[File:Reduktion2.png|right|192px|text-top]]
Für das Gesamtkonstrukt ist es oft sinnvoll, einzubeziehen, dass geringere Werte in einem Faktor durch hohe in einem anderen ausgeglichen werden können. Soll zum Beispiel sozialer Status durch die Merkmale Schulbildung und Einkommen dargestellt werden, so ist es nicht wichtig, ob ein durchschnittlicher Wert im sozialen Status durch mittlere Werte in beiden Merkmalen oder durch einen sehr hohen Wert bei Schulbildung und einen sehr niedrigen Wert bei Einkommen entstehen. 
===pragmatische Reduktion===
[[File:Reduktion3.png|right|192px|text-top]]
In vielen Fällen ist es so, dass schon anhand der Theorie Kombinationen zusammengefasst werden können. Zum Beispiel, wenn die Theorie davon ausgeht, dass die Fächer Informatik und Mathematik auf quasi dieselben Fähigkeiten zurückgreifen. 

==Kombinieren der Merkmale==
Nachdem festgelegt ist, welche Merkmale zusammengefasst werden sollen, muss entschieden werden, wie die Merkmale zu einem Index zusammengefasst werden.

===Additive Indexbildung===

[[File:additiveindexbildung.png|right|256px|text-top]]
Wenn gleichwichtige Merkmale sich gegenseitig ergänzen und kompensieren, ist es sinnvoll, additiv vorzugehen. Im Beispiel zu “Schulischer Leistung im Mathematisch-Naturwissenschaftlichen Feld” können die Schulnoten in den ausgewählten Fächern einfach addiert werden, damit würde ein Index mit Werten zwischen 5 und 30 für das zu erhebende Merkmal stehen. Es ist davon auszugehen, dass die Werte einander kompensieren und ein Schüler mit
: A = Ma + Phy + Che + Bio + Inf
(A steht für den Index, hier: die allgemeine naturwissenschaftliche Fähigkeit)
: A1 = 1+1+1+6+1 = 10
tatsächlich bessere Fähigkeiten im Math.-Nat.-Bereich besitzt als einer mit
: A2 = 3+3+3+3+3 = 15
und die “Ausreißer”-Note an etwas anderem liegen könnte, hier im Fach Biologie zum Beispiel Leistungsverweigerung aus Ekel bei bestimmten praktischen Aufgaben.
Um den Index zu bilden, kann es oft, so auch in unserem Beispiel, sinnvoll sein, die Summe durch die Anzahl der Faktoren zu teilen, und so einen normierten/sinnvolleren Bereich (1-6 statt 5-30) zu erreichen.

===Multiplikative Indexbildung===

[[File:multiplikativeindexbildung.png|right|256px|text-top]]

Sollen sich die Merkmale nicht gegenseitig kompensieren, dann ist eine Multiplikation die beste
Wahl. 
Zum Beispiel soll die Eignung von Bewerbern für eine Stelle als Programmierer ermittelt werden. Die Merkmale Programmierfähigkeit, Berufserfahrung und Gewissenhaftigkeit werden erhoben und von 0-3 Punkten bewertet. In diesem Fall würde es keinen Sinn ergeben, additiv vorzugehen, da ein gewissenhafter Bewerber mit großer Erfahrung, der allerdings kein bisschen programmieren kann (3+3+0 = 6) nicht genauso gut geeignet ist wie ein junger, eher gewissenhafter Bewerber mit wenig Erfahrung und exzellenten Fähigkeiten (2+1+3 = 6). Die Fähigkeiten sind alle unerlässlich und verstärken/schwächen einander, gleichen sich aber nicht aus.
In diesem Fall wäre es deshalb sinnvoll, multiplikativ vorzugehen. Der Index Berufseignung sähe nun so aus:
; B = Gew * Erf. * Prog.
: B1 = 3 * 3 * 0 = 0
: B2 = 2 * 1 * 3 = 6
Bei diesem Vorgehen fällt besonders stark ins Gewicht, wenn ein gesuchtes Merkmal komplett gar nicht vorhanden ist, hat eine Eigenschaft den Wert 0, so ist auch das Produkt stets 0

===gewichtete Additive Indexbildung===

[[File:gewichteteadditiveindexbildung.png|right|256px|text-top]]
Eine Erweiterung zur einfachen additiven Indexbildung ist die gewichtete. Dabei wird ebenfalls davon ausgegangen, dass Faktoren sich gegenseitig kompensieren können, allerdings unterschiedlich stark. So könnten zum Beispiel im Auswahlverfahren für ein Studium im Fach Biologie wieder die Fähigkeiten im Math.-Nat.-Bereich erhoben werden. Allerdings wäre es hier nicht sinnvoll, wenn eine schlechte Biologienote durch eine gute Informatiknote kompensiert werden könnte. Der Index könnte hier zum Beispiel so gebildet werden:
: C = 2*Ma + 2*Phy + 3*Che + 5*Bio + 1*Inf

Datei:Gewichteteadditiveindexbildung.png

2015-02-25T13:38:52Z

Micha:

Datei:Multiplikativeindexbildung.png

2015-02-25T13:38:40Z

Micha:

Datei:Additiveindexbildung.png

2015-02-25T13:38:31Z

Micha:

Ratingskalen

2015-02-25T13:32:25Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Messen komplexer Merkmale|Urteilen}} =Ratingskalen= Ratingskalen werden verwendet, wenn ein ''Konstrukt'' direkt gemessen (beurteilt) werden soll. S…“

{{Nav||Messen komplexer Merkmale|Urteilen}}
=Ratingskalen=
Ratingskalen werden verwendet, wenn ein ''[[Konstrukt]]'' direkt gemessen (beurteilt) werden soll. Soll zum Beispiel die Zufriedenheit Studierender mit ihrer Studienstadt untersucht werden, wird direkt gefragt: Wie sehr stimmen Sie der Aussage zu: "Ich fühle mich in Dresden wohl.". Ratingskalen sind einerseits direkt und unkompliziert, allerdings ist strittig, ob sie auf [[Skalentypen|Ordinal-]] oder [[Skalentypen|Intervallniveau]] messen.
Beim erstellen von Ratingskalen gibt es eine Reihe von Möglichkeiten, die zu bedenken sind:
==='''Polarität''' - Welchen Bereich beschreibt die Ratingskala?===
* ''unipolar'' - “große Ausprägung” bis “keine Ausprägung” bzw. -5 bis 5
* ''bipolar'' - “stark positive Ausprägung” bis “stark negative Ausprägung” bzw. 0 bis 5
==='''Marken''' - Wie werden die Stufen der Skala dargestellt?===
* ''numerisch'' - der Ausprägung wird ein numerischer Wert zwischen vorgegebenen Grenzwerten zugewiesen, (z.B. -2,-1,0,1,2 oder 1,2,3,4,5)
* ''verbal'' - Der Ausprägung wird eine verbale Beschreibung zugeordnet (z.B. trifft völlig zu, …, trifft überhaupt nicht zu oder nie, …, sehr oft)
* ''symbolisch'' - Es wird ein Symbol ausgesucht, das die Ausprägung am besten beschreibt (z.B. “Wie fühlen Sie sich?” im Bereich lachendes Gesicht bis trauriges Gesicht)
* ''grafisch'' - die Ausprägung soll grafisch dargestellt werden (zum Beispiel frei einen Punkt auf einer Strecke zwischen zwei Polen wie “starke Abneigung” und “starke Zuneigung” wählen)
==='''Verankerung''' - Wie wird die Skala im Test eingebunden?===
* ''Extrem''- oder ''Stufenbeispiele'' - Gibt es gestufte Beispiele (z.B. nie, selten, gelegentlich, oft, immer) oder Extrembeispiele, zwischen denen sich positioniert werden soll? (z.B große Schmerzen … keine Schmerzen, oft bei grafischen Marken)
* ''Art der Verankerung'' - Auf welche Weise werden Ratingskalen veranschaulicht oder mit Beispielen unterstützt. Anker können Zeichnungen, Fotos, aber natürlich auch Textbeispiele sein.
==='''Stufen''' - Wie viele Stufen soll es geben?===
* Die am häufigsten diskutierte Frage ist hier, ob eine gerade Anzahl an Stufen genutzt werden soll oder eine ungerade. Bei einer ungeraden Anzahl an Stufen gibt es eine Mittelkategorie, sodass es z.B. bei Unsicherheit möglich ist, einfach auf die Mittelkategorie auszuweichen (zentrale Tendenz oder Tendenz zur Mitte). Bei einer geraden Anzahl gibt es diese Möglichkeit nicht, sodass die beurteilende Person gezwungen ist, sich zu entscheiden in welche Richtung sie eher tendiert. Ist also bei den Urteilern eine hohe zentrale Tendenz zu erwarten, die das Ergebnis zu verfälschen droht, dann ist der Verzicht auf eine mittlere Stufe als einfachster Weg zur Vermeidung der zentralen Tendenz empfehlenswert.
* Ein weiteres Problem ist das Ambivalenz-Indifferenz-Problem, also das Problem, dass bei Wahl einer neutralen Kategorie nicht klar ist, ob der Urteiler der Meinung ist, dass es keine Tendenz gibt, oder ob er sich nicht positionieren kann oder will. Wird beispielsweise eine Lehrerin befragt, die Leistungsbereitschaft ihrer Schüler einzuschätzen, und wählt auf einer Skala von faul bis engagiert den neutralen Wert, so ist nicht klar, ob ihre Meinung ist, dass der Schüler mal sehr faul und mal sehr engagiert ist (ambivalent) oder ob sie dazu keine klare Meinung hat (indifferent). Eine Möglichkeit ist hier beispielsweise eine zusätzliche Stufe wie “Ich kann dazu kein klares Urteil abgeben”
* Eine größere Stufenanzahl ermöglicht einerseits ein genauere Differenzierung, kann andererseits aber zu einer Einschränkung von Reliabilität und Validität führen, wenn eine so genau Differenzierung für die einschätzende Person gar nicht mehr möglich ist. Allgemein sind in den meisten Fällen '''5-7 Stufen''' üblich und empfehlenswert.

Theoriebildung und Modellierung

2015-02-25T12:18:48Z

Micha: Weiterleitung nach Modellierung erstellt

#REDIRECT [[Modellierung]]

Modellierung

2015-02-25T12:18:15Z

Micha: Die Seite wurde neu angelegt: „{{:Artikelliste:Modellierung}}“

MediaWiki:Sidebar

2015-02-25T12:17:47Z

Micha:

Theoriebildung und Modellierung

2015-02-25T12:16:29Z

Micha:

Artikelliste:Modellierung

2015-02-25T12:15:34Z

Micha:

Zählen und Kategorisieren

2015-02-25T12:11:20Z

Micha:

{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}}
=Zählen und Kategorisieren=
'''Zählen''' ist die Abbildung des Auftretens verschiedener Merkmalsausprägungen in Häufigkeiten. Diese Definition mag etwas sperrig klingen, sie meint aber tatsächlich in erster Linie einfach nur ''zählen''. '''Kategorisieren''' ist das Einordnen von Objekten in feste Kategorien.Zählen als Erhebungsmethode bedeutet letztlich zu zählen, was zuvor kategorisiert wurde. Zum Beispiel können die Studierenden im Fach Psychologie in Studierende mit “Abitur in Sachsen” und Studierende mit “Abitur in anderem Bundesland/Schulabschluss im Ausland” kategorisiert werden. Anschließend kann gezählt werden, wie viele Studierende den jeweiligen Kategorien angehören.

==Kriterien für die Kategorisierung==
* ''Exklusivität'' - Kategorien müssen sich gegenseitig ausschließen. Ein Objekt darf also immer nur genau einer Kategorie angehören. Probleme können dabei bei Hierarchien auftreten (Kategorien wie Handwerker und Schreiner sind nicht exklusiv), aber auch, wenn sich Kategorien entweder in ihrer Bedeutung (Schlachter und Metzger) oder inhaltlich überschneiden (Ein Schlosser kann, muss aber nicht Selbstständig sein).
* ''Exhaustivität'' - Alle Objekte müssen kategorisierbar sein. Das Merkmal muss komplett beschrieben werden können. In einigen Fällen kann das zu sehr vielen Kategorien mit sehr wenigen Objekten führen. In diesem Fall ist es ratsam, eine Kategorie “sonstiges” einzuführen, um etwaige Restfälle, die nicht weiter unterschieden werden sollen, zu erfassen.
* ''Genauigkeit'' - Kategorien müssen exakt und eindeutig trennbar definiert sein. Dazu zählt eine saubere [[Operationalisierung]]. Achtung: Für manche Kategorien, welche auf den ersten Blick klar definiert sind, stellt sich dies bei genauerer Betrachtung als Irrtum heraus. So werden die oberflächlich einleuchtenden Kategorien für Geschlechter (Frau – Mann) sowohl von der Genderforschung als auch von [http://de.wikipedia.org/wiki/Intersexualit%C3%A4t intersexuellen] Menschen hinterfragt.

Wird mehr als ein Merkmal kategorisiert und gezählt, so kann das Ergebnis einer solchen Zählung als '''Kreuztabelle''' dargestellt werden.
{| class="wikitable"
! \ || Abitur in Sachsen || Abitur nicht in Sachsen || ∑
|-
| männlich || 10 || 15 || 25
|-
| weiblich || 30 || 65 || 95
|-
| ∑ || 40 || 80 || 120
|}

==Quantitative Inhaltsanalyse==
Die quantitative Inhaltsanalyse ist eine Methode, die auf dem Zählen und Kategorisieren basiert. Ihr zu Grunde liegt die Annahme, dass die Häufigkeit von Begriffen in einem Text Aufschluss
über den Inhalt gibt. 
Kategorien können dabei entweder [[Deduktion|deduktiv]] (aus der Theorie heraus) oder [[Induktion|induktiv]] (aus dem Textmaterial abgeleitet) festgelegt werden, in der Praxis ergeben sich oft aus der Theorie Kategorien, die anhand des Textes verfeinert, erweitert und differenziert werden.
Ziel kann zum Beispiel eine Häufigkeitsanalyse (“Wie oft erwähnt Zeitung X bestimmte Parteien und Politiker”) oder auch eine Kontingenzanalyse (“Welche Zeitungen erwähnen bestimmte Parteien und Politiker eher in positivem, welche eher in negativem Kontext?”) sein. 
Für sogenannten Valenz- oder Intensitätsanalysen („wie informativ ist eine Artikel einer Zeitung?“) ist es bereits nicht mehr eindeutig, in welche Kategorie Textabschnitte eingeordnet werden sollten und es müssen Menschen zum [[Urteilen|urteilen]] (=Kodieren) hinzugezogen werden. Objektivität kann hier erreicht werden, indem mehr als ein Urteiler die Objekte bewertet {Konkordanz}. Sollte es sich um wirklich komplexe Kategorien handeln, kann es empfehlenswert sein, den Kodierern Textbeispiele für die Kategorien vorzulegen (siehe auch Arten von {Ratingskalen}) und die Analyseeinheiten klar zu definieren (Soll jeder Text, jeder Absatz, jedes Wort kategorisiert werden?).

'''Auch Bilder''' können einer Inhaltsanalyse unterzogen werden. 
Zum Beispiel: D. E. Robinson analysierte 1976 Bilder in den “Illustrated London News” zum Wandel der Bartmode zwischen 1842 und 1970 und verglich seine Ergebnisse mit den Ergebnissen von J. Richardson und A. L. Kroeber, die 1940 Länge und Weite von Röcken aus Bildern über drei Jahrhunderte analysierten. 
[[File:BeispielInhaltsanalyseRobinson1976.png]] 
Bild von http://www.jstor.org/stable/2777558

Zählen und Kategorisieren

2015-02-25T12:08:18Z

Micha: Micha verschob die Seite Zählen und Kategorisieren nach Urteilen

#WEITERLEITUNG [[Urteilen]]

Urteilen

2015-02-25T12:08:14Z

Micha: Micha verschob die Seite Zählen und Kategorisieren nach Urteilen

{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}}
=Urteilen=
In der Psychologie ist der Mensch oftmals nicht nur das Untersuchungsobjekt, sondern er kann auch die Rolle des Messinstruments einnehmen – Menschen sollen '''urteilen'''. Dazu gehören '''Selbstbeurteilungen''', '''Fremdbeurteilungen''' und '''Objektbeurteilungen'''. Das Ziel solcher Urteile kann entweder die Ermittlung eines Merkmals/latenten Konstruktes sein (z.B. bei Selbstbeurteilung) oder die Konstruktion eines Messinstruments (siehe z.B. Expertenurteile bei der [[Skalierung|Thurstone-Skalierung]]).
Typische Verfahren des Urteilens sind [[Ratingskalen]], (direkte) [[Rangordnungen]] oder [[Dominanzpaarvergleiche]].

Urteilen

2015-02-25T12:07:55Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}} =Urteilen= In der Psychologie ist der Mensch oftmals nicht nur das Untersuchungsobjekt, sondern er…“

Skalierung

2015-02-25T11:59:25Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}} =Skalierung= Skalierung beschreibt die Abbildung der Ausprägungen eines Merkmals/komplexen Konstr…“

{{Nav||Messen komplexer Merkmale|Messen komplexer Merkmale}}
=Skalierung=
Skalierung beschreibt die Abbildung der Ausprägungen eines Merkmals/komplexen Konstruktes auf einer kontinuierlichen Skala. Mit dem Ziel der Abbildung der Ausprägungen eines Konstruktes gleicht das Skalieren der [[Indexbildung|Indizes]] – allerdings erfüllen die resultierenden Skalen besondere, strenge Anforderungen.
Skalen müssen folgende Anforderungen erfüllen:
* '''Homogenität''' (Eindimensionalität), das heißt, eine Skala darf immer nur ein einziges Merkmal erfassen (siehe [[Repräsentationsproblem]])
* '''Differenzierung''', das bedeutet, dass die Skala auch wirklich möglichst alle Ausprägungsgrade des Merkmals erfasst.
* '''Distinktionsfähigkeit''' - es muss klar an der Skala erkennbar sein, ob die Ausprägung bei einer Person eher hoch oder eher niedrig ist. Die verschiedenen Ausprägungsgrade des Merkmals bei verschiedenen Personen müssen auch auf der Skala klar voneinander zu unterscheiden sein. Die verschiedenen Werte dürfen nicht zu nah beieinander liegen.

Eine Skala besteht aus mehreren [[Itembildung|Items]], je nach Art der Skala zum Beispiel Aussagen, die abgelehnt oder angenommen werden oder Aufgaben, die gelöst oder nicht gelöst werden (siehe [[Testen]]).
Je nach Art der Skala wird den Ergebnissen dieser Items ein Wert zugeordnet und aus diesen Einzelwerten ein Gesamtwert errechnet, der das Merkmal/Konstrukt möglichst präzise abbildet (siehe [[Testtheorie]]). Items können vom Forscher selbst ausgedacht, in Vorstudien ermittelt oder aus existierenden Skalen entnommen werden.
[[File:Skalierung_Beispiel.png|768px|Beispiel Skalierung (Intelligenztest)]]
Die einzelnen Items eines Intelligenztests messen alle das gleiche Merkmal: Intelligenz (die Möglichkeit von Subskalen lassen wir hier der Einfachheit halber außer Acht). Kein Item misst eine zweite oder dritte Dimension. Einige Items deuten auf eine höhere Ausprägung, einige auf eine niedrigere hin. Zusammen ergibt sich durch die einzelnen Ausprägungen eine Gesamtausprägung, das Testergebnis. 

==Skalierungsverfahren==
Skalierungsverfahren geben vor, wie die Items einer Skala entwickelt werden, wie die Einhaltung der Skalenanforderungen sichergestellt wird, und auf welche Art eine Skala ein Merkmal erfasst. Letzteres wird durch die sogeannten ‘‘Itemcharakteristik‘‘ beschrieben, welche angibt, wie Merkmalsausprägung und Lösungswahrscheinlichkeit der Items einer Skala zusammenhängen (siehe Grafik).

[[File:Skalierung.png|768px]]
Es gibt eine große Anzahl von Skalenarten und damit verbundenen Skalierungsverfahren, so z.B. Thurstone-Skalen (Thurstones gleicherscheinende Intervalle), Likert-Skalen, Guttman-Skalen, Magnitude-Skalen. Grundsätzlich sind Skalen aufwendig zu konstruieren und basieren auf verschiedenen Annahmen. Dadurch ist auch nicht immer jede Art von Skala für jede Art von Fragestellung geeignet.

Im Folgenden wird beispielhaft auf die Konstruktion von Thurstone-Skalen und Likert-Skalen eingegangen.

===Thurstones gleicherscheinende Intervalle===
Die Annahme von Items der Thurstone-Skala ist: Wenn die befragte Person eine extremer Ausprägung des Merkmals hat, als das Item angibt, dann lehnt sie das Item ab (magentafarbene Itemcharakteristik in der Grafik). Ein Item wird also abgelehnt, wenn das Merkmal schwächer oder stärker ausgeprägt ist, als im Item ausgedrückt.
Folgende Schritte werden bei der Konstruktion einer Thurstone-Skala ausgeführt:
# Es werden möglichst viele (100+) Items gesammelt, die infrage kommen, in die Skala aufgenommen zu werden.
# Experten, je nach Möglichkeiten 25-50, bewerten die Items mit -5 bis +5 Punkten nach ihrer Ausprägung, d.h. nach der ''Ausprägung des Items im Bezug auf das zu untersuchende Merkmal''. Dabei bedeutet +5, das Item repräsentiert eine sehr starke Merkmalsausprägung, das Item repräsentiert eine sehr schwache Merkmalsausprägung. Wichtig ist: die Experten geben nicht ihre persönliche Ausprägung des Merkmals an, sondern beurteilen jedes Item so objektiv wie möglich.
# Der Mittelwert aller Beurteilungen eines Items ist sein '''Wert'''.
# Es werden ca. 30 Items ausgewählt, die
#* zusammengenommen möglichst die komplette Breite möglicher Itemwerte abdecken. Es sollten also Items vertreten sein die auch die Extreme vertreten und Items, die mittlere Ausprägungen vertreten.
#* möglichst geringe Varianz in den Beurteilungen haben - ein Item, welches von der Hälfte der Experten eine -5 erhält und von der anderen eine +5 ist schlecht
geeignet, im Gegensatz zu einem, dem alle Experten den gleichen Wert zuteilen.
# Die gewählten Items bilden nun das Verfahren, um die Ausprägung des Merkmals zu messen.
# Eine Versuchsperson stimmt nun entsprechend jedem Items zu oder nicht zu. Die Ausprägung des Merkmals bei dieser Versuchsperson, also das Testergebnis, entspricht nun dem arithmetischen Mittel der Werte, die von der Person bejahten wurden.

'''Beispiel''' ''Bongers und Rehm (1973) (zitiert in J. Bortz, N. Döring, 2009, p. 223)''
Es soll eine Skala zur Einschätzung des Selbstwertes von Sozialhilfeempfängern konstruiert werden. Es werden Items entworfen und von Experten (in diesem Fall Sozialpädagogen) bewertet. -5 bedeutet hier, wenn der Aussage zugestimmt wird ist die Lebenszufriedenheit sehr schlecht, +5, dass sie sehr gut ist. Als Kriterium zur Übereinstimmung der Experten werden Items, deren Werte eine Standardabweichung zwischen Experten von über 1,5 haben, aussortiert. Das Item “Keinen Menschen würden es auffallen, wenn mir etwas zustieße” könnte im Mittel zum Beispiel mit dem Wert -3,05 beurteilt worden sein, es deutet also (offensichtlich) auf ein sehr niedriges Selbstwertgefühl hin sehr schlechte nachbarschaftliche Kontakte hin. Das Item “Im Leben anderer Spiele ich eine große Rolle” könnte hingegen den Wert +3,30 erhalten und das Item “Ich habe die Hoffnung, irgendwann wieder an Ansehen zu gewinnen” mit -0,33.
Eine Person, die der zweiten und dritten Aussage zustimmt, die erste aber ablehnt hätte also den Skalenwert
: (+3,30) + (-0,33) = 2,97
: 2,97 / 2 = +1,485
was einer gering positiven Ausprägung entspräche.

Zu beachten ist, dass hinter diesem Skalierungsverfahren nach Thurstone die Annahmen stehen, dass Personen Aussagen ablehnen, die extremer als ihre Einstellung sind und dass Experten Items “[[Objektivität|objektiv]]” beurteilen können.

===Likert-Skalen (Methode der summierten Ratings)===
Die Annahme von Likert-Skalen ist, dass Personen einem Item zustimmen, wenn sie eine Ausprägung des Merkmals haben, die gleich oder stärker als die Beschreibung des Items ist (idealerweise rote Itemcharakteristik in der Grafik, aber auch schwarz/grün/blau).
Folgende Schritte werden bei der Konstruktion einer Likert-Skala ausgeführt:
# Es werden möglichst viele (100+) Items gesucht, die das Merkmal wiedergeben und (aus Gründen der Ausgewogenheit) positiv oder negativ formuliert sind
# Die Items werden an eine repräsentative Eich-Stichprobe von Versuchspersonen gegeben, welche die Items mit 1 (lehne stark ab) bis 5 (stimme stark zu) bewertet.
# Der Testwert einer Person ist die Summe der von ihr angekreuzten Skalenwerte.
# Nun wird für jedes Item eine Itemanalyse durchgeführt, welche auf Homogenität, Differenzierung und Distinktionsfähigkeit prüft (siehe unten).
# 20-30 der besten Items der Itemanalyse werden ausgewählt und bilden die Skala.
# Die Ausprägung des Merkmals bei einer Person wird ermittelt durch Aufsummieren der Punkte aus allen Items (wie bei 3., jedoch nur noch für die hochqualitativen Items aus 5.)

==Itemanalyse==
Eine Itemanalyse stellt sicher, dass die (Roh-)Items einer Skala die Anforderungen der Homogenität, Differenzierung und Distinktionsfähigkeit erfüllen.

===Homogenität===
Die Homogenität der Items bedeutet, dass alle Items sich auf nur eine Merkmalsdimension beziehen. Sie kann über die Interitemkorrelation ermittelt werden. Dabei korrelliert man die Ergebnisse jeden Items der Eichstichprobe mit denen jeden anderen Items. Die Items, welche stark miteinander korrelieren, scheinen dasselbe Merkmal zu erfassen.

===Differenzierung===
Ein Item, dem alle zustimmen oder das alle ablehnen, kann nicht zwischen Personen mit hoher und niedriger Merkmalsausprägung differenzieren. Für Items, welche nur angenommen oder abgelehnt werden können, kann die Lösungswahrscheinlichkeit eines Items mit
: p = [Anzahl Annehmende Personen]/[Größe Eichstichprobe]
berechnet werden. Für Items einer Likertskala kann die Differenzierungsfähigkeit errechnet werden mit
: p = [Erreichte Wertepunkte]/[Erreichbare Gesamtwertepunkte]
In beiden Fällen sollte 0 < p < 1 sein.

===Distinktionsfähigkeit===
Die Distinktionsfähigkeit zeigt sich in der Trennschärfe eines Items. Diese bestimmt, wie gut ein Item den Gesamtwert einer Person auf der Skala vorhersagt. Die Trennschärfe berechnet sich aus der Korrelation der Itemwerte aller Personen der Eichstichprobe mit den Gesamtwerten der Eichstichprobe. Ist diese Korrelation nahe 0, bedeutet dies, dass das Item unabhängig vom Gesamtwert einer Person mal gelöst und mal nicht gelöst wird. Ist die Korrelation nahe 1, bedeutet dies, dass eine Lösung des Items auch einen hohen Gesamtwert auf der Skala vorhersagt.

Datei:Skalierung.png

2015-02-25T11:57:54Z

Micha:

Rangordnungen

2015-02-25T11:49:00Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Messen komplexer Merkmale|Urteilen}} =Rangordnungen= Bei Rangordnungen ordnen Urteiler Objekte durch direkten Vergleich. Im Gegensatz zu [Ratingskalen]…“

{{Nav||Messen komplexer Merkmale|Urteilen}}
=Rangordnungen=
Bei Rangordnungen ordnen Urteiler Objekte durch direkten Vergleich. Im Gegensatz zu [Ratingskalen] hat dieses Vorgehen den Vorteil, dass der Urteilende sich nicht auf einen bestimmten festen Wert festgelegen muss, sondern die Objekte im Bezug aufeinander relativ beurteilt. Allerdings hat dies auch den Nachteil, dass eine solche Rangordnung mit steigender Anzahl der Objekte schnell unübersichtlich wird. Dementsprechend ist das direkte Ordnen nur für wenige Objekte angebracht – mit Hilfe der Technik der sukzessiven Intervalle kann dieser Nachteil teilweise ausgeglichen werden.

==Direkte Rangordnungen==
Der Urteiler ordnet die Objekte der Reihe nach, von größter Ausprägung zu geringster Ausprägung. Haben mehrere Objekte die gleiche Ausprägung, werden die Rangplätze gemittelt. (z.B. 1; 2,5; 2,5; 4; … oder 1; 2; 4; 4; 4; 6).

==Sukzessive Intervalle==
Der Urteiler ordnet die Objekte in Gruppen. Diese Gruppen können sich entweder beim Sortieren durch den Urteiler ergeben – oder bereits vorgegeben sein (damit wäre man wieder nahe bei einer [Ratingskala]). Dieses Vorgehen ist besonders sinnvoll, wenn viele Objekte geordnet werden sollen.

==Skalieren von Rangordnungen: Law of categorical judgement==
Das “Law of categorical judgement” ist eine Methode, mittels der die Daten aus einer Rangordnung von einer [Ordinalskala] in eine [Intervallskala] umgewandelt werden können.
Diese Methode basiert auf der Annahme, dass Urteile über Objekte normalverteilt sind und dass die Bewertungen bei mehrfacher Beurteilung um einen "wahren" Wert herum streuen.

Bei dieser Methode wird zunächst eine Reihe von Objekten von mehreren Urteilern (oder seltener: mehrmals von einem Urteiler) nach der Methode der sukzessiven Intervalle beurteilt.

Beispielsweise bewerten 50 Urteiler in einer sozialpsychologischen Studie das Auftreten von Personen in Bildern, indem sie es einer von fünf Rangkategorien zuordnen: “sympathisch” =1, “eher sympathisch”=2, “weder sympathisch noch unsympathisch”=3, “eher unsympathisch”=4 und “unsympathisch”=5. Es nun 5 Bilder, und entsprechend der Anzahl von 50 Urteilern, 50 Urteile pro Bild, die sich auf die verschiedenen Stufen verteilen.

Es ergibt sich die folgende Häufigkeitentabelle:
{| class="wikitable"
| \
! 1 !! 2 !! 3 !! 4 !! 5
|-
| Bild 1 || 2 || 8 || 10 || 13 || 17
|-
| Bild 2 || 5 || 10 || 15 || 18 || 2
|-
| Bild 3 || 10 || 12 || 20 || 5 || 3
|-
| Bild 4 || 15 || 20 || 10 || 3 || 2
|-
| Bild 5 || 22 || 18 || 7 || 2 || 1
|-
|}
Da jedes Bild von 50 Urteilern bewertet wurde ergeben sich nun die relativen Häufigkeiten (absolute Häufigkeit / 50):
{| class="wikitable"
| \
! 1 || 2 || 3 || 4 || 5
|-
| Bild 1 || 0,04 || 0,16 || 0,2 || 0,26 || 0,34
|-
| Bild 2 || 0,1 || 0,2 || 0,3 || 0,36 || 0,04
|-
| Bild 3 || 0,2 || 0,24 || 0,4 || 0,1 || 0,06
|-
| Bild 4 || 0,3 || 0,4 || 0,2 || 0,06 || 0,04
|-
| Bild 5 || 0,44 || 0,36 || 0,14 || 0,04 || 0,02
|-
|}

sowie die kummulierten relativen Häufigkeiten (also jede Spalte auf die nächste aufaddiert, von links startend):

{| class="wikitable"
| \
! 1 || 2 || 3 || 4 || 5
|-
| Bild 1 || 0,04 || 0,2 || 0,4 || 0,66 || 1
|-
| Bild 2 || 0,1 || 0,3 || 0,6 || 0,96 || 1
|-
| Bild 3 || 0,2 || 0,44 || 0,84 || 0,94 || 1
|-
| Bild 4 || 0,3 || 0,7 || 0,9 || 0,96 || 1
|-
| Bild 5 || 0,44 || 0,8 || 0,94 || 0,98 || 1
|-
|}
<div style="clear:both"></div>

Nun werden diesen kumulativen Häufigkeiten z-Werte der Normalverteilung zugeordnet. Damit verwirklicht man die Annahme, dass die Urteile normalverteilt um einen Mittelwert streuen.

Nachdem die Häufigkeiten in z-Werte transformiert wurden, werden die Spaltensummen, Zeilensummen, Zeilenmittel und Kategoriengrenzen bestimmt.

Die Ausprägung für jedes Objekt entspricht nun den Differenzen zwischen durchschnittlicher Kategoriengrenze (0,33) und den jeweiligen Mittelwerten der Zeilen.
{| class="wikitable"
| \
! 1 || 2 || 3 || 4 || ∑ || ø || Ausprägung
|-
| Bild 1 || -1,75 || -0,84 || -0,25 || 0,41 || -2,43 || -0,61 || '''0,94'''
|-
| Bild 2 || -1,28 || -0,52 || 0,25 || 1,75 || 0,2 || 0,05 || '''0,28'''
|-
| Bild 3 || 0,84 || -0,15 || 0,99 || 1,55 || 1,55 || 0,39 || '''-0,06'''
|-
| Bild 4 || -0,52 || 0,52 || 1,28 || 1,75 || 3,03 || 0,76 || '''-0,43'''
|-
| Bild 5 || -0,15 || 0,84 || 1,55 || 2,05 || 4,29 || 1,07 || '''-0,74'''
|-
! ∑ || -4,54 || 0,15 || 3,82 || 7,51 || || ||
|-
! Kategoriengrenzen || -0,91 || -0,03 || 0,76 || 1,5 || || 0,33 ||
|}

Es ergibt sich also zum Beispiel für die in Bild 5 dargestellte Person eine Ausprägung des Merkmals "sympathisches Auftreten" von -0,74. Allen beurteilten Objekten wird ein Wert zugewiesen, es ergibt sich eine Intervallskala. Dementsprechend ist es auch möglich, die Daten nach der Umrechnung auf der Skala mittels Addition zu verschieben, um z.B. nur positive Werte zu erhalten – die Intervalle zwischen den Datenpunkten (=Bildern) ändert sich dabei nicht.
[[File:Diagramm_rangordnungen.png|420px]]

Artikelliste:Messen komplexer Merkmale

2015-02-25T11:47:58Z

Micha:

* [[Messen komplexer Merkmale]]
** [[Indexbildung]]
** [[Skalierung]]
** [[Urteilen]]
*** [[Ratingskalen]]
*** [[Rangordnungen]]
*** [[Dominanzpaarvergleiche]]
** [[Zählen und Kategorisieren]]

Messen komplexer Merkmale

2015-02-25T11:33:47Z

Micha: Die Seite wurde neu angelegt: „= Messen komplexer Merkmale = Viele zu messende Merkmale in der Psychologie sind komplex. Das heißt, sie sind keine einfache und klare Größe wie Gewicht ode…“

= Messen komplexer Merkmale =
Viele zu messende Merkmale in der Psychologie sind komplex. Das heißt, sie sind keine einfache und klare Größe wie Gewicht oder Körpergröße, sondern sind eher übergreifende Konstrukte, die viele Teilmerkmale besitzen, wie zum Beispiel “Arbeitszufriedenheit” (Gehalt, soziale Verbundenheit, … ).

Das Messen solcher komplexer Merkmale ist mit einigem Aufwand verbunden und macht ein besonderes Vorgehen notwendig.

Es wird im Folgenden auf vier Möglichkeiten eingegangen, um Komplexe Messungen durchzuführen: [[Skalierung]] (Konstruktion einer Mess-Skala für theoretische Konstrukte), [[Indexbildung]] (Kombination mehrerer Teilmerkmale), [[Urteilen]] (“Menschen als Messinstrumente” Ausprägungen einschätzen lassen) und [[Zählen und Kategorisieren|Kategorisieren]] (Zählen).

{{Artikelliste:Messen komplexer Merkmale}}

Komputationale Modelle

2015-02-25T11:31:40Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Modellierung|Modellierung}} =Komputationale/synthetische Modelle= Komputationale Modelle werden vor allem für die Modellierung komplexerer Prozesse ein…“

{{Nav||Modellierung|Modellierung}}
=Komputationale/synthetische Modelle=
Komputationale Modelle werden vor allem für die Modellierung komplexerer Prozesse eingesetzt. Im Gegensatz zu [[Statistische Modelle|statistischen]] und [[Mathematische Modelle|mathematischen]] Modellen wird dabei besonderer Wert darauf gelegt, wie die Komponenten des Modells miteinander interagieren und so das Verhalten des Interesses hervorbringen. Die Komponenten eines solchen Modells und ihre Interaktionsstruktur können dabei auf zwei Arten abgeleitet werden. Einerseits kann auf Basis bereits bekannter Stukturen modelliert werden – also z.B. existierende Theorie oder Befunde zum Zusammenhang von Gehirnaktivierungen. Andererseits kann aber auch auf Basis reiner struktureller Spekulation bzw. Analogie zu anderen Systemen, welche ein ähnliches Verhalten zeigen, modelliert werden. Im letzteren Fall spricht man von synthetischen Modellen: man baut aus Komponenten ein System und untersucht anschließend, ob es das gewünschte Verhalten zeigt – wenn dies der Fall ist, wäre das eine erste Evidenz, dass das Modell Prozesse des echten System gut abbildet. Wenn das Modell nun auch neues, unerwartetes Verhalten zeigt, welches anschließend am echten System ebenfalls entdeckt wird, so wäre diese eine starke Bestätigung für das Modell, obwohl es ursprünglich aus (informierter) Spekulation entstand (die Überlegungen zu [[Verifikation und Falsifikation]] haben natürlich auch hier ihre Gültigkeit).

In der Psychologie ist der Mensch Untersuchungsobjekt ist, weswegen man prinzipiell zwischen zwei Arten von Modellen unterscheiden kann.
*'''Sozialorientierte Modelle''': Bei sozialorientierten Modellen wird das menschliche Verhalten als Folge des ''Zusammenspiels von Menschen'' (im Modell sog. '''Agenten''') dargestellt. Untersucht werden also ''Inter-Agenten-Prozesse'' (vgl. [[Systemik]]).
*'''Individuumsorientierte Modelle''': Bei den individuumsorientierten Modellen wird das menschliche Verhalten als Folge des ''Zusammenspiels interner ''(neuronaler)'' Prozesse'' eines einzelnen Agenten dargestellt. Es werden also ''Intra-Agenten-Prozesse'' untersucht (vgl. besonders [[Kognitivismus]] und [[Konnektionismus]]).

Die Unterschiede komputationaler Modelle gegenüber statistischen und mathematischen Modellen sind
*sie abstrahieren über konkrete Daten und eignen sich damit für die Theoriebildung
*analog zu klassischen Theorien fokussieren sie eher auf qualitative Übereinstimmung von Datenmustern und werden seltener über quantitativen Fit als über neue Vorhersagen überprüft
*aufgrund ihrer Komplexität haben sie das Potential, zu überraschen und neue Vorhersagen zu liefern
*sie verhalten sich in dem Sinne, dass sie nicht nur abstrakte Zahlenketten hervorbringen sondern eine Verbindung zur Außenwelt darstellen (erkannte Muster eines [[Hopfield-Netze|Hopfieldnetzwerks]], interagierende Agenten, in Roboter eingebaute neuronale Netzwerke)

Hopfield-Netze

2015-02-25T11:31:23Z

Micha: Weiterleitung nach Agentenmodelle erstellt

#REDIRECT [[Agentenmodelle]]

Dominanzpaarvergleiche

2015-02-25T11:25:27Z

Micha: Die Seite wurde neu angelegt: „{{Nav||Messen komplexer Merkmale|Urteilen}} =Dominanzpaarvergleiche= Dominanzpaarvergleiche sind einfache Urteilsaufgaben, bei denen der Urteiler aufgefordert…“

{{Nav||Messen komplexer Merkmale|Urteilen}}
=Dominanzpaarvergleiche=
Dominanzpaarvergleiche sind einfache Urteilsaufgaben, bei denen der Urteiler aufgefordert wird, aus zwei Objekten jenes auszuwählen, bei dem das Merkmal stärker ausgeprägt ist. Zum Beispiel: “Welche Verletzung ist schmerzhafter?” oder “Welches Bild ist angenehmer?”. 
Sollen dabei mehr als zwei Objekte beurteilt werden, vergleicht der Urteiler jeweils alle Kombinationen aus je 2 Objekten. Durch den direkten Vergleich wird dem Urteiler die Entscheidung im Vergleich zu [[Rangordnungen|direkten Rangordnungen]] und [[Ratingskalen]] vereinfacht. Allerdings steigt der Aufwand sehr schnell mit der Anzahl der Objekte, will man wirklich jede Paarung beurteilen lassen. Bei fünf Objekten werden nur zehn Durchläufe gebraucht, bei zehn Objekten bereits 45, die Anzahl der Durchläufe für n Objekte folgt der Formel
: [ n * (n-1) ] / 2
Beheben lässt sich dieses Problem, indem man nicht alle möglichen Paare beurteilen lässt – z.B. durch eine Auswahl einer kleinen Zahl von Ankerobjekten, mit welchen jedes andere Objekt einmal verglichen wird. 

Die Ergebnisse lassen sich nun auf mehr als eine Weise weiterverwenden.
==Indirekte Rangordnungen==
Nach Beurteilung aller Paare wird gezählt, wie oft jedes Objekt bevorzugt wurde und die Objekte werden nach Anzahl der Bevorzugungen sortiert. Bei mehreren Urteilern werden die Bevorzugungen addiert.
Hierbei wird vorausgesetzt, dass die Objekte von Seiten des Urteilers tatsächlich eine Rangfolge besitzen, also dass wenn er A B vorzieht und B C vorzieht, dass er A dann auch C vorzieht (Transitivität - siehe [[Messtheorie]]. Ist der Unterschied für den Urteiler jedoch zu gering um ein klares Urteil zu fällen, oder ist er unaufmerksam, dann muss dies nicht unbedingt gegeben sein. Dies kann ebenfalls passieren, wenn bei mehrdimensionalen Merkmalen jeweils auf verschiedene Teilmerkmale geachtet wird (siehe [[Homogenität]]). So kann zum Beispiel Gericht A gegenüber Gericht B bevorzugt werden, weil es würziger schmeckt, Gericht B jedoch gegenüber Gericht C wegen angenehmerer Schärfe. Wird jetzt beim Vergleich von C und A wieder auf die Würze geachtet, kann es durchaus sein, dass C gewählt wird. Beim Zusammenfassen mehrerer Beurteiler muss außerdem darauf geachtet werden, ob die Urteile der einzelnen Beurteiler übereinstimmen (Konkordanz). Sollte dies nicht der Fall sein, kann auch dies ein Zeichen für Mehrdimensionalität des Merkmals sein, also vielleicht isst Person 1 sehr gern scharf und beurteilt die Gerichte generell nach der Schärfe, während Person 2 deutlich höheren Wert auf die Würze legt. Um dies zu umgehen sollte das zu beurteilende Merkmal möglichst genau definiert sein.
==Law of Comparative Judgement==
Durch diese Methode können die Präferenzhäufigkeiten in relative Häufigkeiten umgewandelt werden.
Das Law of Comparative Judgement folgt demselben Grundgedanken, wie das [[Rangordnungen#Skalieren von Rangordnungen: Law of categorical judgement|Law of Categorical Judgement]] und auch die Umsetzung ist ähnlich. Mehrere Urteiler erstellen Rangordnungen. Nach der Annahme, dass sich Urteile mehrerer Urteiler um einen "waren Wert" bewegen und normalverteilt sind (siehe [[Testtheorie]]), können die Paarvergleichsdaten von einer Ordinalskala auf eine Intervallskala hochskaliert werden.