Modelltypen - Versionsgeschichte

Elisa am 13. November 2021 um 17:20 Uhr

2021-11-13T17:20:31Z

← Nächstältere Version		Version vom 13. November 2021, 19:20 Uhr
Zeile 39:		Zeile 39:


	~~[[File~~:~~Modelltypen Tab1.PNG~~\|\|~~650px]]~~		{\| class="wikitable"
			\|- style="font-weight:bold;"
			! Level
			! Analyseobjekt
			! Analyseebene
			! Fragen
			! Strukturen
			\|-
			! style="font-weight:bold;" \| 1
			\| Berechnung
			\| Komputationale Ebene
			\| Welchen Zweck hat das System? <br />Was soll es berechnen?
			\| Mentale Repräsentationen
			\|-
			! style="font-weight:bold;" \| 2
			\| Algorithmen
			\| Algorithmische Ebene
			\| Welche (Rechen-) Regeln <br />befolgt das System, um das Ziel <br />von Ebene 1 zu erreichen?
			\| Kognitive Prozesse
			\|-
			! style="font-weight:bold;" \| 3
			\| Implementierung
			\| Implementierungsebene
			\| Wie sind die Regeln <br />physiologisch / physikalisch <br />implementiert?
			\| Neuronale Strukturen
			\|}

Josefine: /* Abgrenzung durch Analyseebene */ Tabelle 2

2021-11-05T09:01:41Z

Abgrenzung durch Analyseebene: Tabelle 2

@@ Zeile 56: / Zeile 56: @@
 Laut Sun können sich alle Ebenen wechselseitig wichtigen Input liefern, sich also sowohl bottom-up (biologische Grenzen einer kognitiven Theorie) als auch top-down (Einbettung individuellen Verhaltens in soziale Normen und Werte) informieren und beschränken.
+{| class="wikitable"
-[[File:Modelltypen Tab2.PNG||600px]]
+|- style="font-weight:bold; text-align:center;"
+! Level
 Auf die potentielle Kritik, ein bestimmtes Modell oder (kognitive) Modelle allgemein wären in ihrer Erklärungskraft zu eingeschränkt und würden ein Phänomen nicht in seiner Gänze fassen, lässt sich ggf. entgegnen, dass ein Modell i.d.R. nur eine oder wenige Ebenen der Betrachtung einnimmt und generell auch nicht alle diese erfüllen kann, weshalb für ein umfassendes Verständnis des Phänomens natürlich auch die anderen Ebenen berücksichtigt werden müssen.
 == Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==

Schäfer am 30. Oktober 2018 um 12:44 Uhr

2018-10-30T12:44:11Z

← Nächstältere Version		Version vom 30. Oktober 2018, 14:44 Uhr
Zeile 39:		Zeile 39:


	[[File:Modelltypen Tab1.PNG\|\|~~600px~~]]		[[File:Modelltypen Tab1.PNG\|\|650px]]


Zeile 57:		Zeile 57:


	[[File:Modelltypen Tab2.PNG\|\|~~550px~~]]		[[File:Modelltypen Tab2.PNG\|\|600px]]

Schäfer am 24. September 2018 um 13:23 Uhr

2018-09-24T13:23:00Z

← Nächstältere Version		Version vom 24. September 2018, 15:23 Uhr
Zeile 8:		Zeile 8:
	* '''Verbalmodelle''': eine verbale Theorie in natürlicher Sprache: z.B. [https://de.wikipedia.org/wiki/Kognitive_Dissonanz Dissonanztheorie]		* '''Verbalmodelle''': eine verbale Theorie in natürlicher Sprache: z.B. [https://de.wikipedia.org/wiki/Kognitive_Dissonanz Dissonanztheorie]
	* '''Formalmodelle''': mathematische Gleichungen oder Computerprogramme, z.B. [[Rescorla Wagner\|Rescorla-Wagner Modell]]		* '''Formalmodelle''': mathematische Gleichungen oder Computerprogramme, z.B. [[Rescorla Wagner\|Rescorla-Wagner Modell]]


	In der Psychologie sind Verbalmodelle aktuell noch am weitesten verbreitet, allerdings nimmt der Anteil formalisierter Modelle stetig zu, was aufgrund ihrer vielen [[Vorteile formaler Modelle\|Vorteile]] und im Vergleich zu anderen Naturwissenschaften als Fortschritt angesehen wird (vgl. z.B. [https://www.wissenschaftsrat.de/download/archiv/6603-17.pdf Stellungnahme des Wissenschaftsrates]) . Der Fokus dieses Moduls wird deshalb auf Formalmodellen und deren unterschiedlichen Ausprägungen liegen.		In der Psychologie sind Verbalmodelle aktuell noch am weitesten verbreitet, allerdings nimmt der Anteil formalisierter Modelle stetig zu, was aufgrund ihrer vielen [[Vorteile formaler Modelle\|Vorteile]] und im Vergleich zu anderen Naturwissenschaften als Fortschritt angesehen wird (vgl. z.B. [https://www.wissenschaftsrat.de/download/archiv/6603-17.pdf Stellungnahme des Wissenschaftsrates]) . Der Fokus dieses Moduls wird deshalb auf Formalmodellen und deren unterschiedlichen Ausprägungen liegen.

Schäfer: /* Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung */

2018-09-24T13:21:07Z

Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung

← Nächstältere Version		Version vom 24. September 2018, 15:21 Uhr
Zeile 67:		Zeile 67:
	Modelle können zudem darin unterschieden werden, an welcher Stelle des Forschungsprozesses sie eingesetzt werden. So dienen manche Modelle vorrangig als reine Auswertungsmethode: Sie dienen zur sparsamen Beschreibung der Daten oder zur Analyse oberflächlich versteckter Zusammenhänge. Andere Modelle hingegegen dienen vorrangig als Instrument zur Theorie- und Hypothesenbildung: Sie unterstützen Wissenschaftler dabei, ihre Theorien zu entwickeln, zu spezifizieren und Vorhersagen abzuleiten.		Modelle können zudem darin unterschieden werden, an welcher Stelle des Forschungsprozesses sie eingesetzt werden. So dienen manche Modelle vorrangig als reine Auswertungsmethode: Sie dienen zur sparsamen Beschreibung der Daten oder zur Analyse oberflächlich versteckter Zusammenhänge. Andere Modelle hingegegen dienen vorrangig als Instrument zur Theorie- und Hypothesenbildung: Sie unterstützen Wissenschaftler dabei, ihre Theorien zu entwickeln, zu spezifizieren und Vorhersagen abzuleiten.

	Diese ganz andere Kategorisierung von Modellen ist nicht ganz unabhängig von den anderen Kategorisierungsarten und kann verwirrend erscheinen, wenn wir z.B. die Einteilung von Dawson in statistische und mathematische Modelle betrachten. Statistische Modelle werden i.d.R. als reine Auswertungsmethode verwendet, um bestimmte Daten zusammenzufassen und interpretierbare Parameter daraus zu extrahieren, z.B. den Mittelwert und die Streuung. Mathematische Modelle hingegen werden i.d.R. als theoriebildende Modelle verwendet. Für beide ist aber eine gegenteilige Verwendung nicht ausgeschlossen. Zum Beispiel wird das [[Sequential Sampling Modelle\|Diffusions Modell]] oft dafür genutzt, Parameter wie die Drift Rate aus empirischen Daten zu gewinnen. Der Vorteil liegt auf der Hand, denn das Modell berücksichtigt sowohl Reaktionszeitdaten als auch die Reaktionskorrektheit und beschreibt folglich die Daten besser als ein reiner Reaktionszeit-Mittelwert. In dieser Hinsicht könnte man es nach Dawson als statistisches Modell einordnen; es wäre eine etwas komplexere Auswertungsmethode, die einem hilft, latente Variablen zu identifizieren (ähnlich z.B. einer Faktoranalyse). Allerdings ist es auch (eingeschränkt) möglich, dieses Modell zur Theorienbildung zu verwenden, etwa indem die Parameter oder ihre Relation modifiziert oder uminterpretiert werden, oder indem zusätzliche Drifteinflüsse angenommen werden, die verschieden schnelle kognitive Prozesse widerspiegeln. Solchen Modifikationen spiegeln theoretische Annahmen wider und aus ihnen lassen sich neue Vorhersagen ableiten, die dann empirisch geprüft werden können. In dieser Hinsicht könnte man das Modell nach Dawson auch als mathematisches Modell einordnen, denn es beschreibt einen kognitiven Prozess mit mathematischen Mitteln und unterstützt so die Theoriebildung.		Diese ganz andere Kategorisierung von Modellen ist nicht ganz unabhängig von den anderen Kategorisierungsarten und kann verwirrend erscheinen, wenn wir z.B. die Einteilung von Dawson in statistische und mathematische Modelle betrachten. Statistische Modelle werden i.d.R. als reine Auswertungsmethode verwendet, um bestimmte Daten zusammenzufassen und interpretierbare Parameter daraus zu extrahieren, z.B. den Mittelwert und die Streuung. Mathematische Modelle hingegen werden i.d.R. als theoriebildende Modelle verwendet. Für beide ist aber eine gegenteilige Verwendung nicht ausgeschlossen.

			Zum Beispiel wird das [[Sequential Sampling Modelle\|Diffusions Modell]] oft dafür genutzt, Parameter wie die Drift Rate aus empirischen Daten zu gewinnen. Der Vorteil liegt auf der Hand, denn das Modell berücksichtigt sowohl Reaktionszeitdaten als auch die Reaktionskorrektheit und beschreibt folglich die Daten besser als ein reiner Reaktionszeit-Mittelwert. In dieser Hinsicht könnte man es nach Dawson als statistisches Modell einordnen; es wäre eine etwas komplexere Auswertungsmethode, die einem hilft, latente Variablen zu identifizieren (ähnlich z.B. einer Faktoranalyse). Allerdings ist es auch (eingeschränkt) möglich, dieses Modell zur Theorienbildung zu verwenden, etwa indem die Parameter oder ihre Relation modifiziert oder uminterpretiert werden, oder indem zusätzliche Drifteinflüsse angenommen werden, die verschieden schnelle kognitive Prozesse widerspiegeln. Solchen Modifikationen spiegeln theoretische Annahmen wider und aus ihnen lassen sich neue Vorhersagen ableiten, die dann empirisch geprüft werden können. In dieser Hinsicht könnte man das Modell nach Dawson auch als mathematisches Modell einordnen, denn es beschreibt einen kognitiven Prozess mit mathematischen Mitteln und unterstützt so die Theoriebildung.

Schäfer am 24. September 2018 um 13:20 Uhr

2018-09-24T13:20:45Z

← Nächstältere Version		Version vom 24. September 2018, 15:20 Uhr
Zeile 68:		Zeile 68:

	Diese ganz andere Kategorisierung von Modellen ist nicht ganz unabhängig von den anderen Kategorisierungsarten und kann verwirrend erscheinen, wenn wir z.B. die Einteilung von Dawson in statistische und mathematische Modelle betrachten. Statistische Modelle werden i.d.R. als reine Auswertungsmethode verwendet, um bestimmte Daten zusammenzufassen und interpretierbare Parameter daraus zu extrahieren, z.B. den Mittelwert und die Streuung. Mathematische Modelle hingegen werden i.d.R. als theoriebildende Modelle verwendet. Für beide ist aber eine gegenteilige Verwendung nicht ausgeschlossen. Zum Beispiel wird das [[Sequential Sampling Modelle\|Diffusions Modell]] oft dafür genutzt, Parameter wie die Drift Rate aus empirischen Daten zu gewinnen. Der Vorteil liegt auf der Hand, denn das Modell berücksichtigt sowohl Reaktionszeitdaten als auch die Reaktionskorrektheit und beschreibt folglich die Daten besser als ein reiner Reaktionszeit-Mittelwert. In dieser Hinsicht könnte man es nach Dawson als statistisches Modell einordnen; es wäre eine etwas komplexere Auswertungsmethode, die einem hilft, latente Variablen zu identifizieren (ähnlich z.B. einer Faktoranalyse). Allerdings ist es auch (eingeschränkt) möglich, dieses Modell zur Theorienbildung zu verwenden, etwa indem die Parameter oder ihre Relation modifiziert oder uminterpretiert werden, oder indem zusätzliche Drifteinflüsse angenommen werden, die verschieden schnelle kognitive Prozesse widerspiegeln. Solchen Modifikationen spiegeln theoretische Annahmen wider und aus ihnen lassen sich neue Vorhersagen ableiten, die dann empirisch geprüft werden können. In dieser Hinsicht könnte man das Modell nach Dawson auch als mathematisches Modell einordnen, denn es beschreibt einen kognitiven Prozess mit mathematischen Mitteln und unterstützt so die Theoriebildung.		Diese ganz andere Kategorisierung von Modellen ist nicht ganz unabhängig von den anderen Kategorisierungsarten und kann verwirrend erscheinen, wenn wir z.B. die Einteilung von Dawson in statistische und mathematische Modelle betrachten. Statistische Modelle werden i.d.R. als reine Auswertungsmethode verwendet, um bestimmte Daten zusammenzufassen und interpretierbare Parameter daraus zu extrahieren, z.B. den Mittelwert und die Streuung. Mathematische Modelle hingegen werden i.d.R. als theoriebildende Modelle verwendet. Für beide ist aber eine gegenteilige Verwendung nicht ausgeschlossen. Zum Beispiel wird das [[Sequential Sampling Modelle\|Diffusions Modell]] oft dafür genutzt, Parameter wie die Drift Rate aus empirischen Daten zu gewinnen. Der Vorteil liegt auf der Hand, denn das Modell berücksichtigt sowohl Reaktionszeitdaten als auch die Reaktionskorrektheit und beschreibt folglich die Daten besser als ein reiner Reaktionszeit-Mittelwert. In dieser Hinsicht könnte man es nach Dawson als statistisches Modell einordnen; es wäre eine etwas komplexere Auswertungsmethode, die einem hilft, latente Variablen zu identifizieren (ähnlich z.B. einer Faktoranalyse). Allerdings ist es auch (eingeschränkt) möglich, dieses Modell zur Theorienbildung zu verwenden, etwa indem die Parameter oder ihre Relation modifiziert oder uminterpretiert werden, oder indem zusätzliche Drifteinflüsse angenommen werden, die verschieden schnelle kognitive Prozesse widerspiegeln. Solchen Modifikationen spiegeln theoretische Annahmen wider und aus ihnen lassen sich neue Vorhersagen ableiten, die dann empirisch geprüft werden können. In dieser Hinsicht könnte man das Modell nach Dawson auch als mathematisches Modell einordnen, denn es beschreibt einen kognitiven Prozess mit mathematischen Mitteln und unterstützt so die Theoriebildung.

	~~== Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==~~

	Modelle können zudem darin unterschieden werden, an welcher Stelle des Forschungsprozesses sie eingesetzt werden. So dienen manche Modelle vorrangig als reine Auswertungsmethode: Sie dienen zur sparsamen Beschreibung der Daten oder zur Analyse oberflächlich versteckter Zusammenhänge. Andere Modelle hingegegen dienen vorrangig als Instrument zur Theorie- und Hypothesenbildung: Sie unterstützen Wissenschaftler dabei, ihre Theorien zu entwickeln, zu spezifizieren und Vorhersagen abzuleiten.

	Diese ganz andere Kategorisierung von Modellen ist nicht ganz unabhängig von den anderen Kategorisierungsarten und kann verwirrend erscheinen, wenn wir z.B. die Einteilung von Dawson in statistische und mathematische Modelle betrachten. Statistische Modelle werden i.d.R. als reine Auswertungsmethode verwendet, um bestimmte Daten zusammenzufassen und interpretierbare Parameter daraus zu extrahieren, z.B. den Mittelwert und die Streuung. Mathematische Modelle hingegen werden i.d.R. als theoriebildende Modelle verwendet. Für beide ist aber eine gegenteilige Verwendung nicht ausgeschlossen.

	Zum Beispiel wird das [[Sequential Sampling Modelle\|Diffusions Modell]] oft dafür genutzt, Parameter wie die Drift Rate aus empirischen Daten zu gewinnen. Der Vorteil liegt auf der Hand, denn das Modell berücksichtigt sowohl Reaktionszeitdaten als auch die Reaktionskorrektheit und beschreibt folglich die Daten besser als ein reiner Reaktionszeit-Mittelwert. In dieser Hinsicht könnte man es nach Dawson als statistisches Modell einordnen; es wäre eine etwas komplexere Auswertungsmethode, die einem hilft, latente Variablen zu identifizieren (ähnlich z.B. einer Faktoranalyse). Allerdings ist es auch (eingeschränkt) möglich, dieses Modell zur Theorienbildung zu verwenden, etwa indem die Parameter oder ihre Relation modifiziert oder uminterpretiert werden, oder indem zusätzliche Drifteinflüsse angenommen werden, die verschieden schnelle kognitive Prozesse widerspiegeln. Solchen Modifikationen spiegeln theoretische Annahmen wider und aus ihnen lassen sich neue Vorhersagen ableiten, die dann empirisch geprüft werden können. In dieser Hinsicht könnte man das Modell nach Dawson auch als mathematisches Modell einordnen, denn es beschreibt einen kognitiven Prozess mit mathematischen Mitteln und unterstützt so die Theoriebildung.

Schäfer: /* Abgrenzung durch Analyseebene */

2018-09-24T13:19:50Z

Abgrenzung durch Analyseebene

← Nächstältere Version		Version vom 24. September 2018, 15:19 Uhr
Zeile 28:		Zeile 28:

	Viele Einteilungssysteme unterscheiden Modelle anhand einer wichtigen Entscheidung, die man beim Modellieren treffen muss: auf welcher Ebene (Abstraktion) will man ein System betrachten und analysieren? Modelle unterscheiden sich also auch darin, auf welche Abstraktions- oder Analyseebene sie abzielen.		Viele Einteilungssysteme unterscheiden Modelle anhand einer wichtigen Entscheidung, die man beim Modellieren treffen muss: auf welcher Ebene (Abstraktion) will man ein System betrachten und analysieren? Modelle unterscheiden sich also auch darin, auf welche Abstraktions- oder Analyseebene sie abzielen.


	Der britische Psychologe, Mathematiker und Informatiker [https://de.wikipedia.org/wiki/David_Marr David Marr] schlug vor, Informationsverarbeitungssysteme, wie zum Beispiel das visuelle System, auf drei unterschiedlichen, komplementären Ebenen zu analysieren:		Der britische Psychologe, Mathematiker und Informatiker [https://de.wikipedia.org/wiki/David_Marr David Marr] schlug vor, Informationsverarbeitungssysteme, wie zum Beispiel das visuelle System, auf drei unterschiedlichen, komplementären Ebenen zu analysieren:
Zeile 41:		Zeile 42:


	Einen ähnlichen Drei-Ebenen-Ansatz für kognitive Modelle verfolgten Newell und Simon (1976):		Einen ähnlichen Drei-Ebenen-Ansatz für kognitive Modelle verfolgten [https://de.wikipedia.org/wiki/Allen_Newell Newell] und [https://de.wikipedia.org/wiki/Herbert_A._Simon Simon] (1976):
	* '''Wissensebene''': erklärt das Systemverhalten durch Berufung auf dessen Ziele und Wissen		* '''Wissensebene''': erklärt das Systemverhalten durch Berufung auf dessen Ziele und Wissen
	* '''Symbolebene''': hier werden Ziele und Wissen in Symbole enkodiert und durch deren Manipulation miteinander verbunden		* '''Symbolebene''': hier werden Ziele und Wissen in Symbole enkodiert und durch deren Manipulation miteinander verbunden
Zeile 47:		Zeile 48:


	Ron Sun und Kollegen (2006) postulierten dagegen einen sehr anderen Ansatz, der stärker auf die Unterscheidung der zu untersuchenden Phänomene, also deren Wirkungsbereich, Größenordnung oder Grad der Abstraktion fokussiert. Die daraus resultierenden Unterschiede in der Analyse decken sich mit den unterschiedlichen wissenschaftlichen Disziplinen, von der mikroskopischen zur makroskopischen Ebene. Folgende Ebenen der Analyse werden dabei unterschieden:		[https://en.wikipedia.org/wiki/Ron_Sun Ron Sun] und Kollegen (2006) postulierten dagegen einen sehr anderen Ansatz, der stärker auf die Unterscheidung der zu untersuchenden Phänomene, also deren Wirkungsbereich, Größenordnung oder Grad der Abstraktion fokussiert. Die daraus resultierenden Unterschiede in der Analyse decken sich mit den unterschiedlichen wissenschaftlichen Disziplinen, von der mikroskopischen zur makroskopischen Ebene. Folgende Ebenen der Analyse werden dabei unterschieden:
	* '''Soziologische Ebene''': kollektives Verhalten von Agenten, Inter-Agenten-Prozesse, soziokulturelle Prozesse, Agenten-Umwelt-Interaktionen		* '''Soziologische Ebene''': kollektives Verhalten von Agenten, Inter-Agenten-Prozesse, soziokulturelle Prozesse, Agenten-Umwelt-Interaktionen
	* '''Psychologische Ebene''': individuelles Verhalten, Annahmen, Wissen, Konzepte, Fähigkeiten (inklusive Wahrnehmung, Emotion etc.)		* '''Psychologische Ebene''': individuelles Verhalten, Annahmen, Wissen, Konzepte, Fähigkeiten (inklusive Wahrnehmung, Emotion etc.)
Zeile 59:		Zeile 60:

	Auf die potentielle Kritik, ein bestimmtes Modell oder (kognitive) Modelle allgemein wären in ihrer Erklärungskraft zu eingeschränkt und würden ein Phänomen nicht in seiner Gänze fassen, lässt sich ggf. entgegnen, dass ein Modell i.d.R. nur eine oder wenige Ebenen der Betrachtung einnimmt und generell auch nicht alle diese erfüllen kann, weshalb für ein umfassendes Verständnis des Phänomens natürlich auch die anderen Ebenen berücksichtigt werden müssen.		Auf die potentielle Kritik, ein bestimmtes Modell oder (kognitive) Modelle allgemein wären in ihrer Erklärungskraft zu eingeschränkt und würden ein Phänomen nicht in seiner Gänze fassen, lässt sich ggf. entgegnen, dass ein Modell i.d.R. nur eine oder wenige Ebenen der Betrachtung einnimmt und generell auch nicht alle diese erfüllen kann, weshalb für ein umfassendes Verständnis des Phänomens natürlich auch die anderen Ebenen berücksichtigt werden müssen.



			== Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==

			Modelle können zudem darin unterschieden werden, an welcher Stelle des Forschungsprozesses sie eingesetzt werden. So dienen manche Modelle vorrangig als reine Auswertungsmethode: Sie dienen zur sparsamen Beschreibung der Daten oder zur Analyse oberflächlich versteckter Zusammenhänge. Andere Modelle hingegegen dienen vorrangig als Instrument zur Theorie- und Hypothesenbildung: Sie unterstützen Wissenschaftler dabei, ihre Theorien zu entwickeln, zu spezifizieren und Vorhersagen abzuleiten.

			Diese ganz andere Kategorisierung von Modellen ist nicht ganz unabhängig von den anderen Kategorisierungsarten und kann verwirrend erscheinen, wenn wir z.B. die Einteilung von Dawson in statistische und mathematische Modelle betrachten. Statistische Modelle werden i.d.R. als reine Auswertungsmethode verwendet, um bestimmte Daten zusammenzufassen und interpretierbare Parameter daraus zu extrahieren, z.B. den Mittelwert und die Streuung. Mathematische Modelle hingegen werden i.d.R. als theoriebildende Modelle verwendet. Für beide ist aber eine gegenteilige Verwendung nicht ausgeschlossen. Zum Beispiel wird das [[Sequential Sampling Modelle\|Diffusions Modell]] oft dafür genutzt, Parameter wie die Drift Rate aus empirischen Daten zu gewinnen. Der Vorteil liegt auf der Hand, denn das Modell berücksichtigt sowohl Reaktionszeitdaten als auch die Reaktionskorrektheit und beschreibt folglich die Daten besser als ein reiner Reaktionszeit-Mittelwert. In dieser Hinsicht könnte man es nach Dawson als statistisches Modell einordnen; es wäre eine etwas komplexere Auswertungsmethode, die einem hilft, latente Variablen zu identifizieren (ähnlich z.B. einer Faktoranalyse). Allerdings ist es auch (eingeschränkt) möglich, dieses Modell zur Theorienbildung zu verwenden, etwa indem die Parameter oder ihre Relation modifiziert oder uminterpretiert werden, oder indem zusätzliche Drifteinflüsse angenommen werden, die verschieden schnelle kognitive Prozesse widerspiegeln. Solchen Modifikationen spiegeln theoretische Annahmen wider und aus ihnen lassen sich neue Vorhersagen ableiten, die dann empirisch geprüft werden können. In dieser Hinsicht könnte man das Modell nach Dawson auch als mathematisches Modell einordnen, denn es beschreibt einen kognitiven Prozess mit mathematischen Mitteln und unterstützt so die Theoriebildung.

	== Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==		== Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==

Schäfer: /* Abgrenzung durch Analyseebene */

2018-09-24T13:15:40Z

Abgrenzung durch Analyseebene

← Nächstältere Version		Version vom 24. September 2018, 15:15 Uhr
Zeile 55:		Zeile 55:


	[[File:Modelltypen Tab2.PNG\|\|~~500px~~]]		[[File:Modelltypen Tab2.PNG\|\|550px]]

Schäfer: /* Abgrenzung durch Analyseebene */

2018-09-24T13:15:20Z

Abgrenzung durch Analyseebene

← Nächstältere Version		Version vom 24. September 2018, 15:15 Uhr
Zeile 47:		Zeile 47:


	Ron Sun und ~~Mitarbeitende~~ (2006) postulierten dagegen einen sehr anderen Ansatz, der stärker auf die Unterscheidung der zu untersuchenden Phänomene, also deren Wirkungsbereich, Größenordnung oder Grad der Abstraktion fokussiert. Die daraus resultierenden Unterschiede in der Analyse decken sich mit den unterschiedlichen wissenschaftlichen Disziplinen, von der mikroskopischen zur makroskopischen Ebene. Folgende Ebenen der Analyse werden dabei unterschieden:		Ron Sun und Kollegen (2006) postulierten dagegen einen sehr anderen Ansatz, der stärker auf die Unterscheidung der zu untersuchenden Phänomene, also deren Wirkungsbereich, Größenordnung oder Grad der Abstraktion fokussiert. Die daraus resultierenden Unterschiede in der Analyse decken sich mit den unterschiedlichen wissenschaftlichen Disziplinen, von der mikroskopischen zur makroskopischen Ebene. Folgende Ebenen der Analyse werden dabei unterschieden:
	* '''Soziologische Ebene''': kollektives Verhalten von Agenten, Inter-Agenten-Prozesse, soziokulturelle Prozesse, Agenten-Umwelt-Interaktionen		* '''Soziologische Ebene''': kollektives Verhalten von Agenten, Inter-Agenten-Prozesse, soziokulturelle Prozesse, Agenten-Umwelt-Interaktionen
	* '''Psychologische Ebene''': individuelles Verhalten, Annahmen, Wissen, Konzepte, Fähigkeiten (inklusive Wahrnehmung, Emotion etc.)		* '''Psychologische Ebene''': individuelles Verhalten, Annahmen, Wissen, Konzepte, Fähigkeiten (inklusive Wahrnehmung, Emotion etc.)

Schäfer: /* Abgrenzung durch Analyseebene */

2018-09-24T13:14:52Z

Abgrenzung durch Analyseebene

← Nächstältere Version		Version vom 24. September 2018, 15:14 Uhr
Zeile 35:		Zeile 35:

	Da die Ebenen nur leicht miteinander verknüpft sind, sind sie relativ unabhängig voneinander. Trotzdem empfahl Marr einen Top-Down Ansatz bei der Modellbildung, d.h. bei der abstrakteren komputationalen Ebene anzufangen und sukzessive ins Detail zu gehen.		Da die Ebenen nur leicht miteinander verknüpft sind, sind sie relativ unabhängig voneinander. Trotzdem empfahl Marr einen Top-Down Ansatz bei der Modellbildung, d.h. bei der abstrakteren komputationalen Ebene anzufangen und sukzessive ins Detail zu gehen.


	[[File:Modelltypen Tab1.PNG\|\|600px]]		[[File:Modelltypen Tab1.PNG\|\|600px]]



Zeile 43:		Zeile 45:
	* '''Symbolebene''': hier werden Ziele und Wissen in Symbole enkodiert und durch deren Manipulation miteinander verbunden		* '''Symbolebene''': hier werden Ziele und Wissen in Symbole enkodiert und durch deren Manipulation miteinander verbunden
	* '''Physische Ebene''': physikalische Realisierung der Symbolstrukturen und deren Manipulation		* '''Physische Ebene''': physikalische Realisierung der Symbolstrukturen und deren Manipulation


	Ron Sun und Mitarbeitende (2006) postulierten dagegen einen sehr anderen Ansatz, der stärker auf die Unterscheidung der zu untersuchenden Phänomene, also deren Wirkungsbereich, Größenordnung oder Grad der Abstraktion fokussiert. Die daraus resultierenden Unterschiede in der Analyse decken sich mit den unterschiedlichen wissenschaftlichen Disziplinen, von der mikroskopischen zur makroskopischen Ebene. Folgende Ebenen der Analyse werden dabei unterschieden:		Ron Sun und Mitarbeitende (2006) postulierten dagegen einen sehr anderen Ansatz, der stärker auf die Unterscheidung der zu untersuchenden Phänomene, also deren Wirkungsbereich, Größenordnung oder Grad der Abstraktion fokussiert. Die daraus resultierenden Unterschiede in der Analyse decken sich mit den unterschiedlichen wissenschaftlichen Disziplinen, von der mikroskopischen zur makroskopischen Ebene. Folgende Ebenen der Analyse werden dabei unterschieden:
Zeile 51:		Zeile 54:
	Laut Sun können sich alle Ebenen wechselseitig wichtigen Input liefern, sich also sowohl bottom-up (biologische Grenzen einer kognitiven Theorie) als auch top-down (Einbettung individuellen Verhaltens in soziale Normen und Werte) informieren und beschränken.		Laut Sun können sich alle Ebenen wechselseitig wichtigen Input liefern, sich also sowohl bottom-up (biologische Grenzen einer kognitiven Theorie) als auch top-down (Einbettung individuellen Verhaltens in soziale Normen und Werte) informieren und beschränken.

	~~[[File:Modelltypen Tab2.PNG\|\|600px]]~~

	Auf die potentielle Kritik, ein bestimmtes Modell oder (kognitive) Modelle allgemein wären in ihrer Erklärungskraft zu eingeschränkt und würden ein Phänomen nicht in seiner Gänze fassen, lässt sich ggf. entgegnen, dass ein Modell i.d.R. nur eine oder wenige Ebenen der Betrachtung einnimmt und generell auch nicht alle diese erfüllen kann, weshalb für ein umfassendes Verständnis des Phänomens natürlich auch die anderen Ebenen berücksichtigt werden müssen.		[[File:Modelltypen Tab2.PNG\|\|500px]]


			Auf die potentielle Kritik, ein bestimmtes Modell oder (kognitive) Modelle allgemein wären in ihrer Erklärungskraft zu eingeschränkt und würden ein Phänomen nicht in seiner Gänze fassen, lässt sich ggf. entgegnen, dass ein Modell i.d.R. nur eine oder wenige Ebenen der Betrachtung einnimmt und generell auch nicht alle diese erfüllen kann, weshalb für ein umfassendes Verständnis des Phänomens natürlich auch die anderen Ebenen berücksichtigt werden müssen.

	== Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==		== Abgrenzung durch das Ziel der Modellierung: Auswertung vs. Theoriebildung ==