36

Persönlichkeitspsychologie Aufbau (Fach) / Prozess der diagnostischen Urteilsbildung (Lektion)

Diese Lektion wurde von CRuth1 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Diagnostische Urteile = Aussagen, die auf Basis vorliegender oder eigens erhobener psychologischer Daten über eine Person, eine Gruppe oder einen Sachverhalt getroffen werden
• Diagnostischer Prozess = mehrstufig und rückgekoppelt Auftrag diagn. Gespräch Hypothesenbildung Auswahl von Tests Datensammlung/-erhebung Datenbewertung und -kombination diagn. Urteil Überprüfung
• Wie kommen Diagnostiker zu ihren Urteilen? paramorphe Modelle des Diagnostizierens >> Deskriptive Modelle
• Wie lässt sich die Qualität der Urteile verbessern? präskriptive Modelle
• zentrale Fragen zur diagn. Urteilsbildung Wie kommen Diagnostiker zu ihren Urteilen? Wie valdie sind dieses Urteile? Wie lässt sich die Qualität der Urteile verbessern?
• Paul Meehl: Clinical vs. statistical prediction = klassische Monographie Meilenstein in der Kontroverse: klinische oder statistische Urteilsbildung?
• klinische Vorhersage früher Standard menschl. Beurteilung als Basis >> Experten Erfahrungs- u. intuitionsgesteuert Regeln nicht explizit nicht auf klinische Psychologie beschränkt
• Statistische Vorhersage empirisch gesicherte Zusammenhänge zwischen Prädiktor- und Kriteriumsvariablen menschliche Beurteilung nicht involviert Regeln explizit
• statistische Vorhersagemodelle einfache Regression: Y = a + bx multiple Regression: Y = a + b1 x1 + ... + bnxn logistische Regression bei dichotomem Kritierum Bestimmung der Gewichte anhand vorliegender Daten >> Prädiktor, der die beste Vorheresage macht, wird am stärksten gewichtet (Kreuzvalidierung nötig)
• Eigenschaften der statistischen Vorhersagemodelle additiv und kompensatorisch: Summe der Werte ist ausschlaggebend Vorhersage bedeutetet nicht Verursachung
• Anzeige
• Studie von Sarbin Vergleich der Vorhersagegenauigkeit: akademischer Erfolg von Studienanfängern 1. professionelle Studienberater = klinisches Vorgehen Daten: diverse Tests, biogr. Angaben, Interview >> mehr Infos, schlechtere Vorhersage 2. Vorhersagegleichung = statisches Vorgehen Daten: Eignungstest, Abschlussnote Schule = 2 Variablen Ergebnisse: Korrelation Klinische für Männer .35 und für Frauen .69 vs. statistisch für Männer .45 und für Frauen .70
• zentrales Problem von Studien wie der von Sarbin fehlende Differenzierung zwischen: Art der Datenerhebung: psychometirsch vs. nicht-psychometrisch Art der Datenkombi: formell vs. informell
• Art der Datenerhebung 2 Infoquellen: Psychometrische Daten: von Tests, die eine stand. Vorgabe und einheitlich Klassifikation und Verrechnung der Reaktionen gewährleisten (frei von Ermessensentscheidungen) nicht-psychometrische Daten: keine stad. Vorgabe und Auswertung (Diagnostiker als Messinstrument) >> Unterscheidung sagt nichts über Objektivität oder Zuverlässigkeit der Messung aus!
• Art der Datenkombination 2 Methoden: Formell: mechanisch, aktuarisch, algorithmisch, explizit >> Existenz angebbarer Regeln informell: beurteilend, intuitiv, implizit >> Art der Methode hat mit der Effektivität eines Vorhersagesystems nichts zu tun!
• 4 basale Möglichkeiten der Diagnosefindung: nicht-psychometrische Daten werden informell kombiniert: Fahreignung eines auffälligen Fahrers auf Grundlage eines Interviews eingeschätzt psychometrische Daten werden informell kombiniert: Ergebnisse von Konzentrationstest werden intuitiv für Diagnose genutzt nicht-psychometrische Daten werden formell kombiniert: Interview wird geführt und die dabei anfallenden Daten werden nach einem fixierten Regelsystem integriert psychometrische Daten werden formell kombiniert: Ergebnisse von Konzentrationstest werden anschließend in eine Gleichung zur Bestimmung des Unfallrisikos eingesetzt
• 2 weitere Möglichkeiten der Diagnosefindung psychometrische & nichtpsychometrische Daten liegen vor und können formell informell kombiniert werden >> häufig der Fall!
• Konfundierung (laut Meehl) = Unterschiede in der Validität klinischer und stat. Vorhersagen können auf die Art der verwendetetn Daten, die Methode der Datenbkombi oder beides zurückgehen
• Studie von Goldberg Datenbasis: 11 Skalen des MMPI Kriterium: Psychose oder Neurose? Aufgabe: auf Basis der Daten eine Diagnose stellen durch klinische Kombination: 29 erfahrene Psychologen, die MMPI-Skalenwerte erhalten statistische Kombi: Goldberg-Index (Gleichung mit 5 der 11 Skalen, die am höchsten mit dem Kriterium korrlieren) Ergebnisse: durchschnittl. Valid. klinisch: .28 (.14 - .39) statistisch: .44 >> sign. höher
• Fairer Wettstreit bei der Goldbergstudie? Kriterium = klinisch >> Ursprungsdiagnose wurde auf Basis der MMPI-Bewertung von Experten getroffen Daten = statistisch >> Goldberg-Index Nachteil der klinischen Version: Psychologen konnten mit den Patienen nicht sprechen ~ gerecht
• Metaanalyse nach Meehl 51 Studien 33 statistisch überlegen 18 unentschieden
• Metaanalyse Grove 136 Studien 63 statistisch überlegen 65 unentschieden 8 klinisch überlegen
• Fazit: klinisch vs. statistisch formell > informell zusätzliche nicht-psychometrische Daten können Validität des diagn. Urteils erhöhen
• mögliche Ursachen für Überlegenheit der formellen Datenkombi menschl. Beruteilung als Basis brigt Verzerrungs- und Fehlertendenzen diagn. Entschiedugnsregelen können inkonsistent genutzt werden Diagnoserichtigkeit kann nicht 100%ig überprüft werden
• Arguemente pro klinisch Einzelfall!einzigartige Muster von Variablenausprägungen müssen berücksichtigt werden zusätzliche Infos verfügbar, die in stat. Vorhersage nicht eingehen
• Argumente pro statistisch Einzelfälle sollten auch nach expliziten und mathematisch optimalen Regeln behandelt werden spez. Ereignisse können auch messbar gemacht werden wenn Zusatzinfos nötig sind können sie in das stat. Modell eingebaut werden
• DSM: klinisch oder statistische Urteilsbildung? pro klinisch: Interpretationsfreiraum Entscheidung liegt beim Diagnostiker Maschine könnte whs. keine Diagnose stellen kluge Fragetechnik & hohe Selbstbeobachtungsfähigkeit erforderlich pro statistisch: klare Regeln klar formulierte Fragen und Kriterium
• paramorphe Modelle des Diagnostizierens Wie kommen Diagnostiker zu ihrem Urteil? Wie kommen Diagnostiker von den Daten zur Entscheidung? >> Reproduktion des Zusammenhangs zwischen Daten (Infos) und Entscheidung nach Hoffmann: formelle Repräsentation des diagn. Enscheidungsverhaltens Welche Modelle repräsentieren die Datenkombi beim Diagnostizierenden am besten? >> ein gutes paramorphes Modell liefert bei gleichen Daten die gleichen Vorhersagen wie der "modellierte Diagnostiker"
• untersuchte paramorphe Modelle einfache lineare Regression: nur Haupteffekte >> repräsentieren Urteilsbildung gut kurvilineare Beziehungen Interaktionen (Moderatoreneffekte)
• Vergleich formelle Repräsentation und Selbstbericht Diagnostiker halten ihre Vorgehen oft für komplexer, als es faktisch ist Gewichte werden anders eingeschätzt Entscheidungsregeln sind oft nicht vollständig zu explizieren in Befragung wird oft "Lehrbuchwissen" berichtet
• Goldberg-Paradox Regressionsanalytische paramorphe Modell von Klinikern können das Kriterium besser vorhersagen als die Kliniker selbst für jeden Diagnostiker wurde sein Diagnosefindungsmodell errechnet Paradox: aus der menschlichen Vorhersage wird das zugrundeliegende mathematische Modell extrahiert >> diese wird erneut auf die Eingangsdaten angewendet >> die resultierenden Diagnosen sind besser als das, was der Mensch ursprünglich gemacht hat statistische Diagnose besser Ausgangspunkt: klinisch zugrundeliegendes Gesetzt: statistisch Grund: inkonsistente Entscheidungsregeln seitens der Diagnostiker
• Anzeige
• Selbstverständnis von Diagnostikern Faktoren werden nicht isoliert betrachtet es gibt nicht immer Kompensationsmöglichkeiten sequentieller Entscheidungsprozess + abgestufte Datenerhebung (Regression geht davon aus, dass von Anfang an alle Daten vorhanden sind)
• Konfigurationsmodelle Entscheidungen werden in Form einer Sequenz von Wenn-Dann-Regeln rekonstruiert kompensatorische Beziehungen können, müssen aber nicht, bestehen
• Hypothesenagglutinierung => Erstellung und Prüfung von Konfigurationsmodellen = elaborierte From der Rekonstruktion der diagn. Urteilsbildung HYPAG schrittweise Rekonstruktion diagn. Entschiedungen in Form von logisch miteinander verknüpften (agglutinierten) Hypothesen, die zu einer Diagnose führen Ziel: impliziten Entschiedungsregeln von Diagnostikern explizit machen
• Vorteile expliziter Modelle Transoaranz: Abfolge bekannt Optimierbarkeit: Paramete sind leicht zu optimieren, wegen Transparenz leichteres Schritt-für-Schritt-Lernen weniger Prädiktoren (Vereinfachung) Konsistenz: intraindividuell und interindividuell Validität
• Nutzung der klinischen Inferenz informelle Daten = wertvoll oft nur suboptimal aufbereitet und kombiniert, deshalb: Aufgabe: nicht-psychometrische Daten zusätzlich zu statistischen Daten verwenden Flaschenhals: statistische Einordnung nötig / Kategorien bilden Grundporblem: unsystematische Eindrücke müssen kanalisiert ewrden und in stat. Dimensionen eingeordnet werden Q-Sort
• Q-Sort = erste Schullfolgerungsprozesse auf Basis einer frühen Eindrucksbildung

zurück  |  weiter 1 / 1