Diagnostik (Fach) / Diagnostische Entscheidungsregeln (Lektion)

15

Diese Lektion wurde von Lisa0411 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• WIe geht man bei Datenerhebung vor? Simultane Datengewinnung (vs Sequenzielle) Simultan: relevante Info einmalig gewonnen und verdichtet z.B. Studienplatzvergabe ZVS: viele verschiedene Infos gleichzeitig betrachtet und tragen zur Entscheidung über Vergabe bei (Reise buchen, Auswahl?) Den Personen werden ein Test oder Testbatterie vorgegeben, alle Personen durchlaufen volle diagnostische Programm! das in einem Schritt zur terminalen Entscheidung führt Nachteil: Teuer
• Sequenzielle Datengewinnung/Diagnostik Kaskaden oder Trichterdiagnostik Diagnost Vorgehen in mehreren (mind 2) Schritten bzw MZP Bsp. Auswahl von Studienbewerbern/Mitarbeiter zu mehreren MZP/Gelegenheiten werden Daten an Bewerbern erhoben, sukzessive wird der Pool an Bewerbern in jedem Schritt reduziert erste grobe Diagnose (zB Merkmalsträger grob in 2 Kategorien einteilen), Vorgehen immer weiter verfeinert (Feindiagnose) -> 3 Grundmuster
• 3 Grundmuster sequenzieller Datengewinnung - Vorauswahl (Prereject) Strategie - Vorentscheidungs (Preaccept) Strategie - Vollständige sequenzielle Strategie
• Vorauswahl (Prereject) Strategie Nach einem Test werden alle Probanden die einen bestimmten Score nicht erreichen von weiteren Untersuchungen ausgeschlossen und zurückgewiesen verbleibende Pb absolvieren weitere Tests -> Entscheidung über Verbliebenen wird aus Kombination zwischen Erst und Folgetest getroffen Vorauswahl- (Pre-reject)Strategie: nach einem ersten Test werdenalle Probanden, die einen bestimmten Score nicht erreichen, vonweiteren Untersuchungen ausgeschlossen und zurückgewiesen (I);verbleibende Probanden absolvieren weitere Verfahren Entscheidung über Annahme (III) und Ablehnung (IV)erfolgt aus der Kombination zwischen Erst- und Folgetests    
• Vorentscheidungs (Preaccept) Strategie Nach jeder Stufe wird ein Teil der Bewerber terminal akzeptiert, die einen bestimmten Trennwert überschritten haben mit verbleibenden Pbn wird analog zur Vorauswahlstrategie verfahren: Sie bleiben im Verfahren und absolvieren die nächste Stufe die Kandidaten die nach der ersten ggf weitere Stufen bleiben über die Unsicherheit besteht Vorgehen wird solang weitergeführt bis über alle Bewerber terminal entschieden wurde -> mehrere Trennwerte involviert Vorentscheidungs- (pre-accept) Strategie: nach einem ersten Teilwerden alle Probanden, die einen bestimmten Trennwertüberschreiten, bereits terminal akzeptiert (II), mit den übrigen wirdanalog zur Vorauswahlstrategie verfahren
• Vollständige sequenzielle Strategie Kombi der Vorauswahl und Vorentscheidungsstrategie Nach Maßgabe der Punktwerte in einem Test erfolgt eine Aufteilung aller Probanden in 3 Gruppen, eine die terminal akzeptiert, eine andere die definitv abgewiesen und eine dritte die mit Folgetest untersucht wird. Vollständige sequentielle Strategie: Kombination der beidenvorgenannten Vorgehensweisen; nach Maßgabe der Punktwerte ineinem Test erfolgt eine Aufteilung aller Probanden in 3 Gruppen:eine die terminal akzeptiert (II), eine andere, die definitiv abgewiesen(I) und eine dritte, die mit einem Folgetest untersucht wird
• Strategien nur möglich wenn Info konjunktiv oder disjunktiv verknüpft werden soll bei konjunktivem Vorgehen kann diagn Prozess abgebrochen werden sobald Grenzwert unterschritten (MUSS, und) bei disjunktiver Verknüpfung kann Prozess abgerbochen werden sobald ein Grenzwert überschritten wird (entweder oder) Generell ist diese Art der Infointegration ein partiell konjunktives Vorgehen: Nur wer im ersten Schritt besteht, wird im 2. Schritt weiter diagnostiziert
• Vorteile und Nachteile sequenzielles Vorgehen (ggüber simultanem) Vorteile: Ressourcen können eingespart werden (im Vgl zur simultanen) z.B. nicht alle 1000e Bewerber testen, mit ihnen reden etc. Nachteil: von Personen die direkt im ersten Schritt ausgesondert werden hat man nur begrenzte Infos, die im ersten Schritt gewonnene Info aber generell eher von schlechter Qualität -> der erste Schritt ist sehr fehlerbehaftet (wenig reliabel), Qualität der Selektion steigt in 1. Linie mit Anzahl und Qualität diagnostischer Info - Gerechtigkeitsproblematik: Kaskade kann an jeder Stufe fehlerbehaftet sein, unpräzise Diagnose ungerecht, geeignte Personen teilweise abgewiesen, ungeeignete teilw zugelassen -> Methode zwar kostengünstiger und weniger aufwändiger dafür mit mehr Fehlern behaftet    
• Wann soll man 1, wann 2 stufig verfahren? Kostenfrage, Umgang mit Ressourcen (zB zeitl, personell) zB bei wenig Plätzen und vielen Bewerbern sehr grobe Auswahl, im letzten schritt genaue Analyse Konsequenzen einer Fehldiagnose Selektionsquote -> Es gibt kein Patentrezept!  
• Beispiele Sequenzielle Datengewinnung - Studienplatzvergabe (6000 Leute auf 110 Plätze), Ortspräferenz -> Abinote -> Auswahlgespräch.., wer nicht Ort gar nicht weiter berücksichtigt) - Vergabe von Stipendien (Empfehlung von Dozent -> Gutachten 2 unabhängige Gutachter -> Gespräch mit 3. Gutachter) - Besetzung Professur - Schullaufbahnentscheidung (Empfehlung Lehrer, Begabungsdiagnostik) - Vorsorgeuntersuchung bei Kindern (erst grobe Untersuchung, dann bei Auffälligkeiten differenzierter..) - Klinisch psychologische DIagnostik (Diffuse Störungsdiagnose durch Hausarzt -> Überweisung Psychologe)  
• Beispiel Notwendigkeit der diagnostischen Infoverdichtung von multivariater zu univariater Info Bei Studienbewerber liegen mehrere diagnost Info vor Abinote, Testergebnisse Studierfähigkeitstest, Testergebnisse von Begabungstests, Ratings bei Auswahlgespräch (Bsp. MPU? Ergebnisse Fahrsimulator, Gespräch Psychologe, Ergebnisse Arzt..) Auswahl mutmaßlicher Faktoren des Berufserfolgs (Fahrtauglichkeit): - Allgmeine Intelligenz (25% der Varianz Berufserfolg voraussagen) - Berufsbezogene Begabungen und Kompetenzen (mathematische bagbung Ingenieur..) - Fachwissen - Leistungsmotivation - Persönlichkeitsmerkmale (Gewissenhaftigkeit, Verträglichkeit...) - Schlüsselkompetenzen  
• Univariate vs Multivariate Infos - Die Bandbreite Diagnost Info kann sich auf eine Dimension beschränken (z.B. allgemeine Intelligenz) oder aus mehreren Diemensionen stammen (multivariat) Meist zur Erhöhung der Validität und Entscheidungssicherheit mehrere Prädiktoren herangezogen weil damit verschied Facetten des Kriteriums abgedeckt werden können  
• Bandbreite-Fidelitätsdilemma Sollen nur wenige Variablen sehr genau gemessen oder sollen viele Variablen eher kursorisch (rasch fortlaufend) erfasst werden? Fidelität: Validität der einzelnen Messungen Valide Verfahren besitzen nur diagnost Relevanz für nur wenige Merkmale (zB Intelligenzmerkmal wie räuml Vorstellungskraft), während Verfahren die weniger genau messen häufig gleich mehrere Merkmale erfassen (Tests zur Erfassung verschied Intelligenzdimensionen)
• Arten der Infoverdichtung variable und fixe Quote Einzelne Infos müssen zu guter Gesamtaussage verdichtet werden Im einfachen Fall basiert Selektion auf univariater Info -> 1 Prädiktor -> Definition von einem kritischen Trennwert cut off, auf der Variable dessen Erreichen oder Verfehlen zur Annahme oder Ablehnung führt Bei variabler Quote und hinreochende Zahl geeigneter Bewerber kann der Trennwert so festgesetzt werden, dass akzeptierte Kandidaten sehr günstige Prognosen in der jeweil Kriteriumsvariablen aufweisen bei fixer Quote ist der Trennwert impliziert, da die Bewerber entsprechend ihrer Rangreihe auf der Prädiktorvariable ausgewählt werden bis Quote ausgeschöpft
• Multivariate Infoverdichtung Möglichkeiten zur Komprimierung: additiv - konjunktiv - disjunktiv Bsp Partnerwahl: Binäres Kriterium: geeignet, ja nein? Man hat viele Infos über potenziell geeigneten Partner und muss nun entscheiden ob besser als andere Beispiele für Prädiktoren: multivariat: Attraktivität und moralische Integrität (Treue) Beispiel Wohnungskauf: ja nein? Prädiktoren: Balkon und Dielenboden/Größe/Lage  
• additiv (kompensatorisch) ungewichtet: jeder Prädiktor zählt gleich viel gewichtet: Gewichtung einzelner Infos je nach ihrer Einflusstärke zB in multipler Regression (Kompensation von Mängeln gelingt besonders gut mit hohen Werten auf den Prädiktoren mit hohen Gewichten) - gewichtete ist ungewichteten überlegen, allerdings muss Gewichtung auf rationalen Überlegungen / empir Untersuchungen beruhen, sind diese nicht vorhanden, sollte lieber alle Infos gleich gewichtet werden - Alle Infos die einfließen werden aufaddiert, alle Infos müssen in gleicher Einheit vorliegen -> zB z standardisieren oder Bewerber nach Rangreihe sortieren) Wichtig: es liegt immer Redundanz zw den Einzelinfos vor (Korrelation der Prädiktoren), redundante Infos verschlechtern Vorhersagegüte - jedes Merkmal kann jedes andere kompensieren, zB jemand kann -3 SD attraktiv sein , macht nix, solang +4 SD treu (MPU: -3 Fahrsimulator, + psychol Gespräch) -> meisten würden sagen, dass diese additive Strategie nicht geeignet für gute Entscheidung = intuitiv mangelnde Validität -> nur bis zu gewissem Maß kann Hässlichkeit durch Treue ausgegleichen werden, nicht in Extrembereichen, sinnvoller erscheinen Minimalstandards Bsp.: Frau kann nichtvorhandene Schönheit durch Reichtum kompensieren; Mäßige Abinote durch Studierfähigkeitstest
• Konjunktiv Partner soll beides sein: treu und attraktiv UND Verknüpfung (MPU: sowohl Fahrsimulator als auch Gespräch) -> multiplikative Verknüpfung! führt zu strengerer/kleinerer Auswahl als beim diskiunktiven Vorgehen (konservativ) Alle Kriterien müssen mit best Schwellenwert erfüllt sein Bsp.: Diagnosekriterien: mind 5 von 9 erfüllt für Diagnose gleichzeitige Vorhersage des Kriteriums - oft auch bei Bewerberauswahl: best Schlüsselkompetenzen notwendig für Berufsausübung zB Pilot nicht fehlende Sehtüchtigkeit durch Feinmotorik ausgleichen (MPU nicht schlechte Reaktionszeit mit Gespräch) Prädiktoren nicht gegenseitig verhandelbar bzw kompensatorisch Produktgedanke, zB Erwartung mal Wert - streng konjunktiv: Alle Kriterien müssen mit best Schwellenwert erfüllt sein: UND Verknüpfung - schwach konjunktiv: ein bestimmter Schwellenwert muss überstiegen werden bei jedem einzelnen Prädiktor; oberhalb dieser Grenzen können sich beidem Merkmale kompensieren, werden also additiv miteinander verknüpft  
• disjunktiv ENTWEDER ODER Verknüpfung: Zutreffen eines der Kriterien genügt: das eine ODER das andere (keine Kompensation aber auch nicht beides zugleich) attraktiv oder treu quantitativer Form, cut off Wert definieren um Urteil bilden zu können - streng disjunktiv: Erfüllung eines der Kriterien reicht aus, die Ausprägung auf dem anderen Kriterium ist dann egal, es macht keinen Unterschied ob nur ein Kriterium erfüllt ist oder alle - schwach disjunktiv: Kombination aus Addition und Disjunktion; Überschreitung eines Grenzwerts bedeutet, dass das andere Merkmal irrelevant ist; Unterschreitung beides Grenzwerte ist solange mit Eignugnsanforderungen vereinbar wie beide Merkmale zusammen einen Mindeswert ergeben  
• mathermatische Regeln diagnost Infoverdichtung additiv 1. Addititv: a) ungewichtet: Y = X1 + X2 + X3 + X4 b) gewichtet: a1X1+a2X2+a3X3+a4X4 -evtl Elemente gewichtet, in empir Untersuchung werden Parameter geschätzt nach best Optimierungs-Prozeduren zB dem Kriterizm kleinster Quadrate, es handelt sich dabei um multiple bzw bei dichotomer AV logistische Regressionsmodelle; Gewichtete Prädiktoren werden additiv miteinander verknüpft und zwar so, dass sie mit dem Kriterium maximal koreliert sind (vgl Determinationskoeffizient)  
• mathematische Regeln Infoverdichtung konjunktiv a) streng konjunktiv: gewichtete Produkte empiri Anwendung steht im Kontrast zu unserer naiven Theorie: die gewichteten Produkte erklären nur sehr wenig Varianz Y ist optimal wenn x1 und x2 und x3 und nicht x4 b) schwach: es gibt für jeden Prädiktor einen Minimalwert der erfüllt sein muss ab dann zählt auch der jeweils 2. Prädiktor Multiple bzw logistische regression y = x1 + x2 + x3+ +x4+ x1x2+x2x3....x1x2x3+...+x1x2x3x4 (mit allen 2 und 3 fach Inteaktionen) = vollständig moderierte Regression Alternativ Anova mit mehreren Prädiktoren; UV´s deren Wechselwirkung das Kriterium vorhersagt - 4 Prädiktoren von denen alle mit allen anderen interagieren/von allen anderen modiert werden Bps Duett : klingt alles schief, ein guter Spieler kann schlechten nicht ausgleichen  
• mathematische Regeln der Infoverdichtung disjunktiv a ) streng: Y <-> X1 v X2 v X3 v nicht X4 Nicht X4 Bsp: bei einer Differentialdiagnose müssen best Symptome ausgeschlossen werden (Alternativdiagnosen); disjunktive Verknüpfung als negierte Konjunktion von Negationen = eine Person darf nicht (nich attraktiv und nicht moralisch) sein = sie muss attr und moralisch sein b) schwach: Y <-> (X1> x1) v (X2>x2)...  
• Beispiele additiv/konjunktiv/disjunktiv additiv: mittleres X1 braucht mind mittleres X2, hohes X1 braucht nur noch niedr Ausprägung X2; Bsp Tauziehen, Kräfte gleichen sich aus stark konjunktiv: Duett beide müssen gut sein, Schwellenwert (cut off) muss bei beiden Variablen überschritten sein, damit Diagnose vergeben schwach konjunktiv: Intelligenz: Mindeswerte genügen, Kompensation möglich; Kompromiss zw additiv und streng konjunktiv: Schwellenwerte müssen gegeben sein, es gibt aber darüber hinaus einen Bereich innerhalb dessen Kompensation möglich isr = Die Verknüpfungsregeln die intuitiv am meisten angewandt wird; zB Studierfähigkeitstest können etwas schlechtere Abinote ggf noch ausgleichen; wie weit Schwelle überschritten wird ist diagnostisch irrelevant! disjunktiv: wenn x1 oder x2 einen best Wert überschreitet dann ist der Wert auf der jeweils anderen Var irrelevant kann man auf best merkmale verzichten kann man auf additives oder disjunktives Vorgehen zurückgreifen: Stark disj: Ist jemand ein Lügner= (1mal gelogen, vergewaltigt.. immer Lügner); Bsp.: in vielen Berufen zählen ähnliche Prädiktoren -> Konkurrenz um Bewerber -> es gibt evtl Berufe in denen nur Intelligenz oder nur Fachwissen ausreicht => fast immer additiv kompensatorische wird angewendet, am einfachsten zu berechnen, multiple Regression ohne Interakionen
• Fehler 1. Art Alpha fälschlicherweise H0 verwerfen, obwohl richtig Irrtumswahrscheinlichkeit eigentlich ist Annahme H0 richtig, jedoch zieht man aus Po 100 Spn und 5 % deuten darauf hin dass H0 doch nicht gilt -> fälschlich verwerfen  
• Fehler 2. Art Beta sollte 4 mal so groß sein wie Fehler 1. Art (20%) fälschlicherweise H0 beibehalten obwohl H0 falsch -> Fehlerarten sind gegenläufig, wird der eine strenger gemessen, wird der andere größer  
• diagnostische Eignung und wahre Eignung (geeignet/ungeeignet) richtig Negativ unf richtig positiv falsch negativ: Person bekommt kein Studienplatz obwohl geeignet falsch positiv: bekommt Platz obwohl eigentlich ungeeignet  
• Etscheidung treffen, kontinuierliche Infos liegen vor was wir diagnostizieren wollen (wahrer Wert) kontinuierlich -> kontin Info muss digitalisiert werden -> ja/nein-Format, das schafft man durch cut off Werte = Kritische Werte - gemesene Info zB wahre Eignung für einen Studienplatz (erhoben anhand Eignungstest) anhand des cu off Werts dichotomisiert (jemand bekommt Platz oder nicht) Cut off Wert bezeichnet den Wert, bei dem eine Entscheidung sich von ja zu nein oder umgekehrt verändert -> Messwertverteilung und Verteilung der wahren Werte wird in 2 Hälften geteilt geeignet und ungeeignet

zurück  |  weiter 1 / 1