psychologische diagnostik (Fach) / 4. VL (Proz. der. diagn. Urteilsb.) / Param. Mod./ Konfig./ Opti (Lektion)

In dieser Lektion befinden sich 10 Karteikarten

Paramorphe Modelle

Diese Lektion wurde von Gustator erstellt.

Lektion lernen

  • Was sollen paramorphe Modelle beschreiben? ˙ Paramorphe Modelle = formelle Repräsentationen des diagnostischen Entscheidungsverhaltens˙ Reproduktion des Zusammenhang zw. zur Verfügung stehenden Infos + Entscheidung soll dargestellt werden˙ Ziel: mögl. gute Darstellung d. inneren Modells im außen
  • Wie erstellt man ein paramorphes Modell? (Also Erforschung, bzw. Vorhergehensweise) • Modellierung des Zustandekommens diagnostischer Urteile:o Diagnostiker als Proband (bzw. Objekt psychologischer Modellbildung) --> er bekommt (repräsentative) Daten über eine Reihe von Personen und soll seine Diagnose machen --> dann schaut man, wie er vorgeht• Welche Modelle repräsentieren die Datenkombination beim Diagnostizierenden am besten?(Errechnung anhand der abgegebenen Urteile des Diagnostikers) Oftmals: --> einfache lineare Regressionsmodelle --> oder Regressionsmodelle mit kurvilinearen und/oder interaktiven Komponenten
  • Empirsche Befunde bei paramorphen Modellen? • Urteilsbildung oft durch Haupteffektsmodelle (von linearen Regressionsmodellen) gut repräsentiert --> nicht erstaunlich, da mathematische Modelle auf Sparsamkeit getrimmt sind --> Diagnostische Indikatoren, die im Allgemeinen redundant sind, werden aus den Modellen eliminiert
  • Was ist das Selbstverständnis von Diagnostikern? Was erwidern sie oft, wenn sie mit paramorphen Modellen konfrontiert werden? Wie kann die Statistik darauf reagieren? 1.) Ausprägungsmuster wichtig (z.B. mehrere glz. auftretende Variablen, holistische Sicht)2.) Nicht immer Kompensationsmöglichkeiten (Unterschied zur math. Regression)3.) Sequentieller Entscheidungsprozess (nur „weiter“, wenn best. Bedingung erfüllt) Konfigurationsmodelle•Entscheidungen werden in Form einer Sequenz von Wenn-Dann-Regeln rekonstruiert (damit sequentiell!)-> Person muss bestimmtes Muster von Werten aufweisen (Konfiguration), damit eine bestimmte Diagnose gestellt werden kann->Kompensatorische Beziehungen können -müssen aber nicht -bestehen (Kompensation  kann eingebaut werden, muss aber nicht)
  • Was sind Konfigurationsmodelle? - Entscheidungen werden in Form einer Sequenz von Wenn- Dann-Regeln rekonstruiert- Person muss bestimmtes Muster von Werten aufweisen (Konfiguration), damit eine bestimmte Diagnose gestellt werden kann- Kompensatorische Beziehungen können - müssen aber nicht - bestehen
  • Was versteht man unter Hypothesenagglutinierung? Sehr elaborierte Form der Rekonstruktion der diagnostischen Urteilsbildung in Form konfigurationaler Modellevon Wottawa und Kollegen unter der Bezeichnung Hypothesenagglutinierung (abgekürzt HYPAG) vorgestellt schrittweise Rekonstruktion diagnostischer Entscheidungen Form: logisch miteinander verknüpfte (“agglutinierte”) Hypothesen (Wenn-Dann-Regeln), die zu einer Diagnose führen Ziel: die häufig nur impliziten Entscheidungsregeln von Diagnostikern im Rahmen eines Wechselspiels zwischen Befragung, Begründung, vorläufiger Regelformulierung und deren anschließender Modifikation schrittweise explizit machen
  • Erkläre grob, wie man so ein HYPAG-Modell erstellen kann! (Aufbau, Modifikation, etc...) Das Hypag-Modell ist ein Konfigurationsmodell! • Die Rekonstruktion der Entscheidungsregeln = Dialog zwischen Diagnostiker und "Konstrukteur"1.) Man geht Schritt für Schritt vor und Fragt den Diagnostiker, welche „Cutt-offs“ er     setzt bzw. welche Variablen wichtig sind 2.) Das Modell wird also anhand der bearbeiteten Fälle sukzessive angereichert 3.) Wenn ein genügend „reiches“ Modell vorliegt, wird es auf den jeweils bearbeiteten Entscheidungsfall angewendet 3 Resultate der Anwendung:1. Treffer: Algorithmus des Modells gelangt zum selben Urteil wie der Diagnostiker2. Fehler: Modellentscheidung fällt anders aus, als die des Diagnostikers--> Modell modifizieren?-->inkonsistentes Vorgehen des Diagnostikers?-->Fehler wird an Diagnostiker rückgemeldet --> ggf. Überarbeitung des Modells3. Modell kann keine Entscheidung treffen, da seine „Wenn-Teile“ im konkreten Fall nicht greifen-->Modell muss elaboriert werden-->Rückmeldung an Diagnostiker --> weitere Regeln? • Dann wird am Ende eine Kreuzvalidierung an neuen Fällen vorgenommen --> Indikator der Leistungsfähigkeit -> Sagt nichts über die Validität der Diagnose selbst aus, sondern nur über die Güte, mit der die diagnostischen Urteile vorhergesagt werden können Ziel: die häufig nur impliziten Entscheidungsregeln von Diagnostikern im Rahmen eines Wechselspiels zwischen Befragung, Begründung, vorläufiger Regelformulierung und deren anschließender Modifikation schrittweise explizit machen
  • Was sind die Vorteile expliziter Modelle? (6 Vorteile) 1.)Transparenz Es werden explizite Regeln, Algorithmen oder Prozeduren formuliert, auf deren Grundlage Diagnosen oder Prozesse erstellt werden 2.)Optimierbarkeit Explizite Regeln erlauben es, ein System auf der Basis von Rückmeldungen zu verbessern 3.)Lernen und Erfahrungsaustausch Erlernen der diagnostischen Praxis ist einfacher und für diagnostische Anfänger durchschaubarer Nur bei Vorleigen expliziter Regeln können Gemeinsamkeiten und Differenzen verschiedener Diagnostiker genau lokalisiert und im Hinblick auf mögliche Konsequenzen bewertet werden 4.)Entlastung  Reduktion der Zahl erhobener Variablen: Kostensenkung,weniger Belastung für Klienten,Teilaspekte der Entscheidungsfindung können automatisiert werden 5.)Konsistenz Formelle Prozeduren liefern konsistente Entscheidungen und sind damit objekti. Wichtig für Fairness (aber Konsistenz alleine gewährleistet keine Fairness) 6.)Validität  Paramorphe Modelle schneiden genauso gut ab, wie die informellen Urteile von Diagnostikern, deren Verhalten sie abbilden
  • Wie kann man klinische Inferenz trotz der Nachteile dennoch sinnvoll nutzen? Nenne eine Methode (wie heißen die Verfasser?) • Informelle Daten können aber wertvoll sein, wenn sie in geeigneter Weise verwertet werden (z.B. durch ein Testähnliches Format zu ihrer Registrierung)• Stat. Vorhersage profitiert, dh. die Validität von Diagnosen/Prognosen wird erhöht, wenn informelle Beobachtungen/Interviews usw. und psychometrische Daten gleichzeitig berücksichtigt werden -->  d.h. klinische Diagnostiker sollten Daten liefern, die dann in formeller Weise für die Vorhersage ausgewertet werden--> d.h. die klinischen Daten müssen in geeigneter Weise aufbereitet werden, damit der Nutzen klinischer Expertise maximal wird!Bsp.: Q-Sort Verfahren von Western und Weinberger --> Hier bringen Kliniker ihre Eindrücke durch das Q-Sort-Verfahren in ein formelles Format, sodass eine formelle Auswertung stattfinden kann und die Daten mit den psychometrischen Daten kombiniert werden können
  • Vergleich formeller Repräsentation des Vorgehens vs. Selbstbericht? • Vergleich formelle Repräsentation und Selbstbericht:1.) Diagnostiker halten ihr Vorgehen oft für komplexer, als es faktisch ist2.) Diagnostiker schätzen häufig die Gewichte, die sie einzelnen Variablen beimessen, anders ein, als „ihr“ paramorphes Modell3.) Diagnosiker halten oft mehr Variablen für relevant, als zur Modellierung ihres Urteilsverhaltens benötigt werden4.) Entscheidungsregeln oft nicht vollständig zu explizieren (sprachlich widerzugeben)--> sie sind sich also ihrer eigenen Kombinationsschitte nicht voll bewusst5.) in Befragung oft „Lehrbuchwissen“ berichtet, dass sich nicht immer mit dem tatsächlichen Verhalten deckt