QFM

1. Dekomponierungsproblem

• keine Prozess- bzw. Systemreinheit von AVn (bestimmte Beobachtung kann durch unterschiedliche Prozesse zustande kommen)

• -> Wie lässt sich die AV in prozessreine Maße für bestimtme Prozesse dekomponieren?

1. Bedeutsamkeitsproblem

• alternative AVn können ein gleichermaßen plausibler Indikator für das interessierende Konstrukt sein

• -> Wahl zwischen AVn kann Ergebnisse massiv beeinflussen

• Klasse formaler Modelle, die kognitive Prozesse annehmen, welche mit bestimmten Wahrscheinlichkeiten auftreten

  • Wahrscheinlichkeiten werden mittels beobachtbarer experimenteller Daten geschätzt

• stochastische Modelle

• theoriegeleitete Messmodelle

• jeweils für ein bestimmtes Paradigma zugeschnitten

• gehört zur Klasse der konfirmatorischen Analyseverfahren (wie z.B. Strukturgleichungsmodelle oder Latente Klassenanalyse)

  • Modell wird a priori formuliert

  • gibt an, welche Sequenzen unbeobachtbarer Prozesse bestimmte beobachtbarer Ereignisse hervorrufen können

• kategoriale (diskrete) Daten

• i.d.R. mit wenig Kategorien

• theoretische Erklärung von Kategoriewahrscheinlichkeiten (bzw. deren Unterschiede)

  • mithilfe von latenten Parametern (= Wahrscheinlichkeiten psychologischer Zustände/Prozesse)

• Ja-Nein-Rekognitionstest

• 2 Bedingungen:

  • alte Items (zuvor gelernt)

  • neue Items/Distraktoren (zuvor nicht gelernt)

• Kategoriale AV für beide Bedingungen

  • “Alt” vs “Neu”

• freie Reproduktion einer zuvor gelernten Wortliste

• Bestandteile der Wortliste:

  • Wortpaare (z.B. Rose und Tulpe)

  • Einzelwörter ohne semantischen Bezug zu anderen Listenwörtern

  • Ein Primacy- und ein Recency-Buffer

• 2 Bedingungen

  • Wortpaare

  • Einzelwörter

• 1 Kategoriale Variable mit J Kategorien und Stichprobenhäufigkeiten n in den J Kategorien (N = Summe aus nj)

• Stichprobenhäufigkeiten resultieren aus N-maligem unabhängigem Ziehen aus einer Grundgesamtheit, in der J Kategorien die Wahrscheinlichkeiten pj haben, wobei die Summe aller p = 1

• pi bezeichnet den Vektor dieser Wahrscheinlichkeiten

• Stichprobenhäufigkeiten folgen dann einer Multinomialverteilung:

• pro Bedingung k wird eine kategoriale Variable mit J(k) Kategorien beobachtet

• Für jede der K Versuchsbedingungen gilt ein Multinomialverteilungsmodell wie hier:

• für die Beobachtungen in den unterschiedlichen Versuchsbedingungen wird Unabhängigkeit angenommen

• Einfaches oder verbundenes multinomiales Modell

• die Wahrscheinlichkeiten p werden als Funktionen sig. latenter Parameter q ausgedrückt -> pJ = fJ(q1, q2, …, qS)

• —> diese Funktionen bzw. Gleichungen sind die Modellgleichungen

• Menge aller möglichen Wertekombinationen der S latenten Parameter heißt Parameterraum W des Modells

• Kategorien J einer Variablen

• Stichprobenhäufigkeiten n (Summe aller n = N)

• Wahrscheinlichkeiten p (Summe aller p = 1)

• Versuchsbedingung k (Summe aller k = K)

• latente Parameter q

  • p = f(q)

• Parameterraum W

Modelle mit diesen Eigenschaften lassen sich als binäre probabilistische Ereignisbäume (kognitive Verarbeitungsbäume) repräsentieren

• Problem: Vektor von Parameterwerten soll so geschätzt werden, dass die vorgegebene Distanzfunktion zwischen den beobachteten Kategoriehäufigkeiten bei Modellgültigkeit ein Minimum annimmt

• häufig verwendete Distanzfunktion: Likelihood-Quotenstatistik G²

  • asymptotisch Chi²-verteilt

• Vergleich eines Modells MB mit einem alternativen Modell MA, wenn MB auf die gegebenen Daten passt

  • also wenn G²(MB) nicht signifikant ist

• typischer Fall: MA ist ein Spezialfall von MB

  • = “hierarchische Modellfamilie”

• G² verhält sich additiv

  • Wenn MA und MB gelten, sind G²A mit dfA und G²B mit dfB Chi²-verteilt

  • außerdem ist ihre Differenz Chi²-verteilt!

    • daher auch dfA-B = dfA-dfB

• vor dem Hintergrund bislang nicht verworfener Theorien oder Hypothesen begründbar und plausibel sein

• typische Datensätze in dem modellierten empirischen Paradigma adäquat beschreiben (-> Test soll NICHT signifikant werden)

• experimentell validiert sein

  • schwaches Kriterium: Für jeden Modellparameter sollte mind. 1 UV benennbar sein, mit der der Parameter in vorhersagbarer Weise beeinflusst werden kann

  • strenges Kriterium: Für jeden Modellparameter sollte mind. 1 UV benennbar sein, mit der der Parameter in vorhersagbarer Weise beeinflusst werden kann, während alle anderen Modellparameter durch diese UV unbeeinflusst bleiben

• Voraussetzung für statistische Analysen

• definiert als der Parameterraum W für MVB-Modelle

—> “Datenraum”: Parameterraum P des multinomialen Rahmenmodells ist die Menge möglicher Vektoren p von Kategoriewahrscheinlichkeiten der beobachteten diskreten Variablen

• Notwendige Bedingung: nicht mehr Parameter als unabhängige Kategoriewahrscheinlichkeiten

• Hinreichende Bedingung: Beobachtbare Äste

  • alle Äste münden in unterschiedliche empirische Kategorien ein

• theoriebasierte Annahmen

• Identifizierbarkeit

• Modellgüte

• Validität

• Nützichkeit

mentale Prozesse, die daran beteiligt sind, eine Information ihrer Quelle oder ihrem Ursprung zuzuordnen

• Ähnlichkeit von Zielitems und Distraktoren sollte den Itemrekognitionsparameter D beeinflussen

• Ähnlichkeit der Quellen sollte den Quellengedächtnisparameter d beeinflussen

• 3x3 Versuchsplan mit n = 216

-> Quellengedächtnismanipulation wirkt sich auf das Quellengedächtnis aus & nicht auf die Itemrekognition

-> Manipulation der Itemähnlichkeit wirkt sich auf die Itemrekognition aus & nicht auf das Quellengedächtnis

—-> D und d sind damit erfolgreich validiert

• Urteile, die auf phänomenologischen Merkmalen der Quellen basieren (z.B. perzeptuell, räumlich, zeitlich)

• Urteile, die auf Vorwissen basieren (z.B. Tom muss so etwas gesagt haben, weil er als einziger so etwas sagen würde)

Nutzen Menschen semantisches Wissen bei Quellenurteilen?

• 24 VPn, 96 Aussagen, 2 Quellen einer Aussage

• Innersubjektfaktor: Typikalität der Aussagen

  • Arzt vs. Anwalt vs. neutral

Hypothese: Wenn Menschen schemabezogenes Wissen beim Source Monitoring nutzen, sollte die Quellenidentifikationsrate für die Items höher ausfallen, die typisch für Ihre Quelle sind.

-> signifikante Interaktion Quelle x Typikalität

-> Ratebias gemäß MVB-Modell erfüllt (Ratewahrscheinlichkeit unterschiedlich für die 3 Bedingungen)

• gleicher Versuchsplan wie in Experiment 2, aber die Schemata werden schon während der Enkodierung aktiviert

-> Interaktion Quelle x Typikalität nicht signifikant

-> Ratebias nicht modellkonform (sprich: in allen 3 Bedingungen wurde gleich geraten)

Schemata während Enkodierung aktiviert (Exp.3)

-> Null-Kontingenz kann leichter erkannt werden

-> kontingenzbasiertes Raten

-> kein schemabasierter Ratebias

Schemata erst während Abruf aktiviert (Exp.2)

-> wahre Kontingenz schwerer zu erkennen

-> daher stärkerer Verlass auf schemabasierte Erwartungen

-> schemabasierter Ratebias

• Das 2HTSM-MVB-Modell des Source Monitoring wurde erfolgreich validiert

• Es gibt mehrere identifizierbare Submodelle

• Das Modell erlaubt es uns, Gedächtnis- und Urteilsprozesse getrennt zu untersuchen