The ladder of causation
I) Beobachten (aus Daten lernen): Interessantes und Regelmäßigkeiten entdecken (Statistische Modelle) - “Wenn ich A sehe, dann…)
II) (Aktive) Intervention/Beeinflussung: Kausale Zusammenhänge aufstellen (Kausale Modelle) - “Wenn ich A tue, dann…?”
III) Kontrafaktisches Prüfen/Vorstellen: Kausale Zusammenhänge sicherstellen (Experimente, randomized controlled trial) - “Wenn ich A nicht getan hätte, dann…”
Ziele der Psychologie als Wissenschaft
Beschreiben
Erklären
Vorhersagen
Verändern
Beobachten
Begriffsbidlung: Definieren und Differenzieren
Beziehungen aufdecken/beschreiben
Aufzeichnen von Ereignissen oder Phänomene, die von Interesse sein können
Begriffsbildung
Benennen und Definieren > eindeutige Begriffe
Nominaldefiniton: Standardisierung eines Begriffes durch Übereinkunft > Konvention und Ersatz durch andere Begriffe
Realdefinition: Wiedergabe der wesentlichen Merkmale eines Begriffs > empirische Hypothese, was Begriff meint (evt. noch nicht vollständig)
Begriffsanalyse: Konstitutive (notwendige und hinreichende) Merkmale eines Begriffes nach beobachtbarem Gebrauch (Grenzfälle identifizieren)
Operationale Definition: Gibt vor, wie ein Begriff methodisch gebraucht/gemessen wird (anhand Kriterien)
Operationalisierung
“Ein Konzept/einen Begriff erfassbar und messbar machen”
Definition einer Messregel/Messinstruments, mit dem das Konzept erfasst werden kann
Fehlschlüsse (z.B. “die” Depression als definierter Begriff und nicht als individuell ausgeprägtes und kombinierbares Phänomen)
Strikte Unterteilung in 3 Ebenen
Konzepte/Begriffe/Annahmen (hypothetische Konstruke, Manifestiertes Urteil)
Indikatoren (Operationalisierung, Proximale Merkmale)
Empirische Realität (Distales Merkmal)
Komobilitäten
Variablen
“Variable = veränderliche Größe”
Qualtitativ/Nominal: Ausprägung einer Beschaffenheit
Quantitativ: Ausprägung nach Skala mit Zahlenwerten
Abstrakt: nicht direkt beobachtbar (Hypothetische Konstrukte, latente Variablen), viel Interpretationsleistung (z.B. bei Intelligenz messen)
Konkret: direkt beobachtbar
Komplex: viele Bedeutungsaspekte
Einfach: Ein Bedeutungsaspekt
Beziehungen beschreiben / Korrelationen
positiver Zusammenhang: je mehr X, desto mehr Y
negativer Zusammenhang: je mehr X, desto weniger Y
Korrelation (Pearsons r)
(Bild von Formel)
Kovarianz = durchschnittliche Abweichung eines Punktes zum jeweiligen Mittelwert
Gesamtvarianz = richtungsabhängige Gesamtstreuung
Korrelation ist ein statistisches Modell, fehleranfällig
Gleicher Mittelwert & gleiche Korrelation ≠ gleicher Zusammenhang > Fehlinterpretation (verschiedenste Werte können den gleichen Mittelwert ergeben, in Wahrheit aber einen ganz anderen Zusammenhang darstellen)
Beziehungen / Korrelation bedeutet nicht Kausalität
Prüfung der Kausalität
Koninzidenz, kausaler Zusammenhang mit dritter Variable
Ursache-Wirkungs-Beziehung zwischen zwei Variablen
Unabhängige und Abhängige Variable
Ursache-Wirkung bedeutet Kausalität
Wenn ich etwas in UV ändere, ändert sich etwas in A
Wenn ich nichts in UV ändere, ändert sich nichts in AV
Erklärung erster Ordnung: direkter Zusammenhang
UV beeinflusst AV
Erklärung zweiter Ordnung: Zusammenhang über intervenierende (Mediator-)Variable (hypothetisches Konstrukt)#
UV beeinflusst IV (!) beeinflusst AV
Theorien / Hypothesen
Theorie: Ein System von Aussagen (Hypothesen, angenommen Kausalzusammenhängen), das komplexe Phänomene erklärt. Das System umfasst mehrere Hypothesen oder Gesetze,
Komponenten:
(Hyptothetische) Konstruke: Konstrukte (z.B. Ängstlichkeit operationalisiert als X) und Definitionen
Hypothesen/Erklärungen/Propositionen/Gesetze: Ursache-Wirkungs-Beziehungen zwischen Konstrukten
Vorläufige (vermutete) Antworten die Forscher auf Fragen geben
Kausalaussagen (wenn, dann; je, desto)
Widerspruchsfrei (intern und extern, widerspricht sich nicht selbst und auch noch dem “allgemeinen” angenommen, gültigen Wissen)
Widerlegbar > Geltungsbereiche
Überprüfbarkeit: Operationalisierbar
Universelle Hypothese: Wenn, dann
Beschränkt universelle Hypothese: Wenn + wenn, dann
Quasi-universelle/statistische Hypothesen: Wenn, dann zumeist (Wahrscheinlichkeit eines statistischen Zusammenhangs, da Menschen sehr unterschiedlich sind)
Randbedingungen: Konkrete Bedingungen und Annahmen (z.B. Operationalisierung)
The Scientific Method / Prüfen von Hypothesen
Formulieren einer Frage
Aufstellen einer Hypothese
Vorhersage des Ergebnisses (Operationalisierung, Messbarkeit der Variable)
Durchführen eines Experiments
Kausalzusammenhang beobachten (wenn A, dann B)
Kontrafaktisch arbeiten (wenn nicht A, dann nicht B)
Analyse der Daten und Vergleich mit Vorhersage
Operationalisierung von Hypothesen
Forschungshypothese (allgemein formuliert, Festlegung der Population)
Operationalisierung > Validität
Operationale Hypothese / “Empirisch-inhaltliche Hypothese”
Festlegung der Untersuchungspopulation
Konkrete Manipulation für UV
Konkretes Maß für AV
Vorhersage für AV
Check: Falsifizierbar
Statistische Hypothese (op.) / Statsische Vorhersage, Testhypothese
Nullhypothese (kein Zusammenhang wenn zutreffend)
Alternativhypothese (Zusammenhang wenn zutreffend), Forschungshypothese
Statistische Testgröße (Mittelwert, Korrelation, …)
Gerichtet vs unterrichtet
Spezifisch (A=) vs unspezifisch (A>B)
Beispiele:
Forschungsfrage: Haben Kleinkinder Ahnung von Schwerkraft
Forschungsfrage: NUtzen Menschen visuelle Bilder zum Denken?
Prüfung statistischer Modelle
Das Varianzmodell am Beispiel t-Test
Mittelwertsvergleich (Fehlerbalken, Varianz beachten)
Mittelwert und Varianz
Unterschiede zwischen Gruppen (Mittelwertsvergleich, systematische Varianz)
Unterschiede innerhalb einer Gruppe (Fehlervarianz)
Randbedingungen
= erforderliche Gegebenheiten und (implizite) Annahmen, in welchen die Theorie anwendbar ist
Konkrete Umgebenungsparameter
Ceteris paribus Klausel: unter der Bedingung, dass alles andere gleich ist (“stabile”/gleiche Randbedingungen)
Generelle Annahmen:
objektive Realität
kausale Zusammenhänge
Paradigmatische Annahmen:
Behaviorismus: nur Beobachtbares existiert
Kognitivismus: latente Variablen (hypothetische Konstrukte)
Bereichs spezifische Annahmen:
kulturelle Normen
Wege der Operationalisierung
Kriterien guter Theorien
Innere Widerspruchsfreiheit (Konsistenz)
Äußere Widerspruchsfreiheit (Hintergrundwissen/Verbindung zu anderen Theorien)
Erklärungswert (möglichst hoch)
Prüfbarkeit (Wiederlegbarkeit)
Testerfolg (mehrfache Belege / Widerstandsfähigkeit)
Arten von Erklärungen und Theorien
Physikalische Strategie
Suche nach Erklärungen durch Reduktion des Gegenstand auf physikalische Gesetze
Erklärung / Vorhersage basieren auf kausalen Annahmen des kleinsten Materiellen (Konstrukte) / grundlegendste Gesetze der Materie
atomare Bestandteile
Problem der Komplexität
Funktionale Strategie
Suche nach Erklärungen auf Basis des Zwecks / der Funktion des Systems
Demiurgisches Prinzip, z.B. Evolutionstheorie “Wie muss ich das System bauen, damit es überlebt (“funktioniert”)?”
Erklärung / Vorhersage auf kausalen Annahmen über Wirkzusammenhängen von Systembestandteilen (Konstrukte)
Ableitung von Mechanismen und Prozessen aus Funktionszweck des Systems (Erklärung anhand des Bauplans)
Problem der Komplexität und der Nichtreduzierbarkeit
Intentionale Strategie
Suche nach Erklärung auf Basis von Zielen und Wünschen des Systems als Person
Erklärung / Vorhersage af kausaler Annahmen von Wünschen und Zielen (Konstrukte)
Problem der Annahme einer rationalen und deterministischen Verknüpfung von Wünschen/Zielen und Verhalten
passiert beim Mensch automatisch, wenn andere Strategien an der Komplexität des Systems scheitern
Alltagsintuition: Annahme von Wünschen und Zielen Anderer zur Vorhersage derer Verhalten, auch wenn funktional erklärbar / Funktionalität oder tatsächliche Erklärung bekannt ist
Verstehen als wissenschaftlicher intentionaler Ansatz
Erklären: Theorien als Verallgemeinerung von Individuen
Suche nach allgemeingültigkeit Gesetzen
nomothethischer Ansatz
Naturwissenschaft, quantitativ, physikalisch-funktional
Alternativer wissenschaftlicher Ansatz des Verstehens: Theorie als Verständnis des Individuums in seinem sozialen / historischen Kontext und seiner Handlung auf Basis von Gründen / Intentionen
Suche nach individueller Bedingtheit und Sinnhaftigkeit
idiographischer Ansatz
Geistes- / Sozialwissenschaft, qualitativ, intentional
Andauernde Spannung (Methodenstreit) in Forschung und Therapie
Kausale formale Modelle als funktionaler Ansatz
Modelle als formalisierte Theorien
Modell als Replikation / Abbild eines Realitätsausschnitts
Vereinfachte Abbildung eines realen Systems auf Bild
Fokus auf wesentliche Merkmale und Funktion
Funktion des Systems
Wesentlich/unwesentlich abhängig von Erkenntnisinteresse
Reduktion von Komplexität unter Erhaltung der Funktion
Modellarten:
Realmodelle, z.B. Tiermodell (evtl. auch übertragbar auf den Menschen)
Ikonische Modelle: z.B. Modelleisenbahn (ähnliches Verhalten, erfüllt aber nicht die selbe Funktion)
Verbalmodelle: natürliche Sprache > Psychologische Theorien (oft unter Auslassung von Randbedingungen)
Formalmodell: mathematische Gleichungen, Computerprogramme (Simulation)
Beispiel Neuronales Deep-Learning Netz
System differenziert anhand Analyse (z.B. Features bei Gesichtserkennung) und kategorisiert Kombinationen
System lernt anhand auftretender Bildstatistik durch Veränderung synaptischer Verbindungsstrken zwischen Neuronen
(quasi Reduktion der Neuronenanzahl durch Projektion / Anwendung der Differntial-Gleichung)
Vorteile formaler Theorien / Modelle
Explizität und Abgeschlossenheit: explizierte Definition verwendeter Konstrukte und Kausalzusammenhänge und Explizierung implizierter Annahmen
Standardisierung und Objektivität: “Standardisierung der Terminologie”, errleichterte Kommunikation zw. Disziplinen
Allgemeinheit und Minimierung: Eliminierung unwesentlicher Züge und Formulierung minimal nötiger Annahmen
Ableitungen: Vorhersagen und Spezifikation der Randbedinungen
Nutzung von (kausalen) Zusammenhängen für Vorhersage
Prädiktorvariable < — > Kriteriumsvariable
Prognose-Modell
Einfluss auf Kriteriumsvariable (Effektgröße. ”Korrelationsstärke”)
verschiedene Prädiktorvariablen mit verschiedener Gewichtung
Statistische Prognose: Prognosegüte in % der untersuchten Fälle
Individuelle Prognose: Wahrscheinlichkeit für Zutreffen auf Individuum
Prognosegüte ist abhängig von:
Operationalisierung der Variablen
Zeitraum
Auswahl und Gewichtung der Prädiktoren
Vorhersage ohne Erklären
rein statistischer Prozess
Statistische/Prognose-Modelle
Beispiel: Regressionsmodell
Statistisches Modell
Ziel: Präzise Abbildung bestehender Daten (Präzise Vorhersage, Zahlenaussagen, richtungsunabhängig)
Kausalverständnis (Erklärung) nicht notwendig
Explanative (kausale) Modelle
Beispiel: neuronales Netz-Modell
Synthetisches qualitatives Modell (zusammengesetzt)
Ziel: Erklärung eines Phänomens durch zugrundliegende Mechanismen (Neue (qualitative) Vorhersage von Phänomenen)
Kausalverständnis (Erklärung) als Ziel
Machine Learning & Big Data
“With enough data, the users speak for themselves.”
Bayesian Brain Hypothesis
sensorische Daten sind hochgradig vieldeutig - Frage der Wahrnehmung und entsprechenden Handlung
Theorie der internen Erwartungen (predictions) und Anpassung der Erwartung anhand des unerwarteten sensorischen Inputs
z.B. Wie wahrscheinlich leide ich an einer Krankheit, wenn der Test dafür positiv ist?
Arten der Veränderung
Korrektur
Problematischer Zustand > Besserer Zustand
Förderung
Neutraler Zustand > Besserer Zustand
Prävention
Guter Zustand ≠> Schlecher Zustand
Forschungsprozess - Induktion
vom Besonderen zum Allgemeinen (“verallgemeinern”, abstrakt machen)
Metatheorie > (Beobachtungslernen) > Theorie < Hypothese < Einzelfälle, Beobachtungen
Metatheore zu Aufmerksamkeit, Gedächtnis, Motivation, Emotion
z.B. Aggression nach Fernsehen (aggressiver Film) > “Kind ahmt nach” > Aggressive Filme führen zu aggressivem Verhalten
Induktion
Induktives Schließen aus Beobachtungen
Methode der Übereinstimmung (Bei Situation A+X und B+X tritt Y auf, also muss X zu Y führen)
Methode des Unterschieds (In Situation A+X tritt Y auf, aber bei ausschließlich Situation A tritt Y nicht auf, also muss X zu Y führen)
Methode der Resterscheinung (Wenn ich A mache führt das zu B, wenn ich A und X machen und dass zu B und Y führt, dann führt X zu Y)
Methode der begleitenden Veränderungen (Bei Situation A + X tritt Y auf und bei mehr A bei A+X tritt Y genauso stark auf. Wenn X bei A+X mehr auftritt, tritt aber auch Y mehr auf (begleitende Veränderung), also muss X zu Y führen)
Arten induktiver Schlüsse
Verallgemeinerung
Etwas gilt für A und B (Ähnlichkeit der Elemente) > es gilt auch für C
Teilschluss
wenn ich X und Y über A weiß und B wirkt wie A > dann gilt für B auch x und y
Statistischer Schluss
wenn x bei Teiler der Klasse A zu p% auftritt > dann tritt es bei allen A zu p% auf
Nachteile
Induktion ist intuitiv und alltäglich, aber problembehaftet (unzuverlässig und logisch untauglich für sicheres Wissen)
Reines Sammeln von Beobachtungen ≠ Theorie
Interpretationsleistung notwendig, Grundzusammenhang nötig
Implizite Theorien und soziale Bedingtheit
Fehlschlüsse
Unabschließbarkeit (Induktionen beschließen sich selbst, “Selbstprophezeihung”)
Zirkularität (induktiver Schluss auf Gültigkeit der Induktion)
Forschungsprozess - Deduktion
Vom Allgemeinen zum Besonderen
Metatheorie > (Kognitivismus) > Theorie > (Beobachtungslernen) > Hypothese > Einzelfälle
Hempel-Oppenheim-Schema
deduktiv-nomologische Erklärung
(ableitend-gesetzesmäßig)
Aus Erklärtem (Theorie, das Explanans) wird das Erklärte (das Explanandum) abgeleitet
Anwendungsbedingungen / Randbedingungen | Gesetz | Theorie
> Deduktion / Ableitung
Zu erklärendes Ereignis
> Verifikation? | > Falsifikation?
Verifikation: ist “wahr” / für “alles” zutreffend
Falsifikation: ist solange “wahr”, bis man was “falsches” gefunden hat
Konsequenz für die Hypothesenprüfung
(Popper: Kritischer Realismus)
Aufstellen kühner Hypothese und diese schärfster Kritik aussetzen (“Empirismus”) um Fehler zu finden
Widerlegbarkeit
Angabe, wann Theorie falsch ist
Formulierung von Hypothese / Erwartung vor Untersuchung
Last changeda year ago