petaaa

1. Theorien als Lösungsversuche:

   • Theorien werden als Versuche verstanden, Probleme zu lösen. Diese Lösungen sind Vermutungen oder Hypothesen. Laut Popper ist die Entstehung von Theorien nicht Inhalt der Wissenschaftstheorie, sondern der Psychologie.

2. Notwendige Schritte zur Prüfung einer Theorie:

   • Theorie und Zusatzannahmen: Eine Theorie enthält allgemeine Gesetzesaussagen sowie Zusatzannahmen über den Gültigkeitsbereich. Beispielsweise enthält die Theorie der operanten Konditionierung Zusatzannahmen darüber, wann und wie Belohnungen wirken.
   • Deduktion allgemeiner Gesetze: Aus der Theorie werden allgemeine Gesetzeshypothesen abgeleitet. Zum Beispiel könnte eine Hypothese der operanten Konditionierung sein, dass ein positives Verstärken eines Verhaltens dessen Auftretenswahrscheinlichkeit erhöht.
   • Deduktion konkreter Vorhersagen: Aus den Gesetzeshypothesen und Zusatzannahmen werden spezifische Vorhersagen abgeleitet. Zum Beispiel: Wenn ein Student unmittelbar nach einer Wortmeldung ein Stück Schokolade erhält, wird die Häufigkeit der Wortmeldungen zunehmen.

3. Prüfung der Vorhersagen:

4. Ergebnisse der Prüfung:

   • Positive Prüfung: Wenn die Vorhersagen mit den Beobachtungen übereinstimmen, gilt die Theorie als vorläufig nicht widerlegt und somit "vorläufig bekräftigt".
   • Negative Prüfung: Wenn die Vorhersagen nicht mit den Beobachtungen übereinstimmen, kann entweder die Theorie selbst oder eine der Zusatzannahmen falsch sein. In diesem Fall gelten die Theorie und/oder die Zusatzannahmen als widerlegt.

5. Hilfstheorien und Zusatzannahmen:

   • Die Herleitung prüfbarer Vorhersagen aus einer Theorie ist ohne Zusatzannahmen und Hilfstheorien nicht möglich. Hilfstheorien spezifizieren, wie abstrakte theoretische Konstrukte (wie Intelligenz oder Stress) beobachtet und gemessen werden können.

6. Bewährungsgrad einer Theorie:

   • Der Bewährungsgrad einer Theorie hängt von der Anzahl und Strenge der überstandenen Falsifikationsversuche ab.

klare Begrifflichkeit,

präzise und konsistente formulierte

Beziehungen zwischen Konstrukten

Sparsamkeit (Occam’s razor)

„riskante“ Vorhersagen

grosser Gültigkeitsbereich

überprüfbar

-> leicht falsifizierbar

Klare Begrifflichkeit

• Erklärung: Begriffe müssen eindeutig und konsistent definiert sein.
• Beispiel: Der Begriff "Angst" sollte klar und einheitlich definiert werden, z.B. als physiologische Reaktion oder subjektives Gefühl.

Präzise und konsistente Beziehungen zwischen Konstrukten

• Erklärung: Beziehungen zwischen theoretischen Konstrukten müssen klar und logisch formuliert sein.
• Beispiel: "Wenn auf ein Verhalten eine positive Verstärkung folgt, erhöht sich die Wahrscheinlichkeit dieses Verhaltens."

Sparsamkeit (Occam’s Razor)

• Erklärung: Theorien sollten so einfach wie möglich sein und keine unnötigen Annahmen enthalten.
• Beispiel: Eine Theorie mit weniger Annahmen wird bevorzugt, wenn sie die gleichen Beobachtungen erklären kann.

„Riskante“ Vorhersagen

• Erklärung: Theorien sollten spezifische und überprüfbare Vorhersagen machen, die leicht widerlegt werden können.
• Beispiel: „Wenn eine Person nach jeder erfolgreichen Aufgabenlösung sofort gelobt wird, wird ihre Leistung um 20 % zunehmen.“

Großer Gültigkeitsbereich

• Erklärung: Theorien sollten einen breiten Anwendungsbereich haben und viele Phänomene erklären können.
• Beispiel: Die Theorie der Evolution erklärt die Entwicklung aller Lebensformen.

Überprüfbar und leicht falsifizierbar

• Erklärung: Theorien müssen durch Experimente getestet und widerlegt werden können.
• Beispiel: Die Hypothese, dass alle Schwäne weiß sind, kann durch die Entdeckung eines schwarzen Schwans widerlegt werden.

Zusammenfassung

Gute Theorien nach Popper sind klar, präzise, sparsam, machen riskante Vorhersagen, haben einen großen Gültigkeitsbereich und sind überprüfbar sowie leicht falsifizierbar. Dies fördert den wissenschaftlichen Fortschritt durch kontinuierliche Prüfung und Verbesserung.

unklare (metaphorische) Begriffe,

vage Beziehungen zwischen

Konstrukten

hohe Komplexität

vage Vorhersagen, durch

Einschränkungen abgeschwächt

Vorhersagebereich durch

Zusatzannahmen eingeschränkt

nicht oder schwer überprüfbar

-> leicht falsifizierbar -> schwer (nicht) falsifizierbar

Unklare (metaphorische) Begriffe

• Erklärung: Begriffe sind vage und schwer zu definieren.
• Beispiel: Begriffe wie "Lebensenergie" oder "kosmische Kräfte".

Vage Beziehungen zwischen Konstrukten

• Erklärung: Beziehungen sind unklar und schwer zu spezifizieren.
• Beispiel: "Positive Energie fördert Gesundheit" ohne klare Definition.

Hohe Komplexität

• Erklärung: Theorien enthalten unnötig viele Annahmen.
• Beispiel: Eine Vielzahl nicht überprüfbarer Faktoren zur Erklärung einfacher Phänomene.

Vage Vorhersagen, durch Einschränkungen abgeschwächt

• Erklärung: Vorhersagen sind unspezifisch und schwer zu testen.
• Beispiel: "Menschen könnten sich besser fühlen, wenn sie möglicherweise mehr Wasser trinken, aber nur bei günstigen Sternenkonstellationen."

Vorhersagebereich durch Zusatzannahmen eingeschränkt

• Erklärung: Viele Bedingungen machen die Überprüfung schwierig.
• Beispiel: Eine Methode wirkt nur unter schwer erfüllbaren Bedingungen.

Nicht oder schwer überprüfbar

• Erklärung: Theorien machen keine klaren, testbaren Vorhersagen.
• Beispiel: Eine Heilung funktioniert nur, wenn der Patient daran glaubt.

Schwer (nicht) falsifizierbar

• Erklärung: Theorien sind so gestaltet, dass sie nicht widerlegt werden können.
• Beispiel: "Das Experiment hat nicht funktioniert, weil die Testperson nicht genug geglaubt hat."

Zusammenfassung

Pseudowissenschaftliche Theorien sind durch unklare Begriffe, vage Beziehungen, hohe Komplexität, unspezifische und eingeschränkte Vorhersagen, schwer überprüfbare Aussagen und mangelnde Falsifizierbarkeit gekennzeichnet, was sie unwissenschaftlich macht.

Kritischer Realismus

Hauptannahmen

• Existenz einer objektiven Realität: Es wird angenommen, dass eine Wirklichkeit (Realität) existiert, die unabhängig von unserem Bewusstsein ist.
• Gesetzmäßigkeiten der Realität: Diese Realität folgt bestimmten Gesetzmäßigkeiten, die durch wissenschaftliche Forschung erkannt werden können.
• Vorläufigkeit des Wissens: Unser Wissen über diese Gesetzmäßigkeiten bleibt grundsätzlich unsicher und vorläufig. Es gibt keine absolute Gewissheit, sondern nur Annäherungen an die Wahrheit.

Empirische Daten

• Theoriegeladenheit der Daten: Empirische Daten sind keine direkten Abbilder der Realität, sondern sind durch Theorien beeinflusst. Sie entstehen im Kontext von Forschung und sind daher nicht völlig objektiv.
• Kritische Überprüfung: Die Übereinstimmung der empirischen Daten mit der beobachteten Wirklichkeit (Basissatzproblem) und mit den theoretischen Begriffen innerhalb der Theorie (Korrespondenzproblem) muss kritisch überprüft werden.

Hilfs- oder Instrumententheorien

• Angemessenheit der Daten: Um die spezifische Theorie zu prüfen, ist es notwendig, Hilfs- oder Instrumententheorien zu entwickeln. Diese Theorien helfen dabei zu beurteilen, wie geeignet die empirischen Daten zur Prüfung der Haupttheorie sind.
• Theoretische und empirische Prüfung: Diese Hilfs- oder Instrumententheorien müssen wiederum theoretisch hergeleitet und empirisch überprüft werden.

Zusammenfassung

Der Kritische Realismus, eine unüberprüfbare Grundannahme des Kritischen Rationalismus, besagt, dass es eine objektive Realität gibt, die Gesetzmäßigkeiten folgt. Unser Wissen darüber ist vorläufig und unsicher. Empirische Daten sind theoriegeladen und müssen kritisch auf ihre Übereinstimmung mit der Realität und den theoretischen Begriffen überprüft werden. Hilfs- oder Instrumententheorien sind notwendig, um die Angemessenheit dieser Daten zu bewerten

Basissatzproblem

• Verzerrung oder Falschdarstellung: Empirische Daten können die Realität verzerrt oder falsch wiedergeben, weshalb die Frage aufkommt, ob die erhobenen Daten tatsächlich mit der Realität übereinstimmen.
• Beweis der Übereinstimmung nicht möglich: Es ist nicht möglich, die Übereinstimmung zwischen empirischen Daten und der Realität zu beweisen.
• Annahme durch Mehrheitsmeinung: Die Übereinstimmung wird von der Mehrheitsmeinung der Wissenschaftsgemeinschaft angenommen.
• Kontinuierliche Kritik: Das Urteil der Wissenschaftsgemeinschaft ist kontinuierlicher Kritik ausgesetzt.
• Empirische Daten als theoriegeladene Aussagen: Empirische Daten werden nicht als Fakten betrachtet, sondern als Aussagen, die von Theorien beeinflusst sind, und deren Gültigkeit von der Wissenschaftsgemeinschaft beurteilt wird.

Beispiel

• Zurückweisungsempfindlichkeit bei Binge Eating Störung: Als Beispiel wird die Zurückweisungsempfindlichkeit bei Personen mit Binge Eating Störung betrachtet. Die empirischen Daten, die zeigen, dass diese höher ist als bei Personen ohne psychische Störung, werden eher als Beschreibung wirklicher Sachverhalte betrachtet, wenn die Gruppen anhand standardisierter Kriterien eingeteilt und die Zurückweisungsempfindlichkeit mit etablierten experimentellen Methoden erfasst wurden.

Zusammenfassung

Das Basissatzproblem im Kritischen Rationalismus betrifft die Frage, ob empirische Daten die Realität korrekt widerspiegeln und wie deren Übereinstimmung mit der Realität beurteilt wird. Diese Beurteilung erfolgt durch die Wissenschaftsgemeinschaft, wobei empirische Daten als theoriegeladene Aussagen betrachtet werden, die kontinuierlicher Kritik unterliegen. Ein Beispiel illustriert die Komplexität der Bewertung empirischer Daten im Kontext psychischer Störungen.

Korrespondenzproblem

• Erfassung der Konstruktvalidität: Es stellt sich die Frage, ob die in einer empirischen Untersuchung erhobenen Indikatoren tatsächlich das erfassen, was mit den abstrakten theoretischen Begriffen (Konstrukten) gemeint ist, was als Konstruktvalidität bezeichnet wird.
• Unmöglichkeit des Beweises der Übereinstimmung: Es ist nicht möglich, die Übereinstimmung zwischen empirischen Daten und theoretischen Konstrukten zu beweisen.
• Kritische Diskussion und empirische Prüfung von Korrespondenzregeln: Die Regeln für die Korrespondenz zwischen Daten und Konstrukten müssen kritisch diskutiert und empirisch geprüft werden.
• Annahme durch Mehrheitsmeinung: Die Korrespondenz wird von der Mehrheitsmeinung der Wissenschaftsgemeinschaft angenommen.
• Empirische Daten als theoriegeladene Aussagen: Empirische Daten werden nicht als Fakten betrachtet, sondern als Aussagen, die von Theorien beeinflusst sind, und deren (vorläufige) Gültigkeit von der Wissenschaftsgemeinschaft beurteilt wird.

Zusammenfassung

Das Korrespondenzproblem im Kritischen Rationalismus betrifft die Frage, ob empirische Daten tatsächlich die theoretischen Konstrukte erfassen, die sie zu messen vorgeben. Die Beurteilung dieser Übereinstimmung erfolgt durch die Wissenschaftsgemeinschaft, wobei empirische Daten als theoriegeladene Aussagen betrachtet werden, über deren (vorläufige) Gültigkeit die Gemeinschaft urteilt.

Strenger Falsifikationismus

• Verwerfung bei widersprüchlicher Evidenz: Nach dieser Ansicht sollte eine Theorie verworfen werden, wenn sie widersprüchliche empirische Evidenz aufweist. Dies wird als strenger Falsifikationismus bezeichnet.
• Kritik von Popper: Karl Popper hält diesen Ansatz nicht für sinnvoll.

Festhalten an Theorie trotz widersprüchlicher Evidenz

• Einführung von Ad-hoc-Annahmen: Oft halten Wissenschaftler trotz widersprüchlicher Evidenz an ihrer Theorie fest und führen ad-hoc Annahmen ein, um diese zu retten.
• Beispiel mit der Bahn des Planeten Uranus: Als die Bahn des Planeten Uranus nicht den Keplerschen Gesetzen entsprach, postulierten Wissenschaftler wie Adams und Le Verrier einen neuen, bisher unentdeckten Planeten. Sie berechneten seine Bahn, und der vorhergesagte Planet, Neptun, wurde tatsächlich 1846 von Galle entdeckt.

Zusammenfassung

Der Text diskutiert die Herausforderungen bei der Falsifikation von Theorien und zeigt auf, wie Wissenschaftler manchmal trotz widersprüchlicher Evidenz an ihren Theorien festhalten und neue Annahmen einführen, um sie zu erhalten. Das Beispiel mit der Entdeckung des Planeten Neptun veranschaulicht, wie ad-hoc Annahmen genutzt werden, um die Theorie mit den empirischen Daten in Einklang zu bringen.

Problem des Holismus (Duhem)

• Theorien können nicht isoliert getestet werden: Theorien können nicht unabhängig voneinander getestet werden, sondern nur im Zusammenhang mit Zusatzannahmen.
• Unklarheit bei negativem Prüfungsergebnis: Bei einem negativen Prüfungsergebnis bleibt unklar, ob die Theorie oder die Zusatzannahmen falsch sind. Eine endgültige Falsifikation ist daher nicht möglich.
• Identifikation und Prüfung von problematischen Zusatzannahmen: Popper schlägt vor, problematische Zusatzannahmen unabhängig zu prüfen.
• Revision der Annahmen: Quine argumentiert, dass bei einem Scheitern der Prüfung alle Annahmen in Zweifel stehen. Die Revision sollte Annahmen betreffen, die die geringsten Auswirkungen auf unser Wissen haben.

Problem der Unterbestimmtheit von Theorien durch Daten

• Mehrdeutigkeit von Daten: Zu einer gegebenen Menge von Daten können mindestens zwei Theorien gefunden werden, die die Daten gleich gut erklären.

Zusammenfassung

Der Text beleuchtet grundlegende Probleme bei der Falsifikation von Theorien. Der Holismus betont die Schwierigkeit, Theorien unabhängig zu testen, und stellt die Endgültigkeit der Falsifikation in Frage. Die Unterbestimmtheit von Theorien durch Daten zeigt die Herausforderung auf, zwischen verschiedenen Theorien zu entscheiden, die gleichermaßen mit den Daten vereinbar sind.

Kritikpunkte:

1. Nicht-kumulativer Fortschritt: Wissenschaftlicher Fortschritt ist nicht kumulativ, da Falsifikation nicht zwangsläufig zur Ablehnung eines Forschungsparadigmas führt.

2. Immunisierungsversuche und Rückzugsgefechte: Bei Falsifikation versuchen Anhänger eines Paradigmas, ihre Theorie durch Immunisierungsversuche und Rückzugsgefechte zu verteidigen.

3. Irrationale und unvorhersehbare Paradigmenwechsel: Paradigmenwechsel sind irrational und nicht vorhersehbar, da sie nicht aufgrund besserer rationaler Argumente oder empirischer Belege erfolgen.

4. Inkommensurabilität: Verschiedene Paradigmen haben unterschiedliche Grundannahmen, was zu Inkommensurabilität führt. Dies bedeutet, dass sie unvereinbare theoretische und methodische Ansätze haben.

5. Generationswechsel: Ein neues Paradigma setzt sich durch, wenn die Anhänger des alten Paradigmas aussterben, nicht aufgrund falsifizierender Evidenz.

6. Anomalien und Hoffnung auf Weiterentwicklung: Falsifizierende Befunde werden als Anomalien betrachtet, die durch Weiterentwicklung der Theorie oder der Beobachtungsmethode ausgeräumt werden können.

Schlussfolgerung:

Empirische Falsifikation allein ist nicht entscheidend für die Verwerfung einer Theorie. Der wirkliche "Mörder" einer Theorie ist eine neue Theorie, die die empirischen Befunde erfolgreicher erklären kann. Solange keine neue verbesserte Theorie vorliegt, wird die alte beibehalten.

Grundkonzepte:

1. Theoriekern: Enthält die zentralen theoretischen Annahmen einer Theorie.

2. Zusatzannahmen: Spezifizieren die Bedingungen, unter denen der Theoriekern gültig ist, und bilden einen Schutzgürtel um ihn herum.

3. Heuristiken und methodologische Regeln:

   • Negative Heuristiken: Schützen den Theoriekern vor negativer empirischer Evidenz durch Einschränkung des Forschungsprogramms. Dies kann durch Hinzufügen neuer Zusatzannahmen oder Modifikation bestehender Zusatzannahmen sowie durch die Einschränkung des Gültigkeitsbereichs erfolgen.
   • Positive Heuristiken: Erweitern das Forschungsprogramm durch die Entdeckung neuer Probleme und Anwendungsbereiche sowie die Konstruktion neuer Modelle.

Ziel der Aktivitäten:

Das Ziel der Aktivitäten im Rahmen von Forschungsprogrammen ist die Ausweitung der Theorie durch das Auffinden neuer Anwendungsbereiche und Probleme. Die Forschungsprogramme entwickeln sich dynamisch weiter, indem sie auf neue Herausforderungen reagieren und ihre Reichweite erweitern.

Der Text beschreibt das Forschungsprogramm zur Theorie der Kognitiven Dissonanz gemäß der Arbeit von Festinger aus dem Jahr 1957:

Theoriekern:

• Verschiedene Kognitionen: Personen besitzen verschiedene Kognitionen, darunter Wissen, Annahmen, Bewertungen und Urteile über ihre Umwelt, sich selbst und ihr Verhalten.
• Verträglichkeit von Kognitionen: Kognitionen können entweder miteinander verträglich (konsonant) oder widersprüchlich bzw. unverträglich (dissonant) sein.
• Dissonanz und Spannungen: Das Vorhandensein von dissonanten Kognitionen führt zu Spannungen, die als negativ erlebt werden.
• Dissonanzreduktion: Personen versuchen, diese Spannungen zu reduzieren, indem sie ihre Kognitionen anpassen.

Zusatzannahmen:

• Betroffenheit des eigenen Selbst: Gefühlte Dissonanz tritt nur auf, wenn das eigene Selbst betroffen ist.
• Wichtigkeit der Kognitionen: Die Anpassung der Kognitionen hängt von ihrer Wichtigkeit für die Person ab. Je unwichtiger eine Kognition ist, desto eher wird sie im Prozess der Dissonanzreduktion angepasst.

Zusammenfassung:

Das Forschungsprogramm zur Theorie der Kognitiven Dissonanz untersucht, wie Menschen mit widersprüchlichen Kognitionen umgehen. Es postuliert, dass das Vorhandensein von dissonanten Kognitionen zu Spannungen führt, die Personen dazu motivieren, ihre Kognitionen anzupassen, um diese Spannungen zu reduzieren. Zusätzlich betont es, dass die Anpassung der Kognitionen vom Grad ihrer Wichtigkeit für die Person abhängt.

Der Text behandelt die Funktion empirischer Befunde im Rahmen eines Forschungsprogramms:

Rolle der empirischen Befunde:

• Anomalien: Problematische empirische Befunde werden als Anomalien betrachtet, die nicht zur Aufgabe eines Forschungsprogramms führen.
• Indikatoren für Unfruchtbarkeit: Ein Forschungsprogramm wird unfruchtbar, wenn sich Anomalien anhäufen und nicht gelöst werden können oder wenn keine neuen, progressiven Anwendungen entstehen.
• Entwicklung neuer Programme: Bei der Anhäufung von Anomalien kann dies zur Entwicklung neuer Forschungsprogramme führen.

Funktion der empirischen Befunde:

• Aufzeigen von Anomalien: Empirische Befunde zeigen Anomalien auf, mit denen sich die gegenwärtige Theorie konfrontiert sieht.
• Stimulierung der Entwicklung neuer Programme: Wenn Anomalien sich häufen, kann dies die Entwicklung neuer Forschungsprogramme stimulieren, die zumindest teilweise die Probleme der aktuellen Theorie lösen und neue Vorhersagen ermöglichen.

Zusammenfassung:

Empirische Befunde spielen eine entscheidende Rolle bei der Entwicklung von Forschungsprogrammen. Sie zeigen Anomalien auf, die zur Entwicklung neuer Programme führen können, wenn die Anomalien nicht gelöst werden können und das bestehende Programm unfruchtbar wird.

Kennzeichen einer wissenschaftlichen Hypothese
▪ Allgemeingültige über den Einzelfall hinausgehende Behauptungen
▪ Formalstruktur eines Konditionalsatzes
• wenn-dann-Satz, je-desto-Satz,
• wenn-Teil Antezedenz u.V, dann-Teil Konsequenz a.V.
▪ vorläufig
▪ überprüfbar
▪ potentiell falsifizierbar

Widerspruchsfreiheit
▪ Operationalisierbarkeit
▪ Prinzipielle Widerlegbarkeit
▪ Detaillierte Formulierung der Hypothesen vor der Datenerhebung

a) Forschungshypothese (theoretisch-inhaltliche H.) enthält nicht direkt beobachtbare theoretische Konstrukte und Relation zwischen diesen Konstrukten: Operationalisierung und Versuchsplan -> Bedeutungsverlust

b) Operationale Hypothese (empirisch-inhaltliche H.)
enthält operational definierte beobachtbare Begriffe und Definition der Relation zwischen diesen
Begriffen -> implizit zusätzliche Annahmen (z.B. Vorschriften zur Messung eines Konstrukts): Transfer auf statistische Ebene,
weil es Diskrepanz zwischen erhobenen Daten und den wahren Werten gibt

c) Statistische Vorhersage
z.B. Vorhersagen über Zusammenhänge zwischen Variablen, oder Mittelwertsunterschiede …
-> implizit zusätzliche Annahmen (z.B. Skalenniveau): Wahl des statistischen Prüfverfahrens

d) Statistische Testhypothesen H0, H1
Signifikanztest: Wahrscheinlichkeit, mit der empirisches Ergebnis auftreten könnte, wenn in Population
H0 gilt. -> implizite zusätzliche Annahmen (Voraussetzungen der Signifikanzprüfung, Power)

a) Wirksamkeitshypothese:
• Kognitive VT bewirkt bei depressiven Störungen eine Reduktion der
depressiven Symptomatik
b) Wirksamkeitsunterschiedshypothese:
• Kognitive VT reduziert bei einer depressiven Störung die depressive
Symptomatik wirksamer als eine Nicht-Behandlung
genauer machen via: Spezifizierung der Anfangsbedingungen:
• (z.B. Identifikation der Personengruppe, für die das Programm gilt)

▪ Alle theoretisch relevanten Konstrukte müssen spezifiziert
werden
    • Was ist kognitive VT?
     • Was ist eine depressive Störung?
     • Was ist eine depressive Symptomatik?
▪ Explikation = theoretische Festlegung
▪ Definition = Klärung des Sprachgebrauchs, stellt
intersubjektive Nachvollziehbarkeit sicher

▪ Nominaldefinition
--> zu definierender Begriff (Definiendum) wird durch bereits bekannte Begriffe (Definiens) festgelegt
− Z.B. „Organisationale Gerechtigkeit“ =
Wahrnehmung, die Beschäftigte von der Fairness am Arbeitsplatz haben
• nicht überprüfbar als wahr oder falsch
• fruchtbar für die Forschung, setzt Orientierung am aktuellen Forschungsstand voraus
  Intensionale Nominaldefinition
• Spezifizierung der Bedeutung des Begriffs durch Merkmale, die vorliegen müssen
• Auswahl der Merkmale entspricht dem Begriffsinhalt
− Z.B. Definition von gewalthaltigen Computerspielen
– Spieler übt im Spiel Gewalt aus
– Spieler kann töten
– Tötungshandlung ist für Spielerfolg wichtig
Extensionale Nominaldefinition
• Bestimmung des Umfangs eines Begriffs, über Liste von Beispielen
− Z.B. gewalthaltigen Computerspiele sind: „Counterstrike“, „Call of Duty“
--> Extensionale Nominaldefinition i.d.R. einfacher, aber weniger präzise als intensionale Nominaldefinition

▪ Operationalisierung:
Abstrakten theoretischen Konstrukten (Depression, Stress, Emotionen …) -> werden beobachtbare
Indikatoren zugordnet
• Auswahl von Messinstrumenten
− Ausprägungen auf Indikatoren werden numerische Werten zugeordnet ->
− numerische Werte werden zu einem Gesamtwert für das Konstrukt verrechnet (Messtheorie).
▪ -> Beobachtungsdaten werden unter spezifischen theoretischen Vorannahmen konstruiert
▪ -> Operationalisierung führt zu Reduktion des Gehalts der theoretischen Konstrukte
▪ Hintergrundwissen und Hilfshypothesen
Ungeprüfte Annahme, dass theoretische Konstrukte mit gewählter Operationalisierung
angemessen erfasst werden können
• Z.B. DSM-5 ermöglicht Diagnose von Major Depression reliabel und valide zu vergeben
• Z.B. BDI bildet Veränderung der Intensität der depressiven Störung reliabel und valide ab:
− BDI ist sensitiv für Veränderung
− Retrospektive Selbstbeschreibung ist zur Erfassung der Symptome geeignet
Mögliche Probleme z.B. retrospektiver Selbstbeschreibungen
– Mood congruent memory; Hindsight bias
– Bei retrospektiver Befragung überschätzen z.B. Patienten im Rückblick, die Häufigkeit, Dauer und Schwere von Panikattacken;
geschilderte physiologische Symptomatik entspricht nicht der subjektiven Wahrnehmung (Margraf et al.).
▪ Konkrete Randbedingungen der Untersuchung
• Z.B. Versuchsplan: Erhebungszeitpunkte, Anzahl Vergleichsgruppen;
• Einschlusskriterien für Zielgruppe

▪ Ableitungsvalidität
• Adäquatheit: Art der Beziehung wird auf die nächste Ebene transferiert
(z.B. ungerichtete oder gerichtete Hypothese)
• Erschöpfendheit: Informationsverlust bei der Übertragung auf die nächste Ebene soll
auf ein Minimum beschränkt werden
▪ Festlegen der Entscheidungsregel bei mehreren Teilvorhersagen
• strenges Kriterium: alle Teilvorhersagen treffen gleichzeitig zu
• wohlwollendes Kriterium: es genügt, wenn eine Teilvorhersage zutrifft

operationale Wirksamkeitshypothese:
• Patienten mit einer Major Depression (DSM-5), die mit kognitiver VT (nach Beck, 12
Sitzungen a 60 Min.) behandelt wurden, haben am Ende der Behandlung (Post-
Messung) deutlich geringere Scores im BDI als vor der Behandlung (Prä-Messung).

▪ Aussagen gelten jetzt für den „hypothetischen, durchschnittlichen
Patienten“
▪ Statistische Vorhersage bezieht sich ausschliesslich auf statistische
Kennwerte.
• Welche statistischen Kennwerte entsprechen der OH? (Prozentanteile, Mittelwerte,
Varianzen, Korrelationen)
▪ Hintergrundwissen und Hilfshypothesen über das Skalenniveau u.
Verteilung von Daten (z.B. Normalverteilung, Varianzhomogenität)
▪ Entscheidungsregel wird übertragen
▪ Ableitungsvalidität wird übertragen

Statistische Vorhersage
• Der Mittelwert des BDI-Scores der Post-Messung ist kleiner als der Mittelwert des BDI-
Scores der Prä-Messung

▪ Auswahl des statistischen Tests
▪ Kontrolle der Determinanten des Signifikanztests:
• Festlegung des Alpha Niveaus
• Planung der Stichprobengrösse (vor Beginn der Datenerhebung)
▪ Dichotomes Entscheidungskriterium für jeden einzelnen Signifikanztest:
 a) Beibehaltung der H0 und Zurückweisung der H1
 b) Zurückweisung der H0 und Annahme der H1

H1: Mittelwert Post <  Mittelwert Prä

H0: Mittelwert Post ist größer gleich  Mittelwert Prä

Statistische Vorhersagen
• SV1: In der KVT-Gruppe ist der Mittelwert des BDI-Scores kleiner als in der
Wartekontrollgruppe
und
• SV2: In der KVT-Gruppe ist der Mittelwert des BDI-Scores nicht grösser als in der
medikamentös (Venlafaxin) behandelten Gruppe (MG)

▪Statistische Testhypothesen
• Univariater F-Test: H0: 1 = 2 = 3; H1: i i´
− Die Indizes kennzeichnen die verschiedenen Gruppen:
1 = KVT, 2 = WKG, 3 = MG
− Der Index i bezeichnet eine der drei Gruppen , i‘ bezeichnet eine andere der 3 Gruppen
• Problem: F-Test ist Omnibustest, der die statistischen Vorhersagen nicht angemessen
prüft.
• -> Verletzung der Ableitungsvalidität

Lösung via: Im Vorfeld geplante einseitige Kontraste entsprechen den statistischen Vorhersagen

--> d.h. wie in der statisitk Klausur im Vorfeld kontraste setzen, so kann man auch den f test zielgerichtet interpretieren

Der Text beschreibt eine wissenschaftliche Studie und die damit verbundenen Behandlungsempfehlungen zur Verwendung von Aspirin zur Reduktion des Risikos von Herzinfarkten. Hier sind die wesentlichen Punkte zusammengefasst:

1. Studie der Physicians' Health Study Research Group (1988):

   • Fragestellung: Untersucht wurde, ob die tägliche Einnahme von Aspirin das Risiko, einen Herzinfarkt zu erleiden, reduziert.
   • Sample: Die Studie wurde mit 22.071 männlichen Ärzten durchgeführt.
   • Design: Es handelte sich um eine Doppelblindstudie mit randomisierter Zuordnung zu zwei Gruppen:
     • Eine Gruppe nahm täglich 325 mg Aspirin ein.
     • Die andere Gruppe nahm ein Placebo ein.
   • Ergebnis: Die Studie wurde vorzeitig abgebrochen, da es als ethisch nicht vertretbar angesehen wurde, der Kontrollgruppe das potenziell schützende Aspirin vorzuenthalten.

2. Aktuelle Behandlungsleitlinien der Deutschen Gesellschaft für Allgemeinmedizin (DEGAM) (2019):

   • Empfehlungen:
     • Allen Patienten mit stabiler Koronarer Herzkrankheit (KHK) sowie nach instabiler Angina und Myokardinfarkt soll niedrig dosierte Acetylsalicylsäure (ASS) angeboten werden.
     • Allen Patienten nach koronarer Revaskularisation (Wiederherstellung oder Verbesserung der Durchblutung eines Gewebes) soll, sofern verträglich, ASS lebenslang angeboten werden.
   • Diese Empfehlungen basieren auf einem hohen Evidenzgrad (Empfehlungsgrad A; Level of Evidence 1a).

Der Text zeigt, dass Aspirin eine wichtige Rolle in der Prävention von Herzinfarkten spielt und dies durch wissenschaftliche Studien und aktuelle medizinische Leitlinien gestützt wird.

Ergebnis war also, dass Aspirin signi besser funktioniert hat um herzinfarkte zu verhindern

Der Text beschreibt die Logik hinter der Signifikanzprüfung in der Statistik und deren methodische Grundlagen. Hier sind die Hauptpunkte zusammengefasst:

1. Grundlage: Zentraler Grenzwertsatz

   • Annahme der Null-Hypothese: Wenn die Null-Hypothese (die Annahme, dass es keinen Effekt oder Unterschied gibt) korrekt ist, kann die Verteilung der Stichprobenkennwerte (z.B. Mittelwerte) bestimmt werden. Diese Verteilung zeigt, mit welcher Wahrscheinlichkeit bestimmte Ergebnisse erwartet werden.
   • Vergleich mit Untersuchungsergebnissen: Das konkrete Resultat der Untersuchung wird mit dieser theoretischen Verteilung verglichen, um die Signifikanz zu testen.

2. Bedeutung des Signifikanztests

   • Keine Aussage über die Hypothesen: Der Signifikanztest gibt keine direkte Aussage über die Richtigkeit der Hypothesen, sondern nur über die Wahrscheinlichkeit der beobachteten statistischen Kennwerte unter der Annahme der Null-Hypothese.

3. Null-Hypothese in der realen Welt

   • Unrealistische Annahme: Die Null-Hypothese, dass der Unterschied zwischen Gruppen oder die Korrelation exakt 0 ist, ist in der realen Welt fast immer falsch (Cohen, 1995). Das bedeutet, dass in praktischen Anwendungen die Null-Hypothese selten komplett zutrifft.

Der Text erläutert also, dass die Signifikanzprüfung auf der Grundlage des zentralen Grenzwertsatzes basiert und dass die Interpretation der Ergebnisse vorsichtig vorgenommen werden muss, da die Null-Hypothese in realen Situationen selten exakt zutrifft.

Der Text befasst sich mit der Entscheidung über die Testhypothese im Rahmen von Signifikanztests und den damit verbundenen Fehlerrisiken. Hier ist eine Einführung in die Inhalte des Textes:

1. **Signifikanztests und Fehlerrisiken:**
   - **Signifikanztests** ermöglichen es, die Risiken von Fehlern abzuschätzen, wenn man eine Entscheidung über die Annahme oder Ablehnung der Nullhypothese (H0) trifft.

2. **Entscheidungsmatrix:**
   - Der Text stellt eine Matrix vor, die die möglichen Entscheidungen und deren Konsequenzen zeigt, basierend auf dem wahren, aber unbekannten Sachverhalt (ob H0 oder die Alternativhypothese H1 gilt):
     - **H0 gilt und H0 wird angenommen:** Richtige Entscheidung mit Wahrscheinlichkeit \(1 - \alpha\).
     - **H0 gilt und H1 wird angenommen:** Fehler der Übereifrigkeit (Alpha-Fehler) mit Wahrscheinlichkeit \(\alpha\).
     - **H1 gilt und H0 wird angenommen:** Fehler der Blindheit (Beta-Fehler) mit Wahrscheinlichkeit \(\beta\).
     - **H1 gilt und H1 wird angenommen:** Richtige Entscheidung mit Wahrscheinlichkeit \(1 - \beta\), auch als Teststärke bezeichnet.

3. **Fehlertypen:**
   - **Alpha-Fehler (\(\alpha\)):** Die Wahrscheinlichkeit, eine falsche Entscheidung gegen H0 zu treffen, wenn H0 tatsächlich gilt. Dies wird auch als Fehler der Übereifrigkeit bezeichnet.
   - **Beta-Fehler (\(\beta\)):** Die Wahrscheinlichkeit, eine falsche Entscheidung für H0 zu treffen, wenn H1 tatsächlich gilt. Dies wird auch als Fehler der Blindheit bezeichnet.

4. **Teststärke (\(1 - \beta\)):**
   - Die Teststärke ist die Wahrscheinlichkeit, die Alternativhypothese H1 korrekt zu identifizieren, wenn sie tatsächlich gilt.

Der Text erklärt somit die verschiedenen Entscheidungen und Fehlerrisiken, die im Kontext von Signifikanztests auftreten können, und hebt die Wichtigkeit der Berücksichtigung dieser Risiken bei der Interpretation der Testergebnisse hervor.

Die vier Determinanten des Signifikanztests sind zentrale Faktoren, die die Ergebnisse und Interpretation von Signifikanztests beeinflussen. Diese Determinanten sind:

1. **Alpha-Niveau (\(\alpha\))**:
   - **Definition:** Das Alpha-Niveau ist die festgelegte Schwelle für die Wahrscheinlichkeit, einen Fehler erster Art (Alpha-Fehler) zu begehen, also die Nullhypothese (H0) abzulehnen, obwohl sie wahr ist.
   - **Typischer Wert:** Häufig wird ein Alpha-Niveau von 0,05 verwendet, was bedeutet, dass man bereit ist, in 5% der Fälle einen Fehler erster Art zu akzeptieren.

2. **Beta-Niveau (\(\beta\)) und Teststärke (Power, \(1 - \beta\))**:
   - **Definition:** Das Beta-Niveau ist die Wahrscheinlichkeit, einen Fehler zweiter Art (Beta-Fehler) zu begehen, also die Nullhypothese (H0) anzunehmen, obwohl die Alternativhypothese (H1) wahr ist.
   - **Teststärke:** Die Teststärke ist die Wahrscheinlichkeit, die Alternativhypothese korrekt zu identifizieren, wenn sie tatsächlich wahr ist. Sie wird berechnet als \(1 - \beta\). Eine höhere Teststärke (z.B. 0,80 oder 80%) bedeutet eine geringere Wahrscheinlichkeit, einen Beta-Fehler zu begehen.

3. **Stichprobengröße (n)**:
   - **Einfluss:** Die Stichprobengröße hat einen direkten Einfluss auf die Teststärke und die Präzision der Schätzungen. Größere Stichproben führen zu kleineren Standardfehlern und erhöhen die Wahrscheinlichkeit, einen echten Effekt zu entdecken (höhere Teststärke).
   - **Praktische Bedeutung:** Bei kleinen Stichproben besteht ein höheres Risiko, dass der Test eine geringe Teststärke hat und somit echte Effekte möglicherweise nicht entdeckt werden (höheres Beta-Risiko).

4. **Effektgröße (d)**:
   - **Definition:** Die Effektgröße misst die Stärke des Phänomens oder den Unterschied zwischen Gruppen, den der Test erkennen soll. Sie ist unabhängig von der Stichprobengröße.
   - **Einfluss:** Größere Effektgrößen sind leichter zu entdecken und führen zu einer höheren Teststärke bei gegebener Stichprobengröße und Alpha-Niveau.
   - **Berechnung:** Effektgrößen können auf verschiedene Weisen berechnet werden, je nach Art des Tests (z.B. Cohen's d für Mittelwertsdifferenzen, Pearson's r für Korrelationen).

Der Text erklärt das Konzept der Power (Teststärke) in der Statistik und die Faktoren, die sie beeinflussen. Hier sind die wichtigsten Punkte zusammengefasst:

1. **Definition der Power:**
   - Power oder Teststärke wird als \(1 - \beta\) definiert, wobei \(\beta\) die Wahrscheinlichkeit eines Fehlers zweiter Art (Beta-Fehler) ist.
   - Sie gibt an, mit welcher Wahrscheinlichkeit ein in der Population vorhandener Effekt in der konkreten Stichprobe statistisch nachgewiesen werden kann (signifikant wird).

2. **Einflussfaktoren auf die Power:**
   - **Alpha-Niveau:** Ein niedrigeres Alpha-Niveau (Wahrscheinlichkeit eines Fehlers erster Art) reduziert die Power. Je strenger das Kriterium für Signifikanz, desto schwieriger wird es, einen echten Effekt zu entdecken.
   - **Größe des Effekts:** Größere Effekte sind leichter zu entdecken, was die Power erhöht. Ein großer Effekt führt zu einer höheren Wahrscheinlichkeit, dass der Test signifikant wird.
   - **Größe der Stichprobe:** Größere Stichproben erhöhen die Power, da sie zu präziseren Schätzungen und kleineren Standardfehlern führen.

3. **Verständnis der Power:**
   - Die Power beantwortet die Frage: Wenn das gleiche Untersuchungsdesign 100-mal mit gleich großen Stichproben wiederholt würde, wie oft würde die Nullhypothese korrekt zurückgewiesen werden, falls in der Population tatsächlich ein Effekt der postulierten Größe existiert?
   - Eine hohe Power bedeutet, dass es wahrscheinlicher ist, einen echten Effekt zu entdecken und somit die Nullhypothese korrekt abzulehnen.

Der Text betont somit die Bedeutung der Power in der statistischen Testung und die Faktoren, die sie beeinflussen, um sicherzustellen, dass echte Effekte in der Forschung entdeckt und falsch-negative Ergebnisse minimiert werden.

Der Text erklärt das Konzept der Effektgröße bzw. Effektstärke in der Statistik und beschreibt, wie sie gemessen wird. Hier sind die wichtigsten Punkte zusammengefasst:

1. **Definition der Effektgröße:**
   - Die Effektgröße (Effektstärke) ist ein Maß für die Größe des Unterschieds zwischen den Parametern, die der Nullhypothese (H0) und der Alternativhypothese (H1) entsprechen.

2. **Unterschied zwischen zwei Gruppen:**
   - **Cohen's d:** Dies ist ein standardisiertes Maß für den Unterschied zwischen zwei Gruppen (z.B., Experimentalgruppe und Kontrollgruppe) in der Population.
     - **Formel:**  d=  (Mittelwert Experimentalgruppe - Mittelwert Kontrollgruppe)/ wobei \(\mu_{EG}\) und \(\mu_{KG}\) die Mittelwerte der Experimental- bzw. Kontrollgruppe sind, und \(\sigma\) die Standardabweichung ist. --> standardabweichung entweder gepoolt, also quadriert oder normal aber auf jeden fall immer von kontroll und experimentalgruppe
     - **Interpretation:**
       - \(d = 0.8\) (großer Effekt, 69% Überschneidung): Beispiel – Unterschied in der Körpergröße von 13- und 18-jährigen Mädchen.
       - \(d = 0.5\) (mittlerer Effekt, 80% Überschneidung): Beispiel – Unterschied in der Körpergröße von 14- und 18-jährigen Mädchen.
       - \(d = 0.2\) (kleiner Effekt, 92% Überschneidung): Beispiel – Unterschied in der Körpergröße von 15- und 16-jährigen Mädchen.

3. **Korrelationskoeffizient (r):**
   - Misst die Enge des linearen Zusammenhangs zwischen zwei Variablen.
     - **Interpretation:**
       - \(r = \pm 0.50\) (großer Effekt, 25% gemeinsame Varianz)
       - \(r = \pm 0.30\) (mittlerer Effekt, 9% gemeinsame Varianz)
       - \(r = \pm 0.10\) (kleiner Effekt, 1% gemeinsame Varianz)

4. **Weitere Maße der Effektgröße:**
   - Es gibt verschiedene andere Maße für die Effektgröße, die je nach statistischem Test unterschiedlich sind.

Der Text erläutert, wie die Effektgröße für eine Studie festgelegt werden kann, indem verschiedene Schätzmethoden verwendet werden. Hier sind die Hauptpunkte zusammengefasst:

1. **Festlegung der in der Population erwarteten Effektgröße:**
   - **Schätzung basierend auf Ergebnissen einer Pilotstudie:**
     - Wenn eine Pilotstudie durchgeführt wurde, können die Ergebnisse dieser Studie verwendet werden, um eine Schätzung der Effektgröße zu erhalten.
   
   - **Schätzung basierend auf Forschungsliteratur:**
     - Ergebnisse aus früheren Studien, einschließlich einzelner Studien oder Metaanalysen, können herangezogen werden, um die erwartete Effektgröße zu schätzen. Dies gibt eine fundierte Basis, die auf bestehender Forschung basiert.

   - **Schätzung basierend auf theoretischen Annahmen:**
     - Man kann theoretische Modelle oder Annahmen über die Natur des untersuchten Phänomens verwenden, um eine erwartete Effektgröße abzuleiten.

   - **Postulieren eines mittleren Effekts bei fehlendem Vorwissen:**
     - Wenn keine konkreten Informationen oder Vorwissen verfügbar sind und es nicht unplausibel ist, kann angenommen werden, dass in der Population ein mittlerer Effekt existiert. Dies bietet eine pragmatische Ausgangsbasis für die Planung der Studie. --> wenn man nur den kleinen effekt postulieren würde dann würde das ne hella kleine varianzaufklärung ergeben und dann würds sich fast ned lohnen dafür ressourcen zu verschwenden

Der Text betont, dass es mehrere Methoden gibt, um die erwartete Effektgröße zu schätzen, und dass die Wahl der Methode von den verfügbaren Informationen und der spezifischen Forschungsfrage abhängt.