Set of flashcards Klausur SS16 (Page 2 of 3)

Flashcards	89
Students	16
Language	Deutsch
Category	Quizzie
Level	Other
Created / Updated	24.08.2016 / 25.02.2023
Weblink	https://card2brain.ch/box/klausur_ss16
Embed	<iframe src="https://card2brain.ch/box/klausur_ss16/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Was trifft im Kontext von hierarchischen linearen Modellen zu?

Beachtet man die hierarchische Struktur in den Daten nicht, besteht die Gefahr falscher Schlüsse (z.B. ökologischer Fehlschluss).

Im Rahmen von HLM können Prädiktoren nur auf der untersten Ebene berücksichtigt werden.

Hierarchische Datenstrukturen sind solche, bei denen untere Einheiten in übergeordnete verschachtelt sind.

Eine Cross-Level-Interaktion bezeichnet eine Interaktion zwischen Prädiktoren auf unterschiedlichen Ebenen.

HLM sind Regressionsmodelle, die eine hierarchische Datenstruktur berücksichtigen.

In der Studie von Pehrson, Vignoles u Brown (2009) interessiert der Zusammenhang zwischen nationaler Identifikation u. Vorurteilen gegenüber Immigranten. N=37000, 31 Länder. MR nationale Identifikation „citizenship def.“, „linguistic def.“. Welche Aussage ist richtig? (Dazu wurden sicherlich Tabellen präsentiert)

Autoren gehen von einer Cross-Level-Interaction aus.

Höhere Identifikation geht mit Vorurteilen einher, auf individueller als auch auf Länderebene.

Annahme der Autoren nur für die moderierende Wirkung der Definition von Nation über die Staatsangehörigkeit bestätigt.

Standardschätzer der Cross-Level-Interaction zu „linguistic def.“ ist 0.29

GDP (Bruttoinlandsprodukt) verstärkt den Effekt von nationaler Identifikation auf Vorurteile auf individueller Ebene.

Poteat und Spanierman (2010) haben sich in ihrer Untersuchung für den Einfluss ideologischer Überzeugungen (Autoritarismus und soziale Dominanzorientierung) von Mitschülerinnen auf die individuellen Vorurteile von Schülerinnen interessiert. Hierzu haben sie eine Stichprobe von N= 395 Schülerinnen deren Werte in Autoritarismus (RWA), sozialer Dominanzorientierung (SDO) und Vorurteile erhoben. Die Schülerinnen konnten dabei N = 109 Freundschaftsgruppen zugeordnet werden. Als Indikatoren für die Ideologie der jeweiligen Peers (Freundinnen) haben sie deren Mittelwert in RWA und SDO in die Auswertung genommen. In zwei HLM, einmal mit negativen Einstellungen gegenüber Homosexuellen (ATLG) als Kriterium, einmal mit Vorurteilen (MRS) als Kriterium haben sie auf Ebene 1 die am Gruppenmittelwert zentrierten RWA- und SDO- Werte der Peers sowie die Cross-Level-Interaktionen zwischen den individuellen Ideologien und derer der Peers berücksichtigt. Auf den folgenden Seiten finden Sie die Ergebnisse der Studie (Tabelle 2, Tabelle 3) zusammengefasst. Höhere Werte in den Skalen gehen immer mit höheren Ausprägungen in den Merkmalen einher.

Je höher das individuelle Ausmaß in RWA und SDO, desto stärker die Vorurteile.

Je höher das individuelle Ausmaß in RWA und SDO, desto negativer die Einstellungen gegenüber Homosexuellen.

Je höher das Ausmaß in RWA und SDO der Peers, desto stärker die Vorurteile.

Je höher das Ausmaß in RWA der Peers, desto stärker positiv ist der Zusammenhang zwischen individuellem RWA und negativen Einstellungen gegenüber Homosexuellen.

Je höher das Ausmaß in SDO der Peers, desto schwächer positiv ist der Zusammenhang zwischen individuellem SDO und Vorurteilen.

Welche Aussagen treffen zur Intraklassen-Korrelation zu?

Der Kennwert kann zwischen 0 und +1 variieren.

Eine Intraklassenkorrelation von 0 deutet auf einen starken Einfluss des Kontexts hin.

Im Falle von Längsschnittdaten zeigt eine Intraklassenkorrelation von 0 an, dass es keine Variabilität in dem Kriterium zwischen den Messzeitpunkten gibt

Die Intraklassenkorrelation setzt Varianzen auf den unterschiedlichen Analyseebenen ins Verhältnis.

Wenn der Kennwert +1 beträgt, dann ist die gesamte Variant auf Unterscheide zwischen Level-2-Einheiten zurückzuführen.

Welche der folgenden Aussagen bezogen auf Hierarchische Lineare Modelle sind richtig?

Die Modellparameter werden mit der Methode der kleinsten Quadrate geschätzt.

Der Parameter u1j gibt die spezifischen Abweichungen der übergeordneten Analyseeinheiten (z.B. Schule) vom vorhergesagten, durchschnittlichen intercept an.

Ist die Varianz in dem Parameter uj1 signifikant, spricht man von einer Cross-Level-Interaktion.

Die Devianz D = -2*log(L) kann für den Vergleich geschachtelter Modelle verwendet werden.

Hierarchische Lineare Modelle setzen keine Normverteilung der Residuen voraus.

Im HLM ist die Zentrierung insbesondere von Level-1-Variablen von großer Bedeutung. Welche der folgenden Aussagen ist richtig?

Bei Zentrierung am Gesamtmittelwert (CGM) entspricht Y00 dem "average adjusted mean".

Bei der Zentrierung am Gruppenmittelwert (CWC) wird die Level-2-Varianz in dem Level-1-Merkmal "herausgerechnet".

Bei Zentrierung am Gesamtmittelwert (CGM) entspricht die Varianz in Y00 der Varianz der nicht-adjustierten Cluster-Mittelwerte.

Die Zentrierung am Gesamtmittelwert (CGM) enthält die Rangreihen in den Beobachtungen.

Eine Zentrierung am Gesamtmittelwert (CGM) bietet sich an, wenn die Beziehung zwischen den Variablen auf der höheren Analyseebene interessiert und für Level-1 Merkmale kontrolliert werden soll.

HLM können auch zur Auswertung von Längsschnittdaten herangezogen werden. Welche der folgenden Aussagen sind richtig?

Die Anzahl an Wiederholungsmessungen und die Zeitintervalle zwischen den Wiederholungsmessungen müssen für alle Beobachtungen (Personen) dieselben sein.

Die Personen sind innerhalb der Messzeitpunkte genestet.

Es können im Vergleich zur Varianzanalyse mit Messwiederholungen weniger restriktive Kovarianzstrukturen auf Level-1 verwendet werden

Bei Aufnahme der Zeit als kontinuierlichen Prädiktor kann dem ersten Messzeitpunkt der Wert Null zugewiesen werden.

Die Varianz in dem slope für den kontinuierlichen Prädiktor Zeit weist auf Unterschiede in der Veränderung in dem Kriterium zwischen den Level-2 Beobachtungen (i.d.R. Personen) hin.

Welche der Aussagen zu Kennwerten in der explorativen Faktorenanalyse sind richtig?

Bei unkorrelierten Faktoren entspricht die Kommunalität dem Ausmaß, in dem Varianz einer Variablen durch die Faktoren aufgeklärt wird.

Bei korrelierten Faktoren enthält die Mustermatrix die Korrelationen zwischen Faktoren und Items.

Faktorwerte sind die Ausprägung einer Person auf der latenten Variablen (Faktor).

Unter Uniqueness (Einzigartigkeit) wird die um den Messfehler bereinigte Varianz eines Items verstanden.

C Unter Uniqueness (Einzigartigkeit) wird die um den Messfehler bereinigte Varianz eines Items verstanden.

Welche der folgenden Aussagen zu Verfahren in der EFA sind korrekt?

Die Hauptkomponentenanalyse versucht auf der Grundlage eines Faktormodells Zusammenhänge zwischen einer Reihe von beobachteten (manifesten) Variablen mittels einer möglichst kleinen Anzahl an Faktoren (latenten Variablen) zu erklären.

die Hauptachsenanalyse (PAF) ist iteratives verfahren, das endet, wenn der Unterschied in den Kommunalitätsschätzungen zwischen 2 aufeinanderfolgenden iterationsschritten kleiner als ein Konvergenzkriterium ist

bei der Hauptkomponentenanalyse wird die Gesamtvarianz zerlegt in a) einen varianzteil, den sich die manifesten Variablen teilen, b) die spezifische Varianz und c) die Fehlervarianz

bei einer maximum-likelihood Faktoranalyse sind im Gegensatz zu einer HKA die Ladung der Faktoren auf den Items eindeutig bestimmt

bei der HAA (PAF) werden die Faktoren so bestimmt, dass sie sukzessiv maximal Varianz erklären und unabhängig sind

Welche der folgenden Aussagen zur explorativen Faktorenanalyse sind richtig?

sowohl bei der obliquen als auch bei der orthogonalen Rotation einer Anfangslösung ändern sich die Ladungen im Gegensatz zu einer obliquen Rotation ändert sich jedoch bei einer orthogonalen Rotation die erklärte Gesamtvarianz nicht.

Das Ziel einer obliquen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die Maximierung der Korrelation zwischen den Faktoren

Die sogenannte Varimax-Rotation ist die gebräuchlichste oblique Rotationstechnik einer Anfangslösung in der explorativen Faktorenanalyse.

Um einer explorative Faktorenanalyse durchzuführen, sollte eine ausreichende Korrelation der latenten Variablen vorliegen.

) Ziel einer orthogonalen Rotation einer Anfangslösung in der explorativen Faktorenanalyse ist die sog. Einfachstruktur."

EFA:

Werden im Fall korrelierter Faktoren die quadratischen Korrelationen eines Items mit dem Faktor aufsummiert, erhält man die Kommunalität der Items

Je Geringer die Kommunalität bei gleicher Anzahl von Items pro Faktor, umso größer sollte die Stichprobe ausfallen

Kommunalitätsproblem entsteht, wenn die Anteil der Gesamtvarianz aller manifester Variablen, die durch latente Faktoren aufgeklärt werden, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifester Variablen

Kommunalität der manifesten Variablen (Items) in der unrotierten Anfangslösung sind identisch mit der Kommunalität der manifesten Variablen (Items) in der orthogonal rotierten Lösung.

Bei der Bestimmung der Anzahl der zu extrahierenden Faktoren in der EFA sollten inhaltliche Überlegungen nur bei der Verwendung der ML-faktorenanalyse eine Rolle spielen."

EFA:

ML im Sinne metrischer manifester Variablen setzt multivariate Normalverteilung voraus

In der EFA werden die Faktoren daran bemessen in welchem Maße sie das Muster an Zusammenhängen der manifesten Variablen erklären

Bei der PCA wird die höchste bivariate Korrelation der Variablen mit einer anderen Variablen als Schätzer für die Kommunalität der Variablen benutzt

Der geeignete Stichprobenumfang bei der EFA hängt von der Kommunalität, Anzahl der Faktoren & Anzahl der manifesten Variablen pro Faktor ab

Nach aktuellem Stand der Forschung wird empfohlen je ein Faktor 4 Items zu extrahieren."

EFA

Parallelanalyse nach Horn

Vorteil der Maximum-Likelihood-FA besteht darin, Stabilität der Ergebnisse im Vergleich zur EFA nicht stark von Kommunalität abhängt

Minimum-Averange-Test und oder Parallelanalyse

nach MAP-test sollen Faktoren extrahiert werden

Eigenwert größer eins-kriterium

Vorteile SEM im Vergleich zu MRA

Messfehler kann berücksichtig werden

Kausalhypothese können überprüft werden

Model-Fit kann überprüft werden

SEM basiert auf weniger strengen Voraussetzungen

Aufnahme von mehr als einer abhängigen variablen möglich

Welche der folgenden Aussagen bezogen auf die Identifikation von SEM sind richtig?

Durch die Einführung von Restriktionen (Fixierung von Modellparametern) lässt sich Modellidentifikation herstellen

Eine notwendige Bedingung für Modellidentifikation ist eine mindestens gleiche Anzahl an Informationen wie an zu schätzenden Parametern

Eine notwendige Bedingung für Modellidentifikation ist die Skalierung der latenten Variablen

Notwendige Bedingung für die Modellidentifikation ist die Verwendung von mind. 4 Indikatoren für jede latente Variable

Zur Identifikation eines Modells werden die Residualvarianzen auf 1 fixiert

Welcher der folgenden Aussagen bezogen auf den Vergleich genesteter Modelle im Rahmen von SEM sind richtig?

Ein signifikanter Chi-Quadrat-Differenzentest spricht für das weniger restriktive Modell.

Werden Modelle mit einer unterschiedlichen Anzahl an Variablen verglichen, handelt es sich nicht um einen genesteten Modellvergleich.

Der Chi-Quadrat-Differenzentest kann nur bei genesteten Modellen verwendet werden.

Genestete Modelle ergeben sich durch Respezifikationen von Modellparametern.

Beim Vergleich von genesteten Modellen kann die statistische Bedeutsamkeit von spez. Modellparametern überprüft werden.

Welche Aussagen zum multiplen Gruppenvergleich sind zutreffend?

Skalare Messinvarianz ist eine notwendige Voraussetzung für keine Überprüfung von Unterschieden in den Zusammenhängen der latenten Variablen

Wenn keine skalare Messinvarianz vorliegt, kann keine metrische Messinvarianz vorliegen

Liegt metrische Messinvarianz vor , kann nicht von Vergleichbarkeit der latenten Variablen ausgegangen werden

Der multiple Gruppenvergleich ist auf zwei Gruppen beschränkt

Im Step down Ansatz werden ausgehend vom restiktiven Modell sukzessive Modellparameter freigesetzt, um die unterschiedlichen Formen von Messvarianz und Populationsheterogenität zu prüfen

"Eine Forscherin möchte ein Messmodell mit zwei latenten Variablen mit je zwei Indikatoren mit einer konfirmatorischen Faktorenanalyse prüfen. Welche der folgenden aufgelisteten Modellspezifikationen sind für die Modellidentifikation notwendig?"

Die Kovarianz zwischen den beiden latenten Variablen muss als freier Parameter geschätzt werden.

Die Ladung der Indikatoren auf den Residuen muss auf 1 fixiert werden, wenn gleichzeitig die Varianzen der Residuen geschätzt werden (sollen).

Die Varianz der beiden latenten Variablen und jeweils die Ladung eines Indikators muss auf 1 fixiert werden.

Eine Überidentifizierung des Modells unter Verwendung der üblichen Modellfixierungen ist nicht möglich.

Die Varianz der beiden latenten Variablen oder jeweils die Ladung eines Indikators muss auf 1 fixiert werden.

Frage zu Chi Square Modellvergleich. Gegeben war Chi-Wert, p-Signifikanz, RMSEA und SRMR = relativ niedrig, CFI niedrig Ein Forscher rechnet ein komplexes SEM mit gerichteten Beziehungen, N=500, Aussagen zur Modelgüte...

die Kausalität ist belegt

Der Modellfit deutet darauf hin, dass es keine vergleichbar guten Alternativmodelle gibt

die Modellgüte ist zufriedenstellend

Modellfit deutet darauf hin, dass sich auch unabhängige Stichproben damit bestätigen lassen

Der Forscher sollte auch plausible äquivalente Modelle diskutieren

Welche der Aussagen in Bezug auf längsschnittliche SEM sind richtig?

CLM eignen sich besonders gut für die Untersuchung der zeitlichen Beziehungen zwischen Variablen.

Absolute Veränderungen in den Variablen werden in CLM nicht berücksichtigt.

LWM und LCM eignen sich besonders gut für die Untersuchung interindividueller Unterschiede in Veränderungen in einer Variablen.

Im Rahmen von LCM können keine Aussagen über die genaue Form der Veränderung getroffen werden

Für die Identifikation von LCM sind mindestens drei Messzeitpunkte notwendig.

Welche Aussagen in Bezug auf Verfahren zum Umgang mit fehlenden Werten sind richtig?

MAR bedeutet, dass nach Kontrolle von zusätzlichen beobachteten Variablen das Auftreten von fehlenden Werten weder von der Ausprägung der Variablen selbst noch der Ausprägung anderer Variablen im Datensatz abhängt.

Fehlende Werte alleine führen zu einer verzerrten Schätzung der Standardfehler.

Von den klassischen Verfahren zur Behandlung fehlender Werte sollte allein der paarweise Ausschluss zur Anwendung kommen.

Imputationsbasierte Verfahren zur Behandlung fehlender Werte sind generell zu empfehlen.

Fallweiser und paarweiser Ausschluss setzen MCAR voraus.

. Umgang mit fehlenden Werten

Bei einem kleinen Anteil (Kleiner 5%) ist listenweiser Ausschluss akzeptabel

Das Ersetzen fehlender Werte durch den Stichprobenmittelwert führt zu einer Vergrößerung der Varianz in der Variablen

Single Imputationsverfahren berücksichtigen nicht die Unsicherheit in der Schätzung fehlender Werte

Bei FIML werden fehlende Werte durch ML Schätzer ersetzt

MI erfordert sehr große Stichproben

Welche Aussagen zur Bayes-Statistik sind korrekt?

Vorwissen kann berücksichtigt werden

Bayes ermöglich es, die Wahrscheinlichkeit einer Hypothese zu ermitteln.

Priowert ist festgelegt, kann nicht durch Forscher beeinflusst werden.

Es werden kleinere Stichproben benötigt als im frequentistischen Ansatz.

Populationswerte werden als zufällig (random) angenommen."

In Ihrer Charakterisierung von Entwicklungsaufgaben der Evaluationsforschung unterscheiden Guba & Lincoln verschiedene Ansätze "Generationen". Welche Aussagen treffen auf die 4. Generation zu?

Evaluierende moderieren und vermitteln zwischen den Stakeholdern

Konstruktivistische Überlegungen haben einen Einfluss auf Evaluationsansätze genommen

Nach einem Aushandlungsprozess entscheiden am Ende die Evaluierenden, wie die Ergebnisse interpretiert werden sollten.

Im Vordergrund steht die qualitative Erfassung von Daten und Fakten, um Vergleiche zu ermöglichen

Stakeholdern werden in die Evaluation eingebunden, unter anderem in Interpretation von empirisch erhobenen Daten.

Als Mitarbeiter eines unabhängigen Evaluationsinstituts bekommen Sie den Auftrag, ein Training zur Gewaltprävention zu evaluieren. Die Trägerorganisation erteilt ihnen folgende Auskunft: “Das Training läuft seit einem Jahr und findet nächste Woche das letzte Mal statt.” Dem Auftraggeber muss noch einen Bericht vorgelegt werden, was das Training gebracht hat. Welche Aussagen treffen zu?

Es handelt sich hier um eine summative Evaluation

"Effekt des Trainings" können als Evaluationsgegenstand bezeichnet werden

Es handelt sich hier um eine externe Evaluation

Der vorrangige Evaluationszweck nach Stockmann lautet "Entwicklung".

Ein Evaluationskriterium wird in diesem Zusammenhang der Grad an Kundenzufriedenheit mit der Trägerorganisation des Trainings sein.

Sie möchten eine Programmevaluation durchführen und entscheiden sich für das Vorgehen einer Theorie basierten Evaluation. Welche Aussagen treffen zu?

Sie leben einen besonderen Fokus auf die Beteiligten Akteure weil diese konstituierend für Theorie basierte Evaluation ist.

Sie formulieren eine plausible Theorie des zu evaluierenden Programms

Theorien des Lernens sind für diese Art von Evaluation konstitutiv.

Planung, Design, Durchführung, der Evaluation sollte in der Programmtheorie leitend sein.

Sie interessieren sich unter anderem für nicht intendierte Effekte sowie deren Zusammenhang zur Programmtheorie.

Evaluationsmodell Kirkpatrick

4 Evaluationsebenen: Reaktion, Lernerfolg, Verhalten und Endergebnis

Reaktion= Endergebnis einer Maßnahme oder deren wahrgenommenen Nutzen

wenn auf den ersten beiden Ebenen pos.¬ kann daraus geschlossen werden, dass sich das Verhalten auch außerhalb der Trainingssituation verändert

pos. Reaktionen wirken sich förderlich auf erfolgreiche Implementierung aus

Lernerfolg = Einstellungsänderung, sowie Wissens¬ und Kompetenzzuwachs als Folge der Maßnahme

Evaluationen:

externe Evaluationen dienen vorrangig externen Verwertung von Untersuchungsergebnissen

von internen Evaluationen erhofft man sich höhere Sachkenntnis u. geringeren Aufwand

Summative Evaluation werden in Entstehungsphase Programms eigesetzt

Informative Evaluationen in das laufende Programm integrieren

Selbstevaluation ¬ eigene Wahrnehmung

Wirkungsorientierte Evaluation

nicht-intendierte Effekte ausblenden

xxx Wirkung identifizieren

nicht-intendierte Effekte laufen dem Programm nicht zuwider

Wirkung = output des Programms

Erfasste Wirkung wird Zielen gegenübergestellt

Was sind wesentliche Elemente, die nach Silvestrini (2007) zu Beginn eines Planungsprozesses zwischen Evaluierenden und Auftrag Gebenden geklärt werden?

Festlegung von Bewertungskriterien

Modifikation der zu evaluierenden Maßnahme

Identifizierung der Stakeholder

Definition von Aufgaben und Zielen

Entscheidungen über die die weitere Vorgehensweise in der Evaluation

Was stimmt zur Explikation?

Alle explizierten Programmziele sollten identisch mit den Zielen der Evaluation sein

Programmziele sind oft unklar formuliert und damit kaum messbar.

Durch Explikation der Programmziele können implizite Ziele aufgedeckt und in der Evaluation berücksichtigt werden.

Programmziele können partizipativ erarbeitet werden oder beispielsweise Konzeptionen entnommen sein.

Auftraggebern ist die Trennung von Programmzielen und empirisch erfassbaren Indikatoren häufig nicht geläufig.

Welche Aussagen treffen im Kontext linearer Strukturgleichungsmodelle zu?

Exogene Variablen sind Variablen in einem Strukturgleichungsmodell, die von mindestens einer der im Modell thematisierten Größen beeinflusst werden.

Für die Identifizierung eines Messmodells sind drei manifeste Indikatoren ausreichend.

CFI, RMSEA und SRMR als deskriptive Fit-Maße basieren alle auf dem „model chi square“.

Strukturmodelle beinhalten immer auch Messmodelle.

In Messmodellen sind die beobachteten Indikatoren immer endogene Variablen.

Welche Fragen können Sie stellen, um festzustellen, ob das Evaluationsdesign wirklich partizipativ war?

Wer hatte die Kontrolle bei der Evaluation?

Wer hat die Evaluation veranlasst?

Welche Stakeholder wurden für die Partizipation ausgewählt?

Wurden die Stakeholder nur konsultiert, oder waren sie richtig in die Evaluation eingebunden?

Wer ist für die Umsetzung der Ergebnisse verantwortlich?

Was sind die Nachteile von schriftlichen Fragebogenverfahren?

Sie sind leicht verfälschbar

Voraussetzung ist, dass die Personen die Fragen verstehen

Sie sind zeit- und Kostenaufwendig

Sie sind schwer auszuwerten.

Die Person muss über eine valide subjektive Repräsentation des erfragten Gegenstandes verfügen.

Hier war angegeben, dass das Bildungsniveau kontinuierlich(!) erfasst wird

Ausbalancierung

Parallelisierung

Auspartialisierung

Konfundierung

Elimination

Dissemination

Das „executive summary“ sollte so geschrieben sein, dass sie einen „full report“ ersetzen kann.

Ein „full report“ erhält mehr Details als „executive summary“.

Untersuchungsprozedere findet man nicht im „full report“.

Es besteht die Gefahr, dass man aus dem „executive summary“ zitiert, ohne den „full report“ zu lesen.

Es erreicht einen breiteren Kreis als der „full report“.

Welche Aussagen in Bezug auf das Design einer Evaluationsstudie sind richtig?

Ist eine randomisierte Zuweisung von Versuchspersonen zu unterschiedlichen Untersuchungsbedingungen nicht möglich, sollte ein Solomon-Viergruppenplan eingesetzt werden.

Kann der Effekt einer unabhängigen Variablen (UV) auf eine abhängige Variable (AV) kausal interpretiert werden, so hat das Untersuchungsdesign eine hohe interne Validität.

Quasi-experimentelle Designs werden im Rahmen von Evaluationen häufig eingesetzt, da die Anforderungen eines echten Experiments im Feld selten realisierbar sind.

Die Berücksichtigung mehrerer, unterschiedlicher Vergleichsgruppen in quasi-experimentelle Designs reduziert die Wahrscheinlichkeit von Alternativerklärungen für einen Effekt (hier bin ich mir nicht sicher, ob ich irgendwo ein Wort vergessen habe).

Selbstselektion der Untersuchungsteilnehmenden gefährdet die interne Validität einer Evaluationsstudie.

Aussagen zur qualitativen Methode Health/MediCal for Children

Qualitative Methoden haben sich als praktikabel und ertragreich herausgestellt.

Hierdurch konnten kontextspezifische Inhalte gefunden werden.

Wirkungen als Folge des Programms konnten identifiziert werden.

Durch den Einsatz qualitativer Methoden konnte nur eine geringere Anzahl an Personen erreicht werden.

Verzerrungen entstanden, da Befragte die Glaubwürdigkeit der Befragung bezweifelten.

Was ist in Bezug auf Evaluation und Datenschutz korrekt?

Man sollte den Auftraggeber informieren, dass Daten entstehen können, die den Ruf der Organisation gefährden können.

Daten, die Rückschlüsse auf Personen zulassen, sind nicht ohne Genehmigung der entsprechenden Person zu veröffentlichen.

Personen, die in die Datenerhebung involviert sind, sollten über die Verwendung der Daten informiert werden.

Evaluationsberichte sollten so gestaltet sein, dass die auftraggebende Organisation nicht eindeutig erkennbar ist.

Der Umgang mit personenbezogenen Daten in Evaluationen unterliegt dem Bundesdatenschutzgesetz (BDSG).

Frage zu Aktionsforschung

wichtigstes Kriterium ist externe Validität

emanzipatorisch und praxisbezogen

Lern- und Veränderungsprozess

bezieht sich auf Verhalten des Betroffenen im Alltag

Forscher und Beforschte sind gleichberechtigt

Klausur SS16

Create or copy sets of flashcards

Create or copy sets of flashcards

Log in to see all the cards.

SWITCHaai

Office 365

Edulog

Apple ID

Google