Lernkartei MM1 Fernuni Hagen (Seite 1 von 5)

Karten	165
Lernende	197
Sprache	Deutsch
Kategorie	Psychologie
Stufe	Universität
Erstellt / Aktualisiert	25.05.2015 / 29.01.2025
Weblink	https://card2brain.ch/box/mm1_fernuni_hagen
Einbinden	<iframe src="https://card2brain.ch/box/mm1_fernuni_hagen/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Was stimmt zur Homoskedastizität?

VIF als diagnostisches Mittel

P-P-Plot als diagnostisches Mittel

Mittelwertszentrierung als Reaktion auf Heteroskedastizität

Verzerrung der SE

Heteroskesdastizität als Hinweis auf Ausreißer

?

Ausreißer verzerren zwangsläufig Regressionskoeffizienten und SE

Ausreißer auf Prädiktor- und Kriteriumsseite möglich

Auf Prädiktorseite Identifizierung durch Residuen

Cooks Distanz als Kennwert der Abweichung vom Mittelwert

Hebelwert als Kennwert, inwieweit sich Regressionskoeffizient bei Ausschluss eines Ausreißers ändert

Frage zur Effektkodierung
Y = 4 - 1 * X1 + 1 * X2
Basiskategorie: Gymnasiallehrer

Mittlere Zufriedenheit der Gymnasiallehrer ist 4.

Wenn man 2 Gruppen tauscht, ändern sich die Regressionskoeffizienten nicht.

welche Aussagen zur Multiplen Regression sind korrekt?

Suppressionseffekt, wenn Effekt von x1 durch x2 verstärkt wird

einschluss von mit kriterium unkorreliertem x2 verstärkt effekt von x1

stepwise -Hinzunahme ist theoriegeeleitet

hierarchische Regregression: der zusätzliche beitrag zur varianzaufklärung, den weitere hinzugenommene prädiktoren oder prädiktorgruppen liefern, kann durch t-test der einzelnen regressionsgewichte bestimmt werden

vorwärtsselektion ermöglicht den vergleich nichtgenesteter modelle

Welche Aussagen bzgl. der Regressionskoeffizienten in einer multiplen unmoderierten Regression mit zwei Prädiktoren sind richtig?

Koeffizient MR = Koeffizient einfache Regression, wenn die beiden Koeffizienten voneinander unabhängig sind

Regressionskoeffizienten ändern sich nicht bei Zentrierung

bei hoher Korrelation standardisierte Koeffizienten gegen die Multikollinearität, da robuster

standardisierte Koeffizienten besser geeignet als unstandardisierte beim Vergleich verschiedener Variablen

Signifikante Abweichung von 0 wird durch F-Test geprüft

Baron & Kenny - Was ist richtig?

Vier Bedingungen müssen erfüllt sein, um von einer Mediation sprechen zu können.

Eine der Bedingungen fordert einen statistisch bedeutsamen Zusammenhang mit dem Kriterium auch bei statistischer Kontrolle des Mediators.

Effekt von Prädiktor auf Mediator muss signifikant größer sein als der direkte Effekt des Prädiktors auf das Kriterium

bei stat. Kontrolle des Prädiktors muss der Mediator das Kriterium signifikant beeinflussen

der indirekte Effekt muss signifikant größer sein als der direkte Effekt vom Prädiktor auf das Kriterium

Einfache Mediation: Ein Forscher will herausfinden, ob der Effekt von Alter (X) auf Vorurteile (Y) durch soziale Dominanzorientierung (sdo = M) mediiert wird. N = 560. Er bekommt nach dem Schema von Baron und Kenny zwei Regressionsgleichungen:
y(Dach) = 1 + 0,18 X
y(Dach) = 1 + 0,14 X + 0,3 sdo
Alle enthaltenen Regressionsgewichte sind signifikant.

X hat einen signifikanten Effekt auf Y.

sdo hat keinen signifikanten Effekt auf Vorurteile.

Der Effekt von X auf Y wird vollständig durch sdo mediiert.

N ist zu klein für eine Überprüfung des indirekten Effekts auf Signifikanz

Es gibt einen signifikanten, von Null abweichenden Effekt von X auf Y.

Welche Aussagen bezüglich Prüfung einer Mediationshypothese (Baron u. Kenny) sind richtig?

eine wesentliche Kritik am Schema von Baron und Kenny besteht darin, dass es nicht ermöglicht zu prüfen, ob der Effekt des Prädiktors vollständig über den Mediator mediiert wird.

eine wesentliche Kritik am Schema von Baron und Kenny besteht darin, dass es nur bei Vorliegen sehr großer Stichproben exakte Konfidenzintervalle für den indirekte Effekt des Prädiktors auf das Kriterium erstellen kann.

Der sogenannte Sobel-Test macht im Gegensatz zum causal-steps-approach keine Annahme über die Verteilung des indirekten Effekts.

Der sogenannte Sobel-Test zur Überprüfung indirekter Effekte hat in der Regel eine größere Power als Bootstrap

Beim Bootstrapping wird für den indirekten Effekt eine Stichprobenkennwertverteilung empirisch generiert, mittels derer Konfidenzintervalle für den indirekten Effekt gebildet werden können.

Welche Aussagen zur Analyse von multiplen Mediationsmodellen sind richtig?

Wenn die Mediatoren in einem multiplen Mediatormodell untereinander korreliert sind, ist die sukzessive Prüfung von mehreren Mediatoren mit einfachen Mediationsmodellen problematisch, da hierbei die Korrelation der Mediatoren untereinander nicht berücksic

Wenn die Mediatoren in einem multiplen Mediatormodell untereinander korreliert sind, können die indirekten Effekte zwar berechnet, aber nicht mehr auf Signifikanz hin überprüft werden.

Es wird bei einer multiplen Mediation zwischen spezifischen indirekten Effekten und totalem indirektem Effekt unterschieden.

Wenn die Mediatoren in einem multiplen Mediatormodell untereinander korreliert sind, erfolgt die Überprüfung der direkten Effekte in der Regel über bootstrap.

Der Sobel-Test sollte bei multiplen Mediationen nicht verwendet werden.

hier war eine Frage über SDO, divbel und Vorurteile (SuN)

Effekt SDO auf Vorurteile wird signifikante durch divbel moderiert

Personen mit mittlerer Ausprägung in divbel und unterdurschnitt. in SDO haben mehr Vorurteile

für Personen mit mittleren Ausprägung divbel und unterwurchschnitt. SDO ist Anzahl an Vorurteile größer als 2,33

für Personen mit mittleren Ausprägung divbel und durchschnitt. SDO ist Anzahl an Vorurteilen gleich 2,33

Was ist korrekt? Aussagen zur Mediation

Ein statistischer indirekter Effekt ist nicht zwangsläufig gültig

Ein statistischer indirekter Effekt ist nicht zwangsläufig gültig, es kann auch ein Korrelat im Mediationsprozess sein

Ein statistischer Effekt ist nicht zwangsläufig gültig, der Mediator kann auch ein Korrelat der abhängigen Variable sein

In einer moderierten Mediation kann der Prädiktor außer Prädiktor zugleich auch Moderator sein

Konditionale indirekte Effekte können nur bei dichotomen Moderator mittels Bootstrap inferenzstatistisch abgesichert werden

Welche der folgenden Aussagen hinsichtlich der Kodierung eines kategorialen Prädiktors in einer einfachen linearen Regression sind korrekt?

Die Wahl, ob man für den kategorialen Prädiktor eine Dummy-Kodierung oder eine Effekt-Kodierung verwendet, hängt davon ab, ob für jede Ausprägung (Kategorie) des kategorialen Prädiktors die gleiche Anzahl von Beobachtungen vorliegt oder nicht.

Hat der kategoriale Prädiktor lediglich zwei Ausprägungen, entsprechen die geschätzten Regressionskoeffizienten einer einfachen linearen Regression, die man mittels einer Dummy-Kodierung erhält, in ihrer Bedeutung und in ihrem Wert genau den Regressionsko

Hat man ein Regressionsmodell mit Intercept und Dummy-Kodierung für den kategorialen Prädiktor geschätzt, entspricht das Regressionsgewicht für eine Kodiervariable genau dem Mittelwert der Beobachtungen, die in die Kategorie fallen, die diese Kodiervariab

Hat man ein Regressionsmodell mit Intercept und Dummy-Kodierung für den kategorialen Prädiktor geschätzt, entspricht der Intercept genau dem Mittelwert der Beobachtungen, die in diese Referenzkategorie fallen.

Liegt für jede Ausprägung (Kategorie) des kategorialen Prädiktors die gleiche Anzahl von Beobachtungen vor, erzielt eine Dummy-Kodierung eine größere Teststärke als die Effekt-Kodierung hinsichtlich der Frage, ob der Prädiktor signifikant Varianz im Krite

Welche Aussagen bezüglich der Anwendung einer klassischen Kovarianzanalyse im Rahmen von Gruppenvergleichen sind richtig?

Die Durchführung einer klassischen Kovarianzanalyse (KVA) im Rahmen experimenteller, randomisierter Designs setzt voraus, dass homogene Fehlervarianzen (Homoskedaszidität) vorliegen.

Die Durchf. einer klass. KVA setzt voraus, dass die Experimentalgruppe, die gleich Anzahl an Versuchspersonen hat.

Die Durchf. einer klass. KVA. im Rahmen experimenteller, randomisierter Designs setzt voraus, dass ich die Mittelwerte auf der Kovariaten in den experimentellen Gruppen ….. ? (Hier muss ich beim hektischen Abschreiben in der Zeile verrutscht sein; Sorry!)

Die Durchf. einer klass. KVA im Rahmen experimenteller Designs setzt voraus dass sich die Mittelwerte auf der Kovariaten in den experimentellen Gruppen nicht signifikant unterscheiden.

Gegenüber der Anwendung einer klass. KVA im Rahmen random. experimenteller Designs weist die Anwendung einer klass. VA im Rahmen random. experimenteller Designs die höhere Teststärke auf, da sie im Gegensatz zur erst genannten den Messfehler der Kovariate

Im Rahmen eines klin. Experiments soll die Auswertung einer verhaltenstherapeutischen Intervention auf die Stimmungsregulationskompetenz von Patienten untersucht werden. 100 Patienten werden per Zufall in gleich große Kontroll- und Treatmentgruppen aufgeteilt. Stimmungsregulation wird anhand eines Indexscores vor Beginn der Behandlung (Prätest) und nach (Posttest) gemessen. Ein F-Team analysiert die Daten mittels Zweifaktorieller Varianzanalyse mit Messwiederholung auf einem Faktor, um den Effekt der Intervention auf Stimmungsregulationskompetenz zu bestimmen. Was ist korrekt?

Sphärizität muss nicht überprüft werden, da es nur zwei Messzeitpunkte gibt.

Die zweifaktorielle VA. mit Messwiederholung auf einem Faktor hat gegenüber herkömmlicher KVA den Vorteil, dass sie im Gegensatz zu dieser auch Gruppen mit unterschiedlicher Anzahl an Personen analysieren kann.

Der Test für den Effekt des messwiederholten Faktors zeigt an, ob sich die beiden Gruppen signifikant in ihrem Mittelwert im Prätest unterscheiden.

Der Test für den Effekt des messwiederholten Faktors zeigt an, ob Homogenität der Varianz-Kovarianz-Matrix zwischen den Stufen des nicht messwiederholten Faktors vorliegt.

Der Test für den Effekt der Interaktion zwischen nicht messwiederholten und messwiederholten Faktor zeigt an, ob sogenannte defferentielle Treatmenteffekte vorliegen.

Frage zur ICC - Was stimmt?

Werte zwischen -1 und +1

Bei einer ICC von 0 muss die hierarchische Datenstruktur nicht weiter beachtet werden

Bei Längsschnittstudien bedeutet eine ICC von 0, dass es keine Varianz zwischen den Messzeitpunkten gibt

Varianzen unterschiedlicher Ebenen werden zueinander ins Verhältnis gesetzt

Eine ICC von 1 bedeutet, dass die komplette Varianz auf Level 2 stattfindet.

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.

Welche Aussagen zu Kennwerten einer EFA mit unkorrelierten Faktoren sind korrekt?

Faktorladungen entsprechen den Korrelationen zwischen den jeweiligen manifesten Variablen und den jeweiligen latenten Faktoren.

Kommunalität ist das Ausmaß, in dem die Varianz einer Variable durch Faktoren aufgeklärt wird.

Eigenwerte entsprechen den quadrierten Korrelationen zwischen den jeweiligen manifesten Variablen und latenten Faktoren.

Das Kommunalitätenproblem entsteht, wenn der Anteil an der Gesamtvarianz aller manifesten Variablen, die durch latenten Faktor aufgeklärt wird, geringer ist als der Anteil der Fehlervarianz an der Gesamtvarianz aller manifesten Variablen

Faktorwerte sind Ausprägungen einer Person auf latenten Variablen (Faktoren).

PCA vs. PAF

PCA eignet sich dafür, Beziehungen zwischen latenten Variablen aufzudecken

Was Falsches zur PCA

In der PCA wird die Varianz zerlegt in gemeinsame Varianz, spezifische Varianz und Fehlervarianz.

In der PAF sind die Faktoren voneinander unabhängig und klären sukzessive Varianz auf

PAF: Ziel ist Datenreduktion

Welche Aussagen zur EFA treffen zu?

Ziel der orthogonalen Rotation ist die Einfachstruktur.

Ziel der obliquen Rotation ist die Maximierung der Korrelationen.

Varimax ist die gebräuchlichste oblique Rotationstechnik.

Ladungen ändern sich bei beiden Rotationsverfahren, die Gesamtvarianz nur bei der obliquen Rotation.

Die Kommunalitäten der unrotierten Anfangsmatrix entsprechen den Kommunalitäten der rotierten Matrix.

Welche Aussagen zur EFA treffen zu?

Auch bei der Hauptachsenanalyse können inhaltliche Überlegung die Anzahl der Extraktion beeinflussen

Hier stand etwas zum Paralleltest, allerdings mit der Definition von MAP

Bei der Extraktion nach dem Eigenwertkriterium kann es sein, dass zu wenige Faktoren extrahiert werden.

Bei der ML-Faktorenanalyse werden Faktoren anhand eines Likelihood-Quoeffizienten extrahiert.

Hier MAP mit Definition von Paralleltest.

Vorteile von SEM im Vergleich zu multipler Regression

Abhängigkeit der Beobachtungen kann berücksichtigt werden

Kausalhypothesen können überprüft werden

Modellfit kann überprüft werden

Multiple Mediatormodelle können überprüft werden

SEM haben weniger strenge Voraussetzungen

Was ist bzgl. der Identifikation bei SEM richtig?

Notwendige Bedingung ist, dass die Anzahl der Freiheitsgrade positiv ist

Notwendige Bedingung sind mindestens gleiche Anzahl an Informationen wie an frei zu schätzenden Parametern

Notwendige Bedingung ist die Skalierung aller latenten Variablen

Notwendige Bedingung sind mindestens 4 Indikatoren pro latenter Variable

Notwendige Bedingung ist die Verwendung von mehr als einer latenten variablen in einem Modell

Welche Aussagen sind zu genesteten Modellen bei SEM richtig?

Signifikanter Chi Quadrat Test deutet darauf hin, dass das restriktivere Modell zutrifft

Bei Modellen mit einer unterschiedlichen Anzahl an Variablen ist kein genesteter Modellvergleich möglich

Chi Quadrat Differenzentest ist nur bei genesteten Modellen möglich

Genestete Modelle ergeben sich durch Respezifikation von Modellparametern

Genestete Modelle ergeben sich, indem die Richtung von gerichteten Beziehungen umgekehrt wird

hier war noch irgendwo eine Frage, dass eine Forscherin zwei latente Variabeln mit je zwei manifesten Variablen überprüfen will...

Eine Überidentifikation ist nicht möglich

irgendwas mit Kovarianz zwischen Faktoren zulassen oder auf Null setzen oder so

Ein Forscher rechnet ein komplexes SEM mit gerichteten Beziehungen, N = 500 (???) Aussagen zur Modellgüte Chi-quadrat = 455.87, df = 133, p <.001, CFI .95, RMSEA .024, SRMR .043

Der Modell-Fit deutet darauf hin, dass die Modellgüte angemessen ist

Der Modell-Fit deutet daraufhin, dass es keine vergleichbar guten Alternativen gibt

Kausalität ist belegt

Modell-Fit deutet darauf hin, dass sich auch unabhängige Stichproben mit dem Modell bestätigen lassen

Der Forscher sollte auch plausible äquivalente Modelle diskutieren

Welche Aussagen treffen im Kontext linearer Strukturgleichungsmodelle zu?

Endogene 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

Vergleich Cross-Lagged, Latent Growth und Latent Change

CLM besonders geeignet für zeitliche Beziehung zwischen Variablen

absolute Veränderungen nicht berücksichtigt

LW & LC berücksichtigen individuelle Unterschiede in Veränderung der Variablen

LW hat mindestens 3 Messzeitpunkte

LC hat mindestens 3 Messzeitpunkte

Studie von Bub, McCartney, Willet (2007)S. 659 (Fig.1), S. 661, 663 (Tab. 3 & 4) : siehe Anhang.
Veränderungen im Problemverhalten (gemessen an internali. und externalis. Verhalten von Kindern) und dessen Konsequenz für die kognitive Fähigkeit und Schulleistung nach 1. Schuljahr. Längsschnitt, N=882. Für Auswertung und Beantwortung, wurde latentes Wachstums.modell verwendet. Was ist korrekt?

Es gibt im Durchschnitt keine Veränderung in internalisierten und externalisierten Problemverhalten

Es gibt signifikante interindividuelle Unterschiede in der Veränderung im internalisierenden und externalisierenden Problemverhalten

Es gibt KEINE interindiv. Veränderungen im internalisierenden und externalisierenden Problemverhalten zum ersten Messzeitpunkt

Veränderung im internal. Problemverhalten hat einen signifikanten Einfluss auf kognitiven Fähigkeiten nach dem 1. Schuljahr.

Veränderung im internal. Problemverhalten hat signifikanten Einfluss auf die Schulleistung nach dem 1. Schuljahr.

Latentes Wachstumskurvenmodell

Bedeutsame Varianz in dem Latenten Slope-Faktor zeigt interindividuelle Unterschiede in der Veränderung im Wohlbefinden.

Bedeutsame Varianz in dem latenten Intercept-Faktor zeigt interindividuelle Unterschiede im mittleren Ausmaß an Wohlbefinden über die Studienzeit hinweg.

Für die Ladungen der Indikatoren auf dem latenten Slope-Faktor wählt die Forscherin die Werte 0 für den Indikator zum ersten Messzeitpunkt, 1 für den Indikator zum zweiten Messzeitpunkt, 2 für den Indikator zum zweiten Messzeitpunkt und 3 für den Indikato

Die Ergebnisse ergeben einen signifikant von Null abweichenden positiven Wert (latenter Mittelwert) für den Slope-Faktor. Auch die Varianz in dem Slope-Faktor weicht signifikant von Null ab. Somit zeigt sich bei einigen Studierenden eine stärkere Zunahme

Kovarianz zwischen Intercept und Slope-Faktor ist Null. Wird die in der Antwortoption C verwendete Parametrisierung für den Slope-Faktor verwendet, zeigt diese Kovarianz an, dass die Veränderung im Wohlbefinden unabhängig von dem Ausmaß an Wohlbefinden zu

Fehlende Werte

MAR heißt, dass der Fehlende Wert nicht nur von der Ausprägung in X, sondern auch von der Ausprägung in Y unabhängig ist.

Fehlende Werte alleine führen zu einer Verzerrung der Standardfehler.

Imputationsbasierte Verfahren sind uneingeschränkt zu empfehlen.

Voraussetzung für listen- und paarweisen Ausschluss ist MCAR.

Fehlende Werte

Bei einem kleinen Anteil fehlender Werte (< 5%) ist listenweiser Ausschluss in Ordnung.

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

Single Imputation Verfahren berücksichtigen nicht die Unsicherheit in Bezug auf die Schätzung fehlender Werte

Bei einer FIML-Methode werden die fehlenden Werte durch einen ML-Schätzer ersetzt.

Die multiple Imputation erfordert sehr große Stichproben.

Bayes

Der BA ermöglicht die Wahrscheinlichkeit eines Stichprobenergebnisses …

Der BA ermöglicht die Wahrscheinlichkeit einer Hypothese zu ermitteln.

Die Priorverteilung ist immer festgelegt und kann nicht durch den Forscher beeinflusst werden.

Der BA erfordert (meist) kleinere Stichproben als der FA

Die Populationsparameter werden im B.A. immer als variabel (random) angesehen

Was ist in Bezug auf den Bayesianischen Ansatz korrekt?

Sowohl im Bayesianischen Ansatz als auch im Frequentistischen Ansatz kann Vorwissen bei der Parameterschätzung berücksichtigt werden.

Innerhalb eines Glaubwürdigkeitsintervalls liegt mit einer festgelegten Wahrscheinlichkeit (i.d.R. 95%) der Populationswert.

Die Ungewissheit über den tatsächlichen Wert eines Populationsparameters wird über die Wahrscheinlichkeitsverteilung des Populationsparameters definiert.

Der Frequentistische Ansatz und der Bayesianische Ansatz führen zu gleichen Ergebnissen, wenn uninformative Priorverteilungen verwendet werden.

Die Wahl der Priorverteilung (informative Prior) hat keinen Einfluss auf die Posteriorverteilung

Evaluation Institut Training Gewalt Träger Organisation

Summative Evaluation

Effekte des Trainings

Externe Evaluation

Vorrangiger Evaluationsschritt nach Stockmann ist Entwicklung

Evaluationskriterium ist Grad der Kundenzufriedenheit

Evaluation nach Kirkpatrick

Evaluationensebenen Reaktion Lernerfolg Akzeptanz. ...

Endergebnis ist Akzeptanz

1.Ebene positiv, dann Verhaltens Änderung

positive Reaktion wirkt sich gut aus

Lernerfolg ist Einstellungsaenderung

Theoriebasierte Evaluation

Fokus auf Akteure

Plausible Theorie

Theorie des Lernens konstitutiv

Planung Design Durchführung programmleitend

Intendierende Effekte

Wirkungsorientierte Evaluation

nicht Intendierende Effekte ausgeblendet

hypothesenleitend potentielle Wirkung identifizieren

nicht Intendierende Wirkung können Programm nicht zuwider laufen

Wirkung= Output Programm

erfasste Wirkung den bearbeiteten Zielen des Programms gegenüber stellen

Explikation von Programmzielen

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 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/Schwächen von schriftlichen Fragebögen?

Sie sind leicht verfälschbar / sozial erwünschte Antworten

Vorraussetzung dass Personen Fragen, etc. verstehen

Sie sind zeit- und kostenaufwendig

sind schwer auszuwerten

Person muss valide subjektive Repräsentation des erfragten Gegenstandes besitzen

MM1 Fernuni Hagen

Lernkarteien erstellen oder kopieren

Lernkarteien erstellen oder kopieren

Melde dich an, um alle Karten zu sehen.

SWITCHaai

Office 365

Edulog

Apple ID

Google