IAT-Effekt

 

(= IAT-E.) [engl. IAT effect], [DIA, KOG], IAT-E. ist das Ergebnis Impliziter Assoziationstests (IATs). Die Vielzahl von Algorithmen zur Berechnung des IAT-E. unterscheidet sich durch den jew. Berechnungsalgorithmus, den theoret. Hintergrund sowie den jew. Anwendungsbezug. Als traditionelle IAT-E. kann man die von Greenwald et al. (2003) postulierten 10 Algorithmen (d. h. sechs D measures: D1 bis D6 und vier conventional measures) verstehen, wobei Greenwald et al. (2003) – aufgrund besserer Messeigenschaften – für die Anwendung der D measures plädieren. Die D measures haben Gemeinsamkeiten, aber auch spezif. Unterschiede in ihrer Berechnung. Alle repräsentieren eine Reaktionszeitdifferenz zw. den inkompatiblen und kompatiblen IAT-Blöcken. Es gibt jedoch unterschiedliche Ein- und Ausschlusskriterien für die jew. IAT-trials hinsichtlich Reaktionszeit und Fehler. Eine Vielzahl von Studien verweist darauf, dass der IAT-E. ein geeigneter Index zur Messung impliziter Assoziationen ist. Allerdings ist kritisch zu sehen, dass die Prozesse hinter dem IAT-E. noch nicht vollst. geklärt sind. So können etwa Methodenvarianz (Multitrait-Multimethod-Analyse) oder Fälschung(-sverhalten) die Höhe des IAT-E. beeinflussen. Daher stehen mittlerweile neben den traditionell genutzten D measures komplexere Algorithmen zur Auswertung des IAT-E. zur Verfügung. Diese differenzieren u. a. versch. Varianzquellen von IAT-E. Bsp. sind das Diffusionsmodell, das Quad-Modell und das ReAL-Modell. Mittels Diffusionsmodellanalysen können etwa statt einem globalen IAT-E. drei separate IAT-E. berechnet werden (d. h. IATv, IATa und IATt0), welche zu unterschiedlichen Anteilen Konstruktvarianz, Methodenvarianz und Fälschungsvarianz enthalten.

Referenzen und vertiefende Literatur

Sie sind schon registriert? Zur Anmeldung
Erstellen Sie einen Account um das komplette Literaturverzeichnis einzusehen.