paramorphe Modelle

 

(= p. M.) [engl. paramorphic models; gr. παρα- (para-) neben, gr. μορφή (morphe) Gestalt], [DIA], modellieren den stat. Zusammenhang zw. Prädiktoren (Prädiktor; z. B. Testdimensionen) und einer diagn. Entscheidung (= d. E.; Kriterium; z. B. Therapie-, Förderbedarf, Berufseignung). P. M. erfordern eine empirische Datengrundlage, die für eine repräsentative Stichprobe die Ausprägungen auf den Prädiktorvariablen und die durch einen Diagnostiker gefällte E. enthält. P. M. beanspruchen i. d. R. nicht den d. E.prozess (diagnostischer Prozess) valide (i. S. inhaltlicher Begründungen) abzubilden, sondern lediglich den Vorhersagewert bzw. das Gewicht einzelner Prädikoren für die d. E. zu bestimmen (paramorph i. S. formaler Ähnlichkeit der Prädiktor-Kriteriumsassoziationen). Es werden lineare und Konfigurationsmodelle unterschieden.

(1) Lineare Modelle (Regression): Im einfachen Fall (Haupteffektmodelle) wird das d. Kriterium durch eine Linearkombination der Prädiktoren multivariat vorhergesagt. I. d. R. wird der Betrag der Regressionsgewichte i. S. der Relevanz der Prädiktoren gewertet. Im Falle multivariater Abhängigkeit der Prädiktoren müssen Auswirkungen der Multikollinearität auf die Ausprägung der Regressionsgewichte berücksichtigt werden (z. B. Suppressorvariable). Ein Haupteffektmodell kann erweitert werden, indem die Interaktion von Prädiktoren durch Produktbildung in die Gruppe der Prädiktorvariablen aufgenommen wird (Interaktionseffekt). Die Wahl des Regressionsmodells wird durch die Skalierung des d. Kriteriums bestimmt: (a) dichotom (z. B. ja/nein): Regression, logistische, (b) nominal (z. B. Diagnosegruppen): Regression, multinomiale, (c) ranggeordnet (z. B. Schweregrade): Regression, ordinale oder (d) intervallskaliert (z. B. kontinuierliche Merkmale): Regression, lineareRegression, nicht lineare. Formalisierte lineare Modelle bilden die d. E. i. d. R. ähnlich gut oder sogar besser ab (Goldberg-Paradox), als dies bei Urteilsbildung durch die Diagnostiker selbst der Fall ist.

(2) Konfigurationsmodelle (= K.) modellieren den d. E.prozess auf Basis von Wenn-Dann-Regeln, die i. d. R. in Form eines Flussdiagrammes dargestellt werden (z. B. wenn Merkmal A > 3 und Merkmal B  <  4 %5Crightarrow Diagnose C; Hypothesenagglutinierung (HYPAG)). Es muss ein spezif. Muster (Konfiguration) über mehrere Merkmale vorliegen, damit eine Diagnose gestellt werden kann. Im Falle kompensatorischer K. können Defizite in einem Merkmal durch andere Eigenschaften ausgeglichen werden (z. B. bei einem Bewerbungsverfahren können fachliche Defizite durch hohe soziale Kompetenzen des Bewerbers ausgeglichen werden; logische Oder-Verküpfung). Nicht kompensatorische K. erfordern, dass mehrere Bedingungen unabhängig voneinander erfüllt sind (z. B. sowohl fachliche als auch soziale Kompetenzen müssen einen kritischen Wert überschreiten; logische Und-Verknüpfung).

Für p. M. ist nach einer Entwicklungsphase stets eine Kreuzvalidierung anzustreben. P. M. unterstützen – insbes. im Vergleich zu eher intuitiven bzw. impliziten d. E.prozessen – durch die Explizierung der d. E.grundlagen deren Nutzen und die Güte aufgrund folg. Merkmale: (1) Transparenz und Nachvollziehbarbeit; (2) Objektivität und Konsistenz; (3) Fairness; (4) Generalisierbarkeit (ggf. unter Berücksichtigung von Moderatoreffekten; Moderatorvariable); (5) Kommunizierbarkeit und Erfahrungsaustausch; (6) Entlastung des Diagnostikers durch Fokussierung relevanter Merkmale, (7) Basis zum Erlernen des Diagnostizierens (Professionalisierung).

Referenzen und vertiefende Literatur

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