paramorphe Modelle

[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 (Kriterium; z. B. Therapie-, Förderbedarf, Berufseignung). Paramorphe Modelle erfordern eine empirische Datengrundlage, die für eine repräsentative Stichprobe die Ausprägungen auf den Prädiktorvariablen und die durch einen Diagnostiker gefällte Entscheidung enthält. Paramorphe Modelle beanspruchen i. d. R. nicht den diagn. Entscheidungsprozess (diagnostischer Prozess) valide (i. S. inhaltlicher Begründungen) abzubilden, sondern lediglich den Vorhersagewert bzw. das Gewicht einzelner Prädikoren für die diagn. Entscheidung 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 diagn. 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 diagn. 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, lineare, Regression, nicht lineare. Formalisierte lineare Modelle bilden die diagn. Entscheidung i. d. R. ähnlich gut oder sogar besser ab (Goldberg-Paradox), als dies bei Urteilsbildung durch die Diagnostiker selbst der Fall ist.

(2) Konfigurationsmodelle modellieren den diagn. Entscheidungsprozess 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  Diagnose C; Hypothesenagglutinierung (HYPAG)). Es muss ein spezif. Muster (Konfiguration) über mehrere Merkmale vorliegen, damit eine Diagnose gestellt werden kann. Im Falle kompensatorischer Konfigurationsmodelle 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 Konfigurationsmodelle 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 paramorphe Modelle ist nach einer Entwicklungsphase stets eine Kreuzvalidierung anzustreben. Paramorphe Modelle unterstützen – insbes. im Vergleich zu eher intuitiven bzw. impliziten diagn. Entscheidungsprozessen – durch die Explizierung der diagn. Entscheidungsgrundlagen 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).