Abteilung Psychologie

Latente Mehrebenen-Strukturgleichungsmodelle für experimentelle Designs mit Maximum Likelihood und Bayesianischen Methoden (MSEM-EX)

Inhaltsangabe

Machine Learning in der Lebensqualitätsforschung von Krebspatienten

Förderung: Deutsche Krebshilfe
Projekttitel: Risikofaktoren von tumor-assoziierter Fatigue bei Patienten mit Hodgkin Lymphom
Antragsteller: Prof. Dr. Axel Mayer und Stefanie Kreissl
Kooperationspartner: German Hodgkin Study Group der Universität zu Köln
Projektmitarbeiter: Nele Stadtbäumer, M. Sc.
Laufzeit: 36 Monate, 2019-2022

Schwere chronische Erschöpfung - persistierende tumor-assoziierte Fatigue (pCRF) - ist eine gravierende und häufige Langzeitfolge des Hodgkin Lymphoms und seiner Behandlung. Ziel des beantragten Projektes ist es, für Patienten und Ärzte eine valide, evidenzbasierte Grundlage zur Risikoschätzung von pCRF zu entwickeln, wodurch präventive und therapeutische Maßnahmen frühzeitig und zielgerichtet durchgeführt werden können. Auf der Basis bereits vorliegender, umfassender Längsschnittdaten von mehr als 4000 Patienten mit Hodgkin Lymphom soll ein validiertes prognostisches Modell und eine klinisch praktikable Softwareapplikation zur Vorhersage von pCRF bei Hodgkin Lymphom entwickelt werden.

Dazu werden zunächst Risikofaktoren von pCRF aus den Langzeitdaten der in den GHSG-Studien HD13, HD14 und HD15 behandelten Patienten identifiziert. Die GHSG-Daten umfassen eine Vielzahl an klinischen, biologischen und psychischen Faktoren, die auf ihre Vorhersagekraft für das Entstehen von Langzeitfatigue untersucht werden können. Anhand von parametrischen, regressionsanalytischen und nicht-parametrischen Machine Learning Algorithmen sollen signifikante Prädiktoren von pCRF identifiziert werden. Auf Grundlage eines dynamischen, validierten Modells kann dann ein prognostischer Score zur Abschätzung des individuellen Langzeit-Fatigue-Risikos der Hodgkin-Patienten berechnet werden.

DFG-Projekt "Repeated Measures ANOVA with Latent Variables: A New Approach based on Structural Equation Modeling":

Repeat measures ANOVA is one of the most commonly used statistical methods in psychological research. It is used to test main and interaction effects of experimental or quasi-experimental factors on a manifest dependent variable. Dependent variables can, for instance, be test scores, questionnaire items, reaction times, or response accuracies, which serve as indicators of underlying psychological constructs such as attitudes, characteristics, and motives. In most cases, the underlying constructs cannot be observed directly and the used indicators for the constructs are subject to measurement errors. The goal of this project is to develop an extension to repeated measures ANOVA for latent dependent variables. For this purpose, it is necessary to combine classical hypothesis tests for repeated measures factors with modern structural equation models. A part of the proposed project will also deal with the development of open source software to make the new approach publicly accessible. The expected advantages of the new approach compared to classical repeated measures ANOVA are: The relationship between indicators and constructs of interest can be modelled directly; dependent and independent variables can be corrected for measurement errors which is likely to lead to increased statistical power and unbiased estimates; modern estimation techniques can be used to adequately account for missing values or violations of distributional assumptions; and the covariance structure of the dependent variables can be modelled in a flexible and convenient way.

Identifying Interpretable Subgroups with Exceptional Structural Relations in Big Datasets

 

In this project, we aim at bringing together data mining techniques from computer science and social science methodology. In the data mining literature, efficient algorithms for subgroup discovery (sometimes also called pattern mining or pattern recognition) have been developed and are widely used for identifying unobserved subgroups in large datasets. In the social, behavioral, and life sciences on the other hand, there are decades of research on how to model structural relations between random variables. One of the most popular and flexible methods used in this field is structural equation modeling (SEM). We propose to develop a new method that combines the latest algorithms from pattern mining to more efficiently find the subgroups of interest in large datasets and complex structural equation models that allow for discovering unobserved relationships within and between persons. The new approach is termed SubgroupSEM and allows researchers to find subgroups of persons with specific functional relationships. For example, the new approach would allow researchers to find a subgroup of patients in which a treatment has effects on motivation, attachment, and physical activity, which then reduce depressive symptoms. To the best of our knowledge there is little to no overlap between SEM and pattern mining fields. We believe that SEM could benefit from the algorithmic knowledge developed in other fields, while on the other hand the pattern mining community could profit from incorporating more refined models used in the social sciences. We want to do various feasibility studies and identify limitations and potential applications of the intended SubgroupSEM approach in order to be in a good position to submit a full proposal to an external funding agency by the end of the PrepFund project.

Förderung: PrepFund-Projekt an der RWTH Aachen (Exzellenzinitiative)
Antragsteller: Prof. Dr. Axel Mayer & Dr. Florian Lemmerich
Projektmitarbeiter: Christoph Kiefer, M. Sc. & Benedikt Langenberg, M.Sc.
Laufzeit: 14 Monate, 2019-2020

 

Publikationen:

Lemmerich, F., Kiefer, C., Langenberg, B. G., Aboukhalil, J. C. & Mayer, A. (2020). Mining Expectional Mediation Models. Proceedings of the 25th International Symposium on Intelligent Systems (ISMIS 2020)
Mayer, A., Kiefer, C., Langenberg, B. G. & Lemmerich, F. (2021). Using subgroup discovery and latent growth modeling to identify unusual developmental trajectories. In Engel, U., Quan-Haase, A., Liu, S. X. & Lyberg, L., Handbook of Computational Social Sciene. Routlegde.

Studienwahl und Studienerfolg in interdisziplinären Studiengängen

Interdisziplinäre Studiengänge haben in den letzten Jahren an Bedeutung gewonnen. Bisher fehlt es jedoch an verlässlichem Wissen über die Prozesse, die dazu führen, dass Studierende diese Studiengänge wählen und in ihnen reüssieren. Basierend auf Daten aus dem Nationalen Bildungspanel und mittels moderner statistischer Methoden möchten wir untersuchen, welche Studierenden sich für interdisziplinäre Studiengänge entscheiden und welche Interessens-und Fähigkeitsprofile hilfreich sind, um in diesen hinsichtlich subjektiver und objektiver Kriterien erfolgreich zu sein. Dieses Forschungsvorhaben soll neue Einsichten liefern hinsichtlich der Charakteristika interdisziplinärer Studiengänge und ihrer Studierenden. Damit sollen Handlungsempfehlungen bezüglich der Gestaltung interdisziplinärer Studiengänge vorbereitet und Ansatzpunkte dafür erarbeitet werden, wie Studieninteressierte besser in ihrer Studienfachwahl unterstützt werden können.

Förderung: Bundesministerium für Bildung und Forschung
Antragsteller: Prof. Dr. Bettina S. Wiese & Prof. Dr. Axel Mayer
Projektmitarbeiter: Christoph Kiefer, M. Sc. & Anna M. Claus, M.Sc.
Laufzeit: 24 Monate, 2018-2020

Modelling and predicting non-linear changes in educational trajectories: The multilevel latent growth components approach

 

In our project we aim at developing a statistical model for modelling and predicting non-linear changes in educational trajectories in its full complexity. To achieve this goal, the new approach needs to be capable of a) modelling the individual change and the cluster-level change of an outcome-of-interest over several occasions of measurement (e.g. development of students' satisfaction with their academic success at the student level and the university level), b) assessing how predictors impact the outcome-of-interest at a given point of time and how this impact changes over time and in reaction to critical life events (e.g. results of recent exams), c) including flexible non-linear comparisons of measurement occasions tailored to specific research questions (e.g. whether an improvement in satisfaction after a change of major is temporarily or sustainable), and d) evaluating the impact of cluster level predictors that can have an effect on changes in the outcome-of-interest on an institutional level (e.g. whether a university offers psychosocial counselling).

Förderung: StartUp-Projekt an der RWTH Aachen
Antragsteller: Prof. Dr. Axel Mayer
Projektmitarbeiter: Christoph Kiefer, M. Sc. & Caroline Keck, B. Sc.
Laufzeit: 12 Monate, 2018-2019

Publikationen:

Kiefer, C., Rosseel, Y., Wiese, B. S., & Mayer, A. (2018). Modeling and predicting non-linear changes in educational trajectories: The multilevel latent growth components approach. Psychological Test and Assessment Modeling, 60(2), 189–221.

Richtig einsteigen

Das Programm „richtig einsteigen.“

Von Mitte 2012 bis Anfang 2021 gab es an der Universität Bielefeld das Programm "richtig einsteigen." zur Weiterentwicklung von Studium und Lehre. Im Rahmen dieses Programms sollten insbesondere die Studienbedingungen im 1. Studienjahr verbessert werden.

Ein Teilprogramm sah vor, insbesondere die Aneignung fachspezifischer mathematischer Fähigkeiten zu unterstützen und neue Lehr- und Beratungsangebote zu schaffen, die Studierenden den Einstieg in Lehrveranstaltungen mit mathematischen Inhalten erleichtern. Dieses Teilprojekt wurde auch in der Psychologie umgesetzt.

Welche Rolle spielt Mathematik im Psychologiestudium?

Das Studium der Psychologie ist das Studium einer empirischen Wissenschaft. Studierende werden im Studium befähigt, Theorien und Annahmen über das Erleben und Verhalten mit geeigneten wissenschaftlichen Methoden zu überprüfen und Ergebnisse korrekt zu interpretieren. Mathematische Kenntnisse, insbesondere in deskriptiver Statistik, in Wahrscheinlichkeitsrechnung und in statistischen Testverfahren werden also unbedingt benötigt. Die Ausbildung in Methodenlehre und Statistik stellt einen Schwerpunkt des Studiums dar.

Um Studierenden den Einstieg ins Studium zu erleichtern, und beim Verständnis der mathematischen Inhalte zu unterstützen, wurden verschiedene Unterstützungsangebote entwickelt, welche zum Teil langfristig begleitend rund um die Vorlesungen Statistik I und II angeboten werden.

Ansprechpersonen

Dr. Kim Laura Austerschmidt

Dr. Sarah Bebermeier

Publikationen

Austerschmidt, K. L., Kerkhoff, D., Bebermeier, S. & Hagemann, A. (im Druck). Evaluation of a “Painting and Puzzles Exercise Book Statistics” for psychology freshmen. Psychology Teaching Review.

Bebermeier, S., Nussbeck, F. W. & Austerschmidt, K. L. (im Druck). Lernmodule zu Themenbereichen der Vorlesung Statistik I und II im Studiengang Psychologie der Universität Bielefeld. In: A. Salle, S. Schumacher & M. Hattermann (Hrsg.), Mathematiklernen mit digitalen Medien: Ergebnisse des mamdim-projekts.

Austerschmidt, K. L., Stappert, A., Heusel, H. & Bebermeier, S. (in Vorbereitung). Using Video Reviews in the Teaching of Statistics.

Bebermeier, S. & Austerschmidt, K. L. (in Vorbereitung). Covid-19 und Studienzufriedenheit – ein Vergleich von Prädiktoren bei Psychologiestudierenden, die in Präsenz bzw. teilweise oder vollständig in Distanz studierten.

2021

Austerschmidt, K. L. (2021). Richtig einsteigen ins Psychologiestudium: Evaluation mathematischer Unterstützungsmaßnahmen in der Studieneingangsphase (Dissertation). Universität Bielefeld. doi:10.4119/unibi/2949954

Austerschmidt, K. L., Bebermeier, S. & Nussbeck, F. W. (2021). Nutzung und Effekte mathematischer Vorkurse in verschiedenen Studienfächern. Die Hochschullehre, 7, 126-142. doi: 10.3278/HSL2116W

Bebermeier, S., Austerschmidt, K. L. & Nussbeck, F.W. (2021). Determinants of Psychology Students' Study Satisfaction. Psychology Learning & Teaching. doi:10.1177/1475725720985223

2020

Austerschmidt, K. L. & Bebermeier, S. (2020). „Richtig Einsteigen in Statistik“ - Nutzung und Nutzen eines mathematischen Vorkurses im Psychologiestudium. Psychologie in Erziehung und Unterricht, 67, 47-60. doi:10.2378/peu2020.art05d

2019

Austerschmidt, K. L. & Bebermeier, S. (2019). Flexible Unterstützungsangebote in Statistik: Implementation und Effekte auf Studienerfolg. Zeitschrift für Hochschulentwicklung, 14(3), 137-155. doi:10.3217/zfhe-14-03/09

Bebermeier, S., Nussbeck, F. W. & Austerschmidt, K. L. (2019). The Impact of Students’ Skills on the Use of Learning Support and Effects on Exam Performance in a Psychology Students’ Statistics Course. Scholarship of Teaching and Learning Psychology. doi:10.1037/stl0000170

Bebermeier, S. & Kerkhoff, D. (2019). Use and Impact of the Open Source Online Editor Etherpad in a Psychology Students’ Statistics Class. Psychology Teaching Review, 25 (2), 30-38.

Bebermeier, S. & Hagemann, A. (2019). Creating Statistics Exercises on the basis of Research Articles. Teaching of Psychology, 46 (3), 240-245. https://doi.org/10.1177/0098628319853938

2018

Austerschmidt, K. L. & Bebermeier, S. (2018). Studienanfänger/innen in Fächern mit mathematischen Lehrinhalten: mathematikbezogene Einstellungen und Kompetenzen, Nutzung & Nutzen von Vorkursen. In M. Stein (Hrsg.), Beiträge zum Mathematikunterricht 2018. Vorträge zur Mathematikdidaktik und zur Schnittstelle Mathematik/Mathematikdidaktik auf der gemeinsamen Jahrestagung GDM und DMV 2018 (S. 169-172). Münster: WTM.

Bebermeier, S. & Austerschmidt, K. L. (2018). Wie werden Unterstützungsmaßnahmen in Fächern mit mathematischen Studieninhalten genutzt und was bewirken sie? In M. Stein (Hrsg.), Beiträge zum Mathematikunterricht 2018. Vorträge zur Mathematikdidaktik und zur Schnittstelle Mathematik/Mathematikdidaktik auf der gemeinsamen Jahrestagung GDM und DMV 2018 (S. 213-216). Münster: WTM.

2016

Bebermeier, S. & Nussbeck, F.W. (2016). Richtig Einsteigen in die Methoden- und Statistikausbildung im Fach Psychologie – Ergebnisse einer Bedarfserhebung. In Lehren und Lernen von Mathematik in der Studieneingangsphase (pp. 501-516). Springer Fachmedien Wiesbaden.

Reiss. K. & Bebermeier, S. (2016). Die Erstellung von Übungsaufgaben durch Studierende – ein Praxisbeispiel aus den Gesundheitswissenschaften, Beitrag im Tagungsband Hanse- Kolloquium 2014, 173-182 .

2015

Bebermeier, S. & Reiss, K. (2015). Practicing Statistics by Creating Exercises for Fellow Students. Teaching Statistics 38(2), 40-44. https://doi.org/10.1111/test.12089

Bebermeier, S., Nussbeck, F.W. & Ontrup, G. (2015). 'Dear Fresher' - How Online Questionnaires Can Improve Learning and Teaching Statistics. Psychology Learning & Teaching, 14, 147-157, https://doi.org/10.1177/1475725715578563

2014

Bebermeier, S. & Nussbeck, F. W. (2014). Heterogenität der Studienanfänger/innen und Nutzung von Unterstützungsmaßnahmen. Zeitschrift für Hochschulentwicklung, 9(5), 83-100.