Abschlussarbeiten

Der aktuelle Affekt beeinflusst das eigene affektive Erleben sowie Verhaltensweisen in nachfolgenden Situationen. Um den aktuellen Affekt zu erfassen, können verschiedene Antwortskalen eingesetzt werden. Während erste Unterschiede zwischen analogen (z. B Schieberegler) und diskreten Skalen (z. B. fünf Antwortkategorien) berichtet wurden, gibt es wenig Wissen darüber, welche Unterschiede sich im Antwortverhalten zwischen diskreten Antwortskalen zeigen. Unterschieden werden können unipolare Antwortskalen (z. B. Affekt „glücklich“: trifft gar nicht zu – trifft voll zu), bipolare Antwortskalen mit ausschließlicher Bezeichnung der Endpunkte (z. B. entspannt – angespannt, auf einer siebenstufigen Antwortskala ohne Bezeichnung der Zwischenkategorien) und bipolare Antwortskalen mit Bezeichnung aller Antwortkategorien (z. B. sehr unwohl – unwohl – etwas unwohl – weder noch – etwas wohl – wohl – sehr wohl, auf einer siebenstufigen Antwortskala).

In der vorliegenden Arbeit soll selbständig eine kleine Erhebung durchgeführt werden (experience sampling Methode über eine Smartphone-App), bei der die gleichen Items mit unterschiedlichen Antwortskalen dargeboten werden. Unterschiede in der Beantwortung der Items in Abhängigkeit vom Antwortformat werden analysiert und diskutiert.

Ansprechperson: Miriam Jähne

Der Begriff der Heterogenität bezeichnet Unterschiede zwischen Personen(gruppen), welche dazu führen, dass je Personen(gruppe) unterschiedliche Ergebnisse resultieren. Entsprechend gewinnt die Berücksichtigung der Heterogenität von Personen seit Jahren an Bedeutung. Nicht zuletzt sind Schwierigkeiten der Replikation von früheren Forschungsergebnissen anhand einer vergleichbaren Stichprobe (z. B. die Ergebnisse sollen an einer neuen, vergleichbaren Stichprobe wiedergefunden werden) oder die Generalisierung früherer Forschungsergebnisse auf eine größere Stichprobe (z. B. die Ergebnisse sollen auf eine breitere Stichprobe als die zuvor genutzte erweitert werden) auf die fehlende Berücksichtigung von Heterogenität zwischen Personen zurückzuführen.

Bekannte Ansätze zur Berücksichtigung von Heterogenität sind die Verwendung von Kovariaten oder der Einsatz von Klassifizierungsverfahren (z. B. LCA, Clusteranalyse), die Personengruppen identifizieren. Die vorliegende Arbeit ist als Literaturrecherche gedacht und möchte Ansätze recherchieren und gegenüberstellen, wie Heterogenität in Längsschnittdaten berücksichtigt wird. Dabei sollen Limitationen und Potentiale der unterschiedlichen Analyseoptionen berücksichtigt werden.

Ansprechperson: Miriam Jähne

In dieser BA soll in einem systematischen Literaturreview herausgearbeitet werden, wie Modellgütekritieren bzw. -vergleiche in Bayesianischen Analysen in psychologischen Publikationen berichtet und evaluiert werden. Während es für frequentistische Modellvergleiche etablierte Cutoff-Kriterien gibt, sind Modellvergleiche für Bayesianische Analysen in der psychologischen Forschung noch nicht weit verbreitet und genutzt. Die Literaturrecherche betrifft vor allem Modellvergleichskritieren wie Bayesian Information Criterion (BIC), Watanabe-Akaike Information Criterion (WAIC), Leave-One-Out Cross-Validation (LOO-CV), und Bayes-Faktoren.

Ansprechperson: Fabian Münch

Bei verbreiteten Ansätzen zur Meta-Analyse von Studien mit Strukturgleichungsmodellen werden in einem ersten Schritt die verfügbaren Korrelationsmatrizen der Studien gepooled, um in einem zweiten Schritt Strukturgleichungsmodelle auf die gepoolte Korrelationsmatrix zu fitten.

Eine wichtige Frage ist die Homogenität bzw. Heterogenität der verfügbaren Studien. Diese Variabilität kann im ersten Schritt mit Fixed- bzw. Random-Effects modelliert werden, allerdings ist diese Modellierung unspezifisch falls Heterogenität auf unterschiedliche Subpopulationen zurückzuführen ist.

In Simulationsstudien können dazu unterschiedliche Fragestellungen bearbeitet werden.

Beispiele:

•  Wie verhalten sich Fit-Indizes zur Evaluation von Heterogenität der Studien wenn diese aus unterschiedeichen Subpopulationen stammen?
• Wie werden Parameterschätzungen von Heterogenität der zugrundeliegenden Studien beeinflusst?

Ansprechperson: Christian Bloszies

Die moderne psychologische Messtheorie – insbesondere die stochastische Messtheorie bildet psychische Eigenschaften als latente Variablen ab, die nur indirekt über beobachtbare Antworten erschlossen werden.
Ob diese latenten Variablen real existieren oder lediglich nützliche theoretische Konstrukte sind, ist eine zentrale wissenschaftstheoretische Frage.

In der Psychologie konkurrieren dabei drei Grundpositionen:

• Realismus (struktureller bzw. Entitätsrealismus): Latente Variablen repräsentieren reale, existierende psychische Dispositionen (z. B. Intelligenz, Extraversion).
• Antirealismus / Instrumentalismus: Modelle dienen nur der Vorhersage beobachtbarer Antworten; „latente Variablen“ sind theoretische Hilfskonstrukte ohne Eigenexistenz.
• (sozialer, radikaler) Konstruktivismus: Messmodelle erzeugen durch theoretische und methodische Praktiken erst die Realität, die sie zu messen scheinen („Messung als Konstruktionsprozess“).

Diese Frage hat Konsequenzen für die Interpretation psychologischer Maße (z. B. „Was bedeutet ein Intelligenz-Score wirklich?“) und für die Bewertung von Modellgüte und Validität in der psychologischen Forschung.Die Arbeit umfasst einerseits eine systematische und ausführliche Literaturrecherche und stellt andererseits unterschiedliche wissenschaftstheoretische Positionen vergleichend gegenüber. Darüber hinaus werden die praktischen Konsequenzen dieser Positionen kritisch diskutiert.

Ansprechperson: Tobias Koch

Ziel ist es, nichtlineare Veränderungsverläufe eines psychologischen Traits (z. B. Wohlbefinden, subjektives Alter, Persönlichkeitsfacetten) zu modellieren und Wendepunkte (Knots/Change Points) empirisch zu bestimmen. Verglichen werden quadratische/latent-basis-Modelle mit piecewise („Spline“-)Latent-Growth-Modellen inklusive festen vs. frei zu schätzenden Knots (auch als Bilinear-Spline). Die Schätzung sollte frequentistisch und bayesianisch erfolgen.

Relevance: Warum relevant? Moderne LGMs bilden reale Entwicklungsphasen oft besser durch Phasen mit unterschiedlichen Steigungen als durch einfache Polynomfunktionen ab; Spline-LGMs erlauben genau diese Struktur und können Knots sogar schätzen (statt vorzugeben).

Ansprechperson: Tobias Koch
Weitere Betreuer: Fabian Münch

Ziel der Arbeit ist es, in einem intensiven Längsschnittdatensatz (z. B. Tagebuch-/Erfahrungs­sampling) die Veränderung der Beziehung zwischen psychologischen Prädiktoren und einem Outcome über Zeit zu untersuchen – mit Fokus auf inner-personale (within-person) Effekte, die sich im Verlauf verändern. Hierzu wird die Methode des Time‑Varying Effects Model (TVEM) verwendet, die es erlaubt, Regressionskoeffizienten als funktionale Verläufe über die Zeit zu modellieren, statt sie als konstant anzunehmen. Im Fokus steht insbesondere:

• Wie verändert sich die Stärke des Einflusses eines Prädiktors (z. B. Tagesstress, soziale Interaktion) auf ein Outcome (z. B. Tages-Wohlbefinden) über die Messzeit?
• Gibt es spezifische Zeitpunkte oder Phasen, in denen die Beziehung besonders stark/ schwach ist?
• Unterscheiden sich diese Dynamiken zwischen Personen, und lassen sich individuelle Merkmale (z. B. Alter, Geschlecht, Trait-Stressanfälligkeit) als Moderatoren identifizieren?

Ansprechperson: Tobias Koch

Bifaktorielle Modelle werden zunehmend in der psychologischen Diagnostik eingesetzt, um gemeinsame und spezifische Varianzquellen (z. B. allgemeines Wohlbefinden, spezifische Lebensbereiche) zu trennen.
Dabei konkurrieren mehrere Modellvarianten:

1. Klassisches Bifactor-Modell.
2.  Bifactor-(S-1) Modell
3.  Bifactor-(S*I-1) Modell

Diese Modelle unterscheiden sich in theoretischer Interpretation, Identifizierbarkeit und in der Güte und Validität der resultierenden Factorscores. Die Wahl des „falschen“ Modells kann zu diagnostischen Fehlschlüssen führen – etwa, dass ein vermeintlich „genereller“ Faktor in Wahrheit ein Artefakt der Referenz-Faktor ist.

Die Arbeit untersucht,

1. wie sich klassische Bifactor-, Bifactor-(S-1)- und Bifactor-(S*I-1)-Modelle empirisch und theoretisch unterscheiden,
2. wie sich die Modellwahl auf die Validität und Interpretation von Factorscores auswirkt,
3. und wie sich Bayes’sche Modellvergleichsverfahren (WAIC, LOO) gegenüber klassischen Fit-Indizes (CFI, RMSEA, AIC, BIC) bei der Auswahl zwischen diesen Modellen schlagen.

Ansprechperson: Tobias Koch

Weitere Betreuer: Lukas Knitter/Christian Bloszies

In der psychologischen und pädagogischen Forschung sind Daten häufig hierarchisch organisiert – etwa Studierende in Lehrveranstaltungen, die von unterschiedlichen Dozierenden betreut werden.
Klassische Varianzanalysen (ANOVA) oder hierarchische lineare Modelle (HLM) setzen jedoch meist strikt verschachtelte Strukturen voraus.

In Lehrevaluationen liegen dagegen oft (nicht orthogonale) oder kreuzklassifizierte Datenstrukturen vor:

• Studierende besuchen mehrere Lehrveranstaltungen,
• Lehrveranstaltungen werden von mehreren Dozierenden betreut,
• und Kurse werden über mehrere Semester hinweg angeboten.

Solche cross-classified Designs führen dazu, dass Beobachtungen mehreren nicht-hierarchischen Clustern zugeordnet sind. Werden diese Abhängigkeiten ignoriert (z. B. durch eine konventionelle ANOVA oder klassische HLMs), entstehen verzerrte Schätzungen von Varianzanteilen, Effekten und Standardfehlern.

Die Arbeit vergleicht Cross-Classified Multilevel Models (CCM) mit non-orthogonalen Varianzanalysen konzeptionell und empirisch. Anhand realer Lehrevaluationsdaten soll gezeigt werden,

1. wie sich beide Ansätze methodisch unterscheiden,
2. wie sich diese Unterschiede auf die Interpretation von Effektgrößen (Dozierenden-, Kurs-, Semester-Effekte) auswirken, und
3. welche Methode für typische Evaluationsszenarien robustere und präzisere Varianzschätzungen liefert.

Ansprechperson: Tobias Koch

Weitere Betreuer: Linda Gräfe

Das Wohlbefinden und die Stressregulation von Personen schwanken stark im Alltag und werden von situativen Kontexten, sozialen Interaktionen und individuellen Ressourcen beeinflusst. Klassische psychologische Erhebungen (z. B. Fragebögen, ESM-Items) liefern wertvolle, aber subjektive Momentaufnahmen.

Wearables ermöglichen dagegen eine kontinuierliche, unobtrusive Erfassung physiologischer Indikatoren wie Herzfrequenz (HR), Herzfrequenzvariabilität (HRV), Hauttemperatur oder Aktivität. Die Integration beider Ansätze eröffnet neue Möglichkeiten, Stress- und Wohlbefindensdynamiken multimethodal und ökologisch valide zu erfassen.

Allerdings ist noch unzureichend erforscht,

• wie stark die physiologischen Maße tatsächlich mit psychologischen Selbstberichten korrelieren,
• welche zeitlichen Verzögerungen zwischen physiologischen und subjektiven Reaktionen bestehen,
• und welche individuellen Unterschiede (z. B. Achtsamkeit, Emotionsregulation) diese Zusammenhänge moderieren.

Ansprechperson: Tobias Koch