PropertyValue
?:abstract
  • "Machine Learning Algorithmen werden bereits in der sozialwissenschaftlichen Forschung als neue Methoden eingesetzt, um speziell entwickelte Fragestellungen zu beantworten. Darüber hinaus kann für solche neuen Methoden exploriert werden, inwiefern diese zur Beantwortung bestehender Fragestellung verwendet werden können. Hieran setzt die vorliegende Arbeit an, indem sie sich der Frage widmet, inwiefern Machine Learning in der psychologischen Fragebogentwicklung sinnvoll eingesetzt werden kann. Dazu wurden zwei Studien durchgeführt, welche an unterschiedlichen Aspekten des Fragebogenentwicklungsprozesses ansetzen. In beiden Studien wird der Fragebogenentwicklungsprozess im Rahmen der Persönlichkeitsmessung betrachtet. In der ersten Studie wurde untersucht, inwiefern Machine Learning verwendet werden kann, um das Potenzial von Bildern als Stimulusmaterial für die Persönlichkeitsmessung abzuschätzen und erste Messmodelle abzuleiten. Hierzu wurden in Benchmark-Experimenten einerseits lineare (Multiple Regression, LASSO) und non-lineare (Support Vector Machine, Random Forest, Entscheidungsbaum) Modellierungen zur Vorhersage von Persönlichkeitseigenschaften verglichen. Andererseits wurde überprüft, inwiefern aus den Modellen mit der höchsten Vorhersagegüte Messmodelle für die jeweilige Persönlichkeitseigenschaft abgeleitet werden können. Die zweite Studie befasst sich damit, inwiefern Machine Learning Algorithmen zusammen mit Panel Daten verwendet werden können, um Hinweise auf die Validität, insbesondere Inhaltsvalidität, von Fragebögen zu erhalten. Hierzu wurden ebenfalls Benchmark-Experimente durchgeführt, um die Vorhersagegüte linearer (LASSO) und non-linearer (Support Vector Machine, Random Forest) Modelle miteinander zu vergleichen. Darüber hinaus wurden die wichtigsten Prädiktoren aus den Modellen mit der höchsten Vorhersagegüte mit den Variablen mit den höchsten Korrelationen verglichen. Die Ergebnisse der beiden Studien zeigen, dass durch die Verwendung von Machine Learning Algorithmen für den Fragebogenentwicklungsprozess relevante Informationen gewonnen werden können. Allerdings wird deutlich, dass sie als explorative Ansätze in jedem Fall von konfirmatorischen Analysen komplementiert werden sollten. Darüber hinaus zeigen die Ergebnisse, dass die Zusammenhänge in den verwendeten Daten gut durch regularisierte lineare Modellierungen angenähert werden konnten." Die Daten des ALLBUS werden als Vergleichsdatensätze verwendet. (xsd:string)
?:author
?:comment
  • https://nbn-resolving.org/urn:nbn:de:bvb:19-261256. (ALLBUS) (GESIS Panel) (xsd:string)
?:dataSource
  • ALLBUS-Bibliography (xsd:string)
  • GESIS Panel-Bibliography (xsd:string)
?:dateCreated
  • Aufgenommen: 35. Fassung, Dezember 2020 (xsd:gyear)
?:dateModified
  • 2020 (xsd:gyear)
?:datePublished
  • 2020 (xsd:gyear)
?:duplicate
?:fromPage
  • 141 (xsd:string)
is ?:hasPart of
?:inLanguage
  • german (xsd:string)
is ?:mainEntity of
?:name
  • Zwischen Tradition und Moderne: Machine Learning in der Persönlichkeitsmessung (xsd:string)
?:publicationType
  • phdthesis (xsd:string)
?:reference
?:sourceInfo
  • 141, 2020 (xsd:string)
  • Bibsonomy (xsd:string)
?:studyGroup
  • ALLBUS (xsd:string)
  • GESIS Panel (xsd:string)
?:tags
  • 2020 (xsd:string)
  • ALLBUS (xsd:string)
  • ALLBUS_input2020 (xsd:string)
  • ALLBUS_pro (xsd:string)
  • ALLBUS_version35 (xsd:string)
  • FDZ_ALLBUS (xsd:string)
  • GESISpanel (xsd:string)
  • GP_input2020 (xsd:string)
  • GP_pro (xsd:string)
  • checked (xsd:string)
  • datfeld (xsd:string)
  • german (xsd:string)
  • jak (xsd:string)
  • phdthesis (xsd:string)
  • rp (xsd:string)
  • transfer20 (xsd:string)
  • vttrans (xsd:string)
?:toPage
  • 141 (xsd:string)
rdf:type
?:uploadDate
  • 18.12.2020 (xsd:gyear)
?:url