Hol' Dir diese Lernkarten, lerne & bestehe Prüfungen. Kostenlos! Auch auf iPhone/Android!

Experten (Berater aus dem Bereich Personalauswahl) sagen wie geeignet Person A (besonders intelligent) oder Person B ("gute" Persönlichkeitseigenschaften) für eine Position sind,in Abhängigkeit von ihrer sozial erwünschten Darstellung.

Ergebnisse
1. keine Info zur sozialen Erwünschtheit: intelligenter Bewerber A als wesentlich schlechter geeignet eingestuft als Bewerber B = unangemessenes Vertrauen darauf, dass Persönlichkeitsvariablen für den Berufserfolg bedeutsam sind Aber: Die Forschung zeigt dagegen eindeutig, dass kognitive Fähigkeiten ein guter und Persönlichkeitsmerkmale ein schlechter Prädiktor für Berufserfolg sind.
2. Bei Infos zur s.Erw.: Bewerber B (übrigens auch Bewerber A) als weniger geeignet eingestuft, wenn er sich sozial erwünscht darstelleen = »ehrliche« Bewerber bevorzugt
Aber:  Die Forschung liefert keine Belege für einen negativen Zusammenhang zwischen sozialer Erwünschtheit und Berufserfolg.

Problem: Selbst Experten lassen sich in ihrem Urteil von falschen Informationen (z.B. zur sozialen Erwünschtheit) beeinflussen, d.h.Expertenstatus schützt nicht vor Urteilsfehlern.

Sind menschliche Urteile weniger geeignet?
Gibt es im Bezug zur Richtigkeit bessere Methoden zur Urteilsbildung?

1.Klinische:
•individuelle, menschliche Urteile von Diagnostikern
•Bezeichnung bezieht sich auf die überwiegend aus dem klinischen Bereich stammende Forschung

•Klinische Urteilsbildung bedeutet, dass klinische Experten anhand der gleichen Informationen beurteilen, ob ein Patient z.B. psychotisch ist oder nicht.
•Sie verlassen sich dabei auf ihre klinische Erfahrung und brauchen ihr Urteil nicht zu begründen

2.Mechanische:
•die Informationen werden nach einer Formel verrechnet, die zuvor aus empirischen Daten abgeleitet wurde.
•Formel häufig durch statistische Analyse der Daten von vielen ähnlichen Fällen begründet (statistische Urteilsbildung)

• bekanntes mechanisches Urteilsmodell
• zur Feststellung von Psychosen (vs. Neurosen) anhand von MMPI-Testergebnissen
• Fünf Skalenwerte (T-Werte) werden nach der Formel verrechnet:

 

L+Pa+Sc–Hy–Pt

Lügenskala + Paranoia + Schizophrenie – Hysterie – Psychasthenie (T-Werte)

Liegt der Index über 45, gilt der Patient als psychotisch.

Studie von Goldberg (1965):
Kliniker haben bessere Trefferquoten, wenn sie den Goldberg-Index  zur Einschätzung von Psychosen verwenden als wenn sie erfahrungsbasiert klinisch urteilen: 74% (mech.U.) vs. 68% (klin.U.)

Metaanalyse von Meehl (1954):
22 Studien zum Vergleich klinischer und statistischer Urteile ausgewertet = Überlegenheit der statistischen Urteilsbildung
Aber Meehl als Psychoanalytiker sagt: „Alternative zum statistischen Urteil meist nicht das klassische klinische Urteil, sondern das Urteil eines Menschen, der die Formel kennt und entscheidet, ob er ihr folgt oder nicht“

AEgisdottir et al. (2006)
69 Studien zum Vergleich klinischer und statistischer Urteile
Über alle Studien (mit 173 Effektstärken!) Gesamteffektstärke von d = .16 zugunsten der statistischen Methode
Selbst bei konservativer  Schätzung mit 41 Studien (deren Ergebnisse: keine Ausreißer) noch Effektstärke d = .12.
Überlegenheit der mechanischen/statistischen Vorhersage

Grove et al. (2000)
136 Untersuchungen zur Genauigkeit von Urteilen im psychologischen und medizinischen Bereich: statistische Urteilsbildung überlegen: d = .089
Aber: sehr kleiner Effekt! (relativiert Überlegenheit von stat.U)

Argumente für  klinische Urteilsbildung

• Einzelfälle (vs. Gruppen) berücksichtigt
• Berücksichtigung spezifischer Muster von Variablenausprägungen
• Verfügbarkeit zusätzlicher Informationen, die in die statistische Vorhersage nicht eingehen
• Nur geringe Überlegenheit statistischer Modelle (geringe Effektstärken bei Metaanalysen)

Grenzen der klinischen Urteilsbildung:

• ist durch fehleranfällige menschliche Urteile unterlegen
• Diagnoistiker ignorieren häufig die Basisrate:
machen Diagnosen, die unwahrscheinlich sind (weil statistisch selten!)
• Diagnoistiker gewichten Informationen falsch:
Availability-Heuristik = leicht verfügbare Informationen werden über-gewichtetRegression zur Mitte wird vernachlässigt

beide Modelle haben Vor- und Nachteile

Vorteile und Chancen beider Urteilsmodelle nutzen

statistische Vorhersagemodell kennen und nutzen (»Formel« nutzen) – ohne ihnen blind zu vertrauen

wenn der DiagnostikerZweifel hat, dass das Modell für einen Probanden angemessen ist, die mechanische Vorhersage korrigieren oder ganz durch klinische ersetzen

Mechanische Vorhersage verbessern

Unterschied zu bisherigen linearen Regressionsmodellen: Zwischenschicht ("Neuronen"), die den Zusammenhang zw. Prädiktor und Kriterium vermittelt
P1/P2/P3   - - - - N1/N2 - - - -  K

Anzahl der „Neurone“: frei wählbar.

Neurone lernen durch Variation der Gewichtung der Pfade, welcher Faktor optimal das Kriterium vorhersagt

= schrittweise Verstärkung der „besseren“ Pfade und Abschwächung der „schwächeren“ Pfade

= Modelloptimierung bis vorgesagte Kriteriumswerte gut zu  den tatsächlichen passen.

Nachteile des KNN:

• Gefahr, dass überangepasste Lösungen erzeugt werden (Zufallsvarianz ausgebeutet)
• Stabilität berücksichtigen: Ist das KNN auch über die Zeit hinweg vorhersagekräftig?
Prädiktoren können Vorhersagekraft verlieren (z.B. durch Vertrautheit mit Test bei Einstellungstests)