| Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand (9MB) |
- URN zum Zitieren dieses Dokuments:
- urn:nbn:de:bvb:355-epub-378853
- DOI zum Zitieren dieses Dokuments:
- 10.5283/epub.37885
Dokumentenart: | Hochschulschrift der Universität Regensburg (Dissertation) |
---|---|
Open Access Art: | Primärpublikation |
Datum: | 18 Oktober 2021 |
Begutachter (Erstgutachter): | Prof. Dr. Stefan Krauss und Prof. Dr. Oliver Tepner und Prof. Dr. Gerd Gigerenzer |
Tag der Prüfung: | 19 Oktober 2018 |
Institutionen: | Mathematik > Prof. Dr. Stefan Krauss |
Stichwörter / Keywords: | Bayesianisches Denken, natürliche Häufigkeiten, Baumdiagramme, medizinische Entscheidungsfindungsprozesse, Mammographie-Problem, 2-Test-Fall |
Dewey-Dezimal-Klassifikation: | 500 Naturwissenschaften und Mathematik > 510 Mathematik |
Status: | Veröffentlicht |
Begutachtet: | Ja, diese Version wurde begutachtet |
An der Universität Regensburg entstanden: | Ja |
Dokumenten-ID: | 37885 |
Zusammenfassung (Deutsch)
Das fehlerhafte Verknüpfen oder Interpretieren statistischer Informationen kann in der Medizin zu Überdiagnosen oder Überbehandlungen führen, schlimmstenfalls sogar zu Suizid, wenn einem positiven Testergebnis, das eine schwere Erkrankung indiziert, zu großes Vertrauen geschenkt wird. In der vorliegenden kumulativen Dissertation sollen Strategien analysiert werden, die Menschen helfen, bedingte ...
Zusammenfassung (Deutsch)
Das fehlerhafte Verknüpfen oder Interpretieren statistischer Informationen kann in der Medizin zu Überdiagnosen oder Überbehandlungen führen, schlimmstenfalls sogar zu Suizid, wenn einem positiven Testergebnis, das eine schwere Erkrankung indiziert, zu großes Vertrauen geschenkt wird. In der vorliegenden kumulativen Dissertation sollen Strategien analysiert werden, die Menschen helfen, bedingte Wahrscheinlichkeiten in Bayesianischen Aufgabenstellungen zu verstehen: 1. Natürliche Häufigkeiten und 2. Visualisierung mit Hilfe von Baumdiagrammen (und Vierfeldertafeln). Im ersten Artikel wird eine Studie mit 259 Schülerinnen und Schüler vorgestellt, in der typische schulische Visualisierungen Bayesianischer Aufgaben untersucht werden – Vierfeldertafeln und Baumdiagramme – die beide mit Wahrscheinlichkeiten oder natürlichen Häufigkeiten ausgefüllt werden können. Es zeigte sich, dass maximal 10% der Schülerinnen und Schüler der 11. Klassen in der Lage waren, Bayesianische Aufgaben korrekt zu lösen, wenn diese mit Wahrscheinlichkeiten und Wahrscheinlichkeitsvisualisierungen gegeben waren, obwohl gerade das Baumdiagramm mit Wahrscheinlichkeiten an den Ästen im Fokus des Mathematikunterrichts stehen. Die größtenteils unbekannten Häufigkeitsbäume konnten die Schülerinnen und Schüler in ihrem Entscheidungsfindungsprozess hingegen deutlich besser unterstützen (Lösungsrate 45%).
Der zweite Artikel beschreibt zwei Studien mit Medizinstudierenden des Universitätsklinikums in Regensburg, in denen Bayesianische medizinische Entscheidungsfindungsprozesse untersucht werden, in denen realitätsnah nicht nur ein diagnostisches Verfahren, sondern zwei eingesetzt werden, um zu einer medizinischen Diagnose zu gelangen (z.B. Mammographie und Sonographie zur Diagnose einer Brustkrebserkrankung). In der ersten Studie wurde gezeigt, dass sowohl natürliche Häufigkeiten als auch Baumdiagramme mit natürlichen Häufigkeiten das Verständnis der Studierenden auch im 2-Test-Fall unterstützen. Hierbei spielt es keine Rolle, ob die statistischen Informationen zusätzlich auch noch als Text gezeigt werden, oder ob diese lediglich aus dem Baumdiagramm entnommen werden können. In der zweiten Studie des Artikels wurden modifizierte Baumdiagramme untersucht, bei denen die beiden zur Lösungsfindung relevanten Äste entweder farblich markiert wurden oder sogar nur diese beiden Äste dargestellt wurden. Während der markierte Häufigkeitsbaum das Verständnis gegenüber einem normalen Häufigkeitsbaum nochmal deutlich verbesserte (67% vs. 47%), blieb die Lösungsrate beim „reduzierten Baumdiagramm“ bei 47%.
Der dritte Artikel beinhaltet eine ausführliche theoretische Analyse verschiedener Formulierungsmöglichkeiten der eben beschriebenen 2-Test-Fälle. Hierbei werden vier Eigenschaften vorgestellt, die die Formulierung statistischer Informationen erfüllen sollten, damit diese möglichst gut von Menschen verstanden werden. Anschließend wird eine Studie mit 123 Medizinstudierenden der Charité Berlin vorgestellt, in der neben dem 2-Test-Fall weitere Verallgemeinerungen Bayesianischer Standardaufgaben untersucht werden: Ein 3-Test-Fall, eine Situation, in der zwei verschiedene Erkrankungen mit einem Test diagnostiziert werden können und eine Situation, in der drei verschiedene Testergebnisse (z.B. auch unklarer Befund) möglich sind. Während natürliche Häufigkeiten in allen vier verallgemeinerten Situationen das Verständnis entscheidend verbessern konnten, war die zusätzliche Darbietung von Baumdiagrammen nur dann hilfreich, wenn es sich um 2- oder 3-Test-Fälle handelte, wenn die statistischen Informationen also mehrfach ineinander verschachtelt sind. Darüber hinaus wurden im dritten Artikel auch Fragestellungen untersucht, die nicht dem positiven Vorhersagewert entsprechen, sondern auch negative Testergebnisse beinhalten konnten (z.B. positives Mammogramm, aber negatives Sonogramm). Gerade bei dieser Art von Fragen verbesserten Baumdiagramme das Verständnis.
Übersetzung der Zusammenfassung (Englisch)
This cumulative dissertation aims to analyze strategies that help people understand conditional probabilities in Bayesian tasks: 1. Natural frequencies and 2. Visualization using tree diagrams (and 2x2-tables). The first article presents a study with 259 students in which typical school visualizations of Bayesian tasks are examined-2x2-tables and tree diagrams-both of which can be filled with ...
Übersetzung der Zusammenfassung (Englisch)
This cumulative dissertation aims to analyze strategies that help people understand conditional probabilities in Bayesian tasks: 1. Natural frequencies and 2. Visualization using tree diagrams (and 2x2-tables).
The first article presents a study with 259 students in which typical school visualizations of Bayesian tasks are examined-2x2-tables and tree diagrams-both of which can be filled with probabilities or natural frequencies. It turned out that a maximum of 10% of the students were able to correctly solve Bayesian tasks if these were given with probabilities and probability visualizations. The largely unknown frequency trees, on the other hand, were able to support the students in their decision-making process much better (solution rate 45%).
The second article describes two studies with medical students of the University Hospital in Regensburg, in which Bayesian medical decision making processes are examined, in which realistically not only one diagnostic procedure, but two are used, in order to arrive at a medical diagnosis (e.g. mammography and sonography for the diagnosis of a cancer of the breast). In the first study it was shown that both natural frequencies and tree diagrams with natural frequencies support the understanding of the students also in the 2-test case. It does not matter whether the statistical information is also shown as text or whether it can only be taken from the tree diagram. In the second study of the article modified tree diagrams were examined, with which the two branches relevant for the solution finding were either highlighted or even only these two branches were represented. While the highlighted frequency tree improved the understanding compared to a complete frequency tree (67% vs. 47%), the solution rate for the "reduced tree diagram" remained at 47%.
The third article contains a detailed theoretical analysis of different formulation possibilities of the medical 2-test cases. Subsequently, a study with 123 medical students of the Charité Berlin is presented, in which apart from the 2-test case further generalizations of Bayesian standard tasks are examined: A 3-test case, a situation in which two different diseases can be diagnosed with one test and a situation in which three different test results (e.g. also unclear findings) are possible. While natural frequencies in all four generalized situations could decisively improve the understanding, the additional presentation of tree diagrams was only helpful in the case of 2 or 3 test cases. In addition, the third article also examined questions that did not correspond to the positive prediction value, but could also contain negative test results (e.g. positive mammogram, but negative sonogram). Just at these kind of questions, tree diagrams improved understanding.
Metadaten zuletzt geändert: 18 Okt 2021 10:48