Bayesianisches Denken trainieren - Konstruktion, Implementation und Vergleich von Trainingskursen für erweitertes Bayesianisches Denken - Publikationsserver der Universität Regensburg

URN zum Zitieren dieses Dokuments:: urn:nbn:de:bvb:355-epub-588440
DOI zum Zitieren dieses Dokuments:: 10.5283/epub.58844

Steib, Nicole

Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand
PDF
(54MB)

Veröffentlichungsdatum dieses Volltextes: 27 Feb 2025 05:24

Alternative Links zum Volltext:Verlag Verlag Verlag

Details

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Datum:	27 Februar 2025
Begutachter (Erstgutachter):	Prof. Dr. Stefan Krauss
Tag der Prüfung:	29 Februar 2024
Institutionen:	Mathematik > Prof. Dr. Stefan Krauss
Stichwörter / Keywords:	Bayesianisches Denken, Doppelbaum, Einheitsquadrat, Calculation, Covariation
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:	58844

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Deutsch)

Zusammenfassung (Deutsch)

Bei der Interpretation von positiven Testergebnissen in der Medizin oder der Einschätzung von Indizien in der Rechtsprechung wird adäquates statistisches Denken benötigt, um beispielsweise Überdiagnosen im medizinischen Kontext oder Fehlurteile vor Gericht aufgrund von falschen Interpretationen zu vermeiden. In der vorliegenden kumulativen Dissertation werden die Konzeption und Erprobung verschiedener Trainings zum erweiterten Bayesianischen Denken (in Bezug auf die Aspekte Calculation und Covariation) thematisiert, bei der die Visualisierungen Doppelbaum und Einheitsquadrat den zentralen Kern darstellen.
Der erste Artikel legt dar, wie beide Visualisierungen unter Berücksichtigung von einschlägigen Multimediaprinzipien Schritt für Schritt optimiert und zu einer statischen und einer dynamischen Version zur Förderung erweiterten Bayesianischen Denkens weiterentwickelt werden.
Im zweiten Artikel werden diese neu konzipierten Visualisierungen als Grundlage für die Untersuchung zweier möglicher Messmethoden (Single-Choice vs. Schieberegler) zur Covariation mit N = 229 Lehramtsstudierenden genutzt, um die ideale Operationalisierung für die Hauptstudie mit Medizin- und Jurastudierenden zu identifizieren. Es zeigt sich, dass in Bezug auf die Covariation mit der Präsentation einer Visualisierung eine Lösungsrate von 64 % über alle Aufgaben erzielt werden kann. Allerdings unterscheidet sich sowohl der Schwierigkeitsgrad bei den drei verschiedenen möglichen Änderungen von Input-Parametern (Änderung der Basisrate vs. Richtig-Positiv-Rate vs. Falsch-Positiv-Rate) als auch die Lösungsrate in Bezug auf die Messmethode (Single-Choice vs. Schieberegler).
Der dritte Artikel beschreibt ausführlich die Konzeption der jeweiligen Trainings (auf der Basis von Doppelbaum und Einheitsquadrat) zu den Aspekten Calculation (in Form einer Slide-Show) und Covariation (in Form von Erklärvideos und auf Basis von Single-Choice-Aufgaben) und es werden erste Pilotierungsergebnisse mit Medizin- und Jurastudierenden (N = 16) zu den Trainingskursen vorgestellt. Neben der prinzipiellen Machbarkeit zeichnet sich bereits hier ein Lernerfolg sowohl für die Calculation als auch Covariation ab.
Im vierten Artikel werden schließlich die Ergebnisse der Hauptstudie mit N = 515 Studierenden aus den Domänen Medizin und Jura bezüglich der Lernerfolge zur Calculation vorgestellt. Das Hauptergebnis der Studie ist, dass das Training mit dem üblicherweise im Schulunterricht nicht genutzten Doppelbaum allen anderen Trainings (auch dem mit dem Einheitsquadrat) bezüglich der Calculation überlegen ist. Ein Posttest zeigte, dass die Performanz bei authentischen Bayesianischen Aufgaben im Wahrscheinlichkeitsformat kurzfristig von 13% auf 70% ansteigt. Auch mittelfristig (Follow-Up) ist ein Lernerfolg mit diesem Training zu beobachten (56% Lösungsrate). Interessanterweise starten die Jurastudierenden bereits im Prätest mit einer deutlich geringeren Performanz als die Medizinstudierenden. Derartige Unterschiede sind unter allen Experimentalbedingungen und über alle Messzeitpunkte hinweg zu beobachten. Weiterhin konnte festgestellt werden, dass Studierende mit höheren mathematischen Fähigkeiten auch größere Lernerfolge erzielen, wobei dieser Einfluss mit der Trainingsgruppe interagiert.

Übersetzung der Zusammenfassung (Englisch)

The interpretation of positive test results in medicine or the assessment of evidence in court requires adequate statistical reasoning, for example, to avoid overdiagnosis in a medical context or wrong judgments in court due to incorrect interpretations. In the present cumulative dissertation, the conception and testing of different training courses for extended Bayesian reasoning (regarding calculation and covariation) are discussed, in which the visualizations double tree and unit square represent the core element.
The first paper explains how both visualizations are optimized step by step, taking into account relevant multimedia principles, and how they are further developed into a static and a dynamic version to promote extended Bayesian reasoning.
In the second paper, these newly designed visualizations are used as a basis for the investigation of two possible measurement methods (single choice vs. slider) for covariation with N = 229 student teachers in order to identify the ideal operationalization for the main study with medical and law students. It can be seen that a solution rate of 64% across all tasks can be achieved by presenting a visualization regarding covariation. However, the degree of difficulty varies between the different possible changes of parameters (change in base rate vs. true-positive rate vs. false-positive rate) as well as between the measurement method (single-choice vs. slider).
The third paper describes the design of the respective training courses (based on double tree and unit square) on the aspects of calculation (in the form of a slide show) and covariation (in the form of explanatory videos and based on single-choice tasks) and presents first results of a pilot study of the training courses with medical and law students (N = 16). In addition to confirming the basic feasibility, the results already demonstrate learning success for both calculation and covariation.
Finally, the fourth paper presents the results of the main study with N = 515 students from the domains of medicine and law regarding the learning success for calculation. The main result of the study is that regarding calculation, the training with the double tree, which is not usually used in school teaching, is superior to all other trainings (including the training with the unit square). A post-test showed that performance on authentic Bayesian tasks in probability format increased from 13% to 70% in the short term. A learning success with this training can also be observed in the medium term (follow-up; 56% solution rate). Interestingly, the law students already start with a substantially lower performance in the pre-test than the medical students. Such differences can be observed in all experimental conditions and across all measurement points. Furthermore, it was found that students with higher mathematical skills also achieve greater learning success, with this influence interacting with the training group.

Nur für Besitzer und Autoren: Kontrollseite des Eintrags

Downloadstatistik

Weitere Literatur (mittels CORE)

Bayesianisches Denken trainieren - Konstruktion, Implementation und Vergleich von Trainingskursen für erweitertes Bayesianisches Denken

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Deutsch)

Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Englisch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek