9638663
Description
Flashcards by Felix Jan Nitsch, updated more than 1 year ago
|
Created by Felix Jan Nitsch
over 6 years ago
|
|
| Question | Answer |
| Was ist mathematische Psychologie? | - über ihre Arbeitsmethoden und nicht über ihren Gegenstand definiert - Psychologische Modelle mathematisch formalisieren |
| Statistische Modelle vs. erklärende formale Modelle | erklärende formale Modelle: Versuch in die black-box hineinzusehen |
| kognitive Psychometrie | Entwicklung psychometrischer Messmodelle, dievauf kognitionswissenschaftlichen Theorien basieren |
| Dekomponierungsproblem | Wie lässt sich eine AV adäquat in prozessreine bzw systemreine Maße für bestimmte Prozesse dekomponieren? |
| Das Bedeutsamkeitsproblem | Oft kann eine alternative AV benannt werden, die ein gleichermaßen plausibler Indikator desinteressierenden psychologischen Konstrukts ist |
| Multinomiale Verarbeitungsbaummodelle | -Klasse formaler Modelle, die kognitive Prozesse annehmen, welche mit bestimmten Wahrscheinlichkeiten stattfinden, Diese Wahrscheinlichkeiten werden mittels beobachtbarer experimenteller Daten geschätzt -Modelle für kategoriale (diskrete) Daten |
| One-High Threshold Model | Gedächtnismodell Altes Item vs. neues Item Alt -> Rekognition oder Raten Neu -> Raten => keine Rekognition als neues Item möglich => nur Schwelle für Zielitems |
| Storage-Retrieval-Modell | Besonderheit: Cluster = Wortpaar wird zusammen abgespeichert Parameter: Clustering, wenn nein: Abruf Wort 1, Abruf Wort 2 -> 4 Ergebniskategorien + Einzelwort: abrufbar ja/nein |
| Logik multinomiales Rahmenmodell | Parameterkonstellation -> Kategoriewahrscheinlichkeiten -> Stichprobenhäufigkeit Modellgleichung: Parameter -> Wahrscheinlichkeiten Multinomialverteilung: Wahrscheinlichkeiten->Stichprobe |
| G^2 | Likelyhoodquotientenstatistik Annähernd Chi^2-verteilt sig = Abweichung des Modells von emp. Daten Verhält sich additiv: auch DIfferenz Chi^2-verteilt |
| Modellvalidierung von MVB-Modellen | Theoriegeleitet, geeignet klassische Daten zu erklären Schwaches Krit: Jeder Parameter lässt sich durch eine UV in vorhersagbarer Weise manipulieren Starkes Krit: " ohne die anderen Parameter zu beeinflussen |
| Identifizierbarkeit von MVB-Modellen | -Global identifizierbare MVB-Modelle: für jedes π eindeutig angebbar, welcher Parametervektor θ es „erzeugt“ hat - „lokal“ identifizierbar, wenn es in einer näheren Umgebung von θ0 identifizierbar ist |
| 2 Hochschwellenmodell für Quellengedächtnis | Novum: zusätzliche Schwelle für Rekognition neuer Items Parameter: Rekognition, Quellengedächtnis, Quellenraten => Schwelle für Zielitems und Distraktoren |
| Validierung des 2HTSM | Ähnlichkeit von Zielitem und Distraktor => D (Rekognitionsleistung) Ähnlichkeit der Quellen => d (Quellengedächtnis) |
| Praktische Ergebnisse des 2HTSM | CSIM: Bessere Leistung bei kongruenten Quellen Einfluss von Schema-Raten? -> 2HTSM Schema-Akt. bei Erinnerung -> Bias Schema-Akt. bei Enkodierung -> kein Bias |
| Prospektives Gedächtnis | Erinnerung, etwas in Zukunft zu tun Zeit- oder Ereignisbasiert Retrospektive Komp.: Was und wann? Prospektive Komp.: Dass ich etwas mache |
| MPT-Modell für PM | 2 Hochschwellen Parameter: C1/2 (FÜ/FNÜ erkennen), P (PG-K), M (RG-K) |
| Validierung des MPT-PM Modells | Manipulationen: Wichtigkeit der Hintergrundaufgabe -> P Ähnlichkeit von PG Zielen +Distrakt. -> P+M Enkodierzeit -> M |
| Anwendung des MPT-PM Modells | Altersunterschiede bei Erwachsenen -> PG-Komponente Altersunterschiede bei Kindern -> RG-Komponente |
| Problem des klassischen Hindsight-Bias-Maß | Tatsächliche Gedächtnisunterschiede konfundieren Rückschaufehler |
| MPT-Modell des HB | Kein Schwellenmodell! Parameter: rc (Recall of OJ), b (Reconstruction Bias) |
| Anwendung des MPT-HB-Modells | Bias stärker bei Jüngeren oder Älteren abhängig von den experimentellen Bedingungen |
| Grundidee des Diffusionsmodells | - Universelles Modell für binäre forced choice Paradigma (bsp. lexikalische Choice-Aufgaben) - Kombiniert Geschwindigkeit und Genauigkeit in einem Maß -> Fähigkeit -Kognitive Psychometrie |
| Grundannahmen über den Klassifikationsprozess in einer 2-AFC Task | - Stimulusinformation wird über Zeit akkumuliert bis Kriterium erreicht wird - probabilistische und deterministische Einflüsse - RT = Entscheidungsphase + Nicht-Entscheidungsphase |
| Driftrate im Diffusionsmodell | Steilheit der Informationsakkumulation ~ Geschwindigkeit und Genauigkeit |
| Schwellendistanz im Diffusionsmodell | Informations-(Evidenz-)Distanz der Antwortalternativen ~Geschwindigkeit (-)~Genauigkeit |
| Anwendung des Diffusionsmodells auf PG Experiment | Phase 1: HA, Phase 2: HA + PG Ergebnis: PG induziert höhere Schwellendistanz -> konservativere, vorsichtiger Bearbeitung Zusätzlich: höhere Zeitkonstante -> langsamere periphere Prozesse |
| Messmodelle vs. computationale Modelle | Messmodelle: schätzen Parameter aus Daten, wenige Annahmen (MVB, Diffusionsmodell) Computationale Modelle: Detaillierte theoretische Modellierung -> nur qualitative Vorhersagen (globale Gedächtnismodelle) |
| Grundidee globaler Aktivierung | Globale Akt. vs. Akt. einzelner Gedächtnisspur Global Match: Berücksichtigung des Kontextes Seperate Storage vs. Distributed Storage |
| SAM Modell - Grundidee | Seperate Storage: Wissen -> Images Images: Iteminfo, Kontextinfo, Interiteminfo Globale Aktivierung durch Cue -> Vertrautheit -> ALLE Images im LZG tragen zu Vertrautheit bei |
| SAM Modell - Reproduktion | Sampling: Wahrscheinlichkeit = Imageakt/Gesamtakt Recovery: Versuch Info des Samples wiederherzustellen |
| ICE-Modell - Grundidee | Item-Info, Kontext-Info, Ensemble-Info (integrierter Kontext) Ohne E: gleiche Kontexteffekte auf HR u. FAR Mit E: K.Eff(HR) > K.Eff(FAR) -> Bildung von E. in komplexeren Kontexten verändert Effekt |
Want to create your own Flashcards for free with GoConqr? Learn more.