Prolog.: Methoden der AO (Arbeits- Organisationspsychologie) Flashcards
Ablaufschema AOP Forschung:
Schritte Forschungsprozess
Schritte im Praxis Projekt
Schritte Forschungsprozess:
- Fragestellung und Recherche
- Vorläufige prüfbare Antwort (Hypothese)
- Design (Untersuchungsanlage, Stichprobe, usw.)
- Datenerhebung
- Datenanalyse
- Interpretation und Kommunikation der Ergebnisse.
Schritte im Praxis Projekt:
- Problemstellung und Analyse
- Vorläufige prüfbare Lösung (welche ist deine Lösung mit großer Wahrscheinlichkeit)
- Entwurf der Intervention
- Anwendung der Intervention und Evaluation (probiert ob die Lösung funktioniert)
- Analyse der Evaluations Ergebnisse
- Interpretation, Kommunikation der Ergebnisse und Modifikation der Intervention.
Ausgewählte Besonderheiten AO-psychologischer Forschung:
- Quasi - Experimente und andere Designalternativen:
. Experimente = gibt es eine zufällige Zuweisung der Versuchsperson.
. Quasi-Experiment = keine zufällige Zuweisung (i.e. Geschlecht in Trainingsprogramm) - Vielfalt von Erhebungsmethoden (Surveys)
- Komplexe Auswertungsverfahren für Primärstudien. (Scoring System)
- Metanalyse
Methodische Besonderheiten in der AOP / Design:
Grundsätzliche Design Alternativen:
- Feld vs Labor
- bei Wenn? Berüfstätige vs Studierende
- Nicht Experiment vs. Experiment
- Welche Schlüsse?
. Externa Validität: schlüss über den Forschungskontext hinaus (mas alla de). Generalisierbarkeit
. Interne Validität: Sicherung der Kausalität. Überprüfung ob 2 Variablen miteinander zusammenhängen und auf die Beurteilung der Richtung dieser Beziehung.
- Rahmenbedingung (general conditions): Forschungsökonomie, Praktikabilität)
Betonung der externen Validität: (enfasis)
- Präferenz von Feldforschung (vs. Labor) mit Berufstätigen
- Echte Experimente oft nicht möglich
- Interne Validität – kausal Schlüsse – oft eingeschränkt. Abhilfe: Quasi-Experimente, Längsschnitt, Methoden Vielfalt, Große Stichproben, unabhängige Replikationen.
Bedrohungen der interne Validität: (amenazas)
- History: unerwartete Ereignisse (i.e. jemand is gefeiert)
- Maturation: subjekt verändert sich / natürliche Entwicklung
- Testing: Einfluss der Vormessung (preliminary measurement. i.e. un maestro influenciado si sabe que estudiantes son mas inteligentes)
- Instrumentation: veränderte Messung.
- Regression zur Mitte: extreme Werte in Pretest werden durchschnittlich im Posttest.
- Selection Bias: systematische unterschiede zwischen Experimental- und Kontrolgruppe (vor treatment)
- Mortality: Person ist nicht erreichbar nach Treatment.
Quase-experimentelle Designs
- Kontrolle in echten Experiment (UV manipulieren):
. Randomisierung der Zuordnung = Zufallsentscheiden. (Zufall = man kann Statistik messen. Es ist König für interne Validität)
. Konstanthaltung der äußeren Bedingungen (Mantenimiento constante de conditiones externas)
. wenn nötig ist, Messung alternativer Erklärung und statistische Kontrolle - Quasi - Experiment (näturliches Experiment):
. Nicht Randomisierung oder Konstanthaltung. Manchmal nur eigeschränkt möglich.
. Nicht Manipulation (variation der UV)
. Versuch, Validitätsbedrohungen über das Design zu kontrollieren.
Beispiel Quasi - experimenteller Design
- Zeitreihen Analysen. Hier ohne Kontrolgruppe. Längsschnitt Studie mit mehreren vor- und nachmessen.
O1 O2 O3(X) O4 O5 O6 - Kohorten Design. Her Zyklus Analyse. Die Vormessungen der alten Kohorte dient als Kontrollgruppen der neuen Kohorte. i.e. Personen von die selber alter Kategorien vergleichen mit einander, in die verschiedene Meßzeitpunkte.
O1X O2
O1X O2
O1X O2 - Diskontinuitäts- Regressionanalyse (formal Kontrolgruppe Design, aber von Vormessung abhängig)
(vorher, naher)
mit training: O X O
ohne training: O O
Quase-experimentelle Designs
Längschnitt (longitudinal), Querschnitt (cross-sectional)
Längschnitt als Ansatz an Kausale Schlüsse. Grundformen kausaler Zusammenhänge: - einfache bivariater Zusammenhänge UV (Zufriedenheit) ---- AV (Leistung) - mediator UV -- Anstrengung (esfuerzo) -- AV - moderator. i.e. Kompetenz . kost hoch . Arten: einfachste Form (Zufr. t1 und t2; Leistung t1 und t2); cross-Lagged-Panel (3 Messzeitpunkte)
Querschnitt: Forschung einmal machen
. Pros: Zeist für Ergebnisse zu haben ist kurz
. Cons: Keine Information über der Verhaltensänderung. Gültige nur auf die Zeitpunkt.
. Man kann nicht sagen welche ist die Ursache.
Auswirkungen von Design-Alternativen auf Ziele
Interne Validität (IV). Externe Validität (EV). Forschungsökonomie (FO).
Stichprobengröße: IV+, EV+, FO- Feld: IV-, EV+, FO- Labor: IV+, EV-, FO+ Experiment: IV+, EV-, FO- Quasi-Experiment: IV+, EV+, FO- Nicht-Experiment: IV-, EV+, FO+ Querschnitt: IV-, FO+ Längsschnitt: IV+, FO-
Besonderheiten Erhebung (Survey): Methoden Vielfalt
- Kombination verschiedener Datenquellen (z.B. Kollegen, MA, Vorgesetzten): Konvergenz? unterschiedliche Fehler von unterschiedliche Gruppen
- Kombination verschiedener Erhebungsverfahren (z.B. bei Arbeitsanalyse, Organisationsdiagnose). Fragebogen, Interviews, Beobachtung.
- Kombination quali- und quantitativer Methoden (z.B. explorativ Vorstudie, danach qualitative Survey zur Hypothese Prüfung)
Besonderheiten Erhebung (Survey): Qualitative Verfahren
Sie sind mehr explorativ (nicht Experimente oder Quasi-Ex.)
- Qualitativ basiert auf die gesamte Forschungsprozess, nicht nur die Survey
- Unstrukturierte Interviews, Offene Fragen, Fokusgruppen, Fallstudie.
- Vorteile: . Geringe Beeinflussung der Ergebnisse . Erlaub exploration von unbekannte Forschung . Entdeckung neues Aspekte . Tief Daten materials möglich
- Nachteile: . Keine Vergleichen. Nicht statistisch Auswertbarkeit. . Großes Interpretation. . Kleines Stichproben . Große Aufwand (kost)
Besonderheiten Auswertung (Analysis)
- Betonung von Effekstärken gegenüber Signifikanztest (95% der Wahrscheinlichkeit aller Ergebnissen abdecken)
- Allgemeines Prinzip: Hypothese bestimmt das Design; Design bestimmt die Datenauswertung (analysis)
- In der AOP Forschung haben die demand von Design gesteigert:
. Großestichproben,
Konstruktvalidität der Messung (moderierte regression, confirmatory factor analysis),
Komplexe Modelle (mediator, moderator),
Längschnitt (latente Variante),
Mehrere Datenquellen,
Mehrere Ebenen (individuelle, Gruppen). - Beispiel eine Auswertungsmethode, die implizierte in das Design ist:
- Konstruktvalidität, Komplexe Modelle
• Confirmatory Factor Analysis, Pfadmodelle)
• Moderierte Regression - Längsschnittstudien
• Lineare Strukturgleichungsmodelle=equation models (Cross Lagged Panel Model, latent growth) - Mehrere Datenquellen
• Lineare Strukturgleichungsmodelle (Multi trait Multi method Matrix)
• Polynomiale Regression - Mehrere Ebenen
•Mehrebenenanalysen (MLM; auch HLM: HierarchicalLinear Modeling)
Besonderheiten Zusammenfassung und Interpretation
Integration von Forschungsergebnisse mittels Metaanalyse
1. Traditional Ansatz (narrativen Zusammenschau):
. Beurteilung der Forschung anhand von intuitiver Gewichtung (sign oder nicht significative Ergebnisse)
. Fragen: Gibt es eine Effekt? Ist es konsistent?
. Problem: Unterschätzung von tatsächlichen Effekt aufgrund nicht-berücksichtigung des Stichprobenfehlers. (Underestimation of actual effect due to failure to take the sampling error into account)
- Ansatz der Metaanalyse
. Objektivierung und Quantifizierung
. Fragen: Wie stark ist der Effekt? Es ist konsistent?
. Suchen nach systematischen Unterscheiden.
Credibility Interval and Confidence Interval
Pure Bayesian:
For a 95% credible interval, the value of interest (e.g. size of treatment effect) lies with a 95% probability in the interval.
“Given our observed data, there is a 95% probability that the true value (mean) falls within CR”
Frequentism:
A 95% Confidence Interval is the interval which will contain the true value on 95% of occasions if a study were repeated many times using samples from the same population. Parameter is fixed.
“There is a 95% probability that when I compute CI from data of this sort, the true mean will fall within CI”
- Bayesian credible intervals use (and indeed, require) knowledge of the situation-specific prior distribution, while the frequentist confidence intervals do not.
- credible intervals incorporate problem-specific contextual information from the prior distribution whereas confidence intervals are based only on the data;
