Förderung Bayesianischen Denkens: Unterschied zwischen den Versionen

Förderung Bayesianischen Denkens (Quelltext anzeigen)

Version vom 1. November 2018, 10:08 Uhr

4.279 Bytes hinzugefügt , 1. November 2018

→‎Zusammenfassung: ergänzt

[unmarkierte Version]

Karin Binder

Passive Sichter, Sichter, Prüfer

33

Bearbeitungen

@@ Zeile 18: / Zeile 18: @@
 }}
+Karin Binder (2018): Förderung Bayesianischen Denkens - Effekte verschiedener Baumdiagramme in unterschiedlichen Bayesianischen Situationen
+Dissertation, Universität Regensburg.
+Begutachtet durch Stefan Krauss, Oliver Tepner und Gerd Gigerenzer.
+Note: summa cum laude.
 == Zusammenfassung ==
 <!-- Hier bitte eine Zusammenfassung der Dissertation einfügen.
            Zwischenüberschriften mit === ... === kennzeichnen. -->
+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 Schülern vorgestellt, in der typische schulische Visualisierungen
+Bayesianischer Aufgaben untersucht werden, nämlich 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 steht. Die größtenteils
+unbekannten Häufigkeitsbäume konnten die Schülerinnen und Schüler bei der Lösung hingegen
+deutlich besser unterstützen (Lösungsrate 45%).
+Der zweite Artikel beschreibt zwei Studien mit Medizinstudierenden des Universitätsklinikums
+Regensburg, in denen Bayesianische medizinische Entscheidungsfindungsprozesse untersucht
+werden, die realitätsnah nicht nur ein diagnostisches Verfahren, sondern zwei berücksichtigen,
+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 Situationen auch im 2-Test-Fall unterstützen. Hierbei spielt es keine Rolle, ob die statistischen
+Informationen zusätzlich auch noch als Text geschildert 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
+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
+Häufigkeitsbäumen nur dann hilfreich, wenn es sich um 2- oder 3-Test-Fälle handelte, in denen
+die statistischen Informationen also mehrfach ineinander verschachtelt waren. Darüber hinaus
+wurden im dritten Artikel auch alternative Diagnosen untersucht (z.B. die Wahrscheinlichkeit
+einer Erkrankung nach einem positiven und einem negativen Testergebnis), bei denen gerade im
+-Test-Fall die Präsentation eines Häufigkeitsbaumes das Verständnis verbesserte.
 == Auszeichnungen ==

Förderung Bayesianischen Denkens: Unterschied zwischen den Versionen

Förderung Bayesianischen Denkens (Quelltext anzeigen)

Version vom 1. November 2018, 10:08 Uhr

Navigationsmenü

Suche