Die internationale kognitive Fähigkeitsressource (ICAR)
Gefördert von 2014-2019 von DFG, ESRC und NSF im Rahmen Programms Open Research Area in the Social Sciences (ORA)
Die internationale kognitive Fähigkeitsressource (engl. International Cognitive Ability Resource; ICAR), ein public-domain und open-source Werkzeug, soll eine große und dynamische Sammlung von Meßinstrumenten für kognitive Fähigkeiten bereitstellen, die in einer Vielzahl von Anwendungen benutzt werden können. Über 100 qualifizierte Forschungsgruppen auf der ganzen Welt benutzen die bereits entwickelten Instrumente und tragen zu deren fortwährender Revision und Weiterentwicklung bei. Die ICAR macht Gebrauch von Techniken der automatischen Itemgenerierung, welche Testaufgaben mit vorhersagbaren psychometrischen Eigenschaften liefert. Mehr zum Thema und die Möglichkeit Items für eigene Forschungsvorhaben zu nutzen findet sich auf der Homepage des Projekts.
Projektleitung: Prof. Dr. Philipp Doebler gemeinsam mit Heinz Holling (Münster), John Rust (Cambridge, UK) und William Revelle (Evanston, US)
Projektmitarbeiterinnen: Daniela Gühne, MSc., Gesa Brunn, BSc.
The International Cognitive Ability Resource for large scale international mobile applications
Gefördert vom Eric & Wendy Schmidt Fund for Strategic Innovation
Projektive Item-Response-Theorie-Modelle für Zähldaten und ihre Anwendung als interpretierbare Approximationen an Black-Box-Modelle des maschinellen Lernens
Gefördert von der Deutschen Forschungsgemeinschaft (DFG)
Im Vergleich zu IRT-Methoden für binäre Daten sind Zähldaten-IRT-Modelle unterentwickelt. Gezielte weitere Methodenentwicklung für Zähldaten erlaubt die Berücksichtigung von unstrukturierten Indikatoren für latente Variablen, wodurch die IRT enger mit Methoden des maschinellen Lernens verknüpft wird. Das Forschungsvorhaben entwickelt projektive IRT-Modelle für Zähldaten. Insbesondere kann auf Hauptdimensionen gängiger existierender Modelle projiziert werden. Die projektiven Modelle finden als gut interpretierbare Modelle Verwendung in Situationen, in denen ein Black-Box-Modell des maschinellen Lernens wegen seiner Vorhersage- oder Klassifikationsgüte eingesetzt wird. So entstehen Approximationen an Black-Box-Modelle, die helfen, diese besser zu verstehen. Da mehr- und sogar hochdimensionale latente Variablenkonstellationen numerisch aufwändig sind, wird auch ein EM-Algorithmus für ein generelles Zähldaten-IRT-Modell entwickelt.
Publikationen
- Beisemann, M. (2022). A flexible approach to modelling over‐, under‐and equidispersed count data in IRT: The Two‐Parameter Conway–Maxwell–Poisson Model. British Journal of Mathematical and Statistical Psychology. (Advance online publication.) https://doi.org/10.1111/bmsp.12273
Educational Progress of Children at Risk of Low Academic Achievement: A Psychometrically Informed Investigation of Educational Outcomes and Resilience Factors with Longitudinal Data of the National Educational Panel Study
Gefördert von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Schwerpunktprogramms Education as a Lifelong Process (SPP 1646)
From Prediction to Agile Interventions in the Social Sciences
Gefördert vom MKW NRW im Rahmen der MKW-Profilbildung 2020
Der interdisziplinäre Forschungsbereich From Prediction to Agile Interventions in the Social Sciences (FAIR) bringt Forscher*innen aus den Datenwissenschaften, der Statistik, den Erziehungswissenschaften, der Psychologie, den Rehabilitationswissenschaften und der Soziologie zusammen. FAIR-Forscher*innen aus diesen verschiedenen Disziplinen konzentrieren sich auf die Entwicklung und Anwendung innovativer Forschungsmethoden aus den Datenwissenschaften und verwenden sie zur Adressierung gesellschaftlicher Herausforderungen in hochrelevanten Bereichen wie Bildung, Gesundheit sowie gesellschaftlicher Inklusion und Teilhabe.
