Die internationale kognitive Fähigkeitsressource (ICAR)
Projektleitung: Philipp Doebler gemeinsam mit Heinz Holling (Münster), John Rust (Cambridge, UK) und William Revelle (Evanston, US)
Gefördert von 2014-2019 von DFG, ESRC und NSF im Rahmen der Open Research Area in the Social Sciences (ORA).
Durch das Projekt “Internationale kognitive Fähigkeitsressource” (engl. International Cognitive Ability Resource; ICAR) entstand eine große Sammlung von Messinstrumenten für kognitive Fähigkeiten, die in einer Vielzahl von Anwendungen benutzt werden können. Mehrere hundert Forschungsgruppen auf der ganzen Welt benutzen die entwickelten Messinstrumente. Neben dem Kernteam trugen und tragen auch weitere Gruppen zur fortwährender Revision und Weiterentwicklung bei. ICAR macht Gebrauch von Techniken der automatischen Itemgenerierung, welche Testaufgaben mit vorhersagbaren psychometrischen Eigenschaften liefert. Mehr Details zu ICAR finden sich auf der Detailseite zum Projekt.
The International Cognitive Ability Resource for large scale international mobile applications
Gefördert von 2020-2021 von The Eric and 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, 75(3), 411-443. https://doi.org/10.1111/bmsp.12273
- Beisemann M, Holling H, Doebler P. (2025). Every Trait Counts: Marginal Maximum Likelihood Estimation for Novel Multidimensional Count Data Item Response Models with Rotation or l1–Regularization for Simple Structure. Psychometrika. 90(1), 304-330. https://doi.org/10.1017/psy.2024.17
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.
