Neuronale Netze: Nichtlineare Methoden der statistischen Urteilsbildung in der psychologischen Eignungsdiagnostik

Abstract

Zusammenfassung. Künstliche Neuronale Netze stellen eine innovative und attraktive Form der statistischen Urteilsbildung dar, da sie im Gegensatz zu herkömmlichen Methoden auch nichtlineare Zusammenhänge modellieren können, ohne dass diese a priori bekannt sein müssen. In der vorliegenden Arbeit soll die Annahme, dass durch explorative, nichtlineare Modellierung die Validität der Vorhersage verbessert werden kann, anhand eines Methodenvergleichs zwischen linearen und nichtlinearen Methoden der statistischen Urteilsbildung überprüft werden. Hierzu wurde eine Reanalyse der Daten von Schmidt-Atzert, Deter und Jaeckel (2004 ) durchgeführt. Das Künstliche Neuronale Netz erweist sich dabei im Vergleich zu linearen Methoden wie der Diskriminanzanalyse mit Validitäten von R = 0.645 für den theoretischen Teil und R = 0.586 für die praktischen Teil der Lehrabschlussprüfung als leistungsfähiger bei der Vorhersage der beiden Indikatoren des Ausbildungserfolgs. Gleichzeitig konnte die Befürchtung, Künstliche Neuronale Netze führten zwangsläufig zu einer Überanpassung an die vorliegenden Daten, entkräftet werden. Die Ergebnisse bleiben sowohl nach der Jackknife-Validierung als auch in einer internen Bootstrap-Validierung stabil. Die Vorhersage mittels nichtlinearer Klassifikationsmethoden erweist sich daher als nützlicher Fortschritt in der psychologischen Eignungsdiagnostik, sodass eine generelle Methodologie zum Umgang mit auf Künstlichen Neuronalen Netzen basierenden diagnostischen Expertensystemen abgeleitet werden kann.