Die Verarbeitung von Auftretenshäufigkeiten spielt eine wichtige Rolle in alltäglichen Urteilsprozessen. Die spontane Wahl eines Mittagessens in der Mensa, kann durch die Häufigkeit, mit der bestimmte Mahlzeiten früher gegessen wurden beeinflusst werden (Birch & Marlin, 1982). Für die Erforschung intuitiver Häufigkeitsschätzungen haben sich in der Vergangenheit zwei Forschungsstrategien etabliert. Zum einen die experimentelle Forschung hierbei stehen separate Hypothesen zur Häufigkeitsverarbeitung im Vordergrund. Zum anderen wurden formale Modelle entwickelt, um die Schätzungen von Auftretenshäufigkeiten abzubilden und zu simulieren. Formale Modelle bieten eine algorithmische Beschreibung kognitiver Prozesse, die einige Vorteile gegenüber einzelnen Hypothesen besitzen. Formale Modelle bilden den Prozess der Häufigkeitsschätzung ganzheitlich ab. Dadurch werden verschiedene Teilprozesse wie die Enkodierung, Lernen, Speichern und der Abruf von Informationen integriert und verbunden. Außerdem sind diese Modelle hinsichtlich ihrer Vorhersagen sehr präzise, denn es wird genau definiert, was während der einzelnen Teilprozesse geschieht und auch die Auswirkungen von anderen Einflussvariablen können in das Modell integriert werden. Für die Verarbeitung von Häufigkeiten wurden verschieden Modelle vorgeschlagen. Sedlmeier (1999) entwickelte mit den PASS Modellen neuronale Netzwerke auf Basis des assoziativen Lernens. MINERVA 2 ist ein instanzenbasiertes Modell, in dem jedes Ereignis separat gespeichert wird (Hintzman, 1988). TODAM 2 (Murdock, Smith & Bai, 2001) basiert auf Convolution und REM (Shiffrin & Steyvers, 1997) nutzt die Differentiation um Häufigkeitsverarbeitung zu erklären. Diese Modelle wurden genutzt, um spezifische Vorhersagen für verschiedene Experimente zur Häufigkeitsverarbeitung zu generieren.
Dabei wurden die Bedeutung von Aufmerksamkeit, der Einfluss der Größe von Stimuli, die Auswirkung von Vorwissen und der Effekt der Ähnlichkeit von Stimulusmaterial experimentell untersucht. Mit Ausnahme der Größe konnten alle anderen Variablen als Einflussfaktoren bestätigt werden. Die Vorhersagen der PASS Modelle und von MINERVA 2 zeigten die besten Passungen zwischen Modellvorhersagen und empirischen Daten. Abschließend werden Verbesserungsvorschläge für die formalen Modelle und für die Erforschung von Häufigkeitsschätzungen erarbeitet und diskutiert.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:33097 |
| Date | 18 February 2019 |
| Creators | Burkhardt, Markus |
| Contributors | Sedlmeier, Peter, Sedlmeier, Peter, Jahn, Georg, TU Chemnitz |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds