Latent-State-Trait-Modellierung von Exekutiven Funktionen
Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
Zusammenfassung der Projektergebnisse
Exekutive Funktionen (EF) sind höhere Kontrollprozesse, die grundlegendere kognitive, perzeptuelle und motorische Prozesse koordinieren. Es wird angenommen, dass EFs die Dimensionen Inhibition (Hemmung), Updating (Arbeitsgedächtnis) und Shifting (Flexibilität) umfassen. Neben einer langen experimentalpsychologischen Tradition werden EFs zunehmend auch hinsichtlich interindividueller Unterschiede untersucht, wobei statistische Ansätze wie Korrelationen, multiple Regression und Strukturgleichungsmodelle zum Einsatz kommen. Daher hat die Frage der zeitlichen Stabilität und Reliabilität von EF an Bedeutung gewonnen, und eine Reihe von Studien haben berichtet, dass EF-Variablen geringe Retest-Reliabilitäten aufweisen. Bisherige Reliabilitätsstudien sind jedoch limitiert, da sie die State- und Trait- Komponenten der Varianz in der EF-Performanz nicht formal modelliert haben. Eine solche Modellierung kann im Rahmen der Latent-State-Trait-Theorie (LST-Theorie) durchgeführt werden. LST-Theorie erlaubt eine Schätzung der Varianzanteile einer Variablen aufgrund von stabilen Trait-Merkmalen, situativen State-Fluktuationen und Interaktionen zwischen Person und Situation sowie Messfehler. LST-Theorie wurde bereits in der psychometrischen und biopsychologischen Forschung angewandt, aber noch nicht im Bereich der EF. Daher zielte dieses Projekt darauf ab, eine detaillierte Untersuchung der Retest-Reliabilität und internen Konsistenz sowie der State- und Trait-Komponenten einer umfassenden EF-Batterie in einer großen Stichprobe durchzuführen. Die Stichprobe bestand aus N=289 jungen, gesunden Erwachsenen, von denen N=250 alle Untersuchungstermine absolvierten. Vier Untersuchungen pro Versuchsperson wurden in wöchentlichen Abständen durchgeführt, wobei die Tageszeit bei jeder Person über die Untersuchungstermine hinweg gleichblieb. Die EF- Batterie umfasste die Go/Nogo- und Stop-Signal-Aufgaben (Inhibition), die N-back- und Tone-Monitoring-Aufgaben (Updating) sowie die Number-Letter- und Local-Global-Aufgaben (Shifting). Die Ergebnisse zeigten, dass die LST-Modellanpassungen für die meisten Variablen mindestens akzeptabel waren. Es konnte auch beobachtet werden, dass LSTT-Modelle, die keine systematische Veränderung des Traits über die Zeit zulassen, nicht besser passten als Modelle, die eine solche Veränderung zulassen (LST) oder sie explizit modellieren (LGC). Die Intraklassen-Korrelationskoeffizienten für die EF-Variablen waren gut, mit Ausnahme einiger Variablen aus den Switching- und Updating-Aufgaben. Cronbachs Alpha war generell sehr hoch. Die Schätzungen aus den LST-Modellen ergaben sehr gute Reliabilitäten für die meisten Variablen, und der Großteil der reliablen Varianz konnte auf Trait-Einflüsse zurückgeführt werden. Insgesamt zeigen die Ergebnisse dieser Studie, dass die meisten EF-Variablen gute Reliabilitäten aufweisen und dass Trait-Einflüsse eine große Rolle in der interindividuellen Varianz von EF spielen.
