Kognitive Modelle quantitativer Schätzungen und Seeding-Effekten in realen Kontexten

• Antragsteller: David Izydorczyk
• Fachliche Zuordnung: Allgemeine, Kognitive und Mathematische Psychologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 526349149

Wie schwerwiegend ist der Zustand dieses Patienten? Wie hoch ist der Wert dieser Immobilie? Wie viel Insulin sollte ich für diese Mahlzeit einnehmen? Schätzungen von Mengen und Zahlen in verschiedenen Kontexten und Situationen sind für unser tägliches Leben unerlässlich. Die Antworten auf solche Fragen leiten oft unsere Entscheidungen und unser Verhalten und daher ist die Genauigkeit unserer Schätzungen von großer Bedeutung. In vielen Bereichen sind die Schätzungen von Menschen mangelhaft. Zusammen mit ihrer Idee über quantitativen Schätzungen entwickelten Brown und Siegler (1993) das sogenannte Seeding-Paradigma als Intervention, um die Genauigkeit der numerischen Urteile von Menschen zu verbessern. Die einfache Intervention besteht darin, korrekte Werte für eine kleine Teilmenge von Items, die sogenannten Seeding-Stimuli, zu präsentieren. Dies verbessert auch die Schätzungen für nicht präsentierte Stimuli aus demselben Urteilsbereich. Trotz der großen positiven und potentiell langanhaltenden Effekte wurde das Seeding-Paradigma nur in wenigen Studien angewendet und verfügt derzeit über keine gute theoretische Grundlage. Mit diesem Projekt möchten wir die laborbasierten Modelle quantitativer Urteile mit der bisher vage formulierten verbalen Theorie der natürlichen Schätzung von Brown und Siegler (1993) kombinieren, um eine theorie- und evidenzbasierte und effizient umsetzbare Trainingsmethode zur Verbesserung der Genauigkeit von Urteilen zu entwickeln. Genauer ist das Ziel, die zugrundeliegenden kognitiven Mechanismen von Schätzungen und des Seeding-Effektes in realen Kontexten mithilfe formaler Modelle von Urteilsprozessen, die in der Literatur zur Urteilsfindung verwendet werden, zu modellieren. Diese Modelle waren bisher auf Anwendungen in kontrollierten Laborumgebungen mit hauptsächlich künstlichen Stimuli beschränkt. Dazu beinhaltet unser vorgeschlagenes Projekt die Sammlung einer großen Menge an Ähnlichkeitsurteilen, um funktionale Attribute natürlicher Stimuli in verschiedenen Wissensdomänen (z.B. Lebensmittel) zu extrahieren. Diese Attribute und die darauf basierenden Daten stellen einen wichtigen Beitrag für die Forschungsgemeinschaft dar und ermöglichen es uns den Seeding-Effekt, mit etablierten formalen Modellen zu untersuchen. Dazu führen wir eine Reihe von Studien in verschiedenen Domänen und experimentellen Designs durch. Eine fundierte theoretische Basis des Seeding-Effektes ermöglicht es, Hypothesen über die effizienteste Möglichkeit zur Verbesserung von Urteilen in zwei hoch relevanten Bereichen abzuleiten und zu testen, nämlich der Schätzung von Nährwerten sowie der CO2-Fußabdrücke von Lebensmitteln. Mit diesem Wissen werden wir das Potenzial des Seeding-Paradigmas als Teil eines Krankheitsmanagementprogramms zur Unterstützung von Patienten mit neu diagnostiziertem Typ-1-Diabetes, sowie als einfach umzusetzende und groß angelegte Intervention in einem ökologisch validen Kontext (Soziale Medien) untersuchen.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Professor Dr. Arndt Bröder