Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Diagnostik > Urteile&Entscheidungen > Flashcards

Urteile&Entscheidungen Flashcards

1
Q

Fehler=

A

Zuordnung aufgrund der Prädiktorvariable stimmt nicht mit tatsächlichen Klassenzugehörigkeit überein

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

True Positiv

A

Zuordnung ja

Realität ja

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

False Positive

A

Zuordnung ja

Realität nein

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

False Negative

A

Zuordnung nein

Realität ja

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

True Negative

A

Zuordnung nein

Realität nein

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

FP =

A

Fehler 1. Art, d.h. Personen werden als krank/hochbegabt/geeignet bezeichnet, obwohl sie eigentlich nicht krank/nicht hochbegabt/ungeeignet sind

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

FN =

A

Fehler 2. Art, d.h. Personen werden als nicht krank/ nicht hochbegabt/ ungeeignet klassifiziert, obwohl sie eigentlich krank/hochbegabt/geeignet sind.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Die Sensitivität eines Tests meint

A

die Wahrscheinlichkeit mit der ein vorliegender positiver Zustand (im Sinne von krank, hochbegabt, geeignet) als solcher erkannt wird.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Die Spezifität eines Tests meint

A

die Wahrscheinlichkeit mit der ein vorliegender negativer Zustand (im Sinne von nicht krank, nicht hochbegabt, ungeeignet) als solcher erkannt wird.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Der Positive Prädiktionswert eines Tests meint

A

den Anteil der „richtig positiv“ beurteilten (TP) an allen positiv beurteilten (positiv im Sinne von krank, hochbegabt, geeignet usw., d.h. TP+FP).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Der Negative Prädiktionswert eines Tests meint

A

den Anteil der „richtig negativ“ beurteilten (TN) an allen negativ beurteilten (negativ im Sinne von nicht krank, nicht hochbegabt, ungeeignet usw., d.h. TN+FN).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Spezifität Berechnung

A

TN/(TN+FP)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Sensitivität Berechnung

A

TP/(TP+FN)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Positive Produktionswert Berechnung

A

TP/(TP+FP)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Negativer Produktionswert

A

TN/(TN+FN)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Strategien im Umgang mit Fehlern

A

Abwägen, wie gravierend jeder der beiden Fehler ist
Hohe Sensitivität oder hohe Spezifität besonders wichtig?
Kosten/Nutzen für Individuum, Institution, Gesellschaft
Entscheidung endgültig oder revidierbar? (z. B. erneute Untersuchung nach Therapie oder Training)
Was tun?
Validität des Messinstrumentes erhöhen (mehr richtige/wahre diagnostische Urteile)
Cut‐off Werte (kritische Werte) verschieben und Wahrscheinlichkeit eines bestimmten Fehlers damit minimieren

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Test mit höherer Validität

A

→ starke Differenzierung

18
Q

Test mit geringerer Validität

A

Differenziert nicht

19
Q

Erhöhung der Sensitivität

A

Cut off verringern

20
Q

Erhöhung der Sensitivität

A

Cut off erhöhen

21
Q

ROC‐Kurve

A

Receiver Operating Characteristic Curve (ROC)
zeigt Verhältnis zwischen Sensitivität und Spezifität für alle mögl. Schwellenwerte an
Fläche unter der Kurve gibt Auskunft über Güte des Tests.
Je größer Fläche, desto besser Test.
Bei einem optimalen Test würde sowohl eine Sensitivität als auch eine Spezifität nahe 1 zu erwarten sein. Die Fläche unter der ROC‐Kurve wäre maximiert.
nutzloser Test hat Flächenanteil nahe 0,5 (entspricht Diagonale) ‐ Vorhersagegüte des Tests liegt dann im Zufallsbereich.

22
Q

Was zeigt die ROC Kurve an

A

zeigt Verhältnis zwischen Sensitivität und Spezifität für alle mögl. Schwellenwerte an

23
Q

Worüber gibt die Fläche unter der Kurve Auskunft?

A

Fläche unter der Kurve gibt Auskunft über Güte des Tests.

24
Q

Je größer Fläche, desto

A

besser Test.

25
Q

Bei einem optimalen Test würde

A

sowohl eine Sensitivität als auch eine Spezifität nahe 1 zu erwarten sein. Die Fläche unter der ROC‐Kurve wäre maximiert.

26
Q

nutzloser Test hat Flächenanteil nahe

A

0,5 (entspricht Diagonale) ‐ Vorhersagegüte des Tests liegt dann im Zufallsbereich.

27
Q

Je niedriger der schwellenwert desto

A

höher Sensitivität&Quote falscher Alarme (d.h. niedrige Spezifität)

28
Q

Youdens J-Index

A

J= Sensitivität+spezifität -1

29
Q

Selektionsrate

A

Selektionsrate versteht man den Anteil der ausgewählten (positiv beurteilten) Personen unter allen Bewerben.

30
Q

Selektionrate berechnen

A

(TP+FP)/(TP+FP+TN+FN)

31
Q

Trefferquote

A

Unter der Trefferquote (= Positiver Prädiktionswert) versteht man den Anteil der ausgewählten (als geeignet beurteilten) Personen unter den tatsächlich geeigneten Bewerbern.

32
Q

Trefferquote hängt ab von:

A

Validität des Auswahlverfahrens (je höher, desto besser) Selektionsrate (je kleiner, desto besser)
Basisrate (je höher, desto besser

33
Q

Erhöhung der Spezifität

A

Selektionsrate verkleinern

34
Q

Verdichtung und Integration von Daten

A

Ziel = Zusammenfassung von Einzelinformationen/Indikatoren
Überlegungen zu Gewichtung und Verknüpfung anstellen Gewichtung:
Gleichgewichtung oder unterschiedliche Gewichtung (wenn theoretisch oder empirisch gut begründbar!)
Verknüpfung:
additiv, disjunktiv, konjunktiv

35
Q

Entscheidungsstrategien

A

Kompensatorisches Modell (additive Verknüpfung)
Oder‐Konzept (stark disjunktive Verknüpfung)
Und‐Konzept (stark konjunktive Verknüpfung)

36
Q

Kompensatorisches Modell (additive Verknüpfung)

A

häufigste Entscheidungsstrategie
Lineare Kombination von Prädiktionsmesswerten (z.B.
Regressionsanalyse)
ein und derselbe Messwert kann durch verschiedene Merkmalskonfigurationen in Einzeltests erreicht werden
niedrige Leistungen in einem Test können durch hohe Leistungen in anderen Tests wett gemacht werden
Verrechnungsvorschriften müssen empirisch begründet sein oder auf Anforderungsanalyse beruhen
einfache Gewichtung vs. empirische Gewichtung

37
Q

Oder‐Konzept (stark disjunktive Verknüpfung)

A

Es muss keine Summe der Teilkomponenten gebildet werden, es genügt entsprechend hoher Punktwert in einem der beiden Prädiktoren
dann angemessen, wenn die im Kriterium geforderte Leistung entweder auf die eine oder andere Weise erbracht werden kann.
in beiden Prädiktoren bestehen also Mindestanforderungen, der Kandidat muss aber nur in einem dieser Prädiktoren diese Anforderungen erfüllen

38
Q

Und‐Konzept (stark konjunktive Verknüpfung)

A

Kompensatorische Entscheidungen sind dort unangemessen, wo in jedem Teilbereich bestimmte Mindestanforderungen vorliegen müssen.
Leistungen in dem einem und dem anderen Bereich nötig: konjunktive bzw. „und“‐Strategie
Explizite Annahme, dass ein Merkmal nicht kompensierbar ist

39
Q

Klinische Urteilsbildung

A

Einzelinformationen werden intuitiv auf Basis subjektiver Erfahrungen kombiniert
Entscheidungsregeln intransparent

40
Q

Statistische Urteilsbildung

A

Einzelinformationen werden nach einer (empirisch abgeleiteten) Formel verrechnet
Entscheidungsregeln transparent

41
Q

Unterlegenheit klinischer

A

Urteilsbildung vor allem:
• bei medizinisch/psychologisch‐forensischen Kriterien
• wenn Urteil auf Interviewdaten beruht
Gründe : u.a. Verwendung von Heuristiken, invalides Gewichten der Einzelinfos

Diagnostik (16 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions