Grundlagen der Versuchsmethodik. Datenauswertung. Datenvisualisierung

Transkript

1 Grundlagen der Versuchsmethodik Datenauswertung Datenvisualisierung Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten Müdigkeit verlangsamt Blickbewegungen Unabhängige Variablen Abhängige Variablen 1

2 Die Operationalisierung: Von der Hypothese zur konkreten UV und AV Koffein Kein Kaffee vor dem Experiment Zwei Tassen Kaffee vor dem Experiment Gedächtnis Anzahl erinnerter Items von einer Liste mit 8 Wörtern G u t e O p e r a t i o n a l i s i e r u n g??? Koffein Gedächtnis 0 mg Koffein im Blut 20 mg Koffein im Blut Anzahl erinnerter Items von einer Liste mit 20 Wörtern Operationalisierung Koffein Alter, Zeit, Temperatur, Lärm, Gedächtnis 0 mg Koffein im Blut 20 mg Koffein im Blut Anzahl erinnerter Items von einer Liste mit 20 Wörtern Störvariablen: - Weitere Variablen beeinflussen AV experimentelle Kontrolle durch Eliminierung, Konstanthaltung, Randomisierung, 2

3 Weitere relevante Fragen für die Durchführung von Experimenten Anzahl der Vpn? Abhängige/unabhängige Messungen: Die gleichen Vpn für die Bedingungen? Übungsdurchgänge? Messwiederholung: Ein oder mehrere Durchgänge pro Bedingung? Reihenfolge der Trials geblockt oder randomisiert? Reihenfolge der Blöcke variieren Reihenfolge der Trials innerhalb der Blöcke randomisieren 3

4 Theoretischer Hintergrund für Beispielexperiment: Visuelle Suche Einzelmerkmal Merkmalskombination kein Display-Size Effekt Display-Size Effekt Theoretischer Hintergrund für Beispielexperiment: Visuelle Suche Feature Integration vs. Guided-Search Theorie (z.b. Wolfe, 1994) FIT: Filterung mittels mehrerer Merkmalskarten, erfordert selektive Aufmerksamkeit Serielle Suche GST: Vereinfachung der Suche nach Merkmalskombinationen Durchsuchen von Untergruppen 4

5 Ursache-Wirkungs-Hypothese für Beispielexperiment Ursache Wirkung Vorwissen reduziert Suchzeit Vorwissen beeinflusst Blickbewegungen Unabhängige Variablen Abhängige Variablen Operationalisierung für Beispielexperiment Vorwissen Suchzeit/Blickbewegungen Keine Information über Farbe des Ziels (z.b. finde die 3) Information über Farbe des Ziels (z.b. finde die gelbe 3) Suchzeit (Knopfdruck) Anzahl der Fixationen Sakkadenlänge 5

6 Beispielexperiment Aufgabe: Suchen einer Ziffer in einer 6 x 6 Matrix von Ziffern in 3 Farben - Ohne Vorinformation: "Finde die drei" - Mit Vorinformation: "Finde die blaue drei" Weitere relevante Fragen Anzahl der Vpn? Übungsdurchgänge? Abhängige/unabhängige Messungen? Messwiederholung? 10 geblockt oder randomisiert? Reihenfolge der Blöcke je 2 pro Bedingung Jede Vp durchläuft beide Bedingungen je 9 Suchbilder pro Bedingung geblockt variieren Reihenfolge innerhalb der Blöcke randomiseren... im Labor Q

7 Die wichtigsten statistischen Kennwerte Beispieldatensatz: Mittelwert Varianz Standardabweichung Standardfehler 7

8 Graphische Darstellung Rohdaten zum Experiment Trial-Nr Vp-Nr. Ohne Vorinformation über Farbe Mit Vorinformation über Farbe Mittelwerten für Bedingungen Ohne Vorinformation über Farbe Mit Vorinformation über Farbe 8

9 Test der Unterschiedshypothese (Anzahl der Fixationen sinkt mit Info) Ohne Info Mit Info numerischer Unterschied durch Zufall bedingt durch Variation der UV bedingt T-Test für abhängige Stichproben Wahre Differenz = 0 Normalverteilung mit einer bestimmten Varianz Diff=0 Test, ob gefundene Differenz zu dieser Verteilung gehört (zufällige Differenz) oder nicht (Differenz ist Effekt der Faktor-Variation) Irrtumswahrscheinlichkeit (meist 5%) Tabellenwert 9

10 T-Test für abhängige Stichproben T-Test für abhängige Stichproben Wahre Differenz = 0 Verteilung mit einer bestimmten Varianz Diff=0 2,132 Test, ob gefundene Differenz zu dieser Verteilung gehört (zufällige Differenz) oder nicht (Differenz ist Effekt der Faktor-Variation) Irrtumswahrscheinlichkeit (meist 5%) Tabellenwert liegt Testwert für die Differenz des Experimentes außerhalb dieser Grenze??? ja: Test ist signifikant 10

11 T-Test für abhängige Stichproben Ohne Info Mit Info Differenz d i d i -x d -1,6 0,4-1,6 4,4 (d i x d ) 2 2,56 0,16 2,56 19, ,6 2,56 X d = 3,6 = 27,2 Geschätzte Streuung der Differenzen = = 2,6 Geschätzte Streuung der Mittelwerte von Differenzen = Testgröße??? = 3,1 > = 1,16 Tabellenwert t(4; 0,95) = 2,132 T-Test für abhängige Stichproben Testgröße t = 3,1 > Tabellenwert t(4; 0,95) = 2,132 signifikant Diff=0 2,132 3,1 11

12 SPSS - Benutzung Daten eingeben In Variablenansicht Variablen benennen, etc., dann in Datenansicht Werte eingeben oder Textdaten einlesen Datei Deskriptive Statistiken (z.b. Mittelwerte) ausrechnen Analysieren Deskriptive Statistiken Deskriptive Statistiken T-Test für abhängige Stichproben rechnen Analysieren Textdaten lesen Mittelwerte vergleichen T-Test bei gepaarten Stichproben dann Variablen auswählen und übernehmen Interpretation eines SPSS-Ausdrucks zum T-Test Diff=0 Notation: t(4) = 3,087; p = 0,037 12

13 NF (eigenes Experiment) Anzahl Fixationen Mittelwerte SPSS (T-Test) FD (eigenes Experiment) Fixationsdauer Mittelwerte SPSS (T-Test) 13

14 RT (eigenes Experiment) Reaktionszeit Mittelwerte SPSS (T-Test) SL (eigenes Experiment) Sakkadenlänge Mittelwerte SPSS (T-Test) 14

15 Visualisierung von Blickbewegungsdaten Blicktrajektorien Finde die rote 9! x x x x x x x x x Visualisierung von Blickbewegungsdaten (eigenes Exp.) Blicktrajektorien 15

16 Visualisierung von Blickbewegungsdaten (eigenes Exp.) Blicktrajektorien Visualisierung von Blickbewegungsdaten Fixationen Reduktion von Blickbewegungsdaten durch Anzeige von Fixationsdaten oberhalb eines bestimmten Schwellwertes für die Fixationsdauer 16

17 Visualisierung von Blickbewegungsdaten Clusteranalyse Raum-zeitliche Gruppierung von Fixationen dynamische Cluster Berechnung von Clusterabständen, gewichtet mit Fixationsdauern und Winkeln zwischen aufeinanderfolgenden Sakkaden Definition geeigneter Schwellwerte für Clusterübergänge Visualisierung von Blickbewegungsdaten Attentional landscapes Summation zwei-dimensionaler Gaussfunktionen mit Maxima an Fixationspunkten Gewichtung der Funktionen mit Fixationsdauern attention function a(x,y) 17

18 Visualisierung von Blickbewegungsdaten Projektion von attentional landscapes Überlagerung der attentional landscapes mit dem Originalstimulus f p : A x O P Verschiedene Überlagerungsfunktionen, z.b. Intensivierung oder Abschwächung von Helligkeit oder Kontrast, Reduktion der optischen Auflösung in Regionen mit niedrigen Werten der attentional landscape Visualisierung von Blickbewegungsdaten Von Blickbewegungen zu attentional landscapes 18

19 Visualisierung von Blickbewegungsdaten Von Blickbewegungen zu attentional landscapes 19