Prof. Dr. Andreas Voß

Prof. Dr. Andreas ­ Voß [✓]

Leitung -  Psychologische Methodenlehre
Prüfungsausschuss
(Professor, Vertretung)

Kontakt

Adresse

Dienstzimmer: F027
Hauptstraße 47
69117 Heidelberg

Forschungsschwerpunkte der Arbeitseinheit Methodenlehre

Unsere Arbeitseinheit befasst sich mit der Entwicklung und Anwendung fortgeschrittener quantitativer Methoden zur Analyse psychologischer Daten, mit einem besonderen Fokus auf der Modellierung kognitiver Prozesse. Die folgenden Forschungsbereiche stehen im Zentrum unserer Arbeit:

1. Modellierung von Reaktionszeitverteilungen mit stochastischen Diffusionsmodellen
Wir untersuchen, wie Entscheidungen und Reaktionszeiten durch stochastische Modelle der Informationsakkumulation – wie etwa das Diffusionsmodell (DM) – erklärt werden können. Diese Modelle ermöglichen es, latente kognitive Prozesse auf der Grundlage beobachtbaren Verhaltens zu erschließen. Neben etablierten Diffusionsmodellen befassen wir uns auch mit alternativen Ansätzen wie dem sogenannten Lévy-Flight-Modell (LFM), das komplexere, nicht-gaussförmige Entscheidungsprozesse beschreibt – beispielsweise plötzliche Aufmerksamkeitswechsel oder Strategiewechsel.

2. Mathematische Modelle kognitiver Prozesse
Wir entwickeln und nutzen formale mathematische Modelle zur Beschreibung und zum besseren Verständnis zentraler kognitiver Funktionen wie Wahrnehmung, Gedächtnis und Entscheidungsverhalten. Diese Modelle dienen sowohl der theoriegeleiteten Hypothesenprüfung als auch der Ableitung quantitativer Verhaltensvorhersagen.

3. Selbstregulative Funktionen von Wahrnehmung und Aufmerksamkeit
Wir erforschen, wie Wahrnehmung und Aufmerksamkeit sich dynamisch an Aufgabenanforderungen und interne Zustände anpassen. Dabei interessiert uns insbesondere, wie selbstregulative Mechanismen die flexible Steuerung kognitiver Ressourcen ermöglichen – und wie diese Prozesse formal modelliert werden können.

4. Bayesianische Statistik
Wir setzen uns für den Einsatz bayesianischer Verfahren in der psychologischen Forschung ein, da diese eine kohärente Methode zur Berücksichtigung von Vorwissen, zur Quantifizierung von Unsicherheit und zur schrittweisen Aktualisierung von Annahmen auf Basis neuer Daten bieten. Unser Fokus liegt dabei sowohl auf der praktischen Anwendung in der empirischen Forschung als auch auf der methodischen Weiterentwicklung bayesianischer Verfahren für kognitive Modelle.

5. Entwicklung moderner Methoden zur Parameterschätzung mit künstlichen neuronalen Netzen
Ein weiterer Schwerpunkt unserer Arbeit liegt in der Entwicklung moderner Verfahren zur Parameterschätzung in kognitiven Modellen auf Basis maschinellen Lernens, insbesondere unter Verwendung künstlicher neuronaler Netze. Diese Ansätze ermöglichen eine effiziente Parameterschätzung bei komplexen Datenstrukturen, unterstützen approximative bayesianische Inferenz und erlauben die Analyse von Modellen, die mit klassischen Methoden nur schwer oder gar nicht lösbar wären.

Veranstaltungen vergangener Semester finden Sie im LSF.


Allgemeine Informationen

Die Arbeitseinheit für Psychologische Methodenlehre ist im Bachelorstudiengang Psychologie für die Ausbildung in Statistik verantwortlich. Das Methodenmodul umfasst die Vorlesungen „Deskriptive Statistik und Wahrscheinlichkeitstheorie“ (Wintersemester) sowie „Inferenzstatistik“ (Sommersemester). Beide Vorlesungen werden durch begleitende Übungen ergänzt, in denen die statistische Datenanalyse mit dem Programm R praxisnah eingeübt wird. Darüber hinaus wird eine Vorlesung zur Versuchsplanung angeboten. Regelmäßig wird auch ein Empirisches Projektseminar von der Methodenabteilung angeboten.

In den Masterstudiengängen bieten wir die Vorlesung „Fortgeschrittene Forschungsmethoden“ an, die eine Einführung in verschiedene multivariate Verfahren umfasst. Darüber hinaus veranstaltet die Arbeitseinheit regelmäßig eine Reihe methodischer Vertiefungsseminare sowie Grundlagen- und Projektseminare im Bereich der Kognitionswissenschaft.

Wir betreuen gerne Abschlussarbeiten zu methodischen Fragestellungen oder zu Themen aus der Kognitionsforschung.

Aufgaben in der wissenschaftlichen Selbstverwaltung

Lebenslauf

Berufliche Positionen

  • seit 2009: Professor für Psychologische Methodenlehre am Psychologischen Institut der Universität Heidelberg
  • 2004 - 2009: Wissenschaftlicher Assistent in der Abteilung für Sozialpsychologie und Methodenlehre (Prof. Dr. K.C. Klauer) an der Universität Freiburg
  • 2000 - 2004: Wissenschaftlicher Mitarbeiter in der Abteilung für Entwicklungspsychologie (Prof. Dr. J. Brandtstädter) an der Universität Trier

Akademische Qualifikationen

  • 2009: Habilitation, Albert-Ludwigs-Universität Freiburg
  • 2004: Promotion, Universität Trier
  • 2000: Diplom in Psychologie; Universität Trier

Aktuelle Publikationen

Henrich, F., Hartmann, R., Pratz, V., Voss, A., & Klauer, K. C. (2024). The Seven-parameter Diffusion Model: an Implementation in Stan for Bayesian Analyses. Behav Res Methods, 56(4), 3102-3116. https://doi.org/10.3758/s13428-023-02179-1

Kloft, M., Hartmann, R., Voss, A., & Heck, D. W. (2023). The Dirichlet Dual Response Model: An Item Response Model for Continuous Bounded Interval Responses. Psychometrika, 88(3), 888-916. https://doi.org/10.1007/s11336-023-09924-7 

Lerche, V., Bucher, A., & Voss, A. (2021). Processing emotional expressions under fear of rejection: Findings from diffusion model analyses. Emotion, 21(1), 184-210. https://doi.org/10.1037/emo0000691 

Mertens, A., Hepp, J., Voss, A., & Hische, A. (2021). Pretty crowds are happy crowds: the influence of attractiveness on mood perception. Psychol Res, 85(5), 1823-1836. https://doi.org/10.1007/s00426-020-01360-x 

Radev, S. T., D'Alessandro, M., Mertens, U. K., Voss, A., Kothe, U., & Burkner, P. C. (2023). Amortized Bayesian Model Comparison With Evidential Deep Learning. IEEE Trans Neural Netw Learn Syst, 34(8), 4903-4917. https://doi.org/10.1109/TNNLS.2021.3124052 

Radev, S. T., Mertens, U. K., Voss, A., Ardizzone, L., & Kothe, U. (2022). BayesFlow: Learning Complex Stochastic Models With Invertible Neural Networks. IEEE Trans Neural Netw Learn Syst, 33(4), 1452-1466. https://doi.org/10.1109/TNNLS.2020.3042395 

Schumacher, L., Bürkner, P. C., Voss, A., Köthe, U., & Radev, S. T. (2023). Neural superstatistics for Bayesian estimation of dynamic cognitive models. Scientific Reports, 13(1), Article 13778. https://doi.org/10.1038/s41598-023-40278-3 

Schumacher, L., & Voss, A. (2023). Duration discrimination: A diffusion decision modeling approach. Attention Perception & Psychophysics, 85(2), 560-577. https://doi.org/10.3758/s13414-022-02604-1 

Sicorello, M., Neubauer, A. B., Stoffel, M., Koehler, F., Voss, A., & Ditzen, B. (2021). Psychological structure and neuroendocrine patterns of daily stress appraisals. Psychoneuroendocrinology, 127, 105198, Article 105198. https://doi.org/10.1016/j.psyneuen.2021.105198 

Stump, A., Rummel, J., & Voss, A. (2022). Is it all about the feeling? Affective and (meta-)cognitive mechanisms underlying the truth effect. Psychol Res, 86(1), 12-36. https://doi.org/10.1007/s00426-020-01459-1 

Stump, A., Voss, A., & Rummel, J. (2024). The illusory certainty: Information repetition and impressions of truth enhance subjective confidence in validity judgments independently of the factual truth. Psychological Research-Psychologische Forschung, 88(4), 1288-1297. https://doi.org/10.1007/s00426-024-01956-7 

Stump, A., Wüstenberg, T., Rouder, J. N., & Voss, A. (2025). The face of illusory truth: Repetition of information elicits affective facial reactions predicting judgments of truth. COGNITIVE AFFECTIVE & BEHAVIORAL NEUROSCIENCE. https://doi.org/10.3758/s13415-025-01266-4 

Theisen, M., Lerche, V., von Krause, M., & Voss, A. (2021). Age differences in diffusion model parameters: a meta-analysis. Psychol Res, 85(5), 2012-2021. https://doi.org/10.1007/s00426-020-01371-8 

von Krause, M., Radev, S. T., & Voss, A. (2022). Mental speed is high until age 60 as revealed by analysis of over a million participants. Nat Hum Behav, 6(5), 700-708. https://doi.org/10.1038/s41562-021-01282-7 

von Krause, M., Radev, S. T., Voss, A., Quintus, M., Egloff, B., & Wrzus, C. (2021). Stability and Change in Diffusion Model Parameters over Two Years. J Intell, 9(2), Article 26. https://doi.org/10.3390/jintelligence9020026 

Wieschen, E. M., Makani, A., Radev, S. T., Voss, A., & Spaniol, J. (2023). Age-Related Differences in Decision-Making: Evidence Accumulation is More Gradual in Older Age. Exp Aging Res, 1-13. https://doi.org/10.1080/0361073X.2023.2241333 

Wieschen, E. M., Voss, A., & Radev, S. (2020). Jumping to Conclusion? A Lévy Flight Model of Decision Making. The Quantitative Methods for Psychology, 16(2), 120-132. https://doi.org/10.20982/tqmp.16.2.p120 

Wieschen, E. M., Voss, A., von Krause, M., Vollmoeller, C., & Lerche, V. (2022). Is "Jumpiness" in Evidence Accumulation a Personality Trait? Cross-task Correlations and Retest Reliability of the Parameters of the Lévy Flight Model [Manuscript submitted for publication]. 

Wirth, M., Voss, A., & Rothermund, K. (2023). Age Differences in Everyday Emotional Experience: Testing Core Predictions of Socioemotional Selectivity Theory With the MIVA Model. Journals of Gerontology Series B-Psychological Sciences and Social Sciences, 78(7), 1152-1162. https://doi.org/10.1093/geronb/gbad033 

Wirth, M., Voss, A., Wirth, S., & Rothermund, K. (2022). Affect dynamics and well-being: explanatory power of the model of intraindividual variability in affect (MIVA) [Article]. Cogn Emot, 36(2), 188-210. https://doi.org/10.1080/02699931.2021.1993148 


Komplette Literaturliste