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.