Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

© Fraunhofer FKIE Experimente in der Linguistik apl. Professor Dr. Ulrich Schade Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie.

Ähnliche Präsentationen


Präsentation zum Thema: "© Fraunhofer FKIE Experimente in der Linguistik apl. Professor Dr. Ulrich Schade Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie."—  Präsentation transkript:

1 © Fraunhofer FKIE Experimente in der Linguistik apl. Professor Dr. Ulrich Schade Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie 8. Vorlesung ( )

2 © Fraunhofer FKIE apl. Professor Dr. Ulrich Schade Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie (FKIE) Neuenahrer Straße Wachtberg Telefon: Fax: Kontaktdaten Experimente in der Linguistik

3 © Fraunhofer FKIE Überblick Einführung Zur wissenschaftstheoretischen Bedeutung von Experimenten Hypothesenbildung – Grundlagen zu Experiment – Arten von Experimenten – Hypothesen Statistische Auswertung Beispiele für Experimente in der Linguistik Experimente in der Linguistik

4 © Fraunhofer FKIE Statistische Auswertung Der Vollständigkeit halber folgt noch der Test, mit dem man überprüfen kann, ob für die Messwerte einer Messreihe eine Normalverteilung vorliegt. (Untersucht wird eigentlich die Frage, ob die beobachtete Häufigkeitsverteilung signifikant von der Normalverteilung abweicht.) Voraussetzungen: eine Messreihe mit n Messwerten Die Messwerte sind kardinal skaliert. Experimente in der Linguistik

5 © Fraunhofer FKIE Statistische Auswertung: Normalverteilungsanpassungstest nach David Schritt 1: Berechnung der Spannweite w w = x max – x min Schritt 2: Berechnung des arithmetischen Mittels X arith = (x 1 + … + x n )/ n Experimente in der Linguistik

6 © Fraunhofer FKIE Statistische Auswertung: Normalverteilungsanpassungstest nach David Schritt 3: Berechnung der Summe der quadrierten Differenzen zwischen den Messwerten und dem Mittelwert Q = (x 1 – X arith ) 2 + … + (x n – X arith ) 2 Schritt 4: Berechnung der Varianz s 2 = Q / (n – 1) Experimente in der Linguistik

7 © Fraunhofer FKIE Statistische Auswertung: Normalverteilungsanpassungstest nach David Schritt 5: Berechnung des Testwertes D D = w / s Das Nachschlagen in der Tabelle gibt für D und (z.B. = 0.05) die beiden kritischen Schranken, D min und D max. Sofern D zwischen diesen beiden Schranken liegt (D min D D max ), liegt keine signifikante Abweichung von der Normalverteilung vor. Experimente in der Linguistik

8 © Fraunhofer FKIE Statistische Auswertung: Normalverteilungsanpassungstest nach David Ausschnitt aus der Liste für D-Werte Experimente in der Linguistik = 0.05 = 0.01 n D min D max D min D max

9 © Fraunhofer FKIE Statistische Auswertung Wir haben bislang für die Diskussion der statistischen Auswertung immer zwei Messreihen miteinander verglichen. Häufig hat man jedoch sehr viel mehr Messreihen. Betrachten wir dazu wieder das Beispiel Schriefers, H., Meyer, A.S. & Levelt, WJ.M. (1990). Exploring the time course of lexical access in speech production. Journal of Memory and Language, 29, Experimente in der Linguistik

10 © Fraunhofer FKIE Schriefers, Meyer & Levelt (1990) Experimente in der Linguistik Ziel: sigaar (Zigarre) Unrel: poes (Katze) Sem: pijp (Pfeife) Phon: citroen (Zitrone) Aufgetragen wird die Differenz zur Produktion ohne Störwort.

11 © Fraunhofer FKIE Statistische Auswertung Im Prinzip haben wir in diesem Beispiel (wenigstens) 9 Messreihen: Messreihe semantische Ähnlichkeit bei SOA -150ms Messreihe semantische Ähnlichkeit bei SOA 0ms Messreihe semantische Ähnlichkeit bei SOA +150ms Messreihe phonologische Ähnlichkeit bei SOA -150ms Messreihe phonologische Ähnlichkeit bei SOA 0ms Messreihe phonologische Ähnlichkeit bei SOA +150ms Messreihe unrelatiertbei SOA -150ms Messreihe unrelatiertbei SOA 0ms Messreihe unrelatiertbei SOA +150ms Experimente in der Linguistik

12 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen In diesem Fall müssen wir auch Wechselwirkungen zwischen den Messreihen untersuchen. Eine Wechselwirkung (Interaktion) liegt dann vor, wenn eine Kombination mehrerer Faktoren für einen Unterschied zwischen den Mittelwerten verantwortlich ist. Im Beispiel wechselwirken die Faktoren Relation zwischen Ziel- und Störwort und SOA. Experimente in der Linguistik

13 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Die besondere hemmende Wirkung von Störwörtern, die dem Zielwort semantisch ähnlich sind, zeigt sich nur für SOA = -150ms. Die vergleichsweise beschleunigende Wirkung von Störwörtern, die dem Zielwort phonologisch ähnlich sind, zeigt sich nicht für SOA = -150ms, sondern nur für SOA = 0ms und SOA = +150ms. Experimente in der Linguistik

14 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Wechselwirkung bedeutet: Ein Effekt der in Bezug auf eine der unabhängigen Variablen sichtbar wird, ergibt sich nur unter bestimmten Werten für eine andere unabhängige Variable. Im Beispiel: Die stärkere Verzögerung, die man bei semantisch ähnlichen Störwörtern beobachten kann, tritt nicht für alle SOA auf, sondern nur im Fall SOA = -150ms. Experimente in der Linguistik

15 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Um die Bedeutung von Wechselwirkungen zu klären,betrachten wir zunächst einen Fall, in dem die Faktoren von einander unabhängig sind. (Beispiel von Vier Gruppen von Kindergartenkinder sollen Früchte wiegen. Gruppe a1 wiegt zwei Äpfel; Gruppe a2 wiegt vier Äpfel; Gruppe b1 wiegt zwei Birnen; Gruppe b2 wiegt vier Birnen. Die Faktoren sind Anzahl der Früchte und Art der Frucht. Das Gewicht eines Apfels ist unabhängig vom Gewicht einer Birne. Experimente in der Linguistik

16 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Wir betrachten zunächst einen anderen Fall, in dem die Faktoren von einander unabhängig sind. Das Gewicht eines Apfels ist unabhängig vom Gewicht einer Birne. Experimente in der Linguistik Faktor 1: Anzahl Faktor 2: Art der Frucht ( Apfel vs. Birne) Gewicht

17 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Wenn die Faktoren unabhängig sind, kann man die Haupteffekte interpretieren. Haupteffekt zu Faktor 1: Äpfel sind schwerer als Birnen. Haupteffekt zu Faktor 2: Mehr Früchte wiegen mehr. Experimente in der Linguistik Faktor 1: Anzahl Faktor 2: Art der Frucht ( Apfel vs. Birne) Gewicht

18 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Da unter Wechselwirkungen Effekte nur unter bestimmten Umständen sichtbar sind, stellt sich die Frage, in welchen Fällen Haupteffekte interpretierbar sind. Ein Haupteffekt ist dabei ein signifikanter Unterschied zwischen den Mittelwerten aller Messwerte, die zu einer Ausprägung eines Faktors gehören. Experimente in der Linguistik

19 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Im Beispiel fasst man etwa die Messwerte der drei Messreihen Messreihe semantische Ähnlichkeit bei SOA -150ms Messreihe semantische Ähnlichkeit bei SOA 0ms Messreihe semantische Ähnlichkeit bei SOA +150ms zusammen zu einer Messreihe und die Messwerte der Reihen Messreihe unrelatiertbei SOA -150ms Messreihe unrelatiertbei SOA 0ms Messreihe unrelatiertbei SOA +150ms zu einer zweiten Messreihe. Experimente in der Linguistik

20 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Man kann nun die Mittelwerte der ersten Messreihe (Zielwort und Störwort sind semantisch ähnlich [SOA ist egal]) mit dem Mittelwert der zweiten Messreihe (Zielwort und Störwort sind unrelatiert [SOA ist egal]) vergleichen. Ergibt sich dann ein signifikanter Unterschied zwischen den beiden Messreihen, kann man sagen, dass es generell zu einer größeren Verzögerung bei semantisch relatierten Störwörtern (im Vergleich zu unrelatierten Störwörtern) kommt (unabhängig von der SOA). Das wäre dann ein interpretierter Haupteffekt. Experimente in der Linguistik

21 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Wir unterscheiden drei Typen von Wechselwirkungen : Experimente in der Linguistik disordinale Wechselwirkungordinale Wechselwirkunghybride Wechselwirkung

22 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Bei disordinalen Wechselwirkungen sind die Haupteffekte nicht interpretierbar. Experimente in der Linguistik ordinale Wechselwirkung

23 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Bei ordinalen Wechselwirkungen sind die Haupteffekte im Prinzip interpretierbar. Ordinale Wechselwirkungen sind insbesondere dann interessant, wenn nachgewiesen werden kann, dass die Gegenläufigkeit signifikant wird. Experimente in der Linguistik disordinale Wechselwirkung

24 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Experimente in der Linguistik Beispiel aus ~jakobs/seminar/vpl/mehrfak/ empbeispiele/beispielinteraktionen.htm (gilt nur bei begrenzter Lernzeit)

25 © Fraunhofer FKIE Statistische Auswertung: Wechselwirkungen Bei hybriden Wechselwirkungen ist (nur) einer der Haupteffekte, hier der zu Faktor 2, interpretierbar. Experimente in der Linguistik hybride Wechselwirkung Faktor 2: ( rot vs. blau) Faktor 1: (links vs. rechts)

26 © Fraunhofer FKIE Statistische Auswertung Mehrfaktorielle Designs Generell kann das Problem der Wechselwirkungen nur dann auftreten, wenn unser Experiment ein mehrfaktorielles Design hat. Dies bedeutet, dass wir zwei oder mehr unabhängige Variablen vorgeben und in Abhängigkeit von diesen den Wert der abhängigen Variablen bestimmen. In unserem Beispiel liegt ein 3x3-faktorielles und damit ein zweifaktorielles Design vor. Jeder Faktor (= unabhängige Varaible) hat drei mögliche Ausprägungen. Experimente in der Linguistik

27 © Fraunhofer FKIE Statistische Auswertung Mehrfaktorielle Designs Mehrfaktorielle Designs sind nicht nur in Bezug auf mögliche Wechselwirkungen problematisch. Sie erfordern auch eine gute Versuchsplanung. Experimente in der Linguistik ZielwortISSOA VP1sigaarpoes-150 VP2sigaarpoes0 VP3sigaarpoes+150 VP4sigaarpijp-150 VP5sigaarpijp0 VP6sigaarpijp+150 VP7sigaarcitroen-150 VP8sigaarcitroen0 VP9sigaarcitroen+150

28 © Fraunhofer FKIE Statistische Auswertung Mehrfaktorielle Designs Mehrfaktorielle Designs sind nicht nur in Bezug auf mögliche Wechselwirkungen problematisch. Sie erfordern auch eine gute Versuchsplanung. Experimente in der Linguistik ZielwortISSOA VP1sigaarpoes (UR)-150 VP1thermometernoot (UR)0 VP1veerslot (UR)+150 VP1vingerteen (SR)-150 VP1zaktas (SR)0 VP1cactusdadel (SR)+150 VP1bureaubuurman (PR)-150 VP1fietspompfile (PR)0 VP1geweergewei (PR)+150

29 © Fraunhofer FKIE Statistische Auswertung Mehrfaktorielle Designs Bei einem 3x3-faktroriellen Design benötigt man also eine Anzahl von Materialien, die ein Vielfaches von 9 ist, damit jede Versuchsperson jede der neun Testbedingungen gleich häufig präsentiert bekommt. Auch die Zahl der Versuchspersonen sollte ein Vielfaches von 9 betragen, damit jede der Bedingungen von der selben Anzahl von Versuchspersonen bearbeitet wird. Experimente in der Linguistik

30 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Ein weiteres Problem ergibt sich daraus, dass die einzelnen Bedingungen einer Versuchsperson in einer bestimmten Reihenfolge präsentiert werden und dass diese Reihenfolge eine Auswirkung auf die Ergebnisse haben könnte. Also versucht man die Präsentation der Stimuli für die verschiedenen Versuchspersonen unterschiedlich zu gestalten. Daraus ergibt sich letztlich ein Versuchsplan, der besagt, in welcher Reihenfolge welche Stimuli welcher Versuchsperson präsentiert werden. Experimente in der Linguistik

31 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Im Prinzip soll durch die Anwendung eines Versuchsplans erreicht werden, dass systematische Fehler, etwa solche, die durch Lern- effekte entstehen, reduziert werden. Im einfachsten Fall wird die erste Hälfte der Versuchspersonen zunächst mit den Stimuli der Bedingung A konfrontiert und dann mit denen der Bedingung B (A und B sind dabei Ausprägungen eines Faktors). Die zweite Hälfte der Versuchspersonen wird erst mit B und dann mit A konfrontiert. Experimente in der Linguistik

32 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Hat man n Bedingungen (in unserem Beispiel eines 3x3-faktoriellen Designs haben wir neuen Bedingungen), so teilt man die Versuchspersonen in n Gruppen. Die Reihenfolge, in der die einzelnen Gruppen dann mit den Bedingungen konfrontiert werden, ergeben sich aus einem so genannten lateinischen Quadrat, einem Quadrat aus nxn Feldern, wobei die Felder so mit n verschiedenen Symbolen belegt werden, dass jedes Symbol genau einmal in jeder Zeile und in jeder Spalte auftritt. (Das kennen wir von Sodoko.) Experimente in der Linguistik

33 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Bedingung1: Messreihe semantische Ähnlichkeit bei SOA -150ms Bedingung2: Messreihe semantische Ähnlichkeit bei SOA 0ms Bedingung3: Messreihe semantische Ähnlichkeit bei SOA +150ms Bedingung4: Messreihe phonologische Ähnlichkeit bei SOA -150ms Bedingung5: Messreihe phonologische Ähnlichkeit bei SOA 0ms Bedingung6: Messreihe phonologische Ähnlichkeit bei SOA +150ms Bedingung7: Messreihe unrelatiertbei SOA -150ms Bedingung8: Messreihe unrelatiertbei SOA 0ms Bedingung9: Messreihe unrelatiertbei SOA +150ms Experimente in der Linguistik

34 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Experimente in der Linguistik Dies ist ein einfach zu erstellendes lateinisches Quadrat, das etwa für die Erstellung von Spiel- plänen (Bundesliga etc.) Anwendung findet, das aber insofern problematisch ist, als sich die Abfolge der Bedingungen nicht ändert.

35 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Experimente in der Linguistik Man kann das Problem der Abfolge der Bedingungen dadurch verringern, dass man zusätzliche Bedingungen einführt, die für die Einträge gelten müssen, z.B. die Sodoku-Bedingung für n = 9.

36 © Fraunhofer FKIE Statistische Auswertung Versuchspläne Experimente in der Linguistik Man kann bei einem zweifaktoriellen Design statt dessen auch so genannte griechisch-lateinische Quadrate (auch Euler-Quadrate) nutzen, bei denen in jedem Feld zwei Symbole stehen, wobei jedes Symbolpaar nur einmal auftreten darf und jedes einzelne Symbol in jeder Zeile und in jeder Spalte genau einmal auftritt. Bild aus

37 © Fraunhofer FKIE Statistische Auswertung Mehrfaktorielle Designs Insgesamt sprechen die Probleme, die man mit multifaktoriellen Design bekommen kann, dafür, die Anzahl der unabhängigen Variablen (der Faktoren) sowie die Anzahl der zu diesen gehörenden Ausprägungen (Werte) zu beschränken. Das heißt auch, dass bei Experimenten möglichst viele (mögliche) Variablen fest gewählt werden. Experimente in der Linguistik


Herunterladen ppt "© Fraunhofer FKIE Experimente in der Linguistik apl. Professor Dr. Ulrich Schade Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie."

Ähnliche Präsentationen


Google-Anzeigen