Wie messe ich Kategorisierung?

Präsentation zum Thema: "Wie messe ich Kategorisierung?"—  Präsentation transkript:

1 Wie messe ich Kategorisierung?
Stereotype 2012 Henrik Singmann

2 Warum kommt es zu Stereotypen gegenüber bestimmten Gruppen und welche Rolle spielen Kategorisierungsprozesse dabei? Kategorisierung ist ein grundlegender Prozess der Informationsverarbeitung der uns hilft die große Menge an Informationen in der Umwelt sinnvoll zu strukturieren. Eine Konsequenz daraus ist, dass wir auch Menschen Kategorisieren. Wenn wir Menschen Kategorisieren kommt es zu folgenden Konsequenzen: In-Group Favoritism und Out-Group discrimination.

3 Was besagen Hypothesen 1 – 3?
Hypothese 1: Menschen benutzen physikalische und soziale Merkmale um Menschen und deren Eigenschaften zu kategorisieren. Hypothese 2: Als Konsequenz der Kategorisierung werden within-group Unterschiede minimiert und between-group Unterschiede maximiert. Hypothese 3: Wenn das Stereotyp aktiviert ist, wird ambiges Verhalten im Sinne des Stereotyps kategorisiert.

4 Was ist die Idee hinter Experiment 1 & 2 (Was ist die Hypothese/Vorhersage)?
Benutzen Menschen die Rasse (ethnische Herkunft) oder das Geschlecht um Menschen zu kategorisieren? Hypothese: Wenn ja, dann sollte man mehr Fehler innerhalb einer Kategorie, als zwischen Kategorien machen wenn man sich an Individuen aus gemischten Gruppen erinnern muss.

5 Wie ist der Versuchsaufbau von Experiment 1
Wie ist der Versuchsaufbau von Experiment 1? Was sind die unabhängigen und was die abhängigen Variablen? UV: Rasse des Sprechers, Instruktion (memory versus kein memory) und Form (A und B): 2 x 2 x 2 AV: Anzahl Fehler innerhalb der Rasse und zwischen der Rasse Experiment (d.h., alle UVs manipuliert)

6 Warum müssen die Interrace Errors korrigiert werden und wie geht das?
Es gibt jeweils 50% mehr interrace Distraktoren als intrarace DIstraktoren, darum wird die Fahleranzahl der interrace Distraktorn *2/3 genommen.

7 Wie sind die Ergebnisse von Experiment 1
Wie sind die Ergebnisse von Experiment 1? Gibt es signifikante Haupteffekt oder Interaktionseffekte? Nur einen Haupteffekt von Typ des Fehlers. Keine Effekte das Weiße mehr Fehler bei Schwarzen machen. (ANOVA mit Weiß, Schwarz als within-Variable zeigt nix).

8 Wie ist der Versuchsaufbau von Experiment 2
Wie ist der Versuchsaufbau von Experiment 2? Was sind die unabhängigen und was die abhängigen Variablen? Warum gibt es eine zusätzliche Manipulation? UV: Geschlecht des Sprechers, Geschlecht der VP, Instruktion, Länger des Talks AV: Anzahl Fehler innerhalb oder zwischen Geschlechtern. Experiment, bis darauf das Geschlecht der VP nicht manipuliert wurde. Zusätzliche Manipulation von Länge des Texts um zu sehen ob vielleicht nur kategorisiert wird wenn es besonders anstrengend (also lang) ist.

9 Was sind die Ergebniosse von Experiment 2
Was sind die Ergebniosse von Experiment 2? Was für Haupteffekte und Interaktionen gibt es? ANOVA 1: Geschlecht VP x Version (short – long) x Instruktion (recall, yes – no) x Art des Fehlers: Haupteffekt Art des Fehlers (mehr Intrasex Fehler) Haupteffekt Version (bessere Erinnerung bei kurzem Keine Interaktion von Version mit Art des Fehlers. Länge hat keinen Einfluss. Keine Interaktion mit Instruktion ANOVA 2: Kein Effekt vom geschlecht der VP auf Erinnerung vom eigenen Geschlecht. Haupteffekt von Instruktion.

10 Für welche Hypothesen sprechen die Ergebnisse?
Hypothesen 1 (man bentutzt Kategorien) und 2 (innerhalb einer Kategorie wird vieles gleichgemacht, zwischen Kategorien werden Dinge akzentuiert) werden bestätigt, aber nicht Hypothese 5 (Sachen die mir bekannt sind erkenne ich besser wieder).

11 Klauer, K. C., & Wegener, I. (1998). Unraveling social categorization in the „Who said what?“ paradigm. Journal of Personality and Social Psychology, 75(5), 1155–1178. doi: /

12 Wird ein andermal besprochen, daher nur kurz.
Hinzunahme von neuen Aussagen. Ein mathematisches Modell teilt die Leistung in verschiedene Paramater auf: Gedächtnisleistung für Status des Item (alt oder neu) Antworttendenz für Status des Items (alt oder neu) Personen-Unterscheidung Kategorie-Unterscheidung Raten der Kategorie Raten der Person

13 Statistik

14 Wichtige statistische Verfahren
Korrelation Gibt den Zusammenhang zwischen zwei Variablen an Regression Gibt den Zusammenhang von mehreren Variablen mit einer abhängigen Variable an. t-test Gibt es einen Unterschied in einer intervallskalierten Variable zwischen zwei Gruppen? ANOVA Gibt es einen Unterschied in einer intervallskalierten Variable zwischen mehreren Gruppen? Chi-Quadrat Test Gibt es Unterschiede in den Häufigkeiten bei zwei oder mehr Gruppen?

15 Signifikanz und p-Werte
“The number of stereotype-consistent and neutral traits recalled and attributed to the correct target were submitted to a 2 (stereotype: present or absent) X 2 (trait type: consistent or neutral) mixed-model analysis of variance (ANOVA) with repeated measures on the second factor. This revealed main effects of both stereotype, F(1, 22) = 5.85, p < .03, and trait type, F(1, 22) = 17.64, p < .004, on subjects' memory for the presented information. These effects were qualified, however, by a Stereotype X Trait Type interaction, F(1, 22) = 5.33, p < .03.“ (Macrae et al. 1994, p. 40). Statistische Analysen bestehen immer aus mindestens drei Teilen: Art der Teststatistik: Hier F-Wert (aus ANOVA) Anzahl der Freiheitsgrade: z.B. (1, 22) Wert der Teststatistik: 5.85 p-Wert: < .03 Ist der p-Wert kleiner als .05 spricht man von einem signifikanten Ergebnis (ungefähr: es ist unwahrscheinlich, das das Ergebnis/der Unterschied durch den Zufall entstanden ist) Weitere Besipiele: Korrelation: r(68) = .50, p = .03. t-Test: t(38) = 1.56, p = .56 ANOVA: F(1, 45) = 3.40, p = .01

16 Was heißt Signifikanz und p-Wert?
Um das Prinzip besser zu verstehen, nimm das folgende Besipiel: Ein Brot fällt immer mit der Butterseite auf den Boden!

17 Was heißt Signifikanz und p-Wert?
Nimmt man Murphys-Law ernst, sollte ein Brot häufiger mit der Butterseite als mit der anderen Seite zu Boden fallen. Um dies zu überprüfen wurde folgendes Experiment gemacht: 100 gebutterte Brote wurden von Tischhöhe fallgelassen und die Seite die den Boden berührte registriert. Die Ergebnisse zeigten, dass das Brot 59 mal auf der Butterseite und 41 mal auf der trockenen Seite gelandet war.

18 Was heißt Signifikanz und p-Wert?
Wir wollen nun herausfinden, ob dieser Unterschied zufällig sein kann. Um dies zu überprüfen geht man statistisch immer davon aus, dass es keinen Unterschied gibt (das heißt die Wahrscheinlichkeit das ein Toast auf einer Seite landet 50% ist). Angenommen der Toast wäre fair, wie wahrscheinlich ist es dann unser Ergebnis (59 mal Butter) zu erhalten?

19 Wie wahrscheinlich ist es,
(bei einem „fairen“ Toast) dass ein Toast einmal auf die Butterseite fällt? 0.5 das aus drei Versuchen ein Toast 0 mal auf die Butterseite fällt? 0.5 * 0.5 * 0.5 = 1 / 8 = das aus drei Versuchen ein Toast 1 mal auf die Butterseite fällt? 3 / 8 = 0.375 das aus drei Versuchen ein Toast 2 mal auf die Butterseite fällt? 0.375 das aus drei Versuchen ein Toast 3 mal auf die Butterseite fällt? 0.125

20 Wahrscheinlichkeitsverteilung

21 Was heißt Signifikanz und p-Wert?
Die Wahrscheinlichkeit des beobachteten Ergebnisses ergibt sich aus der binomialen Wahrscheinlichkeitsverteilung: P(k) = mit: n = Gesamtanzahl an Beobachtungen (100) k = die Anzahl mit der der Toast auf der Butterseite landet (59) p = die vermutete Anzahl mit der der Toast auf der Butterseite landet (.50)

22 Was heißt Signifikanz und p-Wert?
Tatsächlich untersucht man immer die Nullhypothese: Wie wahrscheinlich ist es das beobachtete oder ein noch extremeres Ergebnis zu erhalten? Wie wahrscheinlich ist es das ein Brot 59 mal oder häufiger auf der Butterseite landet wenn es „fair“ ist? P(59) + P(60) + … + P(100) = 0.04 Nimmt man das konventionelle p-Niveau (0.05) muss man die Nullhypothese das die Wahrscheinlichkeit für Brot ist verwerfen.

23 Typische Fehler Der p-Wert ist weder die Wahrscheinlichkeit der Nullhypothese p(H0), noch die Wahrscheinlichkeit der Hypothese gegeben die Daten p(H0|D). Der p-Wert ist die Wahrscheinlichkeit für die Daten unter der Bedingung das die Nullhypothese gilt p(D|H0). Diese Wahrscheinlichkeiten sind alle unterschiedlich: P(schwanger) ≠ P(schwanger|Frau) ≠ P(Frau|schwanger)

24 Zusammenfassung Korrelation heißt nicht, dass ein kausaler Zusammenhang vorliegt. Kausale Zusammenhänge kann man nur in Experimenten überprüfen: Aktives Manipulieren der unabhängigen Variable Randomisiertes zuteilen auf Bedingungen (Gruppen) Gleichhalten anderer Variablen Wo kein Experiment durchgeführt werden kann, keine Möglichkeit die Kausalität abschließend zu bewerten. Signifikant (p) bedeutet: Wahrscheinlichkeit für ein solches oder extremeres Ereignis unter der Bedingung dass kein Effekt vorliegt ist geringer als 5%.

25 Nächstes Mal Text lesen: Macrae, C. N., Milne, A. B., & Bodenhausen, G. V. (1994). Stereotypes as energy-saving devices: A peek inside the cognitive toolbox. Journal of Personality and Social Psychology, 66(1), 37–47. doi: / Fragen beantworten (schriftlich, werden heute noch ins Inet gestellt) Literaturempfehlung (25€) zu Statistik: Dienes, Z. P. (2008). Understanding psychology as a science?: An introduction to scientific and statistical inference. Basingstoke: Palgrave Macmillan.

26 Macrae et al. (1994) - Begriffe
Cognitive miser. Kognitive Geizhals (nur so wenig kognitive Energie verbrauchen wie möglich) Dual-task paradigms: Zwei Aufgaben simultan durchführen (z.B., motorische Aufgabe und dabei Fragen beantworten). Je besser die zweite Aufgabe gemacht wird, desto weniger Ressourcen wird für die erste benötigt. Impression formation: Eindrucksbildung. Wenn wir eine Person zum ersten mal sehen, bilden wir uns einen Eindruck (nett oder nicht, gefährlich oder nicht, …)

27 Macrae et al. (1994) - Begriffe
Priming: Beeinflussung der Verarbeitung eines Reizes dadurch, dass ein vorangegangener Reiz (implizite) Gedächtnisinhalte aktiviert hat. Subliminal: Unterhalb der Wahrnehmungsschwelle (z.B. ganz kurz) Supraliminal: Oberhalb der Wahrnehmungsschwelle (d.h., sicht- oder wahrnehmbar)