Themen für Masterarbeiten
Alle Themen sind für Studierende aus allen Master-Schwerpunkten geeignet. Bei allen Themen erlernen Sie die Grundlagen des Programmierens mit R und die Durchführung von Simulationsstudien in R. Bei vielen Themen ist zudem die Veranschaulichung der Ergebnisse mithilfe von shiny apps möglich (Beispiele aus früheren Arbeiten finden Sie hier). Unter den einzelnen Themenbereichen werden Beispiele für mögliche Masterarbeitsthemen dargestellt. Je nach Nachfrage können zu einem Themenbereich auch mehrere, thematisch ähnliche Themen vergeben werden.
Bei Interesse an einer Masterarbeit an unserem Lehrstuhl melden Sie sich bitte bei Nina Kramer und geben Sie an:
- gewünschtes Startsemester der Masterarbeit
- gewünschtes Themengebiet
Mögliche Themengebiete
Durch Klick auf die einzelnen Themen werden die Detail-Informationen angezeigt.
Überprüfung von Methoden zur Validierung von psychologischen Tests
Modelle der Item Response Theory (IRT) sind weit verbreitet, um psychologische Tests zu validieren und auf dieser Grundlage die Fähigkeiten von Testpersonen zu schätzen.
Eine typische Annahme in der Anwendung von IRT-Modellen ist, dass die psychometrischen Eigenschaften der Testitems, wie etwa ihre Schwierigkeit, für alle Personen gleich sind. Ist diese Annahme verletzt, kann das zu einer systematischen Benachteiligung von Testpersonen führen.
Am Lehrstuhl für Psychologische Methodenlehre wurden neuartige statistische Verfahren entwickelt, um solche Problemen aufzudecken. Die Eigenschaften dieser Verfahren sollen mithilfe von Simulationsstudien untersucht werden, um daraus praktische Empfehlungen abzuleiten. Ein vorheriger Besuch des Seminars zum Rasch Modell wird empfohlen. Alternativ ist die eigenständige Einarbeitung anhand eines Lehrbuches möglich.
Machine Learning und Interpretable Machine Learning
Machine Learning Verfahren wie Random Forests können auch komplexe Muster in den Daten erkennen - allerdings sind die Ergebnisse nicht mehr einfach interpretierbar.
Themengebiete, in denen interessante Erweiterungen von Random Forests zur Verbesserung der Vorhersagen und der Interpretierbarkeit vorgeschlagen wurden, sind das Aufdecken von Interaktionen sowie der Umgang mit ordinalen Zielgrössen. Das Ziel von Arbeiten in diesem Themenbereich ist es, mithilfe von Simulationsstudien die Eigenschaften dieser Ansätze zu illustrieren und zu vergleichen. Arbeiten in diesem Bereich bauen auf den Inhalten der Vorlesung Statistik 2 auf. Der Besuch des Master-Seminars zu Machine Learning ist hilfreich aber keine Voraussetzung.