Selina Zajdler, Arbeits­gruppe Psychologische Methodenlehre und Diagnostik: Experimentelle Analyse individueller Unter­schiede in allgegenwärtigen Beurteilungs­verhalten (April 2025)

Was ist Ihr aktuelles Forschungs­thema?     

In meiner Forschung unter­suche ich individuelle Unter­schiede bei der Wahrheits­illusion, einer kognitiven Täuschung, bei der bereits bekannte Informationen als wahrer wahrgenommen werden als neue Informationen. Ich konzentriere mich auf die Frage, wie sich Personen in ihren Urteilen über wiederholte Informationen (im Gegensatz zu neuen Informationen) unter­scheiden und ob bestimmte dispositionelle Faktoren mit diesen Unter­schieden verbunden sind. Zurzeit unter­suche ich, wie man Studien konzipiert, die individuelle Unter­schiede im Wahrheits­effekt zuverlässig messen können.                                       

Für alle, die noch nicht so tief in das Thema Data Science eingestiegen sind: Wie würden Sie einem Kind erklären, woran Sie arbeiten?

Ich unter­suche, wie Menschen entscheiden, ob etwas wahr ist. Dabei schaue ich, wie das wiederholte Hören oder Lesen derselben Sache dazu führen kann, dass Menschen sie eher glauben. Manche Menschen glauben wiederholten Informationen leichter als andere, und ich versuche herauszufinden, warum.

Alle sprechen über Data Science – wie würden Sie die Bedeutung des Themas für sich selbst in drei Worten beschreiben?

Wissen, Einblick, Verantwortung

Welche Berührungs­punkte mit Data Science hat Ihre Arbeit? Welche Methoden nutzen Sie bereits und welche wären zukünftig interessant für Sie?

Ich verwende hauptsächlich Bayes'sche hierarchische Modelle, um individuelle Unter­schiede in kognitiven Effekten zu unter­suchen. Zuvor habe ich mit amortisierter Bayes'scher Inferenz gearbeitet, bei der neuronale Netze zur Modellierung zeitabhängiger kognitiver Parameter genutzt werden. Die Datenanalyse ist ein wichtiger Aspekt meiner Arbeit, aber auch die Datenvisualisierung ist für die Interpretation und Kommunikation der Ergebnisse unerlässlich. Was die Zukunft angeht, so bin ich an allen Methoden interessiert, die mir helfen, meine inhaltlichen Forschungs­fragen zu beantworten. Ich lerne generell gerne Neues und freue mich darauf, während meiner Promotion die Methoden zu lernen, die mir dann jeweils bei spezifischen Fragestellungen weiterhelfen.

Wie hoch ist der Wert von Data Science für Ihre Arbeit? Wäre Ihre Forschung ohne Data Science überhaupt möglich?

Bayessche hierarchische Modelle ermöglichen es mir, die Unsicherheit in den Daten zu quanti­fizieren und mit komplexeren kognitiven Modellen und Daten zu arbeiten. Meine Forschung wäre zwar auch ohne moderne Data-Science-Techniken möglich, aber sie wäre eine größere Herausforderung – und ich bin mir nicht sicher, ob ich sie auf dieselbe Weise angehen würde.

Welche Entwicklungs­möglichkeiten sehen Sie für das Thema Data Science in Bezug auf Ihr Fach­gebiet?

Psychologische Forschung ist theoriegetrieben und unter­scheidet sich daher von der klassischen Daten­wissenschaft, die eher explorativ ist. Deshalb glaube ich, dass vor allem explorative Forschungs­fragen von den Er­kenntnissen der Data Science profitieren könnten. Eine weitere vielversprechende Richtung ist das informierte machine learning, bei dem theoretische Rahmenbedingungen statistische Modelle anleiten.