06.10.2013 Aufrufe

Krankheitseinsicht, dynamisch getestete Exekutivfunktionen und ...

Krankheitseinsicht, dynamisch getestete Exekutivfunktionen und ...

Krankheitseinsicht, dynamisch getestete Exekutivfunktionen und ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

10.8.2 Übereinstimmung von RCI-Typen <strong>und</strong> Clustern<br />

235<br />

Ergebnisse Studie 2<br />

Die drei k-means-Cluster, die einen Hinweis auf einen geeigneten Kompromiss zwischen<br />

Homogenität <strong>und</strong> Handhabbarkeit liefern sollen, wurden im nächsten Schritt gegen die<br />

RCI-Subgruppen kreuztabelliert. Tabelle 37 stellt dies zunächst für den kRCI dar. Die<br />

Ergebnisse für die 15P42- <strong>und</strong> GLN-Algorithmen fallen sehr ähnlich aus, sie werden daher<br />

nicht dargestellt. Die Resultate für das URCI-Verfahren werden weiter unten geschildert.<br />

Tabelle 37.<br />

Kreuztabelle WCSTdyn-Cluster*kRCI-Typen<br />

kRCI-Typ Verbesserer<br />

k-means-Cluster<br />

Leistungsstarke <br />

Leistungsschwache<br />

Gesamt<br />

Leistungsstark verbessert HS+ 0 6 0 6<br />

Stabil leistungsstark HS± 0 166 0 166<br />

Grenzfall aufwärts GF+ 18 20 0 38<br />

Grenzfall abwärts GF- 0 2 4 6<br />

Bedeutsam verbessert LR 120 15 0 135<br />

Bedeutsam verschlechtert VS 0 0 2 2<br />

Leistungsschwach verbessert NL+ 0 0 6 6<br />

Stabil leistungsschwach NL± 0 0 40 40<br />

Leistungsschwach verschlechtert NL- 0 0 1 1<br />

Gesamt 138 209 53 400<br />

Die Ergebnisse des Methodenvergleichs fallen erwartungskonform aus: Alle drei leistungsschwachen<br />

kRCI-Subtypen werden dem korrespondierenden Cluster zugeordnet, das<br />

überdies die weiteren Verschlechterer-Typen umfasst (d. h. zwei Drittel der Abwärts-<br />

Grenzfälle <strong>und</strong> alle bedeutsamen Verschlechterer). Beide leistungsstarken kRCI-Typen sind<br />

vollständig im entsprechenden Cluster enthalten, das zudem etwas über 50 % der Aufwärts-<br />

Grenzfälle, ein Drittel der Abwärts-Grenzfälle <strong>und</strong> nur 11 % bedeutsame Verbesserer<br />

beinhaltet. Das Verbesserer-Cluster besteht aus der Mehrheit der Probanden mit klinisch<br />

bedeutsamer Verbesserung <strong>und</strong> aus der anderen Hälfte der Aufwärts-Grenzfälle. Keiner der<br />

38 kRCI-Aufwärts-Grenzfälle wurde dem Cluster der Leistungsschwachen zugeordnet.<br />

Insgesamt stellt damit die Zuordnung der ca. 10 % Aufwärts-Grenzfälle für die Komposition<br />

von Metatypen das größte Problem dar. Dies soll noch einmal durch eine Einzelfall-<br />

Auflistung <strong>und</strong> eine Zuordnung des jeweiligen Lernertyps nach der Osnabrücker Regel<br />

(15P43) unterstrichen werden: Wie in Tabelle 38 auszählbar, besteht eine Konsequenz aus<br />

der Verwendung der Osnabrücker 1,5-SD-Regel darin, dass 22 von 38 (58 %) der kRCI-<br />

Aufwärts-Grenzfälle in der Gruppe der Nichtlerner aufgehen würden (grau unterlegte<br />

Zeilen), obwohl sie sich von den konstant Leistungsschwachen nach kRCI klar mit einem<br />

Effekt von g = 1,01 (Prätest) bzw. g = 1,96 (Posttest) <strong>und</strong> einer mittleren PPD von immerhin<br />

+13 korrekt sortierten Karten doch deutlich unterscheiden (s. Tabelle 28). Die Konsequenzen<br />

für die Homogenität dieser Subgruppe werden unten in Tabelle 40 dargestellt.

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!