Untitled - SCHUHFRIED GmbH

Weitere Magazine

Empfehlungen

Info

Tabelle 4: Multiple Korrelationen der Tests mit verschiedenen Fahrverhaltenskategorien Multiple Korrelation Gesamtbeurteilung 0.55 Kreuzungsverhalten 0.43 Spurführung 0.53 Kommunikation 0.44 Geschwindigkeit 0.37 Einordnen 0.40 Vorausschauendes Fahren 0.34 Zusammenfassend betrachtet zeigen die hier dargestellten Ergebnisse, dass signifikante Zusammenhänge zwischen den einzelnen Testverfahren und den einzelnen Fahrverhaltenskategorien empirisch nachgewiesen werden können. In Einklang mit den theoretischen Erwartungen fallen die multiplen Korrelationen zudem bei allen Fahrverhaltenskategorien und der Gesamtbeurteilung des Fahrverhaltens höher aus als die Korrelationskoeffizienten der einzelnen Testverfahren mit den entsprechenden Fahrverhaltenskategorien. Dieses Ergebnis kann als Beleg für die Annahme interpretiert werden, dass Fahrverhalten bzw. einzelne Aspekte des Fahrverhaltens multi-kausal bedingt sind. Kritisch ist hierbei jedoch anzumerken, dass in den hier dargestellten Ergebnissen zu den multiplen Korrelationen implizit von einem linear-additiven Modell ausgegangen wird. In eignungsdiagnostischen Fragestellungen ist diese Annahme jedoch oftmals nicht realistisch (Maukisch, 1990). Nicht-lineare Effekte oder Wechselwirkungen blieben bislang noch unberücksichtigt. Um diesen Problemen entgegenzuwirken und valide Vorhersagen zu ermöglichen, können Künstliche Neuronale Netze als Methode der statistischen Urteilsbildung verwendet werden (vgl. Häusler & Sommer, 2006). Gültigkeit der Testverfahren – Neuronale Netzwerke: DRIVESTA Die Berechnung des Artifiziellen Neuronalen Netzwerks wird mit dem Programm NN Predict (Häusler, 2004) durchgeführt. Bei dem verwendeten Netzwerktyp handelt es sich um ein mehrschichtiges Perzeptron mit einer funktionalen Zwischenschicht und einer Feedforward- Vollverbindung. Die Inputschicht repräsentiert die Prädiktoren aus den zuvor genannten Leistungstests mit Ausnahme der Peripheren Wahrnehmung (Schuhfried et al., 2002). Die Outputschicht bildet mit einer Einheit das dichotome Kriterium ab. Die Anzahl der Zwischenschichteinheiten wird durch einen Vergleich mehrerer Artifizieller Neuronaler Netze im Hinblick auf deren Sparsamkeit und Validität auf vier Zwischenschichteinheiten festgesetzt. Als Transformationsfunktion dient die Aktivierungsfunktion Softmax, die im Wesentlichen eine ‚multiple logistische’ Funktion darstellt, deren Ergebnis im Sinne einer Posteriori- Wahrscheinlichkeit interpretiert werden kann. Nach Bridle (1990) eignet sich diese Aktivierungsfunktion vor allem bei kategoriellen Kriteriumsvariablen. Als Lernalgorithmus wird QuickProp (Fahlmann, 1988) verwendet. Die Anzahl der Iterationen liegt bei 10000. Mit Hilfe dieses Artifiziellen Neuronalen Netzwerks konnten 80% der Stichprobe richtig klassifiziert werden. Dies entspricht einem Validitätskoeffizienten von R=0.68 (adj. R 2 =0.37). Die Zufallsrate beträgt 60%. Die folgende Tabelle gibt einen Einblick in die Sensitivität und Spezifität der Klassifikationen des Artifiziellen Neuronalen Netzwerks.
Tabelle 5: Sensitivität und Spezifität der Klassifikation mit dem ANN - DRIVSTA Fahrprobe Vorhersage der Fahrprobenleistung negative Bewertung positive Bewertung negative Bewertung 72 (82%) 16 (18%) positive Bewertung 28 (21%) 106 (79%) Wie aus der Tabelle hervorgeht, können 82% der negativ beurteilten Personen und 79% der positiv beurteilten Personen korrekt klassifiziert werden. Um die Stabilität dieses Ergebnisses zu überprüfen, wird eine Jackknife-Validierung durchgeführt. Hierbei handelt es sich um eine weit verbreitete Methode zur Bestimmung der Stabilität bei Fehlen eines zweiten unabhängigen Datensatzes (Bishop, 1995; Michie, Spiegelthaler & Taylor, 1994; Dorffner, 1991). In der Jackknife-Validierung können 80% der Personen anhand ihrer Testresultate richtig klassifiziert werden. Dies entspricht einem Validitätskoeffizienten von R=0.67 (adj. R 2 =0.36). Die Zufallsrate liegt bei 60%. Die unten stehende Tabelle zeigt die Sensitivität und Spezifität der Klassifikationen in der Jackknife- Validierung. Tabelle 6: Sensitivität und Spezifität der Klassifikation dem ANN in der Jackknife Validierung - DRIVESTA Fahrprobe Vorhersage der Fahrprobenleistung negative Bewertung positive Bewertung negative Bewertung 74 (84%) 14 (16%) positive Bewertung 30 (22%) 104 (78%) Wie aus der oben dargestellten Tabelle hervorgeht, können 84% der negativ beurteilten Personen und 78% der positiv beurteilten Personen korrekt klassifiziert werden.
Seite 2 und 3: 1 EINLEITUNG UND ORIENTIERUNGSHILFE
Seite 4 und 5: Die Test-Sets DRIVESTA und DRIVEPLS
Seite 6 und 7: Die Dimensionsauswahl für die Test
Seite 8 und 9: Können die Zweifel an der Kraftfah
Seite 10 und 11: immer ausgegangen werden. Das Krite
Seite 12 und 13: Abbildung 4: Durchführung der Bild
Seite 16 und 17: Die Abbildung zeigt die Verteilung
Seite 18 und 19: Die Vorgabe der Testverfahren der T
Seite 20 und 21: Schlussfolgerndes Denken wird auch
Seite 22 und 23: � Die Reaktionsgeschwindigkeit gi
Seite 24 und 25: Die Auswertung der Test-Sets DRIVES
Seite 26 und 27: Herr M. unterzog sich im Alter von
Seite 28 und 29: Herr H. wurde im Alter von 65 Jahre
Seite 30 und 31: Neben der diagnostischen Überprüf
Seite 32 und 33: Fahrerlaubnis-Verordnung (FeV) Als
Seite 34 und 35: Gruppe 2: Es gelten sinngemäß die
Seite 36 und 37: (3) (Epileptiker werden nur aufgrun
Seite 38 und 39: Atkinson, J.W. (1957). Motivational
Seite 40 und 41: Klebelsberg, D. (1982). Verkehrspsy
Seite 42 und 43: Tabelle 1: Inkrementelle Validität
Seite 44: Um zu gewährleisten, dass sämtlic

Untitled - SCHUHFRIED GmbH

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?