Untitled - SCHUHFRIED GmbH

Können die Zweifel an der Kraftfahreignung durch Betrachtung der normierten Testwerte
nicht ausgeräumt werden und können auch keine situativen Faktoren als Ursache für eine
Minderleistung in einem oder mehreren Tests angesehen werden, stellt sich die Frage, ob
ein Defizit in einem Leistungsbereich durch gute Leistungen in einem anderen kompensiert
werden kann.
Dies zu beurteilen ist im Rahmen der herkömmlichen Begutachtungspraxis in einer
objektiven bzw. eindeutig reproduzierbaren Art kaum möglich. Aus diesem Grund wurde in
die Test-Sets DRIVESTA und DRIVEPLS ein spezieller Algorithmus in Form eines
Artifiziellen Neuronalen Netzes eingebaut, der ein Gesamturteil über die kraftfahrspezifische
Leistungsfähigkeit erlaubt. Details dazu finden sich im folgenden Abschnitt.
Bei der Berechnung des Gesamturteils über die Eignung bzw. Nicht-Eignung wird ein
nichtlineares Modell mittels Artifizieller Neuronaler Netze (ANN) gebildet, in dem auch
komplexe Wechselwirkungen und Kompensationseffekte berücksichtigt werden können.
Abbildung 3: Schematische Darstellung des Artifiziellen Neuronalen Netzes für das Test-Set DRIVESTA
Artifizielle Neuronale Netze stellen äußerst komplexe, empirisch generierte Modelle dar, die
oft nicht einfach zu interpretieren sind. Daher wird diesem Ansatz oft auch der Charakter
einer „Black Box“ zugeschrieben. Es besteht allerdings die Möglichkeit einer inhaltlichfunktionalen
Interpretation der Zwischenschichtelemente anhand der optimierten Gewichte
bzw. Pfadkoeffizienten.
Auf die numerische Darstellung der Pfadgewichte wurde der Übersichtlichkeit halber
verzichtet: Schwarze Pfade entsprechen aktivierenden Verbindungen, rote Pfade
entsprechen hemmenden Verbindungen. Stärker gewichtete Pfade sind fett gedruckt.
Das funktionelle Neuron (1), das auch den Großteil der Varianz aufklärt, kann als Ausdruck
der direkten Hauptwirkungen der Tests AMT, COG, DT und RT verstanden werden. Die
Pfade von COG und RT sind hemmend, da es sich um Reaktionszeiten handelt und daher