Preview

PDF, English - main document Download (2MB) | Terms of use

Abstract

Basierend auf einer theoretischen Unterscheidung zwischen Features und Dimensions von Garner (1978) wird eine neue Form des Attribut-Framings untersucht. Es wird zwischen dichotomen Variablen, die entweder eine anwesende oder eine abwesende Ausprägung zeigen (Features) und dichotomen Variablen, die zwei anwesende Ausprägungen zeigen (Dimensions) unterschieden. Sowohl theoretisch als auch empirisch werden Unterschiede in Vergleichsprozessen basierend auf Features und Dimensions untersucht. Dabei stehen die Konsequenzen für das Lernen von Zusammenhängen zwischen dichotomen Variablen (Kontingenzlernen) im Vordergrund. Es wird gezeigt, dass bei auf Features basierenden Vergleichsprozessen die Anwesenheit von Attributen im Vordergrund steht, während bei auf Dimensions basierenden Vergleichsprozessen Vergleiche innerhalb von Attributen im Vordergrund stehen. Für das Kontingenzlernen bedeutet das, dass bei Features sogenannte density biases (Allan & Jenkins, 1983) eine Rolle spielen (je mehr anwesende Ausprägungen, desto höher das Kontingenzurteil), während bei Dimensions sogenannte Pseudokontingenzen (Fiedler & Freytag, 2004) eine Rolle spielen (gemeinsame Randschiefen führen zu einem hohen Kontingenzurteil). Die abgeleiteten Hypothesen werden in neun Experimenten untersucht. Zusätzlich werden in der vorliegenden Arbeit statistische Eigenschaften von Kontingenzen zwischen zwei dichotomem Variablen in einem Simulationsframework analysiert.