Forschung
Ab Anfang 2022 wird FAIR zu drei aktuellen Forschungsbereichen in den Sozialwissenschaften beitragen: Prognosemodellierung, agile Interventionsgestaltung und -bewertung sowie gezielte Methodenforschung.
Prognosemodellierung
In diesem Bereich nutzen wir innovative Methoden aus den Datenwissenschaften, um große Datenmengen, insbesondere von IGLU und NEPS, zu analysieren. Unsere Forschung mit IGLU-Daten konzentriert sich auf die Vorhersage der Lesekompetenz. Unsere Forschung mit NEPS-Daten konzentriert sich auf Bildungs- und Berufswahlentscheidungen in Bezug auf mathematikintensive Bereiche. Weitere Datensätze werden ebenfalls berücksichtigt (z. B. BONNS; Test-M-I). Ein Eckstein der FAIR-Forschung zu Alterung und Wohlbefinden sind die SHARE-Daten, insbesondere der Unterdatensatz SHARELIFE.
Wir planen, vorhandene Daten neu auszuwerten, z. B. mit prädiktiven Regressionsmodellen unter Verwendung von Sketching- und Coreset-Methoden, um deren Skalierbarkeit zu verbessern. Die Flexibilität des Sketching und des Merge & Reduce-Frameworks wird Anwendungen für gestreamte oder dynamische Datenaktualisierungen ermöglichen (z. B. für die Analyse von Sensordaten oder Verhaltensspuren).
Gezielte Methodenforschung
Die PIs von FAIR haben zuvor maßgeschneiderte Methoden in Bereichen wie der Biostatistik entwickelt. Diese aktuellen methodischen Innovationen müssen noch ihren Weg in die Sozialwissenschaften finden, da die neuen Methoden gute Schlussfolgerungseigenschaften für heterogene Versuchsumgebungen oder in Situationen mit kleinen Stichprobengrößen (z. B. seltene Untergruppen) aufweisen. Die Methoden können auch mit komplexen Situationen wie fehlenden Werten, hohen Dimensionen oder Unausgewogenheit umgehen. FAIR wird diese Methoden systematisch für sozialwissenschaftliche Kontexte anpassen und erweitern, z. B. für wiederholte Messungen und komplexe Paneldaten. Darüber hinaus werden baumbasierte Vorhersagemodelle und Regression mit zufälligen Effekten für die Entwicklung neuer Vorhersagemodelle verwendet.
Um die Analyse großer und hochdimensionaler Daten zu ermöglichen, wird FAIR die sogenannten Sketching- und Coreset-Methoden anpassen und weiterentwickeln. Diese können verwendet werden, um Daten auf eine annähernde, aber immer noch ausreichende Statistik von deutlich geringerer Größe zu reduzieren, wobei die statistische Aussagekraft der vollständigen Daten erhalten bleibt. Diese Methoden werden für den Einsatz in sozialwissenschaftlichen Anwendungen (z. B. für groß angelegte Paneldaten) angepasst und übertragen.
Agile Interventionsgestaltung und -bewertung
Hauptziel der Interventionsstudie ist es, die Auswirkungen zweier unterschiedlicher, tabletbasierter Interventionen zu untersuchen, die darauf abzielen, die mathematischen Fähigkeiten von Grundschulkindern der ersten Klasse zu verbessern. Die erste Intervention konzentriert sich auf die visuelle Wahrnehmung und die Musterbildung, die zweite Intervention zielt auf das Wissen über Kardinalzahlen und Relationen ab. Mit dieser Studie wollen wir die Auswirkungen der visuellen Wahrnehmung und der visuellen Fähigkeiten von den Auswirkungen der numerischen Kognition auf die Entwicklung der mathematischen Kompetenzen trennen.