14  Hallo again

14.1 Folien

Folien als Vollbild | Folien als PDF

14.2 Hausaufgabe

  • Falls noch nicht geschehen: Bearbeiten Sie die Hausaufgaben aus Vorlesung I und geben Sie das in Blackboard an.

14.3 Transkript

Das folgende Transkript wurde auf Basis der Aufzeichnung der Vorlesung erstellt. Die vollständigen Aufzeichnungen inklusive der Bildschirminhalte sind in Blackboard🔒 verfügbar. Die Tonspur wurde zuerst mit Hilfe der Werkzeuge des Oral-History.Digital Projekts wörtlich transkribiert. Die wörtliche Transkription wurde in Kombination mit den Vorlesungsfolien mithilfe von Sprachmodellen (v. a. Claude Sonnet 4.5 und GPT 5.2) zu einem übersichtlichen Transkript zusammengefasst. Im Anschluss wurde das Transkript von einer studentischen Hilfskraft überprüft, geglättet und ggf. angepasst. In diesem Prozess kann es an verschiedenen Stellen zu Fehlern kommen. Im Zweifel gilt das gesprochene Wort, und auch beim Vortrag mache ich Fehler.

Ich stelle das Transkript hier als experimentelles, ergänzendes Material zur Dokumentation der Vorlesung zur Verfügung. Noch bin ich mir unsicher, ob es eine sinnvolle Ergänzung ist und behalte mir vor, es weiter zu bearbeiten oder zu löschen.

Semestereinstieg – Organisatorisches

Organisatorisches zum Semester

  • Diese Sitzung war vor allem organisatorisch und bereitete die inhaltliche Arbeit des Semesters vor.
  • Die Vorlesung wird weiterhin aufgezeichnet; Fragen können aber auch außerhalb der Aufzeichnung gestellt werden.
  • Die Kurswebsite bleibt die zentrale Sammelstelle für Materialien, Aufzeichnungen und Informationen.

Rückblick auf das letzte Semester

  • Die Vorlesung war in zwei Stränge gegliedert.
  • Der erste Strang war der quantitative Statistik-Track.
  • Dort wurden Inferenzstatistik, lineare Regression, multiple Regression, Kausalinferenz, Mediationsanalyse und Messmodelle behandelt.
  • Der zweite Strang behandelte moderne Methoden der Datenerhebung und andere aktuelle, methodische Fragen.
  • Dazu gehörten Open Science, Simulationsmodelle, digitale Verhaltensdaten, Webtracking und Computational Text Analysis.

Lernziele der Vorlesung

  • Ein zentrales Ziel ist nicht, alle Verfahren auswendig programmieren zu können.
  • Wichtiger ist das Verständnis der Grundidee und die Fähigkeit, Outputs zu lesen und zu interpretieren.
  • Besonders für fortgeschrittene Verfahren soll man erkennen, was im Hintergrund passiert.
  • Die Vorlesung soll helfen, aktuelle Forschung zu verstehen und später auch eigene Arbeiten einzuordnen.

Materialien und Kursorganisation

  • Die Materialien bleiben über die Kurswebsite zugänglich.
  • Aufzeichnungen werden mit zeitlicher Verzögerung im Blackboard bereitgestellt.
  • Transkripte werden schrittweise ergänzt, damit man die Sitzungen gut nacharbeiten kann.
  • Das frühere browserbasierte R-System wurde abgeschaltet.
  • Hausaufgaben-Reports gehören zur aktiven Teilnahme und müssen eingetragen werden.

Geplanter Statistik-Block

  • Im Statistik-Teil werden Mehrebenenmodelle behandelt.
  • Mehrebenenmodelle sind wichtig, wenn Daten in Gruppen verschachtelt sind, etwa Personen in Schulklassen.
  • Außerdem werden Modelle für binäre und Zähldaten besprochen.
  • Damit wird die klassische lineare Regression auf weitere Datentypen verallgemeinert.

Geplanter Methoden-Block

  • Im anderen Block startet das Semester mit AI-gestützter Computational Text Analysis.
  • Danach folgen qualitative Methoden wie Thematic Analysis.
  • Es gibt außerdem eine Sitzung zu Diskursanalyse.
  • Ein ethnografischer Zugang wird ebenfalls vorgestellt, etwa mit teilnehmender Beobachtung in Redaktionen.

Klausurformat

  • Die Klausur ist eine E-Klausur im E-Examination Center.
  • Sie dauert 120 Minuten.
  • Die Klausur deckt die Vorlesung insgesamt breit ab.
  • Es gibt viele kleine Aufgaben und einige größere Aufgaben.
  • Die Themenblöcke werden im System angezeigt und können in unterschiedlicher Reihenfolge erscheinen.

Aufgabenarten in der Klausur

  • Es gibt Single-Choice-Fragen.
  • Es gibt Multiple-Choice-Fragen.
  • Bei Multiple-Choice kann das System nur die tatsächlich mögliche Zahl an Antworten zulassen.
  • Die vielen kleinen Aufgaben sollen eine breite Abdeckung des Stoffes sichern.

Arbeiten mit Outputs

  • Ein Teil der Klausur prüft das Erkennen von Begriffen und Zusammenhängen.
  • Ein anderer Teil prüft das Lesen und Interpretieren von Outputs.
  • Man soll zum Beispiel erkennen, welche Analyse ein Code ausführt.
  • Man soll außerdem Werte, Richtung und Stärke von Zusammenhängen aus Tabellen ablesen können.
  • Auch Hybridaufgaben mit kurzem Text und Output kommen vor.

Regressionsausgaben verstehen

  • Bei Regressions-Outputs ist wichtig, die richtigen Kennwerte zu finden.
  • Man soll aus Tabellen die passenden Koeffizienten ablesen können.
  • Man soll erkennen, ob ein Zusammenhang positiv oder negativ ist.
  • Man soll die Stärke eines Zusammenhangs im Vergleich zu anderen einschätzen können.
  • Kleine Eingabefehler wie Punkt oder Komma sind nicht entscheidend, solange der Wert inhaltlich stimmt.

Vorbereitung auf die Klausur

  • Die Klausuraufgaben sind stark an den Übungs- und Hausaufgaben orientiert.
  • Wer sie bearbeitet, soll in der Prüfung nicht überrascht werden.
  • Die Beispiele in der Klausur stammen aus den in der Vorlesung besprochenen Studien.
  • Fragen und Wiederholungen vor der Klausur sollen offene Punkte klären.