Link zur Modulbeschreibung im KU.Campus: Theoretische Grundlagen der Empirischen Psychologie

Inhalt Theoretische Grundlagen der empirischen Psychologie

Das Modul "Theoretische Grundlagen der Empirischen Psychologie" besteht aus einer Vorlesung und einem begleitenden Seminar.
 
Inhalt
Es geht um die Frage, was ist Wissenschaft, was ist gute Wissenschaft und was für eine Wissenschaft ist Psychologie?
Zentral ist die Definition von Harald Wallach:
Wissenschaft ist ein systematisch und methodisch vor Irrtum soweit wie möglich gesicherter Versuch, aus kollektiver Erfahrung Wissen über die Welt zu abstrahieren.
 
Jede Vorlesung zoomt in einen spezifischen Aspekt dieser Definition, beleuchtet ihn systematisch und setzt ihn in Beziehung zu theoretischen Überlegungen und psychologischen Ansätzen menschlicher Erkenntnis.
 
Insgesamt wird sowohl untersucht, was die ideale, beste systematische Methode für Wissenschaft ist, aber auch, wie Wissenschaft tatsächlich abläuft - mit ihren Abweichungen vom Ideal.
 
Die Themen sind
VL-1 Wissenschaft
VL-2 Semantik und Teleonomie
VL-3 Logik I: Aussagen
VL-4 Logik II: Argumente
VL-5 Logik III: Trugschlüsse, Lügen und Bullshit
VL-6 Verifikation in Empirismus und Rationalismus
VL-7 Falsifikation
VL-8 Theorien & Gesetze
VL-9 Rational vs. Sozial-historisch
VL-10 Wissen und Wahrscheinlichkeit I
VL-11 Wissen und Wahrscheinlichkeit II
VL-12 Kausalität I
VL-13 Kausalität II
 
 
Lernkonzept und Unterstützungsangebote:
Zu jeder Vorlesung gibt es Lernergebnisse, welche zur Auseinandersetzung mit den Inhalten anregen. In den Seminaren werden die Lernergebnisse dann gemeinsam vertieft.
 
Beispiele für Lernergebnisse sind
- Aufzählen, welche Wissenschaftsbereiche der Positivismus für sich beansprucht und welche die Hermeneutik für sich beansprucht.
- Erklären, welche Schwierigkeit die Verwendung des Wortes „sicher“ im Kontext mit Überzeugungen hat (z.B. ich bin mir sicher, dass ich recht habe).
- Den Zusammenhang zwischen Lakatos‘ Forschungsprogrammen und dem Duhem-Quine Problem diskutieren.
 
Zu jeder Veranstaltung gibt es den Foliensatz als PDF sowie ein Skript. Die Veranstaltungen werden für die Nachbearbeitung aufgezeichnet.
 
Dazu werden freiwillige Tutorien angeboten in denen Studierende höherer Semester, die das Modul selbst besucht haben, Gespräche über VL, Seminare, Lernergebnisse und alles was sonst mit dem Studium zusammenhängt, anbieten.
 
Klausur:
Zwei Wochen nach Ende der Vorlesungszeit findet eine Open-Book-Präsenzklausur statt. Dabei können alle Offline-Ressourcen genutzt werden: die Vorlesungsfolien, das Skript, eigene Notizen oder Zusammenfassungen. Lediglich die Verwendung von chatGPT ist während der Prüfung nicht gestattet.
Die Klausur dauert ca. 90 Minuten und besteht aus Fragen, die in einem kurzen Essay (zwischen 150 und 800 Worten) zu beantworten sind. Die erwartete Länge der Antwort ist bei jeder Frage angegeben.
Auf diese Weise wird Lernbulimie und stures Auswendiglernen vermieden und die Klausur prüft das ab, was das Ziel des Moduls ist: die Kompetenz zu entwickeln, selbstständig und kritisch über die Inhalte nachzudenken, zu sprechen und - im Falle der Klausur - zu schreiben.

Link zur Modulbeschreibung im KU.Campus: Aktuelle Forschungsfragen

Link zur Modulbeschreibung im KU.Campus: Projektarbeit

Link zur Modulbeschreibung im KU.Campus: Kognitive Psychologie: Grundlagen

Inhalt Kognitive Psychologie: Grundlagen

In dieser Veranstaltung geht es um Psychologie der Moral. Es geht um moralische Intuition,  moralisches Entscheiden, moralische Emotion und Motivation. Grundlage des Moduls ist die Moral Foundations Theorie von Jonathan Haidt.
Ziel des Wintersemestermoduls (Grundlagen) ist es, die Theorie zu verstehen und in ihren psychologischen, biologischen und kulturellen Kontext einzuordnen. Im Vertiefungsmodul im Sommersemester geht es um die kritische Auseinandersetzung mit den empirischen Grundlagen der Theorie sowie darum, deren Methodologie kritisch unter die Lupe zu nehmen. Das Vertiefungsmodul kann auch ohne dem Grundlagenmodul besucht werden.
 
Vorgehensweise
Jede Seminarsitzung behandelt ein Kapitel des Buches. Zu jedem Kapitel gibt es Lernergebnisse, die bei der Vorbereitung des Kapitels helfen können.
Die Lernergebnisse dienen dazu, die wichtigsten
Wissensbausteine der Veranstaltung herauszuarbeiten. Es gibt drei Kategorien von Lernergebnissen: Lesehilfen, Provokationen und Querverbindungen. Lesehilfen haben z.B. Signalwörter wie „wiedergeben“, „aufzählen“. Sie fokussieren auf die Inhaltsebene und helfen dabei, bestimmte Begriffe, Definitionen oder Fakten im Kapitel zu identifizieren. Andere Wissensbausteine und Kompetenzen können dagegen nur durch aktive Auseinandersetzung erworben werden:
- Durch Rekombination von bereits Gelerntem mit Neuem und durch Weiterdenken
- Gelerntes auf neue Kontexte (z.B. die eigene Erfahrungswelt) übertragen
-  Gelerntes kritisch bewerten
Solche weiterführenden Lernergebnisse werden der 2. und 3. Kategorie zugeorndet (Signalwörter: „Erklären Sie“; „Überlegen Sie“; „Diskutieren Sie“ etc.) zugeordnet. Eine offene Diskussionskultur und der Austausch von Erfahrungswissen der Teilnehmenden im Rahmen des Seminars unterstützen eine solche Vernetzung und Konstruktion von Wissen.
 
Beispiele für Lernergebnisse:
- Die drei Positionen zum Ursprung von Moral aufzählen und knapp erläutern.
- Beispiele auflisten, bei denen Sie Autorität und Hierarchie in Ihrem Alltag erleben.
- Überlegen, welche kognitiven Module notwendig sind, damit sich Moral nach Piaget entwickeln kann
 
 
Literatur
Haidt, J. (2013). *The Righteous Mind: Why good people are divided by politics and religion*. Penguin Books.
Haidt, J., & Kesebir, S. (2010). Morality. In S. T. Fiske, D. T. Gilbert, & G. Lindzey (Hrsg.), *Handbook of Social Psychology* (1. Aufl.). Wiley. (https://doi.org/10.1002/9780470561119.socpsy002022)

Einführung in die kognitive Modellierung

(english version below)

Kursinhalt:
Dieser Kurs bietet eine Einführung in die computational-kognitive Modellierung - ein mächtiges Werkzeug, um Erkenntnisse aus psychologischen Daten zu gewinnen.
Die Studierenden lernen, was computational-kognitive Modelle charakterisiert, was sie von verbalen und statistischen Modellen unterscheidet und welche Vor- (und Nachteile) sie haben.
Anschließend erhalten die Studierenden eine sanfte Einführung in die Open-Source-Programmiersprache R, zugehörige Pakete und die grafische Benutzeroberfläche RStudio. Die Studierenden erlernen grundlegende Methoden zum Strukturieren, Transformieren und Visualisieren von Daten sowie grundlegende Programmiermethoden (Iteration, Schreiben von Funktionen). Diese Fähigkeiten zu beherrschen ist entscheidend für die Implementierung und Schätzung von komputational-kognitiven Modellen, aber auch weit darüber hinaus nützlich.
Schließlich widmet sich der Kurs den Kernkonzepten und -methoden der komputational-kognitiven Modellierung. Dies umfasst Wahrscheinlichkeiten und Likelihoods, Optimierungsalgorithmen, Parameterschätzung und Modellvergleiche. Diese Konzepte werden anhand klassischer Modelle aus der kognitiven Psychologie veranschaulicht, wie etwa der Signalentdeckungstheorie, dem Drift-Diffusions-Modell und der Erwartungsnutzentheorie. Während des gesamten Kurses haben die Studierenden reichlich Zeit und Gelegenheit, die vorgestellten Methoden in praktischen Übungen anzuwenden und zu konsolidieren.

Lernziele:
Am Ende des Kurses sind die Studierenden in der Lage, gängige Aufgaben der Datenaufbereitung und des Programmierens in R zu lösen. Sie sind mit klassischen Beispielen komputationaler Modelle aus der kognitiven Psychologie vertraut. Sie sind in der Lage sein, solche Modelle zu implementieren, zu schätzen und zu vergleichen und die Ergebnisse zu interpretieren. Darüber hinaus sind sie mit gängigen Methoden zur Qualitätskontrolle in der kognitiven Modellierung vertraut sein.

Voraussetzungen:
Keine. Dies ist ein Einführungskurs. Er eignet sich für Anfänger ohne nennenswerte Kenntnisse in Programmierung oder Modellierung.

Empfohlene Literatur:
Lewandowsky, S., & Farrell, S. (2010). Computational modeling in cognition: Principles and practice. SAGE publications.
Lee, M. D., & Wagenmakers, E. J. (2014). Bayesian cognitive modeling: A practical course. Cambridge university press.

Introduction to Computational Cognitive Modeling

Course content:
This course will introduce students to computational cognitive modeling - a powerful tool to generate insight from psychological data.
Students will learn what characterizes computational cognitive models, what distinguishes them from verbal and statistical models, and what advantages (and disadvantages) they bear.
Next, students will be gently introduced to the open source programming language R, associated packages, and the graphical user interface RStudio. Students will learn basic methods for structuring, transforming and visualizing data, as well as basic programming methods (iteration, writing functions). These competencies are essential for implementing and estimating computational cognitive models, but mastering them is useful far beyond.
Finally, the course turns to core concepts and methods of computational cognitive modeling, including probabilities and likelihoods, optimization algorithms, parameter estimation and model comparison. These concepts will be illustrated based on classical models from cognitive psychology, such as Signal Detection Theory, the Drift Diffusion Model, and Expected Utility Theory. Throughout the entire course, students will have ample time and opportunity to practice and consolidate the introduced methods in hands-on exercises.  

Learning outcomes:
At the end of the course, students will be able to solve common data-wrangling and programming tasks in R. They will be familiar with classical examples of computational models from cognitive psychology. They will be able to implement, estimate, and compare such models and to interpret the results. Moreover, they will be familiar with common methods for quality control in cognitive modeling.

Prerequisites:
None. This is an introductory course. It is suitable for beginners without any notable knowledge of programming or modeling.

Recommended literature:
Lewandowsky, S., & Farrell, S. (2010). Computational modeling in cognition: Principles and practice. SAGE publications.
Lee, M. D., & Wagenmakers, E. J. (2014). Bayesian cognitive modeling: A practical course. Cambridge university press.

Link zur Modulbeschreibung im KU.Campus: Emprisch-experimentelles Praktikum I: Grundmodul

Link zur Modulbeschreibung im KU.Campus: Emprisch-experimentelles Praktikum II: Aufbaumodul

Link zur Modulbeschreibung im KU.Campus: Human Factors und Kognitive Ergonomie

Link zur Modulbeschreibung im KU.Campus: Allgemeine Psychologie 1