EnglishDeutsch

Die Dynamik individueller Variabilität über die Lebensspanne

Übergeordnetes Ziel dieses Projekts ist die Untersuchung von Theorien mit Hilfe von Forschungsdesigns, die menschliche Entwicklung über Zeitskalen, Analyseebenen und Funktionsbereiche hinweg abbilden. Wir gehen dabei davon aus, dass ein umfassendes Verständnis der Verhaltensentwicklung über die Lebensspanne einen personenorientierten, multivariaten und längsschnittlichen Ansatz erfordert. Nur eine hohe Dichte von Beobachtungen einzelner Personen erlaubt Forschern die Unterscheidung zwischen verschiedenen Formen und Funktionen von Variabilität und Veränderung zur Abgrenzung dynamischer Eigenschaften menschlichen Verhaltens. Eine solche Datendichte bietet nicht nur völlig neue Möglichkeiten, sondern stellt die Forschung auch vor neue theoretische und methodische Herausforderungen. Das Projekt begegnet diesen Herausforderungen durch einen methodologischen Schwerpunkt—verstanden als produktives Zusammenspiel zwischen inhaltlicher Forschung und Methodenentwicklung. Im Bereich der Methodenentwicklung arbeitet das Projekt eng mit dem Projekt Methoden in der Lebenspannenpsychologie zusammen.

Team

Gruppe Intra Person Dynamics
© MPI fuer Bildungsforschung

Forschungsschwerpunkte

Zusammenhänge zwischen Intraindividueller Variabilität und Veränderung über Verschiedene Funktionsbereiche und Zeitskalen hinweg

Untersuchungen mit Daten der COGITO-Studie (siehe unten) betreffen intraindividuelle Variabilität und Veränderung über Zeitskalen hinweg. Diese reichen von Reaktionszeitvariabilitäten von Moment zu Moment, über Fluktuationen der kognitiven Leistungsfähigkeit von Tag zu Tag, zu Veränderungen über Jahre (wie die langfristigen Auswirkungen des umfassenden kognitiven Trainings von COGITO auf kognitive Fähigkeiten und Persönlichkeitseigenschaften). Die Analysen konzentrieren sich auf intraindividuelle Zusammenhänge zwischen Konstrukten über die Zeit, beispielsweise Kopplungen zwischen Fluktuationen in positiver Stimmung und im Arbeitsgedächtnis von Tag zu Tag.

Zeitstetige Modelle und Moderierte ZeitreihenModelle zur Analyse Menschlicher Entwicklung ÜBER verschiedene Zeitskalen und Kontexte

Während sich die meisten psychologischen Prozesse kontinuierlich über die Zeit hinweg entwickeln, lassen sie sich nur zu bestimmten diskreten Zeitpunkten beobachten. Entsprechend gilt es, die Mechanismen, die einem sich kontinuierlich entfaltenden Prozess wie der menschlichen Entwicklung zugrunde liegen, anhand einzelner diskreter Beobachtungspunkte zu rekonstruieren. Zeitstetige Modelle sind dafür optimal geeignet. Mit Hilfe stochastischer Differentialgleichungen erlauben sie Rückschlüsse von diskreten Beobachtungen auf kontinuierliche Prozesse.

Integration von intra- und interindivduellen Informationen AUF der Suche nach kausalen Mechanismen

Der Großteil empirisch psychologischer Forschung beruht auf der Analyse von Unterschieden zwischen Personen. Im Gegensatz dazu interessiert man sich in der ngewandten Psychologie vor allem für das Verhalten und Verhaltensänderungen einzelner Personen (z.B. Patienten). Ebenso postulieren psychologische Theorien Wirkmechanismen auf der Personenebene, auch wenn eine entsprechende Testung oftmals ausbleibt. Diese Entkoppelung von Forschungspraxis, Anforderungen der angewandten Psychologie und psychologischen Theorien stellt eine Bedrohung der konzeptuellen Integrität des Forschungsfeldes dar. Dieses Projekt arbeitet daran, die unterschiedlichen Positionen sowohl konzeptuell als auch methodisch in Einklang zu bringen.

COGITO

Logo of the COGITO-Study

Ausführliche Informationen zu dieser umfangreichen Studie, an der 101 junge Erwachsene (20–31 Jahre alt) und 103 ältere Erwachsene (65–80 Jahre alt) teilnahmen und und in 100 täglichen Testsitzungen an kognitiven Aufgaben zur Erhebung von Wahrnehmungsgeschwindigkeit, episodischem Gedächtnis und Arbeitsgedächtnis arbeiteten und verschiedene Selbsteinschätzungen vornahmen, finden Sie hier.

Neuere Publikationen

Hardt, K., Hecht, M., Oud, J. H. L., & Voelkle, M. C. (2019). Where have the persons gone? — An illustration of individual score methods in autoregressive panel models. Structural Equation Modeling, 26, 310–323. https://doi.org/10.1080/10705511.2018.1517355

Hecht, M., Hardt, K., Driver, C. C., & Voelkle, C. M. (2019). Bayesian continuous-time Rasch models. Psychological Methods. Advance online publication. https://doi.org/10.1037/met0000205

Voelkle, M. C., Gische, C., Driver, C. C., & Lindenberger, U. (2019). The role of time in the quest for understanding psychological mechanisms. Multivariate Behavioral Research. Advance online publication. https://doi.org/10.1080/00273171.2018.1496813

Brandmaier, A. M., Driver, C. C., & Voelkle, M. C. (2018). Recursive partitioning in continuous time analysis. In K. van Montfort, J. H. L. Oud, & M. C. Voelkle (Eds.), Continuous time modeling in the behavioral and related sciences (pp. 259–282). Cham: Springer.

Driver, C. C., & Voelkle, M. C. (2018). Hierarchical Bayesian continuous time dynamic modeling. Psychological Methods, 23, 774–799. https://doi.org/10.1037/met0000168

Driver, C. C., & Voelkle, M. C. (2018). Understanding the time course of interventions with continuous time dynamic models. In K. van Montfort, J. H. L. Oud, & M. C. Voelkle (Eds.), Continuous time modeling in the behavioral and related sciences (pp. 79–109). Cham: Springer.

Ghisletta, P., Burra, E. J., Aichele, S., Lindenberger, U., & Schmiedek, F. (2018). Age differences in day-to-day speed-accuracy tradeoffs: Results from the COGITO study. Multivariate Behavioral Research. Advance online publication. https://doi.org/10.1080/00273171.2018.1463194

Hamaker, E. L., Asparouhov, T., Brose, A., Schmiedek, F., & Muthén, B. (2018). At the frontiers of modeling intensive longitudinal data: Dynamic structural equation models for the affective measurements from the COGITO study. Multivariate Behavioral Research. Advance online publication. https://doi.org/10.1080/00273171.2018.1446819

Mueller, S., Wagner, J., Voelkle, M. C., Smith, J., & Gerstorf, D. (2018). The interplay of personality and functional health in old and very old age: Dynamic within-person interrelations across up to 13 years. Journal of Personality and Social Psychology, 115, 1127–1147. https://doi.org/10.1037/pspp0000173

Oud, J. H. L., Voelkle, M. C., & Driver, C. C. (2018). SEM based CARMA time series models for arbitrary N. Multivariate Behavioral Research, 53, 36–56. https://doi.org/10.1080/00273171.2017.1383224

Projektleiter

Alumna

Janne Adolf, KU Leuven, Belgien

Literatur

Brose, A., Schmiedek, F., Koval, P., & Kuppens, P. (2015). Emotional inertia contributes to depressive symptoms beyond perseverative thinking. Cognition and Emotion, 29, 527–538. doi: 10.1080/02699931.2014.916252

Driver, C. C., Oud, J. H. L., & Voelkle, M. C. (2017). Continuous time structural equation modeling with R package ctsem. Journal of Statistical Software, 77:5. doi: 10.18637/jss.v077.i05

Hertzog, C., Lövdén, M., Lindenberger, U., & Schmiedek, F. (2017). Age differences in coupling of intraindividual variability in mnemonic strategies and practice-related associative recall improvements. Psychology and Aging, 32, 557–571. doi: 10.1037/ pag0000177

Schmiedek, F., Lövdén, M., & Lindenberger, U. (2010). Hundred days of cognitive training enhance broad cognitive abilities in adulthood: Findings from the COGITO study. Frontiers in Aging Neuroscience, 2:27. doi: 10.3389/fnagi.2010.00027

Voelkle, M. C., Brose, A., Schmiedek, F., & Lindenberger, U. (2014). Towards a unified framework for the study of between-person and within-person structures: Building a bridge between two research paradigms. Multivariate Behavioral Research, 49, 193–213. doi: 10.1080/ 00273171.2014.889593

Lifespan Neural Dynamics Group

Die von Douglas Garrett geleitete Lifespan Neural Dynamics Group nahm ihre Arbeit innerhalb dieses Projektes auf und ist jetzt Teil des Max Planck UCL Centre for Computational Psychiatry and Ageing Research. Mehr Information findet sich hier.

Lifespan Neural Dynamics Group
© Science Photo Library