ZIB Akademie 2026 Workshops und Keynotes

Kognitive Diagnosemodelle (DCMs) zur differenzierten Analyse individueller Kompetenz- und Lernstände (Prof. Dr. Olga Kunina-Habenicht)

Der Workshop bietet eine Einführung in kognitive Diagnosemodelle (Diagnostic Classification Models, DCMs) und ihre grundlegende Struktur. Dabei werden zentrale Konzepte wie die Rolle der Q‑Matrix und die grundlegende Modelllogik zur Beschreibung von Kompetenzprofilen vorgestellt. Anschließend werden verschiedene spezifische (z. B. DINA, DINO) und allgemeine kognitive Diagnosemodelle (z. B. GDINA) eingeführt und hinsichtlich ihrer Modellstruktur und Annahmen verglichen.

Darauf aufbauend wird die Schätzung einfacher kognitiver Diagnosemodelle in R demonstriert. Die Teilnehmenden lernen anhand praktischer Beispiele, wie Modelle mit den R‑Paketen GDINA und CDM spezifiziert, geschätzt und interpretiert werden können. Ein weiterer Schwerpunkt liegt auf der Überprüfung und Validierung von Q‑Matrizen. Dabei werden empirische Verfahren zur Identifikation möglicher Fehlspezifikationen in der Q-Matrix vorgestellt. Zudem wird die Beurteilung des Modellfits in DCMs thematisiert; zentrale Modellfit‑Indizes und deren Interpretation werden diskutiert. Abschließend gibt der Workshop einen kurzen Ausblick auf aktuelle weiterführende Entwicklungen, darunter hierarchische und longitudinale kognitive Diagnosemodelle.

Literatur

Rupp, A. A., & Templin, J. L. (2008). Unique characteristics of diagnostic classification models: A comprehensive review of the current state-of-the-art. Measurement: Interdisciplinary Research and Perspectives, 6(4), 219–262. https://doi.org/10.1080/15366360802490866

Voraussetzungen / Vorkenntnisse

Grundlegende Kenntnisse in R und latenter Modellierung (z.B. Item Response Modelle)

Vorausgesetzte Software

Paket GDINA und CDM in R

Modellierung von Entwicklungs- und Veränderungsmustern mittels latenter Transitionsanalyse und Growth Mixture Modellierung (Prof. Dr. Peter Edelsbrunner)

Bildungsforschung interessiert sich häufig für heterogene Entwicklungs- oder Veränderungsmuster in Längsschnitt- oder Prozessdaten basierend auf einer oder mehreren Variablen.

Der Workshop führt, aufbauend auf latenter Profilanalyse, in die angewandte latente Transitions- und Wachstumsmischverteilungsmodellierung ein.

Der erste Teil führt die latente Transitionsanalyse ein, mit Übungsaufgaben zur Interpretation und einem Überblick über Ansätze zum Einbezug von Prädiktoren und Outcomes unterschiedlicher Entwicklungsmuster.

Der zweite Teil führt in die Growth Mixture Modellierung ein, mit besonderem Fokus auf den Ablauf der Analyseschritte und Modellkonvergenz.

Freie Zeit wird genutzt, um auf Themen wie Mehrebenen-Erweiterungen, Multigruppenmodellierung und Fragen zu eigenen Daten oder Studien der Teilnehmer:innen einzugehen.

Beispieldaten und -skripte unter Verwendung von R und Mplus werden zur Verfügung gestellt. Beim Workshop können die Teilnehmer:innen die Beispieldaten oder eigene Daten (aufbereitet im Breitformat) verwenden und der Besuch ist ohne eigene Mplus-Installation möglich, wobei auf Anfrage Geräte zur Verfügung gestellt werden.

Literatur

Voraussetungzen: Field, A. (2026). Discovering statistics using R and RStudio. Sage.

Geiser, C. (2012). Data analysis with Mplus. Guilford press.

Hickendorff, M., Edelsbrunner, P. A., McMullen, J., Schneider, M., & Trezise, K. (2018). Informative tools for characterizing individual differences in learning: Latent class, latent profile, and latent transition analysis. Learning and Individual Differences, 66, 4-15.

Inhalte:

Gibson, K., Garber, A. C., Carter, D. B., Chan, M., Arch, D. A., Simon, O., ... & Lawrie, S. I. (2023). Ten frequently asked questions about latent transition analysis. Psychological methods, 28(2), 284.

Jung, T., & Wickrama, K. A. (2008). An introduction to latent class growth analysis and growth mixture modeling. Social and personality psychology compass, 2(1), 302-317.

Wickrama, K., Lee, T. K., O’Neal, C. W., & Lorenz, F. (2021). Higher-order growth curves and mixture modeling with Mplus: A practical guide. Routledge.

Voraussetzungen / Vorkenntnisse

Grundkenntnisse in R/Mplus, latenter Klassen- oder Profilanalyse und Wachstumskurvenmodellierung (als Mehrebenenmodell oder SEM) sind von Vorteil.

Vorausgesetzte Software

R mit RStudio o.ä. und den Paketen psych, tidyverse und MplusAutomation. Mplus 8.11 oder höher ist von Vorteil, wofür auch bei der Organisation ein Leihgerät angefragt werden kann.