KI und Datenanalyse lernen: Prüfungsplan für Psychologie

Prüfungen zu KI und Datenanalyse scheitern selten an schwerer Mathematik. Sie scheitern an unklaren Begriffen, an falsch gelesenen Gütemaßen und daran, dass die Validierungslogik nicht sitzt. Wer diese drei Bereiche gezielt trainiert, kommt mit deutlich weniger Aufwand durch als jemand, der Verfahren auswendig lernt. Dieser Plan zeigt, in welcher Reihenfolge du vorgehst und woran du deinen Fortschritt misst.

Woche 1: die Begriffslandkarte

Beginne nicht mit Verfahren, sondern mit Ordnung. Zeichne eine einzige Seite mit vier Ästen: Lernart (überwacht, unüberwacht), Aufgabentyp (Klassifikation, Regression), Modellklasse (linear, baumbasiert, neuronal) und Bewertung (Aufteilung, Kreuzvalidierung, Gütemaße). Jedes neue Verfahren, das dir begegnet, hängst du an einen dieser Äste.

Der Nutzen zeigt sich in der Prüfung: Wenn eine Frage ein Verfahren nennt, das du nicht im Detail kennst, kannst du über die Landkarte trotzdem sinnvoll antworten – weil du weißt, welche Art von Aufgabe es löst und wie es bewertet wird. Die inhaltlichen Grundlagen dazu stehen im Beitrag KI in der Psychologie: Machine Learning verständlich erklärt.

Woche 2: Gütemaße mit der Hand rechnen

Die Konfusionsmatrix ist die ergiebigste halbe Stunde deiner Vorbereitung. Zeichne sie einmal auf und leite alle Kennwerte selbst her, statt sie zu memorieren.

Rechne mit einer erfundenen Matrix bei einer Prävalenz von fünf Prozent durch. Du wirst sehen, wie der positive Vorhersagewert einbricht, obwohl Sensitivität und Spezifität hoch bleiben. Diese eine Übung beantwortet die klassische Basisratenfrage für immer.

Woche 3: Validierung und Datenlecks

1. Erkläre laut, warum Trainings-, Validierungs- und Testdaten getrennt sein müssen. Wenn du dabei stockst, hast du dein Thema für den Tag.
2. Schreibe drei Beispiele für Datenlecks auf: Standardisierung vor der Aufteilung, Variablenauswahl am Gesamtdatensatz, mehrfache Messungen derselben Person in Trainings- und Testmenge.
3. Übe die Begründung für k-fache Kreuzvalidierung bei kleinen Stichproben – ein Standardfall in der Psychologie.
4. Formuliere in zwei Sätzen, warum eine hohe Trainingsgüte kein Qualitätsbeleg ist.

Woche 4: Anwenden und Grenzen benennen

In der letzten Woche arbeitest du mit Aufgabenformaten statt mit Kapiteln. Nimm eine kurze Studienbeschreibung und beantworte: Welche Lernart liegt vor? Wie wurde validiert? Welche Gütemaße fehlen? Welche Verzerrung ist plausibel? Welche Aussage geht über die Daten hinaus? Diese fünf Fragen decken den größten Teil der Anwendungsaufgaben ab.

Die typischen Denkfehler

• Korrelation als Kausalität lesen. Ein Vorhersagemodell trifft keine Ursachenaussage, egal wie gut es ist.
• Signifikanz mit Vorhersagegüte verwechseln. Ein signifikanter Prädiktor kann individuell nahezu wertlos sein.
• Testdaten mehrfach benutzen. Wer nach dem Testergebnis nachjustiert, hat keine unabhängige Schätzung mehr.
• Erklärbarkeit als Lösung überschätzen. Wichtigkeitsmaße zeigen, was das Modell nutzt, nicht was in der Welt wirkt.
• Stichprobe ignorieren. Ein Modell aus einer Studierendenstichprobe gilt nicht automatisch für klinische Populationen.

Womit du arbeitest

Die Verfahren und ihre Bewertung in prüfungsnaher Form findest du im Kurs KI in der Psychologie lernen – Datenanalyse, Chancen & Grenzen. Wenn dir die statistische Basis fehlt, arbeite parallel mit Psychometrie & Validierung, wo Reliabilität, Validität und Modellprüfung Schritt für Schritt aufgebaut werden. Alle Mastermodule gebündelt enthält der Psychologie-Masterkurs komplett; eine Übersicht bietet die Sammlung Kurse für den Psychologie-Master.

Häufige Fragen

Wie lerne ich Datenanalyse, wenn Statistik nie mein Fach war?

Beginne bei den Gütemaßen und der Konfusionsmatrix, nicht bei den Algorithmen. Diese Ebene ist rein rechnerisch einfach und trägt den größten Teil der Prüfungsfragen. Verfahren wie Entscheidungsbäume kannst du danach in ihrer Grundidee verstehen, ohne die Formeln zu beherrschen.

Muss ich R oder Python können?

Für die meisten schriftlichen Prüfungen nicht. Verlangt wird Verständnis von Ablauf und Interpretation. Wenn dein Modul eine praktische Abgabe enthält, reichen wenige Standardschritte: Daten aufteilen, Modell anpassen, Kreuzvalidierung, Gütemaße berichten.

Wie erkenne ich ein Datenleck in einer Aufgabenbeschreibung?

Achte auf die Reihenfolge. Wird irgendetwas am gesamten Datensatz berechnet, bevor Trainings- und Testdaten getrennt wurden – Standardisierung, Imputation, Variablenauswahl – liegt ein Leck vor. Auch mehrfache Messungen derselben Person in beiden Mengen sind ein klassischer Fall.

Wie viel Zeit sollte ich einplanen?

Vier Wochen mit täglich einer Stunde reichen für ein Standardmodul, wenn du die Begriffslandkarte in Woche 1 wirklich fertigstellst. Der größte Zeitverlust entsteht durch das wiederholte Lesen von Verfahrensbeschreibungen ohne eigenes Rechnen.