6. Die Matrix – KI in der Generalisierbarkeitstheorie

Die Generalisierbarkeitstheorie (G-Theorie) ist ein Algorithmus zur Generierung allgemeiner und präziser wissenschaftlicher Theorien. In ihren G-Studien analysiert sie faktorielle Designs gekreuzter und genesteter Daten auf multiplen Ebenen und ermittelt die maximale Zahl von Effekten als zufällige Varianzkomponenten. Einerseits kann damit geforscht werden, z. B. zur Führung in Unternehmen (360-Grad-Feedback; Management-Derailment). Andererseits optimiert sie in ihren D-Studien psychometrische Prognosen. Die Präzision ihrer Generalisierungen (Generalisierungskoeffizienten) ist in Erweiterung der Spearman-Brown-Prophecy-Formula der klassischen Testtheorie eine Funktion der Zahl jeder Anzahl der Bedingungen (Stufen) je Facette. Die freie Software R ermöglicht alle notwendigen Berechnungen. Zum Nachvollziehen für den Praktiker zeigt der Beitrag die R-Syntax zur Analyse von Brennans (2001) synthetischen Datenmatrizen, namentlich mit dem R-Paket gstudy.