11.7 Miniprojekt

Den Datensatz für dieses Miniprojekt findest du hier

In diesem Beispiel werden wir den Datensatz aus Wiseheart, D’Soza und Chae (2017) analysieren, welcher unter der Open Science Foundation zugänglich ist. Wiseheart und Kollegen haben in dem Artikel untersucht, inwieweit der Spacing Effekt beim Lernen prozeduraler Tätigkeiten auftritt. Der Spacing Effekt besagt, dass das verteilte Lernen gegenüber dem massierten Lernen für das langfristige Behalten erfolgreicher ist. Um diese Hypothese zu prüfen, haben Wiseheart und Kollegen Probanden ohne musikalische Vorerfahrung gebeten eine musikalische Sequenz zu lernen. Probanden mussten entweder direkt nach dem Üben das Stück vorspielen, während die anderen Probanden zwischen dem Üben und dem Spielen entweder eine, fünf, zehn oder 15 Minuten Pause hatten. Anschließend wurde getestet, wie gut die Probanden das Stück spielen konnten. Wir werden in diesem Beispiel nur einen Ausschnitt des Datensatzes anschauen und Fragestellung mit einer ANCOVA zu beantworten versuchen.

Der Datensatz hat viele Variablen, uns interessieren allerdings lediglich diese:

  • subject_id: Die ID der Probanden
  • age: Das Alter der Probanden in Jahren
  • pc_pre2_task1: Prozentualer Anteil der korrekt gespielten Passagen des Musikstücks vor dem wiederholten Üben
  • pc_post2_task1: Prozentualer Anteil der korrekt gespielten Passagen des Musikstücks nach dem wiederholten Üben
  • lag_task1: Spacing-Interval (0, 1, 5, 10, 15 Minuten)

Fragestellung: Hat die Länge des verteilten Lernens einen Einfluss auf die Fähigkeit, ein Musikstück korrekt wiederzugeben?

Zunächst müssen wir den Datensatz laden:

## Observations: 100
## Variables: 5
## $ subject_id     <dbl> 1, 2, 3, 4, 5,…
## $ age            <dbl> 18, NA, NA, 21…
## $ pc_pre2_task1  <dbl> 88, 70, 86, 94…
## $ pc_post2_task1 <dbl> 84, 71, 86, 86…
## $ lag_task1      <dbl> 1, 0, 1, 15, 5…

Die Variable lag_task2 liegt als Double vor, da es sich um einen Faktor handelt, müssen wir diese Variable in einen Faktor umwandeln. Schauen wir uns zunächst an, in welchen Ausprägungen dieser Faktor vorliegt:

## # A tibble: 5 x 2
##   lag_task1     n
##       <dbl> <int>
## 1         0    20
## 2         1    20
## 3         5    19
## 4        10    20
## 5        15    21

Es gibt pro Gruppe in etwa 20 Personen. Da wir nun die Werte des Faktors wissen, können wir die Variable als Faktor definieren und die Levels anpassen:

## [1] "0"  "1"  "5"  "10" "15"

Schauen wir uns zunächst die Verteilung der abhängigen Variablen abhängig der Gruppen an:

Die Boxplots zeigen bereits, dass es keine großen Unterschiede macht, wie lange der Spacing Lag ist. Um den Einfluss der Kovariate schon einmal zu betrachten, können wir anstatt der abhängigen Variable, das Differenzmaß auf der Y-Achse repräsentieren:

Die Musiker verbessern sich in der Regel kaum in ihrer Fähigkeit das Musikstück korrekt wiederzugeben. Als Nächstes sollten wir prüfen, ob die Probanden sich initial vor der Untersuchung bereits in ihrer Fähigkeit unterscheiden, das Musikstück zu spielen. Hierfür können wir eine einfaktorielle Varianzanalyse mit dem Haupteffekt Spacing und der Akkuratheit vor der zweiten Übungsphase berechnen:

## 
##  ANOVA
## 
##  ANOVA                                                                           
##  ------------------------------------------------------------------------------- 
##                 Sum of Squares    df    Mean Square    F        p        <U+03B7>²p     
##  ------------------------------------------------------------------------------- 
##    lag_task1               668     4            167    0.411    0.800    0.017   
##    Residuals             38556    95            406                              
##  -------------------------------------------------------------------------------

Nein, die Probanden waren vor der Untersuchung gleich gut darin, das Stück zu spielen, F(4, 95) = 0.41, p = .80, \(\eta^2_p\) = 0.02. Solche Analysen sind in der experimentellen Forschung gängig, da wir sichergehen müssen, dass wir so viele Variablen wie möglich gleich halten, um den Effekt einer bestimmten Manipulation zu testen. In diesem Fall ist das die Pause zwischen den Übungsphasen.

Nun können wir die ANCOVA berechnen:

## 
##  ANOVA
## 
##  ANOVA                                                                               
##  ----------------------------------------------------------------------------------- 
##                     Sum of Squares    df    Mean Square    F        p        <U+03B7>²p     
##  ----------------------------------------------------------------------------------- 
##    lag_task1                   297     4           74.3    0.204    0.935    0.012   
##    pc_pre2_task1             13664    30          455.5    1.254    0.221    0.367   
##    Residuals                 23607    65          363.2                              
##  -----------------------------------------------------------------------------------

Es gibt keinen Effekt der Pause der Übungsphasen auf die Fähigkeit das Musikstück korrekt zu spielen, F(4, 65) = 0.20, p = .94, \(\eta^2_p\) = 0.01. Wir gehen daher davon aus, dass die Länge der Pause zwischen den Übungsphasen beim Üben prozeduraler Fähigkeiten keinen Einfluss auf die Akkuratheit beim Spielen dieser Stücke macht.