In der psychologischen Diagnostik kommen, besonders in jüngster Zeit, Tests zum Einsatz, in denen-beispielsweise mittels Messungen, Testsituationen oder Interviews-verschiedene psychologische und/oder biomedizinische Parameter erfasst werden und aus diesen ein Gesamturteil ermittelt wird, z. B. betreffend die Eignung des Probanden (z. B. als Fahrzeug- lenker oder Flugzeugpilot), die psychische Belastbarkeit, das Vorliegen einer psychischen Störung (z. B. einer Depression). Oft werden diese Tests in der Form von Testbatterien ge- bündelt durchgeführt.

Seit mehreren Jahrzehnten gibt es in diesem Bereich der Psychologie heftige Diskussionen über die Art der Dateninterpretation und Datenintegration im Rahmen des diagnostischen Prozesses. Ein zentraler kontroverser Punkt ist der Gegensatz zwischen zwei Strategien der Urteilsbildung, nämlich die"statistische"und die"klinische"Urteilsbildung. Während in der klinischen Urteilsbildung die Informationen von geschulten Psychologen auf der Grund- lage deren Fachwissens, Erfahrung und Intuition zu einem Urteil integriert werden, nutzen Methoden der statistischen Urteilsbildung mathematische Algorithmen zur Integration der erhobenen Daten. Im Rahmen der klinischen Urteilsbildung muss der Grad an intersubjek- tiver Nachvollziehbarkeit der Urteile erst post-hoc ermittelt und auf Basis der Merkmale der Beurteilungen hinsichtlich der Aussagekraft relativiert werden. Im Gegensatz zur klinischen Urteilsbildung ermöglichen Methoden der statistischen Urteilsbildung auch die Ermittlung der Sicherheiten individueller diagnostischer Entscheidungen, was bei klinischen Urteil lediglich über die Abgabe subjektiver Ratings des Diagnostikers möglich ist.

Vor allem bei Fragen zur Personalselektion (Schlagwort"die richtige Person am richtigen Platz") sowie bei verkehrspsychologischen Untersuchungen kommt der Entscheidungs- sicherheit eine immer größere Bedeutung zu, insbesondere im Zuge einer Qualitätssicherung von Auswahlprozeduren bzw. von strengeren Vorschreibungen bei Qualitätsstandards (z. B.

ISO 9001). Statistische Methoden der diagnostischen Urteilsbildung weisen nach den oben diskutierten Gesichtspunkten hier einen klaren Vorteil auf.

In der Verkehrspsychologie wird derzeit vor allem auf Cut-Off-Scores zurückgegriffen, wobei bereits das Unterschreiten eines vorgeschriebenen Cut-Off-Scores in einem einzigen Messwert zum Entzug der Fahrerlaubnis führen kann. Die angegebenen Cut-Off-Scores in den einzelnen Testkennwerten (z. B. aus Intelligenz-, Konzentrations-, Reaktions-bzw.

Persönlichkeitstests), basieren auf Expertenratings. Studien über Möglichkeiten der Kom- pensation von Defiziten oder Verstärkung einzelner Defizite stehen jedoch aus.

Darüber hinaus gibt es im Bereich der Verkehrspsychologie äußerst wenige und vor allem großteils enttäuschende Studien darüber, wie die erreichten Einzeltestwerte mit dem Krite- rium Fahreignung zusammenhängen. Die in der Literatur berichteten Korrelationen bewe- gen sich bei Werten bis maximal 0.40, was eine Varianzaufklärung von gerade 16% ent- spricht ; eine Varianzaufklärung von lediglich 9% ist in diesem Bereich keine Seltenheit. Diese - praktisch irrelevanten-Korrelationskoeffizienten wurden bereits als"großer"Erfolg angepriesen. Greift man in den verschiedenen Studien jedoch auf die methodisch erforderli- che Korrektur des Alphafehlerniveaus zurück, verschwindet zumeist die statistische ausge- wiesene Signifikanz. Präzise und wissenschaftlich seriöse Aussagen lassen sich bei der gegebenen Befundlage und der derzeit verwendeten klinischen Art der Informations- integration aus methodischer Sicht nicht ohne gravierende methodische Bedenken ziehen.

Diese oben diskutierte Befundlage verdeutlicht die Notwendigkeit einer stärker objektiven Art der Informationsintegration zum Zweck der Entscheidungsfindung unter Rückgriff auf statistische Methoden der Informationsintegration.

Im Bereich der Verbesserung klassischer statistischer Klassifizierungsmodelle, die sich für den Einsatz im Rahmen der diagnostischen Urteilsbildung eignen, hat sich in den letzten Jahren allerdings nur wenig getan. In der Praxis kommt den korrelations-und regressions- analytische Modellen derzeit die größte Bedeutung zu.

Die korrelations-und regressionsanalytische Ansätze lassen sich weiter in lineare und kurvilineare Methoden unterteilen. Als Hauptvertreter der linearen statistischen Techniken, die auch in den meisten Studien zur Klassifikation von Probanden verwendet werden, gelten die Regressionsanalyse und die Diskriminanzanalyse, vgl. R. S. Jäger, Diagnostische Urteils- bildung"in Enzyklopädie der Psychologie, Hrsg. K-J. Groffmann u. L. Michel, Göttingen : Hogrefe 1982.

Die kurvilinearen Modelle, deren Grundidee auch öfters als"Konfiguralität"bezeichnet wird, gehen von der Annahme eines nicht-linearen Zusammenhangs zwischen den Prädik- torvariablen (z. B. Testdaten, Informationen aus Anamnesen) und der Kriteriumsvariable (Aussagen über das Urteil, z. B."erfolgreich"gegenüber"nicht erfolgreich") aus. Genau diese kurvilinearen Beziehungen stellt im Bereich der Psychologie zumeist die Realität dar, jedoch sind derartige Zusammenhänge naturgemäß schwer zu modellieren. In heutigen Studien wird daher überwiegend die Diskriminanzanalyse bei der Klassifizierung von Personen herangezogen.

Das Prinzip der Diskriminanzanalyse bei zwei qualitativ unterschiedlichen Ausprägungen einer Kriteriumsvariable besteht darin, durch eine lineare und gewichtete Kombination der einzelnen Merkmale ein Maß zu finden, das die beiden Zuweisungsgruppen optimal trennt.

Dies bedeutet, dass die Varianz der kombinierten Punktwerte zwischen den beiden Gruppen im Vergleich zu der Varianz innerhalb einer Gruppe maximiert wird. Der Rechengang wird durch die Ermittlung einer Diskriminanzfunktion und dem Vergleich der empirisch erhobe- nen und anhand der Diskriminanzfunktion ermittelten Zuordnungen der Personen zu den beiden Zuweisungsgruppen beendet. Diese Diskriminanzfunktion besitzt die Eigenschaft, die vorgegebenen Klassen am besten trennt. Die dabei berechneten ß-Gewichte für die einzelnen Prädiktoren sind Partialregressionskoeffizienten, was unmittelbar die Beziehung der Diskriminanzanalyse zur multiplen Regression verdeutlicht. Die Diskriminanzanalyse wurde ursprünglich für Zuordnungen im Rahmen der Anthropologie entwickelt, vgl. <BR> <BR> <P>R. A. Fisher, "The statistical utilization of multiple measurement", Annals of Eugenics 8, 376-386, und ist seit der Verfügbarkeit von Computeranlagen zu einem Routineverfahren geworden, dessen Bedeutsamkeit in zahlreichen Untersuchungen zu Klassifikationsfragen in der Klinischen Psychologie und Eignungspsychologie in Schule und Beruf gezeigt wurde.

Gegen die Verwendung der Diskriminanzanalyse spricht die Empfindlichkeit dieser Metho- de gegenüber einer Verletzung der Voraussetzungen für die Anwendung dieses mathemati- schen Modells, sowie die relativ geringe Stabilität der meisten bisher erzielten Ergebnisse bei Verwendung von Kreuzvalidierungen. Folgende Voraussetzungen bestehen bei der Ver- wendung von Diskriminanzanalysen zur Klassifikation auf der Basis von Testkennwerten : 1. Die Verteilungen der Kennwerte der Prädiktorvariablen sind für jede nach dem Kriteri- um gebildete Teilstichprobe multivariat normal, 2. die Varianz-Kovarianz-Matrizen der verwendeten Teilstichproben sind homogen, 3. die Mittelwerte und Kovarianzen der Grundgesamtheiten sind bekannt oder können hinreichend genau geschätzt werden und 4. linearer Zusammenhänge zwischen der Kriteriumsvariable und den Prädiktorvariablen können angenommen werden.

Während die Diskriminanzanalyse einen vielversprechenden Ansatzpunkt zur statistischen Urteilsbildung darstellt, weisen die Eigenschaften des Verfahrens bei einer Verletzung der Voraussetzungen an die Daten erhebliche Mängel auf. Im Bereich der Personalauswahl und der Verkehrspsychologie sind, wie sich bei jüngsten, seitens der Anmelderin durchgeführten Untersuchungen herausgestellt hat, derartige Verletzungen der Voraussetzungen dieses Verfahrens allerdings eher die Regel.

Wegen der vielfältigen Probleme bei bekannten statistischen Klassifizierungsmodellen und der sehr häufig geringen Zuverlässigkeit der mit ihnen gewonnenen Bewertungen begegnen Psychologen diesen Testmethoden in der Regel mit Skepsis. Die statistische Methode wird daher oft lediglich als Unterstützung der klinischen Methode verwendet.

Aus dem Stand der Technik sind Verfahren bekannt, bei denen physikalisch messbare, physiologisch-medizinische Daten zur Abschätzung von möglichem Risikoverhalten des untersuchten Patienten od. dgl. ausgewertet werden. So schlägt z. B. die DE 198 31 109 A1 vor, EEG-Daten von Früh-und Neugeborenen mithilfe eines Neuronalen Netzwerks auszu- werten, um Störungen der Atemregulation zu erkennen. Die US 5,724, 987 betrifft ein Verfah- ren zur Regulation von Trainingseinheiten auf der Basis neurophysiologischer Ableitungen, bei dem mittels einer Neuronalen Netzwerks physiologische Parameter zu einem Index der Aufmerksamkeit und kognitiven Beanspruchung verdichtet werden und mit Hilfe dieses Index die Trainingssitzung gesteuert wird. Die EP 0 699 413 A1 behandelt ein ähnliches Verfahren, bei dem EEG-Signale zur Analyse des physiologischen und geistigen Zustands eines Fahrers genutzt werden.

Die Auswertung physiologischer Daten unterscheidet sich jedoch aus verschiedenen Grün- den wesentlich von der Bewertung psychologischer Daten, die der Erfindung unterliegen.

Physiologische Daten sind naturgemäß messbar, oft sogar mit normierten Methoden, sodass Tendenzen aus dem gemessenen Material klar belegbar und die sich daraus ergebenden Schlussfolgerungen oft auch begründbar sind. Auch die Reproduzierbarkeit ist vielfach wenig problematisch. Die Auswertung psychologischer Daten ist dagegen immer noch auf statistische Methoden angewiesen, und die zugrunde liegenden Daten gelten als weniger leicht handhabbar und vergleichbar ; zudem ist Gewinnung psychologischer Daten meist schlecht reproduzierbar und somit sind diese Daten mit entsprechenden Unsicherheiten behaftet. Dies wirkt sich zwangsläufig auf die Zuverlässigkeit der daraus abgeleiteten Schlussfolgerungen aus. Auch findet bei bekannten psychologischen Auswerteverfahren eine Rückkopplung der Ergebnisse auf die Auswertung nicht statt.

In der US 5, 486,999 wird ein Neuronales Netzwerk für eine personenbezogene Risiko- abschätzung einer Krankenversicherung eingesetzt. Abgesehen davon, dass eine solche Risikoabschätzung sich inhaltlich und hinsichtlich ihres Zwecks sich grundlegend von einem diagnostischen Verfahren für die Psychologie unterscheidet, sind die zugrunde gelegten Eingangsdaten allgemeinmedizinischer Art und beruhen nicht auf einer psychologischen oder biomedizinischen Auswertung des betrachteten Probanden.

Aufgabe der Erfindung ist es, einen Weg für objektivierbare Klassifizierungen für Rohdaten der eingangs dargestellten Art aufzuzeigen, die eine hohe Zuverlässigkeit aufweisen.

Diese Aufgabe wird gemäß der Erfindung von einer Vorrichtung zum Auswerten nach der eingangs genannten Art mit einem Neuronalen Netzwerk gelöst, dem als Eingangsdaten die Daten eines Profilvektors sowie Parameterdaten zur Auswahl abzuleitender Größen zuführ- bar sind und dem zumindest eine aus den Eingangsdaten gemäß den Parameterdaten abgeleitete Ergebnisgröße zur Beurteilung des Probanden entnehmbar ist.

Die Erfindung gestattet die statistische Auswertung der psychologisch/biomedizinischen Daten durch den Einsatz von nichtlinearen Automaten, nämlich Neuronalen Netzen. Diese sind in verschiedenen Bereichen der Technik, z. B. bei der Musterkennung, bekannt. In der EP 1022 632 AI ist die Verwendung eines Neuronalen Netzes zur Überprüfung der Funk- tionsfähigkeit eines elektrischen Geräts beschrieben ; die Verwendung Neuronaler Netze zur Auswertung physiologischer Signale wurde weiter oben dargestellt. Die Erfindung schlägt nun Neuronale Netze für den Einsatz in der Psychologie vor. Im Vergleich zu etablierten Bewertungsmethoden ermöglicht die erfindungsgemäße Bewertung eine wesentlich höhere Quote der Zuverlässigkeit.

Naturgemäß muss das erfindungsgemäß vorgesehene Neuronale Netzwerk vor seiner eigentlichen Verwendung trainiert werden. Ausgangspunkt für den Lernprozess des Netz- werks sind die vorab erhobenen Eingangs-und Bewährungswerte eines sogenannten Lern- samples. Darunter versteht man im vorliegenden Anwendungsfall die Rohwerte der einzel- nen diagnostischen Verfahren (Eingangswerte) für die einzelnen Probanden bzw. die Aus- prägung der vorherzusagenden Kriteriumsvariable (Bewährungswerte). Das Netzwerk soll mit Hilfe einer Trainingsphase dazu in die Lage versetzt werden, selbstständig eine Zuord- nung für die Personen des Lernsamples durchzuführen. Sobald ein Netzwerk für einen bestimmten Zweck erstellt und trainiert wurde, kann nun auch die Klassifikation von Ein- zelbeobachtungen vorgenommen werden, die im Anschluss an das Training in das Netz- werk eingegeben werden. Das Netzwerk generalisiert seine in Bezug auf das Trainingssam- ple gemachten"Erfahrungen"auf den neu erhobenen Einzelfall.

Im Vergleich zu den bekannten statistischen Methoden der Urteilsbildung weisen Neuronale Netzwerke folgende, für Klassifikationsaufgaben folgende günstige Eigenschaften auf : 1. Neuronale Netzwerke sind lernfähig und veränderbar, d. h., sie können aus vorhandenen Datenmengen die optimale Zuordnung"erlernen"und verändern sich, sofern ge- wünscht, sukzessiv mit der Einbeziehung neuer (Lern) Daten.

2. Neuronale Netzwerke können nichtlineare Zusammenhänge abbilden.

3. Neuronale Netzwerke gehen von keinen Voraussetzungen hinsichtlich der Dateneigen- schaften und der Verteilung der Prädiktorvariablen aus ; die einzige Voraussetzung der Methode betrifft die Vollständigkeit der Datensätze im Lernsample.

Die zweite Eigenschaft, die Nachbildung von Nichtlinearitäten, ist gerade in der Psychologie wichtig, da Menschen nur äußerst selten"linear reagieren"und Moderatorbedingungen den Zusammenhang zwischen Verhalten und Kriterium moderieren können, was zu einem nichtlinearen Zusammenhang der beiden Variablen resultiert.

Diesen Ausführungen zufolge weisen neuronale Netzwerke im Vergleich zu konkurrieren- den Methoden der Datenintegration bedeutsame Vorteile bei der Informationsintegration im Rahmen einer statistischen Urteilsbildung auf. Im Gegensatz zu Alternativen wie der Ver- wendung von Expertensystemen aus dem Bereich der Produktionssysteme bieten sie dar- über hinaus auch noch den Vorteil, dass sie auch in Bereichen der Psychologie anwendbar sind, in denen bislang noch keine hinreichende theoretische Wissensbasis in Form vollstän- dig empirisch evaluierter Gesamtmodelle menschlichen Verhaltens verfügbar sind. Dies gilt im Besonderen im Bereich der Verkehrspsychologie und anderen Bereichen der angewand- ten Psychologie, wie z. B. der Risikoforschung.

In einer bevorzugten Ausführungsform der Erfindung sieht eine dem Neuronalen Netzwerk nachgeordnete Konversionseinrichtung zum Umwandeln der vom Netzwerk gelieferten Ergebnisgröße (n) in Klartext-Information vor, um die Interpretation der Bewertung weiter zu vereinfachen.

Vorteilhafterweise enthält das Neuronale Netz ein Multilayer Perceptron ("mehrschichtiges Perzeptron"). Fig. 1 zeigt die an sich bekannte Netzwerktopologie eines Multilayer Per- <BR> <BR> ceptrons MLP, das eine Anzahl von Eingangsgrößen E1, E2,. .., En erhält und im allgemeinen mehrere Ausgangsgrößen liefert ; hier sind es beispielsweise zwei Ausgangsgrößen 01,02.

Die Topologie ist azyklisch (vorwärts gerichtet) in Schichten IL, HL, OL gegliedert. Die <BR> <BR> Neuronen IN1, IN2,. .., INn einer ersten Schicht, der Input-Schicht IL, erhalten als Eingabe die Eingangsgrößen EI-En und geben ihre Ausgabesignale an die Neuronen Hl,..., Hm einer sogenannten Verborgenen Schicht HL ('hidden layer') weiter. Die Ausgaben der Neuronen Hl,..., Hm der Verborgenen Schicht sind mit den Neuronen ON1, ON2 der Output-Schicht OL verbunden. Im allgemeinen können auch mehr als eine Verborgene Schicht vorgesehen sein (in Fig. 1 nicht gezeigt), wobei dann die Ausgaben einer Verborgenen Schicht jeweils mit der nächsten Verborgenen Schicht verknüpft ist und die letzte Verborgene Schicht die Output-Schicht versorgt. Die von der Output-Schicht gelieferten Ausgabegrößen 01,02 stellen die von dem Multilayer Perceptron gelieferte Bewertung der Eingangsdaten dar. Die Verknüpfung zwischen der Input-Schicht IL und der Verborgenen Schicht HL wird bei- spielsweise durch eine m x n-Matrix beschrieben (n = Anzahl der Neuronen der Input- Schicht IL ; m = Anzahl der Neuronen der Schicht HL), die für jedes der m Neuronen der Verborgenen Schicht angibt, mit welchem Gewicht die n Ausgabesignale der vorangehenden Schicht IL auf dieses Neuron einwirken, zuzüglich eines m-Vektors, der jedem der m Neuro- nen jeweils einen konstanten Offset-Wert zuteilt. Entsprechend wird die Verknüpfung zwischen der Verborgenen Schicht HL und der Output-Schicht OL der Fig. 1 durch eine 2 x m-Matrix plus einen Offset-Wert beschrieben. Die Übergangsfunktion der Neuronen wurden beispielsweise mit einer sigmoidalen Funktion belegt, z. B. der logistischen Funktion f (x) = 1/(1+e~X), die auf die Summe der gemäß den Parametern gemäß der Verknüpfungs- matrix gewichteten Outputs der jeweils vorgelagerten Neuronen bzw. (im Fall der Input- Schicht) der Eingangswerte angewendet wird. Das verwendete Multilayer Perceptron kann genau eine Verborgene Schicht aufweisen ; zusätzlich ist es in der Regel von Vorteil, wenn die Anzahl der Neuronen in der Verborgenen Schicht größer ist als die Anzahl der Neuronen in der Eingangsschicht.

Günstigerweise enthält die erfindungsgemäße Bewertevorrichtung einen Speicher zur Speicherung von Eingangsdaten (Profilvektor) und Ergebnisdaten vorangegangener Aus- wertungen, wobei das Neuronale Netzwerk Zugriff auf diesen Speicher hat, z. B. für ein ergänzendes Training oder ein Neutraining des Netzwerks. Insbesondere kann die Vorrich- tung dazu eingerichtet sein, nach einer Auswertung eines Profilvektors die zugehörenden Eingangs-und Ergebnisdaten in dem Speicher abzuspeichern und die so ergänzten Daten des Speichers nachfolgenden Auswertungen zugrunde zu legen.

Weiters ist es vorteilhaft, wenn die Eingangsdaten neben aus psychologisch/biometrischen Testung gewonnen Daten weitere Daten umfassen, die aus einem Interview mit dem betref- fenden Probanden und/oder einer biographischen Erhebung erhoben wurden.

Naturgemäß muss das erfindungsgemäß verwendete Neuronale Netzwerk vor der Verwen- dung trainiert werden, um das gewünschte abzufragende Ergebnis zu erlernen". Hierbei ist es vorteilhaft, wenn die Verknüpfungskonfiguration (Verknüpfungsform und Gewichte) des Netzwerks auf einem Training unter Verwendung von Daten beruht, die neben Eingangsda- ten auch Bewährungsdaten enthalten, die für den betreffenden Probanden im Zeitraum nach einer bereits getätigten Auswertung erhoben wurden.

Die Erfindung samt weiterer Vorzüge wird im folgenden am Beispiel einer nicht einschrän- kenden Ausführungsform zur Durchführung verschiedener psychologischer Eignungstests näher erläutert, wobei die beigefügten Zeichnungen herangezogen werden. Die Zeichnun- gen zeigen in schematischer Form : Fig. 1 die Architektur eines Multilayer Perceptrons ; Fig. 2 die Durchführung und Auswertung eines Eignungstests ; und Fig. 3 die erfindungsgemäße Testbewertung innerhalb des Eignungstests der Fig. 2.

Bei der im Folgenden dargestellten Bewertungsvorrichtung handelt es sich um eine selbst- lernende und selbstoptimierendes Vorrichtung mit einem zugrundeliegenden Verfahren für die genaue Selektion der Probanden nach vorgegebenen Kriterien aus Messergebnissen von anerkannten psychologischen Testverfahren.

Dabei wird das Verfahren des neuronalen Netzwerkes auf die Probandendaten unter Zu- hilfenahme von Auswerteprofilen angewendet. Für die Abbildung im Neuronalen Netzwerk werden ferner weitere Ergebnisdaten früherer Probanden für die Adaption des Netzwerks herangezogen. Das so entstehende System gestattet ein selbsttätige Optimierung der Ergeb- nisprofile der Probanden. Im weitesten Sinn wird eine Datenintegration der Probandendaten mit dem Ziel angewendet, die Schärfe der Ergebnisdaten (d. h. der Kriteriumsvorhersage) zu erhöhen. Somit wird der Aussagegehalt und die Zuverlässigkeit der Ergebnisdaten signifi- kant gesteigert. Diese Methode gestattet eine maschinengestützte Auswertung von Ergebnis- sen psychologischer Tests und stellt dabei eine deutliche Verbesserung der Ergebnisschärfe im Vergleich zur bislang dominierenden klinischen Methode dar.

Bezugnehmend auf Fig. 2 werden die Messergebnisse des Probanden auf einem psychologi- schen Testplatz 1 erhoben und für die nachfolgende, erfindungsgemäße Auswertung in Form von psychologischen Rohdaten 2 zur Verfügung gestellt. Parallel dazu werden auf anderem Wege erhobene, die Probanden betreffende Daten 3 verwendet, z. B. in einem Interview erhaltene Interviewdaten, in einer Anamnese des Probanden erhobene biographi- sche Daten oder"Bewährungsdaten", die durch spätere Rückmeldungen über die Bewäh- rung des betreffenden Probanden gewonnen wurden. Diese Daten 2,3 werden in eine Daten- verarbeitungseinheit 6 eingegeben, auf der die erfindungsgemäße Analysevorrichtung unter Verwendung eines Neuronalen Netzes eingerichtet ist. Unter Auswahl 4 eines Auswerte- profiles (Netzwerkarchitektur und dazugehörige Gewichte) ermittelt die Datenverarbeitung einen Ergebnisvektor 5. Dieser wird über einen Formatkonverter 7 in eine Klartextausgabe gewandelt und steht somit in lesbarer Form der weiteren Textverarbeitung oder Archivie- rung 8 zur Verfügung.

Die für die Auswertung der erfassten Daten erforderliche Datenverarbeitungseinheit 6 basiert auf der Analyse durch ein Neuronales Netzwerk NN und ist in Fig. 3 näher darge- stellt. Ein Speicher 9 umfasst einen Probandendatenspeicher 10 und einen Bewährungsda- tenspeicher 11. Im Probandendatenspeicher 10 werden alle verfügbaren diagnostischen Informationen 12 archiviert, insbesondere sämtliche psychologischen Testergebnisse 2, sowie bei Bedarf weitere relevante Probanden-bezogene Daten 2a, wie Interviewdaten und/oder biographische Daten. Der Bewährungsdatenspeicher 11 verwaltet die Bewährungsdaten 13.

Als Eingangsdaten des Neuronalen Netzwerks NN fungieren die Probandendatenfelder 12.

Diese werden, basierend auf dem jeweils gemäß der Auswahl 4 vorgegebenen Auswerte- profil 14, das als Parameterdaten im Sinne der Erfindung die Art der Bewertung festlegt und in einem Parameterspeicher 15 abgelegt ist, einer Bewertung unterzogen. Daraus resultiert der Ergebnisvektor 5 der sämtliche relevanten Daten des Probanden zur Verfügung stellt.

Bei dem Auswerteprofil 14 handelt es sich um die Kennwerte der Gewichte der Verknüp- fungen innerhalb des betreffenden Neuronalen Netzwerks. Jedes Auswerteprofil 14 wurde bei gegebener Netzstruktur unter zugrunde Legung eines Trainingssamples erlernt. Mittels des Auswerteprofils ist eine einfache und rasche Auswahl von unterschiedlich trainierten Netzwerken nach gegebenen Erfordernissen möglich. Sämtliche Auswerteprofile sind in dem Parameterspeicher 15 gehalten, der zweckmäßigerweise ebenfalls Teil des Speichers 9 ist.

Die Daten des Speichers 14 stehen dem Neuronalen Netz zu dessen Initialisierung, insbe- sondere für das Training, zur Verfügung. Wenn neue Probanden bewertet werden, werden die zugehörenden Daten in den Probandendatenspeicher 10 aufgenommen ; gleiches gilt hinsichtlich des Bewährungsdatenspeichers 11, wenn zu Probanden neue Ereignisse bekannt werden. Bei einem Training des Neuronalen Netzwerks NN werden neben den zu dem Trainingssample gehörenden Probandendaten (Probandendatenspeicher 10) auch dem Sample zugehörende Bewährungsdaten (Bewährungsdatenspeicher 11) verwendet. Ein wesentlicher Vorteil der Anordnung ist die Anwendung des selbstlernenden Neuronalen Netzwerks auf die Probandendaten unter Zugrundelegung von weiteren Informationen (Bewährungsdaten) von selbigen. Diese Daten werden zum weiter führenden Lernen des Netzwerks verwendet. Damit kann die Schärfe (die Informationssicherheit) der Ergebnisse iterativ signifikant gegenüber allen anderen bekannten Methoden gesteuert werden.

Im Gegensatz zu den derzeit verwendeten Verfahren, die für die datenverarbeitungsgestütz- te Testauswertung herangezogen werden können, z. B. der Diskriminanzanalyse, stellt die Verwendung eines selbstlernenden und selbstoptimierenden Neuronalen Netzes eine gra- vierende Verbesserung der Ergebnissicherheit (von etwa 60% auf 85%) dar, die mit bekann- ten Methoden bei weitem nicht erreicht werden konnten.

Selbstverständlich ist die Auswahl, welche der zur Verfügung stehenden Daten für das Training der erfindungsgemäßen Bewertungsvorrichtung bzw. für die Eingabe bei einer konkreten Probanden-Bewertung verwendet werden, in anderen Ausführungsformen der Erfindung von der hier beschriebenen abweichen. Beispielsweise können in einer Variante der Erfindung z. B. Bewährungsdaten auch als Inputdaten der Bewertung verwendet wer- den, sofern solche Daten zur Verfügung stehen, oder Teile der Daten wie Test-oder Inter- viewdaten können dem Training vorbehalten werden.

An folgenden beispielhaften Studien aus dem Bereich der Verkehrspsychologie wurden seitens der Anmelderin bereits erste Studien zur erfindungsgemäßen Verwendung neuro- naler Netzwerke im Rahmen der statistischen Urteilsbildung durchgeführt.

Kraftfahreignung In diesem Beispiel wird die Eignung ("Führerschein-Tauglichkeit") von Kraftfahrer- Kandidaten bewertet, die als riskant gelten (z. B. aufgrund früheren auffälligen Verhaltens, <BR> <BR> Straffälligkeit od. dgl. ). Als Datenbasis für die Klassifikation der Kraftfahrer standen die Kennwerte aus fünf verschiedenen Leistungstests aus dem Bereich der Reaktionsfähigkeit und Wahrnehmungsleistung, das Lebensalter und die Zuordnung der Personen hinsichtlich ihrer Fahrtauglichkeit anhand des Fahrstils bzw. eines Globalurteils des Fahrverhaltens vor.

Die Daten wurden im Rahmen einer multizentrischen Validierungsstudie erhoben (vgl.

Karner & Neuwirth, 2000 ; Sommer, 2001). Der Fahrstil der Untersuchungsteilnehmer wurde über eine hierarchische Clusteranalyse nach dem Ward-Algorithmus, basierend auf der Beurteilung einzelner Dimensionen sicheren Fahrverhaltens während einer standardisierten Fahrprobe ermittelt. Das Globalurteil stellt einen Gesamteindruck des Fahrverhaltens aus der Sicht eines Verkehrspsychologen dar.

Die als Eingangsdaten für die Auswertung verwendeten Größen werden hinsichtlich des Mittelwerts und der Standardabweichung der jeweils zugrunde liegenden Verteilung z-transformiert. Bei der in der Statistik bekannten z-Transformation wird von jedem Wert der Mittelwert der Verteilung subtrahiert, und durch anschließende Division durch die Standardabweichung der zugehörende z-transfomierte Wert erhalten. Durch die z-Transformation wird erreicht, dass die verwendeten Kennwerte-unabhängig von ihrem anfänglichen Wertebereich-einen vergleichbaren Wertebereich annehmen. Dies ist insbe- sondere bei der Kombination von Reaktionszeiten (typischerweise in der Größenordnung mehrerer 100 ms) und Zahlen der Richtig-Antworten aus Testverfahren mit unterschiedli- cher Postenanzahl von Bedeutung. Die z-transformierten Testresultate der Probanden aus dem Bereich der Reaktionsfähigkeit und Wahrnehmungsleistung, sowie deren Lebensalter stellen die Prädiktoren dar.

Die Beurteilung des Fahrtauglichkeit anhand des Kriteriums Fahrstil oder Gesamturteil in geeignete und nicht geeignete Kraftfahrer bilden die beiden Kriteriumsvariablen für die jeweils ein eigenes neuronales Netzwerk erstellt und trainiert wurde. Es wurden also zwei verschiedene neuronale Netzwerke trainiert, die sich lediglich in der verwendeten Kriteri- umsvariable (Globalurteil vs. Fahrstil) -und somit in dem zugehörenden Auswerteprofil- unterscheiden.

Bei dem verwendeten neuronalen Netzwerk handelt es sich jeweils um ein Multilayer Perceptron, welches aus einer Inputschicht mit sechs Inputeinheiten zur Repräsentation der oben genannten Prädiktorvariablen (= sechs Eingangsvariable), einer einzelnen Verborgenen Schicht mit zehn Einheiten als Zwischenschicht und einer Outputschicht mit zwei Output- einheiten zur Repräsentation der Ausprägungen der Kriteriumsvariable besteht. Die beiden Output-Neuronen entsprechen hierbei den beiden möglichen Ausprägungen des dichoto- men Kriterium (z. B. : geeignet oder ungeeignet). Natürlich sind neben dichotomen Krite- riumsvariablen auf mehrkategorielle Kriteriumsvariable denkbar, wie z. B. verschiedene Berufe oder Verwendungszwecke ; in einem solchen Fall wären dann entsprechend viele Output-Neuronen vorzusehen.

Die verwendeten Neuronalen Netzwerke wurden mit Hilfe eines kommerziellen Software- Pakets (Math Lab) auf einem PC realisiert. Es wurde eine Vernetzung realisiert, in der jede Einheit der vorausgehenden Schicht mit jeder Einheit der nachfolgenden Schicht verbunden wird (sogenannte Feedforward-Vollverbringung ; in Fig. 1 der Übersichtlichkeit halber nur angedeutet). Als Transferfunktion wird die bekannte Softmax-Funktion eingesetzt, um eine Normierung der Ausgangsgrößen auf 100% zu erreichen. Beim Lernalgorithmus wurde der bekannte Backpropagation-Algorithmus verwendet.

Die Netzstruktur wurde in der hier beschriebenen Weise definiert, um mögliche nicht- lineare Effekt bei einer guten Generalisierbarkeit der Ergebnisse abbilden zu können. Be- kanntermaßen muss die Anzahl der Einheiten in der Verborgenen Schicht groß genug sein, um die gestellte Aufgabe zu erfüllen, aber auch gering genug, um eine hinreichend gute Generalisierung des Netzwerks zu ermöglichen. Bei der Erstellung eines passenden Netz- werks wurde die Anzahl der Neuronen in der Verborgenen Schicht in mehreren Berechnun- gen anhand der gleichen Datensätze systematisch variiert und die Ergebnisse der verschie- denen Netzwerke für je eines der Kriterien hinsichtlich Generalisierungsfähigkeit und Klassifikationsrate miteinander verglichen. Aus den so gewonnen Ergebnissen wurde eine optimale Zahl der Neuronen in der Verborgenen Schicht bestimmt.

Auf der Basis von 83 bzw. 65 vollständigen Datensätzen bei den beiden Netzwerken mit den Kriterien Globalurteil bzw. Fahrstilprognose konnte eine Klassifikationsrate von 81 bzw. 78 Prozent bei einer zufriedenstellenden Generalisierung des neuronalen Netzwerks erzielt werden. Im Vergleich zu den diskriminanzanalytischen Ergebnissen zeigte sich eine deutli- che Überlegenheit des neuronalen Netzwerks, was auf die Existenz nichtlinearer Beziehun- gen zwischen Kriterium und Prädiktorvariablen hindeuten dürfte.

Die Überprüfung der Generalisierbarkeit erfolgte mit Hilfe der Methode der Teilstichpro- benbildung wobei bei beiden Kriterien jeweils 10 zufällig ausgewählte Personen als Test- sample fungierten, anhand derer die Generalisierbarkeit des mit dem nun reduzierten Stichprobenumfang erneut trainierten Netzwerks überprüft wurde. Die Ergebnisse zur Generalisierbarkeit der Ergebnisse weisen auf eine gute Stabilität der erzielten Resultate hin.

Für das Kriterium Globalurteil konnte bei dem nun reduzierten Trainingssample von 73 Probanden eine Klassifikationsrate von 86 Prozent richtigen Zuordnungen erzielt werden.

Für das Testsample lag die Klassifikationsrate bei 90 Prozent richtiger Zuordnungen, wobei richtig klassifizierte Personen mit 63 bis 99 Prozent Sicherheit richtig zugeordnet wurden, während die Sicherheit der falschen Zuordnung bei 60 Prozent lag. Die gute Übereinstim- mung zwischen der Klassifikationsrate im Lernsample (86.3%) und Testsample (90%) deutet auf eine gute Netzwerkspezifikation.

Flugpsychologie Als zweites Anwendungsgebiet standen 92 vollständigen Daten einer Testbatterie bestehend aus sieben verschiedenen Testverfahren einer Validierungsstudie zur Auswahl erfolgreicher Absolventen einer Flugausbildung einer österreichischen Luftlinie (Lauda Airlines), und darüber hinaus Informationen über die erfolgreiche Absolvierung bzw. dem Abbruch der Ausbildung zur Verfügung. In diesem Anwendungsfall wurde ebenfalls ein Multilayer Perceptron, bestehend aus insgesamt drei Schichten eingesetzt. Das Netzwerk bestand aus elf Inputeinheiten zur Repräsentation der z-transformierten Rohwerte aus den einzelnen Testverfahren, fünfzehn Einheiten der Verborgenen Schicht und den zwei Outputschicht- einheiten zur Repräsentation der zwei Merkmalsausprägungen der Kriteriumsvariable Ausbildungserfolg.

In diesem Ausführungsbeispiel zeigte sich ebenso wie bei der Bewertung der Kraftfahrer, dass die erfindungsgemäße Auswertung der Daten eine überraschend hohe Zuverlässigkeit lieferte. Während mittels der Diskriminanzanalyse eine richtige Zuordnung der Testperso- nen aufgrund der Testwerte in Absolventen und Abbrecher von ca. 72 % gefunden wurde, lieferte das neuronale Netz in 96% der Fälle richtige Zuordnungen. Die Überprüfung der Generalisierbarkeit erfolgte mit Hilfe der Methode der Teilstichprobenbildung wobei bei beiden Kriterien jeweils 10 zufällig ausgewählte Personen als Testsample fungierten, anhand derer die Generalisierbarkeit des mit dem nun reduzierten Stichprobenumfang erneut trainierten Netzwerks überprüft wurde. Die Ergebnisse zur Generalisierbarkeit der Ergeb- nisse weisen auf eine gute Stabilität der erzielten Resultate hin. Bei dem nun reduzierten Trainingssample von 82 Probanden eine Klassifikationsrate von 93.6 Prozent richtigen Zuordnungen erzielt werden. Für das Testsample lag die Klassifikationsrate bei 80 Prozent richtiger Zuordnungen, wobei richtig klassifizierte Personen mit 60 bis 99 Prozent Sicherheit richtig zugeordnet wurden, während die Sicherheit der falschen Zuordnung zwischen 63 bis 68 Prozent lag. Die Übereinstimmung zwischen der Klassifikationsrate im Lernsample (93.6%) und Testsample (80%) ist als hinreichend gut zu bezeichnen. Die Generalisierung der Ergebnisse des neuronalen Netzwerks kann auch hier als befriedigend beurteilt werden.

Bei den Ergebnisse der Diskriminanzanalyse zeigte sich auch eine deutliche Verletzung der Modellannahmen. Dies bedeutet, dass die Diskriminanzanalyse im Vergleich zu den neuro- nalen Netzwerken nicht nur zu einer geringeren Klassifikationsrate, sondern auch zu me- thodisch problematischen Ergebnissen, bedingt durch die Verletzung der Modellannahmen, geführt hat. Detailanalysen, die im Anschluss an die genannten Versuche zur Auswertung mit einem Neuronalen Netz bzw. einer Diskriminanzanalyse durchgeführt wurden, zeigen, dass die beobachteten Unterschiede zwischen beiden Klassifikationsverfahren durch die Existenz nichtlinearer Beziehungen zwischen Prädiktor-und Kriteriumsvariable erklärbar sind.

Wie aus dem oben Gesagten hervorgeht, weisen neuronale Netzwerke im Vergleich zu herkömmlichen Methoden der Datenintegration einige Vorteile auf. Ein wesentlicher Vorteil besteht in den vergleichsweise geringen Anforderungen an die Daten. Im Beispiel aus der Flugpsychologie konnte gezeigt werden, dass mit Hilfe neuronaler Netzwerke eine Integra- tion der vorliegenden Daten ermöglicht wird, die mit Hilfe der etablierten Methode der Diskriminanzanalyse nicht erzielbar ist, was im nachhinein auf fehlendes Vorliegen der zugehörenden Voraussetzungen zurück geführt werden konnte. Neben diesen für praktische Anwendungen wichtigen methodischen Vorzügen ermöglichen neuronale Netzwerke auch eine angemessene Berücksichtigung nicht-linearer Beziehungen zwischen den Prädiktor- variablen und der gewählten Kriteriumsvariable, die durch einen menschlichen Diagnostiker nicht geleistet werden kann.