Welche Strategien nutzen Personen, um im Impliziten Assoziationstest (IAT) zu verfälschen? Replikation und Erweiterung bisheriger Erkenntnisse.
Der Implizite Assoziationstest (IAT) gilt als das valideste Verfahren zu Messung impliziter Assoziationen. Dennoch ist er nicht unverfälschbar. Im Gegensatz zu vielen anderen Verfahren wurden für den IAT jedoch eine Reihe vielversprechender Indikatoren entwickelt, die Verfälschungsverhalten detektieren sollen. Diese Indikatoren beinhalten Annahmen über die Strategien, welche zum Zwecke der Verfälschung eingesetzt werden: Verlangsamung oder Beschleunigung, Begehen oder Vermeiden von Fehlern – jeweils in kongruenten und inkongruenten IAT-Blocks; das Combined Task Slowing (CTS) und Ratio 150- 10000. Bisherige Studien zur Qualität der Indikatoren sind widersprüchlich und hatten geringe statistische Power. Zudem wurden weitere Aspekte bisher nicht untersucht (z. B. die Stabilität der Befunde, die Unabhängigkeit von der Messung des Verfälschungserfolges und die Güte kombinierter Indikatoren). Diese Publikation repliziert und erweitert den Stand bisheriger Erkenntnisse.
Wir re-analysierten ein großes Datenset (N = 750) mit Extraversion-IAT Daten. Personen wurden randomisiert entweder der Kontrollgruppe oder aber einer der Verfälschungsgruppen (d. h. Verfälschung in Richtung hoher Werte oder Verfälschung in Richtung niedriger Werte) zugewiesen. Alle bearbeiteten vorab eine Baseline-Messung.
Wir konnten replizieren, dass Personen je nach Verfälschungsziel (hohe oder niedrige Werte) verschiedene Verfälschungsstrategien wählen. So war es beispielsweise möglich, Verfälschung niedriger Werte aufgrund von Verlangsamung im kongruenten Block zu detektieren (in geringerem Umfang auch durch CTS). Beide Strategien waren erfolgreiche Verfälschungsstrategien. Im Gegensatz dazu wurde der strategische Einsatz von Fehlern zwar genutzt, war aber nicht erfolgreich. Verfälschung hoher Werte konnte aufgrund von Verlangsamung im inkongruenten Block, das Begehen von Fehlern im inkongruenten Block und mit CTS entdeckt werden, wobei alle drei Strategien erfolgreich waren. Weiter zeigten wir, dass die Ergebnisse stabil über Stichproben und Berechnungen von Verfälschungserfolg sind. Mit Hilfe von Maschinellem Lernen konnten wir zudem zeigen, dass vor allem Fehler zur Klassifikation genutzt werden. Untersuchte Personen die verfälschen nutzen in Abhängigkeit des Verfälschungsziels also unterschiedliche Strategien und nicht alle sind erfolgreich. Um Verfälschung zu detektieren empfehlen wir, je nach Kontext, unterschiedliche Indikatoren einzusetzen und diese auf Konvergenzen zu prüfen.
Link zum Artikel:
Referenz:
Röhner, J., Holden, R.R. & Schütz, A. IAT faking indices revisited: Aspects of replicability and differential validity. Behav Res (2022). doi.org/10.3758/s13428-022-01845-0