Optimierung von Itemselektion für Skalen zum Gesundheitsverhalten durch die Nutzung automatisierter Algorithmen

 

Einleitung In Bevölkerungsstudien sollen häufig umfangreichen Befragungsinstrumente eingesetzt werden, um komplexe Fragestellungen zu untersuchen und möglichst viele Kontrollfaktoren angemessen zu berücksichtigen. Aufgrund der hohen Belastung für die Studienteilnehmer*innen sind zuverlässige Kurzskalen relevant.

Der Ant-Colony-Optimization (ACO) Algorithmus, ein Machine-Learning-Verfahren, bietet eine Möglichkeit zur effektiven und zeiteffizienten Itemselektion unter simultaner Berücksichtigung multipler relevanter Kriterien. Ziel der hier vorgestellten Analysen war es, zu prüfen, ob die durch den ACO-Algorithmus gefundenen Kurzskalen vergleichbar oder besser waren als bereits etablierte Kurzskalen zum Gesundheitsverhalten.

Methoden Es wurden Daten aus dem Projekt „Transitions in Alcohol Consumption and Smoking“ (TACOS) genutzt. Der ACO-Algorithmus wird als automatisierte und rechenökonomische Optimierungsmethode angewendet. Es werden Ergebnisse zur Itemselektion der Skala zur Selbstwirksamkeitserwartung bei Tabakkonsum (20 Items) vorgestellt. Als Kriterien für eine optimale Itemsauswahl (9 Items) wurden Modelfitindizes (CFI ≥ .95, RMSEA < .05), Reliabilität (McDonalds Omega ≥ .9) Faktorkorrelation und die Korrelation zwischen Lang- und Kurzskala gewählt.

Ergebnisse Für die Itemselektion wurden 5 Durchläufe des Algorithmus verglichen und die Itemauswahl mit dem höchsten Gesamtpheromon als die optimalste Lösung gewählt. Diese optimalste Lösung des Algorithmus wurde mit der Langskala und der international etablierten Kurzskala verglichen. Während sich die Faktorladungen für die drei Modelle in einem ähnlichen Rahmen von .6 bis .8 bewegen, wurden nur 4 von 9 Items vom ACO-Algorithmus ausgewählt, die auch in der bereits etablierten Kurzskala verwendet werden. Die ACO-Skala zeigt eine deutliche Verbesserung im Modelfit, verglichen mit den anderen beiden Skalen (ACO-Skala: Χ ²(27) = 89.34, CFI = .992; RMSEA = .05; Kurzskala: Χ ²(27) = 496.67, CFI = .943; RMSEA = .14; Langskala: Χ ²(190) = 3317.41, CFI = .860; RMSEA = .15).

Schlussfolgerung Die hier vorgestellten Ergebnisse zeigen, dass der ACO-Algorithmus eine effektive Möglichkeit bietet, komplexe Ansprüche an die Itemselektion für Kurzskalen umzusetzen. Genauere Abwägungen für die beiden Kurzskalen werden diskutiert und weitere Möglichkeiten zur Anpassung des Algorithmus für Itemselektion mit anderen psychometrischen Ansprüchen werden dargestellt.

Publication History

Article published online:
22 August 2022

© 2022. Thieme. All rights reserved.

Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany