Suche nach Personen

plus im Publikationsserver
plus bei BASE
plus bei Google Scholar

Daten exportieren

 

Anwendbarkeit der Optimal Foraging Theory in der kognitiven Psychologie

Titelangaben

Verfügbarkeit überprüfen

Breitenladner, Christina Lisanne:
Anwendbarkeit der Optimal Foraging Theory in der kognitiven Psychologie.
Eichstätt ; Ingolstadt, 2023. - 137 S.
(Dissertation, 2023, Katholische Universität Eichstätt-Ingolstadt)

Volltext

Open Access
Volltext Link zum Volltext (externe URL):
https://doi.org/10.17904/ku.opus-834

Kurzfassung/Abstract

Die Optimal Foraging Theory (OFT) bezeichnet eine Reihe mathematischer Entscheidungsmodelle, die Entscheidungen als mathematisches Optimierungsproblem mit dem Ziel der Maximierung des Nutzens bei Minimierung der Kosten verstehen. Die OFT ist in der Verhaltensökologie äußerst erfolgreich darin, das Verhalten einer Vielzahl von Spezies zu beschreiben und vorherzusagen. Ziel der Dissertation ist es darum zu untersuchen, inwieweit die beiden zentralen Modelle der OFT - das klassische Patch Model und Prey Model - auf menschliches, abstraktes Entscheidungsverhalten anwendbar sind. Dazu werden experimentelle Paradigmen entwickelt, die als virtuelle Spiele am Computer dargeboten werden können und es erlauben sowohl die qualitativen als auch die quantitativen Vorhersagen der Modelle empirisch zu prüfen.

Weitere Angaben

Publikationsform:Hochschulschrift (Dissertation)
Schlagwörter:Decision-Making; Marginal Value Theorem; Optimal Foraging Theory
Kognitive Psychologie; Verhaltenspsychologie; Experimentelle Psychologie; Mathematische Psychologie; Mathematische Methode; Entscheidungsverhalten
Sprache des Eintrags:Deutsch
Institutionen der Universität:Philosophisch-Pädagogische Fakultät > Psychologie > Professur für Allgemeine Psychologie II
Philosophisch-Pädagogische Fakultät > Dissertationen / Habilitationen
Open Access: Freie Zugänglichkeit des Volltexts?:Ja
Titel an der KU entstanden:Ja
KU.edoc-ID:32183
Eingestellt am: 27. Jun 2023 09:09
Letzte Änderung: 27. Jun 2023 09:09
URL zu dieser Anzeige: https://edoc.ku.de/id/eprint/32183/
AnalyticsGoogle Scholar