Distinktionsschätzung

Distinktionsschätzung bezeichnet in der Regel die statistische Bestimmung oder Schätzung der Fähigkeit, zwischen zwei oder mehreren Kategorien oder Stimuli zu unterscheiden. Ziel ist es, die Trennschärfe oder Discriminability eines Beobachters, Systems oder Modells zu quantifizieren.

In der Praxis werden Daten etwa aus Wahrnehmungsaufgaben, Klassifikationsentscheidungen oder Messungen genutzt, um Kennwerte der Trennbarkeit abzuleiten. Zu gängigen Ansätzen gehören Signaldetektionstheorie-Metriken wie d' (d-prime) oder der Bereich der ROC-Analyse mit der Fläche unter der Kurve (AUC), Konfusionsmatrizen, sowie diskiminanzanalytische Modelle. Häufig kommen Maximum-Likelihood- oder Bayes-Verfahren zur Schätzung der Parameter zum Einsatz, oft begleitet von Cross-Validation oder Bootstrapping zur Unsicherheitsabschätzung.

Anwendungen finden sich in der Psychophysik, Sensorik, Sprach- und Visuellen Wissenschaften, Marktforschung und maschinellem Lernen, wo es darum geht, die Leistungsfähigkeit von Menschen oder Algorithmen beim Unterscheiden von Klassen zu bewerten.

Limitationen ergeben sich aus Modellannahmen, Stichprobengröße und der Vergleichbarkeit von Messungen über verschiedene Aufgaben. Unterschiede in Aufgabenformulierung oder Stimulusverteilung können die Schätzwerte beeinflussen.

Der Begriff ist im Deutschen gelegentlich als Übersetzung von discriminability estimation zu finden; in der englischsprachigen Literatur werden oft spezifischere Begriffe wie discriminability, d-prime oder ROC-AUC verwendet.