Hintergrund

Für viele Studierende sind mündliche Prüfungen eine besondere Herausforderung. Neben der Beantwortung von Fragen zu einem umfangreichen Stoffgebiet müssen sie auch mit der Aufregung umgehen, die aus der unmittelbaren Bewertungssituation resultiert.

Eine angenehme Prüfungsatmosphäre zu schaffen ist eine einfache Methode, um diesen Prüfungsstress zu reduzieren. Daher haben wir im Prüfungsraum einen Blumenstrauß in den Sichtbereich der Studierenden gestellt (siehe Abbildung oben). Blumen sind ein probates Mittel, um positive Emotionen auszulösen bzw. die Stimmung zu heben (Haviland-Jones et al., 2005).

Experimentelle Prüfung

Während der mündlichen Prüfung starteten wir unser kleines Experiment, bei dem wir Blumen bzw. keine Blumen zufällig in den Sichtbereich der Studierenden stellten. Die Prüfer hatten keinen direkten Blick auf die Blumen.

Im Ergebnis konnte wir die erreichten Leistungen miteinander vergleichen.

library(readr)
Flowers <- read_delim("https://www-user.tu-chemnitz.de/~burma/blog_data/Flowers.csv", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)
head(Flowers)

# A tibble: 6 x 4
     ID Sem   Blumen  Note
  <dbl> <chr> <chr>  <dbl>
1    10 WS25  b        2  
2    11 WS25  b        2.3
3    12 WS25  n        1.7
4    13 WS25  b        1.3
5    14 WS25  b        4  
6    15 WS25  b        1.7

Hier sind die Daten in einem geimeinsamen Histogramm dargestellt.

$N = 86$ Personen kamen zur Prüfung.

AV <- Flowers$Note
UV <- Flowers$Blumen
tapply(AV, UV, mean)

       b        n 
2.188636 2.035714

Betrachten wir die Mittelwerte ist sofort erkennbar, dass Blumen nicht den erwünschten Effekt beitzen. Im Gegnteil mit Blumen ist die Note soger tendnenziell schlechter $\bar{x}_{Blumen} = 2.19$ als ohne $\bar{x}_{ohne\:Blumen} = 2.04$.

Der Vollständigkeithalber berechnen wir noch eine robuste Variante des $t$-Tests, ohne dass wir Annahmen zu den Testvoraussetzungen machen zu müssen (z. B. sind die Standardabweichungen leicht unterschiedlich mit $SD_{Blumen} = 1.23$ und $SD_{keine\:Blumen} = 1.06$), und berechnen den p-Wert mit dem Resampling-Verfahren.

Resampling-Test auf Basis der standardisierten Mittelwertsunterschiede

Zunächst erstellen wir die Verteilung der $H_0$ mit Resampling.

set.seed(1)
# Empirische Differenz
MW_Diff_emp <- mean(Flowers$Note[Flowers$Blumen == "b"]) - mean(Flowers$Note[Flowers$Blumen == "n"])

H0_res <- replicate(n = 10000,
                    expr = {
  # 1) Blumen zufällig resampeln
  Blumen_r <- sample(Flowers$Blumen, replace = T)
  # 2) Mittelwertdifferenz ermitteln)
  MW_Diff <- mean(Flowers$Note[Blumen_r == "b"]) -      mean(Flowers$Note[Blumen_r == "n"])
                    })
hist(H0_res)
abline(v = MW_Diff_emp, col="red", lwd= 3)

Nun ermitteln wir den p-Wert mit Resampling (einseitig) von $p = 0.723$. Im Übrigen sind die p-Werte des t-Tests ($ p= 0.73$) und des U-Tests ($p=0.68$) sehr ähnlich.

# 3) einseitiger p-Wert
p_one_sided <- (sum(H0_res <= MW_Diff_emp) / 10000)

Fazit

Leider hatten die Blumen nicht den erhofften Effekt tendenziell zeigen die Mittelwerte in die entgegengesetzte Richtung. Diese Tendenz ist aber sehr wahrscheinlich ein Zufallsbefund. Auch waäre es überraschend, wenn die Stressreduktion durch Blumen sich sofort und deutlich in den Noten niederschlagen würde.

Literatur

Haviland-Jones, J., Rosario, H. H., Wilson, P., & McGuire, T. R. (2005). An environmental approach to positive emotion: Flowers. Evolutionary Psychology, 3(1), 147470490500300109.