Prof. Dr. Sven Hilbert

• seit 2023 – Lehrstuhl für Educational Data Science, Universität Regensburg
• 2017 - 2023 – Professur für Methoden der empirischen Bildungsforschung, Universität Regensburg
• 2016 - 2017 – Vertretungsprofessur, Methoden der empirischen Bildungsforschung, Universität Regensburg
• 2017 – Habilitation, Ludwig-Maximilians-Universität, München
• 2015 - 2016 – Wissenschaftlicher Mitarbeiter, Lehrstuhl psychologische Methodenlehre und Diagnostik Ludwig-Maximilians-Universität, München
• 2014 - 2016 – Masterstudiengang Statistik (Abschluss: Master of Science), Ludwig-Maximilians-Universität, München
• 2014 - 2015 – Vertretungsprofessur, Lehrstuhl psychologische Methodenlehre, Humboldt-Universität zu Berlin
• 2011 - 2014 – Wissenschaftlicher Mitarbeiter, Lehrstuhl psychologische Methodenlehre und Diagnostik Ludwig-Maximilians-Universität, München
• 2011 – Wissenschaftlicher Mitarbeiter, Lehrstuhl psychologische Diagnostik, Karl-Franzens Universität, Graz
• 2011 – Wissenschaftlicher Mitarbeiter, Humboldt-Innovation GmbH, Berlin
• 2010 - 2013 – Promotion in Psychologie, Ludwig-Maximilians-Universität, München
• 2008 - 2010 – Masterstudiengang Neuro-Cognitive Psychology (Abschluss: Master of Science), Ludwig-Maximilians-Universität, München
• 2007 - 2008 – Psychologie License 3, Université de Nantes
• 2005 - 2010 – Psychologie, (Abschluss: Diplom) Ludwig-Maximilians-Universität, München

Prof. Dr. Sven Hilbert bietet regelmäßig Lehrveranstaltungen zu folgenden Themen an:

• Forschungskolloquien für Doktoranden und Habilitanden
• Grundlagen der Statistik
• Fortgeschrittene Statistik
• Statistische Analysen mit R
• Machine Learning

Die Veranstaltungen im aktuellen Semester finden sich Campusportal (externer Link, öffnet neues Fenster). Mehr Infos zu den Lehrveranstaltungen des Lehrstuhls finden sich unter Lehre.

• Psychometrie
• Machine Learning
• Latente Modellierung
• Logdatenanalyse

Kraus, E., Pargent, F., Hilbert, S. & Augustin, T. (2025). Introducing the Treatment Decision Framework (TreaDeF) – A Decision Theoretic Approach to Using Evaluation Study Data to Inform Individual Treatment Decisions. Collabra: Psychology, 11(1).

Steib, N., Büchter, T., Eichler, A., Binder, K., Krauss, S., Böcherer-Linder, K., Vogel, M. & Hilbert, S. (2025). How to teach Bayesian reasoning: An empirical study comparing four different probability training courses. Learning and Instruction, 95, 102032.

Böhme, R., Coors, S., Munser-Kiefer, M. & Hilbert, S. (2024). Machine Learning for Spelling Acquisition: How Accurate is the Prediction of Specific Spelling Errors in German Primary School Students? Computers & Education: Artificial Intelligence, 6, 100233.

Lindl, A. & Hilbert, S. (2023). Modelling, structure and development of domain-specific professional knowledge of Latin teachers. Teaching and Teacher Education,134, 104262.

Himi, S., Stadler, M., von Bastian, C., Bühner, M. & Hilbert, S. (2022). Limits of Near Transfer: Content- and Operation-Specific Effects of Working Memory Training. Journal of Experimental Psychology: General.

Hilbert, S., Coors, S., Kraus, E. B., Bischl, B., Frei, M., Lindl, A., ..., & Stachl, C. (2021). Machine Learning for the Educational Sciences. Review of Education, 9, e3310.

Hilbert, S., Pargent, F., Kraus, E., Naumann, F., Eichhorn, K., Ungar, P. & Bühner, M. (2020). What’s the measure? An empirical investigation of self-ratings on response scales. International Journal of Social Research Methodology, 1–20.

(8)Heene, M., Hilbert, S., Draxler, C., Ziegler, M. & Bühner, M. (2011). Masking Misfit in Confirmatory Factor Analysis by Increasing Unique Variances: A Cautionary Note on the Usefulness of Cutoff Values of Fit Indices. Psychological Methods, 16(3), 319–336.
 

Die vollständige Publikationsliste gibt es hier. (öffnet neues Fenster). (nicht barrierefrei)

• Educational Data Science
• To fit is to overfit
• Modellgültigkeit
• Open Science vor dem Hintergrund der Replikationskrise
• Big Data und Machine Learning in der Psychologie
• KI in Lehre und Prüfung