Erfassungsbias

Auch bekannt als: Referral Bias Detection Filter Bias Zuweisungsbias Ascertainment Bias

Statistical Error ID: ascertainment_bias

Definition

Erfassungsbias tritt auf, wenn die Methode zur Identifikation von Studienteilnehmenden die Stichprobenzusammensetzung systematisch verzerrt. Die Art, wie Fälle entdeckt, überwiesen oder ausgewählt werden, bestimmt, wer in die Studie gelangt, und wenn dieser Prozess bestimmte Merkmale begünstigt, spiegeln die Ergebnisse nicht die wahre Population wider. Dies ist besonders häufig in klinischen und genetischen Studien.

Beispiele

Eine genetische Studie rekrutiert Familien über Krankenhäuser und findet eine starke Assoziation zwischen einer Genvariante und einer seltenen Erkrankung. Allerdings suchen Familien mit mehreren Betroffenen häufiger medizinische Hilfe, was das scheinbare genetische Risiko aufbläht.

Eine Online-Umfrage zu psychischen Belastungen während der Pandemie wird ausschließlich über soziale Medien verbreitet. Ältere Menschen und Personen ohne Internetzugang – oft jene mit besonders eingeschränkter sozialer Teilhabe – werden systematisch nicht erfasst, was das Ausmaß der Belastung unterschätzt.

Eine Studie zur Häufigkeit häuslicher Gewalt basiert auf Polizeiberichten und Notaufnahmedaten. Da viele Betroffene aus Angst oder Scham keine Behörden kontaktieren, wird die tatsächliche Prävalenz stark unterschätzt, und das Phänomen erscheint seltener und weniger verbreitet als es wirklich ist.

Prüfschritte

Prüfschritte

Binäre Ja/Nein-Fragen, die eine KI beantworten muss, um ein Argumentationsmuster in einem Text zu erkennen.

Jeder der 452 Aspekte hat Prüfschritte — einfache Ja/Nein-Fragen, die systematisch erkennen sollen, ob ein Muster in einem Text vorkommt. Für Ad Hominem: "Greift das Argument eine Person statt ihre Behauptung an?" Für falsche Dichotomie: "Werden nur zwei Optionen präsentiert, obwohl mehr existieren?"

Im Glossar ansehen →

Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:

1

Wurden Teilnehmende durch eine Methode identifiziert oder rekrutiert, die bestimmte Falltypen begünstigen könnte?
Typ: binary
2

Könnte der Erkennungs- oder Überweisungsprozess systematisch bestimmte Erkrankungen oder Bevölkerungsgruppen überrepräsentieren?
Typ: binary
3

Führt die Stichprobenquelle (Krankenhaus, Praxis, Datenbank) zu einer systematischen Verzerrung?
Typ: binary
4

Werden Ergebnisse über die spezifische Population hinaus verallgemeinert, aus der die Fälle erfasst wurden?
Typ: binary

Beschreibung

Warum es funktioniert

Der Rekrutierungsweg wirkt als unsichtbarer Filter. Forschende nehmen oft an, ihre Stichprobe sei repräsentativ, ohne zu prüfen, wie der Identifikationsprozess selbst die Gruppe geformt hat. Fälle, die sichtbarer, schwerer oder besser an das medizinische System angebunden sind, werden überrepräsentiert.

Wie man entgegnet

Bevölkerungsbasierte Stichproben statt klinikbasierter Rekrutierung verwenden. Den Erfassungsprozess transparent dokumentieren. Sensitivitätsanalysen durchführen, um abzuschätzen, wie verschiedene Rekrutierungsmethoden die Ergebnisse verändern könnten.

Auch bekannt als

Referral Bias Detection Filter Bias Zuweisungsbias Ascertainment Bias

Praxiskontext

Krebsregister, die auf Krankenhausunterlagen basieren, überrepräsentieren aggressive Krebsarten (die eine Behandlung erfordern) und unterrepräsentieren langsam wachsende (die möglicherweise nie diagnostiziert werden). Dies verzerrt Schätzungen von Krebsinzidenz, Überlebensraten und Behandlungswirksamkeit.