🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
base_rate_fallacy
Die Basisratenfalle tritt auf, wenn Menschen die A-priori-Wahrscheinlichkeit (Basisrate) eines Ereignisses ignorieren oder unterbewerten, während sie bedingte Wahrscheinlichkeiten bewerten. Stattdessen konzentrieren sie sich auf spezifische, oft lebhafte Informationen über den Einzelfall. Dies ist eine Verletzung des Bayes'schen Denkens, bei dem die Posteriori-Wahrscheinlichkeit sowohl die Plausibilität der Evidenz gegeben der Hypothese als auch die A-priori-Wahrscheinlichkeit der Hypothese selbst berücksichtigen muss.
Ein medizinischer Test für eine seltene Krankheit (Prävalenz 1 zu 10.000) hat eine Genauigkeitsrate von 99 %. Ein Patient wird positiv getestet und glaubt, fast sicher krank zu sein. In Wirklichkeit treten bei 10.000 Tests etwa 100 falsch-positive Ergebnisse gegenüber nur einem echt-positiven auf, was nur eine Chance von etwa 1 % ergibt, tatsächlich krank zu sein.
Ein Sicherheitsalgorithmus am Flughafen schlägt bei 0,1 % aller Passagiere fälschlicherweise Alarm. Bei 10.000 täglichen Passagieren und nur einem echten Bedrohungsfall bedeutet ein Alarm dennoch, dass die Person mit über 90-prozentiger Wahrscheinlichkeit harmlos ist – was Sicherheitsbeamte oft überrascht.
Ein Personalchef liest, dass 80 % der Bewerber, die in Vorstellungsgesprächen nervös wirken, die Stelle nicht gut ausfüllen. Er lehnt einen nervösen Kandidaten ab. Er vergisst jedoch, dass die meisten Bewerber nervös sind – darunter viele hochqualifizierte – und Nervosität allein kaum aussagekräftig ist.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Wird eine Wahrscheinlichkeits- oder Plausibilitätsschätzung vorgenommen?
Typ: binaryWerden spezifische Informationen zum Einzelfall stärker gewichtet als allgemeine Basisraten?
Typ: binaryWürde die Einbeziehung der Basisrate die Schlussfolgerung signifikant verändern?
Typ: binaryDie Basisratenfalle tritt auf, wenn Menschen die A-priori-Wahrscheinlichkeit (Basisrate) eines Ereignisses ignorieren oder unterbewerten, während sie bedingte Wahrscheinlichkeiten bewerten. Stattdessen konzentrieren sie sich auf spezifische, oft lebhafte Informationen über den Einzelfall. Dies ist eine Verletzung des Bayes'schen Denkens, bei dem die Posteriori-Wahrscheinlichkeit sowohl die Plausibilität der Evidenz gegeben der Hypothese als auch die A-priori-Wahrscheinlichkeit der Hypothese selbst berücksichtigen muss.
Spezifische, konkrete Informationen (das Testergebnis) fühlen sich relevanter an als abstrakte statistische Informationen (die Prävalenz der Krankheit). Menschen sind intuitiv schlecht darin, Basisraten in probabilistische Urteile zu integrieren.
Frage dich immer: „Wie häufig ist dieser Zustand oder dieses Ereignis überhaupt?“ Verwende natürliche Häufigkeiten statt Prozentsätze (z. B. „1 von 101 positiven Tests ist ein echter Treffer“), um Basisraten intuitiv verständlich zu machen.
Dieser Fehlschluss ist entscheidend bei medizinischen Screening-Programmen, in der kriminalistischen Forensik (DNA-Match-Wahrscheinlichkeiten) und bei Sicherheitskontrollen am Flughafen.
Forming worldview based on examples that come most easily to mind.
Drawing broad conclusions from limited, unrepresentative, or anecdotal evidence.
Probability-based belief revision using Bayes' theorem.
Diagnostic test accuracy varies when evaluated across different disease severity levels.
The tendency to draw strong conclusions from small samples, failing to recognize that small samples are more variable and less reliable than large ones.
Believing that small samples accurately represent the underlying population distribution.
The tendency to overestimate the accuracy of one's judgments, especially when available information is internally consistent, even if the information is limited or unreliable.
On average, people's friends have more friends than they do, due to sampling bias toward popular nodes.
Random observation of a process is more likely to catch long-duration events than short ones.
A model with higher accuracy can have worse predictive power than a less accurate one on imbalanced data.
Bayesian and frequentist approaches yield contradictory conclusions with large sample sizes.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.