Apps
EN — EnglishLogin

🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!

Kausalmissverständnis

Auch bekannt als: Kausaler Fehlschluss Umgekehrte Kausalität Ausgelassene Variablenverzerrung Konfundierende Kausalität
Aspect 📰 Medienverzerrung ID: causal_misunderstanding

Definition

Kausalmissverständnis tritt auf, wenn Medienberichte Kausalität dort unterstellen, wo nur Korrelation, Zufall oder komplexe Mehrfaktordynamiken vorliegen. Anders als einfaches Post-hoc-Denken umfasst dieses Muster anspruchsvollere Fehllesungen: umgekehrte Kausalität, ausgelassene Variablen oder das Reduzieren eines Ursachengeflechts auf einen einzigen bequemen Schuldigen. Es tritt häufig in Wirtschafts-, Gesundheits- und Kriminalberichterstattung auf, wo einfache Narrative komplexer Genauigkeit vorgezogen werden.

Beispiele

Berichterstattung, die behauptet, Social-Media-Nutzung 'verursache' Teenagerdepression, gestützt auf eine reine Korrelationsstudie ohne nachgewiesenen Mechanismus.

Wirtschaftsberichterstattung, die eine Rezession vollständig einer Maßnahme zuschreibt, ohne globale Marktfaktoren zu berücksichtigen.

Kriminalberichterstattung, die die demografische Zusammensetzung eines Viertels als Ursache für Kriminalitätsraten darstellt und sozioökonomische Faktoren ignoriert.

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?"

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

  1. 1

    Behauptet der Text eine Kausalbeziehung zwischen zwei Ereignissen oder Phänomenen?

    Typ: binary
  2. 2

    Ist die Kausalbehauptung durch Belege oder einen nachgewiesenen Mechanismus nicht gestützt?

    Typ: binary
  3. 3

    Könnte die Beziehung Korrelation, Zufall oder das Ergebnis einer gemeinsamen dritten Ursache sein?

    Typ: binary
  4. 4

    Dient die Fehlattribution von Kausalität einem narrativen oder politischen Zweck?

    Typ: binary
Vertiefung
Der aufklappbare Detailbereich auf jeder Aspekt-Seite mit Beispielen, Psychologie und Gegenstrategien.
Der Vertiefungsbereich bietet ausführliche Informationen zu jedem Aspekt: ein Praxisbeispiel, eine Erklärung warum es funktioniert, Tipps wie man entgegnet, alternative Bezeichnungen und Links zu verwandten Aspekten.