🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
central_tendency_bias
Tendenz-zur-Mitte-Bias tritt auf, wenn Beobachter oder Befragte die Extrembereiche einer Bewertungsskala vermeiden und ihre Antworten nahe der Mitte konzentrieren. Diese Varianzreduktion verringert die Fähigkeit, tatsächlich unterschiedliche Probanden zu differenzieren, schwächt die statistische Power und kann reale Muster in den Daten maskieren.
Ein Vorgesetzter bewertet alle 20 Teammitglieder zwischen 3 und 4 auf einer 5-Punkte-Leistungsskala, trotz klarer Unterschiede in der tatsächlichen Leistung. Die komprimierten Bewertungen machen es unmöglich, Leistungsträger oder Verbesserungsbedürftige zu identifizieren.
In einer Online-Umfrage zur Politikzufriedenheit wählen die meisten Befragten auf einer Skala von 1 bis 10 Werte zwischen 4 und 6, obwohl die tatsächliche Meinungsverteilung in der Bevölkerung stark polarisiert ist. Die gemittelten Ergebnisse täuschen einen gesellschaftlichen Konsens vor, der in Wirklichkeit nicht existiert.
Ein Restaurantkritiker bewertet dutzende Lokale für einen Restaurantführer und vergibt fast ausschließlich 2,5 bis 3,5 von 5 Sternen, obwohl einige Restaurants wirklich herausragend und andere klar unterdurchschnittlich waren. Die zusammengedrängten Bewertungen machen es für Leser unmöglich, echte Qualitätsunterschiede zu erkennen.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Beruht die Datenerhebung auf subjektiven Bewertungsskalen?
Typ: binaryGibt es eine ungewöhnlich hohe Konzentration von Antworten nahe dem Skalenmittelpunkt?
Typ: binaryKönnten Bewertende extreme Kategorien aus Unsicherheit oder sozialem Druck vermeiden?
Typ: binaryReduziert die komprimierte Antwortbreite die Fähigkeit, wahre Unterschiede zu erkennen?
Typ: binaryTendenz-zur-Mitte-Bias tritt auf, wenn Beobachter oder Befragte die Extrembereiche einer Bewertungsskala vermeiden und ihre Antworten nahe der Mitte konzentrieren. Diese Varianzreduktion verringert die Fähigkeit, tatsächlich unterschiedliche Probanden zu differenzieren, schwächt die statistische Power und kann reale Muster in den Daten maskieren.
Extreme Bewertungen fühlen sich riskant an — sie erfordern stärkere Begründung und könnten Nachfragen provozieren. Bewertende fühlen sich in der Mitte sicherer, besonders bei Unsicherheit über ihr Urteil. Diese Tendenz wird in Kulturen verstärkt, die Bescheidenheit und Konsens wertschätzen.
Verhaltensverankerte Bewertungsskalen (BARS) verwenden, die jeden Punkt mit spezifischen Beispielen definieren. Rangordnungs- oder Zwangsverteilungsmethoden können zentrales Clustering entgegenwirken. Bewertende schulen, die gesamte Skala zu nutzen, und klare Kriterien für Extrembewertungen bereitstellen.
Mitarbeiterleistungsbeurteilungen sind berüchtigt für Tendenz-zur-Mitte-Bias. Die meisten Organisationen stellen fest, dass 80-90 % der Mitarbeitenden als 'erfüllt die Erwartungen' oder gleichwertig bewertet werden, trotz großer Leistungsunterschiede. Dies untergräbt leistungsbasierte Entscheidungen bei Beförderungen, Gehaltserhöhungen und Entwicklung.
Respondents agree with statements regardless of content, inflating affirmative responses.
Researcher expectations systematically influence how observations are recorded.
Equal measurement error across groups that typically biases estimates toward the null.
Tendency to round measurements to preferred digits, distorting data distributions.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.