Apps
EN — EnglishLogin

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

Falscher-Konsens-Effekt (False Consensus Effect)

Auch bekannt als: False Consensus Bias Consensus Bias Falscher Konsensus
Cognitive Bias ID: false_consensus_effect

Definition

Der Falscher-Konsens-Effekt ist die Tendenz, das Ausmaß zu überschätzen, in dem die eigenen Meinungen, Überzeugungen, Vorlieben und Verhaltensweisen von anderen geteilt werden. Menschen gehen davon aus, dass die meisten so denken wie sie, und sind überrascht, wenn sie feststellen, dass ihre Ansichten tatsächlich Minderheitenpositionen sind. Dies führt zu einer verzerrten Sicht auf soziale Normen und die Mehrheitsmeinung.

Beispiele

Ein Vegetarier geht davon aus, dass die meisten seiner Arbeitskollegen ein vegetarisches Restaurant für ein gemeinsames Mittagessen bevorzugen würden, und ist aufrichtig überrascht, als eine Umfrage ergibt, dass 80 % des Teams ein Steakhaus bevorzugen würden.

Ein begeisterter True-Crime-Podcast-Hörer ist überzeugt, dass natürlich alle seine Freunde auch stundenlang Mordermittlungen hören – und schlägt bei jedem Treffen vor, gemeinsam eine neue Folge zu hören, ohne zu fragen, ob das überhaupt jemanden interessiert.

Ein Entwickler in einem Tech-Unternehmen geht selbstverständlich davon aus, dass alle Kollegen genauso begeistert von der neuen agilen Arbeitsmethode sind wie er, und ist genuinely verwirrt über den Widerstand im Team – er dachte, das sei für alle offensichtlich die bessere Lösung.

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

    Geht die Argumentation ohne Beweise davon aus, dass die meisten Menschen einen bestimmten Standpunkt teilen?

    Typ: binary
  2. 2

    Wird die Verbreitung einer Überzeugung oder eines Verhaltens basierend auf persönlichen Erfahrungen übertrieben?

    Typ: binary
  3. 3

    Werden abweichende Ansichten ohne Daten als selten oder am Rand liegend abgetan?

    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.

Hierarchischer Kontext