Apps
EN — EnglishLogin

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

Goodharts Gesetz (Goodhart's Law)

Auch bekannt als: Campbell's Law Metric Gaming Teaching to the test Cobra Effect
Statistical Error ID: goodharts_law

Definition

Goodharts Gesetz besagt: „Wenn ein Maß zum Ziel wird, hört es auf, ein gutes Maß zu sein.“ Sobald Akteure wissen, dass sie nach einer bestimmten Kennzahl bewertet werden, optimieren sie diese Kennzahl, oft auf Kosten des eigentlichen Ziels, das sie repräsentieren sollte. Dies führt zu perversen Anreizen.

Beispiele

Ein Callcenter setzt die „durchschnittliche Gesprächsdauer“ als Zielwert, um effizienter zu werden. Die Agenten fangen an, Kunden abzuwürgen, schwierige Anrufe weiterzuleiten oder einfach aufzulegen. Die Gesprächsdauer sinkt (Ziel erreicht), aber die Kundenzufriedenheit bricht ein.

Eine Schule führt standardisierte Tests als zentrale Kennzahl für Bildungsqualität ein und knüpft die Lehrerbeurteilung daran. Lehrer beginnen, gezielt 'auf den Test hin' zu unterrichten, kreatives Denken und Diskussionen fallen weg. Die Testergebnisse steigen, doch das tatsächliche Verständnis der Schüler stagniert.

Ein Krankenhaus wird nach der Anzahl entlassener Patienten pro Tag bewertet, um die Effizienz zu steigern. Das Personal beginnt, Patienten früher zu entlassen, als es medizinisch sinnvoll wäre. Die Kennzahl verbessert sich, die Wiedereinweisungsrate steigt jedoch deutlich an.

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

    Wurde ein statistisches Maß als explizites Ziel oder Anreiz eingeführt?

    Typ: binary
  2. 2

    Optimieren Personen rein für die Metrik statt für das eigentliche Ziel?

    Typ: binary
  3. 3

    Hat sich die Aussagekraft des Maßes verschlechtert, seit es zum Zielwert wurde?

    Typ: binary
  4. 4

    Gibt es Anzeichen für Metrik-Manipulation statt echter Verbesserung?

    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