🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
insensitivity_to_sample_size
Die Tendenz, die Rolle der Stichprobengröße für die Zuverlässigkeit statistischer Ergebnisse zu unterschätzen. Die Menschen erwarten, dass kleine Stichproben genauso repräsentativ sind wie große, was sie dazu verleitet, starke Schlüsse aus unzureichenden Daten zu ziehen. Dies verstößt gegen das Gesetz der großen Zahlen, das besagt, dass größere Stichproben zuverlässiger sind.
Ein Krankenhausverwalter vergleicht zwei chirurgische Techniken. Technik A war in 8 von 10 Fällen (80 %) erfolgreich und Technik B in 75 von 100 Fällen (75 %). Der Verwalter wählt Technik A und ignoriert dabei, dass die kleine Stichprobe von 10 weitaus unzuverlässiger ist und die 80 % leicht auf Zufall beruhen könnten.
In einer Online-Umfrage zu einem neuen Softdrink bewerten 4 von 5 Testpersonen (80 %) den Geschmack als 'ausgezeichnet'. Das Marketingteam jubelt und plant eine große Markteinführung – ohne zu beachten, dass bei nur fünf Befragten das Ergebnis kaum aussagekräftig ist.
Zwei Restaurants werden auf einer Bewertungsplattform verglichen: Restaurant A hat einen Durchschnitt von 4,9 Sternen bei 7 Bewertungen, Restaurant B hat 4,6 Sterne bei 430 Bewertungen. Viele Nutzer wählen Restaurant A, weil es besser bewertet wirkt – obwohl der Wert von Restaurant B aufgrund der viel größeren Stichprobe deutlich zuverlässiger ist.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Werden Schlussfolgerungen aus einer sehr kleinen Anzahl von Beobachtungen gezogen?
Typ: binaryWird die Stichprobengröße in der Argumentation erwähnt oder berücksichtigt?
Typ: binaryWäre die Konklusion bei Bewusstsein der Einschränkungen der Stichprobe ebenso zuversichtlich?
Typ: binaryDie Tendenz, die Rolle der Stichprobengröße für die Zuverlässigkeit statistischer Ergebnisse zu unterschätzen. Die Menschen erwarten, dass kleine Stichproben genauso repräsentativ sind wie große, was sie dazu verleitet, starke Schlüsse aus unzureichenden Daten zu ziehen. Dies verstößt gegen das Gesetz der großen Zahlen, das besagt, dass größere Stichproben zuverlässiger sind.
Menschen beurteilen Wahrscheinlichkeiten mithilfe der Repräsentativitätsheuristik und urteilen nach der Ähnlichkeit mit dem erwarteten Ergebnis. Da sowohl kleine als auch große Stichproben denselben Prozentsatz liefern können, behandeln die Menschen sie als gleichermaßen aussagekräftig.
Berücksichtige bei der Auswertung von Statistiken immer die Stichprobengröße. Sei skeptisch gegenüber Schlussfolgerungen aus kleinen Stichproben und suche nach größeren Datensätzen, bevor du Entscheidungen triffst.
Diese Verzerrung betrifft die Interpretation medizinischer Forschung, Produktbewertungen (wobei wenigen Bewertungen Gewicht beigemessen wird), Effekte kleiner Schulen in der Bildungspolitik und A/B-Tests in Technologieunternehmen.
Believing that small samples accurately represent the underlying population distribution.
A study with too few participants or observations to reliably detect the effect being investigated. Low statistical power increases both false negatives and the rate at which significant findings are false positives.
Ignoring general statistical base rates in favor of specific individual-case info.
The mistaken belief that if an event has occurred more frequently than expected in the past, it is less likely to happen in the future (and vice versa), even when events are independent.
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.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.