Apps
EN — EnglishLogin

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

Ratio-Bias (Denominator Neglect)

Auch bekannt als: Denominator Neglect Frequency-probability gap Numerosity heuristic Nenner-Vernachlässigung
Statistical Error ID: ratio_bias

Definition

Der Ratio-Bias (Nenner-Vernachlässigung) ist die Tendenz, sich auf absolute Zahlen statt auf Proportionen zu konzentrieren. Menschen sind von „10 aus 100“ beeindruckter als von „1 aus 10“, obwohl beides 10 % entspricht. Dies kann dazu führen, dass Optionen mit schlechteren Quoten gewählt werden, nur weil die absolute Anzahl an Erfolgen höher erscheint.

Beispiele

In einer Lotterie kann man zwischen zwei Gefäßen wählen. Gefäß A hat 1 rote Murmel bei 10 gesamt (10 % Chance). Gefäß B hat 8 rote Murmeln bei 100 gesamt (8 % Chance). Viele wählen B, weil „8 Chancen“ besser klingen als „1 Chance“, obwohl die Quote schlechter ist.

Ein Krankenhaus wirbt damit, dass 47 Patienten nach einer neuen Behandlung vollständig geheilt wurden – ein Konkurrenzprodukt habe nur 8 Patienten geheilt. Was verschwiegen wird: Das erste Mittel wurde an 900 Patienten getestet (5,2 %), das zweite nur an 80 (10 %). Die meisten Leser halten das erste Mittel trotzdem für überlegen.

Ein Online-Shop schreibt: 'Bereits 200 Kunden haben dieses Produkt zurückgegeben!' Ein anderer Shop meldet nur 12 Rücksendungen. Kunden meiden den ersten Shop – obwohl der erste 50.000 Einheiten verkauft hat (0,4 % Rücksendequote) und der zweite nur 80 (15 % Rücksendequote).

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

    Werden absolute Zahlen ohne den Nenner (Basiswert) präsentiert?

    Typ: binary
  2. 2

    Würde eine Darstellung als Prozentsatz den Eindruck grundlegend ändern?

    Typ: binary
  3. 3

    Werden Gruppen unterschiedlicher Größe nur anhand ihrer absoluten Trefferzahlen verglichen?

    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