Apps
EN — EnglishLogin

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

Subadditivitätseffekt (Subadditivity Effect)

Auch bekannt als: Subadditivity bias
Cognitive Bias ID: subadditivity_effect

Definition

Die Tendenz, dass die Summe der Wahrscheinlichkeitseinschätzungen einzelner Ereignisse die Wahrscheinlichkeit des Gesamtereignisses übersteigt, oder dass die beurteilte Wahrscheinlichkeit des Ganzen geringer ist als die Summe seiner Teile. Wenn Menschen ein Ereignis in Komponenten zerlegen, weisen sie jeder Komponente höhere Wahrscheinlichkeiten zu, als gerechtfertigt ist, und die Teile summieren sich auf mehr als 100 %.

Beispiele

Auf die Frage nach der Wahrscheinlichkeit, im nächsten Jahr an einer beliebigen Ursache zu sterben, könnte eine Person 5 % antworten. Werden sie jedoch getrennt nach Herzerkrankungen, Krebs, Unfällen und anderen Ursachen gefragt, summieren sich die Einzelschätzungen auf 15 % oder mehr.

Ein Sportfan schätzt die Wahrscheinlichkeit, dass seine Lieblingsmannschaft die Meisterschaft gewinnt, auf 10 %. Fragt man ihn jedoch separat nach den Chancen auf Sieg in jedem einzelnen verbleibenden Spiel, addieren sich seine Schätzungen zu einer Gesamtwahrscheinlichkeit von über 40 %.

Bei einer Umfrage zur Urlaubsplanung schätzen Befragte die Wahrscheinlichkeit, im Sommer zu verreisen, auf 30 %. Werden sie jedoch einzeln gefragt, ob sie an die Nordsee, in die Berge, ins Ausland oder in eine Großstadt fahren könnten, summieren sich die Einzelwahrscheinlichkeiten auf über 80 %.

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

    Summieren sich die einzelnen Komponenten zugewiesenen Wahrscheinlichkeiten auf mehr als das Ganze?

    Typ: binary
  2. 2

    Wird ein Ereignis als wahrscheinlicher beurteilt, wenn es in detaillierten Teilbereichen beschrieben wird?

    Typ: binary
  3. 3

    Würde die Wahrscheinlichkeitsschätzung sinken, wenn das Ereignis ganzheitlich beschrieben würde?

    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