Autor des Abschnitts: Danielle J. Navarro and David R. Foxcroft
Der Fluch der Voreingenommenheit
Die meisten Menschen sind ziemlich klug. Wir sind sicherlich schlauer als andere Spezies, mit denen wir uns den Planeten teilen (auch wenn viele Menschen anderer Meinung sein mögen). Unser Verstand ist etwas ganz Erstaunliches, und wir scheinen zu den unglaublichsten Leistungen des Denkens und der Vernunft fähig zu sein. Das macht uns aber nicht perfekt. Psychologen haben im Laufe der Jahre unter anderem gezeigt, dass es uns schwerfällt, neutral zu sein, Beweise unvoreingenommen zu bewerten und uns nicht von bereits bestehenden Vorurteilen leiten zu lassen. Ein gutes Beispiel dafür ist der Belief-Bias-Effekt beim logischen Denken: Wenn man Menschen bittet zu entscheiden, ob ein bestimmtes Argument logisch gültig ist (d. h. die Schlussfolgerung wäre wahr, wenn die Prämissen wahr wären), neigen wir dazu, uns von der Glaubwürdigkeit der Schlussfolgerung beeinflussen zu lassen, selbst wenn wir das nicht sollten. Hier ist zum Beispiel ein gültiges Argument, bei dem die Schlussfolgerung glaubwürdig ist:
Alle Zigaretten sind teuer (Prämisse 1)Manche Dinge, die süchtig machen, sind preiswert (Prämisse 2)Daher sind einige süchtig machende Dinge keine Zigaretten (Schlussfolgerung)
Und hier ist ein gültiges Argument, bei dem die Schlussfolgerung nicht glaubwürdig ist:
Alle süchtig machenden Dinge sind teuer (Prämisse 1)Einige Zigaretten sind billig (Prämisse 2)Daher machen einige Zigaretten nicht süchtig (Schlussfolgerung)
Die logische Struktur von Argument 2 ist identisch mit der Struktur von Argument 1, und beide sind gültig. Im zweiten Argument gibt es jedoch gute Gründe zu glauben, dass Prämisse 1 falsch ist, und deshalb ist es wahrscheinlich, dass auch die Schlussfolgerung falsch ist. Aber das ist für das vorliegende Thema völlig irrelevant; ein Argument ist deduktiv gültig, wenn die Schlussfolgerung eine logische Konsequenz der Prämissen ist. Das heißt, ein gültiges Argument muss nicht zwangsläufig wahre Aussagen enthalten.
Auf der anderen Seite gibt es ungültige Argumente, die eine glaubwürdige Schlussfolgerung haben:
Alle süchtig machenden Dinge sind teuer (Prämisse 1)Einige Zigaretten sind billig (Prämisse 2)Daher sind einige süchtig machende Dinge keine Zigaretten (Schlussfolgerung)
Und schließlich ein ungültiges Argument mit einer nicht glaubwürdigen Schlussfolgerung:
Alle Zigaretten sind teuer (Prämisse 1)Manche Dinge, die süchtig machen, sind preiswert (Prämisse 2)Daher machen einige Zigaretten nicht süchtig (Schlussfolgerung)
Nehmen wir nun an, dass die Menschen wirklich in der Lage sind, ihre bereits bestehenden Vorurteile darüber, was wahr ist und was nicht, beiseite zu lassen und ein Argument ausschließlich nach seinem logischen Gehalt zu bewerten. Wir würden erwarten, dass 100 % der Leute sagen, dass die gültigen Argumente gültig sind, und dass 0 % der Leute behaupten, dass die ungültigen Argumente gültig sind. Wenn Sie also ein Experiment zu diesem Thema durchführen würden, würden Sie die folgenden Daten erwarten:
Die Schlussfolgerung erscheint wahr |
Die Schlussfolgerung erscheint falsch |
|
|---|---|---|
Das Argument ist gültig |
100 % sagen „gültig“ |
100 % sagen „gültig“ |
Das Argument ist ungültig |
0 % sagen „gültig“ |
0 % sagen „gültig“ |
Wenn die psychologischen Daten so (oder auch nur annähernd so) aussehen würden, könnten wir uns sicher fühlen und einfach unserem Bauchgefühl vertrauen. Das heißt, es wäre völlig in Ordnung, Wissenschaftler Daten auf der Grundlage ihres gesunden Menschenverstands auswerten zu lassen und sich nicht mit undurchsichtigem Statistikkram herumzuschlagen. Aber ihr studiert Psychologie (oder habt es getan) und wisst wahrscheinlich schon, worauf das hinausläuft.
In einer klassischen Studie haben Evans et al. (1983) ein Experiment durchgeführt, in dem genau dies untersucht wurde. Sie fanden heraus, dass alles so verlief, wie man es sich erhofft hatte, wenn die bereits bestehenden Vorurteile (d. h. die Überzeugungen) mit der Struktur der Daten übereinstimmten:
Die Schlussfolgerung erscheint wahr |
Die Schlussfolgerung erscheint falsch |
|
|---|---|---|
Das Argument ist gültig |
92 % sagen „gültig“ |
|
Das Argument ist ungültig |
8 % sagen „gültig“ |
Das ist nicht perfekt, aber ziemlich gut. Das Bild ändert sich jedoch, wenn unsere intuitiven Gefühle über die Wahrheit der Schlussfolgerung gegen die logische Struktur des Arguments verstoßen:
Die Schlussfolgerung erscheint wahr |
Die Schlussfolgerung erscheint falsch |
|
|---|---|---|
Das Argument ist gültig |
92 % sagen „gültig“ |
46 % sagen „gültig“ |
Das Argument ist ungültig |
92 % sagen „gültig“ |
8 % sagen „gültig“ |
Oh je, das ist nicht so gut. Offensichtlich fällt es uns schwer, ein starkes Argument, das unseren Überzeugungen widerspricht, überhaupt als starkes Argument zu erkennen (nur in 46 % der Fälle wurde es als solches erkannt). Noch schlimmer ist es, wenn Menschen ein schwaches Argument präsentiert wird, das mit unseren bestehenden Vorurteilen übereinstimmt. Hier kann fast niemand erkennen, dass das Argument schwach ist (die Menschen lagen in 92 % der Fälle falsch!).[1]
Wenn man darüber nachdenkt, ist es nicht so, dass diese Daten furchtbar vernichtend sind. Im Großen und Ganzen haben die Menschen ihre Vorurteile besser als der Zufall kompensiert, denn etwa 60 % der Urteile der Menschen waren richtig (man würde 50 % durch Zufall erwarten). Trotzdem: Wenn Sie ein professioneller „Beweisexperte“ wären und jemand käme zu Ihnen und würde Ihnen ein magisches Werkzeug anbieten, das Ihre Chancen, die richtige Entscheidung zu treffen, von 60 % auf (sagen wir) 95 % erhöht, würden Sie wahrscheinlich zugreifen, oder? Natürlich würden Sie das. Zum Glück haben wir ein Werkzeug, das dies kann. Aber es ist keine Magie, es ist Statistik. Das ist also der wichtigste Grund, warum Wissenschaftler Statistiken lieben. Es ist einfach zu einfach für uns, „zu glauben, was wir glauben wollen“. Wenn wir also „den Daten glauben“ wollen, brauchen wir ein wenig Hilfe, um unsere Vorurteile unter Kontrolle zu halten. Das ist die Aufgabe der Statistik: Sie hilft uns, ehrlich zu bleiben.