Noise – A Flaw in Human Judgment

Was ist Noise eigentlich?

Noise ist ein grundlegender Fehler in der Entscheidungsfindung, welcher sich besonders in einer Masse an Entscheidungen erkennen lässt. Noise beschreibt die Streuung von Fehlentscheidungen, wodurch man ebenfalls von einem Rauschen sprechen kann. Grundlegend wird in jeglicher Literatur, insbesondere in der Psychologie, eher die Fehlerquelle »Bias« behandelt. Diese Fehlerquelle entsteht durch Voreingenommenheit und damit z.B. ebenfalls durch Vorurteile. Innerhalb des Buches werden einige Beispiele mit praktischem Bezug genannt, um den massiven Einfluss von Noise, sowie damit verbundene Auswirkungen zu erklären. Wie man diese Fehlerquelle minimiert und welche Vor- oder Nachteile daraus resultieren, bilden hier einen ebenso wichtigen Abschnitt.

Um Noise besser zu verstehen, stellen wir uns eine Zielscheibe vor (Abb.1). In den vier Abbildungen sind verschiedene Muster an Treffern zu sehen. Gemein haben sie, dass jeweils fünf Schüsse abgegeben wurden. Abbildung A zeigt hier den optimalen Verlauf. Jeder Treffer (Antwort) ist hier richtig. Es wird kein Noise und kein Bias erzeugt.

In Abbildung B können wir sehen, dass die Treffer allesamt in dem Bereich links unten treffen. Sie sind nicht gestreut, besitzen daher einen niedrigen Noise, jedoch ein hohes Maß an Bias. Dies könnte zum Beispiel durch ein nicht gerades Zielrohr hervorgerufen werden.

In Abbildung C sehen wir die Auswirkung von Noise. Die Schüsse sind allesamt weit gestreut, keiner trifft die Mitte und dementsprechend zeigt dies die Varianz an falschen Antworten, welche jedoch keinem grundlegenden Muster folgen.

In Abbildung D können wir eine Kombination aus Bias und Noise betrachten. Die Treffer (bzw. die Antworten) mögen weit auseinander liegen, doch tendieren sie allesamt in eine Richtung.

Wo können wir Noise finden?

Noise befindet sich überall. In jeder unbedachten Entscheidung und in unserem alltäglichen Leben.

Ein gutes Beispiel bildet hier die Judikative der USA. Wie sieht dort ein gerichtliches Urteil aus? Sind die Verurteilungen immer fair und rein anhand der begangenen Tat ausgerichtet? Als Beispiel dienen zwei Männer, welche einen falschen Scheck eingelöst haben. Der Betrag, um welchen es ging, lag jeweils zwischen 58.40$ und 35.20$. Das Urteil fiel jedoch drastisch unterschiedlich aus. Mit 30 Tagen Haft wurde einer der Männer verurteilt, während der Andere mit 15 Jahren Haft bestraft wurde. Wie kommt so ein Unterschied im Urteil zustande, wenn der verursachte Schaden beinahe gleich war? Um dieses Problem zu untersuchen, wurde ein fiktiver Fall erstellt. 50 verschiedene Richter sollten sich ihr Bild über den Fall erstellen und eine Strafe verhängen. Bei dem fiktiven Erpressungsfall, fanden sich die Strafen zwischen 65.000$ Strafe, sowie 20 Jahren Haft und drei Jahren Haft ohne Geldstrafe ein. Ein enormer Unterschied, welcher ohne Probleme ein Leben zerstören könnte. Doch was ist der Auslöser?

Die Autoren sprechen hier von äußeren Einflüssen, wie das Wetter, den eigenen Geburtstag, dem Sieg der eigenen Mannschaft in einem Spiel. All dies sind Faktoren, welche uns von außen hin beeinflussen und unsere Entscheidungen trüben. Um den stark gestreuten Urteilen Herr zu werden, wurde ein Strafenkatalog angefertigt, welcher als Richtlinie dienen sollte, um somit gerechtere Strafen zu verhängen, ohne dass diese ›aus der Luft gegriffen‹ werden. Dieser strenge Katalog erzeugte jedoch schnell Missmut. Die Richter sagten aus, dass sie es als unmenschlich empfanden, nicht die Person hinter der Straftat mit einzubeziehen. Die Gründe weshalb eine Straftat begangen wurde, traten in den Hintergrund, weswegen der Katalog schlussendlich, trotz seiner Effektivität, nur noch als grober Leitfaden genutzt wird.

Doch nicht nur in der Judikative finden wir viel Noise in den Entscheidungen. Selbst in Versicherungsfirmen, stehen die ausgezahlten Summen weit auseinander. Die Summen, welche den Versicherten ausgezahlt wurden, unterschieden sich teils um 41% beim gleichen Fall. Bei einer Auszahlung von 2000$, wäre dies für manche ein deutlich geringerer Betrag von 1180$. Doch ebenso lässt es sich in die andere Richtung drehen. So könnte das Unternehmen 41% zu viel auszahlen und somit diesem schaden. Die Beträge summieren sich und es entstehen enorme Kosten, welche man zunächst nicht im Blick hatte.

Doch wie entsteht hier der Noise? Wir gehen innerhalb eines Berufes davon aus, dass unsere Leistungen richtig sind, wir hinterfragen diese nicht und gehen zeitgleich ebenfalls davon aus, dass unsere Kollegen ebenso gut arbeiten und sicherlich ein Problem auf die gleiche Art lösen würden. Dadurch entsteht die Illusion eines Zusammenhalts, welche nur durch das Hinterfragen der eigenen Entscheidung und das Einbezieher unbeteiligter durchbrochen werden kann.

Wie kann man Noise messen?

Um Noise zu messen, werden MSE (Mean squared errors) genutzt. Dies bezeichnet den Durchschnitt des Fehlers im Quadrat. Um dies näher zu erklären, stellen wir uns vor, dass wir ein Lineal bekommen, mit welchem wir exakt eine Linie abmessen sollen. Dies wird fünf Mal durchgeführt und schon hier entstehen Diskrepanzen (Abb.2). In unserem Fall liegen die gemessenen Angaben zwischen 971 und 980 Millimetern.

Wie findet man nun jedoch die wirkliche Länge der Linie? Eine Herangehensweise besagt, dass man den Wert zwischen den beiden extremsten Messungen nutzen soll. In diesem Beispiel wäre das untere Extrem zwischen 971 und 972, während das obere Extrem zwischen 970 und 980. In diesem Fall wäre unser Median bei 793, da dies der nächste gemessene Wert wäre, welcher genau zwischen den anderen vier gemessenen Werten liegt. Wichtig ist, dass hierbei nicht der Durchschnitt berechnet wird.

Mit dem arithmetischen Mittel, würde man den bekannten Durchschnitt jeglicher Längen ziehen. Im Beispiel wurde dies mit dem pinken Pfeil markiert.

Die Intuition würde das arithmetische Mittel, als genauer bezeichnen und dies ist korrekt. Aufgrund dessen, das diesem weitaus mehr Daten vorliegen, kann der richtige Wert besser ermittelt werden.

Um nun das MSE zu berechnen, gehen wir zunächst in den möglichen Angaben davon aus, dass diese richtig sind. Nehmen wir also an, dass 971 mm die richtige Länge wäre, wären die möglichen Fehler 0, 1, 2, 8 und 9mm entfernt. Quadrieren wir diese Zahlen, kommen wir auf ein Ergebnis von 150. Teilen wir dies nun durch die Anzahl der Messungen (5), erhalten wir einen Durchschnitt (30).

Diese Berechnung wird für jede Messung durchgeführt, um somit die niedrigste Zahl zu finden.

Daraus resultiert, dass 975 den niedrigsten Wert und damit die höchste Wahrscheinlichkeit besitzt, die richtige Antwort zu sein.

Wie beeinflusst Noise die Entscheidungen einer Gruppe?

Wenn wir uns die Frage stellen, wie viel Prozent aller Flughäfen auf der Welt in den USA liegen, wären die Antworten 1% und 99% objektiv falsch. Wenn wir uns nun in unseren Gedanken einen Wert festlegen. Beispielsweise 47% und eine andere Person nur ein wenig von unserer Entscheidung entfernt wäre, beispielsweise 48%, würden wir diese dennoch als plausibel wahrnehmen, ohne zu wissen ob die Antwort denn überhaupt richtig ist. Doch genau dieses Phänomen kann man sich zu Nutze machen.

1907 wurde ein Ochse zur Schau gestellt und es sollte geraten werden, wie viel dieser wiegt. Der Gewinner, würde das Tier geschenkt bekommen. Es wurden 787 Einwohner nach dem Gewicht gefragt und es zeigte sich, dass der Durchschnitt ihrer Antworten bei 1200 Pfund lag, während das wahre Gewicht des Ochsen 1198 Pfund war. Sie waren also sehr nah dran! Woran das lag? Durch die Erfahrungen eines Einzelnen, kombiniert mit den Erfahrungen vieler anderer, können Fehlerquellen anders gewichtet werden. Schätzt eine Person den Ochsen auf 100 Pfund, liegt er weit daneben, doch kommt es im Durchschnitt dennoch immer näher an die richtige Lösung.

Genau diese Gruppenentscheidungen müssen wir genauer betrachten. Denn sobald diese abhängig voneinander getroffen werden, können sie das Ergebnis stark beeinflussen. Tritt jemand (innerhalb einer Gruppe) mit einer starken Meinung auf, wird sie meist von den Anderen der Gruppe ganz oder teilweise übernommen. Ein Beispiel zeigt hier ein Musiksystem, welches zwei Gruppen dargestellt wurde. Hier sollte Musik heruntergeladen und bewertet werden. In einer Gruppe, blieben die Downloadzahlen, sowie die Bewertung geheim und hier wurde objektiv die beste Musik gewählt. In einer anderen Gruppe waren die Downloadzahlen öffentlich und es konnte beobachtet werden, dass Lieder, welche am Anfang eine schnelle Beliebtheit besaßen, ebenso stark favorisiert wurden. Aus diesem Grund sollte man immer ein Auge auf die Gruppenpolarisation haben. Die Entscheidungen, egal wie laut jemand sie ausspricht, sollten stets hinterfragt und nicht einfach angenommen werden.

Welche Arten von Bias gibt es?

Noise ist nicht die einzige Fehlerquelle und damit nicht das grundlegende Übel. Ein weiteres Problem bildet Bias, die Voreingenommenheit zu etwas. Als Beispiel nutzen wir einen Mann mit dem Namen Bill. Bill ist dreiunddreißig Jahre alt. Er ist intelligent, aber einfallslos, zwanghaft und wirkt desinteressiert. In der Schule war er stark in Mathematik, aber schwach in Sozialkunde und Geisteswissenschaften.

Nun bilden wir uns unbewusst ein Profil von Bill, aufgrund der von außerhalb dargelegten Daten. Wenn wir uns nun überlegen sollen, ob Bill ein Rockstar, ein Jazz-Spieler, ein Architekt oder ein Reporter ist, versuchen wir dies mittels der uns gegebenen Daten abzuschätzen. Hierfür greifen wir auf unsere Vorstellungen des jeweiligen Berufes zurück und gleichen dies mit den genannten Eigenschaften ab. Wir fragen uns wie ähnlich Bill diesen Berufen ist, jedoch nicht welche Wahrscheinlichkeit dies hat. Aus dem Drang danach einfachere Lösungen zu derartigen Problemen zu finden, entsteht der psychological Bias.

Eine weitere Art von Bias ist das Conclusion Bias. Dieses bezieht sich auf die Entscheidungsfindung, aufgrund von bestimmten Schlussfolgerungen die für uns im Einzelnen stimmig sind. Angenommen wir lesen einen Zeitungsartikel mit einer aufsehenserregenden Headline, dann gehen wir davon aus zu wissen, was in diesem Artikel drin steht ohne, dass wir ihn wirklich lesen. Wir schließen innerlich ein Fazit ohne die Wahrheit oder den Inhalt zu kennen und sind in diesem Moment in voller Überzeugung, dass unsere Annahmen stimmen werden.

Eine Art Bias, welche vor allem in Bewerbungen zum Tragen kommt, ist die der Übermäßigen Kohärenz. Ein Beispiel wäre hier wieder Bill. Beschreiben wir ihn als: intelligent, zielstrebig, gerissen und undiszipliniert, dann fallen uns zunächst die Wörter intelligent und zielstrebig ins Auge. Diese formen das erste Bild von Bill und sorgen dafür, dass wie die Eigenschaften gerissen und undiszipliniert weniger stark werten.

Wird die Reihenfolge jedoch auf diese Weise geändert: Undiszipliniert, gerissen, zielstrebig und intelligent, so bleibt der negative Effekt der schlechten Eigenschaften deutlich stärker im Vordergrund.

Eine mögliche Lösung für Entscheidungen – KI?

All diese Bias sorgen dafür, dass wir Probleme haben, Sachverhalte aus rationaler Sicht zu sehen. Wir lassen uns beeinflussen und nur schwer von unserer Lösung und unserem Ergebnis abbringen. Für uns zählen die ersten paar Worte, der erste Eindruck über eine Person, um unser Urteil über diese zu fällen, ohne dass uns genügend Informationen dafür bereitgestellt werden.

Eine Lösung für all diese Probleme könnte eine Künstliche Intelligenz (KI) sein.

Das Problem hieran ist, laut den Autoren, dass Menschen eine rationale Bewertung als menschenunwürdig erachten und einer KI nicht vertrauen würden, wenn diese nicht 100% korrekte Entscheidungen fällen könnte. Hier zeigt sich das erste Problem. Was sind gerechte Entscheidungen und wie werten wir diese individuell? Auch die Datenmenge, die für kleinste Entscheidungen notwendig ist, ist derartig enorm, dass sich Aufwand und Kosten nicht lohnen würden. Was bleibt also übrig, um Noise und Bias zu reduzieren?

Wie können wir Noise und Bias entgegenwirken?

Um Entscheidungen fällen zu können, ohne dass diese stark von Bias oder Noise beeinflusst werden, ist eine Entscheidungshygiene von Nöten. Zunächst sollten wir laut den Autoren, damit anfangen Experten zu hinterfragen. Sind diese Experten, weil sie einen wirklichen Beitrag geleistet haben, oder weil sie bekannt sind. Steht ihre Arbeit für sie? Fundierte Recherche und das kritische Hinterfragen führt dazu, dass man die Selbstreflexion ebenfalls trainieren kann. Man sollte seine eigenen Entscheidungen ebenfalls hinterfragen und genau analysieren, ob diese denn sinnvoll sind bzw. waren.

Das Suchen nach aktivem Feedback, um Rückmeldung zu den eigenen Entscheidungen zu bekommen ist essentiell. Ein Blick auf unsere Entscheidungen von außen ist ungetrübter und bietet uns eine andere Sichtweise.

Auch das Einbringen einer Person, welche die eigene Entscheidung kritisch hinterfragt und explizit nach Noise und Bias in dieser Ausschau hält, zeigt sich als bewährtes Mittel.

Um all das zu Vereinen, stellen die Autoren das System des Mediating-assesments-center-protocol vor. Dieses soll Entscheidungen, vor allem im Team, möglichst in ihrem Bias und dem Noise reduzieren und lautet wie folgt:

• 1. Festlegen eines Plans und erstellen von festen Bewertungskriterien
• 2. Wann immer es möglich ist, sollte jemand unabhängiges die Kriterien und Themen beurteilen
• 3. Während der Analyse-Phase, sollten die Bewertungskriterien und Themen unabhängig von den Teammitgliedern erstellt und bearbeitet werden
• 4. Im Entscheidungsmeeting, sollte jede Idee und jede Kritik separat überprüft werden
• 5. Während jeder Bewertung, sollen Entscheidungen individuell getroffen werden. Danach findet die Estimate-Talk-Estimate-Methode statt. Hierbei soll die Bewertung abgeschätzt werden, bevor man sich über diese austauscht und eine erneute Überlegung zu der Entscheidung anstellt.
• 6. Für eine finale Entscheidung, sollte man seine Intuition hinten anstellen, jedoch nicht komplett ausschließen

Was spricht gegen eine Reduktion von Noise?

Zunächst sind Tests, welche Noise aufdecken, unglaublich teuer und ausufernd. Die Beispiele in der Judikative und innerhalb der Versicherungsfirma zeigen exemplarisch den enormen Aufwand und damit verbundene Kosten.

Dabei ist auch zu beachten, dass Ergebnisse nicht automatisch fehlerfreier werden, nur weil der Noise beseitigt wurde. Schließlich handelt es sich hierbei nur um eine Streuung der Fehler, nicht um die Berichtigung der Antwort. So besäßen Ärzte, welche für jede Problematik Aspirin verschreiben, einen sehr niedrigen Noise, jedoch dafür einen unglaublich hohen Bias.

Ohne Noise, können Menschen sich auch unmenschlich bewertet fühlen, Basis für diese Aussage bietet das System der Judikative, in welchem immer noch der Hintergrund einer Person beleuchtet wird, um diese gerecht bewerten zu können.

Auch kann Noise, im gleichen Zuge, zur Abschreckung dienen. Wenn man nicht weiß, wie lange man für ein Verbrechen im Gefängnis sitzen wird, so wird es schwer abzuschätzen, ob sich das Verbrechen ›lohnt‹.

Weiterhin ist Noise notwendig, um die Moral und Ansichten von Personen zu ändern. Denken alle gleich, ob nun in die falsche, oder richtige Richtung, können keine Änderungen in die positive Richtung entstehen; es tritt keine Entwicklung mehr auf.

Fazit

Die Autoren zeigen mit ihrem Buch, dass Noise eine nicht zu unterschätzende Fehlerquelle ist, welcher Beachtung geschenkt werden muss. Eine starke Reduktion von Noise, würde in ihren Augen zu einer faireren Welt führen, in welcher sowohl das Gesundheitssystem, die Judikative oder auch die Lernenden in Schulen oder Universitäten profitieren würden. Dies würde in wirtschaftlichen und sozialen Sparten zu einer Verbesserung führen und damit die Basis für Gleichberechtigung schaffen.

Noise bietet uns eine Möglichkeit die Moral und Ansichten von Personen zu ändern. Ohne Noise kann es keine Veränderungen geben. Weder positive, noch negative.