Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Einführung Senken Betrugskontexte die Wahrscheinlichkeitseinschätzung bei Bayesianischen Inferenzaufgaben? Anna Hirschmüller, René Kusch, Kathrin Metzroth,

Ähnliche Präsentationen


Präsentation zum Thema: "Einführung Senken Betrugskontexte die Wahrscheinlichkeitseinschätzung bei Bayesianischen Inferenzaufgaben? Anna Hirschmüller, René Kusch, Kathrin Metzroth,"—  Präsentation transkript:

1 Einführung Senken Betrugskontexte die Wahrscheinlichkeitseinschätzung bei Bayesianischen Inferenzaufgaben? Anna Hirschmüller, René Kusch, Kathrin Metzroth, Svea Vent, Ulrich Hoffrage Methoden Ergebnisse und Diskussion Für die signifikante Wechselwirkung haben wir keine eindeutige Erklärung. Mögliche Ursachen liegen in der unterschiedlichen Leichtigkeit mit der sich die Versuchs- personen mit der betrogenen Partei identifizieren konnten. Zusammenführung Verbindet man die Bayesianischen Inferenzaufgaben mit der Theorie des sozialen Vertrags, so lässt sich vermuten, dass Bayesianische Aufgaben besser gelöst werden, wenn diese im Rahmen eines Betrugs dargeboten werden. Hypothese: Die absolute Abweichung der Wahrscheinlichkeitsangabe von der richtigen Lösung ist in Szenarios mit Betrugsbedingung geringer als in Szenarios ohne Betrugsbedingung. Literatur: Cosmides, L. (1989). The logic of social exchange: Has natural selection shaped how humans reason? Studies with the Wason selection task. Cognition, 31, Hoffrage, U., Lindsey, S., Hertwig, R. and Gigerenzer, G. (2000). Communicating Statistical Information. Science, Vol. 290, Wason, P. C. (1966). Reasoning. In B. M. Foss (Ed.), New horizons in psychology. Harmondsworth: Penguin. Es liegt die Vermutung nahe, dass der Betrug nur dann wirksam werden kann, wenn die Antworten der Versuchspersonen auf einer Schätzung beruhen, nicht aber wenn in allen Szenarios (und damit auch in beiden Betrugskontexten) immer ein und derselbe Algorithmus verwendet wurde. Erste Auswertungen scheinen diese Vermutungen zu unterstützen. Insgesamt lässt sich festhalten, dass hiermit ein weiterer Faktor identifiziert werden konnte, der zu einer Verbesserung der Wahrscheinlichkeitsschätzungen bei Bayesianischen Aufgaben führt. Bei drei der vier Szenarios konnte ein Effekt in der vorhergesagten Richtung gefunden werden. Szenario 1 erwies sich nicht als hypothesenkonform (Abbildung). Nichtsdestotrotz wurde der Effekt bei einer fünfprozentigen Fehlerwahrscheinlichkeit signifikant (Tabelle 2). Tabelle 2 Mittelwert der absoluten Abweichung in % Szenario kein Betrug Betrug Abbildung Bayesianische Inferenzen Das Lösen von Wahrscheinlichkeitsaufgaben nach dem Bayes-Theorem ist stark von der Art und Weise beeinflusst, wie Daten präsentiert werden. Dies kann entweder zu einer verbesserten oder ver- schlechterten Schätzung der richtigen Lösung führen (Hoffrage et al., 2000). ParteiKostenNutzen KundeGeldBrötchen BäckerBrötchenGeld Tabelle 1 Bei der deskriptiven und inferenzstatistischen Auswertung mit den nicht- absolutierten Abweichungen erhielten wir vergleichbare Ergebnisse. UV: Betrugskontext (ja / nein) AV: Absolute Abweichung der Wahrscheinlichkeits- angabe vom Bayesianischen Wert Insgesamt nahmen 72 Studierende an der Untersuchung teil. Jede Versuchsperson bearbeitete einen Fragebogen, in dem vier Szenarios beschrieben wurden, von denen je zwei die Betrugsbedingung enthielten. Die Teilnehmer sollten auf Grund der im jeweiligen Szenario gegebenen Information die Bayesianische a-posteriori Wahrscheinlichkeit schätzen. Abschließend wurden die Versuchspersonen befragt, wie sie tatsächlich zu ihrer Antwort gekommen sind (Schätzung oder ein bestimmter Algorithmus). Theorie des sozialen Vertrags Die Theorie des sozialen Vertrags von Cosmides (1989) postuliert, dass die Wasonsche Vier- Kartenaufgabe (1966) besser gelöst wird, wenn die dort zu testende Regel einen sozialen Vertrag beinhaltet: Wenn jemand einen Nutzen hat, dann muss er auch die Kosten tragen (Tabelle 1). Daher sind die Parteien besonders aufmerksam, einen möglichen Betrug seitens der anderen Partei zu entdecken, z.B. wenn der Bäcker dem Kunden zu wenig Brötchen gibt. Dieser Schutz- mechanismus zum Aufdecken von Betrug wird als cheater- detection-algorithm bezeichnet. Auswertungsverfahren: Zweifaktorielle Varianzanalyse Als zweiter Faktor wurden die Szenarios aufgenommen. [Betrug (2 Stufen) * Szenario (4 Stufen)]


Herunterladen ppt "Einführung Senken Betrugskontexte die Wahrscheinlichkeitseinschätzung bei Bayesianischen Inferenzaufgaben? Anna Hirschmüller, René Kusch, Kathrin Metzroth,"

Ähnliche Präsentationen


Google-Anzeigen