Main content

Home

Menu

Loading wiki pages...

View
Wiki Version:
In vielen Professionen haben Experten Einschätzungen probabilistischer Natur auf der Basis unsicherer Evidenz zu treffen. Zwei wichtige Domänen, in denen dies zur täglichen Routine gehört, sind die Medizin und die Rechtsprechung. Viele Urteile von Ärzten oder Richtern lassen sich auf der Grundlage der Formel von Bayes, einer zentralen Formel aus der Wahrscheinlichkeitsrechnung, mathematisch begründen. Diese Formel liefert ein Modell für die Änderung einer Wahrscheinlichkeitseinschätzung zu einer Hypothese, wie etwa über den Krankheitszustand eines Patienten oder über die Schuld eines Angeklagten, wenn neue Daten wie medizinische Testergebnisse oder juristische Indizien bekannt werden. Allerdings kann das Bayesianische Denken im Sinne eines Updatens von Hypothesen auf der Basis relevanter Daten nicht nur für Laien, sondern auch für Experten eine erhebliche Schwierigkeit darstellen. Gerade in der Medizin und der Rechtsprechung, wo oftmals Entscheidungen von großer Tragweite über medizinische Behandlungen oder über juristische Sanktionierungen getroffen werden müssen, sind falsche Urteile aufgrund derartiger Trugschlüsse mit tragischen Folgen vielfach dokumentiert. Aufgrund der hohen Relevanz des Bayesianischen Denkens gibt es eine Fülle von Forschung in der Psychologie wie auch der Mathematikdidaktik, in der potentiell erfolgreiche Strategien zur Unterstützung Bayesianischen Denkens untersucht worden sind. Zwei Strategien, nämlich die Repräsentation der statistischen Informationen in Form von natürlichen Häufigkeiten und bestimmte Visualisierungen der statischen Information, haben sich bisher als verständnisfördernd für das Bayesianische Denken erwiesen. In den hier verfügbaren Materialien werden die bereits entwickelte Strategien (natürliche Häufigkeiten, Visualisierungen) systematisch kombiniert und in einem Training mit Studierenden der Bereiche Medizin und Jura experimentell untersucht: Pro Domäne werden zwei Optimaltrainings (natürliche Häufigkeiten; Visualisierung mit Einheitsquadrat bzw. Doppel-baum), zwei "Kontrolltrainings" (schulcurricularer Standard; reines Häufigkeitstraining), sowie eine Kontrollgruppe implementiert und in einem "pre-post-follow up"-Design bezogen auf die Performanz, die Einschätzung der Wirkung von Parameteränderungen (Kovariation) sowie die adressatengerechte Kommunikation verglichen. Daraus sollen grundlagenorientiert domänenspezifische und domänenübergreifende Gelingensbedingungen für Bayesianische Schlussfolgerungen abgeleitet werden. Siehe auch: [http://bayesianreasoning.de][1] [1]: http://bayesianreasoning.de/
OSF does not support the use of Internet Explorer. For optimal performance, please switch to another browser.
Accept
This website relies on cookies to help provide a better user experience. By clicking Accept or continuing to use the site, you agree. For more information, see our Privacy Policy and information on cookie use.
Accept
×

Start managing your projects on the OSF today.

Free and easy to use, the Open Science Framework supports the entire research lifecycle: planning, execution, reporting, archiving, and discovery.