Automation Bias
Menschen können automatischen Hinweisen oder Empfehlungen zu stark folgen, besonders wenn ihre Prüfung aufwendig ist oder das System meist zuverlässig wirkt.
Denkkompetenz
KI-gestütztes Denken
Nutze KI, um dein Denken zu erweitern, ohne die erste generierte Antwort zum Anker zu machen, flüssigen Text mit Evidenz zu verwechseln oder das abschließende Urteil an das Modell abzugeben.
Lernziel: Du kannst KI sinnvoll einsetzen und wichtige Schlussfolgerungen trotzdem unabhängig prüfbar halten.
Canonical skill: AI-assisted reasoning
Wann sie hilft
Erkenne zuerst die Aufgabe, nicht den Bias-Namen.
- Eine Chatbot-Empfehlung beeinflusst eine wichtige Entscheidung.
- Das Modell nennt als Erstes eine Zahl, Bewertung oder Schätzung und setzt damit möglicherweise einen Anker.
- Ein sehr menschlich wirkender Dialog lässt das System kompetenter erscheinen, als seine getestete Leistung zeigt.
- Du nutzt KI hauptsächlich, um eine bereits bevorzugte Schlussfolgerung zu stärken.
Trainieren
Übe einen besseren Denkzug.
- Halte bei wichtigen Entscheidungen nach Möglichkeit zuerst deine vorläufige Einschätzung oder Erfolgskriterien fest.
- Trenne Ideen, Berechnungen, Tatsachenbehauptungen, Prognosen und Empfehlungen der KI, weil sie unterschiedliche Prüfungen brauchen.
- Erzeuge eine glaubwürdige Gegenposition und frage, welcher Befund die bevorzugte Antwort widerlegen würde.
- Prüfe folgenreiche Tatsachenbehauptungen an unabhängigen, einsehbaren Quellen statt nur mit einer zweiten generierten Antwort.
Bias-Linsen
Geprüfte Muster, keine Etiketten für Menschen.
Ankereffekt
Beim Ankereffekt zieht ein früher Zahlenwert oder Vergleichspunkt eine spätere Schätzung in seine Richtung. Der erste Wert kann dadurch mehr Gewicht bekommen, als seine tatsächliche Aussagekraft rechtfertigt.
Anthropomorphisierung
Menschen schreiben nichtmenschlichen Systemen leichter menschliche Eigenschaften, Absichten oder Verständnis zu, besonders wenn Interface und Sprache menschlich wirken.
Appearance-Capability-Erwartung
Das Aussehen und die soziale Gestaltung eines Roboters können Erwartungen über Fähigkeiten erzeugen, bevor ausreichend Leistungsdaten vorliegen. Der Projektname ist kein standardisierter Bias-Begriff.
Bestätigungsfehler
Der Bestätigungsfehler bezeichnet eine breite Gruppe von Mustern, bei denen eine vorhandene Überzeugung beeinflusst, welche Informationen wir suchen, wie wir Belege bewerten oder woran wir uns erinnern. Es geht nicht nur darum, zustimmende Quellen zu lesen.
Wahrheitseffekt
Beim Wahrheitseffekt werden wiederholte Aussagen im Durchschnitt eher als wahr eingeschätzt als vergleichbare neue Aussagen. Wiederholung kann Vertrautheit erzeugen, doch Vertrautheit ist kein unabhängiger Beleg.
Kontexte
Wende die Kompetenz auf echte Entscheidungen an.
Decision Context — English
AI-assisted decisions
Use these evidence-reviewed lenses when a chatbot, model, recommendation system, or automated decision aid is influencing what you believe or do.
Decision Context — English
Checking claims & misinformation
Use these evidence-reviewed lenses when deciding whether a repeated claim is trustworthy, checking a correction, or testing an explanation against plausible alternatives.
Decision Context — English
Work & project decisions
Use these evidence-reviewed lenses when a team is choosing a direction, interpreting results, deciding whether to continue, or turning metrics into action.