Kostenlos testen
Beliebt Neu Genres Autoren
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Suche läuft...
SoBrief
Everything Is Predictable

Everything Is Predictable

Ein positiver Test kann neunmal von zehn falsch sein. Der fehlende Kontext verändert alles.
von Tom Chivers 2024 384 Seiten
4.02
1.000+ Bewertungen
Anhören
Immersiv
V2.3
Amazon Kindle Audible
3 Tage Vollzugriff testen
Schalten Sie Audioinhalte & mehr frei!
Weiter

Wichtigste Erkenntnisse

Prüfen Sie die Grundrate, bevor Sie einem positiven Test vertrauen

Beginnen Sie mit der Prävalenz. Eine A-priori-Wahrscheinlichkeit gibt an, wie wahrscheinlich eine Erkrankung ist, bevor neue Erkenntnisse vorliegen. Ohne sie lässt sich ein Testergebnis nicht interpretieren. Im Beispiel des Buches erkennt die Mammografie 80 % der Krebserkrankungen korrekt und schließt bei 90 % der Menschen ohne Krebs die Erkrankung korrekt aus. Wenn von 100.000 getesteten Frauen 1 % Krebs hat, gibt es 800 echte positive und 9.900 falsch positive Ergebnisse. Unter allen positiven Ergebnissen liegt die Wahrscheinlichkeit, tatsächlich Krebs zu haben, bei etwa 7 % – nicht bei 80 oder 90 %.

Zählen Sie echte Menschen. Diese Rechnung ist als Gruppe leichter zu erfassen denn als abstrakte Prozentangaben. In einer Population mit höherem Risiko liefert derselbe Test mehr Informationen, weil der Anteil der echten positiven Ergebnisse steigt. Bei Entscheidungen über Screenings sind außerdem Fehlalarme, Folgeuntersuchungen, Ängste und Kosten abzuwägen.

Analyse

Bemerkenswert ist, wie eine einfache Veränderung der Population die Bedeutung eines unveränderten Tests verändert. Das ist eine zentrale Lehre der Risikokommunikation: Berichten Sie absolute Häufigkeiten und nicht nur Sensitivität oder Spezifität. Wenn ein Arzt einen Test als sehr genau bezeichnet, mag das technisch stimmen und einen Patienten dennoch gravierend in die Irre führen. Dieselbe Rechnung ist bei Sicherheitskontrollen, der Betrugserkennung und der Diagnose seltener Krankheiten wichtig. Grundraten sind kein Grund, ein positives Ergebnis abzutun; sie liefern den Kontext, der für eine verantwortungsvolle Interpretation nötig ist.

Ein seltener DNA-Treffer sagt nicht aus, wie wahrscheinlich es ist, dass Ihr Verdächtiger unschuldig ist

Kehren Sie die Frage mit Bedacht um. Beim Anklägerfehlschluss wird die Wahrscheinlichkeit eines DNA-Treffers unter der Annahme, dass jemand unschuldig ist, mit der Wahrscheinlichkeit verwechselt, dass jemand angesichts eines Treffers unschuldig ist. Ein Treffer, der einmal unter drei Millionen Menschen zu erwarten ist, belegt nicht, dass die Unschuld mit einer Wahrscheinlichkeit von eins zu drei Millionen anzunehmen ist. Wenn Ermittler eine Bevölkerung von 65 Millionen Menschen durchsucht haben, könnten allein durch Zufall ungefähr 20 Treffer entstehen – zusätzlich zum Treffer des Täters. Unter den vereinfachten Annahmen des Buches wäre es daher wahrscheinlicher, dass ein zufälliger Treffer einen Unschuldigen belastet als den Täter.

Auch die Auswahl spielt eine Rolle. Beim Monty-Hall-Problem erhöht ein Türwechsel die Gewinnchance von einem Drittel auf zwei Drittel – aber nur, weil der Moderator weiß, wo das Auto steht, und gezielt eine Tür mit einer Ziege dahinter öffnet. Wird eine Tür zufällig geöffnet, liefert das nicht dieselben Hinweise. Der Prozess, durch den ein Hinweis zustande kam, verändert seine Bedeutung.

Analyse

Die gemeinsame Erkenntnis ist, dass Hinweise keine feste Aussagekraft unabhängig von dem Prozess haben, durch den sie entstanden sind. Bei forensischen Analysen müssen die durchsuchte Population, die Auswahl der Verdächtigen und die Möglichkeit berücksichtigt werden, dass Unschuldige mit den Beweisen in Kontakt kamen. Vor Gericht sollte man einen statistischen Treffer auch von der umfassenderen Frage der Schuld trennen, die von vielen Fakten abhängt. Das Monty-Hall-Beispiel macht dies anschaulich: Dieselben sichtbaren Ergebnisse können je nach Verfahren unterschiedliche Informationen enthalten. Bedingte Wahrscheinlichkeit ist keine technische Fußnote. Sie gehört zur Entstehungsgeschichte eines Hinweises.

Setzen Sie unsichere Behauptungen niemals auf null – sonst kann Sie keine Evidenz umstimmen

Überzeugungen können sich ändern. Das Bayes-Theorem beschreibt, wie eine Wahrscheinlichkeit angepasst wird, wenn neue Erkenntnisse hinzukommen. Eine A-priori-Wahrscheinlichkeit ist die Ausgangsschätzung; die A-posteriori-Wahrscheinlichkeit ist die angepasste Schätzung, nachdem die Evidenz berücksichtigt wurde. Sie wird dann zur nächsten A-priori-Wahrscheinlichkeit. Diese Wahrscheinlichkeiten drücken den Wissensstand einer Person aus und sind keine magische Eigenschaft des Ereignisses. Menschen können ihre Einschätzungen vernünftigerweise unterschiedlich anpassen, wenn sie von unterschiedlichen Informationen oder Annahmen ausgehen.

Lassen Sie einen Spalt offen. Cromwells Regel rät davon ab, Behauptungen, die nicht logisch gewiss sind, exakt mit null oder eins anzusetzen. Wenn Regen an einem Ort, an dem es seit Ewigkeiten trocken ist, praktisch ausgeschlossen scheint, können wiederholt nasse Gehwege die Schätzung trotzdem verändern. Eine A-priori-Wahrscheinlichkeit von exakt null lässt sich nicht verschieben, denn null multipliziert mit jedem beliebigen Evidenzwert ergibt weiterhin null.

Analyse

Diese Darstellung vermeidet zwei problematische Extreme: so zu tun, als ließe sich Unsicherheit beseitigen, und so zu tun, als seien alle Überzeugungen gleichermaßen begründbar. A-priori-Wahrscheinlichkeiten sind individuell, lassen sich aber anhand von Hintergrunddaten, Expertenwissen und anderen vernünftigen Ausgangsannahmen überprüfen. Eine hilfreiche Disziplin besteht darin, vor einer Diskussion festzulegen, was die eigene Überzeugung ändern würde. Eine hartnäckig niedrige Wahrscheinlichkeit kann vernünftig sein; eine unveränderliche Wahrscheinlichkeit ist ein Warnzeichen dafür, dass Evidenz ausgeschlossen wurde. Die Zuversicht sollte sowohl die Qualität der Evidenz als auch die Glaubwürdigkeit der ihr zugrunde liegenden Annahmen widerspiegeln.

Ein p-Wert misst die Überraschung unter einer Nullhypothese, nicht die Wahrheit einer Theorie

Nehmen Sie die Statistik wörtlich. Ein p-Wert gibt die Wahrscheinlichkeit an, unter der Annahme, dass eine bestimmte Nullhypothese zutrifft, Ergebnisse zu erhalten, die mindestens so extrem sind wie die beobachteten. Er ist weder die Wahrscheinlichkeit, dass die Hypothese falsch ist, noch die Chance, dass die Ergebnisse auf Zufall beruhen. Ein p-Wert unter 0,05 ist ein konventioneller Schwellenwert, kein Wahrheitszertifikat.

Kleine Entscheidungen summieren sich. In einem Replikationsprojekt wiederholten Forschende 100 psychologische Studien. Obwohl 97 der Originalstudien statistisch signifikante Ergebnisse berichteten, gelang dies nur bei 36 der Replikationen. Flexible Analysen, wiederholtes Prüfen der Ergebnisse und eine Publikationsvorliebe für aufregende Befunde können scheinbare Entdeckungen hervorbringen. Eine der im Buch beschriebenen Praktiken ist HARKing: eine Hypothese erst nach Sichtung der Ergebnisse zu formulieren. Präregistrierung und die Veröffentlichung von Ergebnissen unabhängig vom Ausgang helfen, diesen Druck zu verringern.

Analyse

Die Krise besteht nicht einfach darin, dass Wissenschaftlern manchmal Fehler unterlaufen. Vielmehr wurde eine statistische Konvention regelmäßig dazu herangezogen, eine Frage zu beantworten, für die sie nicht gedacht war, während berufliche Anreize neuartige Befunde belohnten. Das ähnelt diagnostischen Tests: Die Rate falsch positiver Ergebnisse ist nicht dasselbe wie die Wahrscheinlichkeit, dass eine positive Behauptung falsch ist. Eine Bayes'sche Analyse kann die Plausibilität der Ausgangsannahmen ausdrücklich berücksichtigen, aber keine statistische Methode kann selektive Berichterstattung oder eine schlecht angelegte Studie beheben. Bessere Anreize, transparente Methoden und unabhängige Replikationen sind wichtig, unabhängig davon, welcher Ansatz verwendet wird.

Vergleichen Sie konkurrierende Erklärungen, bevor Sie einem verblüffenden Ergebnis glauben

Evidenz hat Konkurrenz. Ein höchst unwahrscheinliches Ergebnis kann gegen eine vertraute Theorie sprechen, aber auch auf fehlerhafte Geräte, Betrug oder einen nicht berücksichtigten Faktor hindeuten. 2011 schien ein CERN-Experiment zu zeigen, dass Neutrinos etwa 60 Nanosekunden schneller als Licht ankamen – ein außergewöhnliches Ergebnis mit einem sehr kleinen p-Wert. Die scheinbare Wirkung ging auf ein schlecht angeschlossenes Glasfaserkabel zurück, nicht auf neue Physik.

Zwingen Sie sich nicht zu einer falschen Wahl. Der britische Parapsychologe Samuel Soal berichtete von verblüffenden Ergebnissen beim Erraten von Karten; spätere Untersuchungen ergaben jedoch, dass er Zahlen manipuliert hatte. Hellseherische Fähigkeiten und reiner Zufall waren nicht die einzigen möglichen Erklärungen. Eine fundierte Schlussfolgerung vergleicht plausible Alternativen – darunter Mess- und Verfahrensfehler –, statt ein überraschendes Ergebnis als Wahl zwischen der Schlagzeilenbehauptung und einem Zufall zu behandeln.

Analyse

Das ist eine hilfreiche Korrektur sowohl für Leichtgläubigkeit als auch für reflexhafte Ablehnung. Ein verblüffender Befund sollte Untersuchungen auslösen, nicht automatische Zustimmung oder Unterdrückung. In komplexen Systemen kann eine Beobachtung zutreffen, während die vorgeschlagene Ursache falsch ist – wie der Kabeldefekt zeigt. Wissenschaftliche Skepsis ist am stärksten, wenn sie Tests hervorbringt, mit denen sich Erklärungen unterscheiden lassen. Dabei gibt es eine Einschränkung: Die Liste möglicher Alternativen ist niemals garantiert vollständig. Deshalb sind Replikationen, Geräteprüfungen und unabhängige Methoden unverzichtbare Schutzmaßnahmen und keine bürokratischen Hindernisse für eine aufregende Entdeckung.

Erstellen Sie Ihre Prognose zunächst aus der Außenperspektive und passen Sie sie dann anhand lokaler Evidenz an

Beginnen Sie mit einer Vergleichsgruppe. Die Außenperspektive beginnt damit, wie häufig ähnliche Ereignisse eintreten, und passt die Einschätzung anschließend an die Besonderheiten des konkreten Falls an. Auf einer Hochzeit könnte ein Prognostiker zunächst den Anteil der britischen Ehen heranziehen, die mit einer Scheidung enden, statt die Feier des Paares als entscheidenden Hinweis zu behandeln. Die Innenperspektive – etwa die vermeintliche Harmonie des Paares – verändert dann diese Ausgangsschätzung.

Formulieren Sie überprüfbare Prognosen. Philip Tetlock bat 284 Experten, mehr als 30.000 präzise Vorhersagen zu treffen. Der durchschnittliche Prognostiker schnitt nur geringfügig besser als der Zufall ab, während eine kleine Spitzengruppe, die Superforecaster, deutlich bessere Ergebnisse erzielte. Sie verwendeten Wahrscheinlichkeiten, zerlegten Fragen in kleinere Schätzungen, holten den Rat verlässlicher Kollegen ein und hielten die Ergebnisse fest. Ein Brier-Score misst die Genauigkeit einer Prognose, indem er die quadrierte Abweichung zwischen der Vorhersage und dem tatsächlichen Ereignis bestraft.

Analyse

Prognosen werden besser, wenn vage Zuversicht zu einer Zahl wird, die sich überprüfen lässt. Bei der Kalibrierung geht es darum, ob Ereignisse, denen eine Wahrscheinlichkeit von 70 % zugewiesen wurde, tatsächlich ungefähr sieben von zehn Mal eintreten. Das unterscheidet sich davon, mit jeder einzelnen Vorhersage richtigzuliegen, und ermöglicht Prognostikern zu lernen, ohne so zu tun, als sei die Unsicherheit verschwunden. Vergleichsgruppen können in die Irre führen, wenn ein Fall tatsächlich beispiellos ist oder sich die Welt verändert hat. Die besten Prognostiker nutzen Grundraten daher als Orientierung, nicht als Zwang, und verfolgen, wann neue Evidenz es rechtfertigt, davon abzuweichen.

Lassen Sie die Folgen entscheiden, was sich zu tun lohnt – nicht allein die Wahrscheinlichkeit

Wahrscheinlichkeit ist noch keine Entscheidung. Nutzen bezeichnet den Wert oder die Kosten, die eine Person einem Ergebnis beimisst. Der erwartete Nutzen verbindet die Wahrscheinlichkeit jedes Ergebnisses mit seinem Wert. Ein Ereignis mit geringer Wahrscheinlichkeit kann eine Handlung rechtfertigen, wenn der mögliche Gewinn enorm ist; ein wahrscheinliches Ergebnis ist womöglich keine Mühe wert, wenn der Nutzen gering oder der Preis hoch ist.

Die Zahlen können bei der Wahl helfen. In der hypothetischen Lotterie des Buches kostet ein Los 1 £, der Jackpot beträgt 150 Millionen £, und die Gewinnchance liegt bei etwa eins zu 131 Millionen. Sieht man von Komplikationen wie geteilten Gewinnen ab, beträgt der erwartete Auszahlungsbetrag etwa 1,14 £; damit hat das Los einen leicht positiven erwarteten Geldwert. Tatsächliche Präferenzen lassen sich jedoch nicht auf Geld reduzieren. Risikobereitschaft, Fairness und die Folgen eines Irrtums spielen ebenfalls eine Rolle.

Analyse

Dieser Ansatz verbindet Wahrscheinlichkeit mit Wirtschaft und Ethik: Eine Prognose wird erst dann zur Entscheidung, wenn ihre möglichen Folgen bewertet werden. Dieselben Chancen können für Menschen mit unterschiedlichen Ressourcen oder Verantwortlichkeiten vernünftigerweise zu unterschiedlichen Entscheidungen führen. Eine Behörde für öffentliche Gesundheit kann beispielsweise ein geringes Risiko für Millionen Menschen anders abwägen als eine Einzelperson, die ein persönliches Risiko beurteilt. Der erwartete Wert ist ein nützlicher Maßstab, aber keine vollständige Beschreibung des menschlichen Wohlergehens. Geld lässt sich bequem berechnen, ist aber nur ein Ersatzmaß für Gesundheit, Sicherheit, Zeit und persönliche Präferenzen.

Ihr Gehirn gleicht eine Vorhersage mit Sinneseindrücken ab

Wahrnehmung ist ein Schluss. Die prädiktive Verarbeitung (predictive processing) beschreibt das Gehirn als ein System, das Erwartungen über eintreffende Sinnesreize erzeugt und sie anpasst, wenn diese nicht dazu passen. Das Kleid – ein Bild, das manche Betrachter blau und schwarz, andere weiß und gold sahen – veranschaulicht, wie dasselbe mehrdeutige Licht unterschiedliche Deutungen zulässt. Das Gehirn erschließt sowohl die Farbe eines Gegenstands als auch die Beleuchtung seiner Umgebung.

Abweichungen ziehen Aufmerksamkeit auf sich. Bei einer Schachbrettillusion scheinen zwei identische graue Felder unterschiedlich zu sein, weil eines im Schatten zu liegen scheint. Das Gehirn nutzt seine Annahmen über die Beleuchtung, um das Bild zu deuten. In Experimenten, die Sehen und Tasten kombinierten, verließen sich die Menschen stärker auf den jeweils genaueren Sinn. In dieser Darstellung ist der Vorhersagefehler die Abweichung zwischen erwarteten und eintreffenden Informationen – ein Signal dafür, dass das Gehirn sein Modell möglicherweise anpassen muss.

Analyse

Das Modell verbindet Wahrnehmung mit statistischer Schlussfolgerung und erklärt, warum optische Täuschungen aufschlussreich und nicht bloß Fehlleistungen sind. Sinneseindrücke sind oft mehrdeutig; deshalb hilft frühere Erfahrung dabei, eine brauchbare Welt zu erschließen. Der Nachteil besteht darin, dass dieselben Erwartungen überraschende Informationen verdecken können, wie die Hohlmaskenillusion zeigt. Prädiktive Verarbeitung ist ein leistungsfähiger Forschungsansatz, sollte aber nicht als endgültige Erklärung für jeden Aspekt des Bewusstseins gelten. Ihr Wert liegt zum Teil darin, überprüfbare Aussagen über Wahrnehmung und Aufmerksamkeit sowie darüber hervorzubringen, wie die Verlässlichkeit von Sinneseindrücken Urteile beeinflusst.

Nutzen Sie die passende Abkürzung für die jeweilige Aufgabe und überprüfen Sie sie bei hohen Einsätzen

Der Kontext verändert das Denken. Beim abstrakten Kartenrätsel von Wason wählten in der ursprünglichen Studie weniger als einer von zehn Menschen die logisch richtige Karte. Doch als dieselbe Regel als Prüfung formuliert wurde, ob Minderjährige auf einer Party Alkohol tranken, fanden die Menschen die relevanten Fälle viel leichter. Vertraute Situationen können die Struktur eines Problems leichter erkennbar machen.

Abkürzungen können auf Können beruhen. Die Blickheuristik (gaze heuristic) hilft beim Fangen eines Balls: Behalten Sie ihn im Blick und passen Sie Ihre Bewegung so an, dass seine Position im Sichtfeld stabil bleibt. So müssen Sie seine gesamte Flugbahn nicht berechnen. Solche Heuristiken sind in vertrauten Umgebungen effizient, können aber versagen, wenn anschauliche Beispiele die Risikoeinschätzung verzerren oder eine Entscheidung von Wahrscheinlichkeiten seltener Ereignisse abhängt. In solchen Fällen sollten Sie innehalten und die Grundrate ausdrücklich berücksichtigen.

Analyse

Entscheidend ist nicht die Unterscheidung zwischen rationalen und irrationalen Menschen, sondern zwischen Werkzeugen, die zu einer Aufgabe passen, und solchen, die versagen. Die ökologische Rationalität untersucht, wie eine Abkürzung in der Umgebung funktioniert, in der sie eingesetzt wird. Eine schnelle visuelle Strategie kann beim Fangen eines Balls hervorragend und beim Schätzen eines seltenen medizinischen Risikos nutzlos sein. Zu Expertise gehört oft auch, zu lernen, welchen Hinweisen Aufmerksamkeit gebührt. Vorsicht ist geboten, weil Situationen, die sich vertraut anfühlen, unbekannte Statistiken verbergen können. Hohe Konsequenzen rechtfertigen deshalb ausdrückliche Überprüfungen, selbst wenn die Intuition mühelos funktioniert.

Prüfen Sie, ob ein Vorhersagemodell ein Modell gelernt hat – und nicht bloß ein Muster

Vorhersagen können Strukturen sichtbar machen. Sprachmodelle werden darauf trainiert, den nächsten Text vorherzusagen, weshalb Kritiker sie als aufwendige Autovervollständigung bezeichnen. Das Buch beschreibt jedoch ein Othello-Modell, das anhand von Folgen von Spielzügen trainiert wurde. Es machte in unbekannten Spielsituationen regelkonforme Züge, und Forschende konnten eine interne Repräsentation des Spielbretts identifizieren, die seine Entscheidungen beeinflusste.

Ein Modell ist kein Geist. Diese Evidenz legt nahe, dass die Vorhersage des nächsten Schritts eine KI dazu anregen kann, nützliche Repräsentationen der Umwelt zu entwickeln, mit der sie konfrontiert ist. Sie belegt nicht, dass das System die Welt so versteht wie ein Mensch. Der Unterschied ist wichtig: Ein Vorhersagemodell kann über auswendig gelernte Beispiele hinaus verallgemeinern und dennoch durch seine Trainingsdaten, seine Ziele und Situationen, denen es noch nie begegnet ist, begrenzt bleiben.

Analyse

Das Othello-Ergebnis bietet eine konkrete Möglichkeit, Behauptungen über maschinelle Intelligenz zu untersuchen: Man kann die Verallgemeinerungsfähigkeit testen und prüfen, ob interne Zustände relevante Merkmale der Aufgabe abbilden. Eine ähnliche Logik gilt in den Wissenschaften allgemein: Ein Modell verdient Vertrauen, wenn es Beobachtungen vorhersagt, die über die Daten hinausgehen, anhand derer es entwickelt wurde. Erfolgreiche Vorhersagen beantworten jedoch nicht die Fragen nach Bewusstsein, Bedeutung oder menschenähnlichem Verständnis. Ein System kann über ein nützliches Aufgabenmodell verfügen, ohne die reiche, verkörperte Erfahrung zu besitzen, die mit menschlichem Wissen verbunden ist.

Analyse

Der wichtigste Schritt des Buches besteht darin, die Frage von „Wie überraschend ist diese Evidenz unter einer Hypothese?“ zu „Wie stark sollte diese Evidenz eine Überzeugung verändern?“ zu verschieben. Diese Wendung verbindet medizinische Diagnostik, DNA-Beweise, wissenschaftliche Studien, Prognosen, Wahrnehmung und maschinelles Lernen. In jedem dieser Bereiche wird Evidenz erst dann aussagekräftig, wenn man sie einer Ausgangsvorstellung davon gegenüberstellt, was plausibel war, und berücksichtigt, wie die Evidenz zustande kam.

Das bedeutet nicht, dass alle Überzeugungen gleichermaßen subjektiv sind. Eine A-priori-Wahrscheinlichkeit lässt sich durch Prävalenzdaten, frühere Experimente, Expertenwissen oder eine gut gewählte Vergleichsgruppe disziplinieren. Sie kann sich auch als fragil erweisen, wenn man prüft, ob sich Schlussfolgerungen unter anderen vertretbaren A-priori-Wahrscheinlichkeiten ändern. Das praktische Ideal ist keine perfekte Berechnung, die oft unmöglich ist, sondern sichtbare Annahmen und eine angemessene Anpassung der Überzeugungen.

Am stärksten ist das Buch dort, wo es bedingte Wahrscheinlichkeit anschaulich macht. Ein positives Screening-Ergebnis, ein DNA-Treffer oder eine geöffnete Tür bei einer Spielshow bedeutet je nach Population und Verfahren etwas anderes. Auch die Darstellung statistischer Signifikanz in der Wissenschaft ist wertvoll: Ein kleiner p-Wert ist keine A-posteriori-Wahrscheinlichkeit, und Forschungsanreize können Flexibilität zu einer Fabrik für falsche Entdeckungen machen. Dennoch lösen Bayes'sche Methoden nicht jedes wissenschaftliche Problem. Ein unzureichend spezifiziertes Modell, verzerrte Daten oder eine irreführende Likelihood können zu selbstsicheren, aber falschen A-posteriori-Wahrscheinlichkeiten führen. Ebenso wenig entscheidet eine subjektive Wahrscheinlichkeit für sich genommen, was die Gesellschaft tun sollte. Entscheidungen erfordern Werte, Folgen und Fragen der Verteilung – nicht bloß Wahrscheinlichkeiten.

Die Kapitel über das Gehirn übertragen dieselbe Idee vom ausdrücklichen Denken auf die Wahrnehmung. Die prädiktive Verarbeitung bietet eine überzeugende Erklärung dafür, warum Mehrdeutigkeit, Aufmerksamkeit und Illusion zusammenhängen; die Erörterung von KI legt nahe, dass Vorhersagen innere Strukturen hervorbringen können. Das sind aufschlussreiche Ansätze, aber keine allgemeingültigen Beweise dafür, dass jeder mentale oder rechnerische Prozess im strengen mathematischen Sinn Bayes'sch ist. Die bleibende Lehre ist bescheidener und nützlicher: Betrachten Sie Überzeugungen als revidierbare Modelle, fragen Sie, welche Evidenz konkurrierende Erklärungen unterscheiden würde, und achten Sie darauf, wenn ein Maß an Gewissheit mehr leisten soll, als die Fakten rechtfertigen.

Zusammenfassung in 30 Sekunden
Evidenz verändert eine Überzeugung nur im Verhältnis dazu, was zuvor plausibel war, und dazu, wie die Evidenz zustande kam. Bei einer Krebsprävalenz von 1 % ergibt ein Test, der 80 % der Fälle erkennt und 90 % der gesunden Personen korrekt als gesund einstuft, nach einem positiven Ergebnis nur eine Krebswahrscheinlichkeit von etwa 7 %. Ein kleiner p-Wert beweist keine Theorie, und flexible Analysen können die Zahl scheinbarer Entdeckungen erhöhen. Vorhersagen werden durch Vergleichsklassen und dokumentierte Ergebnisse besser. Entscheidungen hängen zudem von den Folgen ab, nicht nur von den Chancen.
Enthält Spoiler

Zuletzt aktualisiert:

Problem melden

Rezensionsübersicht

4.02 von 5
Durchschnitt von 1.000+ Bewertungen von Goodreads und Amazon.

Everything Is Predictable von Tom Chivers beschäftigt sich mit bayesscher Statistik und ihren Anwendungen in Wissenschaft, Entscheidungsfindung und Alltag. Leserinnen und Leser loben Chivers’ zugänglichen Schreibstil, seine anschaulichen Erklärungen und die Verwendung von Beispielen aus der Praxis. Das Buch behandelt die Geschichte des bayesschen Denkens, stellt es frequentistischen Ansätzen gegenüber und erörtert seine Bedeutung für die Replikationskrise in der Wissenschaft. Während manche bestimmte Abschnitte schwierig oder repetitiv fanden, empfehlen viele das Buch als aufschlussreiche Einführung ins bayessche Denken für ein breites Publikum und heben hervor, dass es unser Verständnis von Unsicherheit und Vorhersagen verändern kann.

Ihre Bewertung:
4.62
459 Bewertungen
Möchten Sie das vollständige Buch lesen?

Glossar

Bayes-Theorem

Regel zur Aktualisierung von Wahrscheinlichkeiten

Eine mathematische Regel zur Neubewertung der Wahrscheinlichkeit einer Hypothese, wenn neue Evidenz hinzukommt. Sie verbindet die A-priori-Wahrscheinlichkeit der Hypothese damit, wie wahrscheinlich die Evidenz wäre, wenn die Hypothese zuträfe, und berücksichtigt zugleich, wie häufig die Evidenz insgesamt ist. Sie verdeutlicht, warum Evidenz nicht ohne Kontext interpretiert werden kann.

A-priori-Wahrscheinlichkeit

Ausgangswahrscheinlichkeit vor der Evidenz

Die Wahrscheinlichkeit, die einer Hypothese zugewiesen wird, bevor ein bestimmtes neues Indiz berücksichtigt wird. Eine A-priori-Wahrscheinlichkeit kann die Grundhäufigkeit, frühere Befunde, Expertenwissen oder eine begründete Einschätzung widerspiegeln. Beim Bayesschen Denken wird sie aktualisiert, statt verworfen zu werden. Verschiedene plausible A-priori-Wahrscheinlichkeiten können zu unterschiedlichen Schlussfolgerungen führen, insbesondere wenn die Evidenz begrenzt ist.

A-posteriori-Wahrscheinlichkeit

Aktualisierte Wahrscheinlichkeit nach der Evidenz

Die Wahrscheinlichkeit, die einer Hypothese zugewiesen wird, nachdem neue Evidenz mit einer A-priori-Wahrscheinlichkeit kombiniert wurde. Sie bildet den revidierten Wissensstand ab und entspricht nicht zwangsläufig einer objektiven Häufigkeit in der Welt. Wenn weitere Evidenz hinzukommt, kann die A-posteriori-Wahrscheinlichkeit einer Aktualisierung als A-priori-Wahrscheinlichkeit für die nächste dienen.

Likelihood-Quotient

Stärke der Evidenz im Vergleich zwischen Hypothesen

Ein Vergleich, wie wahrscheinlich ein Indiz unter einer Hypothese im Verhältnis zu einer anderen ist. Ist eine Evidenz viermal so wahrscheinlich, wenn eine Behauptung wahr ist, wie wenn sie falsch ist, beträgt der Likelihood-Quotient vier zu eins. Ein Likelihood-Quotient beschreibt die Aussagekraft der Evidenz, gibt für sich genommen aber nicht die endgültige Wahrscheinlichkeit der Behauptung an.

p-Wert

Überraschungsgrad der Daten unter der Nullhypothese

Die Wahrscheinlichkeit, unter der Annahme einer bestimmten Nullhypothese Ergebnisse zu beobachten, die mindestens so extrem sind wie die tatsächlich erzielten. Er gibt weder die Wahrscheinlichkeit an, dass die Nullhypothese wahr ist, noch die Wahrscheinlichkeit, dass ein Befund falsch ist. Seine Interpretation hängt vom Studiendesign, den Entscheidungen bei der Analyse und den Annahmen des Nullmodells ab.

HARKing

Hypothese, die nach Vorliegen der Ergebnisse aufgestellt wird

Eine Abkürzung für das Aufstellen von Hypothesen, nachdem die Ergebnisse bekannt sind. Der Begriff bezeichnet die Praxis, eine erst nach Sichtung der Daten entwickelte Hypothese so darzustellen, als wäre sie vor der Studie festgelegt worden. Dadurch kann eine explorative Entdeckung wie eine erfolgreiche Vorhersage wirken, insbesondere wenn Forschende viele Ergebnisse oder Analyseoptionen prüfen.

Brier-Score

Bewertungsmaß für probabilistische Vorhersagen

Ein Maß für die Genauigkeit von Vorhersagen, das auf der quadrierten Differenz zwischen einer vorhergesagten Wahrscheinlichkeit und dem tatsächlichen Ergebnis beruht. Bei einem binären Ereignis fällt die Strafe für eine Vorhersage von 80 % geringer aus, wenn das Ereignis eintritt, als wenn es nicht eintritt. Niedrigere Werte weisen auf eine bessere Leistung über eine Reihe von Vorhersagen hinweg hin.

Cromwells Regel

Absolute Gewissheit vermeiden

Ein bayessches Prinzip, das davon abrät, Behauptungen, die nicht logisch sicher sind, eine Wahrscheinlichkeit von null oder eins zuzuweisen. Eine Wahrscheinlichkeit von null verhindert, dass künftige Evidenz die Wahrscheinlichkeit einer Behauptung erhöhen kann; eine Wahrscheinlichkeit von eins verhindert, dass Evidenz sie senken kann. Die Regel bewahrt die Möglichkeit, aus unerwarteten Informationen zu lernen.

prädiktive Verarbeitung (predictive processing)

Wahrnehmung durch Vorhersagen

Ein Modell der Gehirnfunktion, dem zufolge das Gehirn Erwartungen an sensorische Eingaben bildet und sie mit den über die Sinne eintreffenden Signalen vergleicht. Weichen die erwarteten Signale von den tatsächlichen ab, kann diese Diskrepanz eine Überarbeitung des Gehirnmodells auslösen. In diesem Ansatz gilt auch Bewegung als Möglichkeit, Erwartungen zu überprüfen und nützliche Informationen zu sammeln.

Vorhersagefehler

Diskrepanz zwischen Erwartung und Eingabe

Der Unterschied zwischen einem vorhergesagten Signal oder Ergebnis und den tatsächlich erhaltenen Informationen. In Ansätzen der prädiktiven Verarbeitung können solche Abweichungen Aufmerksamkeit auf sich ziehen und das Gehirn dazu veranlassen, sein Modell zu überarbeiten, während gut vorhergesagte Signale möglicherweise weniger Verarbeitung erfordern. Der Begriff wird auch in statistischen Modellen und Modellen des maschinellen Lernens verwendet, um misslungene Vorhersagen zu beschreiben.

Nutzen

Ergebnissen zugeschriebener Wert

Der Wert oder die Kosten, die eine entscheidende Person einem Ergebnis beimisst. Die Entscheidungstheorie verbindet Nutzen mit Wahrscheinlichkeiten, um verfügbare Handlungen zu vergleichen. Geld ist in vielen Beispielen ein praktischer Ersatzmaßstab, doch Nutzen kann auch Gesundheit, Sicherheit, Zeit, Präferenzen oder andere geschätzte Folgen abbilden. Verschiedene Menschen können sich rational unterschiedlich entscheiden, weil ihr Nutzen unterschiedlich ist.

Blickheuristik (gaze heuristic)

Ein Ziel verfolgen und sich dabei bewegen

Eine einfache Strategie, um einen bewegten Gegenstand zu fangen: Man behält ihn im Blick und passt die eigene Bewegung so an, dass seine scheinbare Position im Gesichtsfeld stabil bleibt. Statt die gesamte Flugbahn des Gegenstands zu berechnen, nutzt die fangende Person fortlaufende visuelle Rückmeldungen. Das Buch führt die Strategie als Beispiel für eine Abkürzung an, die in einer vertrauten Umgebung gut funktionieren kann.

FAQ

Worum geht es in Everything Is Predictable?

  • Fokus auf bayessche Statistik: Das Buch zeigt, wie bayessche Statistik genutzt werden kann, um verschiedene Phänomene in unserer Welt zu verstehen und vorherzusagen.
  • Bayes-Theorem: Es führt das Bayes-Theorem ein, ein grundlegendes Konzept der Wahrscheinlichkeitstheorie, mit dessen Hilfe Überzeugungen anhand neuer Evidenz aktualisiert werden können.
  • Anwendungen in der Praxis: Der Autor veranschaulicht die praktischen Auswirkungen bayesschen Denkens in Bereichen wie Medizin, Recht und künstlicher Intelligenz.
  • Interdisziplinärer Ansatz: Erkenntnisse aus Psychologie, Neurowissenschaften und Statistik werden zu einem umfassenden Bild der Entscheidungsfindung zusammengeführt.

Warum sollte ich Everything Is Predictable lesen?

  • Unsicherheit verstehen: Das Buch vermittelt, wie bayessche Prinzipien dabei helfen können, mit Unsicherheit umzugehen.
  • Kritisches Denken stärken: Es regt dazu an, Annahmen zu hinterfragen und die probabilistische Natur unseres Wissens zu verstehen.
  • Anschaulich und zugänglich: Tom Chivers erklärt komplexe Konzepte anhand nachvollziehbarer Beispiele und Anekdoten und macht sie so einem breiten Publikum zugänglich.
  • Praktische Entscheidungsfindung: Das Buch bietet Werkzeuge, um Risiken und Vorteile im privaten wie beruflichen Kontext besser abzuwägen.

Was sind die wichtigsten Erkenntnisse aus Everything Is Predictable?

  • Bayesscher Rahmen: Das Buch betont, dass Überzeugungen und Entscheidungen bayessch betrachtet werden sollten, indem A-priori-Wahrscheinlichkeiten anhand neuer Evidenz aktualisiert werden.
  • Extreme vermeiden: Es rät davon ab, Wahrscheinlichkeiten von null oder eins zuzuweisen, und empfiehlt stattdessen, einen Spielraum für Unsicherheit zu lassen.
  • Auswirkungen in der Praxis: Es behandelt die Rolle bayesschen Denkens bei der Bewältigung der Replikationskrise in der Wissenschaft und bei der Verbesserung von Entscheidungen.

Was ist das Bayes-Theorem, wie es in Everything Is Predictable definiert wird?

  • Grundlegende Definition: Das Bayes-Theorem ist eine Formel zur Aktualisierung der Wahrscheinlichkeit einer Hypothese anhand neuer Evidenz.
  • Erläuterung der Formel: Es besagt, dass die Wahrscheinlichkeit von Ereignis A unter der Bedingung von Ereignis B proportional ist zur Wahrscheinlichkeit von Ereignis B unter der Bedingung von Ereignis A, multipliziert mit der A-priori-Wahrscheinlichkeit von A und geteilt durch die Wahrscheinlichkeit von B.
  • Praktisches Beispiel: Das Buch nutzt medizinische Tests, um zu veranschaulichen, wie das Bayes-Theorem zu kontraintuitiven Ergebnissen führen kann.

Wie erklärt Everything Is Predictable das Konzept der A-priori-Wahrscheinlichkeiten?

  • Definition von A-priori-Wahrscheinlichkeiten: Sie geben die anfänglichen Überzeugungen über die Wahrscheinlichkeit einer Hypothese wieder, bevor neue Evidenz berücksichtigt wird.
  • Einfluss auf die Entscheidungsfindung: Diese A-priori-Wahrscheinlichkeiten beeinflussen maßgeblich, wie neue Daten interpretiert werden, und sind damit für jede Analyse wesentlich.
  • Dynamische Aktualisierung: A-priori-Wahrscheinlichkeiten sollten aktualisiert werden, sobald neue Evidenz vorliegt, damit genauere Vorhersagen möglich sind.

Welche Anwendungen bayesscher Statistik aus der Praxis werden in Everything Is Predictable besprochen?

  • Medizinische Tests: Das Bayes-Theorem wird zur Interpretation medizinischer Testergebnisse herangezogen; dabei wird die Bedeutung der A-priori-Wahrscheinlichkeiten hervorgehoben.
  • Rechtliche Beweise: Bayessches Denken kann im rechtlichen Kontext zur Bewertung der Aussagekraft forensischer Beweise eingesetzt werden.
  • Künstliche Intelligenz: Bayessche Methoden spielen in der KI eine Rolle, wo Algorithmen anhand früherer Daten und neuer Informationen Ergebnisse vorhersagen.

Wie befasst sich Everything Is Predictable mit der Replikationskrise in der Wissenschaft?

  • Kritische Betrachtung: Das Buch behandelt die Replikationskrise, in der zahlreiche Studien keine reproduzierbaren Ergebnisse liefern, und stellt die Zuverlässigkeit der Forschung infrage.
  • Statistische Praktiken: Es argumentiert, dass frequentistische Methoden, insbesondere p-Werte, zu dieser Krise beitragen, weil sie statistisch signifikante Ergebnisse gegenüber tatsächlichen Befunden begünstigen.
  • Bayessche Lösungen: Das Buch legt nahe, dass bayessche Methoden, die Vorwissen einbeziehen, dazu beitragen könnten, diese Probleme zu mindern.

Wie unterscheidet Everything Is Predictable zwischen bayesscher und frequentistischer Statistik?

  • Bayesscher Ansatz: Er konzentriert sich darauf, Überzeugungen anhand von Vorwissen und neuer Evidenz zu aktualisieren, und ermöglicht eine flexible Interpretation der Daten.
  • Frequentistischer Ansatz: Er stützt sich auf p-Werte und die Nullhypothese und führt oft zu binären Entscheidungen, ohne frühere Überzeugungen zu berücksichtigen.
  • Bedeutung für die Wissenschaft: Frequentistische Methoden können zu irreführenden Schlussfolgerungen führen, während bayessche Methoden einen kohärenten Rahmen bieten, um Unsicherheit zu verstehen.

Welche Bedeutung haben A-priori-Wahrscheinlichkeiten in Everything Is Predictable?

  • Grundlage bayesschen Denkens: A-priori-Wahrscheinlichkeiten beeinflussen, wie neue Informationen interpretiert werden, prägen Erwartungen und leiten Entscheidungen.
  • Dynamische Aktualisierung: Sie sollten anhand neuer Evidenz aktualisiert werden, um genauere Vorhersagen zu ermöglichen.
  • Beispiele aus der Praxis: Beispiele wie medizinische Tests zeigen, wie A-priori-Wahrscheinlichkeiten Ergebnisse und ihre Interpretation beeinflussen.

Wie hängt Everything Is Predictable mit der Entscheidungsfindung zusammen?

  • Bayessche Entscheidungstheorie: Sie bietet einen strukturierten Ansatz für Entscheidungen unter Unsicherheit, indem sie frühere Überzeugungen mit neuer Evidenz verbindet.
  • Nutzen und Erwartungswert: Das Buch behandelt diese Konzepte, um Vorteile und Risiken zu quantifizieren und eine rationale Bewertung von Optionen zu unterstützen.
  • Praktische Anwendungen: Ein Verständnis bayesscher Entscheidungsfindung kann alltägliche Entscheidungen verbessern, von Geldanlagen bis hin zu Gesundheitsfragen.

Welche Rolle spielt der Bestätigungsfehler in Everything Is Predictable?

  • Bestätigungsfehler verstehen: Damit ist die Neigung gemeint, Informationen zu bevorzugen, die bestehende Überzeugungen stützen, was zu verzerrten Wahrnehmungen führen kann.
  • Bayessche Perspektive: Ein bayesscher Ansatz kann helfen, den Bestätigungsfehler zu mindern, indem er dazu anregt, alternative Hypothesen zu berücksichtigen.
  • Auswirkungen in der Praxis: Diese Verzerrung zu erkennen, ist wichtig, um rationale Entscheidungen zu treffen und zutreffende Überzeugungen zu bilden.

Was sind die besten Zitate aus Everything Is Predictable und was bedeuten sie?

  • „Das Leben ist kein Schach, ein Spiel mit perfekter Information, das sich theoretisch ‚lösen‘ lässt. Es ist Poker: ein Spiel, in dem man versucht, mit den begrenzten Informationen, die einem zur Verfügung stehen, die bestmöglichen Entscheidungen zu treffen.“: Das Zitat betont die Unsicherheit, die Entscheidungen im wirklichen Leben prägt.
  • „Das Bayes-Theorem ist seltsam. Es ist eine einfache Gleichung … und doch hat es tiefgreifende Folgen.“: Es hebt das Paradox hervor, dass das Bayes-Theorem leicht zu verstehen ist und zugleich komplexe Phänomene erklären kann.
  • „Man kann kaum irgendeine Form medizinischer Tests verstehen, ohne Bayes heranzuziehen.“: Das Zitat unterstreicht die entscheidende Rolle bayesscher Statistik bei der Interpretation medizinischer Tests.

Über den Autor

Tom Chivers ist ein britischer Schriftsteller, Verleger und Kunstproduzent, der 1983 im Süden Londons geboren wurde. Er hat Gedichtbände und -hefte veröffentlicht, darunter „The Terrors“ und „Dark Islands“, die in Anthologien aufgenommen und für Preise nominiert wurden. Chivers wurde mit einem Eric Gregory Award ausgezeichnet und trat bei verschiedenen Literaturveranstaltungen und an Veranstaltungsorten in ganz Europa auf. Zu seiner Arbeit gehören auch ortsspezifische und Audio-Projekte für Organisationen wie LIFT und das Southbank Centre. „Everything Is Predictable“ ist sein Ausflug ins Sachbuch und zeigt, wie er komplexe wissenschaftliche Konzepte verständlich erklären kann. Chivers lebt mit seiner Frau und seinen zwei Töchtern in Rotherhithe.

PDF herunterladen

Lade das kostenlose PDF herunter, um die Zusammenfassung von Everything Is Predictable für später zu speichern. Du kannst es ausdrucken oder offline lesen, wann immer du möchtest.
Download PDF

EPUB herunterladen

Lade das kostenlose EPUB herunter, um die Zusammenfassung von Everything Is Predictable auf deinem E-Reader oder in einer Lese-App zu lesen. Das digitale Buchformat .epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.
Download EPUB
Möchten Sie das vollständige Buch lesen?
Folgen
Anhören
Start
Swipe
Biblio
App
3 Tage Vollzugriff testen
Anhören, speichern und mehr
Funktionen vergleichen Kostenlos Pro
📖 Zusammenfassungen lesen
Unbegrenzt Zusammenfassungen lesen. Kostenlose Nutzer erhalten 3 pro Monat
🎧 Zusammenfassungen anhören
Unbegrenzt Zusammenfassungen in 40 Sprachen anhören
—
❤️ Unbegrenzte Lesezeichen
Kostenlose Nutzer sind auf 4 begrenzt
—
📜 Unbegrenzter Verlauf
Kostenlose Nutzer sind auf 4 begrenzt
—
📥 Unbegrenzte Downloads
Kostenlose Nutzer sind auf 1 begrenzt
—
Risikofreier Zeitplan
Heute: Sofortzugang erhalten
Vollständige Zusammenfassungen von über 26.000 Büchern anhören. Das sind über 12.000 Stunden Audio!
Tag 2: Erinnerung an Testphase
Wir senden Ihnen eine Benachrichtigung, dass Ihre Testphase bald endet.
Tag 3: Ihr Abonnement beginnt
Die Abbuchung erfolgt am 24. Nov.,
vorher jederzeit kündbar.
Consume 2.8× More Books
2.8× weitere Bücher Hören Lesen
Unsere Nutzer lieben uns
600,000+ Leser
Trustpilot Rating
TrustPilot
4.6 Hervorragend
Diese Seite ist ein absoluter Gamechanger. Ich habe noch nie so schnell Buchzusammenfassungen gelesen. Sehr, sehr empfehlenswert.
— Dave G
Das Geld und die Zeit absolut wert und wirklich gut gemacht. Eine solche Qualität von Zusammenfassungen habe ich auf anderen Websites noch nie gesehen. Sehr hilfreich!
— Em
Sehr empfehlenswert!! Fantastischer Service. Perfekt für alle, die mehr als einen Teaser möchten, aber nicht alle Details eines vollständigen Hörbuchs brauchen.
— Greg M
62 % sparen
Jährlich
$119.88 $44.99/Jahr/J.
$3.75/Mon.
Monatlich
$9.99/Mon.
3-tägige kostenlose Testphase starten
3 Tage kostenlos, dann $44.99/Jahr. Jederzeit kündbar.
Unlock a world of fiction & nonfiction books
26.000+ Bücher zum Preis von 2 Büchern
Lesen Sie jedes Buch in 10 Minuten
Entdecken Sie neue Bücher wie bei Tinder
Fordern Sie jedes Buch an, das noch nicht zusammengefasst ist
Lesen Sie mehr Bücher als jeder, den Sie kennen
Die Nr. 1 App für Buchliebhaber
Lifelike & immersive summaries
30-Tage-Geld-zurück-Garantie
Zusammenfassungen als EPUB oder PDF herunterladen
Jederzeit mit wenigen Klicks kündbar

Warum nur eine Zusammenfassung?

Scanner
Barcode zum Scannen finden

⭐
⭐
⭐
Wir haben ein besonderes Geschenk für Sie
Öffnen
38% Rabatt
RABATT FÜR DICH
⭐
⭐
⭐
$79.99
$49.99/Jahr
Nur $4.16 pro Monat
Weiter
Mit 2 Taps starten, ganz einfach kündigen
Einstellungen
Allgemein
Widget
Wird geladen...