LONDON / LONDON (IT BOLTWISE) – Eine große Studie mit über 80.000 Teilnehmenden zeigt, dass sich persönliche Werte mit dem Alter zwar verschieben, der Effekt aber erst in feinen Unterdimensionen wirklich sichtbar wird. Die Forschenden nutzen dafür eine Kombination aus klassischer Statistik und Machine Learning auf Basis eines 20-Items-Inventars. Im Vergleich zu breiten Werte-Kategorien sagt das detaillierte Modell deutlich besser das Alter voraus und entlarvt widersprüchliche Trends, die in Aggregationen verschwinden. Für Unternehmen bedeutet das: Feingranulare Verhaltens- und Einstellungsdaten können Prognosen wesentlich verbessern, erfordern aber sorgfältige Datensicherheit und Datenschutz-Designs.
Wenn Menschen älter werden, verändern sich nicht nur Vorlieben im Alltag, sondern oft auch die zugrunde liegenden Wertvorstellungen. Eine neue, groß angelegte Untersuchung greift jedoch einen subtilen methodischen Engpass auf: Bisher wurden Werte in der Psychologie häufig in grobe Kategorien gegossen. Genau diese Aggregation kann wichtige Unterschiede überdecken, weil einzelne Teilmotive sich gegenläufig entwickeln können. Das Besondere an der aktuellen Arbeit ist daher weniger die allgemeine Aussage „Werte ändern sich“, sondern die Frage, wie viel Informationsgehalt verloren geht, wenn man nur mit breiten Schubladen arbeitet. Für datengetriebene Analytik ist das eine klare Einladung, die Granularität der Merkmale neu zu bewerten.
Technisch betrachtet basiert die Studie auf einem hierarchischen Modell von Werten. Statt nur auf wenigen Oberkategorien zu beruhen, wird untersucht, wie gut sich das Alter einer Person aus drei Ebenen ableiten lässt: vier breite Wertdimensionen, zehn mittlere Basiswerte und schließlich zwanzig sehr spezifische Wert-Nuancen. Als Datengrundlage dient ein Online-Survey mit insgesamt 80.814 Teilnehmenden im Alter von 18 bis 75 Jahren. Das Inventar umfasst 20 Fragen, die typische Prinzipien wie Neugier, Risikobereitschaft oder Hilfsbereitschaft abbilden. Die Forscher kombinieren konventionelle statistische Verfahren mit Machine-Learning-Modellen, um den prädiktiven Nutzen der jeweiligen Granularität zu messen.
Der Kernbefund ist überraschend deutlich: Auf der breitesten Ebene erklären die Kategorien nur einen kleinen Teil der Altersvarianz. Werden jedoch die spezifischen Items herangezogen, steigt die Erklärungskraft deutlich an. Die Studie berichtet von etwa 4% erklärter Variation über die groben Kategorien hinweg, während die detaillierten 20 Items rund 12% erreichen. Das ist nicht nur ein Zuwachs an „Signal“, sondern verändert die praktische Prognose: Mit Hilfe der 20 spezifischen Fragen können die Modelle innerhalb eines bestimmten Altersabstands (mindestens 20 Jahre) mit einer Erfolgsquote von etwa 80% vorhersagen, welche von zwei zufällig ausgewählten Personen älter ist. Das ist ein starkes Indiz dafür, dass feingranulare psychometrische Merkmale echte diagnostische Wirkung entfalten.
Inhaltlich zeigt die Arbeit auch, warum Aggregation problematisch sein kann. Betrachtet man etwa den Wertbereich „conformity“ genauer, steigen bestimmte Facetten mit dem Alter, während andere Facetten sogar zurückgehen. Ähnlich verhält es sich bei „benevolence“: Ältere Personen legen offenbar mehr Gewicht auf das Wahrnehmen der Bedürfnisse anderer, gleichzeitig aber weniger auf aktives Helfen. Diese gegenläufigen Entwicklungen neutralisieren sich auf der Ebene der breiten Kategorien, sodass das Gesamtbild „glatter“ wirkt, als es in Wahrheit ist. So entsteht ein typisches Muster, das aus Datenprojekten bekannt ist: Wenn widersprüchliche Subsignale zusammengefasst werden, sinkt sowohl Interpretierbarkeit als auch prädiktive Stärke.
Für den Markt- und Industrie-Kontext ist das mehr als Psychologie-Interna. Unternehmen, die Reifegrad, Zielgruppen oder Nutzer-Engagement modellieren, stehen häufig vor genau derselben Entscheidung zwischen Feature-Aggregation und Feature-Granularität. Ein Vergleich liegt nahe: Klassische Psychometrie- und Survey-Workflows, etwa wie sie in etablierter Statistiksoftware (z. B. SPSS-ähnliche Pipelines) umgesetzt werden, neigen zur Zusammenfassung in wenige Skalen; datengetriebene Machine-Learning-Ansätze bevorzugen dagegen oft feinere Merkmalsvektoren. Der „Wettbewerb“ findet damit nicht nur zwischen Modellen statt, sondern zwischen Datenrepräsentationen. Wie die Forschenden selbst anmerken, führt das Zusammenfassen zu Informationsverlust und reduziert die Vorhersagekraft. Wörtlich heißt es in der Studie: „Aggregating specific values into broader categories leads to a loss of critical information, creates conflicting results when nuances diverge, and significantly reduces predictive power.“
Gleichzeitig müssen Analysierende die Grenzen solcher Ansätze ernst nehmen. Die Untersuchung ist querschnittsbasiert: Sie vergleicht unterschiedliche Personen in verschiedenen Altersgruppen, statt dieselben Individuen longitudinal zu verfolgen. Das öffnet die Tür für den klassischen Kohorten-Effekt: Menschen, die heute in den 60ern sind, haben andere soziale und wirtschaftliche Rahmenbedingungen erlebt als heute jüngere Kohorten. Damit kann ein Teil der gemessenen Unterschiede generationsbedingt sein und nicht ausschließlich entwicklungsbiologisch. Zudem ist der Datensatz stark auf jüngere Erwachsene aus den USA ausgerichtet. Für internationale Anwendungen bedeutet das: Ein Modell, das auf US-Daten trainiert wird, kann bei anderen Kultur- oder Altersstrukturen weniger robust sein.
Aus regulatorischer und datenschutzbezogener Perspektive ist die Signalstärke besonders sensibel. Selbst wenn Werte-Fragen keine direkten Identifikatoren enthalten, können sie als „besonders sensible“ psychologische Informationen im weiteren Sinn interpretiert werden, je nach Kontext der Verarbeitung und Zweckbindung. Für Enterprise-Software-Teams heißt das: Wer solche Merkmale in Profiling, Personalisierung oder Risiko-Scores überführt, muss in der Regel strenge Governance-Prozesse etablieren. Dazu zählen Datensparsamkeit, Zweckbeschränkung, Transparenz gegenüber Betroffenen sowie belastbare technische und organisatorische Maßnahmen. In der Praxis wird das oft durch Einwilligungs- und Löschkonzepte flankiert, damit Modelle nicht langfristig mit personenbezogenen Verläufen verknüpft werden.
Der Ausblick auf die nächsten Schritte ist deshalb zweigeteilt. Wissenschaftlich liegt die logische Fortsetzung in Längsschnittdaten: Nur wenn dieselben Personen über die Zeit erneut befragt werden, lässt sich Entwicklungs- von Kohorteneffekten sauberer trennen. Technologisch wird parallel der Trend zu hierarchischen Modellen und „Granularitäts-Bewertung“ stärker werden: Welche Ebene ist optimal für welchen Use Case, und wie ändert sich die Vorhersage, wenn man von aggregierten Skalen zu einzelnen Items wechselt? Für den Markt bedeutet das eine neue Bewertungslogik bei Analytics-Projekten: Nicht die Anzahl der Skalen entscheidet, sondern die Informationsdichte, die gleichzeitig die Interpretierbarkeit schützt. Wenn sich diese Ansätze bewähren, entstehen neue Möglichkeiten für personalisierte Nutzerbetreuung, aber auch höhere Anforderungen an Sicherheit, Bias-Checks und auditable Modellkarten.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Werte im Lebensverlauf: Studie zeigt, warum KI-Unterteilungen deutlich besser vorhersagen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Werte im Lebensverlauf: Studie zeigt, warum KI-Unterteilungen deutlich besser vorhersagen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Werte im Lebensverlauf: Studie zeigt, warum KI-Unterteilungen deutlich besser vorhersagen« bei Google Deutschland suchen, bei Bing oder Google News!