LONDON (IT BOLTWISE) – Eine neue Studie vergleicht indirekte Tests zu impliziten Rassenpräferenzen mit direkten Selbstauskünften in denselben Experimenten. Die indirekten Reaktionszeit-Tests liefern zwar einen messbaren Zusatznutzen, erklären aber nur einen kleinen Teil der Verhaltensunterschiede. Im Gegenzug sind explizite Einstellungen deutlich bessere Prädiktoren für Entscheidungen in simulierten Geld- und Einstellungs-Szenarien. Offen bleibt dabei, wie gut die Ergebnisse auf reale Arbeitsumgebungen und echte, risikoreiche Entscheidungen übertragen werden können.
Die Debatte um „implizite Vorurteile“ hat in der Psychologie seit Jahren einen festen Platz, weil sie ein scheinbar unbequeme Frage berührt: Wenn Menschen auf Befragungen sozial erwünscht antworten, lassen sich ihre tatsächlichen automatischen Reaktionen dann überhaupt zuverlässig in Verhalten übersetzen? Die aktuelle Studie „On the relationship between indirect measures of Black vs. White racial attitudes and discriminatory outcomes: An adversarial collaboration using a sample of White Americans“ im Journal of Personality and Social Psychology stellt genau diesen Zusammenhang auf den Prüfstand, indem sie indirekte Verfahren und direkte Selbstberichte nicht nur nebeneinander misst, sondern gegeneinander bewertet.
Grundsätzlich wird in der Forschung zwischen zwei Messansätzen unterschieden: direkten Maßnahmen wie klassischen Umfragen, in denen Teilnehmende bewusst ihre Einstellungen, Stereotype oder Vorlieben zu verschiedenen Gruppen angeben. Indirekte Verfahren versuchen dagegen, weniger kontrollierbare Assoziationen zu erfassen. Ein prominentes Beispiel ist der Implicit Association Test (IAT): Teilnehmende sortieren im Wesentlichen Gesichter verschiedener Gruppen und positiv oder negativ geladene Wörter nach vorgegebenen Kategorien. Wenn jemand schneller Kombinationen wie „Black“ plus „negativ“ als „White“ plus „negativ“ zuordnet, interpretiert man das häufig als Hinweis auf eine implizite, automatisierte negative Assoziation. Genau diese Interpretation steht jedoch seit langem im Zentrum des Streits: Welche Anteile sind wirklich Vorurteil im engeren Sinne, und welche Anteile spiegeln eher allgemeines kulturelles Wissen oder test-spezifische Eigenschaften wider?
Die Autorinnen und Autoren nutzen deshalb einen Ansatz, der in dieser Form als „adversarial collaboration“ bekannt ist: Forschende mit unterschiedlichen theoretischen Ausgangspositionen entwerfen gemeinsam ein Studiendesign, das für beide Seiten fair prüfbar ist. Ergebnis: Ausgewertet werden sollten nicht nur Korrelationen zwischen Messwerten, sondern auch die Frage, ob indirekte Tests zusätzlich zu dem beitragen können, was sich bereits aus direkten Selbstauskünften ableiten lässt. Dazu rekrutierte das Team 2.114 weiße Erwachsene aus den USA und teilte den Ablauf in zwei Online-Session auf: Zuerst mehrere Aufgaben, die diskriminierendes Verhalten simulieren (etwa ein Trust Game, bei dem Teilnehmende Geldbeträge aus einem Gesamtpool an schwarze oder weiße Partner aufteilen, oder ein Ultimatum-Spiel, in dem Angebote akzeptiert oder abgelehnt werden). Zusätzlich gab es zwei Einstellungs-Szenarien: eine Resume-Bewertung, bei der Namen verwendet wurden, die typischerweise mit Black- oder White-Identitäten assoziiert werden, sowie eine Art Entscheidungsaufgabe, in der Bewerberprofile mit Kennwerten wie Mathe-Leistung und Bildmaterial geprüft wurden.
Einige Tage später folgte dann die zweite Messschicht: vier indirekte Verfahren zu rasserelevanten Assoziationen. Dazu gehörten erneut IAT-ähnliche Reaktionszeit-Tasks sowie eine evaluative Priming-Aufgabe, bei der Gesichter extrem kurz eingeblendet werden, bevor Teilnehmende Wörter kategorisieren. Ergänzend kam eine Affect-Misattribution-Prozedur hinzu, bei der Teilnehmende nach dem kurzen Einblenden von Gesichtern die visuelle „Angenehmheit“ chinesischer Schriftzeichen bewerten. Erst danach bearbeiteten die Teilnehmenden fünf direkte Fragebögen zu expliziten Einstellungen, darunter Wärme und Sympathie gegenüber Gruppen sowie die Zustimmung zu einzelnen Stereotypen. Für die Auswertung griffen die Forschenden auf Structural Equation Modeling zurück, also auf eine statistische Technik, die mehrere ähnliche Messungen zu übergreifenden Konstrukten zusammenführt und so Messfehler stärker abfedern soll.
Die Resultate zeichnen ein zweigeteiltes Bild. Bei den indirekten Reaktionszeit-Messungen zeigten sich im Mittel Pro-White- und Anti-Black-Tendenzen. Die Verhaltenstasks zeigten hingegen nicht im erwarteten Sinne eine durchgehend anti-schwarze Diskriminierung: In der Gesamtschau wirkten die Teilnehmenden leicht pro-Black in zentralen Entscheidungen bei Geldverteilung und beim Recruiting-Entscheidungsverhalten. Besonders relevant ist außerdem, dass nur ein kleiner Teil der Stichprobe – etwa sieben Prozent – in beiden Bereichen „zusammenlief“: starke pro-White-Werte in den indirekten Maßen und zugleich diskriminierendes Verhalten gegen Black-Targets. Für die Frage der Vorhersagekraft gilt dann: Indirekte Tests korrelierten zwar mit diskriminierenden Ergebnissen, erklärten aber nur ungefähr 2,5 Prozent der zusätzlichen Varianz im Verhalten über das hinaus, was die Selbstberichte bereits erklärten. David S. March brachte es in einer Bewertung auf den Punkt: „The clearest takeaway is that indirect measures do capture something meaningful about race-related behavior that is not already captured by self-report, “ und er betonte zugleich, dass dieser inkrementelle Beitrag zwar klein, aber real sei.
Entscheidend für die praktische Einordnung ist jedoch das Größenverhältnis. Die direkten Selbstauskünfte erklärten etwa 45 Prozent der Varianz in den Verhaltenstasks. Mit anderen Worten: Wenn das Ziel ist, Entscheidungen in solchen simulierten sozialen Situationen vorherzusagen, liefern explizite Einstellungen deutlich mehr Information als Reaktionszeit-basierte Indikatoren. Jordan R. Axt fasste das mit Blick auf die Effektgrößen so zusammen: „The data are clear that explicit attitudes were much better predictors of behavior than implicit attitudes, “ und daraus leite sich ab, dass indirekte Maße in Studien weniger im Mittelpunkt stehen müssten. Gleichzeitig schränkt die Studie die Aussage nicht auf Null ein: Die impliziten Maße könnten unter bestimmten Bedingungen relevant sein, etwa wenn es um Verhaltensweisen geht, die entweder besonders folgenreich oder besonders häufig auftreten.
Auch methodisch bleibt die Studie mit offenen Fragen. Axt weist selbst darauf hin, dass die Arbeitsaufgaben nur simuliert waren und online stattfanden; reale Organisationen, tatsächliche Hierarchien und höhere Konsequenzen könnten das Entscheidungsverhalten anders „einfärben“. Hinzu kommt: Mehrere der Verhaltenstasks zeigten niedrige interne Reliabilität, also eine begrenzte Konsistenz innerhalb der einzelnen Aufgaben über Wiederholungen hinweg. March formulierte dazu eine wesentliche Einschränkung: „My main reservation is that several of the behavioral measures and one of the indirect measures were quite unreliable, which makes the exact size of the effects harder to pin down.“ Dazu passen weitere Punkte zur Übertragbarkeit: Die Stichprobe bestand ausschließlich aus weißen US-Erwachsenen, und die Messung bezog sich auf Black- und White-Targets, wodurch die Ergebnisse nicht automatisch auf andere Gruppen und Kontexte verallgemeinert werden können.
Für Unternehmen und datengetriebene KI-gestützte HR- oder Compliance-Settings folgt daraus vor allem ein Abwägen, wie man psychologische Prädiktoren überhaupt operationalisiert. Die Studie legt nahe, dass explizite Einstellungen in vergleichbaren Labor- oder Simulationslogiken eine deutlich stärkere Vorhersagekraft haben als indirekte Messungen der automatischen Assoziation. Der kleine, zusätzliche Informationsgehalt der indirekten Verfahren kann zwar für theoretische Modelle relevant bleiben, erscheint in der reinen Prognose jedoch begrenzt. Gleichzeitig zeigt die Arbeit, dass selbst kleine Effekte statistisch sichtbar sein können, wenn sie sich über viele Entscheidungen in einer Population kumulieren. Die nächste logische Stufe besteht laut den Autorinnen und Autoren darin, den gleichen Vergleich in natürlicheren Umgebungen zu testen – etwa mit wiederholten, organisationstypischen Entscheidungen wie Beförderungen oder Leistungsbeurteilungen – und dabei Messinstrumente zu verwenden, die sowohl psychometrisch stabil als auch für das konkrete Verhalten kontextsensitiv sind.
💳 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.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【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 "Explizite Selbstauskünfte sagen bei Rassendiskriminierung oft mehr als indirekte Tests" 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 "Explizite Selbstauskünfte sagen bei Rassendiskriminierung oft mehr als indirekte Tests" 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: »Explizite Selbstauskünfte sagen bei Rassendiskriminierung oft mehr als indirekte Tests« bei Google Deutschland suchen, bei Bing oder Google News!