BERKELEY / LONDON (IT BOLTWISE) – Neue Forschung zeigt, dass Menschen bei komplexen politischen Entscheidungen nicht zwangsläufig jedes Detail gegeneinander abwägen. In Wahl- und Politik-Szenarien dominieren häufig einfache Entscheidungsregeln, bei denen ein einziges besonders wichtiges Merkmal den Ausschlag gibt. Je nach Aufgabenkomplexität und Darstellungsformat wechseln viele Befragte sogar zwischen unterschiedlichen Strategien. Damit geraten Auswertungen unter die Lupe, die von durchgehend gründlichem Abwägen ausgehen.
Wenn sich Menschen mit politischen Fragen beschäftigen, wirkt das aus der Perspektive von Umfragen oft wie ein vollständig rationaler Bewertungsprozess: Befragte sehen Profilmerkmale, vergleichen zwei Optionen und würden demnach im Modell jedes Detail gewichten. Eine Studie, die in PNAS veröffentlicht wurde, stellt genau diese Annahme infrage. Die Autorinnen und Autoren argumentieren, dass viele Personen stattdessen auf mentale Abkürzungen zurückgreifen und dabei je nach Thema und Komplexität zwischen verschiedenen Entscheidungsmustern wechseln. Für die Politikwissenschaft ist das mehr als akademische Feinheit: Es betrifft, wie wir aus Profilkonjunktionen oder „Conjoint“-Setups auf Einstellungen und Präferenzen schließen.
Besonders relevant ist der methodische Kern, denn viele sozialwissenschaftliche Erhebungen nutzen choice-based conjoint Experimente, um den Einfluss einzelner Merkmale auf die Präferenz zu schätzen. Dabei werden Teilnehmende zwei fiktive Kandidaten oder Politikoptionen nebeneinander gezeigt, während Merkmale wie Alter, Beruf oder Kosten zufällig variiert werden. Anschließend wählen sie die Option, die sie bevorzugen. Üblicherweise lässt sich daraus modellieren, welche Merkmale im Mittel stärker ziehen – aber die zentrale Frage bleibt offen, ob Teilnehmende in der Antwortphase wirklich alle Details gleichmäßig „durchrechnen“ oder ob sie stattdessen eine vereinfachte Regel befolgen. Ein Teil der bisherigen Evidenz deutet auf Letzteres hin: Eine Eye-Tracking-Studie aus dem Jahr 2020 (A 2020 eye-tracking study) fand, dass bei mehr Features und mehr Optionen ein kleinerer Anteil der angezeigten Informationen tatsächlich betrachtet wird. Auch eine Konsumstudie (a 2009 study) zeigte, dass ein beachtlicher Teil der Teilnehmenden mit Regeln beschrieben werden kann, die die Merkmale nach Wichtigkeit ordnen und dann vor allem das wichtigste Merkmal nutzen.
Die neue Arbeit ordnet das Muster in politische Entscheidungssituationen ein und geht einen Schritt weiter: Sie entwickelt ein mathematisches Rahmenwerk, um individuelle Entscheidungsstrategien aus den beobachteten Survey-Auswahlen zu klassifizieren. Autorinnen und Autoren nennen dafür Nidhi V. Banavar und Kirk Bansak, beide von der University of California, Berkeley. Ihre Modelllogik untersucht, welche Attributwerte eine Person bevorzugt und welche kognitive Regel ihre Auswahl am besten erklärt. Banavar beschreibt den Forschungsimpuls in einem der zitierten Sätze so: „We were interested in the question of how people go about making political choices.“ Außerdem betont die gleiche Quelle: „When we estimate complex constructs like political attitudes, a lot of analysis methods implicitly assume that people weigh everything in front of them.“ An anderer Stelle knüpft Banavar auch die Verbindung zur Aggregatbetrachtung: „The aggregate is perfect for giving us the high level snapshot and, for better or for worse, collapses a lot of the variation we see in people.“ Der entscheidende Punkt: Wenn Aggregatmodelle die Strategievariation glätten, können sie systematisch überdecken, wie stark sich einzelne Präferenzbildungswege unterscheiden.
Technisch betrachtet unterscheidet das Modell vier Strategietypen, die sich vor allem in der kognitiven Nachfrage unterscheiden. Die gründlichste Variante heißt Weighted Additive: Die Person gewichtet jedes einzelne Attribut rational und summiert die Ergebnisse, um die Option mit dem höchsten Score auszuwählen. Dagegen steht Tally als einfachere Abkürzung: Hier zählt die Person, wie viele bevorzugte Eigenschaften eine Option enthält, ohne sich im Detail darum zu kümmern, wie stark einzelne Merkmale relativ zueinander gewichtet sind. Take The Best ist noch stärker reduziert: Es entscheidet nur das jeweils wichtigste Merkmal; erst wenn beide Optionen in diesem Merkmal gleichauf sind, wird ein zweites Merkmal herangezogen. Die vierte Kategorie, Contaminant, entspricht faktisch Zufallswahl, vergleichbar mit einem Münzwurf. In den Experimenten, auf die sich die Studie stützt, zeigt sich dann eine überraschend robuste Dominanz der einfachsten Regel: Take The Best ist in allen drei politischen Domänen am häufigsten klassifiziert.
Die Ergebnisse basieren auf zwei Experimenten mit insgesamt 3.762 US-Erwachsenen, über Prolific rekrutiert und dabei mit Quoten für Alter, Geschlecht und politische Zugehörigkeit an nationale Verteilungen angelehnt. Insgesamt absolvierten die Teilnehmenden 90 Entscheidungen, jeweils in drei Blöcken zu 30, verteilt auf drei Themenbereiche: Auswahl zwischen zwei fiktiven Einreisebewerbern, Auswahl zwischen zwei Kandidaten für eine Senatsvorwahl sowie zwischen zwei Klimapaket-Optionen. Jede Option variierte entlang von sechs Attributen, die jeweils zwei Ausprägungen hatten. Im ersten Experiment mit 1.964 Teilnehmenden manipulierten die Forschenden die Komplexität, indem sie entweder erlaubten, dass zwischen den beiden Profilen keine Merkmale identisch sind, oder indem sie Fälle mit ein bis drei Übereinstimmungen zuließen. In der Bedingung ohne „Ties“ wurden rund 54 % der Teilnehmenden als Take-The-Best-Nutzer klassifiziert; etwa 30 % fielen in Weighted Additive, ungefähr 14 % in Tally. Werden „Ties“ eingeführt und Teilnehmende dadurch gezwungen, über das Top-Merkmal hinauszuschauen, sinkt Take The Best auf rund 45 %, während Weighted Additive auf etwa 40 % steigt. Insgesamt blieb aber: Abkürzungsstrategien machen den Großteil des beobachteten Verhaltens aus. Im zweiten Experiment mit 1.798 Teilnehmenden kam eine weitere Variation hinzu, nämlich zusätzlich zur Vergleichsentscheidung Ratings auf einer 1- bis 7-Skala. Dort wurde Take The Best in allen drei Domänen weniger häufig für „durchgehend“ gefunden, blieb aber im Schnitt die häufigste Strategie; zugleich steigt die Zahl der Klassifikationen in Richtung gründlicherer Strategien, und es gibt einen kleinen Zuwachs bei Zufallsentscheidern. Die Autorinnen und Autoren weisen jedoch darauf hin, dass diese Verschiebungen nicht in jedem Themenbereich konsistent statistisch signifikant waren.
Auch die Antwortzeiten liefern eine zusätzliche Plausibilitätsprüfung: Wer als Weighted Additive klassifiziert wurde, benötigte am längsten; anschließend folgten Tally, während Take The Best deutlich schneller antwortete. Bei „Ties“ verlangsamte sich nur die Take-The-Best-Gruppe, während die Antwortzeiten der anderen Strategien praktisch unverändert blieben. Diese selektive Verlangsamung interpretieren die Forschenden als Hinweis darauf, dass die Klassifikationen reale Unterschiede im mentalen Ablauf widerspiegeln – auch wenn das Modell nicht direkt Gedanken „beobachtet“. Wichtig für die Einordnung ist außerdem, dass die Strategie nicht als starres Persönlichkeitsmerkmal behandelt werden sollte: Je nach Bedingung wurden 67 % bis 76 % der Teilnehmenden als nutzende unterschiedliche Strategien für unterschiedliche Themen klassifiziert; etwa 10 % zeigten über alle drei Domänen hinweg einen vollständig anderen Strategietyp. Demnach ist die Informationsverarbeitung eher kontextabhängig als „in einem Menschen fest verdrahtet“. Für die Praxis heißt das: Wenn man in politischen Studien allein über Präferenzparameter spricht, übersieht man womöglich die Strategieebene, die erklärt, warum Gruppenmittelwerte Zusammenhänge verschleiern.
Für die weitere Forschung und auch für die Interpretation bestehender Conjoint-Ergebnisse lassen sich aus der Studie mehrere Punkte ableiten. Zum einen warnen die Autorinnen und Autoren vor überzogenen Schlussfolgerungen: Die Experimente nutzen vereinfachte Profile, in denen jedes Merkmal nur zwei mögliche Werte hat. In realen Entscheidungen haben Optionen oft deutlich mehr Schichten und kontinuierliche Ausprägungen, was Abkürzungsstrategien unter Umständen sogar noch attraktiver machen könnte. Zum anderen betonen sie, dass heuristische Nutzung nicht automatisch „Faulheit“ bedeutet: Banavar hebt hervor, dass Menschen begrenzte Ressourcen haben und es sinnvoll sein kann, diese selektiv einzusetzen. Methodisch besitzt das Klassifikationsmodell außerdem Grenzen, etwa weil unterschiedliche Gewichtungen zu denselben Entscheidungen führen können; zudem können Zufallsentscheider in Simulationen teilweise als Tally klassifiziert werden. Und schließlich bleibt ein entscheidender epistemischer Satz: „Secondly, while we have built a cognitive model, the model doesn’t actually tell us what’s happening inside someone’s head“, heißt es in den zitierten Aussagen. Das Modell ist also eine technische Zuordnung auf Basis von Entscheidungen, nicht ein Blick in den Prozess an sich.
Gerade deshalb ist der Nutzen für den Technologie- und Forschungsalltag groß, auch wenn die Studie aus der Politikwissenschaft kommt. Viele Analyseverfahren setzen weiterhin implizit voraus, dass Befragte Informationen gleichmäßig und vollständig abwägen. Die Ergebnisse nahelegen dagegen, dass selbst in strukturierten Umgebungen (zwei Profile, feste Merkmalssets) kognitive Abkürzungen dominieren können und dass sich Strategiewechsel über Themen hinweg nachweisen lassen. Wer heute Modelle für Präferenzschätzung entwickelt, sollte Conjoint-Daten daher nicht nur als „Output von Gewichtungen“, sondern als Mischung aus Entscheidungsmechanismen verstehen. Für Unternehmen, die politische Stimmungen über Umfragen, Panels oder automatisierte Auswertungsketten operationalisieren, bedeutet das: Ein gutes Modell sagt nicht nur, welche Merkmale „im Mittel“ zählen, sondern sollte auch berücksichtigen, dass Befragte möglicherweise nach Regeln entscheiden, die die Datenstruktur stark vereinfachen. Die Veröffentlichung macht damit deutlich, warum die nächste Generation von Survey-Analysen genauer hinschauen muss – besonders dann, wenn sich die Darstellung, die Komplexität und die Abfrageform im Feld unterscheiden. Die Studie trägt den Titel Classifying strategy use in multiattribute subjective choice: Application to conjoint experiments in political science und wurde von Nidhi V. Banavar und Kirk Bansak verfasst.
💳 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 "Politische Entscheidungen: Warum viele nur nach einem Merkmal urteilen" 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 "Politische Entscheidungen: Warum viele nur nach einem Merkmal urteilen" 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: »Politische Entscheidungen: Warum viele nur nach einem Merkmal urteilen« bei Google Deutschland suchen, bei Bing oder Google News!