LONDON (IT BOLTWISE) – Eine große Studie mit 2.204 Schülerinnen und Schülern zeigt: Mädchen sind nicht grundsätzlich risikoscheuer als Jungen. Entscheidend ist, wie Messfehler und Ratestrategien in ökonomische Modelle eingerechnet werden. Sobald das Modell kognitive Störungen und echtes Entscheiden trennt, hängt Risikoneigung stark von der Höhe des möglichen Gewinns ab. Damit wird klar, warum ein einzelner fix gemessener Wert das Bild über Geschlechterunterschiede verzerren kann.
Wenn Ökonomen das Risikoverhalten von Kindern vergleichen, steckt in der Messung oft ein blinder Fleck: Geht eine abweichende Entscheidung auf eine echte Präferenz zurück – oder nur auf einen kurzen Aussetzer, weil Aufmerksamkeit fehlt oder die Aufgabe kurzzeitig falsch verarbeitet wurde? Genau an diesem Punkt setzt die Studie an, die in einer NBER-Arbeitsversion veröffentlicht wurde. Statt klassischer Annahmen „perfekter Rationalität“ modellieren die Forschenden, dass Versuchspersonen beim Lösen von Aufgaben zugleich entscheiden und dabei kognitiv unter Zeitdruck, mentaler Müdigkeit oder typischen Denkfehlern leiden können. Die Konsequenz ist praktisch: Gender-Differenzen im Risikoverhalten wirken in vielen Datensätzen nur deshalb stabil, weil das Messmodell Uneindeutigkeit zwischen echter Risikoneigung und schlichtem Fehlverhalten nicht trennt.
Technisch betrachtet basiert das Experiment auf multiple price lists, also Entscheidungstabellen mit garantierter Token-Anzahl versus einer Glücksoption, etwa einer Münze mit entsprechend unterschiedlicher Auszahlung. Die Logik ist dabei elegant: Wer an einer bestimmten Zeilenposition von der sicheren Option zur riskanteren Wahl wechselt, legt damit indirekt einen Schwellenwert offen, ab dem das Kind das Risiko gegen die potenziell höhere Belohnung eintauscht. Ein strikt rational handelnder Akteur würde den Wechsel innerhalb einer Liste genau einmal vornehmen. In der Realität – vor allem bei 10- bis 11-Jährigen – wechseln Kinder aber häufig hin und her. Diese „inkonsistenten“ Antworten werden nicht pauschal verworfen, sondern als Information über die Qualität des Entscheidungsprozesses genutzt, weil sie die Mischung aus echter Bewertung und Fehlern sichtbar machen.
Die Datengrundlage umfasst 2.204 Fünftklässler aus China, die auf Tablet-Computern interaktive Aufgaben bearbeiteten. Neben dem Entscheidungsspiel erfassten die Forschenden Intelligenz über standardisierte visuelle Puzzles und die Persönlichkeitsstruktur über die Big Five, also Gewissenhaftigkeit, Verträglichkeit, Extraversion, Offenheit sowie emotionale Stabilität. Wichtig ist hier die Messmethode: Statt die Kinder sich selbst einschätzen zu lassen, nutzten die Forschenden Lehrerbewertungen. Das reduziert Verzerrungen, die entstehen können, wenn Kinder ihr eigenes Verhalten noch nicht konsistent genug beurteilen können oder wenn sie sich an der Aufgabenform statt am tatsächlichen Verhalten orientieren. Gleichzeitig bleibt das Design anspruchsvoll: Die Kinder werden nicht als „kleine Erwachsene“ behandelt, sondern als Population, in der kognitive Prozesse noch stärker von Aufmerksamkeit und Lernschleifen geprägt sind.
Im Zentrum steht ein mathematisches Modell, das zwei Fehlerarten konsequent auseinanderzieht: deliberation noise, also Bewertungsrauschen bei der gedanklichen Herleitung einer Option, und guessing, also echtes Raten, wenn die Person das Problem nicht mehr systematisch löst und zufällig auswählt. Zusätzlich wird die Fehlerverteilung nach der zeitlichen Struktur unterschieden: Manche Abweichungen sind transitorisch, andere persistent, sodass sich zeigt, welche Kinder über mehrere Spiele hinweg „konstanter“ noisiger sind. Anders als bei Standardansätzen verzichten die Forschenden auf die starre Annahme, dass die Risikoneigung unabhängig von der Prämienhöhe gleich bleibt. Stattdessen verwenden sie eine Expo-Power-Utility-Funktion, die zulässt, dass sich die Risikobereitschaft mit wachsender oder sinkender Belohnung verändert. Genau diese Flexibilität macht die nachfolgenden Ergebnisse interpretierbar: Wenn die Einsätze klein sind, zeigt sich ein anderes psychologisches Muster als bei großen Gewinnen – und Messmodelle, die das ignorieren, können Geschlechterunterschiede „fälschlich“ verstärken.
Das klassische Modell, das kognitive Fehler und Ratestrategien nicht berücksichtigt, reproduziert zunächst ein verbreitetes Resultat aus der Verhaltensökonomie: Es wirkt, als wären Mädchen im Mittel vorsichtiger als Jungen. Sobald die vollständige Modellierung angewandt wird – mit Guessing, Deliberationsrauschen und variierender Belohnungshöhe –, verschwindet dieser Gender Gap. Stattdessen zeigt sich ein differenziertes Bild: Bei kleinen Token-Gewinnen sind Jungen eher risikoscheuer; mit steigender Belohnung kippt die Tendenz um, sodass bei den größten Glücksoptionen Mädchen sogar risikoscheuer sind als Jungen. Diese Umkehr macht einen methodischen Kernpunkt deutlich: „Risikotoleranz“ als einzelner fester Wert kann bei Kindern stark irreführen, weil die beobachtete Wahlmischung aus echten Präferenzen und Fehlern besteht und sich Letzteres mit der Aufgabenstruktur verändert.
Auch über die reine Geschlechteranalyse hinaus liefern die Ergebnisse Hinweise, wie sich Konsistenz und Fehlerquellen verteilen. Insgesamt werden rund 30 % der Entscheidungen als Fehler klassifiziert, nicht als direkte Manifestation von Präferenzen. Die Zerlegung der Fehlerquellen fällt ebenfalls konkret aus: Transitorische Zufallsfehler machen etwa 12 % aus, persistentes Rauschen rund 9 %, und der verbleibende Teil entfällt auf direktes Raten. Intelligenz hängt dabei mit weniger zufälligem Guessing zusammen und korreliert zudem mit geringerem Deliberationsrauschen – bei Jungen stärker als bei Mädchen. Persönlichkeitsmerkmale wirken geschlechtsspezifisch: Bei Jungen beeinflusst Gewissenhaftigkeit sowohl die Basisneigung zu Risiko als auch die Konsistenz der Entscheidungen, während bei Mädchen die gemessenen Persönlichkeitsdimensionen vor allem steuern, wie häufig geraten wird und wie stark das Denken „rauscht“, aber nicht die Kern-Risikopräferenz selbst statistisch messbar verändert. So entsteht ein differenziertes Bild darüber, welche psychologischen Variablen eher mit Präferenz und welche eher mit Entscheidungsqualität zusammenhängen.
Für Unternehmen, die KI-gestützte Auswertung von Verhaltensdaten planen, ist das Muster unmittelbar übertragbar: Wenn Modelle menschliche Entscheidungen aus unvollständigen, fehlerbehafteten Signalen rekonstruieren sollen, führt ein zu starres Annahmemodell schnell zu systematischen Schlussfehlern. Zwar untersucht die Studie Kinder – doch methodisch ist die Botschaft generalisierbar: Modellflexibilität (z. B. zugelassene Abhängigkeiten von Einsatzgrößen), Fehlerentflechtung (Rauschen vs. Guessing) und saubere Operationalisierung von Messkonsistenz sind zentrale Bausteine, um verzerrte Gruppenvergleiche zu vermeiden. Gleichzeitig bleibt eine Einschränkung: Die Studie betrachtet einen Zeitpunkt. Langfristige Entwicklungsdynamiken könnten erklären, wie sich Präferenzen und Persönlichkeit wechselseitig beeinflussen. Für die Praxis heißt das: Wer heute aus beobachtetem Verhalten auf „Werte“ oder „Tendenzen“ schließt, sollte genau prüfen, ob der Messprozess Fehler modelliert – oder ob er sie unbemerkt dem eigentlichen Signal zuschreibt.
💳 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 "KI-Modelle entlarven: Der Gender Gap beim Risikoverhalten verschwindet bei richtiger Fehlerkorrektur" 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 "KI-Modelle entlarven: Der Gender Gap beim Risikoverhalten verschwindet bei richtiger Fehlerkorrektur" 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: »KI-Modelle entlarven: Der Gender Gap beim Risikoverhalten verschwindet bei richtiger Fehlerkorrektur« bei Google Deutschland suchen, bei Bing oder Google News!