TrainBayes

Der Lehrstuhl Didaktik der Mathematik der Universität Regensburg untersucht, wie statistische Informationen dargeboten werden müssen, damit einerseits Schülerinnen und Schüler aber auch Medizinstudierende oder Juristinnen und Juristen Aufgaben mit bedingten Wahrscheinlichkeiten möglichst gut verstehen. Insbesondere wird hierbei auch der Nutzen von Visualisierungen (Vierfeldertafeln und Baumdiagramme) im Zusammenhang mit Bayesianischen Aufgaben erforscht.

Bayesianische Situation

In vielen Professionen haben Experten Einschätzungen probabilistischer Natur auf der Basis unsicherer Evidenz zu treffen. Zwei wichtige Domänen, in denen dies zur täglichen Routine gehört, sind die Medizin und die Rechtsprechung. Viele Urteile von Ärzt*innen oder Richter*innen lassen sich auf der Grundlage der Formel von Bayes, einer zentralen Formel aus der Wahrscheinlichkeitsrechnung, mathematisch begründen. Diese Formel liefert ein Modell für die Änderung einer Wahrscheinlichkeitseinschätzung zu einer Hypothese, wie etwa über den Krankheitszustand eines Patienten oder über die Schuld einer/s Angeklagten, wenn neue Daten wie medizinische Testergebnisse oder juristische Indizien bekannt werden.

Allerdings kann das Bayesianische Denken im Sinne eines Updatens von Hypothesen auf der Basis relevanter Daten nicht nur für Laien, sondern auch für Experten eine erhebliche Schwierigkeit darstellen. Gerade in der Medizin und der Rechtsprechung, wo oftmals Entscheidungen von großer Tragweite über medizinische Behandlungen oder über juristische Sanktionierungen getroffen werden müssen, sind falsche Urteile aufgrund derartiger Trugschlüsse mit tragischen Folgen vielfach dokumentiert.

Studiendesign

Aufgrund der hohen Relevanz des Bayesianischen Denkens gibt es eine Fülle von Forschung in der Psychologie wie auch der Mathematikdidaktik, in der potentiell erfolgreiche Strategien zur Unterstützung Bayesianischen Denkens untersucht worden sind. Zwei Strategien, nämlich die Repräsentation der statistischen Informationen in Form von natürlichen Häufigkeiten und bestimmte Visualisierungen der statischen Information, haben sich bisher als verständnisfördernd für das Bayesianische Denken erwiesen. Der vorliegende Antrag hat das Ziel, bereits entwickelte Strategien (natürliche Häufigkeiten, Visualisierungen) systematisch zu kombinieren und in einem Training mit Studierenden der Bereiche Medizin und Jura experimentell zu untersuchen: Pro Domäne werden zwei Optimaltrainings (natürliche Häufigkeiten; Visualisierung mit Einheitsquadrat bzw. Doppelbaum), zwei "Kontrolltrainings" (schulcurricularer Standard; reines Häufigkeitstraining), sowie eine Kontrollgruppe implementiert und in einem "pre-post-follow up"-Design bezogen auf die Performanz, die Einschätzung der Wirkung von Parameteränderungen (Kovariation) sowie die adressatengerechte Kommunikation verglichen. Daraus sollen grundlagenorientiert domänenspezifische und domänenübergreifende Gelingensbedingungen für Bayesianische Schlussfolgerungen abgeleitet werden. Neuartig bei diesem Ansatz ist es, dass neben der Performanz auch die Kovariation und Kommunikation als Bestandteile des Bayesianischen Denken untersucht werden. Innovativ ist ebenso, dass bezüglich der Performanz und des Verständnisses der Kovariation nicht nur Ergebnisse (Produkte), sondern auch die kognitiven Strategien (Prozesse) zur Lösungsfindung durch die Analyse von (nicht-Bayesianischen) Zwischenergebnissen, Fehleranalysen sowie durch die write-aloud Methode adressiert werden.

http://www.bayesianreasoning.de/bayes.html (externer Link, öffnet neues Fenster)