← Neueste Arbeiten
💰 Quantitative Finanzwirtschaft

Experimentally Validated Digital Twins: Evaluating Workforce Training Programs in the Age of Big Data

Diese Arbeit zeigt auf, dass durch maschinelles Lernen trainierte Modelle auf Basis groß angelegter administrativer Daten „experimentell validierte digitale Zwillinge“ konstruieren können, um die Auswirkungen von Arbeitskräfte-Trainingsprogrammen präzise zu schätzen, wobei Fehlerraten erreicht werden, die mit randomisierten kontrollierten Studien vergleichbar sind, während gleichzeitig signifikante Variationen in der Wirksamkeit der Programme über Standorte und Zeiträume hinweg aufgezeigt werden.

Ursprünglicher Autor: Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

Veröffentlicht 2026-11-04
📖 6 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Seit Jahrzehnten gilt die randomisierte kontrollierte Studie als der Goldstandard für die Frage, ob ein Programm tatsächlich funktioniert. Bei diesem Ansatz nehmen Forscher eine Gruppe von Menschen, werfen eine Münze, um zu entscheiden, wer die neue Dienstleistung erhält und wer nicht, und vergleichen dann die Ergebnisse. Da die Zuweisung zufällig erfolgt, kann jeder Unterschied im Ergebnis mit Zuversicht auf das Programm selbst zurückgeführt werden und nicht darauf, dass die Personen, die sich angemeldet haben, motivierter waren oder von vornherein bessere Jobs hatten. Diese Methode ist zum Fundament moderner Politik geworden und leitet Entscheidungen in allen Bereichen von der Bildung bis zur Berufsbildung. Das Durchführen dieser Studien ist jedoch teuer, langsam und oft unmöglich für jedes einzelne existierende Programm. Infolgedessen operieren viele Programme ohne strengen Nachweis ihres Wertes, was politische Entscheidungsträger im Unklaren lässt, ob ihre Investitionen helfen oder schaden.

Die Alternative bestand traditionell darin, Beobachtungsdaten heranzuziehen, indem man Menschen vergleicht, die sich bewusst für die Teilnahme an einem Programm entschieden haben, mit jenen, die es nicht taten. Doch die Geschichte hat gezeigt, dass dies ein gefährlicher Pfad ist. Da Menschen, die sich zur Teilnahme entscheiden, sich oft in einer Weise von denen unterscheiden, die fernbleiben – etwa durch ihren Antrieb oder ihre familiäre Unterstützung –, führen einfache Vergleiche oft zu irreführenden Ergebnissen. Jahrelang galt der Konsens, dass man ohne eine randomisierte Studie den Zahlen schlichtweg nicht vertrauen konnte. Dieses Papier hinterfragt dieses Fazit jedoch in einer Ära der massiven Datenmengen. Die Forscher stellten eine einfache Frage: Wenn wir Zugang zur vollständigen Arbeits- und Steuerhistorie jedes erwachsenen Amerikaners haben, kombiniert mit leistungsstarken Computermodellen, können wir dann eine virtuelle Version eines Menschen erschaffen, die so genau ist, dass sie wie eine randomisierte Kontrollgruppe fungiert?

Das Team, geleitet von Ökonomen der Harvard University und der Organisation Opportunity Insights, testete diese Idee am spezifischen Fall von Berufsbildungsprogrammen. Sie sammelten einen gewaltigen Datensatz, der die Steuerunterlagen von 327 Millionen Amerikanern enthielt und deren Einkommen von 1999 bis 2025 verfolgte. Sie verknüpften diese Datensätze mit Informationen über mehr als 100.000 Menschen, die an verschiedenen Berufsbildungsprogrammen teilgenommen hatten. Anstatt zu versuchen, für jeden Teilnehmer einen perfekten Partner in einer kleinen Umfrage zu finden, wie es in der Vergangenheit üblich war, nutzten sie maschinelles Lernen, um ein hochentwickeltes Vorhersagemodell zu erstellen. Dieses Modell lernte aus der gesamten Bevölkerung, um vorherzusagen, wie hoch das Einkommen der Teilnehmer gewesen wäre, wenn sie niemals am Programm teilgenommen hätten. Die Forscher nannten diese Vorhersagen „digitale Zwillinge“ – statistische Stellvertreter für die Teilnehmer, die repräsentieren, was mit ihnen geschehen wäre, hätten sie die Ausbildung nicht erhalten.

Um zu prüfen, ob diese digitalen Zwillinge tauglich waren, benötigten die Forscher einen Maßstab. Sie wandten sich an 37 bestehende randomisierte Studien zu Berufsbildungsprogrammen, die zwischen 2000 und 2019 durchgeführt worden waren. Diese Studien lieferten die wahren, experimentell verifizierten Antworten darauf, wie viel Geld die Teilnehmer tatsächlich verdienten, verglichen mit jenen, die zufällig der Gruppe ohne Teilnahme zugewiesen worden waren. Die Forscher wandten ihre Methode der digitalen Zwillinge dann auf dieselben Gruppen von Menschen an. Sie ließen den Computer das Einkommen der Teilnehmer basierend auf deren bisheriger Arbeitsgeschichte, Demografie und Wohnort vorhersagen und verglichen diese Vorhersagen dann mit den tatsächlichen Ergebnissen aus den randomisierten Studien.

Die Ergebnisse waren bemerkenswert. Die Vorhersagen der digitalen Zwillinge stimmten mit den Ergebnissen der randomisierten Studien mit bemerkenswerter Präzision überein. Der Unterschied zwischen der Schätzung des Computers und dem realen experimentellen Ergebnis war so gering, dass er mit dem natürlichen statistischen Rauschen in den Studien vergleichbar war. Tatsächlich war der Fehler in den Schätzungen der digitalen Zwillinge sogar etwas kleiner als der Fehler in den randomisierten Studien, primtär weil das Computermodell Zugang zu einem viel größeren Pool an Daten zur Erstellung des Modells hatte. Die Forscher fanden heraus, dass die alte Arbeitsweise, die auf kleineren Umfragen und einfacherer Mathematik beruhte, Fehler produzierte, die mehr als doppelt so groß waren. Der Schlüssel zum Erfolg lag nicht nur darin, mehr Daten zu haben, sondern in der Verwendung flexibler Computermodelle, die die Komplexität realer menschlicher Leben bewältigen konnten, wie etwa die Verfolgung des Einkommens über viele Jahre und über verschiedene Branchen hinweg.

Nachdem die Methode validiert worden war, nutzten die Forscher sie, um sich Berufsbildungsprogramme an Orten und zu Zeiten anzusehen, an denen es noch nie eine randomisierte Studie gegeben hatte. Sie entdeckten, dass der Erfolg dieser Programme keine feste Zahl war; er variierte drastisch je nach Standort des Programms und dem jeweiligen Jahr. So zeigte beispielsweise ein spezielles Programm namens „Year Up United“ eine breite Spanne an Ergebnissen. In einigen Städten und in bestimmten Jahren steigerte das Programm das Jahreseinkommen der Teilnehmer um über 12.000 US-Dollar, während der Zuwachs an anderen Standorten oder in anderen Jahren deutlich geringer ausfiel. Diese Unterschiede waren zu groß, um auf reinem Zufall zu beruhen, was darauf hindeutet, dass die Wirksamkeit eines Programms stark von den lokalen Bedingungen und der jeweiligen Durchführung abhängt.

Die Studie deckte auch auf, was diese Programme erfolgreich macht. Die größten Einkommensgewinne kamen von Programmen, die mehr taten, als nur Fähigkeiten zu vermitteln; sie vermittelten die Teilnehmer aktiv in Praktika und Jobs in spezifischen, hochbezahlten Branchen. Die Forscher fanden heraus, dass der Einkommenszuwachs umso höher war, je erfolgreicher ein Programm darin war, die Menschen in diese Zielsektoren zu vermitteln. Darüber hinaus waren diese Gewinne nicht vorübergehend. Teilnehmer, die zwei Jahre nach dem Programm deutliche Einkommenssteigerungen verzeichneten, verdienten selbst zehn bis fünfzehn Jahre später noch immer signifikant mehr als ihre digitalen Zwillinge. Diese Beständigkeit hielt selbst bei den 90 Prozent der Teilnehmer an, die ihren ursprünglichen Job schließlich verlassen hatten. Die Daten legen nahe, dass diese Programme den Menschen nicht nur einen Gehaltsscheck verschaffen, sondern sie auf eine Karriereleiter setzen, die sich für den Rest ihres Arbeitslebens auszahlt, unabhängig davon, wo sie letztlich arbeiten.

Die Autoren kommen zu dem Schluss, dass randomisierte Studien zwar ein wichtiges Instrument zur Überprüfung der Genauigkeit dieser Methoden bleiben, die Ära der Big Data jedoch die Landschaft der Programmbewertung verändert hat. Es ist nun möglich, „digitale Zwillinge“ zu erschaffen, die zuverlässige, nahezu echtzeitfähige Belege dafür liefern, ob ein Programm funktioniert, selbst wenn kein formelles Experiment stattfindet. Dieser Ansatz ermöglicht es politischen Entscheidungsträgern zu sehen, wie ein Programm in einer spezifischen Stadt oder einem spezifischen Jahr performt, anstatt sich auf einen einzigen Durchschnittswert aus einer Studie zu verlassen, die vor Jahren an einem anderen Ort durchgeführt wurde. Die Ergebnisse legen nahe, dass wir durch die Nutzung reichhaltiger Daten und flexibler Modelle über die alte Debatte hinausgehen können, ob Beobachtungsdaten vertrauenswürdig sind, und stattd通り sie nutzen können, um die spezifischen Details zu verstehen, die darüber entscheiden, ob Interventionen Erfolg haben oder scheitern.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →