DfE-DB: A systematic database of 3.8 million human decisions across experience-based tasks

Der Artikel stellt die Decisions From Experience Database (DfE-DB) vor, eine umfassende Open-Access-Ressource, die 3,8 Millionen entscheidungsbezogene Daten auf Versuchslevel von 11.921 Teilnehmern aus 168 Studien harmonisiert, um systematische Vergleiche zu ermöglichen, wie Gestaltungsmerkmale menschliche Entscheidungstendenzen prägen und reproduzierbare Forschung fördern.

Das Wesentliche

Stellen Sie sich vor, Wissenschaftler, die seit Jahren versuchen zu verstehen, wie Menschen Entscheidungen auf Basis ihrer früheren Erfahrungen treffen, wären wie Detektive, die in separaten, isolierten Räumen arbeiten. Jeder Detektiv hat einen Stapel Hinweise (Daten), doch diese sind in verschiedenen Sprachen verfasst, in unterschiedlichen Notizbüchern gespeichert und auf verwirrende Weise organisiert. Aufgrund dessen war es nahezu unmöglich, die Erkenntnisse eines Detektivs mit denen eines anderen zu vergleichen, um das große Ganze zu erkennen.

Dieser Beitrag stellt ein gewaltiges neues Werkzeug vor, das DfE-DB (Decisions From Experience Database) genannt wird und wie ein riesiger, universeller Übersetzer und Aktenschrank für all diese verstreuten Hinweise fungiert.

Hier ist, was sie getan haben, einfach aufgeschlüsselt:

1. Die große Aufräumaktion
Die Forscher sammelten eine erdrückende Anzahl von 3,8 Millionen einzelnen Entscheidungen, die von fast 12.000 Personen in 168 verschiedenen Studien getroffen wurden. Zuvor waren diese Daten unordentlich und fragmentiert. Das Team nahm all diese rohen, unorganisierten Informationsstücke und „harmonisierte" sie. Stellen Sie sich vor, Sie nehmen Tausende verschiedener Puzzles aus unterschiedlichen Schachteln, sortieren jedes einzelne Teil und legen sie alle in eine einzige, riesige, organisierte Schachtel, in der jedes Teil perfekt zusammenpasst.

2. Die universelle Landkarte
Sie haben die Daten nicht einfach hineingeworfen; sie erstellten eine detaillierte Landkarte. Sie kategorisierten jede Studie basierend auf 13 spezifischen Designmerkmalen. Stellen Sie sich vor, Sie versuchen zu verstehen, warum Menschen verschiedene Eissorten wählen. Anstatt sich nur auf die Geschmacksrichtungen zu konzentrieren, würden Sie auch die Raumtemperatur, die Farbe des Löffels und den Hungerzustand der Person notieren. Die DfE-DB macht genau dies für Entscheidungsfindung, indem sie jedes Experiment mit Details wie folgenden markiert:

• Erhielt die Person sofortiges Feedback?
• Waren die Ergebnisse vorhersehbar oder zufällig?
• Bleiben die Spielregeln gleich oder ändern sie sich?

3. Was sie entdeckten
Sobald sie diese vereinheitlichte Landkarte hatten, konnten sie endlich Muster erkennen, die zuvor verborgen waren. Sie fanden heraus, dass sich die Art und Weise, wie Menschen wählen – ob sie dazu neigen, Risiken einzugehen, auf Nummer sicher zu gehen oder das durchschnittliche Ergebnis anzustreben – drastisch verändert, je nach den „Spielregeln" (den Designmerkmalen).

Zum Beispiel prägt die Art und Weise, wie eine Aufgabe gestaltet ist (wie etwa, ob man das Ergebnis sofort erfährt oder warten muss), stark, ob eine Person mutig oder vorsichtig handelt. Die Datenbank zeigte, dass diese spezifischen Designmerkmale einen großen Teil der Unterschiede erklären, die zwischen den Studien beobachtet wurden. Es ist, als würde man erkennen, dass der Grund, warum Menschen in verschiedenen Experimenten unterschiedlich handeln, nicht darin liegt, dass Menschen inkonsistent sind, sondern dass die „Spiele", die sie spielen, subtile, aber mächtige Unterschiede aufweisen.

4. Das Ergebnis
Das Hauptziel dieses Beitrags ist es, ein vereinheitlichtes, offen zugängliches Fundament für die Wissenschaft zu schaffen. Indem Forschenden ein einziger, zuverlässiger Ort zum Datenvergleich geboten wird, ermöglicht es ihnen zu testen, ob die Regeln menschlichen Verhaltens, die sie in einer Studie entdecken, auch in einer anderen gelten. Es verwandelt eine chaotische Sammlung isolierter Experimente in eine kohärente, integrierte Wissenschaft darüber, wie wir aus unseren Erfahrungen lernen.

Kurz gesagt: Der Beitrag baute nicht nur eine größere Bibliothek; er baute ein System, das es uns endlich erlaubt, alle Bücher in dieser Bibliothek gleichzeitig zu lesen, um die vollständige Geschichte menschlicher Entscheidungsfindung zu verstehen.

Technische Zusammenfassung

Technischer Überblick: DfE-DB

Problemstellung
Die Forschung zum Lernen aus Erfahrung im menschlichen Entscheiden war durch einen Mangel an systemischer Vergleichbarkeit zwischen Studien eingeschränkt. Der Fortschritt auf diesem Gebiet wird durch zwei Hauptprobleme behindert: heterogene Aufgabendesigns und fragmentierte Datenformate. Diese Inkonsistenzen verhindern, dass Forscher einheitliche quantitative Vergleiche durchführen können, und verschleiern die Generalisierbarkeit von Verhaltensphänomenen und rechnerischen Modellen über verschiedene experimentelle Kontexte hinweg.

Methodik
Um diese Fragmentierungsprobleme zu adressieren, haben die Autoren die Decisions From Experience Database (DfE-DB) erstellt. Diese Ressource umfasst die systemische Aggregation und Harmonisierung roher Verhaltensdaten aus 168 distincten Studien mit 11.921 Teilnehmern. Die Datenbank beinhaltet etwa 3,8 Millionen Entscheidungen auf Trial-Ebene, die sich über 13 verschiedene experimentelle Paradigmen erstrecken.

Der methodische Kernbeitrag liegt im Standardisierungsprozess. Die Autoren haben nicht lediglich Daten aggregiert; sie harmonisierten rohe Verhaltensaufzeichnungen und klassifizierten jede Studie gemäß 13 Schlüsselaspekten des Designs. Dieser Klassifikationsrahmen ermöglicht die systemische Zuordnung experimenteller Variablen, wie Feedback-Typen, Ergebnisstrukturen, Stationarität und Stichprobenverfahren, und erlaubt quantitative Vergleiche, die aufgrund struktureller Heterogenität zuvor unmöglich waren.

Hauptbeiträge

1. Einheitliche Infrastruktur: Die DfE-DB dient als strukturierte, frei zugängliche Ressource, die disparate Datensätze in eine einzige, erweiterbare Dateninfrastruktur vereint.
2. Taxonomie von Designmerkmalen: Durch die Klassifizierung von Studien entlang 13 spezifischer Designmerkmale bietet die Datenbank einen Mechanismus, um zu analysieren, wie bestimmte experimentelle Parameter Entscheidungsfolgen beeinflussen.
3. Reproduzierbarkeit: Die Ressource ist darauf ausgelegt, reproduzierbare Forschung zu erleichtern, indem sie die rigorose Prüfung der Allgemeingültigkeit von Verhaltensphänomenen und rechnerischen Modellen über ein breites Spektrum experimenteller Bedingungen hinweg ermöglicht.

Ergebnisse
Unter Nutzung der DfE-DB führten die Autoren eine Analyse von Wahlneigungen durch, wobei sie insbesondere Präferenzen gegenüber höherem Risiko, erwartetem Wert oder dem erfahrenen Mittelwert untersuchten. Die Ergebnisse zeigen, dass diese Neigungen zwischen verschiedenen Paradigmen erheblich variieren. Entscheidend ist, dass die Analyse demonstriert, dass diese Variabilität stark durch Kern-Designmerkmale geprägt wird, darunter:

• Feedback-Typ
• Ergebnisstruktur
• Stationarität
• Stichprobenverfahren

Die Datenbank offenbart, dass diese Designmerkmale einen erheblichen Anteil der studiübergreifenden Variabilität im Entscheidungsverhalten erklären. Darüber hinaus hebt die Analyse die Existenz von in der bestehenden Literatur noch wenig erforschten Paradigmen-Varianten hervor.

Bedeutung
Der Artikel positioniert die DfE-DB als grundlegendes Werkzeug zur Förderung einer stärker integrierten Wissenschaft des Lernens aus Erfahrung. Durch die Bereitstellung einer einheitlichen Plattform ermöglicht die Datenbank es Forschern, über isolierte Studienvergleiche hinauszugehen und systematische, quantitative Bewertungen vorzunehmen, wie experimentelles Design menschliches Verhalten prägt. Die Autoren behaupten, dass diese Infrastruktur essenziell ist, um die Robustheit und Allgemeingültigkeit bestehender Verhaltens-theorien und rechnerischer Modelle zu testen und damit die durch fragmentierte Daten und heterogene Aufgabendesigns auferlegten Einschränkungen zu adressieren.