Bayes’sches Denken – Schritt für Schritt – Mit Häufigkeiten und Baumdiagrammen Einsichten in komplexe Probleme ermöglichen

Chapter

Zusammenfassung

Bayesianische Aufgaben stellen in der Medizin eine besondere kognitive Herausforderung für Studierende dar. Denn sowohl Patienten als auch Medizinstudierende und Ärzte haben Schwierigkeiten, einen positiven oder negativen Vorhersagewert zu berechnen, wenn die Prävalenz der Erkrankung mit der Sensitivität und Falsch-Positiv-Rate eines diagnostischen Tests kombiniert werden muss.

Ein Blick in die gängigen medizinischen Lehrbücher aus der Biometrie zeigt, dass bayesianische Aufgaben überwiegend konventionell über das Konzept der bedingten Wahrscheinlichkeiten eingeführt und neue didaktische Herangehensweisen noch nicht ausreichend genutzt werden. Oftmals bleibt die Einführung zu stark mit der Formel von Bayes verbunden, oder es werden Prozentangaben genutzt, um die Sachverhalte zu verdeutlichen. Diese Vorgehensweisen eignen sich allerdings nicht dafür, bayesianische Aufgaben verständlich zu erklären.

Im Rahmen dieses Beitrags möchten wir ein didaktisches Konzept zur Einführung bayesianischer Aufgaben vorstellen, das zu einem Online-Kurs weiterentwickelt werden soll. Das Konzept basiert auf drei wesentlichen Schritten, die wir zur optimalen Erklärung bayesianischer Aufgaben für wichtig erachten: Der erste Schritt besteht in der Übersetzung der Wahrscheinlichkeiten – die oft als Prozentangaben dargestellt sind (z. B. 80 %) – in sogenannte „natürliche Häufigkeiten“ (z. B. 8 von 10). Der zweite Schritt erfolgt in der zusätzlichen Darbietung eines Baumdiagramms, das ebenfalls natürliche Häufigkeiten enthält, um den komplizierten Sachverhalt bayesianischer Aufgaben zu visualisieren. Der dritte Schritt besteht in der Hervorhebung derjenigen Äste des Baumdiagramms, die für die Beantwortung der Frage wesentlich sind. Im Anschluss daran kann das korrekte Ergebnis der Aufgabe direkt abgelesen werden.

Anhand konkreter Beispielaufgaben soll illustriert werden, wie bayesianische Aufgaben über diese drei Schritte einfach und gut verständlich eingeführt werden können.

Literatur

  1. Binder K, Krauss S, Bruckmaier G (2015) Effects of visualizing statistical information – an empirical study on tree diagrams and 2×2 tables. Front Psychol. 6:1186Google Scholar
  2. Eddy DM (1982) Probabilistic reasoning in clinical medicine: problems and opportunities. In Kahneman D, Slovic P, Tversky A (Hrsg) Judgment under Uncertainty: Heuristics and Biases. Cambridge University Press, New York S. 249–267CrossRefGoogle Scholar
  3. Garcia-Retamero R, Hoffrage U (2013) Visual representation of statistical information improves diagnostic inferences in doctors and their patients. Soc Sci Med 83:27–33CrossRefGoogle Scholar
  4. Gigerenzer G, Hoffrage U (1995) How to improve Bayesian reasoning without instruction: frequency formats. Psychol Rev 102:684–704CrossRefGoogle Scholar
  5. Hoffrage U, Gigerenzer G (1998) Using natural frequencies to improve diagnostic inferences. Acad Med 73:538–540CrossRefGoogle Scholar
  6. Sedlmeier P, Gigerenzer G (2001) Teaching Bayesian reasoning in less than two hours. J Exp Psychol Gen. 130:380–400Google Scholar
  7. Siegrist M, Keller C (2011) Natural frequencies and Bayesian reasoning: the impact of formal education and problem context. J. Risk Res 14:1039–1055CrossRefGoogle Scholar
  8. Wassner C, Martignon L, Biehler R (2004) Bayesianisches Denken in der Schule. Unterrichtswissenschaft 32:58–96Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland 2017

Authors and Affiliations

  1. 1.Didaktik der MathematikUniversität RegensburgRegensburgDeutschland
  2. 2.Universitätsklinikum RegensburgRegensburgDeutschland

Personalised recommendations