Methode Stichproben verstehen

Bargeld unter Druck

Herausforderung Risikokompetenz

Risikokompetenz lässt sich als eine Sammlung von Fähigkeiten und Fertigkeiten verstehen, welche ein kritisches Verständnis von unsicheren Ereignissen und einen für das eigene Leben dienlichen Umgang mit diesen ermöglichen. Hierzu zählen:

  • Risiko von Sicherheit korrekt zu unterscheiden,
  • Probleme des Risikos von Problemen der Unsicherheit korrekt zu unterscheiden,
  • bedingte Wahrscheinlichkeiten korrekt zu berechnen,
  • grafische Risikodarstellungen (Diagramme) kritisch zu nutzen,
  • Referenzbedingungen von Wahrscheinlichkeitsausdrücken zu hinterfragen,
  • absolute und relative Risikodarstellungen korrekt zu unterscheiden,
  • numerische Wahrscheinlichkeitsausdrücke korrekt zu interpretieren,
  • die Einschränkungen von Stichproben zu verstehen.

 

Warum ist es relevant, die Risikokompetenz von Verbrauchern zu verbessern?

Wunsch und Ziel ist es, dass der Verbraucher bessere Entscheidungen trifft. Dem entgegenstehend trifft der Verbraucher bei der Suche nach Informationen auf Statistiken, die mithilfe von Stichproben gewonnen wurden. Stichproben entsprechen niemals 1:1 der Grundgesamtheit (z.B. der Gesamtbevölkerung), aus der sie gezogen wurden. Die Qualität dieser Stichproben beeinflusst also maßgeblich, wie zuverlässig eine Schlussfolgerung zur Grundgesamtheit ist. Mehrere Stichproben können dabei durchaus verschiedene Schlussfolgerungen zulassen. Wenn Verbraucher nun nicht verstehen, was eine Stichprobe ausmacht, werden wissenschaftliche Widersprüche – die wenig zu ihrer Entscheidung beitragen können – als Inkompetenz gedeutet und die Rolle von Wissenschaft unter Umständen zurückgewiesen.

 

Warum ist es schwierig, die Risikokompetenz hinsichtlich des Verständnisses von Stichproben zu verbessern?

Möchte man die Risikokompetenz von Verbrauchern erhöhen, indem man ihnen wesentliche Grundzüge der Statistik von Stichproben vermittelt, steht man vor folgenden Herausforderungen:

  • die Unterscheidung von Stichprobe und Grundgesamtheit zu vermitteln,
  • die Variationen durch wiederholtes Stichprobenziehen zu vermitteln,
  • die Relevanz für den Umgang mit Berichten über Studien zu erkennen,
  • wie weckt man das Interesse an der Auseinandersetzung mit solch abstrakten Lerninhalten?
Welcher wissenschaftliche Lösungsansatz bietet sich an?

Lernen durch Erfahrung. Gleich einem Wissenschaftler sammelt der Lernende empirisch Beobachtungen im Rahmen der Visualisierung. Hierdurch erschließt sich, dass ein Ausschnitt einzelner Beobachtungen niemals perfekt ist und dass jede neue Sammlung von Beobachtungen andere Ergebnisse bringt als die bisherigen.

Die zweite entscheidende Stellschraube ist Storytelling in Visualisierungen (Krzywinski & Cairo, 2013). Die Visualisierung wird als lineare Geschichte mit einem Problem zum Beginn und einer Auflösung am Ende „durchgearbeitet". Dadurch wird nicht nur die Motivation beim Lernen verstärkt, sondern eine permanente Kontextualisierung des jeweils gegenwärtigen Lerninhalts in den Gesamtrahmen wird erleichtert. Interaktivität kann eingesetzt werden, um das Interesse aufrechtzuerhalten. Dies sollte, wie hier, sparsam, gezielt und stimmig mit der notwendigen Bedienung und dem Inhalt sein.

Um das Verständnis von Stichproben zu vermitteln, ist zunächst die Grundgesamtheit zu verdeutlichen und hervorzuheben, wie Eigenschaften in ihr verteilt sind. Hierbei ist das exemplarische Auszählen einer fiktiven Grundgesamtheit möglich. Ab diesem Punkt lässt sich das Stichprobenziehen einführen.

Durch die Technik der Visualisierung ist ein Vergleich der Ergebnisse der Stichprobe mit den zuvor gezählten Ergebnissen der Grundgesamt in Echtzeit möglich. Dies verdeutlicht den Charakter einer Studiendurchführung im Verhältnis zur zugrunde liegenden wahren Verteilung. Abweichungen können als Schätzfehler kenntlich gemacht werden.

Unmittelbar hieraus folgt die Erkenntnis, wie die Stichprobengröße die Größe des Schätzfehlers negativ beeinflusst. Dadurch dass man dem Lernenden einräumt, mehrere Studien „durchzuführen", lernt er nicht nur, dass die Unsicherheit um Schätzwerte bestehen bleibt, sondern dass einander widersprechende Studienergebnisse möglich sind. Begleitend erleichtern kontinuierlich Testfragen mit Rückmeldungen die Verinnerlichung von wichtigen Aspekten.

Das technische Vorbild war eine Visualisierung zum Thema Wahlumfragen (Rock’n Poll, 2017).

Literaturempfehlungen zu den methodischen Grundlagen
  • Krzywinski, M., & Cairo, A. (2013). Storytelling: Relate your data to the world around them using the age-old custom of telling a story. Nature Methods, 10(8), 687–688.
  • Rock’n Poll (2017). Polls explained with interactive graphics, http://rocknpoll.graphics/ (letzter Aufruf am 27.09.2019).
Wie können Sie die Methode übernehmen?

1. Weg: Sie können die vorliegende Visualisierung einbinden
Es besteht die Möglichkeit, die Visualisierung von unserer Website samt Rahmentext über iframe einzubinden. Hierfür übernehmen Sie folgenden html-Code für Ihre Webseite: <iframe frameborder="0" height="800px" src="https://static.risikoatlas.de/modules/module04/index.html" width="1024px"></iframe>

2. Weg: Sie können die vorliegende Visualisierung adaptieren
Sollten Sie als Multiplikator Ihre eigenen Daten nutzen, können Ihre Webentwickler diese in die Lernvisualisierung einpflegen.

Wir stellen Ihnen den dokumentierten Code für den Verantwortlichen Ihrer Webseite zum Download über github bereit. Sie können das Material dann editieren. Den Link zum Repository finden Sie demnächst hier.

3. Weg: Sie können das wissenschaftliche Prinzip unabhängig anwenden
Wenn Sie hierbei Unterstützung benötigen, konsultieren Sie bitte den Abschlussbericht zum RisikoAtlas-Projekt ab Juli 2020 oder richten Sie eine Anfrage an uns. Die Kontaktdaten finden Sie im Reiter Kontakt.

Wir bitten darum, bei der Nutzung der Instrumente den Zuwendungsgeber, das Bundesministerium der Justiz und für Verbraucherschutz, sowie das Harding-Zentrum für Risikokompetenz als verantwortliche Entwickler zu erwähnen.

Die Logos zum Download finden Sie hier.

Links zu weiteren Methoden
Visualisierung mit Rahmentext

Bargeld unter Druck

Die Deutschen hängen am Bargeld, hört man immer wieder. Und tatsächlich ist es in unseren europäischen Nachbarländern um einiges verbreiteter als bei uns, selbst kleinste Summen mit der Karte zu zahlen. Doch wie wichtig ist uns Deutschen das Bargeld wirklich? Forscher ermitteln Meinungen einer großen Gruppe von Menschen durch Stichprobenumfragen. Wie funktioniert das genau? Und wie repräsentativ sind diese Stichproben wirklich, und wie verzerrt ist das Ergebnis, wenn eine andere – ebenso zufällig ausgewählte – Gruppe von Menschen befragt wird? Lernen Sie mit unserer Visualisierung, wie Stichproben entstehen, und verbessern Sie dadurch Ihre Risikokompetenz!

 

Wann brauche ich die Visualisierung?

Wenn Sie etwas darüber lernen möchten, wie sich von gesammelten Beobachtungen auf die Realität schließen lässt.
Die Bearbeitung dieser Lernvisualisierung soll Ihnen ermöglichen zu verstehen, warum mehrere wissenschaftliche Studien, die sich auf Stichproben stützen, niemals exakt gleiche Ergebnisse produzieren, aber unter geeigneten Umständen die gleiche Schlussfolgerung unterstützen. Damit leisten Sie einen Beitrag für Ihre eigene Risikokompetenz. Diese Lernvisualisierung dient nicht dazu, Sie bei einer konkreten Entscheidungsfindung zu unterstützen.

 

Was zeigt die Visualisierung?

Die Visualisierung wird durch eine Abfolge von Verständnisfragen begleitet. Neben den korrekten Antworten erhalten Sie auch eine Rückmeldung darüber, wie oft andere Lernende die Fragen korrekt beantworteten.

Quelle und Qualität der Daten

Woher stammen die Zahlen?

 

Wie hoch ist die Qualität der Daten?

Die zugrunde liegenden Daten sind ein Lernbeispiel. Die Qualität der für das im Beispiel herangezogenen Befragungsdaten ist moderat, da sie nicht auf Haushaltsbefragungen mit nationaler repräsentativer Stichprobe beruhen.

 

Datum der letzten Aktualisierung: 14. Oktober 2019

Links zu weiteren Themen