• search hit 5 of 10
Back to Result List

Three articles on a decision support system providing individual error pattern feedback versus automated debiasing of judgments

  • The objective of this cumulative dissertation is to mitigate cognitive bias in human expert judgments intending to increase accuracy of judgments. The latter is important as it is known to be essential for business success. The approach for this purpose is to combine the strengths of humans and machines by giving the expert feedback generated by a statistical model (the machine) based on previous errors of the expert. Based on this concept of collaborative intelligence, a Decision Support System (DSS) is developed and tested in several experiments. The cumulative dissertation consists of three articles. Article 1 and Article 2 investigate different aspects of the DSS and Article 3 merges and supports the statements thereof. Article 1 considers the impact of personal error pattern feedback on further point estimates. The error feedback is based on personal prior judgments originating from different categories, assuming that experts selectively apply the feedback and are able to reduce bias and error. Thereby it is examined, how theThe objective of this cumulative dissertation is to mitigate cognitive bias in human expert judgments intending to increase accuracy of judgments. The latter is important as it is known to be essential for business success. The approach for this purpose is to combine the strengths of humans and machines by giving the expert feedback generated by a statistical model (the machine) based on previous errors of the expert. Based on this concept of collaborative intelligence, a Decision Support System (DSS) is developed and tested in several experiments. The cumulative dissertation consists of three articles. Article 1 and Article 2 investigate different aspects of the DSS and Article 3 merges and supports the statements thereof. Article 1 considers the impact of personal error pattern feedback on further point estimates. The error feedback is based on personal prior judgments originating from different categories, assuming that experts selectively apply the feedback and are able to reduce bias and error. Thereby it is examined, how the feedback is used to change the direction of error and to reduce bias and error. This is investigated in general disregarding categories as well as selectively regarding difference between categories. Article 1 also covers the comparison between human corrected bias and machine auto-corrected bias. Article 2 deals with experiments with the same DSS, but focusing on certainty (confidence) interval estimation and decreasing overprecision (overconfidence) and over- and underestimation biases. Here, the DSS requires users to indicate a 90% certainty interval as an answer to estimation questions. It is investigated how feedback based on own error patterns can help to reduce overprecision by broadening certainty intervals. Moreover, aiming to mitigate over- and underestimation biases, shifts of the intervals are examined. Article 3 supports the statements of Article 1 and 2 by taking into account additional experiments with a larger sample size with the same categories as well as new categories to make the results more robust and generally valid. Article 3 also includes a further analysis regarding the comparison between human corrected bias and machine auto-corrected bias.show moreshow less
  • Das Ziel dieser kumulativen Dissertation ist es, kognitive Verzerrungen in menschlichen Expertenurteilen zu verringern, um die Genauigkeit der Urteile zu erhöhen. Letzteres ist wichtig, da die Genauigkeit von Entscheidungen wesentlich für den Geschäftserfolg ist. Zu diesem Zweck werden die Stärken von Menschen und Maschinen kombiniert, indem Experten Feedback gegeben wird, das von einem statistischen Modell (der Maschine) auf der Grundlage vorheriger Fehler des Experten erstellt wird. Basierend auf diesem Konzept der kollaborativen Intelligenz wird ein Entscheidungsunterstützungssystem entwickelt und in mehreren Experimenten getestet. Die kumulative Dissertation besteht aus drei Artikeln. Artikel 1 und Artikel 2 untersuchen verschiedene Aspekte des Entscheidungsunterstützungssystems und Artikel 3 fasst die Aussagen zusammen und untermauert sie. Artikel 1 untersucht den Einfluss von Feedback basierend auf einem persönlichen Fehlermuster auf weitere Punktschätzungen. Das Feedback basiert auf bisherigen persönlichen Schätzungen, die ausDas Ziel dieser kumulativen Dissertation ist es, kognitive Verzerrungen in menschlichen Expertenurteilen zu verringern, um die Genauigkeit der Urteile zu erhöhen. Letzteres ist wichtig, da die Genauigkeit von Entscheidungen wesentlich für den Geschäftserfolg ist. Zu diesem Zweck werden die Stärken von Menschen und Maschinen kombiniert, indem Experten Feedback gegeben wird, das von einem statistischen Modell (der Maschine) auf der Grundlage vorheriger Fehler des Experten erstellt wird. Basierend auf diesem Konzept der kollaborativen Intelligenz wird ein Entscheidungsunterstützungssystem entwickelt und in mehreren Experimenten getestet. Die kumulative Dissertation besteht aus drei Artikeln. Artikel 1 und Artikel 2 untersuchen verschiedene Aspekte des Entscheidungsunterstützungssystems und Artikel 3 fasst die Aussagen zusammen und untermauert sie. Artikel 1 untersucht den Einfluss von Feedback basierend auf einem persönlichen Fehlermuster auf weitere Punktschätzungen. Das Feedback basiert auf bisherigen persönlichen Schätzungen, die aus verschiedenen Kategorien stammen, wobei angenommen wird, dass Experten das Feedback selektiv anwenden und in der Lage sind, Verzerrungen und Fehler zu reduzieren. Dabei wird untersucht, wie das Feedback genutzt wird, um die Richtung des Fehlers zu korrigieren und Verzerrungen und Fehler zu reduzieren. Dies wird sowohl allgemein unter Vernachlässigung von Kategorien als auch selektiv hinsichtlich der Unterschiede zwischen Kategorien untersucht. Artikel 1 befasst sich auch mit dem Vergleich zwischen menschlich korrigierter Verzerrung und maschinell automatisch korrigierter Verzerrung. Artikel 2 behandelt Experimente mit demselben Entscheidungsunterstützungssystem, wobei der Schwerpunkt auf der Schätzung von Konfidenzintervallen und der Verringerung von Selbstüberschätzung sowie Über- und Unterschätzungsfehlern liegt. Hier fordert das Entscheidungsunterstützungssystem die Benutzer auf, ein 90%iges Konfidenzintervall als Antwort auf Schätzungsfragen anzugeben. Es wird untersucht, wie das Feedback auf der Grundlage eigener Fehlermuster dazu beitragen kann, Selbstüberschätzung durch Erweiterung der Konfidenzintervalle zu reduzieren. Darüber hinaus werden Verschiebungen der Intervalle analysiert, um herauszufinden, ob Über- und Unterschätzungsfehler abgeschwächt werden. Artikel 3 untermauert die Aussagen von Artikel 1 und Artikel 2, indem er zusätzliche Experimente mit einer größeren Stichprobengröße mit denselben Kategorien sowie neuen Kategorien berücksichtigt, um die Ergebnisse robuster und allgemein gültig zu machen. Artikel 3 enthält auch eine weitere Analyse zum Vergleich zwischen menschlich korrigierter Verzerrung und maschinell automatisch korrigierter Verzerrung.show moreshow less

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar Statistics
Metadaten
Author:Balla, Nathalie
URN:urn:nbn:de:bvb:824-opus4-9204
DOI:https://doi.org/10.17904/ku.opus-920
Subtitle (English):[cumulative dissertation]
Advisor:Prof. Dr. Setzer, Thomas, Prof. Dr. Habisch, André
Document Type:Doctoral thesis
Language of publication:English
Year of creation:2024
Date of first Publication:2024/07/31
Publishing Institution:Katholische Universität Eichstätt-Ingolstadt
Awarding Institution:Katholische Universität Eichstätt-Ingolstadt, Wirtschaftswissenschaftliche Fakultät
Date of final examination:2023/10/24
Release Date:2024/07/31
Tag:Automated Debiasing; Debiasing; Decision Support System; Feedback; Self-Reflection
GND Keyword:Entscheidungsfindung; Entscheidungsunterstützungssystem; Verzerrte Kognition
Pagenumber:68 Seiten : Illustrationen, Karten, Diagramme
Faculty:Wirtschaftswissenschaftliche Fakultät
Dewey Decimal Classification:3 Sozialwissenschaften / 33 Wirtschaft / 330 Wirtschaft
JEL-Classification:M Business Administration and Business Economics; Marketing; Accounting
License (German):License LogoCreative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.