Deine Kalibrierung über viele Vorhersagen hinweg verfolgen

Vergleiche deine Vertrauensstufen mit Ergebnissen über Dutzende Vorhersagen, um deine systematischen Verzerrungen zu finden.

Why it works

Eine einzelne Entscheidung sagt fast nichts über deine Entscheidungsqualität aus – Ergebnisse sind zu verrauscht. Kalibrierung – die Übereinstimmung zwischen angegebenem Vertrauen und tatsächlicher Genauigkeit – wird erst über viele Vorhersagen hinweg sichtbar. Wenn du bei 20 Entscheidungen "80 % sicher" sagst und nur in 50 % der Fälle recht hast, bist du auf dieser Stufe systematisch überzuversichtlich, und das Tagebuch gibt dir die Daten, das zu erkennen.

How to do it

1. Weise beim Protokollieren jeder Entscheidung deinem erwarteten Ergebnis eine Wahrscheinlichkeit zu (z. B. 70 %).
2. Halte nach Eintreten der Ergebnisse fest, ob das Ergebnis der Vorhersage entsprach.
3. Gruppiere nach 20–30 Einträgen die Vorhersagen nach Vertrauensband (50–60 %, 70–80 %, 90 %+) und berechne deine Trefferquote in jedem Band.
4. Wenn deine Genauigkeit konsequent hinter deinem Vertrauen zurückbleibt, korrigiere deine Vertrauensstufen in diesem Bereich nach unten.

Evidenz

Calibration training — making probabilistic predictions and scoring them against outcomes — is one of the few interventions with evidence of genuinely improving forecasting accuracy. The superforecasting research showed that explicit tracking and feedback narrows overconfidence. Lichtenstein and Fischhoff demonstrated that even brief training with outcome feedback measurably improved calibration, establishing that the confidence-accuracy gap is trainable rather than fixed. (observational)

Superforecasting evidence comes from geopolitical prediction tournaments; transfer to personal and professional decisions is plausible but the effect sizes in ordinary life decisions are not directly established. Calibration improves with practice, but overconfidence is persistent even in experienced practitioners.

Quellen

• Tetlock & Gardner (2015), Superforecasting: The Art and Science of Prediction
• Lichtenstein, S., & Fischhoff, B. (1980). Training for calibration. Organizational Behavior and Human Performance, 26(2), 149–171.
• Mellers, B., Stone, E., Murray, T., Minster, A., Rohrbaugh, N., Bishop, M., Chen, E., Baker, J., Hou, Y., Horowitz, M., Ungar, L., & Tetlock, P. (2015). Identifying and cultivating superforecasters as a method of improving probabilistic predictions. Perspectives on Psychological Science, 10(3), 267–281.
• Chang, W., Chen, E., Mellers, B., & Tetlock, P. (2016). Developing expert political judgment: The impact of training and practice on judgmental accuracy in geopolitical forecasting tournaments. Judgment and Decision Making, 11(5), 509–526.

Häufiger Fehler

Entscheidungen zu protokollieren, ohne Wahrscheinlichkeiten zuzuweisen, was Kalibrierungsverfolgung unmöglich macht und dir nur eine erzählerische statt einer statistischen Aufzeichnung hinterlässt.