Führ Premortems zu vergangenen Erkennungsfehlern durch

Sieh Fälle durch, in denen Mustererkennung dich in die Irre führte, um das gemeinsame strukturelle Merkmal zu finden, das dich täuscht.

Why it works

Erkennungsfehler sind selten zufällig – sie ballen sich um mehrdeutige Situationstypen, die Oberflächenmerkmale mit vertrauten Prototypen teilen, sich aber in der mechanistisch relevanten Dimension unterscheiden. Diese Auslöser-Fehler-Paare zu identifizieren legt die konkrete Schwachstelle in der Musterbibliothek offen. Das ist der diagnostische Schritt, der korrigierendes Lernen von bloßer Erfahrungsanhäufung unterscheidet.

How to do it

1. Sammle drei bis fünf Fälle, in denen deine erste Erkennung sich als falsch herausstellte.
2. Identifiziere für jeden, welches Merkmal ihn wie das Muster wirken ließ, das er nicht war, und welches Merkmal ihn tatsächlich unterschied.
3. Schreib für jedes Paar eine Regel „X nicht mit Y verwechseln“.
4. Füge diese als negative Beispiele neben den positiven Prototypen zu deiner Entscheidungshinweisliste hinzu.

Evidenz

Die Critical Decision Method und Post-Incident-Analysetechniken in hochzuverlässigen Organisationen (Luftfahrt, Kernkraft, Notfallmedizin) nutzen diese Struktur, um Wiederholung zu verhindern. Die Praxis ist institutionalisiertes klinisches/berufliches Lernen statt eine Technik mit unabhängiger RCT-Evidenz. Dillon und Tinsley zeigen, warum die Überprüfung bewusst sein muss: Beinahe-Fehler werden systematisch als Erfolge umgedeutet, sodass das strukturelle Merkmal, das das Scheitern beinahe verursacht hätte, ungelernt bleibt, wenn es nicht explizit aufgedeckt wird. (clinical)

Vergangene Fehlschläge zu überprüfen erfordert Zugang zu akkuraten Berichten dessen, was passiert ist, was durch Hindsight Bias und Gedächtnisverzerrung beeinträchtigt wird. Strukturierte Vorfall-Überprüfung reduziert, aber eliminiert das nicht.

Quellen

• Dillon, R. L., & Tinsley, C. H. (2008). How near-misses influence decision making under risk: A missed opportunity for learning. Management Science, 54(8), 1425–1440.

Häufiger Fehler

Einen Erkennungsfehler „Pech“ zuzuschreiben statt einer strukturellen Fehlklassifikation – die Pech-Rahmung verhindert genau das Muster-Update, das eine Wiederholung verhindern würde.