Eine Auswahl ist verzerrt, wenn sie von der Gleichverteilung abweicht — nicht weil jemand jemanden bevorzugen wollte, sondern weil an irgendeiner Stelle menschliches Urteilsvermögen in den Prozess gelangt ist.
Dieser Unterschied ist wichtig. Niemand in den folgenden Szenarien hat beschlossen, voreingenommen zu sein. Die Verzerrung liegt in der Art der Auswahl, und sie ist gerade deshalb unsichtbar, weil sie sich wie ein Urteil anfühlt und nicht wie eine Auswahl.
1. Aktualität
Was es ist. Alles, was zuletzt passiert ist, wird höher gewichtet. Die Schülerin, die sich zuletzt gemeldet hat, wird ausgewählt; die vor fünf Minuten erwähnte Aufgabe wirkt dringend und wird erledigt.
Wie es aussieht. „Wer möchte als Nächstes?” — und Sie nehmen jedes Mal die erste Hand. Die Schülerin, die sie vor dreißig Sekunden gehoben hat, hat einen besseren Anspruch auf Ihre Aufmerksamkeit als die, die sie in der ersten Minute gehoben hat.
Die Lösung. Ziehen Sie, statt die erste Hand zu nehmen. Es gibt keine Reihenfolge, die man ausnutzen könnte.
2. Ähnlichkeit mit mir
Was es ist. Menschen bevorzugen, die an einen selbst erinnern — gleiche Interessen, gleicher Kommunikationsstil, gleicher Hintergrund.
Wie es aussieht. Sie wählen die Schülerin, die eine Antwort gibt, wie Sie sie gegeben hätten. Nicht absichtlich; es wird als „sie hatte eine gute Antwort” wahrgenommen und nicht als „sie ist wie ich”.
Die Lösung. Legen Sie das Ergebnis fest, bevor Sie ziehen. Die Auswahl ist getroffen und Sie akzeptieren sie — das ist der ganze Punkt. Eine Ziehung, die Sie überschrieben hätten, ist keine Auswahl.
3. Position
Was es ist. Systematische Bevorzugung von Einträgen am Anfang, am Ende oder in der Mitte einer Liste.
Wie es aussieht. Sie scannen ein Anwesenheitsverzeichnis und hören auf, sobald Sie jemanden Geeigneten finden. Der obere Teil der Liste bekommt mehr Aufmerksamkeit. Bei einem Rad wirken Einträge an auffälligen Positionen wichtiger.
Die Lösung. Verwenden Sie eine gemischte Ziehung. Wenn die Reihenfolge sichtbar und fest ist, ist die Position ein echter Einflussfaktor, unabhängig von Ihren Absichten.
4. Bestätigung
Was es ist. Ergebnisse als Beweis für das interpretieren, was man ohnehin schon glaubte.
Wie es aussieht. Eine Schülerin mit einem bestimmten Ruf liefert Ergebnisse, die als Bestätigung gelesen werden, während dasselbe Ergebnis bei einer Schülerin, die Sie schätzen, als gute Überraschung gelesen wird. Die Ziehung war fair; die Interpretation war es nicht.
Die Lösung. Schreiben Sie den Grund für eine Entscheidung auf, bevor Sie sie treffen. Wenn Sie nicht begründen können, warum, bevor Sie das Ergebnis sehen, wurde die Entscheidung nicht auf dieser Grundlage getroffen.
5. Verfügbarkeit
Was es ist. Wer anwesend ist, wird als Stellvertreter dafür behandelt, wer einbezogen werden sollte.
Wie es aussieht. Zwei Schülerinnen fehlen; die Ziehung enthält sie; Sie überspringen sie, wenn sie auftauchen. Jetzt war der Pool nicht der veröffentlichte Pool, und die Abweichung war nicht zufällig.
Die Lösung. Entfernen Sie abwesende Teilnehmende vor der Ziehung und sagen Sie, dass Sie es getan haben. Wenn die Zahl der verbleibenden Namen veröffentlicht wird, ist das Ergebnis vertretbar.
6. Eigendynamik
Was es ist. Ein Muster so behandeln, als wäre es ein Mechanismus. Jemanden zu überspringen, weil er in letzter Zeit oft ausgewählt wurde, ist ein legitimer Fairness-Instinkt, und er erzeugt ein Ergebnis, das nicht zufällig ist.
Wie es aussieht. „Sie hatte drei Runden, ich lasse sie aus.” Die nächste Ziehung enthält sie wieder, und der Ausgleich hat die Verteilung verschoben, ohne dass jemand entschieden hätte, dass es so sein soll.
Die Lösung. Wenn Ausgewogenheit über ein Halbjahr zählt, braucht es eine Rotation, keine Ziehung mit manuellen Anpassungen. Das sind zwei verschiedene Prozesse, und ihre Vermischung erzeugt keinen von beiden.
Das zugrunde liegende Problem
Die meisten dieser Punkte haben eine Ursache: Die auswählende Person möchte so gesehen werden, als hätte sie gut gewählt, und kann ein Ergebnis, das schlecht aussieht, nicht tolerieren. Die Verzerrung liegt nicht in der Vorliebe für ein gutes Ergebnis — das ist normal —, sondern in der Bereitschaft, das Verfahren zu überschreiben, um es zu bekommen.
Deshalb funktioniert eine öffentliche Ziehung besser als eine private, selbst wenn der Mechanismus identisch ist. Eine Ziehung, die jemand anderes sehen kann, lässt sich nicht so leicht überschreiben, und eine beobachtete Ziehung ist nichts, was man danach stillschweigend ändert.
Deshalb ist auch ein externes Werkzeug nicht automatisch unvoreingenommen. Das Werkzeug wendet dieselben Wahrscheinlichkeiten an; die bedienende Person kann trotzdem neu starten, neu ordnen oder überspringen. Dass der Mechanismus fair ist und dass der Prozess fair ist, sind zwei verschiedene Eigenschaften, und nur die zweite verhindert die Diskussion.
Was es tatsächlich verhindert
Ziehen Sie aus einer veröffentlichten Liste. Schreiben Sie sie auf, zeigen Sie sie, ändern Sie sie nach dem Ergebnis nicht.
Lassen Sie jemand anderen die Ziehung durchführen. Die stärkste einzelne Maßnahme, die zur Verfügung steht. Eine Schülerin, die das Gerät hält, oder ein Teammitglied ist ein Zeuge, der später nicht verdächtigt werden kann, jemanden bevorzugt zu haben.
Halten Sie es fest. Ein Screenshot mit Liste und Ergebnis zusammen klärt die Frage im Voraus. Für jede Ziehung, die zählt, lohnt es sich.
Starten Sie nicht neu, außer eine Regel erlaubt es. Ein erneuter Wurf nach einem enttäuschenden Ergebnis ist das deutlichste mögliche Signal, dass der Prozess nicht wirklich zufällig ist — und der Fehler, der am ehesten beobachtet wird.
Korrigieren Sie nicht von Hand. Einen abwesenden Namen danach entfernen, einen unpassenden Eintrag überspringen oder einen vergangenen Durchgang ausgleichen sind derselbe Fehler in anderem Gewand.
Ein Hinweis zur Fairness
Eines ist es wert, genau zu sein: Zufallsauswahl gibt allen die gleiche Chance, was nicht dasselbe ist wie gleiche Ergebnisse. In einer Klasse mit dreißig wird nicht jede Schülerin über ein Halbjahr gleich oft ausgewählt, und jemand wird es bemerken.
Gleichverteilung ist nicht Ausgewogenheit. Wenn Ausgewogenheit und nicht Unparteilichkeit gefordert ist, ist eine Rotation das richtige Werkzeug, und eine Ziehung ist kein Ersatz dafür — auch eine gut durchgeführte Ziehung liefert nicht, was eine Rotation liefert.
Die Fairness-Seite erklärt den Mechanismus, einschließlich warum Math.random() ungeeignet ist und was Rejection Sampling behebt. Wissenswert, wenn Sie ein Werkzeug für eine Entscheidung wählen, die hinterfragt wird.
Die Kurzfassung
Jede Verzerrung oben kommt vom selben Ort: der Weigerung, ein Ergebnis zu akzeptieren, das man nicht selbst gewählt hat.
Deshalb ist die nützliche Praxis nicht „weniger voreingenommen sein” — sondern die Entscheidung zu treffen, bevor man sie möchte, vor anderen, aus einer Liste, die man bereits veröffentlicht hat. Dann haben die Verzerrungen keinen Ort mehr, an dem sie wirken können.
Und wenn Sie sich dabei ertappen, die Ziehung zu wiederholen, haben Sie die Antwort. Hören Sie auf, nehmen Sie das Ergebnis und machen Sie weiter.