Inwiefern ist die Verwendung von Machine Learning eine erfolgreiche Maßnahme gegen den "Confirmation Bias"?

Der "Confirmation Bias" (deutsch Bestätigungsfehler) ist ein Denk- bzw. Entscheidungsfehler, welcher darauf beruht, dass Menschen dazu neigen, bevorzugt die eigenen Denkmuster und Entscheidungen bestätigt zu bekommen und demnach eher in bestehenden Lösungen und Denkmustern zu verharren als neue Lösungen und Hypothesen gleich gewichtet und objektiv zu behandeln.

Eine verstärkte Tendenz zum Confirmation Bias besteht in der Regel dann, wenn jemand bereits viel Energie und/oder Geld in die Entwicklung einer Lösung oder eines Denkmodells investiert hat und dadurch nicht mehr davon abrücken will, auch wenn neue Lösungen offensichtliche Vorteile versprechen.

Bei technologischen Problemstellungen entsteht ein derartiger Bias naturgemäß häufig bei der Lösung komplexer Themenstellungen mittels analytischer, regelbasierter Regelungsmodelle und Algorithmen. Wer beispielsweise eine ganze Dissertation zur Erstellung analytischer, gleichungsbasierter Formeln für die Lösung einer Problemstellung aufwendet, hört naturgemäß nicht gerne, dass andere das Problem mittels Machine Learning bzw. SoftComputing-Verfahren in einem Bruchteil des Aufwands praktisch lösen.

Die obige Grafik zeigt schematisch den Entwicklungsaufwand in Abhängigkeit der Problemkomplexität bzw. der Anzahl der funktionalen Anforderungen. Im Gegensatz zu Daten- und beispielbasierten Ansätzen etwa mit Machine Learning-Verfahren steigt dieser bei analytisch, gleichungsbasierten Ansätzen oder bei Bottom-Up Vorgehensweisen exponentiell an. Entsprechend der deutlich geringeren, notwendigen Aufwendungen bei Anwendung von Machine-Learning-Verfahren fällt es einem idR mental sehr viel einfacher einen ggf. falsch eingeschlagenen Weg wieder zu verlassen und vorangegangene (Fehl-)Entscheidungen zu revidieren und neue bzw. adaptierte Ansätze und Hypothesen zu verfolgen. Dieses lösungsfreie, breite und flexible Explorieren beliebiger und vielfältiger Lösungen und Hypothesen ist immanenter Bestandteil des Machine Learning und damit ist Machine Learning von Haus besser gegen den Confirmation Bias immunisiert.