Kollektive Intelligenz
Menschen treffen selten Entscheidungen unabhängig von anderen Menschen, sondern nutzen das Wissen und die Informationen ihres sozialen Umfelds und der Menschen in ihrer Umgebung. Das soziale Umfeld kann jedoch auch eine Gefahr darstellen, beispielsweise wenn Menschenmengen in Panik geraten oder wenn politische Meinungen radikalisieren statt zu informieren. Sich erfolgreich im sozialen Umfeld zurecht zu finden, ist eine Schlüsselkompetenz, um in einer unsicheren Welt anpassungsfähig agieren zu können. Wir bezeichnen das als adaptive Entscheidungsfindung.
Weisheit der Vielen
Eine wirkungsvolle Methode zur Erhöhung der Entscheidungsgenauigkeit besteht darin, unabhängige Urteile verschiedener Menschen oder auch von Mensch und Maschinen zu kombinieren. Dieses gemeinsame Herangehen menschlicher oder hybrider Mensch-Maschine-Gruppen führt oft zu genaueren Urteilen als einzelne Menschen oder einzelne Maschinen sie erreichen.
Wir untersuchen, wann und warum verschiedene Arten von Informationsaggregation zum besseren Abschneiden von Gruppen führen. Hierzu kombinieren wir empirische Untersuchungsmethoden (zum Beispiel große Online-Studien, Laborstudien, virtuelle Umgebungen und Mensch-Maschine-Gruppen) mit formalen theoretischen Modellen und Computersimulationen. Die Erkenntnisse wenden wir in kritischen Situationen mit großer Tragweite an (medizinische Diagnostik, Verhalten von Menschenmassen zum Beispiel bei Evakuierungen, geopolitische Vorhersagen beispielsweise ob der Goldpreis steigen wird).
Verwendung von sozialen Informationen
Wie nutzen Menschen Informationen, die sie von anderen erhalten? Um diese Frage zu beantworten, müssen wir verstehen, wie und wann Menschen nach Informationen suchen, wie sie mit widersprüchlichen Informationen umgehen und wie Informationen sich in der Gesellschaft verbreiten. Wie sind diese Prozesse durch die Struktur sozialer Interaktionen und individueller Merkmale geprägt (fachliche Kompetenz, Zuversicht)?
In unser Forschung werten wir Daten, die wir in Beobachtungen, Befragungen oder in Experimenten erhoben haben, mit Hilfe von mathematischen Modellen und Computersimulationen aus und projizieren das beobachtete Verhalten auf größere Populationen. Wir nutzen Programme, die kognitive Prozesse nachbilden, um besser zu verstehen, wie Menschen Informationen verarbeiten und wie es Gruppen gelingt, gemeinsam Entscheidungen zu treffen. Wir untersuchen außerdem, wie einzelne Menschen und Gruppen mit Hilfe von künstlicher Intelligenz (Large Language Modells) neue Formen kollektiver Intelligenz entwickeln können.
Kollektive Entscheidungsfindung in der Natur
Herauszufinden wie Menschen gemeinsam mit anderen in alltäglichen Situationen Entscheidungen treffen, ist eine zentrale Herausforderung der Psychologie. Durch die Weiterentwicklung von Tracking-Technologien ist es jetzt möglich, menschliches Verhalten in sozialen Kontexten im großen Maßstab zu erfassen und zu speichern.
Um zu erforschen, wie Menschen in realen Situationen entscheiden, verarbeiten wir die gesammelten Daten in mathematischen Modellen und Computersimulationen. Wir haben Eisangel-Wettbewerbe in Finnland begleitet und dabei hochpräzise GPS-Tracking-Daten und Videomaterial gesammelt, das wir mithilfe von Computermodellen abbilden und auswerten. So können wir untersuchen, wie die Eisangelnden Informationen nutzen, um zu entscheiden, wo sie angeln und wie lange sie an einer Stelle bleiben. Hierbei kann es sich um bereits vorhandene, eigene Erfahrungen handeln oder um Informationen, die aus der Beobachtung anderer oder der Umwelt gewonnen werden. Unsere Arbeit zeigt, wie Tracking-Daten genutzt werden können, um menschliche Kognition in natürlichen Umgebungen zu untersuchen.
Literatur
- Burton, J. W., Lopez-Lopez, E., Hechtlinger, S., Rahwan, Z., Aeschbach, S., Bakker, M. A., Becker, J. A., Berditchevskaia, A., Berger, J., Brinkmann, L., Flek, L., Herzog, S. M., Huang, S. S., Kapoor, S., Narayanan, A., Nussberger, A. M., Yasseri, T., Nickl, P., Almaatouq, A., Hahn, U., Kurvers, R. H. J. M., Leavy, S., Rahwan, I., Siddarth, D., Siu, A., Woolley, A. W., Wulff, D. U., & Hertwig, R. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655. https://doi.org/10.1038/s41562-024-01959-9
- Deffner, D., Mezey, D., Kahl, B., Schakowski, A., Wu, C., Romanczuk, P., & Kurvers, R. H. J. M. (2024). Collective incentives reduce over-exploitation of social information in unconstrained human groups. Nature Communications, 15, 2683. https://doi.org/10.1038/s41467-024-47010-3
- El Zein, M., Bahrami, B., & Hertwig, R. (2019). Shared responsibility in collective decisions. Nature Human Behaviour, 3, 554–559. https://doi.org/10.1038/s41562-019-0596-4
- Herzog, S. M., Litvinova, A., Yahosseini, K. S., Tump, A. N., & Kurvers, R. H. J. M. (2019). The ecological rationality of the wisdom of crowds. In R. Hertwig, T. J. Pleskac, T. Pachur, & the Center for Adaptive Rationality (Eds.), Taming Uncertainty. MIT Press. https://doi.org/10.7551/mitpress/11114.003.0019
- Kurvers, R. H. J. M., Nuzzolese, A. G., Russo, A., Barabucci, G., Herzog, S. M., & Trianni, V. (2023). Automating hybrid collective intelligence in open-ended medical diagnostics. Proceedings of the National Academy of Sciences, 120, e2221473120. https://doi.org/10.1073/pnas.2221473120
- Schakowski, A., Deffner, D., Kortet, R., Niemelä, P. T., Kavelaars, M. M., Monk, C. T., Pykälä, M., & Kurvers, R. H. J. M. (2026). High-precision tracking of human foragers reveals adaptive social information use in the wild. Science, 391, eady1055. https://doi.org/10.1126/science.ady1055
- Tump, A. N., Pleskac, T. J., & Kurvers, R. H. J. M. (2020). Wise or mad crowds? The cognitive mechanisms underlying information cascades. Science Advances, 6(29), eabb0266. https://doi.org/10.1126/sciadv.abb0266
- Wu, C. M., Deffner, D., Kahl, B., Leuker, C., Meder, B., Ho, M., & Kurvers, R. H. J. M. (2025). Adaptive mechanisms of social and asocial learning in immersive collective foraging. Nature Communications, 16, 3539. https://doi.org/10.1038/s41467-025-58365-6
- Zöller, N., Berger, J., Lin, I., Fu, N., Komarneni, J., Barabucci, G., Laskowski, K., Shia, V., Harack, B., Chu, E. A., Trianni, V., Kurvers, R. H. J. M., & Herzog, S. M. (2025). Human–AI collectives most accurately diagnose clinical vignettes. Proceedings of the National Academy of Sciences, 122, e2426153122. https://doi.org/10.1073/pnas.2426153122