Den Gründen unserer Entscheidungen auf der Spur

Wie Large Language Models große Mengen frei formulierter Begründungen auswerten und damit sichtbar machen können, welche Gründe hinter menschlichen Entscheidungen stehen

Forschende des Max-Planck-Instituts für Bildungsforschung haben untersucht, wie sich mithilfe von Large Language Models die Gründe erfassen lassen, die Menschen für ihre Entscheidungen nennen. Sprachmodelle ermöglichen es, auch große Mengen solcher frei formulierten Antworten systematisch auszuwerten. Der neue Ansatz könnte helfen, Entscheidungsprozesse besser zu verstehen und stärker kontextabhängige Modelle menschlichen Entscheidungsverhaltens zu entwickeln.

Müsli oder Brot zum Frühstück? Den sicheren Job behalten oder ein interessantes Angebot annehmen? Mit dem Fahrrad fahren oder das Auto nehmen? Wir treffen im Alltag ständig kleine und große Entscheidungen, manche beinahe nebenbei, andere nach langem Abwägen. Wofür sich jemand entschieden hat, ist offensichtlich. Sehr viel schwieriger ist es herauszufinden, warum jemand eine bestimmte Wahl getroffen hat und welche Überlegungen den Ausschlag gegeben haben. 

Mit diesen Fragen beschäftigen sich Forschende aus dem Bereich Adaptive Rationalität am Max-Planck-Institut für Bildungsforschung in Berlin. In einer aktuellen Studie untersuchen sie, welche Gründe Menschen bei ihren Entscheidungen heranziehen – und ob Large Language Models dabei helfen können, diese Gründe in den eigenen Schilderungen der Entscheidenden zu erkennen. 

Ausgangspunkt ihrer Untersuchung ist ein grundsätzliches Problem: Lange galten verbale Selbstauskünfte darüber, wie und warum Menschen sich entscheiden, in der Psychologie und Ökonomie als wenig verlässliche Datenquelle. Die Entscheidungsforschung stützte sich deshalb darauf, welche Wahl Menschen tatsächlich treffen. Doch aus der Wahl allein lässt sich nicht erkennen, welche Überlegungen den Ausschlag gegeben haben. Gerade diese Gründe sind für Forschende jedoch essenziell, wenn sie verstehen wollen, welche Entscheidungsprozesse einer Wahl zugrunde liegen und welche Gemeinsamkeiten und Unterschiede es zwischen Menschen und Entscheidungssituationen gibt. 

Die Forschenden um den Psychologen Dirk Wulff vom Bereich Adaptive Rationalität wählen daher einen zusätzlichen Zugang: Sie lassen Menschen nach einer Entscheidung beschreiben, welche Überlegungen für sie eine Rolle gespielt haben. Offene Antworten dieser Art lassen sich zwar auswerten, bei großen Datenmengen ist das jedoch mit erheblichem Zeit- und Arbeitsaufwand verbunden. Large Language Models könnten es nun ermöglichen, auch große Mengen solcher frei formulierten Schilderungen systematisch zu analysieren 

Wie gut erkennt KI Entscheidungsgründe? 

Ob sie dazu tatsächlich in der Lage sind, mussten die Forschenden allerdings zunächst überprüfen. Sie legten 47 mögliche Entscheidungsgründe fest und beschrieben jeden davon sowohl sprachlich als auch in Form einer eindeutigen Entscheidungsregel. Anschließend testeten sie acht Large Language Models darauf, ob diese einen vorgegebenen Entscheidungsgrund richtig auf eine konkrete Entscheidung anwenden konnten. Das beste Modell lag in mehr als 96 Prozent der Fälle richtig. Dieses Modell setzten die Forschenden anschließend für die Analyse der Angaben der Teilnehmenden ein. 

Die Forschenden ließen 86 Erwachsene jeweils 20 Entscheidungen zwischen zwei Geldlotterien treffen. Dabei standen jeweils zwei Möglichkeiten mit unterschiedlichen Gewinnen oder Verlusten und unterschiedlichen Wahrscheinlichkeiten zur Wahl. Man konnte zwischen einer Lotterie mit einer 0,1-prozentigen Chance auf 6.000 Euro und einer Lotterie mit einer 0,2-prozentigen Chance auf 3.000 Euro wählen. Blieb der Gewinn aus, erhielt man in beiden Fällen null Euro. Nach jeder Entscheidung sollten die Teilnehmenden frei und in eigenen Worten beschreiben, wie und warum sie sich entschieden hatten. So entstanden 1.720 kurze Berichte über die Überlegungen hinter einer konkreten Entscheidung.  

Das Sprachmodell untersuchte anschließend die Freitexte daraufhin, welche der zuvor festgelegten Gründe darin zu erkennen waren. Für jeden Grund bewertete es auf einer Skala von 0 bis 100, wie sicher es war, dass dieser in der jeweiligen Schilderung vorkam. 

Aus den identifizierten Gründen ließ sich anschließend ableiten, welche Wahl jeweils zu erwarten wäre. Diese abgeleitete Wahl stimmte in rund 95 Prozent der Fälle mit der tatsächlich getroffenen Entscheidung überein. Das bedeutet nicht, dass das Modell die Gedanken der Teilnehmenden rekonstruierte. Die erkannten Gründe passten jedoch in hohem Maß zu ihren tatsächlichen Entscheidungen. 

Entscheidungsgründe variieren stärker mit dem Kontext als zwischen Personen 

Bei der weiteren Analyse zeigte sich, dass die verwendeten Entscheidungsgründe keineswegs über alle Aufgaben hinweg gleichblieben. Welche Gründe eine Rolle spielten, unterschied sich stärker zwischen den verschiedenen Aufgaben als zwischen den einzelnen Teilnehmenden. Die Teilnehmenden griffen bei unterschiedlichen Entscheidungen also nicht immer wieder auf dieselbe feste Strategie zurück. Stattdessen hing es stark von der jeweiligen Aufgabe und den Gesamtbedingungen ab, was den Prozess beeinflusste – etwa davon, welche möglichen Gewinne oder Verluste und welche Wahrscheinlichkeiten einander gegenüberstanden. 

Anschließend prüften die Forschenden, ob sich mit den identifizierten Entscheidungsgründen auch vorhersagen lässt, wie Menschen sich bei weiteren Entscheidungen verhalten. Dafür entwickelten sie aus den zuvor gefundenen Mustern Vorhersagemodelle. Deren Vorhersagen konnten mit etablierten Modellen der Entscheidungsforschung mithalten. Die Autoren folgern daraus, dass verbale Berichte Informationen enthalten, die sich aus der beobachteten Wahl allein nicht gewinnen lassen. 

Das Ziel: Wenn Forschende systematisch erfassen können, welche Gründe Menschen in unterschiedlichen Situationen heranziehen, lassen sich bislang verborgene Unterschiede in Entscheidungsprozessen sichtbar machen. Solche Informationen können dazu beitragen, bestehende Theorien zu überprüfen, ihre Schwächen aufzudecken und stärker kontextabhängige Modelle zu entwickeln. Die Autor:innen sehen den Ansatz daher nicht nur als neues Analyseverfahren, sondern auch als Werkzeug für wissenschaftliche Entdeckungen – grundsätzlich auch in anderen Bereichen wie zeitbezogenen, moralischen oder sozialen Entscheidungen.  

Entscheidungsforschung könnte damit künftig nicht nur genauer erfassen, welche Wahl Menschen treffen, sondern auch besser erklären, wie unterschiedliche Situationen unterschiedliche Entscheidungsprozesse hervorbringen. Auf dieser Grundlage ließe sich menschliches Entscheidungsverhalten besser erklären und vorhersagen. 

Originalpublikation

Fuławka, K., Hertwig, R., & Wulff, D. U. (2026). Large language models accurately identify decision reasons in verbal reports. Proceedings of the National Academy of Sciences of the United States of America, 123(27), Article e2526798123. https://doi.org/10.1073/pnas.2526798123  

Weitere interessante Beiträge

Zur Redakteursansicht