Johannes Siebert

Kategorie: veröffentlichungen-forschung

  • Entscheidungen für eine sichere Zukunft: Proaktives Entscheidungsverhalten und das Verhalten bei der finanziellen Altersvorsorge

    Entscheidungen für eine sichere Zukunft: Proaktives Entscheidungsverhalten und das Verhalten bei der finanziellen Altersvorsorge

    Das Verhalten bei der finanziellen Altersvorsorge (engl. Retirement Financial Planning Behavior, RFPB) umfasst die konkreten Handlungen, die Individuen unternehmen, um sich finanziell auf den Ruhestand vorzubereiten. Wir untersuchen RFPB aus der Perspektive des Operational Research (OR) unter Anwendung von Prinzipien der Decision Analysis (DA) – insbesondere der Entscheidungsqualität und des Value-Focused Thinking – operationalisiert durch proaktives Entscheidungsverhalten (Proactive Decision-Making, PDM). Dieses Konzept integriert DA-basierte proaktive kognitive Fähigkeiten (Proactive Cognitive Skills, PCS) mit proaktiven Persönlichkeitseigenschaften, die aus der Organisationsverhaltensforschung stammen.

    Anhand von Querschnittsdaten aus einer Befragung von 457 Erwachsenen im Vereinigten Königreich und mithilfe von Strukturgleichungsmodellen mit systematischen Modellvergleichen und Multigruppenanalysen prüfen wir, ob PDM das RFPB über vier psychologische Merkmale beeinflusst – nämlich (1) Planungstendenz, (2) Vertrauen in die Suche nach Finanzinformationen, (3) Risikobereitschaft bei Investitionen und (4) allgemeine Selbstwirksamkeit – und ob sich diese Zusammenhänge je nach finanzieller Bildung und numerischer Kompetenz unterscheiden.

    Die Ergebnisse zeigen, dass PDM das RFPB vollständig über diese psychologischen Merkmale beeinflusst (vollständige Mediation). Dabei wirken die trainierbaren, DA-basierten PCS als zentraler Mechanismus, während proaktive Persönlichkeitseigenschaften in diesem Zusammenhang keine signifikante Rolle spielen. Das mediierte Modell erklärt 57,1 % der Varianz des RFPB und übertrifft Modelle mit Teilmediation, rein eigenschaftsbasierte Modelle sowie Modelle mit umgekehrter Kausalität.

    Multigruppenanalysen zeigen, dass die indirekte Struktur über Gruppen unterschiedlicher finanzieller Bildung und numerischer Kompetenz hinweg stabil bleibt, wobei sich Hinweise auf eine kompensatorische Rolle der PCS bei geringerer finanzieller Bildung ergeben. Insgesamt verknüpfen die Befunde DA-basierte entscheidungsanalytische Fähigkeiten mit dem Verhalten bei der finanziellen Altersvorsorge.

    Unsere Ergebnisse unterstreichen das Potenzial von auf PCS fokussierten Trainings zur Förderung entscheidungsanalytischer Kompetenzen als OR-relevanten Ansatz zur Stärkung des RFPB – als Ergänzung zu Programmen zur Förderung finanzieller Bildung und numerischer Fähigkeiten. Darüber hinaus ergänzt die Studie optimierungsorientierte OR-Ansätze zur Altersvorsorgeplanung, indem sie PCS als entscheidungsanalytischen Hebel identifiziert, der das RFPB – die verhaltensmäßige Voraussetzung für die Umsetzung solcher Optimierungsempfehlungen in der Praxis – stärkt.

    Siebert, Jana; Siebert Johannes U., Blösl, Florian; “Deciding for a Secure Tomorrow – Examining Proactive Decision-Making and Retirement Planning Behavior”, European Journal of Operational Research) (in press), https://doi.org/10.1016/j.ejor.2025.10.021

  • Fünfzig Jahre Entscheidungsanalyse in der Operational Research: Ein Überblick

    Fünfzig Jahre Entscheidungsanalyse in der Operational Research: Ein Überblick

    Wir geben einen Überblick über die Entwicklung der Forschung zur Entscheidungsanalyse (DA) in den vergangenen fünfzig Jahren. Nach der Darstellung der axiomatischen Grundlagen und einer Diskussion des DA-Prozesses beginnen wir mit dem wertorientierten Denken als Methode zur Problemstrukturierung. Anschließend analysieren wir die Modellbildungsphase mit Fokus auf grafische Modelle für Entscheidungen unter Unsicherheit, darunter Bayes’sche Netzwerke, Entscheidungsbäume und Einflussdiagramme. Danach wird untersucht, wie die DA-Forschung mit Unsicherheit umgeht, insbesondere in den Bereichen Erhebung, Aggregation und Bewertung. Es folgt eine Erörterung der Sensitivitätsanalyse, die lokale und globale Techniken beschreibt – von der Einweg-Sensitivitätsanalyse bis zum Informationswert. Abschließend wird die Literatur zum Thema Informationsgewinnung betrachtet und die Rolle des Informationswerts in diesem Zusammenhang diskutiert.

    Borgonovo, Emanuele; José, Victor, R. R, Shachter, Ross; Siebert, Johannes U; Ulu, Canan. “Fifty Years of Decision Analysis in Operational Research: A Review” (Invited Review on occasion of the celebration of the 50th Anniversary of EURO (the European association of Operational Research Societies), European Journal of Operational Research) https://doi.org/10.1016/j.ejor.2025.05.023

  • ChatGPT vs. Expert:innen: Kann generative KI hochwertige Zielsysteme für organisationale und politische Entscheidungen entwickeln?

    ChatGPT vs. Expert:innen: Kann generative KI hochwertige Zielsysteme für organisationale und politische Entscheidungen entwickeln?

    Diese Studie untersucht die Leistungsfähigkeit generativer künstlicher Intelligenz (GenAI) im Kontext des Value-Focused Thinking, insbesondere ihre Fähigkeit, hochwertige Zielsysteme für organisationale oder politische Entscheidungen zu entwickeln. Insgesamt zeigen unsere Ergebnisse, dass die von GenAI generierten Ziele einzeln betrachtet meist sinnvoll sind, die resultierenden Zielsysteme als Ganzes jedoch deutliche Schwächen aufweisen. Häufig enthalten sie irrelevante Aspekte, lassen wichtige Ziele aus und sind zudem redundant sowie nicht klar strukturierbar. Dies ist unter anderem darauf zurückzuführen, dass GenAI dazu neigt, Mittelziele einzubeziehen – selbst dann, wenn dies explizit vermieden werden soll.

    Gleichzeitig zeigen wir, dass sich die Qualität der Zielsysteme durch den Einsatz von Best Practices im Prompting sowie durch Expertise in der Entscheidungsanalyse deutlich verbessern lässt. Die Ergebnisse unterstreichen die Bedeutung eines „Human-in-the-Loop“-Ansatzes: GenAI eignet sich gut zur Generierung erster Zielideen, jedoch ist die Einbindung von Expert:innen mit fundiertem Hintergrund in der Entscheidungsanalyse entscheidend, bevor die Ergebnisse zur Unterstützung realer Entscheidungen verwendet werden.

    Zur praktischen Umsetzung präsentieren und demonstrieren wir einen vierstufigen Ansatz, der die jeweiligen Stärken von GenAI und Entscheidungsanalyst:innen kombiniert.

    Simon, Jay; Siebert, Johannes U. ChatGPT vs. Experts: Can GenAI Develop High Quality Organizational and Policy Objectives? Decision Analysis (in press). https://doi.org/10.1287/deca.2025.0387

  • Lineare Transformation eindimensionaler Nutzenfunktionen: Eine empirische Studie zum Einfluss auf die finale Rangfolge von Alternativen bei persönlichen Entscheidungen

    Lineare Transformation eindimensionaler Nutzenfunktionen: Eine empirische Studie zum Einfluss auf die finale Rangfolge von Alternativen bei persönlichen Entscheidungen

    Die Bestimmung eindimensionaler Nutzenfunktionen für jedes Ziel in der Multiattributiven Nutzentheorie (MAUT) ist für Entscheidungsträger mit erheblichem Zeit- und kognitivem Aufwand verbunden. Dabei müssen sie unter anderem abnehmenden oder zunehmenden Grenznutzen sowie ihre individuelle Risikoeinstellung berücksichtigen, was häufig zu nichtlinearen Funktionsverläufen führt. Diese Einschätzungen sind anfällig für Fehler und Verzerrungen.

    In dieser Studie untersuchen wir, inwieweit eine lineare Transformation eindimensionaler Nutzenfunktionen die Entscheidungsqualität beeinträchtigt. Konkret analysieren wir drei Aspekte: die Verwendung von (nicht-)linearen Nutzenfunktionen, deren Einfluss auf die Rangfolge von Alternativen sowie die Stabilität der besten Alternativen in Abhängigkeit von Nutzenunterschieden unter Annahme linearer Transformation.

    Die Analyse basiert auf 2.536 sorgfältig modellierten persönlichen Entscheidungen, die von Studierenden mithilfe des Entscheidungstools Entscheidungsnavi durchgeführt wurden. Die Ergebnisse zeigen, dass 95,9 % der Teilnehmenden mindestens eine nichtlineare Nutzenfunktion verwendeten und 76,4 % aller Ziele nichtlinear bewertet wurden. Die Vereinfachung präferenzgerechter Nutzenfunktionen durch Linearisierung führte in 15,5 % der Entscheidungen zu einer Rangumkehr der besten Alternative. Die Menge der drei besten Alternativen veränderte sich in 14 % der Fälle. Gleichzeitig befand sich in 98,8 % der Entscheidungen die beste Alternative weiterhin unter den Top drei bei Annahme linearer Nutzenfunktionen.

    Tönsfeuerborn, Mendy; von Nitzsch, Rüdiger; Siebert, Johannes U. “Do Non-Linear Utility Functions Matter? Analyzing the Impact of Non-Linear Utility Functions on the Final Ranking with the Entscheidungsnavi”, Decision Analysis, 23(1), 46–64. https://doi.org/10.1287/deca.2024.0317

  • Verbesserung der Korrektur von Fehlinformationen: Neue Varianten und eine Kombination aus Bewusstseinsschulung und Gegenrede zur Abschwächung von „belief perseverance bias“

    Verbesserung der Korrektur von Fehlinformationen: Neue Varianten und eine Kombination aus Bewusstseinsschulung und Gegenrede zur Abschwächung von „belief perseverance bias“

    Der Belief Perseverance Bias bezieht sich auf die Tendenz von Personen, an ihren voreingenommenen Meinungen festzuhalten, selbst nachdem die Fehlinformationen, die diese Meinungen ursprünglich geprägt haben, zurückgezogen wurden. Diese Studie trägt zur Forschung über die Verringerung der negativen Auswirkungen von Fehlinformationen bei, indem sie den Belief Perseverance Bias abschwächt. Die Studie untersucht die zuvor vorgeschlagenen Techniken des Bewusstseins-Trainings und der Entkräftung von Gegenrede und entwickelt sie weiter, indem neue Varianten eingeführt und kombiniert werden. In einem Experiment mit N = 876 Personen, von denen 364 einen Belief Perseverance Bias aufweisen, untersuchen wir ihre Wirksamkeit bei der Abschwächung des Belief Perseverance Bias nach der Rücknahme von Fehlinformationen zu einem realen Thema. Die Wirksamkeit der Entschärfungstechniken wird durch die Messung des Unterschieds zwischen den Ausgangsmeinungen vor der Exposition gegenüber Fehlinformationen und den Meinungen nach der Exposition gegenüber einer Entschärfungstechnik bewertet. Unsere Studie bestätigte die Wirksamkeit der Techniken zur Bewusstseinsschulung und zur Entkräftung der Gegenrede bei der Abschwächung des „belief perseverance bias“, wobei wir keine erkennbaren Unterschiede in der Wirksamkeit zwischen den zuvor vorgeschlagenen und den neuen Varianten feststellen konnten. Darüber hinaus konnten wir feststellen, dass die Kombination aus Awareness-Training und Gegenrede den Belief Perseverance Bias effektiver abschwächt als die einzelnen Debiasing-Techniken.

    Siebert, Jana, Siebert, Johannes U. “Enhancing misinformation correction: New variants and a combination of awareness training and counter-speech to mitigate belief perseverance bias”. PLoS ONE 19(2): e0299139, 2024, 1-15, https://doi.org/10.1371/journal.pone.0299139

  • Applying Decision Analysis to Diverse Domains: An Introduction to the Special Issue

    Applying Decision Analysis to Diverse Domains: An Introduction to the Special Issue

    Die Entscheidungsanalyse floriert in der Operations Research Community

    Die Entscheidungsanalyse (DA) ist eines der wichtigsten Instrumente des Operations Research (OR). Die DA ist besonders effektiv bei der Abbildung der realen Welt auf die Modelldarstellung, um die Anwendung formaler Analysen zu ermöglichen. Die DA ist ein flexibles Modellierungsparadigma, das seit den 1960er Jahren existiert und auf der statistischen Entscheidungstheorie, Elementen des Nutzens aus der Wirtschaftswissenschaft, der Wahrscheinlichkeitstheorie, der dynamischen Programmierung und der stochastischen Programmierung basiert. Sie zielt darauf ab, eine optimale Vorgehensweise für Entscheidungsprobleme mit Unsicherheiten, die sich auf Ergebnisse und Werte auswirken, zu ermitteln. Optimal bedeutet hier Maximierung des erwarteten Nutzens, was nach der Entscheidungstheorie gleichbedeutend ist mit der Befolgung der Axiome der Rationalität bei einer Reihe von Überzeugungen.
    Artikel über DA sind mit einiger Regelmäßigkeit in Interfaces (dem Vorgänger des INFORMS Journal on Applied Analytics (IJAA)) erschienen, wobei sich frühe Anwendungen auf die Politik und spätere auf die Forschung und Entwicklung von Konsumgütern, Pharmazeutika sowie Öl und Gas konzentrierten, was ganz natürlich ist, weil es bei diesen Anwendungen unterschiedliche Entscheidungspunkte gibt, an denen Investitionen fortgesetzt oder gestoppt werden (was die Bedeutung der lateinischen Wurzel decidere ist). In einer Sonderausgabe von Interfaces aus dem Jahr 1992 mit dem Titel „Decision and Risk Analysis“ (Entscheidungs- und Risikoanalyse) wurden Anwendungen vorgestellt, die umfangreiche Darstellungen von Entscheidungsproblemen verwenden, wie z. B. Einflussdiagramme als Abstraktion des Entscheidungsbaums, Strategietabellen zur Definition komplexer Handlungsoptionen und praktische Techniken, die Value-focused Thinking und Wertehierarchien zur Umsetzung der Multiattribut-Nutzentheorie beinhalten.
    All diese Entwicklungen tragen dazu bei, das Wissen und die Anliegen der Problemverantwortlichen durch Modellspezifikation und Urteilserhebung zu erfassen. Darüber hinaus bilden DA-Modelle oft eine Schnittstelle zu separaten, anspruchsvollen technischen oder finanziellen Modellen oder sind diesen untergeordnet. Und DA-Darstellungen helfen dabei, die Implikationen von Modellen zu kommunizieren, z. B. durch Tornado-Diagramme, Portfoliodiagramme, kumulative Verteilungen und Risikoprofile.

    In den letzten Jahren wurde die DA um anspruchsvolle Berechnungsfunktionen erweitert. Obwohl sich bis heute viele DA-Anwendungen letztlich auf die Berechnung von Entscheidungsbäumen oder Ähnlichem beschränken, hat sich die Software verbessert und umfasst nun eine modulare grafische Entwicklung mit Schnittstellen zu Tabellenkalkulationen und Programmierumgebungen wie R und Python. Auch die mit der DA verbundene Theorie entwickelt sich weiter, z. B. die Gruppenentscheidungstheorie und die Erweiterung der Nutzentheorie auf Mehrparteien-Situationen, in denen Überlegungen wie Gerechtigkeit wichtig sind. Es gibt eine beträchtliche Menge an angrenzenden computerintensiven Arbeiten zu Bayes-Netzen, maschinellem Lernen und Inferenz. Die Wissenschaft der Datenerhebung hat sich exponentiell weiterentwickelt, angefangen bei einem besseren Verständnis von Urteilsverzerrungen, der Weisheit der Massen und anderen Möglichkeiten, die Urteile mehrerer Experten zu kombinieren, bis hin zu einer zunehmenden mathematischen und rechnerischen Raffinesse, die in jüngster Zeit mit Copulas zur Darstellung von Korrelationen unterschiedlicher Art zwischen Variablen vorangetrieben wurde. Wie in dieser Ausgabe zu sehen ist, wird die DA zunehmend mit anderen OR-Techniken verknüpft, wie z. B. der mathematischen Programmierung für Portfolio-DA, was zu Innovationen in Wissenschaft und Praxis führt. Somit ist DA ein spannendes Gebiet, das für die Leser der IJAA nicht nur aufgrund seiner eigenen Vorzüge von Interesse ist, sondern auch als ein Gebiet, das einen Mehrwert für andere Bereiche des OR darstellen kann.

    Saurabh Bansal, Jeffrey M. Keisler, Johannes U. Siebert, Karen E. Jenni (2023) Applying Decision Analysis to Diverse Domains: An Introduction to the Special Issue. INFORMS Journal on Applied Analytics 53(3):173-177. https://doi.org/10.1287/inte.2023.1163



  • Bekämpfung von Desinformation und Fake News

    Bekämpfung von Desinformation und Fake News

    Neue Methoden zur effektiven Minderung des Einflusses von Desinformation und Fake News auf die Meinungsbildung

    Die Recherchen um das Team Jorge, das mithilfe von Desinformationkampagnen demokratische Strukturen aushebelt, zeigt den unheilvollen Einfluss von Desinformation und Fake News auf Politik, Gesellschaft und Wirtschaft. Desinformation und Fake News wurden bereits durch die US-Präsidentschaftswahlen 2016 und die Volksabstimmung zum Brexit zu einem globalen Phänomen, insbesondere dadurch, dass immer mehr Menschen soziale Medien unreflektiert als Quelle für Nachrichten heranziehen. Der Einsatz von künstlicher Intelligenz (z.B. Chat GPT) in der Generierung und Verbreitung von Desinformation und Fake News potenziert deren Einfluss zukünftig. Die Verbreitung von Desinformation und Fake News im Internet und deren Folgen werden im Europäischen Parlament intensiv diskutiert. Dennoch gibt es bislang keine Übereinkunft, wie der Einfluss von Desinformation und Fake News vermindert werden soll.

    „Die Problematik von Desinformation und Fake News ist, dass, selbst wenn diese einwandfrei als solche identifiziert werden, immer noch ‚etwas hängen bleibt‘, also die Meinung nachhaltig beeinflusst“ erklärt Prof. Johannes Siebert, der am MCI | Die Unternehmerische Hochschule® forscht und unterrichtet. Dieses Phänomen nennt sich „Belief Perseverance Bias“ und erklärt den großen Einfluss von Desinformation und Fake News auf die Meinungsbildung und das Entscheidungsverhalten vieler Menschen. „Es gibt zahlreiche Redaktionen und gemeinnützige Organisationen, die Desinformation und Fake News identifizieren und die Bürgerinnen und Bürger über diese aufklären. Diese sehr aufwendige Arbeit trägt dazu bei, den Einfluss von Desinformation und Fake News zu reduzieren. Diese Faktenchecks können jedoch nur ein erster Schritt sein“ ergänzt Dr. Jana Siebert.

    Die beiden Forschenden haben sich in dem von der Europäischen Union und dem tschechischen Ministerium für Bildung, Jugend und Sport finanzierten Projekt „PerFake“ mit der methodischen Reduktion des Belief Perseverance Bias im Kontext von Desinformation und Fake News beschäftigt. Das Ziel des Projekts war es dazu beizutragen, den negativen Einfluss von Desinformation und Fake News zu reduzieren. Prof. Johannes Siebert und Dr. Jana Siebert haben zwei Methoden zur Reduktion dieses Biases entwickelt und in zwei Experimenten mit zahlreichen Teilnehmenden getestet und optimiert. Die ersten Ergebnisse und Schlussfolgerungen wurden in der Zeitschrift PLoS ONE veröffentlicht.

    Beide getesteten Debiasing-Methoden zeigten vielversprechende Ergebnisse, in dem sie den Belief Perseverance Bias der Teilnehmenden reduziert haben. Die Debiasing-Methode „Counter Speech“ setzt darauf, die Desinformation und Fake News durch klare Gegenargumente zu widerlegen. Die Debiasing-Methode „Awareness Training“ informiert allgemein die Teilnehmenden über die Existenz und Wirkungsweise des Belief Perseverance Biases. Ein solches Awareness Training könnte dazu beitragen, die Resilienz der Gesellschaft gegenüber Desinformation und Fake News zu erhöhen. Prof. Johannes Siebert erläutert, wie dies in der Praxis funktionieren kann: „Angenommen Sie haben eine Information erhalten, beispielsweise Sie haben eine Rede eines Politikers gehört oder auf Social Media einen Post gelesen. Ein Faktencheck zeigt, dass es sich um eine Desinformation handelt. Wenn Sie sich der Existenz des Belief Perseverance Biases bewusst sind, sollten Sie erkennen, dass Ihre ursprüngliche Meinung durch die Desinformation noch immer negativ beeinflusst sein könnte, und diesen Bias anschließend korrigieren.“ Dr. Jana Siebert ergänzt: „Es wäre daher wünschenswert, die Öffentlichkeit über den Belief Perseverance Bias und seine Funktionsweise aufzuklären. Zum Beispiel könnten Fact-Checking-Organisationen ihre Faktenchecks mit einem Hinweis auf den Belief Perseverance Bias ergänzen. Ein solcher Hinweis könnte die Wirksamkeit des Fakt-Checkings und die Widerstandsfähigkeit der Gesellschaft gegenüber Desinformation und Fake News deutlich erhöhen.“

    Siehe auch: https://www.mci.edu/de/news-filter/forschung/4844-bekaempfung-von-desinformation-und-fake-news

    Quelle:

    Siebert, J., & Siebert, J. U. (2023). Effective mitigation of the belief perseverance bias after the retraction of misinformation: Awareness training and counter-speech. PLoS ONE 18(3): e0282202. https://doi.org/10.1371/journal.pone.0282202

  • Making a good career choice: A decision-analytical intervention to enhance proactive decision-making and career choice self-efficacy in high school students

    Making a good career choice: A decision-analytical intervention to enhance proactive decision-making and career choice self-efficacy in high school students

    Am Ende der Schule stehen Jugendliche vor der ersten lebensverändernden Entscheidung, was sie nach dem Schulabschluss machen wollen. Für diese Entscheidungen müssen die Jugendlichen in der Lage sein, gute Entscheidungen zu treffen. Die meisten Schulen haben jedoch noch keine Entscheidungstrainings in ihre Lehrpläne aufgenommen. Um diese Lücke zu schließen, wurde eine neue Intervention mit dem Namen „KLUGentscheiden!“ entwickelt, um komplexe Entscheidungsfindungen bei Oberstufenschülern zu trainieren.

    Die Intervention zielt auf drei Schlüsselkomponenten einer guten Entscheidungsfindung ab: die Vorstellung der eigenen Ziele, die Identifizierung relevanter Alternativen und der Vergleich der identifizierten Alternativen durch eine gewichtete Bewertung. Wir gingen davon aus, dass ein erfolgreiches Training dieser entscheidungsanalytischen Schritte die selbst wahrgenommenen proaktiven Entscheidungsfähigkeiten verbessern sollte. Darüber hinaus sollte das Training auch die selbst eingeschätzte Selbstwirksamkeit bei der Berufswahl erhöhen.

    Die Intervention wurde in einer pseudorandomisierten Kontrollstudie mit 193 Oberschülern evaluiert. Im Vergleich zu einer Kontrollgruppe konnte die Interventionsgruppe die proaktiven Entscheidungsfähigkeiten und die Selbstwirksamkeit bei der Berufswahl signifikant steigern. Obwohl verschiedene Langzeitevaluierungen noch ausstehen, stellt die Intervention KLUGentscheiden! ein wichtiges Instrument zur Schulung komplexer Entscheidungsfindungen bei Oberstufenschülern dar. Sie kann auch auf andere Berufswahlentscheidungen junger Menschen angewandt werden, z. B. auf die Wahl von Studienfächern, einer Abschlussarbeit, eines Arbeitsplatzes oder eines Berufsfeldes.

    Siebert, Johannes U., Becker, Maxi; Oeser, Nadine. “Making the right career choice: A new educational tool to train decision-making proactivity in high school students” (Decision Sciences Journal for Innovative Education), https://onlinelibrary.wiley.com/doi/10.1111/dsji.12280

  • Supporting Innovation in Early-Stage Pharmaceutical Development Decisions

    Supporting Innovation in Early-Stage Pharmaceutical Development Decisions

    Pharmazeutische Unternehmen überprüfen ihr Portfolio regelmäßig, um den Entwicklungsfortschritt zu überwachen und Prioritäten bei der Entwicklung von Produkten zu setzen. Bei den frühesten Vermögenswerten handelt es sich um Arzneimittelkandidaten, deren Wirksamkeit unbekannt ist und deren Auswirkungen auf den menschlichen Körper noch nicht vollständig erforscht sind. Bei diesen Vermögenswerten ist es sehr unsicher, ob sie den Markt erreichen und in der klinischen Praxis eingesetzt werden. Darüber hinaus sind nicht alle potenziellen Anwendungen vorhersehbar und können oft sehr unterschiedlich sein. In Ermangelung zufriedenstellender Methoden für die Entscheidung über die Zuteilung von Ressourcen für frühe Entwicklungsgüter konzentrieren sich die Entscheidungsträger fast ausschließlich auf die Bewertung der Wahrscheinlichkeit des technischen Erfolgs eines Gutes.

    In dieser Studie wird eine ganzheitlichere Methodik zur Unterstützung von Entscheidungen in der frühen Phase der pharmazeutischen Entwicklung vorgeschlagen, bei der Value-focused Thinking und multikriterielle Entscheidungsfindung zum Einsatz kommen. Die Methodik funktioniert innerhalb des Rahmens für die Entscheidungsqualität und bietet eine konsistente Bewertung verschiedener früher Entwicklungsgüter in einer Vielzahl von Krankheitsbereichen. Diese Kombination von Konzepten und Methoden wurde bei Bayer Pharmaceuticals implementiert und hat sich dort als nützlich erwiesen, da das Unternehmen einen neuen, robusteren Entscheidungsfindungsprozess für die frühe Entwicklung benötigte. In dieser Studie wird daher erörtert, wie konkrete Abwägungen auf der Ebene der Unternehmensziele möglich sind, um die Unternehmensstrategie auf die Portfoliostrategie abzustimmen, zu kommunizieren und umzusetzen.

    Darüber hinaus werden in dieser Studie Erkenntnisse für Entscheidungsanalysten und Entscheidungsträger in der pharmazeutischen Industrie vorgestellt, wie man eine Reihe grundlegender Ziele entwickelt, wie man Skalen zur Operationalisierung dieser Ziele erstellt und wie man Schritte zur Entlastung eines organisatorischen Entscheidungsprozesses unternimmt.

    Methling, Florian; Borden, Steffen A., Veeraraghavan, Deepak; Sommer; Insa, Siebert, Johannes Ulrich; von Nitzsch, Rüdiger; Seidler, Mark „Supporting Innovation in Early-Stage Pharmaceutical Development Decisions “, in Special Issue on Health Decision Analysis: Evolution, Trends, and Emerging Topics by Elisa F. Long, Gilberto Montibeller, Jun Zhuang, Decision Analysis (INFORMS), https://doi.org/10.1287/deca.2022.0452

  • Effects of Decision Training On Individuals’ Decision-Making Proactivity

    Effects of Decision Training On Individuals’ Decision-Making Proactivity

    Die Entscheidungswissenschaften sind sich über die theoretische Relevanz des Entscheidungstrainings einig. Aus empirischer Sicht gibt es jedoch nur wenige Studien, die seine Wirksamkeit oder seinen praktischen Nutzen untersuchen, und noch weniger Studien, die sich mit den Auswirkungen von Entscheidungstraining auf die systematische Strukturierung von Problemen befassen. Diese Aufgabe wird jedoch weithin als die wichtigste in Entscheidungsprozessen angesehen, und aktuelle Forschungsergebnisse deuten darauf hin, dass die effektive Strukturierung von Problemen und die Generierung von Alternativen – wie im Konzept der proaktiven Entscheidungsfindung dargestellt – die Zufriedenheit mit der Entscheidung sowie die Lebenszufriedenheit im Allgemeinen erhöht.

    In diesem Beitrag werden die Auswirkungen eines Entscheidungstrainings auf zwei Facetten der proaktiven Entscheidungsfindung – kognitive Fähigkeiten und Persönlichkeitsmerkmale – sowie auf die Zufriedenheit mit Entscheidungen empirisch untersucht. In quasi-experimentellen Feldstudien, die auf drei verschiedenen Entscheidungskursen und zwei Kontrollgruppen basieren, analysieren wir Längsschnittdaten von 1.013 Entscheidungsträgern/Analysten mit unterschiedlichen Erfahrungsniveaus. Die Ergebnisse zeigen positive Trainingseffekte auf proaktive kognitive Fähigkeiten und Entscheidungszufriedenheit, aber wir finden keinen Effekt auf proaktive Persönlichkeitsmerkmale und meist nicht-signifikante Interaktionen zwischen Training und Erfahrung. Diese Ergebnisse deuten auf die praktische Relevanz von Entscheidungstraining als Mittel zur Förderung effektiver Entscheidungsfindung auch bei erfahreneren Entscheidungsträgern hin.

    Die hier vorgestellten Ergebnisse können für Wissenschaftler aus dem Bereich Operations Research hilfreich sein, die sich für eine spezifische Schulung proaktiver kognitiver Fähigkeiten in Kursen zur Entscheidungsqualität und/oder Entscheidungstheorie einsetzen und in solchen Kursen auch die proaktive Entscheidungsfindung und die Entscheidungszufriedenheit der Teilnehmer steigern wollen. Unsere Ergebnisse sollten auch zu positiveren Entscheidungsergebnissen beitragen.

    Veröffentlichung Siebert, Johannes U.; Kunz, Reinhard, Rolf, Philipp. “Effects of decision training on individuals’ decision-making proactivity”, European Journal of Operational Research, 294 (1) 2021, 264-282, https://doi.org/10.1016/j.ejor.2021.01.010