Kann die Akzeptanz von Algorithmen in Entscheidungssituationen verändert werden?

Wir leben im Zeitalter der Digitalisierung. Aufgrund des technologischen Fortschritts in der Informationstechnologie und der mobilen Kommunikation haben mehr Menschen und Organisationen einen größeren Zugang zu Daten und Informationen als je zuvor (George et al., 2014; Hilbert & López, 2011). Vor nur knapp etwas mehr als einem Jahrhundert hatten nur wenige Menschen in ihrem Leben mehr als 100 Bücher gelesen (van Knippenberg et al., 2015). Doch heutzutage ist nahezu jede Person nur einen Klick entfernt von Informationen über die aktuellen Aktienkurse, Tests und Nutzerbewertungen von Produkten, Patentanmeldungen und den neuesten Nachrichten aus Wirtschaft und Wissenschaft. Algorithmen können uns dabei helfen, diese Datenmengen zu strukturieren und auf deren Basis Entscheidungen zu treffen. Zwar ist nicht universell in jeder Situation ein Algorithmus der bessere Entscheidungsträger, aber in vielen Situationen, die Marktentscheidungen erfordern, kann er eine nützliche und effektive Strukturierungshilfe sein (Leyer & Schneider, 2021). Doch nutzen die Menschen die Algorithmen?

Mit dem Aufkommen der algorithmengestützten Entscheidungsfindung sind auch neue Herausforderungen entstanden (Leyer & Schneider, 2021). Es hat sich z.B. gezeigt, dass Entscheidungsträger auch überlegene, aber unvollkommene Algorithmen ablehnen (Dietvorst et al., 2015 2018). Dieses Phänomen – bezeichnet als Algorithmus-Aversion des Menschen – kann die Wirtschaft vor große Herausforderungen stellen, nämlich dann, wenn aufgrund der Algorithmus-Aversion Fehlentscheidungen getroffen werden. Die aktuelle Forschung versucht daher, die Hintergründe und Einflussfaktoren von Algorithmus-Aversion besser zu verstehen.

Um obige Forschungsfrage zu beantworten, haben wir ein experimentelles Untersuchungsdesign entwickelt, bei dem ca. 1000 Probandinnen und Probanden teilnahmen. In unserer Untersuchung mussten die Teilnehmenden den Erfolg von Crowdfunding-Kampagnen auf Basis mehrerer Informationen vorhersagen.