Confirmation Bias in der wissenschaftlichen Forschung erkennen

Warum der Confirmation Bias Ergebnisse systematisch verzerrt

Der Confirmation Bias, auf Deutsch Bestätigungsfehler, beschreibt die Neigung, Informationen so zu suchen und zu deuten, dass sie die eigene Erwartung bestätigen. In der Forschung ist er besonders tückisch, weil er unbemerkt in jede Phase eindringt, von der Literaturauswahl bis zur Interpretation der Daten. Dieser Ratgeber zeigt, wie der Fehler entsteht, wie er Ergebnisse verzerrt und mit welchen Gegenmaßnahmen wie Präregistrierung und Blindung du ihn wirksam eindämmst.

Was der Confirmation Bias ist

Der Confirmation Bias ist eine kognitive Verzerrung, bei der Menschen Belege, die zur eigenen Hypothese passen, stärker gewichten als widersprechende Informationen. Der Begriff stammt aus der Kognitionspsychologie und beschreibt kein bewusstes Fälschen, sondern einen unbewussten Filter. Schon bei der Wahrnehmung entscheidet die Erwartung mit, welche Details auffallen und welche im Hintergrund verschwinden. In wissenschaftlichen Arbeiten trifft dieser Fehler auf ein Umfeld, in dem eine klare Hypothese ohnehin erwünscht ist, und das macht ihn besonders wirksam. Gerade weil niemand absichtlich täuscht, bleibt der Effekt lange unentdeckt und fällt oft erst auf, wenn andere die Arbeit kritisch prüfen. Historisch wurde der Effekt in den 1960er-Jahren durch Experimente von Peter Wason bekannt, in denen Probanden eine Regel lieber bestätigen als widerlegen wollten. Seither gilt er als eine der am besten belegten Verzerrungen der Kognitionspsychologie.

Wie sich der Fehler durch den Forschungsprozess zieht

Der Bestätigungsfehler wirkt nicht nur punktuell, sondern begleitet den gesamten Ablauf. Bereits bei der Literaturrecherche werden Studien, die zur eigenen Annahme passen, eher gefunden und zitiert. Bei der Datenerhebung fließt die Erwartung in die Formulierung von Fragen ein. Bei der Auswertung fällt ein signifikantes Ergebnis, das die Hypothese stützt, seltener kritisch auf als ein unerwartetes. Und in der Diskussion werden bestätigende Befunde ausführlicher gewürdigt als Gegenbelege. So verstärkt sich die ursprüngliche Erwartung Schritt für Schritt, ohne dass eine bewusste Entscheidung dahintersteht. Am Ende wirkt das Ergebnis eindeutig, obwohl es lediglich die Ausgangsannahme spiegelt. Studien zur Publikationspraxis zeigen zudem, dass Fachzeitschriften signifikante, hypothesenkonforme Ergebnisse bevorzugt annehmen. Dieser Publikationsbias verstärkt den individuellen Fehler auf der Ebene der gesamten Forschungsliteratur.

Den Confirmation Bias im Forschungsprozess erkennen

Ein erster Schritt ist, die eigene Erwartung offen zu benennen: Wer weiß, welches Ergebnis er insgeheim erhofft, kann gezielt gegensteuern. Warnsignale sind etwa das schnelle Verwerfen widersprechender Daten als Messfehler, das nachträgliche Anpassen der Hypothese an die Ergebnisse oder das selektive Berichten nur der signifikanten Tests. Auch das ausschließliche Suchen nach bestätigenden Quellen ist ein Hinweis. Wer diese Muster bei sich bemerkt, hat den Fehler bereits halb entschärft. Hilfreich ist ein Forschungstagebuch, in dem Entscheidungen und ihre Begründungen festgehalten werden. So lässt sich der confirmation bias früh im Prozess entlarven, bevor er sich in den Ergebnissen festsetzt. Auch ein bewusst formulierter Gegentest hilft: Man fragt sich, welcher Befund die eigene Annahme klar widerlegen würde, und prüft gezielt darauf. Wer keine solche Widerlegungsmöglichkeit benennen kann, arbeitet vermutlich nicht ergebnisoffen.

Gegenmaßnahme: Präregistrierung

Die effektivste Strategie zur Vermeidung ist die Präregistrierung: Vor der Datenerhebung werden Hypothesen, die Stichprobengröße und der Auswertungsplan öffentlich fixiert. Dies verhindert, dass nachträglich unbemerkt definiert wird, was als Bestätigung gilt. Eine eng damit verbundene Maßnahme ist die strikte Trennung von explorativer und konfirmatorischer Analyse: Wer nach neuen Mustern sucht, darf frei explorieren, muss die Ergebnisse jedoch an unabhängigen Daten verifizieren. Ein klar vorab festgelegter Hypothesentest verhindert so das nachträgliche Verschieben der Torpfosten. Zudem zwingt die Registrierung der geplanten Analysen in einem Register zu Disziplin und macht Abweichungen sofort transparent. In zahlreichen Disziplinen sind offene Plattformen wie das Open Science Framework bereits Standard und werden von Gutachtern geschätzt. Der Mehraufwand ist minimal, die Glaubwürdigkeit der Studie steigt jedoch erheblich. Gutachter erkennen daran, dass die Hypothese vor der Erhebung stand und nicht erst aus den Daten konstruiert wurde, was die Aussagekraft massiv stärkt.

Gegenmaßnahme: Blindung und Vier-Augen-Prinzip

Eine Blindung trennt Erwartungen von der Auswertung. In der Datenanalyse bedeutet dies, die Gruppenzuordnung erst nach der Berechnung offenzulegen, um eine gefällige Deutung zu unterbinden. Ergänzend helfen eine unabhängige Zweitauswertung, die aktive Suche nach Gegenbelegen und die Diskussion mit Personen anderer Auffassung. Auch eine deskriptive Statistik der Rohdaten vor jedem Test schützt davor, sich von einzelnen signifikanten Werten blenden zu lassen. Mit solchen Routinen bleibt der confirmation bias beherrschbar, auch wenn er sich nie vollständig ausschalten lässt. In experimentellen Designs kann zusätzlich doppelt verblindet werden, sodass weder Versuchsleiter noch Teilnehmende die Gruppenzugehörigkeit kennen. Je weniger Vorwissen die Auswertung beeinflusst, desto geringer ist der Spielraum für unbewusste Verzerrungen. Bereits eine zweite Person, die die Rohdaten unvoreingenommen prüft, deckt viele einseitige Deutungen auf, die dem ursprünglichen Bearbeiter entgangen sind.

Ein Beispiel aus der Praxis

Eine Studentin geht davon aus, dass ein neues Lernprogramm die Noten steigert. Bei der Auswertung konzentriert sie sich auf die Teilnehmenden mit besseren Noten und erklärt die anderen mit mangelnder Mitarbeit. Das Ergebnis wirkt eindeutig, ist jedoch durch den confirmation bias verzerrt, da widersprechende Fälle wegerklärt wurden. Mit einer vorab definierten Auswertung, verblindeter Notenerfassung und einem kritischen Gegenleser wäre der Fehler erkennbar geworden. Weitere typische Denkfehler und ihre Vermeidung sammelt der Methodik-Überblick. Das Beispiel verdeutlicht: Nicht die Daten lügen, sondern ihre selektive Deutung durch den Menschen. Wichtig ist die Erkenntnis, dass niemand gegen diesen Fehler immun ist, auch erfahrene Forschende nicht. Wer dies akzeptiert, richtet seine Methodik von vornherein so ein, dass sie die eigene Erwartung kontrolliert. Nützlich ist die Gewohnheit, jede Interpretation kurz gegenzulesen und zu prüfen, ob die Daten sie wirklich stützen oder ob nur die Erwartung mitspricht.

Weitere Verzerrungen und Methodik: soziale Erwünschtheit, Doppelblindstudie und methodisches Vorgehen.