In diesem Projekt soll ein einheitlicher theoretischer Rahmen für mehrere Paradigmen abhängiger numerischer Urteile zu entwickelt werden. Dazu werden computergestützte Modellierung, Bayesianische Modellierung und empirische Studien eingesetzt.

Abhängige Urteile werden häufig anhand verschiedener Paradigmen untersucht. Der Anchoring-Effekt (Ankereffekt) beschreibt den Befund, dass irrelevante numerische Werte ein nachfolgendes Urteil zu einer nicht damit zusammenhängenden Frage beeinflussen. Advice Taking ist ein Paradigma, bei dem Teilnehmende nach einer initialen unabhängigen Schätzung einen Ratschlag bzw. eine fremde Schätzung zu einer numerischen Urteilsfrage erhalten. Dieser Ratschlag wird in das nachfolgende Urteil typischerweise weniger stark einbezogen, als es optimal wäre. Sequenzielle Kollaboration ist ein Paradigma, bei dem Teilnehmenden eine Urteilsfrage sowie die Antwort einer vorherigen Person präsentiert werden, bevor sie entscheiden, ob sie das vorgegebene Urteil anpassen oder beibehalten. Der Hindsight Bias beschreibt den Befund, dass die Erinnerung an ein früheres Urteil in Richtung der korrekten Antwort verzerrt wird, wenn diese vor der Erinnerungsaufgabe präsentiert wurde. Schließlich beschreiben Seeding-Effekte den Befund, dass numerische Urteile genauer werden, wenn Teilnehmenden die korrekte Antwort auf eine verwandte Frage präsentiert wird.

Alle diese Paradigmen beschreiben, wie präsentierte numerische Werte nachfolgende numerische Urteile beeinflussen. Sie unterscheiden sich jedoch auch hinsichtlich des Urteilsprozesses, etwa darin, ob ein initiales Urteil abgegeben wird, ob die Möglichkeit besteht, auf ein Urteil zu verzichten, oder wie die präsentierte numerische Information mit der Urteilsfrage zusammenhängt.

In diesem Projekt wird ein einheitlicher theoretischer Rahmen für diese Paradigmen abhängiger Urteile entwickelt. In einem ersten Schritt wird ein bestehendes mathematisches Modell sequenzieller Kollaboration zu einem allgemeinen Modell abhängiger Urteile, das auch die vier weiteren Paradigmen umfasst, erweitert. Auf Grundlage dieses Modells wird anschließend ein Bayesianisches Modell entwickelt, das es ermöglicht, das mathematische Modell an empirische Daten anzupassen. Abschließend werden sieben empirische Studien durchgeführt, um Vorhersagen des Modells hinsichtlich des Einflusses individueller Expertise, der Extremität von Urteilen, initialer Urteile, der Möglichkeit zum Verzicht auf ein Urteil sowie der Relevanz des präsentierten numerischen Werts zu testen.