@article{RebitschekGigerenzer2020,
  author    = {Rebitschek, Felix G. and Gigerenzer, Gerd},
  title     = {Assessing the quality of digital health services},
  series = {Bundesgesundheitsblatt, Gesundheitsforschung, Gesundheitsschutz},
  volume    = {63},
  journal   = {Bundesgesundheitsblatt, Gesundheitsforschung, Gesundheitsschutz},
  number    = {6},
  publisher = {Springer},
  address   = {New York},
  issn      = {1436-9990},
  doi       = {10.1007/s00103-020-03146-3},
  pages     = {665 -- 673},
  year      = {2020},
  abstract  = {Eine wichtige Voraussetzung f{\"u}r das Gelingen der Digitalisierung des Gesundheitswesens ist die digitale Risikokompetenz der Nutzer, also ihre F{\"a}higkeit, Nutzen und Schaden von digitalen Technologien und Informationen zu beurteilen, digitale Angebote kritisch zu nutzen und sich auch mit statistischer Evidenz auseinanderzusetzen. Wie finden Menschen qualit{\"a}tsgesicherte Gesundheitsinformationen und wie k{\"o}nnen sie die Qualit{\"a}t von algorithmischen Entscheidungssystemen besser beurteilen? In diesem narrativen Beitrag sollen zwei Ans{\"a}tze aufgezeigt werden, wie die F{\"a}higkeit zum informierten Entscheiden gef{\"o}rdert werden kann. Evidenzbasierte und verl{\"a}ssliche Gesundheitsinformationen existieren im Internet, m{\"u}ssen aber von einer Vielzahl unzuverl{\"a}ssiger Informationen unterschieden werden. Verschiedene Institutionen im deutschen Sprachraum haben deshalb Anleitungen bereitgestellt, um Laien eine informierte Entscheidung zu erleichtern. Beispielsweise hat das Harding-Zentrum f{\"u}r Risikokompetenz in Potsdam f{\"u}r diese Zwecke einen Entscheidungsbaum („fast-and-frugal tree") entwickelt. Im Umgang mit Algorithmen k{\"o}nnen nat{\"u}rliche H{\"a}ufigkeitsb{\"a}ume (NFTs) helfen, die G{\"u}te und Fairness eines algorithmischen Entscheidungssystems zu beurteilen. Neben zuverl{\"a}ssigen und verst{\"a}ndlichen digitalen Angeboten sollten weitere Werkzeuge f{\"u}r Laien zur Beurteilung von Informationen und Algorithmen entwickelt und bereitgestellt werden. Diese k{\"o}nnen auch in Schulungsprogramme zur digitalen Kompetenzf{\"o}rderung aufgenommen werden. Damit w{\"a}re ein wichtiger Schritt zum Gelingen der Digitalisierung in der Pr{\"a}vention und Gesundheitsf{\"o}rderung getan.},
  language  = {de}
}
@article{RebitschekGigerenzerWagner2021,
  author    = {Rebitschek, Felix G. and Gigerenzer, Gerd and Wagner, Gert G.},
  title     = {People underestimate the errors made by algorithms for credit scoring and recidivism prediction but accept even fewer errors},
  series = {Scientific reports},
  volume    = {11},
  journal   = {Scientific reports},
  number    = {1},
  publisher = {Macmillan Publishers Limited},
  address   = {London},
  issn      = {2045-2322},
  doi       = {10.1038/s41598-021-99802-y},
  pages     = {11},
  year      = {2021},
  abstract  = {This study provides the first representative analysis of error estimations and willingness to accept errors in a Western country (Germany) with regards to algorithmic decision-making systems (ADM). We examine people's expectations about the accuracy of algorithms that predict credit default, recidivism of an offender, suitability of a job applicant, and health behavior. Also, we ask whether expectations about algorithm errors vary between these domains and how they differ from expectations about errors made by human experts. In a nationwide representative study (N = 3086) we find that most respondents underestimated the actual errors made by algorithms and are willing to accept even fewer errors than estimated. Error estimates and error acceptance did not differ consistently for predictions made by algorithms or human experts, but people's living conditions (e.g. unemployment, household income) affected domain-specific acceptance (job suitability, credit defaulting) of misses and false alarms. We conclude that people have unwarranted expectations about the performance of ADM systems and evaluate errors in terms of potential personal consequences. Given the general public's low willingness to accept errors, we further conclude that acceptance of ADM appears to be conditional to strict accuracy requirements.},
  language  = {en}
}