TMI25 · Too Much Information
Publication Bias
Beispiel
Zwölf Forscherteams untersuchen unabhängig, ob ein neues Medikament gegen Kopfschmerzen wirkt. Drei Studien finden einen signifikanten Effekt - das Medikament hilft. Neun Studien finden keinen Effekt - das Medikament ist wirkungslos. Die drei erfolgreichen Teams reichen ihre Ergebnisse bei renommierten Journals ein und werden veröffentlicht: "Durchbruch in der Kopfschmerzbehandlung!" Die neun Teams mit negativen Ergebnissen? Zwei reichen ihre Studien gar nicht erst ein ("Wahrscheinlich haben wir einen Fehler gemacht"). Vier werden von Journals abgelehnt ("Nicht interessant genug"). Drei landen in obskuren Fachzeitschriften, die niemand liest. Ein Arzt recherchiert zum Medikament, findet drei überzeugende Studien in Top-Journals und verschreibt es seinen Patienten. Er weiß nichts von den neun negativen Studien. Die wissenschaftliche Literatur suggeriert: Das Medikament wirkt. Die Realität: Es wirkt nicht.
Was ist dieser Effekt?
Publication Bias beschreibt das systematische Problem, dass Studien mit positiven, signifikanten Ergebnissen etwa dreimal häufiger veröffentlicht werden als solche mit negativen oder Null-Resultaten. Der Mechanismus wirkt auf mehreren Ebenen: Forscher reichen negative Ergebnisse oft gar nicht ein (sie vermuten Fehler oder fehlendes Interesse), Journals bevorzugen "spannende" positive Befunde, und negative Resultate verschwinden im "File Drawer" - der sprichwörtlichen Schublade. Dies verfälscht die wissenschaftliche Literatur systematisch zugunsten positiver Befunde.
Warum ist das eine Verzerrung?
Dieser Bias ist ein fundamentales Problem der Wissenschaft. Die veröffentlichte Literatur repräsentiert nicht die Realität, sondern eine systematisch verzerrte Auswahl. Metaanalysen und systematische Reviews, die auf dieser verfälschten Datenbasis aufbauen, kommen zu falschen Schlussfolgerungen. Medikamente erscheinen wirksamer als sie sind, Therapien werden empfohlen, die nicht funktionieren, wissenschaftliche "Wahrheiten" etablieren sich, die falsch sind. Besonders problematisch: Je mehr Forscherteams ein Thema untersuchen, desto größer die Verzerrung - weil mit hoher Wahrscheinlichkeit einige Teams rein zufällig positive Ergebnisse finden, während die Mehrheit mit negativen Resultaten unsichtbar bleibt.