Mensch-KI-Teams treffen bessere Entscheidungen als überlegene KI-Systeme allein

MPINB-Forscher Felipe Yáñez und Team veröffentlichen Fachartikel in Patterns

Wie können Menschen und Künstliche Intelligenz gemeinsam bessere Entscheidungen treffen? Eine neue Studie von Felipe Yáñez, Wissenschaftler in der In Silico Brain Sciences-Gruppe, zeigt, dass die Kombination menschlicher und maschineller Urteile beide Partner übertreffen kann, selbst in Aufgaben, in denen KI bereits überlegen ist.

Die Arbeit, die nun in Patterns (Cell Press) erschienen ist, stellt eine einfache und effiziente Methode vor, um Entscheidungen von Menschen und Maschinen, etwa großen Sprachmodellen (LLMs), zu integrieren. Anstelle komplexer oder rechenintensiver Modelle entwickelte das Team einen vertrauensgewichteten logistischen Regressionsansatz, der Unsicherheit in menschlichen und maschinellen Urteilen erfasst und zusammenführt. Das Modell ist anpassungsfähig und skalierbar, leicht interpretierbar und kann eine beliebige Anzahl an Teammitgliedern berücksichtigen.

Warum Zusammenarbeit funktioniert

Die Studie knüpft an frühere Arbeiten an, die zeigen, dass LLMs menschliche Expertinnen und Experten bei der Vorhersage von Ergebnissen neurowissenschaftlicher Experimente übertreffen können. Dies wirft eine wichtige Frage auf: Können Menschen noch einen sinnvollen Beitrag leisten, wenn Maschinen besser abschneiden?

Die Antwort, so zeigt die neue Arbeit, lautet: Ja, wenn zwei Bedingungen erfüllt sind.

1. Kalibrierung von Vertrauen: Wenn Menschen und KI Vertrauen zuverlässig mit Genauigkeit verknüpfen, lassen sich ihre Urteile sinnvoll kombinieren.
2. Vielfalt der Fehler: Menschen und Maschinen neigen dazu, unterschiedliche Fehler zu machen. Diese Vielfalt wird zu einem Vorteil, wenn ihre Urteile gemeinsam ausgewertet werden.

Getestet in zwei Anwendungsbereichen

Das Team testete seinen Ansatz in zwei Szenarien:

• Objekterkennung: Wenn zu rein maschinellen Teams menschliche Entscheidungen hinzugefügt wurden, stieg die Gesamtgenauigkeit, selbst dann, wenn die Maschinen im Durchschnitt besser waren.
• Neurowissenschaftliche Vorhersagen (BrainBench): In wissensintensiven Aufgaben, in denen LLMs menschliche Expertinnen und Experten übertrafen, verbesserte ein zusätzliches menschliches Teammitglied die Leistung weiterhin; allerdings nur, wenn auch Vertrauensbewertungen berücksichtigt wurden.

Diese Ergebnisse zeigen, dass Menschen KI-Systeme selbst in Bereichen stärken können, die von maschineller Leistung dominiert werden, und heben den Wert menschlicher Intuition und komplementären Urteilsvermögens hervor.

Ein allgemeiner Ansatz für Mensch-Maschine-Teams

Da die Methode mit einer beliebigen Anzahl von Teammitgliedern funktioniert und nur voraussetzt, dass jede Instanz ihr Entscheidungsvertrauen angeben kann, lässt sie sich weit über die beiden hier untersuchten Aufgaben hinaus anwenden. Die Autorinnen und Autoren hoffen, dass dieser Ansatz eine effektivere und transparentere Zusammenarbeit zwischen Menschen und KI-Systemen unterstützt und eine Zukunft vorbereitet, in der Maschinen aktiv zu menschlicher Entdeckung und Innovation beitragen.

Publikation

Yáñez, F., Luo, X., Valerio Minero, O., & Love, B. C.

Confidence-weighted integration of human and machine judgments for superior decision-making.
Patterns, Cell Press (2025).

https://doi.org/10.1016/j.patter.2025.101423

Ãœber den Forschenden

Felipe Yáñez ist Mitglied der Forschungsgruppe In Silico Brain Sciences. Seine Forschungsschwerpunkte liegen in der computergestützten Neurowissenschaft, Vorhersagemodellen und der Zusammenarbeit zwischen Mensch und KI.