Eine besonders eindrückliche Research-Session bleibt oft allen im Gedächtnis. Widersprüchliche, leisere Beobachtungen haben es da schwer – vor allem, wenn die unvergessliche Session genau die Entscheidung stützt, die das Team ohnehin bevorzugt. Kognitive Verzerrungen (Biases) sind systematische Muster in Wahrnehmung, Erinnerung und Urteilsbildung, die prägen, wie wir Informationen deuten.
In der Forschung spielen sie auf beiden Seiten eine Rolle: Teilnehmende bringen Erwartungen in das Erlebnis ein, und Forschende bringen Erwartungen an die Daten mit. Die Namen dieser Biases zu kennen, hilft, kritische Punkte zu erkennen – es beweist aber noch nicht, dass eine bestimmte Person oder ein konkretes Ergebnis tatsächlich voreingenommen ist.
Zuerst die eigene Interpretation hinterfragen
Der Bestätigungsfehler (Confirmation Bias) führt dazu, dass man Informationen bevorzugt, die das eigene Weltbild stützen. Die Analyse der Nielsen Norman Group zu Confirmation Bias in der UX zeigt, welche Rolle das für Studiendesign und Interpretation spielt. Ist ein Team überzeugt, die Navigation sei das Problem, stellt es eher entsprechende Fragen, achtet auf passende Vorfälle und wählt Zitate aus, die genau diese Navigations-Theorie stützen.
Die Verfügbarkeitsheuristik sorgt dafür, dass uns frische oder besonders einprägsame Momente häufiger vorkommen, als sie sind. Der Ankereffekt lässt die allererste Einschätzung in einem Meeting unverhältnismäßig dominant werden. Und Framing verändert, wie dasselbe Ergebnis wahrgenommen wird – etwa wenn man gelungene Durchläufe hervorhebt, Misserfolge und deren Folgen aber außen vor lässt.
All das sind Gründe, den eigenen Prozess kritisch zu prüfen – keine bequemen Etiketten, um andere Meinungen abzutun. Eine Kollegin erinnert sich vielleicht an eine ungewöhnliche Session, weil dort ein gravierendes Problem sichtbar wurde. Und dessen Tragweite rechtfertigt manchmal bereits ein Handeln, selbst wenn der Vorfall selten war.
Methoden nutzen, die Alternativen sichtbar machen
Forschungsfragen, relevante Metriken und geplante Vergleiche sollten schriftlich fixiert werden, bevor man sich die Ergebnisse ansieht. Spätere Anpassungen gehören mitsamt Begründung transparent dokumentiert. Exploratives Arbeiten ist völlig legitim, sollte aber klar von vorab geplanten Analysen unterscheidbar bleiben.
Schau dir den gesamten relevanten Datensatz an, statt dich auf das Gedächtnis oder ein paar Highlights-Clips zu verlassen. Suche gezielt nach Fällen, die der ersten Interpretation widersprechen, und frage dich, welche anderen Erklärungen es für die Beobachtung geben könnte. Wenn alle vorab unabhängige Notizen machen, lassen sich unterschiedliche Lesarten vergleichen, bevor sich die Gruppendiskussion auf eine einzige Story einigt.
Ein Beispiel aus einer Checkout-Studie: Wiederholtes Zögern bei den Lieferoptionen kann am Preis, an unklarer Sprache oder an Unsicherheit über das Lieferdatum liegen. Würde man jede Pause einfach als „Preiswiderstand“ codieren, bestätigt die Analyse nur die eigene Annahme. Erst der Blick auf die konkreten Worte, Handlungen und Rahmenbedingungen jedes Versuchs hilft, diese Hypothese wirklich zu überprüfen.
Entscheidungen nachvollziehbar machen, statt Objektivität vorzutäuschen
Auch strukturierte Methoden erfordern Entscheidungen – etwa über Kategorien, deren Relevanz und die praktischen Konsequenzen. Ein Review durch eine zweite Person kann diese Entscheidungen hinterfragen. Doch selbst wenn zwei Forschende sich einig sind, macht das ein Ergebnis noch nicht objektiv wahr. Wichtig ist, die Daten und Gedankengänge so festzuhalten, dass andere sie nachvollziehen können.
Response Bias beleuchtet Verzerrungen bei den Antworten von Teilnehmenden genauer, während Research Bias systematische Fehler im gesamten Studiendesign umfasst. Eine thematische Analyse hilft dabei, Interpretationen sinnvoll zu strukturieren – vorausgesetzt, der Ansatz passt zur Forschungsfrage.
Am Ende zählt ein Ergebnis, das alternativen Erklärungen standgehalten hat und verbleibende Unsicherheiten klar benennt. Das Ziel ist kein Team, das sich für unfehlbar und bias-frei hält – denn genau diese Selbstsicherheit würde dazu führen, dass die nächste knifflige Interpretation nicht mehr kritisch hinterfragt wird.
}