Einkommen und Vermögen über Generationen

In Folge 14 diskutieren wir ein sehr cooles Papier, das mit Steuerdaten aus der italienischen Stadt Florenz die relativen Einkommens- und Vermögenssituationen von Familien über sage und schreibe 600 Jahre vergleichen kann. Das zugehörige sozialwissenschaftliche Konstrukt, welches sich mit der Frage von Vererbung von Einkommenschancen, Vermögen und Status befasst, heißt intergenerationale Mobilität. Für den Fall Florenz ergibt die Studie, dass selbst über diesen extrem langen Zeitraum ein erkennbarer Zusammenhang zwischen dem Vermögen von Familien im 15. Jahrhundert und dem Vermögen ihrer Nachkommen im Jahr 2011 festzustellen ist.

Im akademischen Nähkästchen updaten wir uns kurz zum gerade zu Ende gehenden digitalen Semester.

Stereotype & Diskriminierung in der Schule

Die wilde 13 ist da! Im un-akademischen Nähkästchen diskutieren wir kurz noch mal, inwieweit wir eigentlich unserem eigenen Anspruch gerecht werden, wissenschaftliche Ergebnisse für Laien aufzubereiten – Dazu freuen wir uns übrigens über euer Feedback! Ist unser Podcast zu nerdig? Zu voraussetzungsvoll? Oder, im Gegenteil, zu basal und deshalb langweilig? Sagt uns gern eure Meinung dazu hier in den Kommentaren oder auf den üblichen Plattformen.

Als Papier der Woche stellt Luise uns ein Working Paper vor, das mit einem Experiment in Italien Vorurteile von Lehrer*innen gegenüber zugewanderten Schüler*innen offenlegt und untersucht, wie man diesen entgegenwirken kann.

Wer den agesprochenen Impliziten Assoziationstest selbst machen möchte, wird hier fündig: https://implicit.harvard.edu/implicit/

Statistische Diskriminierung & Stereotype

Heute gibt es mal wieder eine „klassische“ Folge: Aus dem akademischen Nähkästchen plaudern wir über Geschlechterbias in Lehrevaluationen und im Anschluss stellt uns Eva ein brandaktuelles Forschungspapier von András Tilcsik vor, erschienen in der aktuellen Ausgabe des American Sociological Review.

Der Autor beschäftigt sich darin mit dem Phänomen, dass sozialwissenschaftliche Theorien menschliches Verhalten nicht nur beschreiben, sondern dieses auch beeinflussen können. Anschauungs- und Untersuchungsgegenstand ist die weit verbreitete Theorie der statistischen Diskriminierung. Was diese genau aussagt und unter welchen Umständen ihr Erlernen unerwünschte Effekte haben kann, erläutern wir detailliert im Podcast.

Geschlechterdifferenzen in Wettbewerbsneigung

Zur ersten Folge in 2021 probieren wir mal was neues und berichten von eigener Forschung – Frisch aus der akademischen Backstube. Eva erzählt uns von einer Meta-Studie, die sie zusammen mit Miriam Beblo durchgeführt hat. Darin fassen sie 104 Studien zusammen, die experimentell erforschen, ob, warum und in welchen Kontexten Frauen weniger geneigt sind, in Wettbewerb zu treten, als Männer. Leider gibt es dazu noch kein veröffentlichtes Working Paper, welches man hier verlinken könnte.

Vorher fasst Luise uns noch das Papier zusammen, mit dem diese ganze Forschungsliteratur begonnen hat, ein echter Klassiker der experimentellen ökonomischen Forschung: Niederle & Vesterlund (2007): Do women shy away from competition? Do men compete too much?

Im akademischen Nähkästchen geht es um sich erfüllende Träume.

KI, Bias & menschliches Verhalten (mit Dr. Songül Tolan)

Zur Jubiläums-Folge haben wir uns mal wieder einen fantastischen Gast eingeladen: Dr. Songül Tolan berichtet uns von ihrer und anderer Forschung zum Einfluss von KI auf menschliche Entscheidungen und Problemen, die dabei möglicherweise durch Verzerrungen der Algorithmen entstehen. Der Fokus liegt auf Entscheidungsprozessen im Justizwesen.

Hier noch die Links zu allen erwähnten Artikeln & Vorträgen in der Reihenfolge ihres Vorkommens:

Kleinberg et al. 2015: Prediction Policy Problems.

Kay et al. 2015: Unequal Representation and Gender Stereotypes in Image Search Results for Occupations.

Margetts 2019: Rethink government with AI.

Athey 2017: Beyond prediction: Using big data for policy problems.

Crawford 2017: The Trouble with Bias.

Forschung von Kate McCurdy (University of Edinburgh, Babbel) zum Gender Bias in automatischer Übersetzung.

Angwin et al. 2016: Machine Bias (ProPublica).

Miron et al. 2020: Evaluating causes of algorithmic bias in juvenile criminal recidivism.

Kleinberg et al. 2018: Human Decisions and Machine Predictions.

Stevenson & Doleac 2019: Algorithmic Risk Assessment in the Hands of Humans.