Adaptation-Level-Theory
Jede Bewertung orientiert sich an einem inneren Referenzpunkt. Was gestern beeindruckte, gilt heute als normal. Diesen Mechanismus der laufenden Neukalibrierung beschreibt die Adaptation-Level-Theory.
Harry Helson formulierte 1947 die Adaptation-Level-Theory (ALT) als quantitativen Ansatz der Wahrnehmungspsychologie. Der zentrale Gedanke: Jeder sensorische oder kognitive Reiz wird nicht absolut bewertet, sondern relativ zu einem internen Bezugspunkt. Dieser Bezugspunkt, das Adaptationsniveau, ergibt sich aus der gewichteten Kombination dreier Quellen: vergangene Reize (Residualfaktor), der aktuelle Stimulus (Fokalreiz) und der Kontext, in dem der Reiz auftritt (Hintergrundfaktor).
Wie sich der innere Referenzpunkt bildet
Das Adaptationsniveau ist keine feste Größe. Es verschiebt sich mit jeder neuen Erfahrung. Helson beschrieb diesen Prozess als gewichtetes geometrisches Mittel aller bisherigen Reize. In der Praxis bedeutet das: Aktuelle und jüngere Erfahrungen haben ein höheres Gewicht als weiter zurückliegende.
Beispiel: Ein Softwareentwickler testet eine IDE mit 200 Millisekunden Reaktionszeit. Beim ersten Mal registriert er die Geschwindigkeit als positiv. Nach zwei Wochen täglicher Nutzung ist 200 Millisekunden sein neues Adaptationsniveau. Jetzt fällt ihm nur noch auf, wenn die IDE langsamer als 200 Millisekunden reagiert.
Beispiel: Ein Unternehmen führt eine KI-gestützte Suchfunktion ein. In der ersten Woche bewerten 87 Prozent der Nutzer die Ergebnisqualität als "sehr gut". Drei Monate später, bei identischer Qualität, sinkt diese Bewertung auf 54 Prozent. Das Adaptationsniveau der Nutzer hat sich verschoben.
Drei Faktoren bestimmen die Position des Adaptationsniveaus:
- Fokalreiz: Der unmittelbar bewertete Stimulus. Ein neues Feature, ein veränderter Preis, ein geändertes Interface.
- Residualfaktor: Die Summe vergangener Erfahrungen mit vergleichbaren Reizen. Je länger die Erfahrungsgeschichte, desto stabiler der Referenzpunkt.
- Kontextfaktor: Die Umgebung, in der die Bewertung stattfindet. Dieselbe Antwortzeit eines Chatbots wirkt in einer Notfallsituation anders als in einer Routineanfrage.
Helsons quantitativer Ansatz
Helson versuchte, das Adaptationsniveau mathematisch zu fassen. Die Kernformel beschreibt das Niveau A als gewichtetes geometrisches Mittel:
A = S^p × R^q × C^r
Dabei steht S für den Fokalreiz, R für den Residualfaktor, C für den Kontextfaktor und p, q, r für die jeweiligen Gewichte (mit p + q + r = 1). Die Gewichte variieren je nach Sinnesmodalität und Erfahrungsdauer.
Beispiel: Bei der Bewertung von Bildqualität in einem Videotool dominiert der Fokalreiz (hohes p). Bei der Bewertung eines Kundenservice-Chatbots hat die Erfahrungsgeschichte (hoher q-Wert) mehr Einfluss, weil Nutzer vergangene Interaktionen stark mit der aktuellen vergleichen.
Beispiel: Ein Team bewertet die Ausgabequalität eines Prompt-basierten Systems. Mitglieder, die vorher ausschließlich mit regulären Suchmaschinen gearbeitet haben (niedriger Residualfaktor), bewerten dieselbe Ausgabe höher als Mitglieder mit Erfahrung in Prompt Engineering (hoher Residualfaktor).
Fachliche Einordnung: Helsons Formel wurde in der klassischen Psychophysik empirisch bestätigt, insbesondere für einfache sensorische Reize wie Helligkeit und Gewicht. Für komplexe kognitive Bewertungen, etwa die Zufriedenheit mit KI-Systemen, fehlen vergleichbar präzise Parametrisierungen. Die Formel dient hier als konzeptueller Rahmen, nicht als präzises Vorhersageinstrument.
Adaptation und die hedonische Tretmühle
Die bekannteste Anwendung der ALT betrifft die Zufriedenheitsforschung. Brickman und Campbell prägten 1971 den Begriff "hedonische Tretmühle" (hedonic treadmill): Positive wie negative Veränderungen der Lebensumstände führen nach einer Anpassungsphase zurück zu einem relativ stabilen Zufriedenheitsniveau.
Beispiel: Ein Unternehmen steigert die Antwortgenauigkeit seines internen Wissenssystems von 60 auf 85 Prozent. Die Nutzerzufriedenheit steigt kurzfristig stark an. Nach drei Monaten stabilisiert sich die Zufriedenheit auf dem Ausgangsniveau. Die 85 Prozent sind das neue Normal. Verbesserungen werden jetzt ab 86 Prozent registriert.
Beispiel: Ein Grafikdesigner wechselt von einem 60-Hz-Monitor auf einen 144-Hz-Monitor. Die Flüssigkeit der Darstellung beeindruckt ihn in der ersten Woche. Nach einem Monat ist 144 Hz sein Referenzpunkt. Er bemerkt den Unterschied nur noch, wenn er temporär auf 60 Hz zurückfällt.
Die hedonische Adaptation verläuft nicht symmetrisch. Positive Reize werden schneller adaptiert als negative. Diener, Lucas und Scollon zeigten 2006, dass die Rückkehr zum Ausgangsniveau nach negativen Ereignissen länger dauert und häufig unvollständig bleibt.
Kontrast und Assimilation: Zwei Gegenspieler
Nicht jeder Reiz verschiebt das Adaptationsniveau gleichmäßig. Die ALT unterscheidet zwei gegenläufige Prozesse:
Bei Assimilation rückt die Bewertung eines neuen Reizes in Richtung des bestehenden Adaptationsniveaus. Das passiert, wenn der neue Reiz dem bisherigen Niveau ähnlich genug ist. Das Urteil wird zum Referenzpunkt hingezogen.
Bei Kontrast entfernt sich die Bewertung vom Adaptationsniveau. Das passiert, wenn der neue Reiz deutlich vom bisherigen Niveau abweicht. Das Urteil wird vom Referenzpunkt weggedrückt.
Beispiel: Ein Nutzer testet zwei KI-Textgeneratoren nacheinander. Der erste erzeugt Texte mittlerer Qualität. Der zweite erzeugt Texte leicht besserer Qualität. Assimilation: Der Nutzer bewertet den Unterschied als gering, weil beide Erfahrungen nahe am Adaptationsniveau liegen.
Beispiel: Derselbe Nutzer testet nach einer Woche mit dem mittleren Generator einen deutlich überlegenen Generator. Kontrast: Der Nutzer bewertet den neuen Generator als herausragend, weil der Abstand zum Adaptationsniveau groß ist. Die Bewertung fällt höher aus, als sie bei isolierter Betrachtung wäre.
Die Grenze zwischen Assimilation und Kontrast ist nicht starr. Sie hängt von der Involvierung des Bewerters, der Komplexität des Reizes und der Deutlichkeit der Kategoriegrenze ab.
Anwendung in Produktentwicklung und Systemdesign
Die ALT liefert ein Erklärungsmodell für ein häufiges Problem in der Produktentwicklung: Warum objektive Verbesserungen nicht zu höherer Zufriedenheit führen.
Beispiel: Ein Cloud-Anbieter verkürzt die Serverantwortzeit von 400 auf 200 Millisekunden. Die Nutzerzufriedenheit steigt kurzfristig. Sechs Monate später liegt sie wieder auf dem Ausgangswert. Das Adaptationsniveau hat sich verschoben. Die nächste wahrnehmbare Verbesserung erfordert jetzt eine Reduktion auf unter 100 Millisekunden.
Drei Strategien adressieren diesen Mechanismus:
Variable Verstärkung: Statt einer einzelnen großen Verbesserung werden mehrere kleine Verbesserungen in unregelmäßigen Abständen eingeführt. Die Unregelmäßigkeit verlangsamt die Adaptation, weil der Residualfaktor kein stabiles Muster bilden kann.
Beispiel: Ein Chatbot-System führt neue Fähigkeiten nicht in einem großen Release ein, sondern schaltet sie in zufälligen Intervallen frei. Die wahrgenommene Verbesserungsrate bleibt höher als bei einem einmaligen Update.
Kontextmanipulation: Durch gezieltes Erwartungsmanagement kann der Kontextfaktor beeinflusst werden. Wer die Erwartung niedrig setzt, verschiebt das Adaptationsniveau nach unten. Die tatsächliche Leistung wirkt dann positiver.
Referenzrahmenverschiebung: Statt die eigene Leistung zu steigern, kann der Vergleichsrahmen verändert werden. Benchmarking gegen einen niedrigeren Standard senkt das Adaptationsniveau der Bewerter.
Adaptationseffekte bei KI-Systemen
KI-Systeme unterliegen einem besonderen Adaptationsproblem: Ihre Leistung wird nicht nur absolut bewertet, sondern relativ zum sich schnell verändernden Stand der Technik. Das Adaptationsniveau der Nutzer verschiebt sich schneller als in vielen anderen Technologiefeldern.
Beispiel: GPT-3 erzeugte 2020 Texte, die als beeindruckend galten. 2023 bewerteten Nutzer Texte gleicher Qualität als "durchschnittlich", weil GPT-4 das Adaptationsniveau verschoben hatte. Die objektive Textqualität von GPT-3 blieb identisch.
Beispiel: Ein Benchmark-Ergebnis von 90 Prozent Genauigkeit galt 2019 auf einem bestimmten Sprachverständnistest als Spitzenleistung. 2024 werden 90 Prozent auf demselben Test als Mindeststandard betrachtet. Das kollektive Adaptationsniveau der Fachgemeinschaft hat sich verschoben.
Dieser Effekt betrifft auch die Systembewertung innerhalb von Organisationen. Teams, die mit leistungsstarken KI-Werkzeugen arbeiten, entwickeln ein höheres Adaptationsniveau als Teams ohne KI-Erfahrung. Ein identisches System wird von beiden Gruppen unterschiedlich bewertet.
Fachliche Einordnung: Die Adaptationsgeschwindigkeit bei KI-Systemen ist empirisch wenig untersucht. Die hier beschriebenen Effekte basieren auf Übertragungen der klassischen ALT-Forschung, die primär sensorische und hedonische Reize untersuchte. Ob die Adaptationsparameter (Gewichte p, q, r in Helsons Formel) für kognitive Leistungsbewertungen identisch sind, ist eine offene Frage.
Rückkopplung und Feedback-Loops
Das Adaptationsniveau ist kein Einbahnprozess. Es erzeugt Rückkopplungsschleifen: Ein verschobenes Adaptationsniveau beeinflusst, welche Reize überhaupt wahrgenommen werden. Was unterhalb des Niveaus liegt, fällt aus der bewussten Wahrnehmung heraus oder erfährt eine Abwertung. Was darüber liegt, erhält überproportionale Aufmerksamkeit.
Beispiel: Ein Team nutzt ein KI-System zur Code-Überprüfung. Das System erkennt anfänglich 70 Prozent der Fehler. Nach sechs Monaten bei 70 Prozent Erkennungsrate hat sich das Adaptationsniveau stabilisiert. Kleine Rückgänge auf 65 Prozent werden sofort bemerkt und negativ bewertet. Verbesserungen auf 75 Prozent werden kaum registriert, weil sie innerhalb der Assimilationszone liegen.
Dieser Mechanismus erzeugt eine asymmetrische Wahrnehmung: Verschlechterungen werden stärker gewichtet als gleichgroße Verbesserungen. Die Prospect Theory (Kahneman und Tversky, 1979) beschreibt einen analogen Effekt für ökonomische Entscheidungen. Die ALT liefert den wahrnehmungspsychologischen Unterbau für dieses Phänomen.
Beispiel: Ein Monitoring-Dashboard zeigt die Performance eines Embedding-Modells. Nach drei Monaten stabiler 92 Prozent Genauigkeit sinkt der Wert auf 89 Prozent. Das Team eskaliert. Gleichzeitig wurde eine Verbesserung von 92 auf 95 Prozent bei einem anderen Modell kaum kommentiert. Drei Prozent Verlust wiegen subjektiv schwerer als drei Prozent Gewinn.
Grenzen und Kritik der Adaptation-Level-Theory
Die ALT hat klare Limitationen. Nicht alle Bewertungsprozesse lassen sich auf ein einzelnes Adaptationsniveau reduzieren.
Multidimensionale Reize: Die Bewertung komplexer Systeme (etwa eines Transformer-basierten Sprachmodells) erfolgt nicht anhand einer einzelnen Dimension. Geschwindigkeit, Genauigkeit, Tonfall und Verlässlichkeit haben jeweils eigene Adaptationsniveaus, die sich unterschiedlich schnell verschieben.
Individuelle Unterschiede: Die Adaptationsgeschwindigkeit variiert zwischen Personen. Manche Nutzer adaptieren schnell (hohe Gewichtung des Fokalreizes), andere langsam (hohe Gewichtung des Residualfaktors). Die ALT bietet keine Typologie dieser Unterschiede.
Kontextabhängigkeit der Gewichte: Die Gewichte p, q und r in Helsons Formel sind nicht stabil über Situationen hinweg. In Stresssituationen dominiert der Fokalreiz. In routinierten Umgebungen dominiert der Residualfaktor. Die Vorhersage, welcher Faktor wann dominiert, ist schwierig.
Beispiel: Zwei identische Teams nutzen dasselbe KI-Schreibwerkzeug. Team A arbeitet unter Zeitdruck (hoher Fokalreiz-Anteil) und bewertet das Tool hauptsächlich nach der aktuellen Sitzung. Team B arbeitet ohne Zeitdruck (hoher Residualfaktor-Anteil) und bewertet das Tool im Vergleich zu allen bisherigen Erfahrungen. Dasselbe Tool, dieselbe Leistung, unterschiedliche Bewertung.
Fachliche Einordnung: Die ALT gilt in der modernen Psychologie als historisch bedeutsam, aber theoretisch überholt in ihrer strengen mathematischen Form. Neuere Ansätze wie die Range-Frequency-Theory (Parducci, 1965) und die Decision-by-Sampling-Theory (Stewart, Chater und Brown, 2006) bieten differenziertere Modelle der Urteilsbildung. Die Kernidee des sich verschiebenden Referenzpunkts bleibt jedoch in nahezu allen modernen Modellen erhalten.