// Charaktersystem

Konfidenz-Modell — 3-Achsen-Unsicherheit

Jeder Wert, jede Regel, jeder Output im System trägt Konfidenz auf drei unabhängigen Achsen. Ein einziger Konfidenz-Wert würde verdecken, was wichtig ist: die Quelle der Unsicherheit.

Veröffentlicht: · Holger Theymann

Status: ✅ Vollständig ausgearbeitet

Kernidee

Jeder Wert, jede Regel, jeder Output im System trägt Konfidenz auf drei unabhängigen Achsen. Ein einziger Konfidenz-Wert würde verdecken, was wichtig ist: die Quelle der Unsicherheit.

Diese Differenzierung ist keine methodische Spielerei — sie ist die epistemologische Architektur, die das System davor schützt, Pseudo-Präzision zu produzieren. Besonders im Coaching-Modus ist das entscheidend.

Die drei Achsen

AchseFrageQuelleTypische Werte
evidenceWie gut ist die zugrundeliegende Regel belegt?Evidenzklasse A/B/C/D0.2–0.95
generalityWie breit gilt die Regel kulturell/demografisch?Empirische Replizierbarkeit0.5–0.95
specificityPasst die Regel auf diesen konkreten Charakter?Charakter-spezifische Passung0.3–0.9

Die Achsen im Detail

Achse 1: Evidence

Frage: Wie solide ist das wissenschaftliche Fundament?

Die Achse knüpft direkt an die Evidenzklassen-Taxonomie an:

KlasseDefault evidenceKriterien
A0.80 (0.70–0.95)Meta-Analysen, Replikation, psychometrisch validiert
B0.60 (0.50–0.75)Klinisch etabliert, moderate Evidenz
C0.40 (0.30–0.55)Klinische Tradition mit wissenschaftlicher Kritik
D0.20 (0.10–0.35)Handwerk, narrative Tradition

Beispiele: HEXACO-Emotionality → Emotionsregulations-Kapazität: evidence 0.75 (Meta-Analysen verfügbar). Polyvagal-Theory als Erklärungsrahmen: evidence 0.40 (klinisch nützlich, wissenschaftlich umstritten). Wunde-Lüge-Maske: evidence 0.20 (dramaturgische Tradition).

Achse 2: Generality

Frage: Wie breit gilt die Regel?

Die Achse bezieht sich auf kulturelle Replizierbarkeit (wurde in verschiedenen Kulturen gezeigt?), demografische Breite (Alter, Geschlecht, sozioökonomischer Status) und kontextuelle Stabilität (gilt die Regel in verschiedenen Kontexten?).

Beispiele: Bindungsstil ECR-R: generality 0.85 (cross-kulturell gut, aber WEIRD-Bias). Schwartz-Werte-Hierarchie: generality 0.80 (>80 Länder, aber Variations-Muster kulturell). Polyvagal-Zustände: generality 0.7 (kategorial gültig, aber neuroanatomische Herleitung umstritten).

Achse 3: Specificity

Frage: Passt die Regel auf diesen konkreten Charakter?

Das ist die individuellste Achse. Sie berücksichtigt spezifische Charakter-Eigenschaften, die die Regel modifizieren könnten, widersprüchliche Muster in der Event-Historie und untypische Kombinationen von Traits und Werten.

Beispiele: Die Regel “hohe Emotionality senkt Reappraisal-Kapazität” erhält bei einem Charakter mit jahrelanger Meditationspraxis specificity 0.5, weil die Meditationspraxis den Effekt abmildern könnte. Die Regel “anxious-preoccupied Bindung führt zu hyperactivating” erhält bei einem Charakter mit earned security specificity 0.4, weil der Wandel möglich ist.

Der Aggregat-Wert

Der aggregierte Konfidenz-Wert wird multiplikativ berechnet:

aggregate = evidence × generality × specificity

Warum multiplikativ? Weil alle drei Achsen notwendig sind — eine schwache Achse kann das Gesamt nicht durch eine starke ausgleichen.

Beispiele: Evidence 0.9 × Generality 0.9 × Specificity 0.9 = 0.73 (solide). Evidence 0.9 × Generality 0.9 × Specificity 0.5 = 0.41 (Trait-Regel, aber passt schwach). Evidence 0.4 × Generality 0.9 × Specificity 0.9 = 0.32 (wackeliges Fundament trotz guter Passung).

Regel-Schema mit 3-Achsen-Konfidenz

rule:
  id: "R-E-01"
  name: "hexaco_emotionality_dampens_reappraisal"
  
  fires_when:
    - property: "hexaco.emotionality"
      operator: "≥"
      value: 70
  
  then:
    - target: "emotion_regulation.reappraisal.capacity"
      relation: "inhibits"
      direction: "↓"
      magnitude: 20
      magnitude_range: [10, 30]
  
  confidence:
    evidence: 0.75        # mehrere Studien, moderate Effektgröße
    generality: 0.85      # cross-kulturell repliziert
    specificity: 0.60     # kontextabhängig
    aggregate: 0.38       # = 0.75 × 0.85 × 0.60
  
  source:
    - "Gross 2015, Emotion Regulation Review"
    - "McRae 2012, Individual Differences in Reappraisal"
  
  evidence_class: "A"

Konfidenz-Propagation

Wenn eine Regel auf einer Regel aufbaut, multiplizieren sich die Konfidenzen. Das simuliert epistemische Kaskade.

Beispiel: Tier 1 → Tier 2 → Tier 3

Tier 1 (direkt aus HEXACO-Annahme):
  hexaco.emotionality = 78 (angenommen, conf 0.85)
  
Tier 2 (Regel R-E-01 feuert):
  emotion_regulation.reappraisal.capacity = 58 (conf 0.38)
  = 0.85 × 0.38 / 0.85 = 0.38 × ...
  # gemessen durch regel-eigene Konfidenz
  = 0.85 × 0.75 × 0.85 × 0.60 = 0.33

Tier 3 (weitere Regel baut darauf auf):
  protective_part.P-001.activation_threshold = 0.45
  conf_tier3 = conf_tier2 × rule2.aggregate
  = 0.33 × 0.55 = 0.18

Faustregel: Ab Tier 2 unter 0.4 — Output wird als “qualitativer Hinweis” gelabelt.

Output-Repräsentation

Im Output wird Konfidenz immer sichtbar:

Hohe Konfidenz (>0.6)

emotion_regulation.reappraisal.capacity: 75 (conf 0.72)

Klarer Zahlenwert, hoher Konfidenz-Wert.

Mittlere Konfidenz (0.4–0.6)

emotion_regulation.reappraisal.capacity: ≈55 (Band: 45–65, conf 0.5)

Punktwert als Näherung, Band zur Illustration der Unsicherheit.

Niedrige Konfidenz (<0.4)

emotion_regulation.reappraisal.capacity: ↓ wahrscheinlich reduziert, 
  exakter Wert unsicher (conf 0.3)

CAVEAT: Tier-3-Propagation — qualitativer Hinweis, kein präziser Wert

Richtung bleibt, Zahl verschwindet oder wird als “wahrscheinlich” markiert.

Die Qualitäts-Hierarchie in Konfliktfällen

Wenn qualitativer und quantitativer Aspekt divergieren — z.B. bei niedriger Konfidenz — gilt eine dreistufige Hierarchie: Die Richtung ist robust (↓ gilt, solange die Regel überhaupt feuert), der Magnitude-Bereich ist Hypothese (wird als Band gezeigt, nicht als Punkt), und der Punktwert ist Default für Rechnung, wird aber nie als Wahrheit kommuniziert.

Diese Hierarchie schützt vor Pseudo-Präzision: Wir behaupten nicht “Reappraisal-Kapazität sinkt um exakt 20”, wenn wir nur wissen “sinkt, wahrscheinlich im Bereich 10-30”.

Monte-Carlo-Integration

Mit Konfidenz-Werten lässt sich Sampling durchführen:

character simulate kai --scene S-042 --samples 100

Verteilung der Reaktionen:
  Rationalisierung:      62% ± 4%  (conf-gewichtet)
  Intellektualisierung:  23% ± 3%
  Verletzlichkeit:       10% ± 3%
  Eskalation:             5% ± 2%

Konfidenz Gesamt-Ergebnis: 0.62
Dominierende Unsicherheits-Quelle: psyche.wunde.awareness (manuell gesetzt)

Das ist besonders wertvoll für Storytelling (zeigt die dramaturgische Bandbreite) und Coaching (zeigt die Robustheit einer Intervention über verschiedene Szenarien).

Warum drei Achsen (und nicht eine)

Eine Regel kann gut belegt sein (hohe evidence), aber bei diesem Charakter nicht greifen (niedrige specificity) — z.B. wegen hoher Meditationspraxis, die die typische HEXACO-Konsequenz abmildert.

Ein einziger Konfidenz-Wert würde diesen Unterschied verdecken. Der Coach verliert so die Information, warum er bei einem Klienten vorsichtiger sein sollte — oder welche Regel gerade nicht anwendbar ist.

Die drei Achsen sagen im Output jeweils etwas Unterschiedliches. Hohe Evidence + hohe Generality + niedrige Specificity bedeutet: “Die Regel ist wissenschaftlich robust, aber dieser Mensch ist eine Ausnahme.” Niedrige Evidence + hohe Generality + hohe Specificity bedeutet: “Die Regel passt, aber die Evidenz ist wackelig — Vorsicht bei Handlungsimplikationen.” Hohe Evidence + niedrige Generality + hohe Specificity bedeutet: “Die Regel passt auf diesen Menschen in seinem Kontext, aber Transfer auf andere vorsichtig.”

Dominant-Uncertainty-Source-Analyse

Für wichtige Outputs kann das System den dominierenden Unsicherheits-Anteil identifizieren:

output_uncertainty_analysis:
  aggregate_confidence: 0.38
  
  breakdown:
    evidence_contribution: 0.75     # Regel ist gut belegt
    generality_contribution: 0.85   # breit gültig
    specificity_contribution: 0.60  # ← DOMINANT
  
  dominant_source: "specificity"
  implication: "Regel wissenschaftlich solide, aber individuelle Passung mittel. Vor Intervention individuelle Exploration."

Das ist wertvoll für reflektierte Coaching-Arbeit — es zeigt, wo Nachfragen angezeigt sind.

Konfidenz im Konsistenz-Check

Beim Ontologie-Validator prüft das System, dass jedes Feld einen definierten Konfidenz-Bereich hat, jede Regel explizite Konfidenz-Angaben trägt und jeder computed value die propagierte Konfidenz mitführt. Regeln ohne Konfidenz-Angabe werden vom Validator abgelehnt — das erzwingt disziplinierte Regel-Definition.

Vergleich mit anderen Konfidenz-Systemen

Evidence-Based Medicine Hierarchy

EBM (Oxford CEBM) klassifiziert Studien-Evidenz 1–5. Unsere Evidence-Achse ist daran angelehnt, aber sie gilt für einzelne Regeln statt für ganze Interventionen, integriert die klinische Tradition (Klasse B/C) explizit und ist im Output transparent.

Bayesian Credible Intervals

Bayesianische Statistik liefert ähnliche Unsicherheits-Quantifizierung, aber unsere drei Achsen sind semantisch differenziert und nicht nur numerisch, und der Output ist interpretierbar ohne statistisches Fachwissen.

Dempster-Shafer-Theorie

Eine abstrahiertere Formalisierung von Unsicherheit — für die klinisch-psychologische Anwendung aber zu abstrakt. Unser 3-Achsen-Modell ist pragmatischer.

Belegbasis

Verknüpfungen

Charaktersystem:

Ontologie:

  • evidence_classes.yaml — A/B/C/D-Klassifikation
  • framework_mappings.yaml — jedes Mapping mit eigener Konfidenz

Frameworks — alle mit expliziter Evidenzklasse:

start call_