1. Beschreibe die Aufgabe
Opus 5.5 kartiert, was du bereits verstehst, bevor es versucht, überhaupt etwas zu erklären. Es stellt diagnostische Fragen, findet den genauen Punkt, an dem deine Argumentation abbricht, und baut die Erklärung von dieser Lücke aus auf.
Aus einem einzigen Gespräch entstehen drei Artefakte: eine interaktive Lektion, die um dein Missverständnis herum aufgebaut ist, ein Arbeitsheft, das das Konzept auf deine eigenen Daten anwendet, und eine Konzeptkarte, die weiterführende Verbindungen herstellt. Beschreibe das Konzept, an dem du hängst, und was du bereits verstehst. Der untenstehende Prompt macht drei Dinge, die es wert sind, kopiert zu werden: Er legt genau den Schritt fest, an dem das Verständnis abbricht, er sagt, was eine gute Erklärung dich danach tun lassen würde, und er hängt die Daten an, aus denen das Arbeitsheft aufgebaut wird.
Ich stoße ständig auf „Bayes'sches Denken" in Dingen, die ich lese – Essays, Podcasts, sogar Gespräche bei der Arbeit. Leute sagen „aktualisiere deine Priors" oder „du ignorierst die Basisrate" und ich nicke mit, aber ich kann der Logik nicht wirklich folgen, wenn es konkret wird. Grundlegende Wahrscheinlichkeit verstehe ich gut. Ich kann Chancen berechnen, ich weiß abstrakt, was eine bedingte Wahrscheinlichkeit ist. Aber wenn jemand erklärt, warum ein zu 99% genauer Test nicht bedeutet, dass man zu 99% krank ist, verliere ich auf halbem Weg den Faden.
Hilf mir, das zu verstehen. Eine gute Erklärung ist eine, die ich selbst mit anderen Zahlen nachvollziehen könnte, also überprüfe unterwegs meine Argumentation und ich sage dir, was ankommt und was nicht. Baue mir dann eine interaktive Lektion, ein Arbeitsheft, mit dem ich prüfen kann, welche Signale in meiner Recruiting-Pipeline tatsächlich Erfolg vorhersagen, und eine Konzeptkarte, die es mit dem verbindet, was mir als Nächstes begegnen wird. Ich habe unseren Export der Recruiting-Pipeline angehängt, Bewerbungen bis hin zur 12-monatigen Verweildauer, damit du mit unseren echten Zahlen arbeiten kannst.
2. Gib Claude Kontext
Die Diagnose funktioniert allein aus dem Gespräch heraus. Dateien kommen nur ins Spiel, wenn du möchtest, dass das Arbeitsheft aus deinen eigenen Zahlen aufgebaut wird.
Erforderlicher Kontext
- Für die Diagnose selbst sind keine Dateien nötig. Wenn du ein personalisiertes Arbeitsheft möchtest, hänge einen CSV- oder XLSX-Export deiner Daten an, so wie der Beispiel-Prompt einen Export der Recruiting-Pipeline anhängt, der von den Bewerbungen bis zur 12-monatigen Verweildauer reicht. Opus 5.5 durchsucht den gesamten Datensatz und baut die Analyse um deine tatsächlichen Zahlen herum auf.
Optionaler Kontext
- Deine Screening- oder Pipeline-Daten: CSV oder XLSX mit Kandidatendatensätzen, Interview-Bewertungen, Einstellungsentscheidungen und Ergebnissen, oder beliebige Daten, bei denen du ein Signal nutzt, um eine Population zu screenen oder zu sortieren
- Erweitertes Denken(öffnet in neuem Tab) gibt Opus 5 Raum, Schritt für Schritt nachzudenken, bevor es antwortet. Bei einer Aufgabe wie dieser, bei der Claude sorgfältig über die Struktur deines Wissens nachdenken muss, um ein verborgenes Missverständnis zu finden, macht diese zusätzliche Denktiefe die Diagnose präziser. Du kannst Claudes Denkprozess mitverfolgen, während es sich durch das Problem arbeitet.
3. Was Claude erstellt
Claude stellt zunächst diagnostische Fragen und testet, was du weißt, bis es das spezifische Missverständnis identifiziert. Dann baut es von dieser Lücke aus neu auf und erstellt alle drei Artefakte. Opus 5.5 bleibt während dieser gesamten Abfolge beständig, und sein Schreibstil hält Schritt: Die Erklärung, die Lektion, das Arbeitsheft und die Konzeptkarte behalten alle eine konsistente Stimme bei, die auf dein tatsächliches Verständnisniveau abgestimmt ist.
Lass mich herausfinden, wo dein Verständnis solide ist und wo es abbricht.
Du hast gesagt, du verstehst grundlegende Wahrscheinlichkeit und bedingte Wahrscheinlichkeit abstrakt. Kurzes Szenario: Eine Krankheit betrifft 1 von 1.000 Menschen. Ein Test ist zu 99% genau. Du testest positiv. Wie hoch ist die Wahrscheinlichkeit, dass du die Krankheit tatsächlich hast?
[Nach deiner Antwort]
Du hast etwa 99% gesagt. Das ist genau das Missverständnis, nach dem ich gesucht habe.
Die Antwort ist etwa 9%. Stell dir vor, du testest 1.000 Menschen. Eine Person hat die Krankheit, und der Test erfasst sie. Aber von den 999 gesunden Menschen erhält 1% falsch-positive Ergebnisse. Das sind etwa 10 Personen. Also hast du 11 positive Ergebnisse, und nur eines davon ist tatsächlich krank.
Die zentrale Verwirrung: Menschen behandeln die Genauigkeit eines Signals als die Wahrscheinlichkeit der Schlussfolgerung, ohne zu fragen, wie häufig das Gesuchte überhaupt ist. Ein Personalverantwortlicher sieht, dass 90% der erfolgreichen Einstellungen ein bestimmtes Merkmal hatten, also screent er darauf. Aber wenn 90% aller Kandidaten dieses Merkmal haben, sagt es nichts voraus.
Jetzt lass mich dir drei Dinge bauen, die du behalten kannst.
Interaktive Lektion: Basisraten-Explorer
[Interaktive Lektion ansehen]
Ein Simulator, in dem du Basisraten, Testgenauigkeit und Spezifität über verschiedene Bereiche hinweg anpasst und in Echtzeit beobachtest, wie sich das Verhältnis von echten zu falschen positiven Ergebnissen verschiebt.
Signal-Audit-Arbeitsheft: deine Recruiting-Pipeline
Da du deine Tabelle hochgeladen hast, habe ich die Einstellungsdaten deines Teams direkt herangezogen. Drei Tabs: deine Pipeline mit Basisraten in jeder Phase, ein Signal-Audit, das zeigt, welche Interview-Kriterien tatsächlich Erfolg vorhersagen (deine technische Bewertung bewegt die Nadel von 8% auf 34%; dein Culture-Fit-Score bewegt sie kaum), und ein Entscheidungsrahmen zur Bewertung jedes beliebigen Screening-Kriteriums.
[Download: signal-audit-workbook.xlsx]
Konzeptkarte: wie Bayes'sches Denken weiterführt
Eine einseitige visuelle Darstellung, die Basisraten-Denken mit der Signalentdeckungstheorie, der Anklägerfalle (Prosecutor's Fallacy), Informationsgewinn und dem Grund, warum A/B-Tests Kontrollgruppen brauchen, verbindet. Jedes Konzept verlinkt zur Argumentationskette, die es erklärt.
[Konzeptkarte ansehen]
4. Folgeprompts
Jeder Folgeprompt unten baut auf etwas auf, das das erste Gespräch hervorgebracht hat: das Signal-Audit, das Arbeitsheft und die Konzeptkarte.
Teste es an deinen eigenen Daten
Das Arbeitsheft liefert dir die Baseline. Dränge auf das Signal, an das du am liebsten glauben möchtest. Opus 5.5 durchsucht große Dateien und Datensätze, bevor es antwortet, sodass es unordentliche reale Zahlen verarbeitet, ohne zu vereinfachen.
Führ mich durch die Interview-Kriterien, die tatsächlich Erfolg vorhersagen, sobald man die Basisraten berücksichtigt. Ich möchte besonders wissen, wie es um unsere neue Case-Study-Übung steht – wir haben sie in Q3 eingeführt und unsere Einstellungsqualität scheint besser zu sein. Ist die Case Study ein echtes Signal, oder sehen wir nur, was wir sehen wollen?
Arbeite weiter in deiner Tabelle
Öffne das Arbeitsheft in Excel und setze die Analyse mit Claude in Excel(öffnet in neuem Tab) fort. Claude arbeitet direkt in einer Seitenleiste in Excel, wo es deine Daten lesen, Formeln ändern und auf dem Arbeitsheft aufbauen kann, ohne deine Tabelle zu verlassen.
Ich habe das Signal-Audit-Arbeitsheft heruntergeladen. Kannst du einen Tab hinzufügen, der prüft, ob eines unserer Interview-Signale redundant ist – also dasselbe misst wie ein anderes Signal, auf das wir bereits screenen? Ich möchte diejenigen streichen, die keine neuen Informationen liefern.
Baue eine längere Lernsequenz auf
Arbeite dich Stück für Stück durch die Konzeptkarte. Opus 5.5 trägt Anweisungen durch längere Gespräche hinweg, ohne abzudriften, sodass der diagnostische Kontext erhalten bleibt, während du dich durch verwandte Themen bewegst.
Jetzt, wo ich Basisraten verstehe, möchte ich mein Verständnis der verwandten Konzepte auf der Karte ausbauen – Signalentdeckungstheorie, Informationsgewinn und die Anklägerfalle. Kannst du eine Lernsequenz erstellen, die sie eins nach dem anderen behandelt, mit einer Arbeitsheft-Übung für jedes?
5. Tricks, Tipps und Fehlerbehebung
Bring vorab ein, was du weißt
Opus 5.5 investiert darin, die Struktur deines Wissens zu verstehen, bevor es versucht, sie zu verändern. Je klarer du beschreibst, wo dein Verständnis solide ist, desto schneller kann Claude finden, wo es abbricht. Was du herausbekommst, spiegelt größtenteils das wider, was du hineingibst, also investiere deine Mühe darin, deinen Ausgangspunkt zu beschreiben, statt nach der perfekten Formulierung zu suchen. „Ich verstehe grundlegende Wahrscheinlichkeit, kann aber Basisraten-Argumenten nicht folgen" ist ein schärferer Ausgangspunkt als „Ich verstehe Statistik nicht." Die Lücke zwischen dem, was klickt, und dem, was nicht klickt, ist meist dort, wo das Missverständnis wohnt.
Sag es einmal
Du musst deine Anforderungen nicht wiederholen oder „und denk daran, dass..."-Erinnerungen hinzufügen. Opus 5.5 folgt Anweisungen präzise durch die gesamte Diagnose, den Aufbau der Artefakte und alle Folgeprompts hindurch. Formuliere im Voraus, was du willst, und vertraue darauf, dass es durchgehalten wird.
Überprüfe das Arbeitsheft anhand deiner eigenen Daten
Bevor du einen Screening-Schritt basierend auf dem Signal-Audit änderst, wähle eine Zahl daraus aus, etwa die Erfolgsrate hinter deinem stärksten Signal, und rechne sie anhand der Rohdaten aus deinem Export nach. Wenn deine manuelle Berechnung übereinstimmt, kannst du dem Rest des Tabs vertrauen. Wenn nicht, sag Claude, welche Zahl nicht stimmt, und es baut die Berechnung neu auf und zeigt seine Arbeitsschritte.
6. Bereit, es selbst auszuprobieren?
Beschreibe ein Konzept, an dem du hängst, und was du bereits verstehst. Claude baut die Erklärung von dort aus auf.