---
title: "Experimentmechanismus: Technische Dokumentation"
subtitle: "Gehaltsverhandlung & digitale Hilfsmittel — Bachelorarbeit Jonas Lütke Wissing"
author: "Jonas Lütke Wissing"
date: "April 2026"
lang: de
geometry: margin=2.5cm
fontsize: 11pt
linestretch: 1.3
toc: true
toc-depth: 3
numbersections: true
---

\newpage

# Studiendesign

## Zwischen-Gruppen-Design

Die Studie verwendet ein zweistufiges Between-subjects-Design. Die Gruppenzuweisung erfolgt alternierend anhand der internen Teilnehmer-ID (`player.id_in_subsession`): ungerade IDs werden der Treatment-Gruppe, gerade IDs der Kontrollgruppe zugewiesen. Dieses deterministische Verfahren gewährleistet eine nahezu exakt hälftige Aufteilung ohne aufwändige Randomisierungsinfrastruktur.

| Gruppe | KI-Coaching | Verhandlung | KI-Bewertung (Survey 3) |
|--------|-------------|-------------|--------------------------|
| Treatment | Ja (LLMChat) | Ja | Ja |
| Kontroll | Nein | Ja | Nein |

Die Untersuchung der **kausalen Wirkung** von KI-gestütztem Coaching auf das Verhandlungsverhalten und -ergebnis ist das zentrale Forschungsziel. Durch die Between-subjects-Struktur werden Carry-over-Effekte und Lerneffekte zwischen den Bedingungen ausgeschlossen.

## Seitensequenz

```
Consent → Briefing → Briefing2 → Articles → ManipulationCheck
       → [LLMChat]*
       → PreNegotiation → Negotiation
       → Survey1 → Survey2 → [Survey3]* → Demographics → Results → Debrief
```

*Seiten mit \* erscheinen nur für die Treatment-Gruppe.*

\newpage

# Informationsmaterialien (`Articles`)

Alle Teilnehmenden lesen vor der Verhandlung fünf standardisierte Informationsquellen. Der Inhalt ist für beide Gruppen identisch und nicht manipulierbar.

| Quelle | Inhalt | Schlüsselinformation |
|--------|--------|----------------------|
| gehaltkompass.de | Marktgehälter Junior Data Analyst | München/E-Commerce Ø 49.100 € |
| rankunu.de | ShopFlow-Mitarbeiterbewertungen | Interner DA-Ø 48.200 €; Verhandlung möglich |
| karriereinsider.de | 5 Strategien für Berufseinsteiger | Ankerempfehlung +10–15 % über Zielgehalt |
| berufsstart-magazin.de | BATNA-Konzept (Galinsky & Mussweiler, 2001) | Alternative ≈ 42.000–43.000 € |
| forum.berufsstart.de | Community-Erfahrungen | Erfolgreiche Verhandlungen bis 49.000 € |

**Gemessene Variablen:** `articles_time_spent` (Sekunden auf der Seite), `articles_opened` (kommagetrennte Liste geöffneter Artikel-Indizes), `flag_articles_too_fast` (True wenn < 60 Sekunden).

\newpage

# Manipulation Check (`ManipulationCheck`)

Unmittelbar nach den Artikeln beantworten alle Teilnehmenden drei Multiple-Choice-Fragen. Bei falschen Antworten wird die korrekte Lösung eingeblendet, bevor Teilnehmende weiterklicken können. Dieses Verfahren stellt sicher, dass alle Teilnehmenden die zentralen Informationen zumindest einmal explizit wahrgenommen haben, bevor die Verhandlung beginnt.

| Variable | Frage | Richtige Antwort |
|----------|-------|-----------------|
| `mc_company_budget` | Welches Gehalt zahlt ShopFlow typischerweise Data Analysts? | 44.000–57.000 € |
| `mc_anchor_strategy` | Empfohlener Eröffnungsaufschlag über dem Zielgehalt? | 10–15 % |
| `mc_salary_range` | Drei Argumentkategorien nach karriereinsider.de? | Marktdaten / Qualifikationen / Mehrwert |

**Server-seitig abgeleitete Boolean-Variablen:** `mc_company_budget_correct`, `mc_anchor_strategy_correct`, `mc_salary_range_correct`.

\newpage

# KI-Coaching (nur Treatment, `LLMChat`)

## Funktionsweise

Teilnehmende der Treatment-Gruppe erhalten Zugang zu einem KI-basierten Verhandlungscoach, der auf dem Sprachmodell Claude claude-haiku-4-5-20251001 (Anthropic) basiert. Der Coach kennt alle fünf Informationsquellen sowie das vollständige Bewerberprofil (Abschluss, Praktikum, BATNA, Zielgehalt). Er ist durch den System-Prompt strikt auf quellenbasierte Antworten beschränkt — externes Wissen ist explizit verboten.

Teilnehmende können den Coach unbegrenzt lange nutzen (kein Zeitlimit) und ihn zu Strategien, Argumenten oder Formulierungen befragen. Die Nutzung ist freiwillig; ein Überspringen ist möglich (mit optionaler Begründung in `llm_skipped_reason`).

## Gemessene Variablen

| Variable | Inhalt |
|----------|--------|
| `llm_coaching_messages` | Anzahl Nutzernachrichten (server-seitig aus `llm_history` gezählt) |
| `llm_time_spent` | Verweildauer auf der Coaching-Seite in Sekunden |
| `llm_skipped_reason` | Freitextangabe bei Nicht-Nutzung |
| `llm_used` | True wenn `llm_coaching_messages > 0` (server-seitig) |
| `llm_history` | Vollständiger Gesprächsverlauf als JSON |

**Manipulationssicherheit:** `llm_used` und `llm_coaching_messages` werden server-seitig aus dem Gesprächsprotokoll (`llm_history`) berechnet, nicht aus Client-Eingaben. Damit ist eine Manipulation durch Teilnehmende technisch ausgeschlossen.

\newpage

# Pre-Verhandlungs-Befragung (`PreNegotiation`)

Unmittelbar vor der Verhandlung beantworten alle Teilnehmenden fünf Likert-Items (Skala 1–5). Die Items messen Konstrukte, die als potenzielle Mediatoren zwischen Coaching-Nutzung und Verhandlungsergebnis theoretisch relevant sind.

| Variable | Item | Konstrukt |
|----------|------|-----------|
| `self_efficacy` | „Ich fühle mich gut auf die Verhandlung vorbereitet." | Allgemeine Selbstwirksamkeit |
| `negotiation_self_efficacy` | „Ich traue mir zu, mehr als das Einstiegsangebot herauszuholen." | Verhandlungsspezifische Selbstwirksamkeit |
| `argument_clarity` | „Ich weiß, welche Argumente ich in der Verhandlung einsetzen werde." | Strategieklarheit |
| `prior_negotiation_exp` | Erfahrung mit Gehalts-/Honorarverhandlungen | Kovariate (Erfahrung) |
| `salary_familiarity` | Vertrautheit mit Gehältern für Junior Data Analysts | Kovariate (Vorwissen) |

Die Pre-Befragung dient als Baseline für die Post-Verhandlungs-Pendants (`self_efficacy_post`, `negotiation_self_efficacy_post`) und ermöglicht eine Differenzanalyse (Pre–Post) als abhängige Variable.

\newpage

# Verhandlungsmechanismus (`Negotiation`)

## Überblick

Die Verhandlung findet als Echtzeit-Chat zwischen Teilnehmendem und der KI-Figur „Sandra Richter" (HR-Managerin, ShopFlow GmbH) statt. Alle Verhandlungsparameter werden server-seitig berechnet; Teilnehmende können keine Variablen direkt manipulieren. Die Kommunikation erfolgt über WebSocket (`live_method`).

## Konstanten

| Konstante | Wert | Bedeutung |
|-----------|------|-----------|
| `_NEG_FLOOR` | 44.000 € | Sandras Einstiegsangebot und absolutes Minimum |
| `_NEG_CEILING` | 51.000 € | Internes Gehaltsmaximum (nicht kommuniziert) |
| `_NEG_REJECT_THR` | 58.000 € | Ab Runde 3: Forderung führt zu Angebotsrückzug |
| `_NEG_EXTREME_THR` | 58.000 € | Runden 1–2: Extreme Forderung wird mit Score-0-Rate bestraft |

Das Ceiling von 51.000 € entspricht dem oberen Ende der ShopFlow-internen Gehaltsspanne für Junior Data Analysts (rankunu.de-Daten) und liegt 12,5 % über dem Einstiegsangebot — konsistent mit dem empirischen Befund von Bowles et al. (2005), wonach effektive Verhandler typischerweise 7–15 % gegenüber dem Erstangebot erzielen.

## Argumentbewertung

### Modell

Jede Teilnehmernachricht mit einem konkreten Gehaltsangebot wird durch ein separates LLM-Scoring-Modell (Claude claude-haiku-4-5-20251001, Temperatur = 0, max_tokens = 5) auf vier binäre Merkmale bewertet. Die Verwendung von Temperatur = 0 macht das Scoring deterministisch und replizierbar.

Das Bewertungsmodell stützt sich auf vier empirische Grundlagen:

**Shea et al. (2024)** definieren in einem Retrieval-Augmented-Argumentation-Framework das Vorhandensein eines sachlichen Begründungselements (*rationale*) als Mindestvoraussetzung für ein persuasives Argument. Emotionale oder bedürfnisbasierte Frames ohne Sachgehalt erfüllen diese Schwelle nicht. Dies motiviert Merkmal A als binären Gate-Operator.

**Northcraft & Neale (1987)** belegen experimentell, dass die Nennung konkreter Marktpreisankerpunkte die Verhandlungsergebnisse signifikant verschiebt — auch wenn diese Ankerpunkte extern bezogen sind. **Loschelder et al. (2014)** zeigen darüber hinaus, dass *präzise* datengestützte Anker (z. B. genaue Gehaltsangaben aus Marktquellen) überzeugender wirken als runde Zahlen. Diese Befunde bilden zusammen die Grundlage für Merkmal B.

**Kim & Fragale (2005)** zeigen in einem kontrollierten Experiment, dass in Verhandlungssituationen mit großem Einigungsbereich (wie bei Berufseinsteigern) die Darstellung eigener Beiträge und Qualifikationen einen stärkeren Einfluss auf das Ergebnis hat als die Stärke der BATNA-Alternative. Merkmal C operationalisiert diesen Beitragsfokus als verifizierbaren Leistungsbeleg.

**Van Kleef et al. (2004)** weisen in zwei Experimenten nach, dass Verhandler, die Ärger signalisieren, mehr Zugeständnisse erzielen, während die Signalisierung positiver Emotionen und konstruktiven Tons die Gesprächsbereitschaft der Gegenseite erhöht. **Curhan et al. (2006)** ergänzen, dass die subjektive Wertschätzung des Gesprächspartners eine eigenständige Verhandlungsdimension darstellt. Ton (Merkmal D) wird jedoch nur dann belohnt, wenn mindestens ein Inhaltsmerkmal vorhanden ist — rein freundliche Nachrichten ohne sachliche Grundlage sollen keinen Vorteil erzielen.

### Vier binäre Merkmale

| Merkmal | Bedingung | Empirische Basis |
|---------|-----------|-----------------|
| **A** — Sachliches Argument (Gate) | Mindestens ein faktisches Argument (Qualifikation, Marktbezug, Leistung) | Shea et al. (2024) |
| **B** — Externe Marktdaten | Konkrete Gehaltsangabe oder Marktbezug (z. B. „ca. 48.000 €", „Gehaltskompass") | Northcraft & Neale (1987); Loschelder et al. (2014) |
| **C** — Spezifische Qualifikation | Verifizierbarer Beleg: Abschluss, quantifizierter Erfolg, messbarer Beitrag | Kim & Fragale (2005) |
| **D** — Professioneller Ton | Sachlich-konstruktiv, kein Ultimatum, kein Druck | Van Kleef et al. (2004); Curhan et al. (2006) |

### Scoring-Formel

$$\text{Score} = \begin{cases} 0 & \text{wenn } A = 0 \\ 1 + B + C + D \cdot \min(B + C,\, 1) & \text{wenn } A = 1 \end{cases}$$

Der maximale Score beträgt $1 + 1 + 1 + 1 = 4$. Merkmal D wird mit $\min(B + C, 1)$ multipliziert, sodass Ton nur dann zählt, wenn mindestens eines der Inhaltsmerkmale (B oder C) erfüllt ist.

### Ankerbeispiele (Few-shot im Scoring-Prompt)

| Nachricht (gekürzt) | A | B | C | D | Score |
|---------------------|---|---|---|---|-------|
| „Das reicht mir nicht." | 0 | 0 | 0 | 0 | **0** |
| „Wegen der Inflation brauche ich mehr." | 0 | 0 | 0 | 0 | **0** |
| „Im Praktikum habe ich Dashboards gebaut." | 1 | 0 | 0 | 1 | **1** |
| „Ich verlange mindestens 50.000 €, sonst nehme ich nicht an." | 1 | 0 | 0 | 0 | **1** |
| „Marktüblich sind ca. 48.000 € (München/E-Commerce)." | 1 | 1 | 0 | 1 | **3** |
| „TU-München-Abschluss, Note 2,1." | 1 | 0 | 1 | 1 | **3** |
| „48.000 € Marktschnitt + E-Commerce-Praktikum mit Dashboard-Erfahrung." | 1 | 1 | 1 | 1 | **4** |

### Wiederholungsregel

Um Recycling von Argumenten über Runden hinweg zu bestrafen, wird der Scoring-Prompt mit einem Kontext-String (`neg_argument_summary`) versehen:

- Wenn der Kontext „Marktdaten bereits genannt" enthält und die aktuelle Nachricht keine neuen Zahlen oder Quellen hinzufügt → B = 0.
- Wenn der Kontext „Qualifikationen bereits dargelegt" enthält und dieselben Qualifikationen ohne neue Belege wiederholt werden → C = 0.

**Gespeicherte Variablen:** `arg_score_1` bis `arg_score_8` (Score pro Angebotsrunde).

## Goodwill-Akkumulation

Goodwill ist ein internes Steuerungskonstrukt, das die Reaktionsbereitschaft Sandras abbildet. Es speist sich aus zwei Quellen:

### Chat-Nachrichten (ohne Gebot)

$$\Delta G_\text{chat} = \max(1,\, \text{Score})$$

Jede gesendete Nachricht erhöht den Goodwill um mindestens 1 (Engagement) und bis zu 4 (starkes Argument). Dies spiegelt den empirischen Befund wider, dass aktive Verhandlungsführung per se positive Signalwirkung hat (Bowles et al., 2005).

### Angebotsrunden

$$\Delta G_\text{offer} = \begin{cases} -1 & \text{Score}_t = 0 \text{ und } \text{Score}_{t-1} = 0 \quad \text{(zwei Nullen in Folge)} \\ 0 & \text{Score}_t = 0 \\ \text{Score}_t & \text{sonst} \end{cases}$$

Zwei aufeinanderfolgende argumentlose Runden reduzieren den Goodwill aktiv. Einzelne schwache Runden bleiben neutral, da Galinsky & Mussweiler (2001) zeigen, dass selbst das bloße Nennen eines Ankers einen positiven Effekt haben kann.

**Gespeicherte Variablen:** `neg_goodwill` (Gesamt-Goodwill), `neg_offer_goodwill` (nur Angebotsrunden), `goodwill_after_round_1` bis `goodwill_after_round_8` (Schnappschüsse).

## Effektiver Konzessionsscore

Aus dem kumulierten `neg_offer_goodwill` wird ein diskreter Konzessionsscore (0–3) abgeleitet, der die angewendete Konzessionsrate steuert:

$$\text{effective\_score} = \begin{cases} 0 & G_\text{offer} < 1 \\ 1 & 1 \leq G_\text{offer} < 3 \\ 2 & 3 \leq G_\text{offer} < 6 \\ 3 & G_\text{offer} \geq 6 \end{cases}$$

Score 3 ist bei zwei konsistent starken Runden (je Score 3–4) erreichbar — konsistent mit dem Befund von Loschelder et al. (2014), dass präzise datengestützte Argumente gerade in frühen Verhandlungsphasen den größten Einfluss auf Konzessionen haben.

## Konzessionsraten

Sandra bewegt sich pro Angebotsrunde um einen Anteil $r$ der Differenz zwischen Spielerangebot $P_t$ und ihrem letzten Angebot $E_{t-1}$:

$$E_t = \text{round}_{500\,€}\!\left(E_{t-1} + r \cdot (P_t - E_{t-1})\right), \quad E_t \leq 51.000\,€$$

Die Auf- und Abrundung auf 500 € entspricht realistischen Gehaltsverhandlungen, in denen glatte Beträge üblich sind.

### Konzessionsraten-Tabelle (`_RATES`)

| Runde | Score 0 | Score 1 | Score 2 | Score 3 |
|-------|---------|---------|---------|---------|
| 1 | 0,20 | 0,32 | 0,50 | 0,60 |
| 2 | 0,16 | 0,30 | 0,48 | 0,58 |
| 3 | 0,00 | 0,12 | 0,22 | 0,30 |
| 4 | 0,00 | 0,06 | 0,12 | 0,18 |
| 5 | 0,00 | 0,03 | 0,07 | 0,11 |
| 6 | 0,00 | 0,01 | 0,04 | 0,07 |
| 7 | 0,00 | 0,01 | 0,02 | 0,04 |
| 8 | 0,00 | 0,00 | 0,01 | 0,02 |

Die hohen Raten in Runde 1–2 bilden den Anchoring-Effekt ab (Galinsky & Mussweiler, 2001): Frühe starke Angebote mit guter Begründung haben den größten Einfluss auf das Verhandlungsergebnis. Ab Runde 3 nehmen die Raten für Score 0 auf 0,00 ab — ohne sachliche Argumente ist ab diesem Punkt keine weitere Konzession möglich.

### Kalibrierungsziele

| effective_score | Erwartetes Ergebnis (bei Anker ≈ 50–51 k) | Empirische Referenz |
|----------------|-------------------------------------------|---------------------|
| 0 | ≈ 46.000 € (+4,5 %) | Untergrenze passiver Verhandler |
| 1 | ≈ 48.000 € (+9 %) | Median aktiver Verhandler |
| 2 | ≈ 49.500 € (+12,5 %) | Bowles et al. (2005): ∅ 7–15 % |
| 3 | ≈ 50.000–51.000 € (+13–16 %) | Oberes Ende effektiver Verhandler |

## Maximale Rundenanzahl

Die maximale Rundenanzahl hängt vom Argument-Goodwill (`neg_offer_goodwill`) ab:

$$\text{max\_rounds} = \begin{cases} 4 & G_\text{offer} < 0 \\ 5 & 0 \leq G_\text{offer} < 6 \\ 6 & 6 \leq G_\text{offer} < 12 \\ 7 & G_\text{offer} \geq 12 \end{cases}$$

Teilnehmende, die wiederholt starke Argumente bringen, erhalten mehr Verhandlungsrunden. Dies entspricht dem realistischen Befund, dass gute Verhandler mehr Iterationen produzieren, bevor eine Einigung erzielt wird (Curhan et al., 2006).

## Sandras Antworttypen

| Typ | Auslösebedingung | Ton |
|-----|-----------------|-----|
| `below_minimum` | Spielerangebot < 44.000 € | Höflich korrigierend |
| `deal` | Spielerangebot ≤ Sandras aktuellem Angebot | Herzlich, Einigung bestätigt |
| `counter_warm` | Runde 1, Angebot ≤ 50.000 € | Freundlich entgegenkommend |
| `counter_firm` | Normales Gegenangebot | Sachlich bestimmt |
| `counter_shocked` | Angebot > 58.000 €, Runden 1–2 | Freundlich, aber überrascht |
| `counter_small` | Letzte kleine Bewegung (≤ 500 € oder nahe Ceiling) | Ehrlich, fast erschöpft |
| `final_offer_firm` | Sandra kann sich nicht weiter bewegen | Rundenabhängig eskalierend |
| `offer_with_benefits` | Gehaltsmaximum erschöpft | Konstruktiv; Paketangebot |
| `take_or_leave` | Rundenbudget erschöpft oder Angebot > 58.000 € ab Runde 3 | Direkt, Entscheidung gefordert |
| `rejected_by_hr` | Forderung > 58.000 € ab Runde 3 | Bedauernd, Angebot zurückgezogen |
| `rejected` | Spieler lehnt Sandras Angebot ab | Verständnisvoll |

Das Benefits-Paket bei `offer_with_benefits` besteht aus: Gehaltsreview nach 6 statt 12 Monaten sowie 2 zusätzliche Urlaubstage. Es wird nur einmalig angeboten, wenn das Gehaltsmaximum erschöpft ist.

## Compliance-Check

Jede Sandra-Antwort durchläuft automatisch einen zweiten Haiku-Aufruf (Temperatur = 0), der drei Regeln prüft:

1. **Interne Abstimmungsverweise** entfernen (z. B. „ich melde mich", „intern prüfen") — Sandra hat volle Entscheidungsbefugnis.
2. **Falsche Maxima** korrigieren: Wenn ein konkreter Betrag < 51.000 € explizit als persönliches Maximum bezeichnet wird, wird die Formulierung neutralisiert.
3. **Individuelle Benefit-Verhandlungen** unterbinden: Verhandlungen über einzelne Benefits außerhalb des festgelegten Pakets werden blockiert.

Dieses zweistufige Prüfverfahren erhöht die ökologische Validität der Simulation und verhindert, dass Teilnehmende durch Sandra-Antworten irreführende Informationen über den Verhandlungsspielraum erhalten.

## Verhandlungsergebnis-Variablen

| Variable | Inhalt |
|----------|--------|
| `negotiation_result` | `'deal'`, `'deal_with_benefits'`, `'rejected'`, `'rejected_by_hr'`, `'timeout'` |
| `final_salary` | Erzieltes Jahresbrutto in € (0 bei keiner Einigung) |
| `num_rounds` | Anzahl abgeschlossener Angebotsrunden |
| `player_offer_1`–`_8` | Gebote des Teilnehmers je Runde |
| `employer_offer_1`–`_8` | Sandras Angebote je Runde |
| `player_argument_1`–`_8` | Freitext-Begründungen je Runde |
| `arg_score_1`–`_8` | LLM-Argumentqualitäts-Score (0–4) je Runde |
| `neg_chat_turns` | Anzahl Chat-Nachrichten ohne Gebot |

\newpage

# Post-Verhandlungs-Befragungen

## Survey 1 — Prozesswahrnehmung (beide Gruppen)

Die Items messen subjektive Verfahrensgerechtigkeit (*procedural justice*) nach Leventhal (1980) sowie Zufriedenheit und wahrgenommenen Realismus.

| Variable | Item | Konstrukt |
|----------|------|-----------|
| `perceived_realism` | Realismus der Verhandlungssituation (1–5) | Manipulations-Check |
| `satisfaction` | Zufriedenheit mit dem Ergebnis (1–5) | Ergebniszufriedenheit |
| `attention_check` | Welches Einstiegsgehalt hat Sandra Richter angeboten? (4 Optionen) | Aufmerksamkeits-Check |
| `svi_process_fair` | „Der Verhandlungsprozess war fair." | Verfahrensgerechtigkeit |
| `svi_process_respected` | „Ich wurde respektiert." | Verfahrensgerechtigkeit |
| `svi_process_heard` | „Meine Argumente wurden gehört." | Verfahrensgerechtigkeit |
| `svi_process_needs` | „Meine Bedürfnisse wurden berücksichtigt." | Verfahrensgerechtigkeit |

## Survey 2 — Selbstbewertung & Selbstwirksamkeit (beide Gruppen)

| Variable | Item | Konstrukt |
|----------|------|-----------|
| `svi_self_performance` | „Ich habe effektiv verhandelt." | Selbstbewertung Leistung |
| `svi_self_values` | „Ich habe so verhandelt, wie ich es mir vorgestellt hatte." | Ziel-Übereinstimmung |
| `svi_self_face` | „Ich habe mich nicht blamiert." | Face-Saving |
| `should_have_asked_more` | „Ich hätte mehr fordern sollen." | Nachträgliche Einschätzung |
| `self_efficacy_post` | „Ich fühle mich gut auf zukünftige Verhandlungen vorbereitet." | Selbstwirksamkeit post |
| `confidence_post` | „Ich bin zuversichtlich für reale Verhandlungen." | Zuversicht post |
| `negotiation_self_efficacy_post` | „Ich traue mir zu, mehr als das erste Angebot herauszuholen." | Verh.-Selbstwirksamkeit post |
| `strategy_compliance` | „Ich habe die Strategie aus der Vorbereitung angewendet." | Strategie-Implementierung |
| `attention_check_imc` | Instruktionsmanipulations-Check (IMC) | Datenqualität |

## Survey 3 — KI-Bewertung (nur Treatment)

| Variable | Item |
|----------|------|
| `ai_helpful` | „Der KI-Assistent hat mir geholfen, eine Strategie zu entwickeln, die zu mir passt." |
| `ai_strategy_influence` | „Der KI-Assistent hat meine Verhandlungsstrategie beeinflusst." |
| `ai_trust` | „Ich habe den Empfehlungen des KI-Assistenten vertraut." |
| `ai_confidence` | „Der KI-Assistent hat mir geholfen, selbstbewusster in die Verhandlung zu gehen." |
| `ai_implementation` | „Ich habe die Ratschläge des KI-Assistenten in der Verhandlung umgesetzt." |
| `ai_counterfactual` | „Ohne den KI-Assistenten hätte ich schlechter verhandelt." |
| `would_use_ai_again` | „Ich würde KI zur Vorbereitung auf Gehaltsverhandlungen wieder einsetzen." |

\newpage

# Verlosungsmechanismus

Die leistungsabhängige Vergütung folgt dem Prinzip incentivierter Laborexperimente (Smith, 1976). Alle Teilnehmenden, die die Studie abschließen, erhalten Lose; deren Anzahl hängt vom erzielten Gehalt ab:

$$\text{lottery\_tickets} = \begin{cases} 2 & \text{keine Einigung (final\_salary} = 0) \\ 2 & \text{final\_salary} \leq 45.500\,€ \\ 3 & 45.500 < \text{final\_salary} \leq 48.000\,€ \\ 4 & \text{final\_salary} > 48.000\,€ \end{cases}$$

Das Schwellendesign bildet die drei Stufen passiver (≤ 45.500 €), durchschnittlicher (45.500–48.000 €) und effektiver (> 48.000 €) Verhandler ab. Die Mindestanzahl von 2 Losen stellt sicher, dass auch Kontroll-Teilnehmende mit schwachem Ergebnis einen positiven Anreiz zur Studienteilnahme haben.

**Preis:** 3 × 15 € Wunschgutschein. Die E-Mail-Adresse (`email`) wird freiwillig angegeben, ausschließlich zur Gewinnbenachrichtigung genutzt und vor Beginn der wissenschaftlichen Auswertung unwiderruflich aus dem Datensatz gelöscht.

\newpage

# Datenqualitäts-Indikatoren

| Variable | Typ | Inhalt |
|----------|-----|--------|
| `flag_articles_too_fast` | Boolean | Artikel in < 60 Sekunden überflogen |
| `flag_neg_too_fast` | Boolean | Verhandlung in < 30 Sekunden beendet |
| `attention_check_correct` | Boolean | Aufmerksamkeits-Check in Artikeln korrekt |
| `attention_check_imc_correct` | Boolean | IMC in Survey 2 korrekt (richtig = Wert ganz rechts) |
| `mc_company_budget_correct` | Boolean | Manipulations-Check Item 1 korrekt |
| `mc_anchor_strategy_correct` | Boolean | Manipulations-Check Item 2 korrekt |
| `mc_salary_range_correct` | Boolean | Manipulations-Check Item 3 korrekt |

Für die Hauptanalyse empfiehlt sich ein Ausschluss von Datensätzen mit `flag_articles_too_fast = True` und `attention_check_imc_correct = False`, da diese auf fehlende ernsthafte Teilnahme hinweisen.

\newpage

# Technische Infrastruktur

| Komponente | Implementierung |
|------------|----------------|
| Experiment-Framework | oTree 5.x (Python) |
| Hosting | Heroku (Salesforce, USA) |
| Datenbank | PostgreSQL |
| LLM-API | Anthropic Claude (claude-haiku-4-5-20251001) |
| Echtzeit-Kommunikation | oTree WebSocket (`live_method`) |
| Datenschutz | DSGVO-konform, pseudonymisiert, Standardvertragsklauseln Art. 46 Abs. 2 lit. c DSGVO |
| Scoring | Deterministisch (Temperatur = 0), Prompt-Injection-geschützt |

\newpage

# Empirische Quellen

**Bowles, H. R., Babcock, L., & Lai, L. (2005).** Social incentives for gender differences in the propensity to initiate negotiations: Sometimes it does hurt to ask. *Organizational Behavior and Human Decision Processes, 103*(1), 84–103.
— Belegt 7–15 % Gehaltsgewinn für effektive Verhandler; Grundlage der Ceiling-Kalibrierung.

**Curhan, J. R., Elfenbein, H. A., & Xu, H. (2006).** What do people value when they negotiate? Mapping the domain of subjective value in negotiation. *Journal of Personality and Social Psychology, 91*(3), 493–512.
— Wertschätzung des Gesprächspartners als eigenständige Verhandlungsdimension; Grundlage für den Goodwill-Mechanismus.

**Galinsky, A. D., & Mussweiler, T. (2001).** First offers as anchors: The role of perspective-taking and negotiator focus. *Journal of Personality and Social Psychology, 81*(4), 657–669.
— Anchoring-Effekt: Eröffnungsangebote bestimmen den Verhandlungsrahmen; Grundlage für die hohen Konzessionsraten in Runde 1–2 und BATNA-Hinweis in den Quellen.

**Kim, P. H., & Fragale, A. R. (2005).** Choosing the path to bargaining power: An empirical comparison of BATNAs and contributions in negotiation. *Journal of Applied Psychology, 90*(2), 373–381.
— In Verhandlungen mit großem Einigungsbereich dominieren eigene Beiträge und Qualifikationen (Merkmal C) die BATNA-Stärke als Einflussgröße auf das Ergebnis.

**Leventhal, G. S. (1980).** What should be done with equity theory? New approaches to the study of fairness in social relationships. In K. J. Gergen, M. S. Greenberg, & R. H. Willis (Eds.), *Social exchange: Advances in theory and research* (pp. 27–55). Plenum.
— Verfahrensgerechtigkeit als mehrdimensionales Konstrukt; Grundlage der SVI-Items in Survey 1.

**Loschelder, D. D., Stuppi, J., & Trötschel, R. (2014).** „€14,875?!": Precision boosts the anchoring potency of first offers. *Social Psychological and Personality Science, 5*(4), 491–499.
— Präzise, datengestützte Anker wirken überzeugender als runde Zahlen; Grundlage für Merkmal B (konkrete Marktdatennennung).

**Northcraft, G. B., & Neale, M. A. (1987).** Experts, amateurs, and real estate: An anchoring-and-adjustment perspective on property pricing decisions. *Organizational Behavior and Human Decision Processes, 39*(1), 84–97.
— Externe Referenzpreise verschieben Verhandlungsankerpunkte systematisch; Mitgrundlage für Merkmal B.

**Pinkley, R. L., Neale, M. A., & Bennett, R. J. (1994).** The impact of alternatives to settlement in dyadic negotiation. *Organizational Behavior and Human Decision Processes, 57*(1), 97–116.
— BATNA-Besitz vs. BATNA-Kommunikation; Hinweis auf Grenzen des Scoring-Modells (BATNA-Nutzung nicht aus Text detektierbar).

**Shea, N., Shi, W., Wan, Z., Yao, X., & Chen, X. (2024).** Retrieval-augmented argumentation for large language models. In *Findings of the Association for Computational Linguistics: EMNLP 2024* (pp. 1–14). Association for Computational Linguistics.
— Rationale als Mindestbedingung für persuasive Argumente; Grundlage für Merkmal A als Gate-Operator.

**Smith, V. L. (1976).** Experimental economics: Induced value theory. *American Economic Review, 66*(2), 274–279.
— Methodische Grundlage für leistungsabhängige Vergütung in Laborexperimenten (induced value theory).

**Van Kleef, G. A., De Dreu, C. K. W., & Manstead, A. S. R. (2004).** The interpersonal effects of anger and happiness in negotiations. *Journal of Personality and Social Psychology, 86*(1), 57–76.
— Konstruktiver, positiver Ton erhöht die Einigungsbereitschaft der Gegenseite; direkter Beleg für den Ton-Effekt (Merkmal D).