Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T18:45:50Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}
{{BR}}
= Einleitung =

Warum sind [[Algorithmus|Algorithmen]] niemals neutral? Diese Frage führt mitten in eine Grundfrage moderner [[Medienbildung]], [[Informatik]], [[Ethik]], [[Politische Bildung|politischer Bildung]] und [[Philosophie]]: Wie entsteht [[Wissen]], wer entscheidet über seine Ordnung und welche Interessen wirken mit, wenn technische Systeme die Welt sortieren? Der deutsche Philosoph und Soziologe [[Jürgen Habermas]] (1929–2026) hilft dabei, diese Frage kritisch zu verstehen. In seinem Werk '''Erkenntnis und Interesse''' untersuchte er, dass Wissen nicht einfach interesselos aus der Welt herausgelesen wird. Erkenntnis entsteht in gesellschaftlichen Zusammenhängen und ist mit menschlichen, technischen, praktischen und emanzipatorischen Interessen verbunden.

{{#ev:youtube| https://www.youtube.com/watch?v=V0duvDgx1pY |500|center}}

Das Video behandelt den Zusammenhang von [[Jürgen Habermas]], [[Erkenntnisinteresse]], [[Kritische Theorie|Kritischer Theorie]], [[Frankfurter Schule]], [[Positivismuskritik]], [[Hermeneutik]] und [[Emanzipation]]. Dieser aiMOOC überträgt diese Gedanken auf [[Digitalisierung]], [[Künstliche Intelligenz]], [[Big Data]], [[Suchmaschine|Suchmaschinen]], [[Soziales Netzwerk|soziale Netzwerke]], [[Empfehlungssystem|Empfehlungssysteme]], [[Scoring]] und [[Automatisierte Entscheidung|automatisierte Entscheidungen]]. Du lernst, warum ein Algorithmus zwar formal nach Regeln arbeitet, aber dennoch gesellschaftliche Annahmen, Werte und Machtverhältnisse enthalten kann.

[[Datei:Jürgen Habermas (cropped).jpg|350px|rahmenlos|center]]

Ein [[Algorithmus]] ist eine endliche Folge von Anweisungen, mit denen ein Problem gelöst werden soll. Schon diese einfache Definition zeigt: Ein Algorithmus beginnt nicht bei der Technik, sondern bei einer Problemformulierung. Jemand legt fest, welches Problem überhaupt als Problem gilt, welche Daten relevant erscheinen, welches Ziel optimiert werden soll und welche Fehler als hinnehmbar gelten. Genau deshalb ist die Behauptung, Algorithmen seien neutral, kritisch zu prüfen.

{{BR}}
= Lernziele =

Nach diesem aiMOOC kannst Du erklären, warum [[Algorithmus|Algorithmen]] nicht nur technische Werkzeuge, sondern auch gesellschaftliche Ordnungsinstrumente sind. Du kannst zentrale Begriffe von [[Jürgen Habermas]] wie [[Erkenntnisinteresse]], [[Hermeneutik]], [[Emanzipation]], [[Öffentlichkeit]] und [[Diskurs]] auf digitale Technologien anwenden. Du kannst Beispiele für [[Algorithmische Voreingenommenheit|algorithmische Voreingenommenheit]] analysieren und begründen, warum [[Transparenz]], [[Rechenschaftspflicht]], [[Partizipation]] und [[Kritik]] für eine demokratische Gestaltung von [[Künstliche Intelligenz|KI]] wichtig sind.

{{BR}}
= Jürgen Habermas und die Kritische Theorie =

[[Jürgen Habermas]] gehört zur zweiten Generation der [[Frankfurter Schule]]. Diese Denktradition fragt nicht nur, wie Gesellschaft funktioniert, sondern auch, wie gesellschaftliche Verhältnisse kritisch verändert werden können. [[Kritische Theorie]] untersucht, wie [[Macht]], [[Ideologie]], [[Ökonomie]], [[Medien]] und [[Wissenschaft]] zusammenwirken. Sie fragt: Wer profitiert von einer bestimmten Ordnung? Wer wird ausgeschlossen? Welche Annahmen erscheinen als selbstverständlich, obwohl sie historisch und politisch entstanden sind?

[[Datei:AdornoHorkheimerHabermasbyJeremyJShapiro2.png|500px|rahmenlos|center]]

Für die Diskussion über [[Algorithmus|Algorithmen]] ist diese Perspektive besonders wichtig. Digitale Systeme wirken oft sachlich, präzise und unpersönlich. Sie erscheinen als reine Rechenverfahren. Doch aus Sicht der [[Kritische Theorie|Kritischen Theorie]] darfst Du nicht nur fragen, ob ein System technisch funktioniert. Du musst auch fragen, welche gesellschaftlichen Interessen es bedient, welche Normen es stabilisiert und welche Menschen durch seine Entscheidungen stärker oder schwächer betroffen sind.

{{BR}}
= Erkenntnis und Interesse =

Das Werk '''[[Erkenntnis und Interesse]]''' erschien 1968. Habermas kritisierte darin die Vorstellung, Wissenschaft könne sich vollständig von menschlichen Interessen lösen. Mit [[Erkenntnisinteresse]] meinte er nicht bloß persönliche Vorlieben, sondern grundlegende Orientierungen, die bestimmen, was als Wissen gilt und wofür Wissen verwendet wird. Er unterschied drei wichtige Formen:

# [[Technisches Erkenntnisinteresse]]: Es zielt auf Vorhersage, Kontrolle und erfolgreiche Verfügung über Prozesse. In der digitalen Welt zeigt es sich etwa in Optimierung, Messbarkeit, Effizienz und Automatisierung.
# [[Praktisches Erkenntnisinteresse]]: Es zielt auf Verstehen, Auslegung und Verständigung. Hier geht es darum, Bedeutung, Kontext und Perspektiven anderer Menschen zu erfassen.
# [[Emanzipatorisches Erkenntnisinteresse]]: Es zielt auf Kritik, Selbstreflexion und Befreiung von unnötiger Herrschaft. Es fragt, wie Menschen Zwänge erkennen und verändern können.

Diese drei Interessen helfen Dir, algorithmische Systeme differenziert zu betrachten. Ein [[Empfehlungssystem]] kann technisch sehr erfolgreich sein, weil es Klicks oder Verweildauer vorhersagt. Praktisch kann es dennoch problematisch sein, wenn es die Bedeutung von Informationen verkürzt. Emanzipatorisch muss gefragt werden, ob Menschen durch das System mündiger werden oder ob ihre Aufmerksamkeit gelenkt, ihr Verhalten manipuliert und ihre Teilhabe eingeschränkt wird.

{{BR}}
= Positivismuskritik: Warum Zahlen nicht automatisch neutral sind =

Die [[Positivismus|positivistische]] Haltung vertraut stark auf beobachtbare Fakten, Messungen und objektive Methoden. Habermas kritisierte nicht die Wissenschaft an sich, sondern eine verkürzte Vorstellung von Wissenschaft. Wenn nur das als rational gilt, was gemessen, berechnet und vorhergesagt werden kann, geraten Bedeutung, Sprache, Macht, Normen und historische Erfahrungen aus dem Blick. Genau hier liegt die Verbindung zur Algorithmuskritik.

[[Datei:AI-ML-DL.svg|500px|rahmenlos|center]]

Ein [[Datensatz]] ist nie die Welt selbst. Er ist eine Auswahl, eine Übersetzung und eine Vereinfachung. Eine [[Metrik]] ist nie der Wert selbst. Sie ist eine Festlegung, welche Eigenschaft gezählt wird. Ein [[Ranking]] ist nie bloß eine Reihenfolge. Es ist eine soziale Sichtbarmachung, bei der manche Informationen nach oben und andere nach unten wandern. Wenn etwa ein soziales Netzwerk Beiträge nach [[Engagement]] sortiert, wird nicht einfach Qualität gemessen. Es wird ein bestimmtes Ziel privilegiert: Aufmerksamkeit, Reaktion, Bindung an die Plattform.

{{BR}}
= Was ein Algorithmus ist und wo Werte hineinkommen =

Ein [[Algorithmus]] verarbeitet Eingaben nach Regeln und erzeugt Ausgaben. Bei einfachen Rechenverfahren wirkt das eindeutig. Bei modernen Systemen der [[Künstliche Intelligenz|KI]] und des [[Maschinelles Lernen|maschinellen Lernens]] werden Regeln häufig aus Trainingsdaten abgeleitet. Dabei entstehen Werteentscheidungen an vielen Stellen.

[[Datei:Artificial neural network.svg|500px|rahmenlos|center]]

[[Datei:Scikit-learn machine learning decision tree.png|500px|rahmenlos|center]]

# [[Problemdefinition]]: Es wird festgelegt, welches Ziel erreicht werden soll. Soll ein System Gerechtigkeit, Genauigkeit, Profit, Sicherheit, Geschwindigkeit oder Aufmerksamkeit maximieren?
# [[Datenbasis]]: Es wird entschieden, welche Daten gesammelt, ausgeschlossen, bereinigt oder gewichtet werden. Historische Ungleichheiten können dadurch in das System eingehen.
# [[Label]]: Menschen oder Organisationen legen fest, welche Kategorien gelten. Was als erfolgreich, riskant, passend oder verdächtig gilt, ist nicht naturgegeben.
# [[Modell]]: Es wird entschieden, welche Merkmale verwendet werden und welche Zusammenhänge als relevant gelten. Auch scheinbar neutrale Variablen können soziale Unterschiede abbilden.
# [[Metrik]]: Es wird bestimmt, woran Leistung gemessen wird. Hohe Genauigkeit kann mit unfairer Verteilung von Fehlern einhergehen.
# [[Einsatzkontext]]: Ein System wird in Institutionen eingebettet. Dort kann es Beratung, Kontrolle, Ausschluss oder Legitimation bewirken.
# [[Interpretation]]: Menschen deuten die Ausgaben. Eine Zahl kann als Hinweis, Empfehlung oder scheinbar unanfechtbares Urteil verstanden werden.

Neutralität scheitert also nicht erst an schlechter Programmierung. Sie scheitert schon an der Annahme, Technik könne außerhalb gesellschaftlicher Zwecke und Konflikte stehen.

{{BR}}
= Algorithmische Voreingenommenheit =

[[Algorithmische Voreingenommenheit]] entsteht, wenn ein algorithmisches System bestimmte Gruppen, Perspektiven oder Handlungsoptionen systematisch bevorzugt oder benachteiligt. Dies kann absichtlich oder unbeabsichtigt geschehen. Häufig entsteht es aus historischen Daten, unausgewogenen Trainingsmengen, problematischen Kategorien, einseitigen Zielgrößen oder unkritischen Einsatzbedingungen.

[[Datei:ORES damaging calibration errors by geographic region.png|500px|rahmenlos|center]]

Ein Beispiel: Wenn ein Bewerbungsalgorithmus aus historischen Personalentscheidungen lernt, kann er frühere Diskriminierungen übernehmen. Wenn bestimmte Gruppen in erfolgreichen Bewerbungen seltener vorkamen, kann das Modell diese Vergangenheit als Muster für die Zukunft verwenden. Das System erscheint dann modern und objektiv, stabilisiert aber alte Ungleichheiten. Habermas würde dazu fragen, welches Erkenntnisinteresse hier wirksam ist: Geht es nur um effiziente Selektion oder auch um Verständigung, Gerechtigkeit und Emanzipation?

{{BR}}
= Hermeneutik: Daten brauchen Deutung =

[[Hermeneutik]] bedeutet Lehre des Verstehens und Auslegens. Sie erinnert daran, dass menschliches Handeln, Sprache und Kultur nicht vollständig durch Zahlen erklärt werden können. Ein Algorithmus kann Muster erkennen, aber er versteht nicht automatisch den Sinn einer Situation. Er kann Korrelationen berechnen, aber er kennt nicht von selbst die Lebensgeschichte, den sozialen Kontext oder die moralische Bedeutung einer Entscheidung.

Für Dich als Lernende oder Lernender heißt das: Frage bei algorithmischen Entscheidungen immer nach dem Kontext. Welche Geschichte steckt in den Daten? Wer hat die Kategorien entwickelt? Welche Perspektiven fehlen? Welche Folgen hat ein Fehler für die betroffenen Menschen? Eine hermeneutische Perspektive schützt davor, Menschen auf Datenpunkte zu reduzieren.

{{BR}}
= Öffentlichkeit, Diskurs und demokratische Kontrolle =

Habermas ist besonders bekannt für seine Theorie von [[Öffentlichkeit]], [[Diskurs]] und [[Kommunikatives Handeln|kommunikativem Handeln]]. In einer demokratischen Gesellschaft sollen Regeln und Entscheidungen nicht nur durch Macht oder Geld entstehen, sondern durch begründete öffentliche Auseinandersetzung. Menschen sollen Argumente prüfen, Kritik äußern und an Entscheidungen teilhaben können, die sie betreffen.

[[Algorithmus|Algorithmen]] verändern die Bedingungen der Öffentlichkeit. Suchmaschinen ordnen Wissen. Plattformen sortieren politische Beiträge. Empfehlungssysteme beeinflussen, welche Themen sichtbar werden. Automatisierte Moderation kann Inhalte entfernen oder verstärken. Wenn diese Prozesse undurchsichtig bleiben, wird demokratische Verständigung erschwert. Aus Habermas' Perspektive braucht algorithmische Macht daher öffentliche Begründbarkeit: Betroffene müssen verstehen, anfechten und mitgestalten können, wie digitale Systeme funktionieren.

{{BR}}
= Warum Algorithmen niemals neutral sind =

Die These '''Algorithmen sind niemals neutral''' bedeutet nicht, dass alle Algorithmen böse, nutzlos oder absichtlich manipulativ sind. Sie bedeutet, dass Algorithmen immer in soziale Praktiken eingebettet sind. Ein Algorithmus trägt Spuren seiner Ziele, Daten, Kategorien, Modellannahmen, Institutionen und Nutzungskontexte. Auch wenn der Programmcode formal korrekt ist, kann das Gesamtsystem ungerecht, einseitig oder demokratisch problematisch sein.

Man kann diese These in fünf Schritten begründen:

# [[Zielsetzung]]: Jeder Algorithmus optimiert etwas. Was optimiert wird, ist eine Wertentscheidung.
# [[Auswahl]]: Jeder Datensatz schließt etwas ein und etwas aus. Diese Auswahl prägt die Ergebnisse.
# [[Kategorisierung]]: Jede Klassifikation ordnet Menschen oder Dinge in Begriffe ein. Begriffe sind gesellschaftlich geprägt.
# [[Fehlerverteilung]]: Jedes System macht Fehler. Entscheidend ist, wen diese Fehler treffen und ob Betroffene sich wehren können.
# [[Machtwirkung]]: Algorithmische Entscheidungen verändern Sichtbarkeit, Chancen, Rechte und Ressourcen.

Neutralität wäre nur denkbar, wenn Ziele, Daten, Kategorien und Folgen frei von gesellschaftlichen Interessen wären. Genau das ist bei realen algorithmischen Systemen nicht der Fall.

{{BR}}
= Beispiele aus dem digitalen Alltag =

{{BR}}
== Suchmaschinen ==

Eine [[Suchmaschine]] ordnet Ergebnisse nach Kriterien wie Relevanz, Verlinkung, Aktualität, Standort, Sprache, Personalisierung und Werbung. Diese Ordnung beeinflusst, was Menschen für wichtig halten. Wer oben erscheint, erhält Aufmerksamkeit. Wer nicht erscheint, bleibt unsichtbar. Die Suchmaschine ist deshalb nicht nur ein Werkzeug zum Finden, sondern auch eine Instanz der Wissensordnung.

{{BR}}
== Empfehlungssysteme ==

[[Empfehlungssystem|Empfehlungssysteme]] schlagen Videos, Musik, Nachrichten, Produkte oder Kontakte vor. Sie können hilfreich sein, weil sie Orientierung bieten. Gleichzeitig können sie Aufmerksamkeit lenken, Vorlieben verstärken und einseitige Informationsräume erzeugen. Wenn ein System vor allem [[Klickrate]], Verweildauer oder Kaufwahrscheinlichkeit optimiert, ist dies kein neutrales Ziel, sondern eine ökonomische Priorität.

{{BR}}
== Scoring und Risikobewertung ==

[[Scoring]] bewertet Menschen mit Zahlen, etwa bei Kreditwürdigkeit, Versicherung, Bewerbungen oder Sicherheit. Ein Score kann übersichtlich wirken, aber er kann komplexe Lebenslagen verkürzen. Besonders kritisch ist es, wenn Betroffene nicht wissen, welche Daten genutzt werden, wie der Score entsteht und wie sie Fehler korrigieren können. Aus demokratischer Sicht braucht ein Score deshalb Erklärung, Einspruchsmöglichkeit und Kontrolle.

{{BR}}
== Automatisierte Moderation ==

[[Automatisierte Moderation]] soll Hassrede, Spam oder illegale Inhalte erkennen. Dabei können Fehler entstehen: problematische Inhalte bleiben sichtbar, während legitime Beiträge fälschlich gelöscht werden. Besonders betroffen können Minderheiten, Satire, politische Protestformen oder mehrsprachige Kommunikation sein. Eine faire Moderation braucht daher nicht nur Technik, sondern auch menschliche Prüfung, Kontextwissen und öffentliche Regeln.

{{BR}}
= Habermas als Werkzeug für Algorithmuskritik =

Habermas liefert keine fertige Informatiktheorie, aber einen starken Denkrahmen. Du kannst seine Begriffe wie einen Werkzeugkasten verwenden:

# [[Erkenntnisinteresse]] fragt, welchem Zweck ein System dient.
# [[Positivismuskritik]] fragt, ob Messbarkeit mit Wahrheit verwechselt wird.
# [[Hermeneutik]] fragt, ob Bedeutung und Kontext verstanden werden.
# [[Emanzipation]] fragt, ob Menschen mehr Selbstbestimmung gewinnen.
# [[Diskurs]] fragt, ob Entscheidungen begründet und angefochten werden können.
# [[Öffentlichkeit]] fragt, ob digitale Macht demokratisch sichtbar wird.

Dieser Werkzeugkasten macht deutlich: Die wichtigste Frage lautet nicht nur, ob ein Algorithmus funktioniert. Die wichtigere Frage lautet, für wen er funktioniert, nach welchen Maßstäben er funktioniert und wer über diese Maßstäbe sprechen darf.

{{BR}}
= Kriterien für verantwortliche algorithmische Systeme =

Ein verantwortlicher Umgang mit [[Künstliche Intelligenz|KI]] und [[Algorithmus|Algorithmen]] verlangt mehr als technische Genauigkeit. Folgende Kriterien helfen bei einer kritischen Prüfung:

# [[Transparenz]]: Betroffene sollen wissen, dass ein algorithmisches System eingesetzt wird und welches Ziel es verfolgt.
# [[Erklärbarkeit]]: Entscheidungen sollen nachvollziehbar begründet werden können.
# [[Fairness]]: Fehler und Vorteile sollen nicht systematisch ungleich verteilt sein.
# [[Datenschutz]]: Personenbezogene Daten müssen geschützt und zweckgebunden verarbeitet werden.
# [[Partizipation]]: Betroffene Gruppen sollen bei Entwicklung, Prüfung und Einsatz mitreden können.
# [[Rechenschaftspflicht]]: Verantwortliche Institutionen müssen für Folgen einstehen und Korrekturen ermöglichen.
# [[Audit]]: Systeme müssen unabhängig überprüft werden können.
# [[Einspruch]]: Menschen brauchen Wege, automatisierte Entscheidungen anzufechten.
# [[Bildung]]: Bürgerinnen und Bürger brauchen Kompetenzen, um algorithmische Macht zu erkennen und zu beurteilen.

{{BR}}
= Merksatz =

'''Ein Algorithmus rechnet nach Regeln, aber die Regeln, Daten, Ziele und Einsatzweisen entstehen in einer Gesellschaft. Darum ist algorithmische Neutralität keine technische Tatsache, sondern eine politische Behauptung, die kritisch geprüft werden muss.'''

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Was meint die Aussage, dass Algorithmen niemals neutral sind?'''
(Algorithmen enthalten Ziele Daten und Annahmen aus gesellschaftlichen Kontexten)
(!Algorithmen können grundsätzlich keine Berechnungen ausführen)
(!Algorithmen sind immer absichtlich bösartig programmiert)
(!Algorithmen funktionieren nur ohne Daten)

{{E}}
<br>

{{MC}}

'''Welches Werk von Jürgen Habermas ist für die Verbindung von Wissen und Interesse besonders wichtig?'''
(Erkenntnis und Interesse)
(!Die protestantische Ethik)
(!Sein und Zeit)
(!Der Gesellschaftsvertrag)

{{E}}
<br>

{{MC}}

'''Worauf zielt das technische Erkenntnisinteresse bei Habermas vor allem?'''
(Vorhersage und Kontrolle von Prozessen)
(!Reine Zweckfreiheit ohne Anwendung)
(!Ablehnung jeder Wissenschaft)
(!Zufällige Meinungsbildung)

{{E}}
<br>

{{MC}}

'''Warum können Trainingsdaten zu algorithmischer Voreingenommenheit führen?'''
(Sie können historische Ungleichheiten und unvollständige Perspektiven enthalten)
(!Sie bestehen immer nur aus erfundenen Zahlen)
(!Sie verhindern automatisch jede Diskriminierung)
(!Sie machen menschliche Entscheidungen überflüssig)

{{E}}
<br>

{{MC}}

'''Was bedeutet Hermeneutik in diesem Zusammenhang?'''
(Verstehen und Auslegen von Sinn und Kontext)
(!Beschleunigung von Prozessoren)
(!Ausschluss jeder Interpretation)
(!Verschlüsselung von Datenbanken)

{{E}}
<br>

{{MC}}

'''Welche Frage passt am besten zu einer emanzipatorischen Algorithmuskritik?'''
(Erweitert das System Selbstbestimmung und Kritikfähigkeit der Betroffenen)
(!Erzeugt das System möglichst viele Klicks)
(!Kann das System Menschen vollständig ersetzen)
(!Ist das System völlig unsichtbar)

{{E}}
<br>

{{MC}}

'''Warum ist eine hohe Genauigkeit eines Modells allein nicht ausreichend?'''
(Fehler können ungleich verteilt sein und bestimmte Gruppen stärker treffen)
(!Genauigkeit ist in der Informatik bedeutungslos)
(!Genaue Modelle verwenden niemals Daten)
(!Ein genaues Modell ist immer demokratisch legitimiert)

{{E}}
<br>

{{MC}}

'''Welche Rolle spielt Öffentlichkeit bei Habermas für digitale Systeme?'''
(Entscheidungen müssen begründet kritisierbar und diskutierbar sein)
(!Entscheidungen sollen grundsätzlich geheim bleiben)
(!Nur technische Fachleute dürfen Folgen bewerten)
(!Öffentlichkeit verhindert jede Kommunikation)

{{E}}
<br>

{{MC}}

'''Was ist ein Beispiel für ein nicht neutrales Optimierungsziel?'''
(Maximierung von Verweildauer auf einer Plattform)
(!Alphabetische Sortierung eines Wörterbuchs ohne weitere Auswahl)
(!Zählen der Seitenzahl eines Buches)
(!Addieren von zwei natürlichen Zahlen)

{{E}}
<br>

{{MC}}

'''Welche Maßnahme stärkt die demokratische Kontrolle algorithmischer Systeme?'''
(Einspruchsmöglichkeiten und unabhängige Audits)
(!Verzicht auf jede Erklärung)
(!Geheime Datensammlung ohne Kontrolle)
(!Automatische Akzeptanz jeder Bewertung)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Technisches Erkenntnisinteresse || Vorhersage und Kontrolle
|-
| Praktisches Erkenntnisinteresse || Verständigung und Auslegung
|-
| Emanzipatorisches Erkenntnisinteresse || Kritik und Befreiung
|-
| Datensatz || Auswahl der Wirklichkeit
|-
| Metrik || Maßstab der Bewertung
|-
| Diskurs || Begründete öffentliche Auseinandersetzung
|-
| Algorithmische Voreingenommenheit || Systematische Benachteiligung
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Technisches Erkenntnisinteresse'''
| Vorhersage und Kontrolle
|-
| '''Praktisches Erkenntnisinteresse'''
| Verständigung und Deutung
|-
| '''Emanzipatorisches Erkenntnisinteresse'''
| Kritik und Selbstbestimmung
|-
| '''Datenbasis'''
| Auswahl der Wirklichkeit
|-
| '''Optimierungsziel'''
| Festlegung des Erfolgs
|-
| '''Öffentlichkeit'''
| Demokratische Prüfung

|}
{{E}}

<br>
Ordne die Begriffe so zu, dass sichtbar wird, wie Habermas' Theorie hilft, algorithmische Systeme zu untersuchen.
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Habermas || Welcher Philosoph verbindet Erkenntnis mit Interesse?
|-
| Diskurs || Wie heißt die begründete öffentliche Auseinandersetzung?
|-
| Bias || Wie heißt eine systematische Verzerrung in Daten oder Modellen?
|-
| Daten || Was bilden die Grundlage vieler lernender Algorithmen?
|-
| Hermeneutik || Welche Lehre befasst sich mit Verstehen und Auslegung?
|-
| Emanzipation || Welcher Begriff bezeichnet Befreiung von unnötiger Herrschaft?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=Warum+Algorithmen+niemals+neutral+sind+Habermas </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Ein { Algorithmus } ist eine Folge von Regeln zur Lösung eines Problems. Bei Habermas ist Wissen mit einem { Erkenntnisinteresse } verbunden. Das technische Erkenntnisinteresse richtet sich auf { Kontrolle }. Das praktische Erkenntnisinteresse zielt auf { Verständigung }. Das emanzipatorische Erkenntnisinteresse fragt nach { Befreiung }. Ein Datensatz ist immer eine { Auswahl } der Wirklichkeit. Eine Metrik legt fest, was als { Erfolg } gilt. Algorithmische Voreingenommenheit kann entstehen, wenn historische { Ungleichheit } in Daten übernommen wird. Hermeneutik erinnert daran, dass Daten einen { Kontext } brauchen. Demokratische Kontrolle verlangt öffentliche { Kritik } und Einspruchsmöglichkeiten.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===

# [[Algorithmus im Alltag]]: Suche drei Situationen, in denen Du heute einem Algorithmus begegnet bist, und beschreibe jeweils, welches Ziel das System vermutlich verfolgt.
# [[Daten und Auswahl]]: Erstelle eine kleine Tabelle mit zehn fiktiven Daten über Lieblingsmusik und erkläre, welche Informationen fehlen würden, wenn daraus Empfehlungen berechnet werden.
# [[Begriffskarte Habermas]]: Gestalte eine Mindmap zu den Begriffen Erkenntnisinteresse, Hermeneutik, Emanzipation, Öffentlichkeit und Diskurs.
# [[Neutralitätsfrage]]: Formuliere in fünf Sätzen, warum eine automatisch berechnete Rangliste nicht automatisch gerecht ist.

{{BR}}
=== Standard ===

# [[Analyse eines Empfehlungssystems]]: Untersuche eine Video-, Musik- oder Shopping-Plattform und beschreibe, welche Interessen durch die Empfehlungen sichtbar werden.
# [[Bias-Fallstudie]]: Entwickle ein fiktives Beispiel, in dem historische Daten zu einer unfairen Entscheidung führen, und erkläre den Mechanismus Schritt für Schritt.
# [[Habermas anwenden]]: Ordne ein digitales System den drei Erkenntnisinteressen zu und begründe, welches Interesse dominiert.
# [[Diskursregel]]: Entwerfe fünf Regeln, die eine Schule für den Einsatz von KI-Systemen einführen sollte, damit Betroffene mitreden und Einspruch einlegen können.

{{BR}}
=== Schwer ===

# [[Algorithmus-Audit]]: Entwickle einen Prüfplan für ein algorithmisches System mit Fragen zu Daten, Ziel, Fehlerverteilung, Transparenz und Einspruch.
# [[Kontroverse Debatte]]: Führe eine Pro-und-Contra-Debatte zur These, dass KI in Bewerbungsverfahren eingesetzt werden darf, und bewerte die Argumente mit Habermas' Diskursbegriff.
# [[Emanzipatorisches Design]]: Entwirf ein Konzept für ein digitales Werkzeug, das nicht nur effizient ist, sondern Nutzerinnen und Nutzer zu mehr Selbstbestimmung befähigt.
# [[Essay zur Positivismuskritik]]: Schreibe einen Essay darüber, warum Messbarkeit in digitalen Gesellschaften wichtig ist, aber nicht mit Wahrheit oder Gerechtigkeit verwechselt werden darf.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transfer auf Schule]]: Erkläre, welche Chancen und Risiken entstehen, wenn eine Schule Lernanalysen zur Bewertung von Schülerinnen und Schülern nutzt.
# [[Zusammenhang erklären]]: Zeige an einem Beispiel, wie Problemdefinition, Datenbasis und Metrik gemeinsam das Ergebnis eines Algorithmus prägen.
# [[Habermas und KI-Ethik]]: Begründe, warum Habermas' Idee des Diskurses für moderne KI-Regulierung wichtig sein kann.
# [[Gerechtigkeit prüfen]]: Analysiere, warum ein System mit gleicher Gesamtgenauigkeit für verschiedene Gruppen dennoch ungerecht sein kann.
# [[Öffentlichkeit bewerten]]: Erkläre, wie Empfehlungsalgorithmen die demokratische Öffentlichkeit stärken oder schwächen können.
# [[Handlungsplan entwickeln]]: Entwickle einen Plan, wie Betroffene einer automatisierten Entscheidung informiert werden und Einspruch erheben können.

<br>
<br>
{{BR}}
= Lernnachweis =

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe auswendig wiedergeben kannst, sondern Zusammenhänge verstehst und kritisch anwendest.

# [[Begriffsverständnis]]: Du erklärst Algorithmus, Datensatz, Metrik, Bias, Erkenntnisinteresse, Hermeneutik, Emanzipation, Öffentlichkeit und Diskurs.
# [[Analysefähigkeit]]: Du untersuchst ein konkretes algorithmisches System nach Ziel, Datenbasis, Modellannahmen, Fehlerfolgen und Machtwirkungen.
# [[Habermas-Bezug]]: Du wendest Habermas' drei Erkenntnisinteressen nachvollziehbar auf digitale Systeme an.
# [[Urteilsfähigkeit]]: Du begründest, warum technische Genauigkeit nicht automatisch Gerechtigkeit bedeutet.
# [[Gestaltungskompetenz]]: Du entwickelst Vorschläge für Transparenz, Fairness, Partizipation, Audit und Einspruch.
# [[Reflexion]]: Du beschreibst, welche Rolle Deine eigene Mediennutzung bei der Stabilisierung algorithmischer Sortierungen spielt.

<br>
<br>
{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/J%C3%BCrgen_Habermas </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Erkenntnis_und_Interesse </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Kritische_Theorie </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Algorithmus </iframe>

<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliche_Intelligenz </iframe>

<br>

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[Warum Algorithmen niemals neutral sind]]'''
# [[Jürgen Habermas]]
# [[Erkenntnis und Interesse]]
# [[Erkenntnisinteresse]]
# [[Kritische Theorie]]
# [[Frankfurter Schule]]
# [[Positivismuskritik]]
# [[Hermeneutik]]
# [[Emanzipation]]
# [[Algorithmus]]
# [[Künstliche Intelligenz]]
# [[Maschinelles Lernen]]
# [[Algorithmische Voreingenommenheit]]
# [[Datenethik]]
# [[Transparenz]]
# [[Öffentlichkeit]]
# [[Diskurs]]
|}

[[Kategorie:Philosophie]]
[[Kategorie:Ethik]]
[[Kategorie:Informatik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Politische Bildung]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Kritische Theorie]]
[[Kategorie:Klasse 11-13]]
[[Kategorie:Studium]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Warum Algorithmen niemals neutral sind - Habermas - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt