KI bei Bildauswertung und Tierbeobachtung kritisch prüfen - Tierpfleger im Forschungslabor
KI bei Bildauswertung und Tierbeobachtung kritisch prüfen - Tierpfleger im Forschungslabor
QR-Code
Einleitung

Du arbeitest als angehende Tierpflegerin oder angehender Tierpfleger in Forschung und Klinik. Ein Dashboard meldet: „Aktivität ungewöhnlich niedrig“. Ist das ein verlässlicher Hinweis? Vielleicht. Vielleicht hat sich nur die Beleuchtung geändert, die Kamera ist verdeckt oder das Tier ruht zu einer artspezifisch normalen Zeit. Eine KI-Ausgabe ist zunächst ein Hinweis, keine Diagnose und keine Entscheidung über das Wohlergehen eines Tieres.
Dieser aiMOOC vermittelt, wie du KI-gestützte Bildauswertung und Tierbeobachtung kritisch prüfst. Du untersuchst Trainingsdaten, Referenzlabels, Fehlalarme, übersehene Ereignisse, Daten- und Modell-Drift sowie fachliche Verantwortung. Du arbeitest ausschließlich mit fiktiven Daten, Schemazeichnungen und bereits veröffentlichten Medien. Du filmst, manipulierst oder versuchst keine Tiere für diesen Kurs.
Dein prüfbares Lernprodukt ist eine Validierungskarte mit Zweck, Datenbasis, Einsatzbedingungen, Fehlerprofil, Driftindikatoren, Eskalationsweg und unverzichtbarer menschlicher Verantwortung. Niveau 2 bis 3: verstehen, beurteilen und begründet auf einen Arbeitsablauf übertragen.
Was KI bei Tierbeobachtung tatsächlich misst
Vom Bild zum Messwert
Ein Kamerabild ist eine technische Darstellung einer Szene. Bildverarbeitung kann Konturen, Positionen, Bewegungen, Körperhaltungen oder Zeitverläufe schätzen. Pose-Schätzung ordnet vorher festgelegte Körperpunkte zu; ein Klassifikator ordnet Bildausschnitte definierten Kategorien zu. Eine Aktivitätsanalyse kann Bewegungsmuster zählen. Das System beobachtet aber nicht unmittelbar Schmerz, Angst, Wohlbefinden oder Krankheit. Diese Zustände erfordern artspezifisches Wissen, Kontext und fachliche Beurteilung.
Kamera / Sensor ↓ Rohdatei + Zeitstempel + Gerätekennung Vorverarbeitung (Licht, Ausschnitt, Bildgröße) ↓ KI-Modell (Version + Parameter) ↓ Klasse / Position / Konfidenz / Zeitfenster Fachliche Sichtprüfung + Kontextdaten ↓ Dokumentierte Entscheidung / Eskalation
An jedem Übergang können Fehler entstehen. Eine falsche Uhrzeit ordnet ein Ereignis dem falschen Zeitfenster zu. Eine verdeckte Kamera erzeugt fehlende Bildinformationen. Vorverarbeitung kann kleine Merkmale entfernen. Ein Modell kann Bewegung als „Inaktivität“ einordnen, obwohl das Tier außerhalb des Bildausschnitts ist. Eine auffällige Ampelfarbe kann eine unsichere Schätzung überbetonen.
Was bedeutet Konfidenz?
Eine Konfidenz von 0,92 ist eine modellinterne Sicherheitsschätzung für eine bestimmte Ausgabe unter bestimmten Bedingungen. Sie bedeutet nicht, dass die Aussage in jeder realen Situation zu 92 Prozent richtig ist. Kalibrierung, Datenverteilung, Schwellenwert und Fehlerdefinition sind entscheidend. Ein hoher Wert schützt nicht vor einem systematischen Fehler bei Daten außerhalb des Trainingsbereichs.
Fall 1: Alarm im Ruhezeitfenster
Ein fiktives System markiert eine Maus 18 Minuten als „ungewöhnlich inaktiv“. Ein Teil des Käfigs ist durch eine neue Halterung verdeckt; die Beleuchtung wurde umgestellt. Das Modell wurde mit einer anderen Kameraposition trainiert. Du übernimmst die Meldung nicht als Befund. Du hältst Alarm und Zeitstempel fest, prüfst Bildqualität und Zuordnung und vergleichst die Situation mit freigegebenen Beobachtungs- und Eskalationsregeln. Kann ein Tierwohlhinweis nicht sicher ausgeschlossen werden, informierst du unverzüglich die zuständige fachliche Person nach betrieblichem Verfahren. Du wartest nicht auf einen zweiten KI-Alarm.
Musterlösung: Der Alarm ist Anlass zur fachlichen Prüfung, kein Beweis für Krankheit oder Leiden. Veränderte Kameraposition und Beleuchtung sind plausible Störfaktoren. Die persönliche Beobachtung, Dokumentation und der Eskalationsweg bleiben erforderlich.
Trainingsdaten, Referenz und Validierung
Was steckt im Trainingsdatensatz?
Trainingsdaten sind Beispiele, aus denen ein Modell statistische Muster lernt. Für die Bewertung brauchst du Herkunft, Auswahl, Umfang, Tierart und Population, Haltungs- und Aufnahmesituation, Kameratyp, Blickwinkel, Beleuchtung, Bildqualität, Annotationen und Ausschlussregeln. Wichtig ist, wer Referenzlabels vergeben hat und wie Uneinigkeit behandelt wurde. Viele fast identische Bilder aus wenigen Videos können größer wirken, als ihre tatsächliche Vielfalt ist. Trainings-, Validierungs- und Testdaten müssen sinnvoll getrennt sein. Werden Einzelbilder desselben Videos zufällig verteilt, können sehr ähnliche Szenen in Training und Test landen. Das überschätzt die Übertragbarkeit. Eine robuste Prüfung trennt nach unabhängigen Sitzungen, Tieren, Zeiträumen oder Einrichtungen, soweit dies zum Einsatzzweck passt. Der Testdatensatz darf nicht fortlaufend zum Nachjustieren verwendet werden, ohne danach einen unabhängigen Test durchzuführen.
Referenzlabels sind nicht automatisch Wahrheit
Eine Annotation ist eine dokumentierte fachliche Zuordnung, etwa „Körperpunkt nicht sichtbar“. Fachpersonen können uneinig sein. Ein guter Plan legt Begriffe, Beobachtungsfenster, Umgang mit Unsicherheit, Schulung und Regeln für Mehrfachbewertungen fest. Bei subjektiven Verhaltenskategorien sollte die Übereinstimmung der Beurteilenden beschrieben werden. Eine uneinheitliche Referenz begrenzt die Aussagekraft der Modellbewertung.
Validierungskennzahlen
Eine Konfusionsmatrix stellt tatsächliche und vorhergesagte Klassen gegenüber. Sensitivität ist der Anteil tatsächlich positiver Fälle, die erkannt werden. Spezifität ist der Anteil tatsächlich negativer Fälle, die korrekt negativ bleiben. Präzision (positiver Vorhersagewert) ist der Anteil der Alarme, die tatsächlich positiv sind. Diese Werte beantworten unterschiedliche Fragen. Bei seltenen Ereignissen können viele Alarme falsch sein, selbst wenn die Gesamtgenauigkeit hoch erscheint. Fiktives Beispiel mit 100 Zeitfenstern: 10 enthalten laut Referenz ein relevantes Ereignis, 90 nicht. Das System erkennt 8 richtig, übersieht 2 und meldet 9 Fehlalarme. Sensitivität: 8/10 = 80 Prozent. Präzision: 8/17 = rund 47 Prozent. Spezifität: 81/90 = 90 Prozent. „90 Prozent genau“ verschleiert die Bedeutung der übersehenen Ereignisse und Fehlalarme.
Fall 2: Gute Testzahl, schlechte Übertragbarkeit
Ein Anbieter zeigt 98 Prozent Trefferquote. Trainings- und Testbilder stammen jedoch aus denselben kurzen Videos und fast alle Aufnahmen aus einer Kamerakonfiguration. Deine Einrichtung nutzt andere Käfige, Lichtverhältnisse und eine andere Tierlinie. Die Zahl ist kein belastbarer Nachweis für euren Einsatz. Erforderlich ist eine aufgabengerechte unabhängige Validierung oder kontrollierte lokale Prüfung mit freigegebenen Daten und fachlich festgelegten Kriterien. Musterlösung: Die Testdaten sind nicht unabhängig genug und bilden die Zielumgebung nicht ab. Ein guter Kennwert unter bekannten Bedingungen beweist keine Generalisierbarkeit. Vor Nutzung braucht es repräsentative Bedingungen, definierte Fehlergrenzen und einen menschlichen Kontrollprozess.
Validierung vor dem Einsatz
Eine Validierungskarte hält fest: Zweck und ausgeschlossene Zwecke; Modell- und Softwareversion; Herkunft und Umfang von Trainings- und Testdaten; Referenzstandard; Geräte- und Umgebungsbedingungen; Kennzahlen mit Unsicherheiten; Fehlertypen; Schwellenwerte; fachliche Freigabe; Überwachung nach Einführung; Rückfallverfahren. Prüfe nicht nur, ob ein Modell „funktioniert“, sondern für welche konkrete Aufgabe, Population und Umgebung ein Nutzen belegt ist.
Fehlalarme, übersehene Ereignisse und Drift
Zwei Fehlerarten, unterschiedliche Folgen
Ein falsch positiver Alarm liegt vor, wenn das System ein Ereignis meldet, das nach Referenz nicht vorliegt. Viele Fehlalarme können Alarmmüdigkeit auslösen. Ein falsch negatives Ergebnis liegt vor, wenn ein relevantes Ereignis übersehen wird. Bei einer Tierwohlüberwachung kann das eine fachliche Prüfung verzögern. Die akzeptable Fehlerquote hängt vom Verwendungszweck und den Folgen ab; eine universelle Zahl gibt es nicht. Prüfe bei jedem Alarm: Ist die Bildquelle vollständig? Stimmen Zeitstempel und Tier- oder Käfigzuordnung? Liegt eine technische Störung vor? Ist das Ereignis innerhalb des validierten Anwendungsbereichs? Welche Beobachtungen fehlen? Was verlangt die betriebliche SOP? Die KI darf weder die Dringlichkeit einer Reaktion herabsetzen noch eine erforderliche Meldung blockieren.
Daten-Drift und Modell-Drift
Daten-Drift bedeutet, dass sich Eingangsdaten verändern, etwa Licht, Kamerawinkel, Käfigmaterial, Bildrate, Hintergrund, Tieralter oder Umgebung. Konzept- oder Modell-Drift beschreibt eine Veränderung der Beziehung zwischen Eingabedaten und fachlich relevantem Ziel oder einen Leistungsabfall. Ein Alarm kann häufiger auftreten, weil eine Kamera verschmutzt ist; die Erkennung kann schlechter werden, weil neue Bedingungen nicht im Trainingsmaterial vorkamen. Warnsignale sind steigende Raten fehlender Erkennungen, ungewöhnlich viele Warnungen, sinkende Konfidenz, veränderte Bildqualität, neue Hardware oder Softwareversionen, geänderte Abläufe und zunehmende Abweichungen zwischen KI und Fachbewertung. Ein Update, eine neue Kamera oder eine Änderung der Haltungseinrichtung kann eine erneute Prüfung auslösen. Ein Modell darf nicht unbemerkt weiterlaufen, wenn Einsatzbedingungen wesentlich verändert wurden.
Fall 3: Das stille Update
Ein fiktives Dashboard zeigt seit einem Softwareupdate weniger Bewegungsereignisse. Gleichzeitig wurden Bildrate und Kompression verändert. Die Projektleitung vermutet, die Tiere seien ruhiger geworden. Das ist kein zulässiger Schluss: Technische Änderungen können die Erkennung beeinflussen. Die zuständige Stelle stoppt die Nutzung der KI-Ausgabe für diesen Zweck gemäß Rückfallplan, sichert Versions- und Systemprotokolle und lässt die Änderung fachlich und technisch bewerten. Reguläre Tierbeobachtung und Meldewege laufen weiter. Musterlösung: Zeitliche Korrelation beweist keine biologische Ursache. Update und Bildrate sind mögliche Ursachen für eine Datenverschiebung. Vor Wiederverwendung sind Ursachenanalyse, Referenzvergleich und erneute Freigabe nötig.
Schematische Qualitätskontrolle
Bildquelle Ausfall, Verschmutzung, Verdeckung Metadaten falscher Zeitstempel, falsche Zuordnung Modellversion nicht freigegebenes Update Ausgabe Alarmhäufung, Konfidenzsprung Fachabgleich zunehmende Abweichung Reaktion SOP, Rückfall, Eskalation, Dokumentation
Das ist ein Lernschema, keine reale LIMS-Oberfläche. Ein Laborinformations- oder Tierhaltungsmanagementsystem sollte Rohdaten, Metadaten, Modellversion, Ausgaben, fachliche Korrekturen, Freigaben und Änderungen nachvollziehbar verknüpfen. Rollen- und Rechtekonzepte verhindern unbemerkte Änderungen von Schwellenwerten oder Modellversionen.
Fachliche Verantwortung, Dokumentation und Rechtsrahmen
Menschliche Verantwortung bleibt
KI kann Sortier- und Auswertungsarbeit unterstützen, aber keine Verantwortung übernehmen. Tierpflegende bringen artspezifische Kenntnisse, Erfahrung mit individuellen Tieren, Kenntnis des Haltungssystems und Kontextwissen ein. Bei Unsicherheit gilt der sichere fachliche Weg: Beobachtung prüfen, nachvollziehbar dokumentieren und nach gültiger SOP eskalieren. Eine Software darf nicht allein über Tierwohl, Diagnose, Behandlung oder das Unterlassen einer Meldung entscheiden. Unterscheide vier Ebenen: (1) tätigkeitsbezogene Sachkunde und nachgewiesene Kompetenz; (2) Aufsicht und Aufgabenverteilung im Betrieb; (3) tierärztliche Beurteilung und Anordnung, soweit erforderlich; (4) betriebliche, projektbezogene und behördliche Genehmigungen oder Freigaben. Diese Ebenen ersetzen einander nicht. Ausbildung oder dieser Onlinekurs verleihen keine allgemeine Befugnis zu Eingriffen, Narkosen, Tötungen oder Tierversuchen.
Deutsche Rechtslage
Das Tierschutzgesetz und die Tierschutz-Versuchstierverordnung sind verbindliche Rechtsvorschriften. Nach § 8 TierSchG bedürfen Tierversuchsvorhaben mit Wirbeltieren oder Kopffüßern grundsätzlich der Genehmigung der zuständigen Behörde. § 8a ist kein pauschales Anzeigeverfahren: Absatz 1 regelt bestimmte Fälle eines vereinfachten Genehmigungsverfahrens, bei denen unter gesetzlichen Voraussetzungen eine Genehmigung als erteilt gilt. Absatz 3 enthält eine besondere Anzeige für Versuchsvorhaben mit Zehnfußkrebsen. Voraussetzungen, Zuständigkeit, Bescheid, Nebenbestimmungen und Landesvollzug sind im Einzelfall zu prüfen. Die Tierpfleger-Ausbildungsverordnung beschreibt Ausbildungsinhalte und Prüfungsanforderungen. Sie ist keine Genehmigung für ein konkretes Versuchsvorhaben und keine pauschale Eingriffserlaubnis. Betriebliche SOPs konkretisieren sichere Abläufe, dürfen aber höherrangiges Recht und Bescheide nicht erweitern. ARRIVE und PREPARE sind wichtige freiwillige Qualitäts- und Planungshilfen, aber keine Gesetze.
Rechtsstand und Stichtag
Rechtsstand dieser Lerneinheit: 09.11.2026. Quellenabruf und Prüfung: 09.11.2026. Für die Tierschutz-Versuchstierverordnung ist eine Änderung der Anlage 2 mit Geltung ab 04.12.2026 ausgewiesen. Diese künftige Fassung darf am angegebenen Rechtsstand nicht als bereits geltendes Recht dargestellt werden. Die Änderung betrifft in Anlage 2 aufgeführte Tötungsverfahren und zugehörige Anmerkungen. Dieser Kurs gibt ausdrücklich keine Anleitung zur Tötung. Vor realem Einsatz sind amtliche Fassung, Übergangsbestimmungen, Bescheide und betriebliche Vorgaben am Handlungstag erneut zu prüfen. Die DSGVO ist relevant, wenn Aufnahmen oder Metadaten personenbezogene Daten enthalten, etwa Beschäftigte im Bild oder Nutzerkennungen. Zu beachten sind insbesondere Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Vertraulichkeit. Nicht jede Tieraufnahme ist automatisch personenbezogen; entscheidend ist, ob eine identifizierte oder identifizierbare natürliche Person betroffen ist. Rechtsgrundlage und Verantwortlichkeiten klärt die Einrichtung, nicht das KI-Modell.
Forschungsgüte und Standards
Der DFG-Kodex zur guten wissenschaftlichen Praxis betont nachvollziehbare Forschungsprozesse, Dokumentation und verantwortlichen Umgang mit Forschungsdaten. ARRIVE unterstützt transparente Berichterstattung über Tierstudien; der ARRIVE Study Plan dokumentiert Planung, Studiendesign und Verzerrungsminimierung. PREPARE ergänzt dies um Studienplanung, Dialog zwischen Forschungsteam und Tierhaltung sowie Qualitätskontrollen. Diese Standards sind Empfehlungen beziehungsweise Standards guter Praxis und keine behördlichen Genehmigungen.
Deine Rolle im digitalen Ablauf
Du kannst prüfen, ob Kamera und Zeitstempel plausibel sind, ob ein Tier eindeutig zugeordnet wird, ob Daten vollständig sind und ob eine Warnung nach SOP bearbeitet wurde. Du dokumentierst Auffälligkeiten und leitest sie weiter. Du änderst nicht eigenmächtig Modellparameter, Schwellenwerte oder Versuchsabläufe. Widerspricht die KI deiner fachlichen Beobachtung, wird die Abweichung dokumentiert und eskaliert statt stillschweigend überschrieben.
Interaktive Aufgaben
Quiz: Prüfe dein Wissen
Was beschreibt eine Konfidenz von 0,92 am ehesten? (Eine modellinterne Sicherheitsschätzung für eine bestimmte Ausgabe unter bestimmten Bedingungen) (!Eine Garantie, dass die Aussage in jeder Umgebung zu 92 Prozent richtig ist) (!Eine behördliche Freigabe des Systems) (!Die Wahrscheinlichkeit, dass ein Tier krank ist)
Warum ist eine zufällige Aufteilung einzelner Bilder aus demselben Video problematisch? (Sehr ähnliche Szenen können in Trainings- und Testdaten gelangen und die Leistung überschätzen) (!Die Bilder verlieren automatisch ihre Zeitstempel) (!Das Modell kann dann grundsätzlich keine Klassen unterscheiden) (!Es wird dadurch eine externe Validierung ersetzt)
Welche Kennzahl beschreibt, welcher Anteil der Alarme tatsächlich positiv ist? (Präzision) (!Spezifität) (!Bildrate) (!Datenvollständigkeit)
Was ist ein falsch negatives Ergebnis? (Ein relevantes Ereignis wird vom System übersehen) (!Ein nicht vorhandenes Ereignis wird gemeldet) (!Ein Zeitstempel wird korrekt gespeichert) (!Ein Modell wird ordnungsgemäß versioniert)
Welche Veränderung ist ein typischer Auslöser möglicher Daten-Drift? (Eine neue Beleuchtung oder Kameraposition) (!Ein unveränderter Prüfplan) (!Eine korrekt dokumentierte Modellversion) (!Eine unveränderte Bildrate)
Was ist bei einem Alarm mit teilweise verdecktem Bildausschnitt richtig? (Bildqualität und Kontext prüfen und nach SOP fachlich eskalieren) (!Den Alarm als gesicherte Diagnose übernehmen) (!Die Meldung löschen, weil das Bild unvollständig ist) (!Das Modell ohne Freigabe neu trainieren)
Welche Aussage zu § 8a TierSchG trifft zu? (Er enthält ein vereinfachtes Genehmigungsverfahren und eine besondere Anzeige für Zehnfußkrebse) (!Er macht jeden Tierversuch zu einem bloßen Anzeigeverfahren) (!Er ersetzt § 8 vollständig) (!Er erteilt Tierpflegenden eine allgemeine Versuchsbefugnis)
Wozu dient der ARRIVE Study Plan? (Zur strukturierten Planung und Dokumentation von Tierstudien) (!Zur Erteilung einer behördlichen Versuchsgenehmigung) (!Zur automatischen Diagnose von Tierkrankheiten) (!Zur Freigabe eines KI-Modells ohne Testdaten)
Welche Daten sollten für eine nachvollziehbare KI-Auswertung verknüpft werden? (Rohdaten, Zeitstempel, Geräte- und Modellversion sowie fachliche Bewertung) (!Nur die farbige Alarmampel) (!Nur der Name der Person, die den Alarm geöffnet hat) (!Nur der höchste Konfidenzwert)
Was ist richtig, wenn KI-Ausgabe und fachliche Beobachtung widersprechen? (Abweichung dokumentieren und nach Zuständigkeit fachlich eskalieren) (!Immer der KI vertrauen) (!Immer die eigene Einschätzung ohne Dokumentation durchsetzen) (!Das Systemprotokoll nachträglich anpassen)
Memory Game
| Trainingsdaten | Beispiele, aus denen ein Modell statistische Muster lernt |
| Referenzlabel | Fachlich zugeordnete Vergleichskategorie für die Auswertung |
| Sensitivität | Anteil tatsächlich positiver Fälle, die erkannt werden |
| Fehlalarm | Positive Meldung ohne positives Ereignis nach Referenz |
| Daten-Drift | Veränderung der Eingangsdaten gegenüber der bisherigen Verteilung |
| Modellversion | Eindeutig dokumentierter Stand eines KI-Systems |
Drag and Drop
| Ordne den Begriff der passenden Beschreibung zu. | Beschreibung |
|---|---|
| Rohdaten | Unveränderte ursprüngliche Bild- oder Sensordateien |
| Metadaten | Kontextangaben wie Zeitstempel, Gerät und Aufnahmebedingungen |
| Validierung | Prüfung der Eignung für einen festgelegten Zweck |
| Falsch negativ | Ein relevantes Ereignis wird nicht erkannt |
| Rückfallplan | Festgelegtes Vorgehen, wenn das System nicht verlässlich nutzbar ist |
Kreuzworträtsel
| Sensitivität | Welcher Kennwert beschreibt den Anteil erkannter tatsächlich positiver Fälle? |
| Spezifität | Welcher Kennwert beschreibt den Anteil korrekt negativer Fälle? |
| Präzision | Wie heißt der positive Vorhersagewert? |
| Drift | Wie heißt die Veränderung der Datenverteilung oder Zielbeziehung im Zeitverlauf? |
| Referenz | Womit werden Vorhersagen fachlich verglichen? |
| Metadaten | Wie heißen Kontextinformationen zu einer Datei? |
LearningApps
Bearbeite eine passende öffentliche Zuordnungs- oder Suchübung, sofern LearningApps für diese Suchanfrage ein fachlich geeignetes Angebot anzeigt. Prüfe dessen Richtigkeit; eine Suchseite ist keine Validierungsquelle und ersetzt die übrigen Aufgaben nicht.
Lückentext
Offene Aufgaben
Leicht
- Beobachtungsbegriffe erklären: Erstelle ein Glossar mit acht Begriffen und fiktiven Beispielen. Erkläre, warum die KI-Ausgabe allein keine Diagnose ist.
- Datenfluss skizzieren: Zeichne den Weg von der Kamera bis zur fachlichen Entscheidung. Markiere drei Fehlerquellen.
- Alarmmeldung beurteilen: Schreibe eine Antwort auf den Fall einer verdeckten Kamera. Nenne sichere Prüfschritte und den Eskalationsweg.
- Bildqualität vergleichen: Nutze selbst erstellte abstrakte Testbilder mit unterschiedlicher Helligkeit. Beschreibe mögliche Erkennungsprobleme.
Standard
- Konfusionsmatrix auswerten: Erstelle mit fiktiven Zahlen eine Matrix für 100 Zeitfenster. Berechne Sensitivität, Spezifität und Präzision und interpretiere sie.
- Validierungsplan entwerfen: Definiere Zweck, Zielumgebung, unabhängige Testdaten, Referenzlabels, Kennwerte, Fehlergrenzen und menschliche Kontrolle.
- Drift-Warnkarte gestalten: Entwickle eine Karte mit fünf Driftindikatoren, Prüffragen, Dokumentationsfeldern und Eskalationsweg.
- LIMS-Datensatz prüfen: Entwirf eine fiktive Tabelle mit Aufnahme-ID, Zeitstempel, Kamera, Modellversion, Konfidenz, Fachprüfung und Status. Markiere drei Datenqualitätsprobleme.
Schwer
- Validierungskarte erstellen: Erstelle das vollständige Lernprodukt für ein erfundenes KI-System. Belege Daten, Referenzqualität, Fehler, Drift, Grenzen, Rückfallplan und Verantwortung.
- Fallkonferenz simulieren: Verfasse ein Protokoll einer fiktiven Besprechung zwischen Tierpflege, Tierärztin oder Tierarzt, Qualitätsmanagement und IT. Kläre Entscheidungsbefugnisse.
- Rechts- und Standardencheck durchführen: Trenne Recht, Bescheide, SOPs und freiwillige Standards. Nutze § 8 und § 8a TierSchG, TierSchVersV, DSGVO, ARRIVE und PREPARE.
- Modelländerung bewerten: Analysiere einen fiktiven Fall mit Update, veränderter Bildrate und Alarmrückgang. Formuliere Kriterien für Pause, Ursachenprüfung, erneute Validierung und Wiederfreigabe.


Lernkontrolle
- Kennzahlen im Kontext interpretieren: Ein Modell hat hohe Gesamtgenauigkeit, übersieht aber seltene Ereignisse. Erkläre anhand einer fiktiven Matrix, warum Gesamtgenauigkeit nicht genügt.
- Validität und Übertragbarkeit begründen: Vergleiche eine zufällige Bildaufteilung aus einem Video mit einem unabhängigen Test aus mehreren Sitzungen.
- Fehlerfolgen abwägen: Diskutiere Folgen falsch positiver und falsch negativer Ergebnisse für Tierwohl und Alarmmüdigkeit. Begründe die Freigabe von Schwellenwerten.
- Drift erkennen und handeln: Ordne Licht, Kamera, Bildrate und Population möglichen Driftarten zu. Entwickle einen Prüf- und Eskalationsweg.
- Rechtsrahmen unterscheiden: Erkläre Ausbildungsordnung, Sachkunde, tierärztliche Anordnung, behördliche Genehmigung, Anzeige nach § 8a Absatz 3 und vereinfachtes Verfahren nach § 8a Absatz 1.
- Menschliche Verantwortung begründen: Formuliere, welche Aufgaben KI unterstützen kann und welche Entscheidungen bei Menschen und zuständigen Stellen bleiben.
Lernnachweis
Dein Lernnachweis ist eine ausgefüllte Validierungskarte für ein vollständig fiktives KI-System. Sie enthält mindestens:
- Verwendungszweck und Ausschlüsse: Welche Beobachtungsaufgabe wird unterstützt und welche Aussagen darf das Modell nicht treffen?
- Trainingsdaten: Herkunft, Umfang, Vielfalt, Aufnahmebedingungen, Population, Kennzeichnung und mögliche Verzerrungen.
- Referenz und Test: unabhängige Datenaufteilung, Referenzqualität, Testbedingungen und nachvollziehbare Kennzahlen mit Nennern.
- Fehlerprofil: falsch positive und falsch negative Ergebnisse, Folgen, Schwellenwerte und Grenzen.
- Driftüberwachung: technische und fachliche Indikatoren, Prüfrhythmus und Auslöser einer erneuten Validierung.
- Verantwortung: Zuständigkeiten, fachliche Sichtprüfung, Eskalationsweg, Dokumentation, Rückfallplan und Freigabe.
Bewertet werden fachliche Richtigkeit, nachvollziehbare Datenbasis, angemessene Kennzahlen, Erkennen von Grenzen, sichere Eskalation und klare Trennung von Recht, Bescheid, SOP und freiwilligem Standard. Eine gute Karte benennt ausdrücklich Wissenslücken und fehlende Daten.
OER und Wikipedia
Verifizierte Medien und Quellen


Video: „multi-animal pose estimation and tracking with DeepLabCut“, Kanal DeepLabCut, veröffentlicht 23.05.2020. Beobachtungsauftrag: Welche Punkte oder Bewegungsmerkmale werden verfolgt? Achte auf Überdeckung und gleich aussehende Tiere. Welche Unsicherheiten bleiben bei Identifikation und Tracking? Das Video demonstriert eine technische Methode, keine klinische Überwachung und keine automatische Tierwohlbeurteilung. Quellen für fachliche Vertiefung
- DFG: Leitlinien zur Sicherung guter wissenschaftlicher Praxis.
- ARRIVE Study Plan. Planung, Design und Dokumentation von Tierstudien.
- PREPARE Guidelines. Freiwillige Planungshilfe für Tierstudien und Tierhaltungsdialog.
- Tierschutzgesetz § 8. Genehmigung von Tierversuchsvorhaben.
- Tierschutzgesetz § 8a. Vereinfachtes Genehmigungsverfahren und besondere Anzeigevorschrift.
- Tierschutz-Versuchstierverordnung. Verbindliche Anforderungen; Anlage 2 mit ausgewiesener Änderung ab 04.12.2026.
- Datenschutz-Grundverordnung (EU) 2016/679. Artikel 5 und 22.
- Tierpfleger-Ausbildungsverordnung 2003 und Ausbildungsrahmenplan.
- KMK-Rahmenlehrplan Tierpfleger/Tierpflegerin.
- DeepLabCut: Überblick und Hinweise zur Datenauswahl. Technische Dokumentation, keine unabhängige Wirksamkeitsgarantie.
- Wikimedia Commons: Laboratoriumsmaus. Grachik Egoyan, CC BY-SA 4.0.
- Wikimedia Commons: Lab mouse mg 3184. Rama, CC BY-SA 2.0 France.
- YouTube: DeepLabCut Mehrtier-Pose-Schätzung und Tracking. Kanal DeepLabCut.
Rechts- und Aktualitätshinweis: Quellenstand 09.11.2026; die abweichende Geltung ab 04.12.2026 ist gesondert zu prüfen. Für betriebliche Entscheidungen sind aktuelle amtliche Fassungen, Landesvollzug, Genehmigungsbescheide und gültige SOPs maßgeblich. Abrufdatum ersetzt keine Rechtsprüfung.
Verknüpfte Lernbereiche
aiMOOC-Projekte
Schulfach+


aiMOOCs


aiMOOC Projekte


MOOCwiki · Deutsch
Nach dem Lernen ist vor dem Lernen
Entdecke direkt den nächsten Lernkurs. Weitere Inhalte erscheinen, wenn Du weiter nach unten scrollst.
Zur MOOCwiki-HauptseiteMediathek
Mediathek wird aus dem Wiki geladen ...
Keine passenden Inhalte gefunden. Bitte ändere Suche oder Filter.
NEWSLernweltNOAH fragenInhalt melden · Hinweise zu Fehlern, Quellen, Medienrechten oder Dubletten
