Diesen aiMOOC als Battle spielen: Deutsch, Klasse 5-6, G-Niveau

KI und persönliche Daten kontrollieren

Einleitung

Künstliche Intelligenz kann Texte schreiben, Bilder erzeugen, Daten sortieren und Vorschläge machen. Damit solche Systeme arbeiten können, verarbeiten sie Daten. Dabei ist eine wichtige Frage: Welche Daten dürfen oder sollen wir einer KI überhaupt geben? Ebenso wichtig ist die Frage, ob die Daten, aus denen eine KI lernt oder auf deren Grundlage sie entscheidet, gut ausgewählt, richtig beschriftet und fair zusammengesetzt sind.

In diesem aiMOOC lernst Du, KI nicht einfach zu benutzen, sondern ihre Datengrundlage kritisch zu prüfen und selbst zu entscheiden. Du arbeitest mit kleinen, erfundenen Datensätzen und gibst keine echten persönlichen Daten von Dir oder anderen Personen ein. Du untersuchst Datenschutz, Privatsphäre, Datenqualität, Verzerrungen, Statistik, Medienkompetenz und verantwortlichen KI-Einsatz.

Der Kurs ist für die Schule mit Schwerpunkt Klasse 6 geplant und kann in etwa 1–2 Unterrichtsstunden bearbeitet werden. Er verbindet besonders Informatik, Deutsch, Mathematik, Naturwissenschaften, Kunst, Ethik, Gemeinschaftskunde und Medienbildung.

Leitfrage: Wie kannst Du KI nutzen, ohne unnötig persönliche Daten preiszugeben, und wie erkennst Du, ob die Daten hinter einer KI-Aussage zuverlässig und fair genug sind?

Lernziele

Nach dem Kurs kannst Du persönliche Daten in Alltagssituationen erkennen, unnötige Dateneingaben vermeiden und eine einfache Prüfroutine anwenden. Du kannst kleine Datensätze auf Vollständigkeit, Fehler, Auswahl, Repräsentativität und Labels untersuchen. Du kannst erklären, wie Verzerrungen entstehen können, und begründen, warum die letzte Entscheidung bei wichtigen Fragen nicht einfach an eine KI abgegeben werden sollte.

Ablauf für 1–2 Unterrichtsstunden

Phase	Zeit	Schwerpunkt
Aktivierung und Diagnose	ca. 10 Minuten	Daten erkennen und erste Entscheidungen begründen
Einführung	ca. 15 Minuten	Persönliche Daten, KI, Datenqualität und Datenschutz
Datenexperiment	ca. 20 Minuten	Auswahl, Repräsentativität, Labels und Verzerrungen untersuchen
Anwendungssituation	ca. 15 Minuten	Eine datensparsame KI-Nutzung planen
Selbstkontrolle, Reflexion und Transfer	ca. 10–20 Minuten	Prüfroutine selbstständig auf eine neue Situation übertragen

Aktivierung und Diagnose: Was würdest Du eingeben?

Stell Dir vor, Du möchtest eine KI um Hilfe bei einer Schulaufgabe bitten. Welche der folgenden Informationen wären für die Aufgabe wahrscheinlich nötig, welche unnötig und welche besonders schützenswert?

Information	Erste Einschätzung	Begründung
Thema der Aufgabe	meist nötig	Die KI muss wissen, worum es fachlich geht.
Dein vollständiger Name	meist unnötig	Für eine Erklärung des Lernstoffs ist der echte Name normalerweise nicht erforderlich.
Klassenstufe	manchmal hilfreich	Sie kann helfen, die Erklärung an das Lernniveau anzupassen.
Wohnadresse	unnötig	Sie hilft bei einer normalen Schulaufgabe nicht.
Foto eines Arbeitsblatts	genau prüfen	Auf dem Foto können Namen, Gesichter, Schulangaben oder andere persönliche Informationen stehen.
Krankheit oder Diagnose	besonders schützenswert	Gesundheitsdaten sind sehr sensible persönliche Informationen.

Diagnosefrage: Welche Information würdest Du vor einer Eingabe entfernen oder ersetzen? Begründe Deine Entscheidung mit dem Satzanfang: „Für die Aufgabe reicht …, weil …“

Was sind persönliche Daten?

Persönliche oder personenbezogene Daten sind Informationen, die sich auf eine bestimmte oder bestimmbare Person beziehen. Manche Daten nennen eine Person direkt, andere können zusammen mit weiteren Informationen zu einer Person führen.

Datenart	Beispiel	Warum relevant?
direkte Angaben	Name, Foto, Telefonnummer	Die Person kann häufig direkt erkannt oder kontaktiert werden.
indirekte Angaben	Standort, Gerätekennung, Nutzername	Mehrere Angaben zusammen können eine Person erkennbar machen.
Inhaltsdaten	Chatnachrichten, Texte, Fotos, Sprachaufnahmen	Sie können private Informationen über Personen enthalten.
besonders sensible Angaben	Gesundheit, biometrische Merkmale oder intime Informationen	Ein Missbrauch kann für die betroffene Person besonders schwerwiegend sein.

Datenschutz bedeutet nicht, nie Daten zu verwenden. Entscheidend ist, ob ein klarer Zweck besteht, ob die Nutzung erlaubt und transparent ist und ob wirklich so viele Daten nötig sind. Eine wichtige Strategie heißt Datenminimierung: Nutze nur die Daten, die für den Zweck erforderlich sind.

Was hat KI mit Daten zu tun?

Viele KI-Systeme erkennen Muster in Daten. Beim Lernen können beispielsweise Texte, Bilder, Messwerte oder andere Daten verwendet werden. Bei der Nutzung entstehen außerdem neue Daten: etwa Deine Eingabe, technische Nutzungsdaten oder das erzeugte Ergebnis. Je nach System können diese Daten unterschiedlich verarbeitet werden. Deshalb solltest Du vor einer Nutzung klären, welche Daten Du eingibst, wozu sie gebraucht werden und welche Regeln für das konkrete System gelten.

Der kindgerechte Erklärfilm zeigt Grundideen von KI. Beim Anschauen kannst Du besonders darauf achten, welche Aufgaben Menschen festlegen und wo Daten eine Rolle spielen.

Daten hinterlassen Spuren

Auch Geräte und Anwendungen können Informationen über Nutzung, Standort oder Interessen verarbeiten. Das bedeutet nicht, dass jede Datennutzung automatisch schlecht ist. Entscheidend sind Zweck, Umfang, Transparenz und Schutz.

Beobachtungsauftrag zum Video: Notiere drei Datenarten, die ein digitales Gerät erfassen kann. Markiere anschließend, welche davon für eine bestimmte Funktion wirklich notwendig sein könnten.

Die DATEN-Prüfroutine

Mit der DATEN-Prüfroutine kannst Du eine KI-Situation Schritt für Schritt untersuchen.

Buchstabe	Prüfschritt	Leitfrage
D	Daten erkennen	Welche persönlichen, technischen oder inhaltlichen Daten kommen vor?
A	Auswahl prüfen	Wer oder was ist im Datensatz enthalten, und wer oder was fehlt?
T	Transparenz klären	Woher stammen die Daten, wofür werden sie genutzt und ist die Nutzung nachvollziehbar?
E	Etiketten und Ergebnisse testen	Sind Labels richtig, gibt es Fehler und funktionieren die Ergebnisse auch bei neuen Fällen?
N	Nur Nötiges nutzen	Welche Angaben kann ich weglassen, verallgemeinern oder ersetzen, und wer trifft am Ende die Entscheidung?

Merksatz: Eine KI-Ausgabe ist kein Befehl. Du darfst prüfen, widersprechen, nachfragen und anders entscheiden.

Datenqualität: Gute Daten sind nicht einfach viele Daten

Ein großer Datensatz kann trotzdem schlecht sein. Für Datenqualität sind mehrere Fragen wichtig.

Qualitätsfrage	Beispiel	Mögliches Problem
Sind die Daten vollständig?	Bei einer Umfrage fehlen viele Antworten.	Das Ergebnis kann einseitig werden.
Sind die Daten korrekt?	Ein Alter oder Messwert wurde falsch eingetragen.	Berechnungen und Schlussfolgerungen werden unzuverlässig.
Sind die Daten aktuell?	Alte Informationen werden für eine neue Situation verwendet.	Das Ergebnis passt möglicherweise nicht mehr.
Sind die Daten passend zum Zweck?	Schuhgrößen werden genutzt, um Lesekompetenz vorherzusagen.	Die Daten haben wenig mit der Frage zu tun.
Sind wichtige Gruppen vertreten?	Fast alle Beispiele stammen aus nur einer Gruppe.	Das Ergebnis kann für andere Gruppen schlechter funktionieren.
Sind die Labels sinnvoll?	Ein Beispiel ist falsch als „geeignet“ oder „ungeeignet“ markiert.	Die KI kann einen falschen Zusammenhang lernen.

Datenexperiment: Wer wird für die Technik-AG empfohlen?

Eine fiktive Schule möchte testen, wie eine KI Empfehlungen für eine Technik-AG lernen könnte. Dafür gibt es einen kleinen Übungsdatensatz. Er enthält keine echten Personen.

Gruppe A hatte früher bereits Zugang zu ähnlichen Technikangeboten. Gruppe B hatte diesen Zugang bisher nicht. Die Spalten „Problemlösen“ und „Interesse“ reichen von niedrig bis hoch. Das Label „früher ausgewählt“ zeigt eine vergangene Entscheidung von Erwachsenen und ist nicht automatisch die Wahrheit über die Eignung.

Code	Gruppe	Problemlösen	Interesse	Früher ausgewählt
A1	A	hoch	hoch	ja
A2	A	mittel	hoch	ja
A3	A	hoch	hoch	ja
A4	A	eher niedrig	hoch	ja
A5	A	hoch	mittel	ja
A6	A	mittel	mittel	nein
B1	B	hoch	hoch	nein
B2	B	hoch	hoch	nein

= Visualisierung der Auswahl

Gruppe	Zahl der Beispiele	Balken
Gruppe A mit früherem Zugang	sechs	██████
Gruppe B ohne früheren Zugang	zwei	██

Die Visualisierung zeigt sofort: Die Gruppen sind ungleich vertreten. Außerdem fällt auf, dass B1 und B2 trotz hoher Werte nicht ausgewählt wurden. Eine KI, die nur die alten Labels nachahmt, könnte daraus eine problematische Regel lernen: „Gruppe B wird eher nicht ausgewählt.“ Das wäre keine faire Aussage über Fähigkeiten, sondern könnte eine frühere Ungleichheit fortsetzen.

= Experimentieraufträge

Repräsentativität: Prüfe, ob beide Gruppen ausreichend vertreten sind. Erkläre, warum eine ungleiche Verteilung problematisch sein kann.
Labels: Suche Fälle, bei denen das Label nicht gut zu den übrigen Informationen passt. Formuliere eine Rückfrage, die Du an die Person stellen würdest, die das Label vergeben hat.
Fehlerquelle: Überlege, welche Information im Datensatz fehlt, die für eine faire Entscheidung wichtig sein könnte.
Bias: Beschreibe, wie eine KI alte Auswahlmuster verstärken könnte, wenn niemand die Daten prüft.
Human Agency: Entwickle eine bessere Regel für die Schule, bei der Menschen die Empfehlung prüfen und Schülerinnen und Schüler ihre Interessen selbst äußern können.

Warum Repräsentativität wichtig ist

Ein Datensatz ist repräsentativ, wenn er die für die Frage wichtigen Gruppen und Situationen angemessen abbildet. Das bedeutet nicht, dass jede Gruppe immer genau gleich groß sein muss. Entscheidend ist, ob die Daten so ausgewählt sind, dass das Ergebnis für den vorgesehenen Zweck zuverlässig geprüft werden kann.

Ein häufiger Fehler heißt Auswahlverzerrung: Bestimmte Fälle gelangen häufiger in den Datensatz als andere. Dann kann eine KI Muster lernen, die nur für diese Auswahl gelten. Ein zweiter Fehler entsteht durch schlechte Labels. Wenn Menschen in der Vergangenheit unfair oder uneinheitlich entschieden haben, können diese alten Entscheidungen als Labels in den Daten landen.

Wichtig: Daten zeigen Zusammenhänge, aber ein Zusammenhang ist nicht automatisch eine Ursache. Wenn Gruppe A häufiger ausgewählt wurde, folgt daraus nicht, dass die Gruppenzugehörigkeit die Fähigkeit verursacht.

Labels: Wer bestimmt, was „richtig“ ist?

Ein Label ist eine Zuordnung, mit der ein Beispiel beschrieben wird, etwa „Katze“, „kein Spam“, „geeignet“ oder „nicht geeignet“. Manche Labels sind relativ klar. Andere enthalten menschliche Bewertungen.

Vergleiche:

Label	Prüffrage
„Foto enthält einen Hund“	Ist das Tier auf dem Bild tatsächlich ein Hund?
„Text ist freundlich“	Nach welchen Regeln wurde „freundlich“ beurteilt?
„Schülerin ist für eine AG geeignet“	Welche Kriterien wurden benutzt, und durfte die Person ihre Interessen selbst äußern?

Je stärker ein Label Menschen bewertet, desto wichtiger sind transparente Kriterien, mehrere Perspektiven und die Möglichkeit, eine Entscheidung zu hinterfragen.

Persönliche Daten vor einer KI-Eingabe verändern

Du kannst viele Aufgaben lösen, ohne echte Identitätsdaten zu nennen. Dabei helfen drei Strategien:

Strategie	Riskantere Eingabe	Datensparsamere Variante
verallgemeinern	„Ich bin Mia Müller aus der Klasse 6b der Beispielschule.“	„Ich bin in der 6. Klasse.“
pseudonymisieren	„Paul Schneider hat in unserem Gruppenprojekt …“	„Person A hat in unserem Gruppenprojekt …“
unnötige Details entfernen	„Hier ist meine Aufgabe mit Name, Schuladresse und Unterschrift.“	„Hier ist nur der Aufgabentext ohne persönliche Angaben.“

Achtung: Pseudonymisieren ist nicht dasselbe wie vollständig anonymisieren. Wenn andere Angaben eine Person weiterhin erkennbar machen, können die Daten noch personenbezogen sein.

Realistische Anwendungssituation: Das Klassenprojekt

Deine Klasse plant eine Ausstellung. Ein Team möchte eine KI nutzen, um aus Notizen einen Ausstellungstext zu formulieren. Die Notizen enthalten:

Inhalt	Für den Ausstellungstext nötig?	Umgang
Thema des Projekts	ja	kann genutzt werden
Ideen aus der Gruppenarbeit	ja	möglichst ohne Namen eingeben
vollständige Namen aller Kinder	meist nein	weglassen
private Telefonnummern	nein	nicht eingeben
Foto der Gruppe	nur bei passender Aufgabe	Rechte, Einwilligung und eingesetztes System prüfen
gesundheitliche Besonderheiten eines Kindes	nein	nicht eingeben
Klassenstufe	möglicherweise	nur nutzen, wenn sie für Sprache oder Niveau hilfreich ist

Dein Auftrag: Wende den DATEN-Check an. Entscheide, welche Angaben genutzt, verändert oder entfernt werden. Begründe anschließend, warum Deine Lösung für den Zweck ausreicht. Die beste Lösung ist nicht die mit den meisten Daten, sondern die, die den Zweck mit möglichst wenigen persönlichen Angaben erreicht.

Ein erster Sicherheitsstandard für die Schule

Für Übungen mit KI gilt: Verwende möglichst fiktive, anonymisierte oder von der Lehrkraft freigegebene Daten. Gib keine Passwörter, privaten Kontaktdaten, Gesundheitsinformationen, vertraulichen Nachrichten oder erkennbaren Fotos anderer Personen in ein unbekanntes System ein. Prüfe bei schulisch eingesetzten Anwendungen die Vorgaben der Schule und die Informationen zur Datenverarbeitung.

Wenn Du unsicher bist, gilt nicht „einfach ausprobieren“, sondern: Stoppen, nachfragen, Zweck klären und eine datensparsamere Lösung suchen.

Quellenkritik bei KI-Ausgaben

Auch wenn eine KI sehr sicher klingt, kann ein Ergebnis falsch, veraltet oder erfunden sein. Bei wichtigen Aussagen solltest Du deshalb Quellenkritik betreiben.

Prüffrage	Handlung
Woher könnte die Information stammen?	Suche nach einer nachvollziehbaren Quelle.
Ist die Quelle aktuell und zum Thema passend?	Vergleiche Datum, Autorenschaft und Zweck.
Bestätigen mehrere unabhängige Quellen die Aussage?	Vergleiche mindestens zwei geeignete Quellen.
Passt das Ergebnis zu den Daten?	Suche nach Widersprüchen und ungewöhnlichen Fällen.
Was weiß die KI vielleicht nicht?	Benenne fehlende Informationen und Unsicherheit.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	Mögliche Aktivität
Informatik	Daten, Algorithmen, Labels, Trainingsdaten	Einen kleinen Datensatz prüfen und Fehler markieren
Deutsch	Sprache, Quellenkritik, präzise Fragen	Eine datensparsame Eingabe formulieren und eine KI-Antwort sprachlich prüfen
Mathematik	Häufigkeiten, Tabellen, Diagramme	Gruppenverteilungen zählen und visualisieren
Naturwissenschaften	Messfehler, Versuchsplanung, Datenqualität	Eine fehlerhafte Messreihe mit einem fehlerhaften KI-Datensatz vergleichen
Kunst	Bilder, Gestaltung, Bildrechte, KI-Bilder	Ein fiktives Plakat gestalten und Kennzeichnung sowie Persönlichkeitsrechte diskutieren
Ethik	Fairness, Verantwortung, Selbstbestimmung	Abwägen, wann eine KI-Empfehlung akzeptiert oder zurückgewiesen werden sollte
Gemeinschaftskunde	Rechte, Regeln, gesellschaftliche Folgen	Datenschutz als Voraussetzung für selbstbestimmte Teilhabe diskutieren
Medienbildung	Privatsphäre, Quellenkritik, sichere Nutzung	Den DATEN-Check auf eine neue App- oder KI-Situation übertragen

Selbstkontrolle: Kannst Du schon selbst entscheiden?

Prüfe Dich mit fünf Fragen:

Kann ich erklären, warum ein Name oder Foto für manche KI-Aufgaben unnötig ist?
Kann ich in einem kleinen Datensatz erkennen, wer häufig vorkommt und wer fehlt?
Kann ich ein verdächtiges oder unpassendes Label finden und begründen?
Kann ich eine KI-Ausgabe als Vorschlag behandeln und mit Quellen oder Daten prüfen?
Kann ich eine riskante Eingabe so verändern, dass der Zweck erhalten bleibt, aber weniger persönliche Daten enthalten sind?

Wenn Du bei einer Frage noch unsicher bist, gehe zur passenden Stelle im Kurs zurück und wende den DATEN-Check erneut an.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Du willst Dir eine Rechenart erklären lassen. Welche Eingabe ist am datensparsamsten? (Erkläre einer Person in Klasse 6 die schriftliche Division mit einem Beispiel) (!Erkläre Mia Müller aus der Klasse 6b die schriftliche Division) (!Erkläre mir die Division und hier ist meine Telefonnummer) (!Erkläre mir die Division und hier ist ein Foto meines Schülerausweises)

Ein Trainingsdatensatz enthält fast nur Beispiele aus einer einzigen Gruppe. Was solltest Du zuerst prüfen? (Ob wichtige Gruppen oder Situationen ausreichend vertreten sind) (!Ob die Dateinamen besonders kurz sind) (!Ob alle Beispiele alphabetisch sortiert sind) (!Ob die Tabelle möglichst bunt gestaltet ist)

Ein Beispiel ist mit einem offensichtlich unpassenden Label versehen. Was ist eine sinnvolle Reaktion? (Das Label prüfen und seine Herkunft klären) (!Das Beispiel löschen ohne nach dem Grund zu fragen) (!Alle anderen Labels automatisch übernehmen) (!Die KI-Ausgabe deshalb immer für richtig halten)

Eine KI empfiehlt nur Kinder mit früherer Technik-AG-Erfahrung für einen neuen Kurs. Was kann problematisch sein? (Frühere Zugangsunterschiede können als Verzerrung fortgesetzt werden) (!Vorerfahrung macht jede weitere Prüfung unnötig) (!Eine KI-Empfehlung ist immer neutral) (!Interessen der Kinder spielen grundsätzlich keine Rolle)

Du möchtest einen Text verbessern lassen. Auf dem Dokument stehen Name, Adresse und Unterschrift. Was ist der beste erste Schritt? (Unnötige persönliche Angaben entfernen oder unkenntlich machen) (!Das komplette Dokument sofort hochladen) (!Noch die Telefonnummer ergänzen) (!Die Daten mehrerer Personen hinzufügen)

Warum reicht ein großer Datensatz allein nicht für gute KI-Ergebnisse? (Auch große Datensätze können Fehler, Lücken oder Verzerrungen enthalten) (!Große Datensätze sind immer vollständig) (!Ab einer bestimmten Größe sind Labels unwichtig) (!Viele Daten machen Quellenkritik überflüssig)

Eine KI nennt eine überraschende Zahl ohne nachvollziehbare Quelle. Was solltest Du tun? (Die Aussage mit geeigneten unabhängigen Quellen prüfen) (!Die Zahl übernehmen, weil sie präzise klingt) (!Nur die längste KI-Antwort auswählen) (!Die Quelle selbst erfinden)

Was bedeutet Datenminimierung in einer Schulaufgabe am besten? (Nur die für den Zweck nötigen Daten verwenden) (!Möglichst viele Daten sammeln, falls sie später nützlich sind) (!Persönliche Daten immer öffentlich teilen) (!Jede Aufgabe mit vollständigem Namen beginnen)

Wann ist ein Label besonders kritisch zu prüfen? (Wenn es eine menschliche Bewertung wie geeignet oder ungeeignet enthält) (!Wenn die Tabelle genau fünf Spalten hat) (!Wenn das Wort sehr kurz ist) (!Wenn alle Zeilen nummeriert sind)

Was ist bei einer wichtigen KI-Empfehlung die verantwortungsvollste Haltung? (Das Ergebnis prüfen und die Entscheidung begründet selbst treffen) (!Die Entscheidung vollständig an die KI abgeben) (!Nur Ergebnisse akzeptieren, die schnell erscheinen) (!Widersprüche ignorieren)

Memory

Datenminimierung	Nur erforderliche Angaben verwenden
Repräsentativität	Wichtige Gruppen und Situationen angemessen abbilden
Label	Zuordnung oder Kennzeichnung eines Beispiels
Pseudonymisierung	Echten Namen durch eine Ersatzbezeichnung ersetzen
Verzerrung	Systematische Schieflage in Daten oder Ergebnissen
Quellenkritik	Herkunft und Zuverlässigkeit einer Aussage prüfen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Daten erkennen	Persönliche und technische Angaben finden
Auswahl prüfen	Fehlende oder überrepräsentierte Gruppen entdecken
Transparenz klären	Herkunft und Zweck der Daten untersuchen
Labels testen	Zuordnungen auf Fehler und unklare Kriterien prüfen
Ergebnisse prüfen	KI-Ausgaben mit Daten und Quellen vergleichen
Nur Nötiges nutzen	Unnötige persönliche Angaben weglassen

Kreuzworträtsel

Datenminimierung	Wie heißt das Prinzip, nur für den Zweck erforderliche Daten zu verwenden?
Pseudonym	Wie heißt eine Ersatzbezeichnung, die einen echten Namen ersetzen kann?
Verzerrung	Wie nennt man eine systematische Schieflage in Daten oder Ergebnissen?
Herkunft	Was solltest Du bei Daten und Quellen klären, um ihren Ursprung zu verstehen?
Einwilligung	Wie heißt eine mögliche freiwillige Zustimmung zur Verarbeitung persönlicher Daten?
Repräsentativität	Wie heißt die Eigenschaft eines Datensatzes, wichtige Gruppen angemessen abzubilden?

LearningApps

Lückentext

Persönliche Daten beziehen sich auf eine bestimmte oder bestimmbare

.

Bei der Datenminimierung verwendest Du nur Angaben, die für einen klaren

nötig sind.

Ein Datensatz sollte wichtige Gruppen und Situationen möglichst angemessen

.

Eine falsche oder uneinheitliche Zuordnung in Trainingsdaten kann ein fehlerhaftes

sein.

Wenn bestimmte Gruppen im Datensatz fehlen, kann eine systematische

entstehen.

Vor einer KI-Eingabe kannst Du einen echten Namen durch ein

ersetzen.

Eine KI-Ausgabe sollte bei wichtigen Aussagen mit geeigneten

überprüft werden.

Bei einem kleinen Datensatz helfen Tabellen und Balken, Verteilungen zu

.

Auch ein sehr großer Datensatz kann Lücken und

enthalten.

Bei wichtigen Entscheidungen soll der Mensch die Verantwortung nicht einfach an eine

abgeben.

Offene Aufgaben

Leicht

Datenampel: Erstelle drei fiktive Karten mit den Farben Grün, Gelb und Rot. Ordne erfundene Angaben danach, ob sie für eine Lernaufgabe meist unproblematisch, prüfbedürftig oder besonders schützenswert sind. Begründe jede Zuordnung.
Datensparsame Eingabe: Schreibe eine zu persönliche Beispielanfrage an eine KI und überarbeite sie so, dass der Lernzweck erhalten bleibt, aber unnötige Angaben verschwinden.
Datenfehler finden: Erfinde eine Tabelle mit sechs Fällen und baue zwei erkennbare Fehler ein. Tausche die Tabelle mit einer anderen Person und lass die Fehler finden.
Medienbeobachtung: Untersuche ein digitales Gerät zu Hause oder in der Schule ohne private Einstellungen zu verändern. Notiere, welche Arten von Daten für verschiedene Funktionen denkbar sind, und trenne Vermutung von gesicherter Information.

Standard

Mini-Datensatz: Erstelle mit fiktiven Daten einen Datensatz aus acht Fällen. Sorge bewusst für eine unausgewogene Gruppe. Visualisiere die Verteilung und erkläre, warum sie die Aussagekraft begrenzen kann.
Label-Werkstatt: Formuliere drei klare und drei unklare Labels. Erkläre, welche Kriterien nötig wären, damit verschiedene Personen möglichst ähnlich entscheiden.
Quellencheck: Wähle eine sachliche Aussage aus einem KI-Text und prüfe sie mit mindestens zwei geeigneten unabhängigen Quellen. Dokumentiere, ob die Aussage bestätigt, eingeschränkt oder widerlegt wird.
Fairnessrat: Spielt in einer Gruppe ein Entscheidungsgremium. Eine KI empfiehlt, wer an einem Projekt teilnehmen soll. Entwickelt Kriterien, wie Menschen die Empfehlung prüfen, Betroffene anhören und eine begründete Entscheidung treffen.

Schwer

Bias-Experiment: Erstelle zwei fiktive Trainingsdatensätze mit demselben Thema, aber unterschiedlicher Gruppenverteilung. Beschreibe, welche verschiedenen Regeln eine einfache KI daraus lernen könnte.
Datenschutzkonzept: Entwickle für ein fiktives Klassenprojekt einen Plan mit Zweck, benötigten Daten, Datenminimierung, Verantwortlichkeit, Löschung und einer Regel für den Fall, dass jemand nicht teilnehmen möchte.
KI-Audit: Prüfe eine erfundene KI-Entscheidung systematisch mit dem DATEN-Check. Schreibe einen kurzen Prüfbericht mit Stärken, Risiken, offenen Fragen und Verbesserungsvorschlägen.
Transferfall: Erfinde eine neue Situation außerhalb der Schule, in der eine KI persönliche Daten verarbeiten könnte. Triff selbstständig eine Entscheidung zur Nutzung und begründe sie mit Datenqualität, Fairness, Sicherheit, Transparenz und menschlicher Verantwortung.

Lernkontrolle

Transfer Datenschutz: Eine Sportgruppe möchte eine KI einsetzen, um Trainingsvorschläge zu erstellen. Entwirf eine datensparsame Eingabe und begründe, welche Angaben Du bewusst weglässt.
Transfer Datenqualität: Du erhältst einen Datensatz mit vielen fehlenden Werten und sehr ungleich großen Gruppen. Erkläre, welche Schlussfolgerungen Du noch ziehen würdest und welche nicht.
Transfer Labels: Zwei Personen bewerten dieselben Texte unterschiedlich als „freundlich“ oder „unfreundlich“. Entwickle Regeln, die die Labels nachvollziehbarer machen, und nenne eine Grenze dieser Regeln.
Transfer Fairness: Eine KI empfiehlt immer diejenigen, die schon früher erfolgreich waren. Erkläre, warum das unfair werden kann, und entwirf einen besseren Entscheidungsprozess.
Transfer Quellenkritik: Eine KI nennt eine überraschende Behauptung mit einer angeblichen Quelle. Beschreibe Schritt für Schritt, wie Du prüfst, ob Behauptung und Quelle wirklich zusammenpassen.
Transfer Human Agency: Formuliere für eine neue KI-Situation eine Entscheidung mit dem Muster „Ich nutze die KI für …, ich gebe nicht ein …, ich prüfe …, und die letzte Entscheidung trifft …“. Begründe jeden Teil.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst, sondern einen neuen Fall selbstständig beurteilst.

Persönliche Daten erkennen: Du unterscheidest notwendige von unnötigen oder besonders sensiblen Angaben.
Daten minimieren: Du veränderst eine Eingabe so, dass sie ihren Zweck erfüllt und weniger persönliche Informationen enthält.
Datenqualität prüfen: Du untersuchst Vollständigkeit, Korrektheit, Aktualität und Zweckbezug.
Repräsentativität beurteilen: Du erkennst, wenn wichtige Gruppen oder Situationen fehlen.
Labels hinterfragen: Du prüfst, wer ein Label vergeben hat und nach welchen Kriterien.
Verzerrungen erklären: Du beschreibst, wie Auswahl und historische Entscheidungen KI-Ergebnisse beeinflussen können.
Quellen prüfen: Du vergleichst wichtige Aussagen mit geeigneten, nachvollziehbaren Quellen.
Verantwortung übernehmen: Du begründest, wann Du einer KI-Empfehlung folgst, wann Du sie ablehnst und welche menschliche Entscheidung nötig bleibt.

OERs zum Thema

Die folgenden offenen oder öffentlich zugänglichen Angebote eignen sich zur Vertiefung.

Bundeszentrale für politische Bildung: Was weiß dein Handy? Kindgerecht erklärt – Erklärfilm unter CC BY-SA 4.0.
Studio im Netz: Der Umgang mit Daten – kindgerecht erklärt – Materialien und Lernspiele unter CC BY-SA 4.0.
klicksafe: Bleib Safe! 5 Tipps für KI im Schulalltag – Hinweise zu Faktencheck, Datenschutz und selbstständigem Denken.
Wikimedia Commons: Artificial intelligence icons – frei lizenzierte oder gemeinfreie Medien mit jeweiligem Lizenzhinweis.

Verknüpfte Lernbereiche

KI und persönliche Daten kontrollieren

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache