Diesen aiMOOC als Battle spielen: Deutsch, Klasse 9-10, G-Niveau

Stichproben und Repräsentativität prüfen

Zielgruppe: Schule, Schwerpunkt Klasse 9 Zeitbedarf: ca. 45–90 Minuten Schwerpunkte: Statistik, Datenkompetenz, Künstliche Intelligenz, Medienbildung, Quellenkritik, Fairness, Demokratiebildung

Einleitung

Daten begegnen Dir überall: in Umfragen, Diagrammen, Nachrichten, Produktbewertungen, Qualitätskontrollen und in Systemen der Künstlichen Intelligenz. Doch ein Datensatz zeigt nie automatisch „die Wirklichkeit“. Er zeigt zunächst nur das, was erhoben, ausgewählt, gemessen und beschriftet wurde.

Eine zentrale Frage lautet deshalb:

Darf man aus den untersuchten Fällen wirklich auf die größere Gruppe schließen, über die eine Aussage gemacht wird?

Dafür musst Du nicht nur Prozentwerte berechnen. Du musst prüfen, wer in den Daten vorkommt, wer fehlt, wie ausgewählt wurde, wie Merkmale und Labels entstanden sind, welche Fehlerquellen möglich sind und wie sicher die Schlussfolgerung tatsächlich ist.

Eine Stichprobe ist ein untersuchter Teil einer größeren Grundgesamtheit. Wenn zum Beispiel alle 600 Schülerinnen und Schüler einer Schule die Grundgesamtheit bilden, können 60 ausgewählte Personen eine Stichprobe sein.

Entscheidend ist nicht nur die Zahl 60. Wichtig ist vor allem, wie diese 60 Personen ausgewählt wurden.

Was Du am Ende können sollst

Nach diesem Lernkurs kannst Du eine Datenerhebung nicht nur beschreiben, sondern begründet bewerten.

Grundgesamtheit: Du bestimmst, für welche Gruppe eine Aussage gelten soll.
Stichprobe: Du untersuchst, wie die untersuchten Fälle ausgewählt wurden.
Repräsentativität: Du prüfst, ob wichtige Teile der Grundgesamtheit angemessen berücksichtigt sind.
Datenqualität: Du achtest auf fehlende, falsche, veraltete oder uneindeutige Daten.
Verzerrung: Du erkennst systematische Fehler wie Selbstselektion, Unterabdeckung oder einseitige Fragestellungen.
Künstliche Intelligenz: Du überträgst die Prüfung auf Trainingsdaten, Testdaten und Labels.
Urteilsbildung: Du verbindest Daten, Methode, Unsicherheit, gesellschaftliche Folgen und Verantwortung zu einem begründeten Urteil.

Ablauf für 1–2 Unterrichtsstunden

Phase	Zeit	Aktivität	Ziel
Aktivierung und Diagnose	5–8 Min.	Zwei widersprüchliche Umfrageergebnisse vergleichen	Vorwissen und spontane Kriterien sichtbar machen
Einführung	10–12 Min.	Grundgesamtheit, Stichprobe, Auswahl und Repräsentativität	Begriffe verstehen und miteinander verknüpfen
Datenwerkstatt	15–20 Min.	Kleinen Datensatz prüfen und visualisieren	Datenqualität und Verzerrung analysieren
Mini-Experiment	8–12 Min.	Zufällige und nichtzufällige Auswahl vergleichen	Stichprobenfehler praktisch erfahren
Anwendung	10–15 Min.	Schulentscheidung oder KI-Datensatz bewerten	Kriterien auf reale Systeme übertragen
Reflexion und Selbstkontrolle	8–15 Min.	Quiz, Urteilsmatrix und Transfer	Begründetes Urteil formulieren

Für 45 Minuten kannst Du nach der Datenwerkstatt direkt zur Urteilsmatrix und zur Reflexion springen. Für 90 Minuten bearbeitest Du zusätzlich Experiment, historischen Fall und KI-Anwendung.

Aktivierung und Diagnose

Stell Dir vor, die Schülervertretung möchte wissen, ob an der Schule eine Fahrrad-Reparaturstation eingerichtet werden soll.

Umfrage A: 20 Personen werden morgens direkt am Fahrradständer angesprochen. 17 stimmen dafür. Ergebnis: 85 % Zustimmung.

Umfrage B: 40 Personen werden zufällig aus Klassenlisten der Jahrgangsstufen 7 bis 10 ausgewählt. 24 stimmen dafür. Ergebnis: 60 % Zustimmung.

Beide Prozentwerte wurden rechnerisch korrekt bestimmt. Trotzdem liefern die Erhebungen nicht dieselbe Aussagekraft.

Diagnoseauftrag: Entscheide zunächst ohne Nachschlagen, welcher Erhebung Du eher vertrauen würdest. Notiere mindestens zwei Gründe. Markiere außerdem eine Information, die Dir für ein sicheres Urteil noch fehlt.

Erste Leitfrage

Ein hoher Prozentwert ist noch kein guter Beleg. Prüfe immer:

Grundbegriffe verstehen

Grundgesamtheit und Stichprobe

Die Grundgesamtheit ist die Menge aller Fälle, über die eine Aussage getroffen werden soll. Die Stichprobe ist die tatsächlich untersuchte Teilmenge.

Beispiel: Wenn eine Schule entscheiden möchte, wie die gesamte Schülerschaft ihren Schulweg erlebt, reicht eine Befragung nur einer einzigen Klasse meist nicht aus. Diese Klasse kann sich etwa bei Alter, Wohnort, Verkehrsmittel oder Stundenplan stark von anderen Klassen unterscheiden.

Eine Stichprobe ist deshalb immer auf eine konkrete Fragestellung bezogen. Eine Auswahl kann für ein Merkmal brauchbar sein und für ein anderes ungeeignet.

Repräsentativität ist keine Zauber-Eigenschaft

Im Alltag wird oft gesagt: „Die Umfrage ist repräsentativ.“ Fachlich ist diese Aussage ohne Zusatzinformationen zu ungenau. Wichtiger ist, ob das Auswahlverfahren zur Fragestellung passt, ob relevante Gruppen angemessen erfasst wurden und ob Fehler und Unsicherheiten transparent sind.

Merksatz: Eine große Stichprobe kann schlecht ausgewählt sein. Eine kleinere, gut geplante Stichprobe kann für eine bestimmte Frage deutlich aussagekräftiger sein.

Zufällige Auswahl

Bei einer Zufallsstichprobe wird die Auswahl nicht nach Bequemlichkeit oder persönlicher Entscheidung getroffen. Idealerweise besitzt jedes Element der Grundgesamtheit eine bekannte Auswahlchance.

Zufall hilft dabei, systematische Bevorzugungen zu vermeiden. Er verhindert aber nicht jeden Fehler. Auch eine echte Zufallsstichprobe kann zufällig etwas vom tatsächlichen Anteil in der Grundgesamtheit abweichen.

Geschichtete Auswahl

Wenn bekannte Teilgruppen für die Fragestellung wichtig sind, kann eine geschichtete Zufallsstichprobe sinnvoll sein. Dabei wird die Grundgesamtheit zunächst in Schichten eingeteilt, zum Beispiel in Jahrgangsstufen. Innerhalb jeder Schicht wird anschließend zufällig ausgewählt.

Eine Schichtung ist besonders nützlich, wenn bestimmte Gruppen in einer einfachen Zufallsauswahl sonst nur mit sehr wenigen Fällen vertreten sein könnten.

Systematische und Klumpen-Auswahl

Weitere Verfahren können praktisch sein, müssen aber zur Fragestellung passen.

Bei einer systematischen Auswahl wird zum Beispiel nach einem zufälligen Start jeder zehnte Fall gewählt. Das kann funktionieren, solange die Reihenfolge selbst kein regelmäßiges Muster enthält, das die Auswahl verzerrt.

Bei einer Klumpenstichprobe werden ganze Gruppen ausgewählt, zum Beispiel einige Schulklassen. Das spart Aufwand, kann aber problematisch sein, wenn die ausgewählten Klassen untereinander sehr verschieden sind.

Typische Verzerrungen erkennen

Auswahlverzerrung

Eine Auswahlverzerrung entsteht, wenn manche Teile der Grundgesamtheit systematisch bessere Chancen haben, in die Stichprobe zu gelangen.

Beispiel: Wer nur Personen am Fahrradständer befragt, wird vermutlich mehr Radfahrende erreichen als eine zufällige Auswahl aus der ganzen Schule.

Selbstselektion

Bei freiwilligen Online-Umfragen entscheiden Teilnehmende selbst, ob sie mitmachen. Menschen mit besonders starken Meinungen beteiligen sich häufig eher als andere.

Eine offene Umfrage kann deshalb gut zeigen, was die Teilnehmenden denken. Sie erlaubt aber nicht automatisch eine verlässliche Aussage darüber, was alle denken.

Unterabdeckung

Unterabdeckung bedeutet, dass ein Teil der Zielgruppe praktisch keine Chance hat, in die Stichprobe zu gelangen.

Beispiel: Eine Umfrage wird ausschließlich über einen digitalen Kanal verbreitet, den manche Betroffene kaum oder gar nicht nutzen.

Nonresponse

Auch wenn eine Auswahl zunächst gut geplant wurde, kann die tatsächliche Stichprobe verzerrt werden, wenn bestimmte ausgewählte Personen besonders häufig nicht antworten.

Deshalb gehört zur Bewertung einer Umfrage nicht nur die Zahl der Antworten. Wichtig ist auch, wie viele Menschen eingeladen wurden und ob sich Antwortende und Nichtantwortende möglicherweise unterscheiden.

Frageformulierung und Messfehler

Deutsch und Statistik treffen hier direkt aufeinander.

Vergleiche:

„Soll unsere Schule endlich eine dringend benötigte Fahrradstation bekommen?“

und

„Soll die Schule Geld für eine Fahrrad-Reparaturstation bereitstellen?“

Die erste Formulierung enthält bereits eine Wertung. Solche sprachlichen Hinweise können Antworten beeinflussen.

Eine gute Datenerhebung prüft deshalb nicht nur die Auswahl der Personen, sondern auch die Qualität der Fragen und Messinstrumente.

Zufälliger Fehler und systematische Verzerrung

Zufällige Streuung bedeutet, dass Stichprobenergebnisse von Ziehung zu Ziehung schwanken. Bei größeren geeigneten Zufallsstichproben wird diese zufällige Unsicherheit meist kleiner.

Systematische Verzerrung bedeutet dagegen, dass das Verfahren Ergebnisse dauerhaft in eine bestimmte Richtung verschiebt. Mehr Fälle lösen dieses Problem nicht automatisch.

Datenwerkstatt: Einen kleinen Datensatz prüfen

Eine Schule mit 600 Lernenden untersucht die Unterstützung für eine Fahrrad-Reparaturstation. Die Jahrgangsverteilung der Schule ist bekannt:

Jahrgang	Lernende	Anteil an der Schule
7	180	30 %
8	160	ca. 27 %
9	140	ca. 23 %
10	120	20 %

Eine offene Online-Umfrage liefert folgende 20 Antworten:

ID	Jahrgang	Schulweg	Zustimmung
1	7	Bus	Nein
2	8	Fahrrad	Ja
3	8	Bus	Nein
4	9	Fahrrad	Ja
5	9	Fahrrad	Ja
6	9	Fahrrad	Ja
7	9	Fahrrad	Ja
8	9	Fahrrad	Ja
9	9	Fahrrad	Ja
10	9	Fahrrad	Ja
11	9	Fahrrad	Ja
12	9	Bus	Ja
13	9	Bus	Nein
14	9	Zu Fuß	Nein
15	10	Fahrrad	Ja
16	10	Fahrrad	Ja
17	10	Bus	Ja
18	10	Bus	Nein
19	10	Zu Fuß	Nein
20	10	Auto	Nein

Auftrag 1: Rechnen

Bestimme den Anteil der Zustimmung in der Stichprobe. Berechne anschließend, wie stark die Jahrgänge 7, 8, 9 und 10 in der Stichprobe vertreten sind.

Auftrag 2: Vergleichen

Vergleiche die Jahrgangsanteile der Stichprobe mit den Anteilen der gesamten Schule.

Jahrgang	Anteil Grundgesamtheit	Anteil Stichprobe	Bewertung
7	30 %	selbst berechnen	unter-, über- oder passend vertreten?
8	ca. 27 %	selbst berechnen	unter-, über- oder passend vertreten?
9	ca. 23 %	selbst berechnen	unter-, über- oder passend vertreten?
10	20 %	selbst berechnen	unter-, über- oder passend vertreten?

Auftrag 3: Visualisieren

Erstelle aus den beiden Verteilungen ein Balkendiagramm. Verwende für Grundgesamtheit und Stichprobe dieselbe Skala. Prüfe danach: Welche Abweichung springt sofort ins Auge?

Eine einfache textbasierte Vorschau kann so aussehen:

Jahrgang	Grundgesamtheit	Stichprobe
7	███████████████	nach Deiner Berechnung
8	█████████████	nach Deiner Berechnung
9	████████████	nach Deiner Berechnung
10	██████████	nach Deiner Berechnung

Auftrag 4: Datenqualität statt nur Prozentrechnung

Beantworte zusätzlich:

Welche Personen konnten die offene Online-Umfrage überhaupt sehen?
Warum könnten besonders interessierte Personen häufiger antworten?
Reicht die Jahrgangsverteilung aus, um Repräsentativität zu beurteilen?
Welche weiteren Merkmale könnten mit der Haltung zur Fahrradstation zusammenhängen?
Welche Information über Nichtteilnehmende fehlt?
Welche Aussage darfst Du sicher über die 20 Antwortenden machen?
Welche Aussage über alle 600 Lernenden wäre deutlich unsicherer?

Mini-Experiment: Ziehen verändert Ergebnisse

Dieses Experiment funktioniert ohne Computer.

Material: 40 gleichartige gefaltete Zettel. Auf 24 steht A, auf 16 steht B.

Durchführung:

Eine Gruppe mischt die Zettel gründlich und zieht acht Zettel blind.
Eine zweite Gruppe erhält einen Stapel, bei dem viele A-Zettel oben liegen, und nimmt einfach die obersten acht.
Beide Gruppen berechnen ihren A-Anteil.
Wiederholt den Versuch mehrfach.
Vergleicht die Ergebnisse mit dem tatsächlichen Anteil von A in allen 40 Zetteln.

Auswertung: Unterscheide zwischen zufälliger Schwankung und einer Verzerrung durch das Auswahlverfahren.

Wichtig: Eine einzelne Zufallsstichprobe muss nicht exakt den wahren Anteil treffen. Über mehrere Wiederholungen erkennst Du aber, dass ein systematisch einseitiges Auswahlverfahren ein anderes Problem erzeugt als bloßer Zufall.

Historischer Fall: Viele Daten, falsche Vorhersage

1936 führte das US-Magazin The Literary Digest eine sehr große Wahlumfrage durch. Millionen Fragebögen wurden verschickt, und mehr als zwei Millionen Antworten gingen ein. Trotzdem sagte die Umfrage den falschen Sieger der US-Präsidentschaftswahl voraus.

Die Größe der Stichprobe schützte nicht vor methodischen Problemen. Teile der Auswahl beruhten unter anderem auf Listen, die wohlhabendere Bevölkerungsgruppen überrepräsentierten. Zusätzlich antworteten nicht alle angeschriebenen Personen mit gleicher Wahrscheinlichkeit. Damit zeigt der Fall besonders deutlich:

Viele Daten sind nicht automatisch gute Daten.

Für Geschichte, Gemeinschaftskunde und Medienbildung ist das Beispiel wichtig, weil Umfragen öffentliche Erwartungen, politische Kommunikation und Berichterstattung beeinflussen können.

Quellenkritische Leitfragen zu Umfragen in Medien

Wenn Du eine Schlagzeile wie „72 % der Jugendlichen wollen …“ siehst, prüfe:

Wer hat die Erhebung durchgeführt?
Wie ist die Zielgruppe definiert?
Wie viele Personen wurden ausgewählt?
Wie wurden sie ausgewählt?
Wie viele haben tatsächlich geantwortet?
Wann wurde erhoben?
Wie lautete die konkrete Frage?
Wurden Daten gewichtet?
Wird eine Unsicherheit angegeben?
Passt die Schlagzeile wirklich zu den Daten?

Stichproben in KI-Systemen

Auch ein Trainingsdatensatz für ein KI-System ist eine Auswahl aus einer viel größeren möglichen Welt von Fällen.

Ein Bilderkennungsmodell sieht nicht „alle Bilder“. Ein Sprachmodell sieht nicht „alle möglichen Texte“. Ein schulisches Empfehlungssystem sieht nicht „alle möglichen Lernverläufe“. Es lernt aus Daten, die ausgewählt, gespeichert, gefiltert und oft mit Labels versehen wurden.

Die Abbildung zeigt eine zufällige Aufteilung eines vorhandenen Datensatzes in Teilmengen. Das ist nützlich, beantwortet aber noch nicht die wichtigere Frage:

Ist der ursprüngliche Datensatz selbst geeignet, die reale Anwendung abzubilden?

Wenn der Ausgangsdatensatz einseitig ist, bleiben Trainings- und Testdaten möglicherweise beide einseitig.

Labels sind Entscheidungen

Ein Label ist eine zugeordnete Kategorie oder Zielangabe, zum Beispiel „korrekt“, „fehlerhaft“, „benötigt Unterstützung“ oder „kein Unterstützungsbedarf“.

Labels können problematisch sein, wenn:

Regeln unklar sind,
verschiedene Personen dieselben Fälle unterschiedlich bewerten,
alte Entscheidungen unkritisch übernommen werden,
wichtige Zwischenstufen in zu grobe Kategorien gepresst werden,
gesellschaftliche Vorurteile in frühere Entscheidungen eingeflossen sind.

Deshalb muss bei KI-Daten nicht nur gefragt werden: „Wie viele Beispiele gibt es?“, sondern auch: „Wie wurden diese Beispiele ausgewählt und wie entstanden ihre Labels?“

Realistische Anwendungssituation: Lernsoftware verteilt Förderhinweise

Eine Schule testet eine Software, die aus bisherigen Aufgabenbearbeitungen vorhersagen soll, wer zusätzliche Übungen erhalten soll.

Der historische Datensatz enthält vor allem Daten aus Mathematikkursen, in denen die Lernplattform regelmäßig genutzt wurde. Einige Klassen nutzten sie kaum. Das Label „braucht Förderung“ wurde aus früheren Lehrkraftentscheidungen übernommen.

Bevor die Schule das System nutzt, muss sie mindestens prüfen:

Sind alle relevanten Klassen und Leistungsniveaus ausreichend vertreten?
Fehlen Lernende, die die Plattform selten nutzen?
Wurde „braucht Förderung“ nach einheitlichen Kriterien vergeben?
Funktioniert das System in verschiedenen Gruppen ähnlich gut?
Welche Fehler sind besonders problematisch: unnötige Förderung oder übersehener Förderbedarf?
Wer überprüft eine Empfehlung?
Können Betroffene eine Entscheidung nachvollziehen und korrigieren lassen?

Human Agency bedeutet hier: Das System liefert Hinweise, aber Menschen behalten Verantwortung, prüfen die Datengrundlage und können Entscheidungen ändern.

Datenqualität systematisch prüfen

Eine gute Bewertung betrachtet mehrere Ebenen gleichzeitig.

Prüffeld	Leitfrage	Typisches Risiko
Ziel	Für wen oder was soll die Aussage gelten?	unklare Grundgesamtheit
Auswahl	Wie gelangen Fälle in die Stichprobe?	Auswahlverzerrung
Abdeckung	Wer kann gar nicht ausgewählt werden?	Unterabdeckung
Beteiligung	Wer antwortet oder liefert Daten?	Selbstselektion und Nonresponse
Messung	Wird das gewünschte Merkmal wirklich gemessen?	Messfehler
Sprache	Ist die Frage neutral und verständlich?	Framing und Suggestion
Vollständigkeit	Fehlen Werte oder ganze Gruppen?	Lücken
Aktualität	Passen die Daten noch zur heutigen Situation?	veraltete Daten
Labels	Sind Kategorien nachvollziehbar und konsistent?	Label-Verzerrung
Vergleichbarkeit	Wurden Fälle nach denselben Regeln erhoben?	uneinheitliche Messung
Unsicherheit	Wie stark kann das Ergebnis schwanken?	Scheingenauigkeit
Transparenz	Sind Quelle, Methode und Grenzen dokumentiert?	unbegründetes Vertrauen

Repräsentativität mit einem Kriterienraster beurteilen

Nutze für ein begründetes Urteil das folgende Raster. Vergib pro Kriterium 0, 1 oder 2 Punkte.

Kriterium	0 Punkte	1 Punkt	2 Punkte
Zielpopulation	unklar	teilweise definiert	klar und passend definiert
Auswahlverfahren	willkürlich oder unbekannt	teilweise nachvollziehbar	passend und nachvollziehbar
Abdeckung wichtiger Gruppen	deutliche Lücken	kleinere Lücken	relevante Gruppen angemessen berücksichtigt
Rücklauf und fehlende Daten	unbekannt	teilweise dokumentiert	dokumentiert und kritisch geprüft
Messung und Labels	unklar oder uneinheitlich	teilweise geprüft	klare Regeln und Qualitätskontrolle
Transparenz und Unsicherheit	fehlen	teilweise angegeben	offen dokumentiert und angemessen erklärt

Achtung: Die Punktzahl ist nur eine Denkstütze. Ein schwerer methodischer Fehler kann wichtiger sein als die Summe. Wenn zum Beispiel eine zentrale Gruppe vollständig fehlt, ist ein hoher Gesamtwert kein Freibrief.

Urteil in vier Schritten

Behauptung prüfen: Was genau wird behauptet?
Belege prüfen: Welche Daten stützen die Behauptung?
Methode prüfen: Wie wurden diese Daten erzeugt?
Urteil begründen: Wie weit reicht die Aussage und welche Unsicherheit bleibt?

Eine gute Formulierung könnte lauten:

„Die Daten liefern einen Hinweis auf …, aber keine sichere Aussage über …, weil … . Besonders problematisch ist … . Für eine belastbarere Entscheidung wäre … nötig.“

Risiko, Fairness und Verantwortung

Nicht jede Stichprobe muss gleich streng geprüft werden. Entscheidend ist auch, welche Folgen ein Fehler hätte.

Anwendung	mögliches Schadensniveau	angemessene Prüfung
Abstimmung über ein Klassenspiel	eher gering	einfache transparente Befragung kann ausreichen
Entscheidung über Schulangebote	mittel	mehrere Gruppen berücksichtigen, Methode dokumentieren
politische Meinungsumfrage	gesellschaftlich relevant	Auswahl, Gewichtung, Rücklauf und Unsicherheit offenlegen
KI-Empfehlung mit Einfluss auf Bildungschancen	hoch	Daten- und Labelprüfung, Gruppenvergleich, menschliche Kontrolle, Korrekturmöglichkeit

Fairness bedeutet nicht automatisch, dass alle Gruppen exakt gleich groß sein müssen. Entscheidend ist, ob die Datengrundlage für die konkrete Aufgabe angemessen ist und ob systematische Nachteile erkannt und begrenzt werden.

Fächerübergreifende Bezüge

Mathematik

Du arbeitest mit Anteilen, Prozentwerten, Verteilungen, Zufall, Streuung und einfachen Vergleichen zwischen Stichprobe und Grundgesamtheit.

Informatik

Du untersuchst Datensätze als Grundlage digitaler Systeme. Dabei spielen Auswahl, Trainingsdaten, Testdaten, Labels, Dokumentation und Fehleranalyse eine Rolle.

Deutsch

Du analysierst Frageformulierungen, Framing, Schlagzeilen und die sprachliche Darstellung von Unsicherheit.

Technik

In der Qualitätskontrolle werden häufig nur einige Werkstücke geprüft. Eine ungünstige Stichprobe kann Fehler übersehen, wenn zum Beispiel nur Produkte einer einzigen Produktionsphase getestet werden.

Wirtschaft

Marktforschung nutzt Stichproben, um Nachfrage oder Kundenzufriedenheit einzuschätzen. Schlechte Auswahl kann zu falschen Investitionsentscheidungen führen.

Geschichte

Historische Umfragen wie die US-Wahlumfrage von 1936 zeigen, dass methodische Fehler auch bei riesigen Datenmengen zu falschen Prognosen führen können.

Ethik

Du bewertest, welche Folgen Datenfehler für Menschen haben können, wer Verantwortung trägt und wie faire Korrekturmöglichkeiten gestaltet werden.

Gemeinschaftskunde

Meinungsumfragen beeinflussen öffentliche Debatten. Deshalb sind Transparenz, Quellenkritik und das Verständnis statistischer Grenzen wichtig für demokratische Urteilsbildung.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welche Aussage beschreibt eine Grundgesamtheit am besten? (Alle Fälle, über die eine Aussage getroffen werden soll) (!Nur die Personen, die auf eine Umfrage geantwortet haben) (!Nur besonders typische Fälle) (!Die größte Gruppe innerhalb einer Stichprobe)

Warum kann eine sehr große Stichprobe trotzdem irreführend sein? (Weil ein systematisch verzerrtes Auswahlverfahren durch Größe nicht automatisch repariert wird) (!Weil große Stichproben grundsätzlich ungenauer sind) (!Weil Prozentwerte nur bei kleinen Stichproben erlaubt sind) (!Weil Zufall nur bei weniger als zehn Fällen funktioniert)

Was ist ein Vorteil einer geeigneten Zufallsauswahl? (Sie verringert die Gefahr systematischer Bevorzugung bei der Auswahl) (!Sie garantiert exakt den wahren Prozentwert) (!Sie beseitigt jeden Messfehler) (!Sie macht die Definition der Zielgruppe unnötig)

Was ist ein typisches Beispiel für Selbstselektion? (Eine offene Online-Umfrage, an der Interessierte freiwillig teilnehmen) (!Eine zufällige Ziehung aus einer vollständigen Klassenliste) (!Eine Messung mit demselben Gerät bei allen Fällen) (!Eine geschichtete Zufallsauswahl nach Jahrgang)

Was bezeichnet Nonresponse? (Ausgewählte Personen antworten nicht auf die Erhebung) (!Eine Frage enthält vier Antwortmöglichkeiten) (!Ein Datensatz wurde doppelt gespeichert) (!Eine Stichprobe wurde zufällig gezogen)

Warum kann eine suggestive Frage die Datenqualität verschlechtern? (Sie kann Antworten durch ihre Formulierung beeinflussen) (!Sie macht die Stichprobe automatisch größer) (!Sie erhöht die Zahl der Jahrgangsstufen) (!Sie verhindert jede Datenspeicherung)

Welche Aussage zu Labels in KI-Datensätzen ist richtig? (Labels können selbst fehlerhaft oder verzerrt sein) (!Labels entstehen immer objektiv) (!Labels ersetzen die Prüfung der Stichprobe) (!Labels sind nur bei Bildern relevant)

Welche Information ist für die Bewertung einer Umfrage besonders wichtig? (Wie die Teilnehmenden ausgewählt wurden) (!Welche Schriftart das Diagramm verwendet) (!Ob das Ergebnis eine runde Zahl ergibt) (!Ob die größte Zahl zuerst genannt wird)

Welche Aussage passt am besten zu Repräsentativität? (Sie muss bezogen auf Zielgruppe, Auswahl und Fragestellung geprüft werden) (!Sie ist ab hundert Antworten automatisch gegeben) (!Sie hängt nur von der Länge des Fragebogens ab) (!Sie kann allein am Prozentwert erkannt werden)

Was ist bei einer folgenreichen KI-Entscheidung besonders wichtig? (Datenprüfung, Transparenz und menschliche Kontrollmöglichkeit) (!Möglichst viele Entscheidungen ohne Prüfung zu automatisieren) (!Nur die Genauigkeit für die größte Gruppe zu betrachten) (!Fehler nicht zu dokumentieren)

Memory

Grundgesamtheit	Menge aller Fälle der Zielaussage
Zufallsstichprobe	Auswahl mit zufälligem Mechanismus
Selbstselektion	freiwillige Teilnahme mit möglicher Verzerrung
Nonresponse	fehlende Antwort ausgewählter Fälle
Unterabdeckung	Teile der Zielgruppe sind kaum erreichbar
Labelqualität	Verlässlichkeit zugeordneter Kategorien
Transparenz	nachvollziehbare Dokumentation der Methode
Stichprobenfehler	zufällige Abweichung einer Auswahl

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Zielpopulation	Gruppe, für die die Aussage gelten soll
Auswahlverfahren	Regel, nach der Fälle in die Stichprobe gelangen
Selbstselektion	Personen entscheiden selbst über ihre Teilnahme
Messfehler	erhobener Wert bildet das gewünschte Merkmal nicht korrekt ab
Label-Verzerrung	zugeordnete Kategorien enthalten systematische Fehler
Human Agency	Menschen behalten Kontrolle und Verantwortung über Entscheidungen

Kreuzworträtsel

Stichprobe	Wie heißt der untersuchte Teil einer größeren Grundgesamtheit?
Zufall	Welches Prinzip hilft, persönliche Auswahlvorlieben zu vermeiden?
Verzerrung	Wie heißt ein systematischer Fehler in eine bestimmte Richtung?
Rücklauf	Wie nennt man den Anteil oder Umfang eingegangener Antworten?
Schichtung	Wie heißt die Aufteilung einer Grundgesamtheit in Teilgruppen vor der Auswahl?
Transparenz	Welcher Begriff bezeichnet eine nachvollziehbare Offenlegung der Methode?

LearningApps

Lückentext

Die Menge aller Fälle, über die eine Aussage getroffen werden soll, heißt

.

Der tatsächlich untersuchte Teil wird als

bezeichnet.

Eine zufällige Auswahl kann das Risiko einer systematischen

verringern.

Wenn Teilnehmende selbst entscheiden, ob sie an einer offenen Befragung teilnehmen, spricht man von

.

Wenn ausgewählte Personen nicht antworten, entsteht das Problem des

.

Eine große Fallzahl allein garantiert keine

.

In KI-Datensätzen müssen auch die zugeordneten

auf Qualität geprüft werden.

Eine wertende Frageformulierung kann einen

begünstigen.

Bei folgenreichen automatisierten Entscheidungen bleibt menschliche

wichtig.

Ein begründetes Urteil nennt neben dem Ergebnis auch Methode, Belege und

.

Offene Aufgaben

Leicht

Umfragecheck: Suche in einer Zeitung, Nachrichtenseite oder Schulveröffentlichung eine Prozentangabe aus einer Umfrage. Notiere, welche Informationen zur Stichprobe genannt werden und welche fehlen.
Balkendiagramm: Visualisiere die Jahrgangsverteilung aus der Datenwerkstatt so, dass Grundgesamtheit und Stichprobe direkt vergleichbar sind.
Frageformulierung: Schreibe zu einem Schulthema eine neutrale und eine bewusst suggestive Frage. Erkläre anschließend, wodurch sich ihre Wirkung unterscheiden könnte.
Stichprobenexperiment: Wiederhole das Zettel-Experiment mindestens fünfmal und dokumentiere die Schwankungen der Ergebnisse.

Standard

Schulumfrage planen: Entwickle für eine reale Schulfrage einen Stichprobenplan. Definiere Grundgesamtheit, Auswahlverfahren, gewünschte Gruppen und mögliche Ausfälle.
Datenqualitätsaudit: Prüfe einen kleinen selbst erhobenen Datensatz auf fehlende Werte, uneinheitliche Kategorien, Doppelungen und mögliche Verzerrungen.
Medienvergleich: Vergleiche zwei Berichte über dieselbe Umfrage. Untersuche, wie Überschrift, Diagramm und Unsicherheit dargestellt werden.
Interviewprojekt: Befrage eine Person aus Journalismus, Verwaltung, Wirtschaft oder Forschung dazu, wie dort Stichproben geprüft werden. Fasse die Antworten kritisch zusammen.

Schwer

KI-Datensatz: Entwirf einen kleinen fiktiven Trainingsdatensatz für ein schulisches Empfehlungssystem. Baue bewusst eine Verzerrung ein und lass eine andere Gruppe den Fehler finden.
Historische Quellenkritik: Recherchiere die Wahlumfrage von 1936 und erkläre, warum eine sehr große Zahl an Antworten die methodischen Probleme nicht ausglich.
Fairnessanalyse: Entwickle Kriterien, mit denen ein KI-System in verschiedenen Teilgruppen getestet werden sollte. Begründe, welche Fehler besonders folgenreich wären.
Entscheidungsvorlage: Schreibe für eine Schulleitung eine kurze Empfehlung zu einer geplanten Maßnahme. Nutze Daten, benenne Unsicherheiten und formuliere ausdrücklich, welche zusätzlichen Belege vor einer Entscheidung noch nötig sind.

Selbstkontrolle und Reflexion

Beantworte am Ende drei Sätze schriftlich:

Eine Stichprobe überzeugt mich, wenn …
Ein Warnsignal ist für mich …
Bei einer KI-gestützten Entscheidung würde ich zusätzlich prüfen …

Vergleiche Deine Antworten anschließend mit dem Kriterienraster. Ergänze mindestens einen Punkt, den Du zu Beginn des Kurses noch nicht genannt hattest.

Transfer: Vom Datensatz zum begründeten Urteil

Prüfe die folgende Aussage:

„In einer offenen Abstimmung auf der Schulplattform sprechen sich 82 % für eine neue Regel aus. Deshalb will die Schule die Regel für alle einführen.“

Formuliere kein vorschnelles Ja oder Nein. Entwickle stattdessen eine Belegkette:

Welche Grundgesamtheit ist gemeint?
Wer konnte an der Abstimmung teilnehmen?
Wer hat tatsächlich teilgenommen?
Welche Gruppen könnten fehlen?
Wie war die Frage formuliert?
Gibt es Vergleichsdaten?
Welche Folgen hätte eine Fehlentscheidung?
Welche zusätzliche Erhebung wäre angemessen?
Unter welchen Bedingungen würdest Du das Ergebnis als ausreichende Entscheidungsgrundlage ansehen?

Lernkontrolle

Methodenbewertung: Zwei Umfragen liefern 68 % und 54 % Zustimmung. Die erste befragt 2.000 freiwillige Besucher einer Themenseite, die zweite 400 zufällig ausgewählte Personen aus der Zielgruppe. Beurteile, welche Zahl für eine Verallgemeinerung stärker ist, und begründe Deine Entscheidung ohne Dich nur auf die Fallzahl zu stützen.
Fehlerdiagnose: Eine Schule befragt ausschließlich Schülerinnen und Schüler, die an einer freiwilligen Technik-AG teilnehmen, zur Einführung zusätzlicher Informatikstunden. Analysiere mindestens drei mögliche Verzerrungen und schlage ein besseres Design vor.
Daten-und-Label-Prüfung: Ein KI-System wurde mit historischen Bewertungen trainiert. Erkläre, warum eine repräsentative Auswahl allein noch nicht genügt, wenn die Labels uneinheitlich entstanden sind.
Risikobewertung: Vergleiche eine ungenaue Stichprobe für die Wahl eines Klassenfilms mit einer ungenauen Stichprobe für ein System, das Förderangebote verteilt. Begründe, warum die Anforderungen an Datenqualität unterschiedlich hoch sein sollten.
Quellenkritik: Eine Schlagzeile nennt einen Prozentwert, aber keine Stichprobengröße und kein Auswahlverfahren. Formuliere fünf konkrete Fragen, die Du vor einer Weiterverwendung der Aussage klären würdest.
Systembewertung: Entwickle ein Prüfverfahren für ein digitales Schulsystem, das Empfehlungen auf Basis vergangener Daten gibt. Berücksichtige Auswahl, fehlende Gruppen, Labels, Fehlerfolgen, Transparenz und menschliche Kontrolle.
Urteilsaufgabe: Nimm zu der Aussage Stellung: „Wenn ein Datensatz groß genug ist, wird er automatisch fair.“ Nutze mindestens drei fachliche Kriterien und ein Beispiel.

Lernnachweis

Für einen überzeugenden Lernnachweis solltest Du zeigen, dass Du nicht nur Begriffe kennst, sondern Daten und Methoden begründet beurteilen kannst.

Du definierst die relevante Grundgesamtheit eindeutig.
Du beschreibst das Auswahlverfahren nachvollziehbar.
Du vergleichst Stichprobe und Grundgesamtheit anhand geeigneter Merkmale.
Du erkennst mögliche Auswahl-, Beteiligungs-, Mess- und Label-Verzerrungen.
Du unterscheidest zufällige Unsicherheit von systematischen Fehlern.
Du verwendest Daten oder andere Belege für Deine Argumentation.
Du benennst Grenzen Deiner Aussage.
Du berücksichtigst mögliche Folgen für unterschiedliche Betroffene.
Du erklärst, welche zusätzliche Evidenz ein Urteil verbessern würde.
Du formulierst ein nachvollziehbares, abgewogenes Schlussurteil.

OERs zum Thema

Weitere frei zugängliche Vertiefung

Das englischsprachige Video vertieft Auswahlverfahren, Umfragen und Bias. Nutze es nicht nur zum Anschauen: Notiere bei jedem genannten Fehler, ob er durch eine größere Stichprobe gelöst werden könnte oder nicht.

Quellen und Medienhinweise

Die fachlichen Aussagen dieses Kurses orientieren sich an etablierten Grundlagen zu Stichprobenverfahren, Zufallsauswahl, Repräsentativität und Erhebungsfehlern.

Verknüpfte Lernbereiche

Stichproben und Repräsentativität prüfen

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache