Diesen aiMOOC als Battle spielen: Deutsch, Klasse 7-8, G-Niveau

Datenflüsse in KI-Systemen verstehen

Einleitung

Wenn ein KI-System ein Bild erkennt, eine Empfehlung abgibt oder eine Vorhersage macht, entsteht das Ergebnis nicht „einfach aus der KI“. Daten werden ausgewählt, erfasst, aufbereitet, dargestellt, manchmal mit Labels versehen, zum Lernen verwendet, getestet und später als neue Eingaben verarbeitet. An mehreren Stellen greifen Menschen ein. Genau deshalb ist es wichtig, den Datenfluss zu verstehen: Nur dann kannst Du beurteilen, wo Fehler, Verzerrungen oder Missverständnisse entstehen können und welche Entscheidungen besser bei Menschen bleiben.

Dieser aiMOOC richtet sich besonders an Klasse 8 und ist für etwa 1–2 Unterrichtsstunden ausgelegt. Du arbeitest mit kleinen, überschaubaren Datensätzen, Tabellen, einfachen Visualisierungen und realistischen Anwendungssituationen. Im Mittelpunkt stehen Datenqualität, Repräsentativität, Maschinelles Lernen, Labels, Fehlerquellen, mögliche Verzerrungen sowie eine sinnvolle Mensch-KI-Arbeitsteilung.

Am Ende sollst Du die Grundidee eines Datenflusses in einem KI-System sicher erklären, an einem neuen Beispiel wiedererkennen, einen kleinen Datensatz kritisch prüfen und typische Fehlvorstellungen korrigieren können. Dabei geht es nicht darum, möglichst schnell eine fertige KI-Lösung zu erzeugen. Es geht darum, selbstständig zu denken, Daten und Quellen zu prüfen, Werkzeuge passend auszuwählen und Verantwortung nicht an ein System abzugeben.

Lernziele

Nach dem Kurs kannst Du erklären, wie Daten von einer Fragestellung über Sammlung, Aufbereitung, Training und Test bis zur Anwendung eines Modells fließen. Du kannst zwischen Trainingsdaten, Testdaten und neuen Eingabedaten unterscheiden. Du erkennst, dass ein Label von Menschen festgelegt oder geprüft werden kann und deshalb nicht automatisch „die Wahrheit“ ist. Du kannst Datenqualität mit Kriterien wie Vollständigkeit, Messgenauigkeit, Aktualität, Vielfalt und Repräsentativität untersuchen. Außerdem kannst Du einfache Fehlerzahlen auswerten und begründen, warum eine gute Gesamtquote allein noch keine faire oder verantwortbare Anwendung garantiert.

Du lernst auch, für eine Aufgabe bewusst zwischen Papier und Stift, Tabellenkalkulation, Diagrammen, einem einfachen ML-Werkzeug und einem KI-Assistenzsystem zu wählen. Du begründest, welche Arbeit Menschen übernehmen müssen und an welchen Stellen ein Werkzeug sinnvoll unterstützen kann.

Unterrichtsfahrplan für 1–2 Stunden

Phase	Richtzeit	Tätigkeit	Ergebnis
Aktivierung und Diagnose	5–8 Minuten	Vier Aussagen bewerten und Vermutungen begründen	Vorwissen und Fehlvorstellungen sichtbar machen
Verständliche Einführung	10–15 Minuten	Datenfluss an einem einfachen Klassifikationsbeispiel untersuchen	Gemeinsames Datenfluss-Modell
Datenlabor	15–20 Minuten	Kleinen Datensatz prüfen, Labels vergleichen und Visualisierung erstellen	Qualitätscheck mit Belegen
PISA-nahe Anwendung	15–20 Minuten	Vorhersagen und echte Ergebnisse vergleichen, Fehlerfolgen bewerten	Entscheidung mit Datenbegründung
Mensch-KI-Arbeitsteilung und Transfer	10–15 Minuten	Werkzeugwahl, Rollen und Kontrollpunkte festlegen	Verantwortlicher Projektplan
Selbstkontrolle und Reflexion	10–15 Minuten	Quiz, Transferfrage oder Exit-Ticket	Eigene Erklärung und Korrektur von Fehlvorstellungen

Aktivierung und Diagnose

Lies die vier Aussagen. Entscheide zunächst allein: stimmt, stimmt teilweise oder stimmt nicht. Notiere zu jeder Entscheidung einen kurzen Grund. Vergleiche danach mit einer anderen Person.

„Je mehr Daten, desto besser ist eine KI.“ Prüfe, ob Menge allein für gute Ergebnisse ausreicht.
„Ein Label ist die richtige Antwort.“ Überlege, wer das Label festlegt und ob Menschen unterschiedlicher Meinung sein können.
„Wenn ein Modell 90 Prozent richtig liegt, ist es automatisch fair.“ Denke darüber nach, für wen die zehn Prozent Fehler auftreten könnten.
„Wenn KI etwas ausgibt, kann man am Ergebnis erkennen, woher alle Daten kamen.“ Überlege, welche Informationen über Quellen und Verarbeitung zusätzlich dokumentiert werden müssten.

Bewahre Deine Antworten auf. Am Ende des Kurses überprüfst Du sie erneut.

Die Grundidee: Daten fließen durch mehrere Stationen

Ein typischer Datenfluss bei überwachtem maschinellem Lernen lässt sich vereinfacht so darstellen:

Fragestellung → Datenquellen → Datenauswahl → Erfassung → Bereinigung und Darstellung → Labels → Trainingsdaten → Modelltraining → Testdaten → Auswertung → neue Eingabe → Ausgabe → menschliche Prüfung und Rückmeldung

Nicht jedes KI-System folgt exakt derselben Reihenfolge. Generative Systeme, Empfehlungssysteme oder Systeme mit Such- und Datenbankzugriff können zusätzliche Schritte enthalten. Für das Lernen ist die Kette trotzdem hilfreich, weil sie sichtbar macht, an welcher Stelle welche Entscheidung getroffen wird.

Training und Anwendung sind nicht dasselbe

Beim Training verarbeitet ein Lernverfahren viele Beispiele und passt interne Parameter so an, dass Muster in den Trainingsdaten möglichst gut erfasst werden. Das Ergebnis ist ein Modell. Bei der späteren Anwendung erhält das Modell neue Eingaben und erzeugt daraus eine Vorhersage, Einordnung oder andere Ausgabe.

Ein häufiges Missverständnis lautet: „Die KI schaut bei jeder Antwort einfach in den Trainingsdaten nach.“ Das stimmt für typische gelernte Modelle nicht. Das Modell nutzt gelernte Muster. Manche Systeme können zusätzlich auf Suchmaschinen, Datenbanken oder andere Werkzeuge zugreifen. Deshalb muss man immer klären, welche Systemart gerade betrachtet wird.

Datenquellen und Datenauswahl

Daten können aus Messgeräten, Sensoren, Formularen, Bildern, Texten, Beobachtungen, historischen Aufzeichnungen oder offenen Datensätzen stammen. Schon vor dem eigentlichen Training fallen wichtige Entscheidungen: Welche Fälle werden erfasst? Welche fehlen? In welchem Zeitraum wird gesammelt? Wer darf teilnehmen? Welche Merkmale werden gespeichert?

Wenn ein Schulbus-System nur Daten aus dem Sommer kennt, sind diese Daten vielleicht ungeeignet, um Verspätungen bei Schnee einzuschätzen. Wenn eine Bilderkennung fast nur helle Aufnahmen sieht, kann sie bei dunkler Beleuchtung schlechter funktionieren. Ein Datensatz kann also korrekt erfasst und trotzdem nicht repräsentativ für die spätere Anwendung sein.

Labels: Namen für gewünschte Ergebnisse

Beim überwachten Lernen bekommen Beispiele häufig ein Label. Das kann eine Kategorie wie „reif“, „unreif“, „Spam“, „kein Spam“ oder „Verspätung“, „pünktlich“ sein. Labels können aus Messwerten entstehen, automatisch erzeugt oder von Menschen vergeben werden.

Ein Label ist nicht automatisch objektiv. Bei einer klar messbaren Frage wie „Ist die Temperatur höher als 30 °C?“ lässt es sich meist eindeutig bestimmen. Bei einer Einschätzung wie „Ist dieser Text überzeugend?“ können Menschen unterschiedlich urteilen. Deshalb helfen klare Kriterien, mehrere Prüfende und dokumentierte Streitfälle.

Datenlabor 1: Wie zuverlässig sind Labels?

Stell Dir vor, eine Lerngruppe möchte ein einfaches System trainieren, das Obstfotos in „reif“ und „unreif“ einordnet. Zwei Personen vergeben unabhängig voneinander Labels. Die Tabelle ist fiktiv und dient nur zum Lernen.

Foto-ID	sichtbare Farbe	Eindruck beim Drucktest	Label Person A	Label Person B
A	rot	weich	reif	reif
B	grün	hart	unreif	unreif
C	gelb	weich	reif	reif
D	rot	hart	unreif	unreif
E	grün	weich	reif	unreif
F	gelb	hart	unreif	unreif
G	rot	weich	reif	reif
H	gelb	mittel	reif	unreif

Die beiden Personen stimmen bei sechs von acht Fällen überein. Das sind 75 Prozent. Zwei Fälle sind strittig. Das zeigt: Labelqualität ist Teil der Datenqualität.

Arbeitsauftrag: Markiere die beiden Streitfälle. Formuliere anschließend eine kurze Label-Regel, die beide Personen beim nächsten Durchgang verwenden könnten. Prüfe auch, ob Farbe allein ein sinnvolles Merkmal ist. Verschiedene Obstsorten können unterschiedlich aussehen, obwohl sie gleich reif sind.

Werkzeugwahl im Datenlabor

Für acht Zeilen brauchst Du keine komplizierte KI. Papier, eine Tabelle oder eine einfache Tabellenkalkulation reichen. Ein gutes Werkzeug ist nicht das technisch beeindruckendste, sondern das, das zum Ziel, zur Datenmenge, zum Risiko und zur benötigten Transparenz passt.

Ziel	passendes Werkzeug	Warum?	Aufgabe des Menschen
wenige Werte ordnen	Papier oder Tabelle	schnell und nachvollziehbar	Kategorien prüfen
Häufigkeiten und Prozentwerte berechnen	Tabellenkalkulation	Rechenfehler reduzieren, Diagramme möglich	Formel und Bedeutung kontrollieren
Muster in einem kleinen Lehrdatensatz ausprobieren	einfaches ML-Lernwerkzeug	Training und Test werden sichtbar	Datensatz und Grenzen erklären
Ideen für Prüfregeln sammeln	KI-Assistenzsystem als Sparringspartner	kann Varianten vorschlagen	Vorschläge prüfen und Quellen kontrollieren
Entscheidung mit möglichen Folgen für Menschen	menschliche Verantwortung mit überprüfbaren Hilfswerkzeugen	Folgen lassen sich nicht allein an einer Kennzahl entscheiden	Ziel, Fairness, Freigabe und Widerspruchsmöglichkeiten verantworten

Sicherheitsregel: Verwende für Unterrichtsexperimente möglichst fiktive, öffentliche oder anonymisierte Daten. Gib keine vertraulichen personenbezogenen Daten in frei zugängliche KI-Dienste ein. Prüfe schulische Regeln, Nutzungsbedingungen und Datenschutzvorgaben.

Datenqualität: Fünf Fragen vor dem Training

Datenqualität bedeutet mehr als „keine Tippfehler“. Prüfe mindestens diese fünf Punkte:

Vollständigkeit: Fehlen Werte, Fälle oder wichtige Zeiträume?
Genauigkeit: Wurden Werte richtig gemessen, übertragen und beschriftet?
Aktualität: Passen ältere Daten noch zur heutigen Situation?
Repräsentativität: Bildet die Auswahl die spätere Anwendung ausreichend ab?
Konsistenz: Wurden Einheiten, Kategorien und Regeln überall gleich verwendet?

Ein Datensatz kann in einer Hinsicht gut und in einer anderen problematisch sein. Ein sauber gemessener, aber sehr einseitiger Datensatz bleibt für manche Anwendungen ungeeignet.

Auswahl und Repräsentativität

Eine Stichprobe ist eine Auswahl aus einer größeren Menge. Sie ist repräsentativ, wenn sie wichtige Eigenschaften der Zielgruppe oder Zielsituation angemessen abbildet. Perfekte Repräsentativität ist in der Praxis schwer zu erreichen. Deshalb ist es wichtig, die Grenzen einer Stichprobe offen zu dokumentieren.

Beispiel: Ein System soll erkennen, wann Fahrradständer an einer Schule voll werden. Die Daten wurden nur an zwei sonnigen Septemberwochen gesammelt. Selbst wenn alle Zählungen korrekt sind, fehlen Regentage, Wintertage, Prüfungszeiten und besondere Veranstaltungen. Die Daten sagen dann weniger über ein ganzes Schuljahr aus.

Datenlabor 2: Ein kleiner Datensatz wird sichtbar

Die Schule möchte abschätzen, wann der Fahrradständer voll ist. Die folgenden zwölf Beobachtungen sind fiktiv.

Tag	Wetter	Temperatur	Veranstaltung	Fahrradständer voll?
Mo 1	trocken	21 °C	nein	ja
Di 1	trocken	22 °C	nein	ja
Mi 1	Regen	18 °C	nein	nein
Do 1	trocken	23 °C	ja	ja
Fr 1	trocken	20 °C	nein	nein
Mo 2	trocken	19 °C	nein	ja
Di 2	Regen	17 °C	nein	nein
Mi 2	trocken	20 °C	nein	ja
Do 2	trocken	24 °C	ja	ja
Fr 2	Regen	16 °C	nein	nein
Mo 3	trocken	18 °C	nein	ja
Di 3	trocken	21 °C	nein	ja

Eine einfache Häufigkeitsdarstellung ergibt:

Label	Anzahl	Visualisierung
voll	8	████████
nicht voll	4	████

Die Tabelle zeigt ein Muster, aber sie beantwortet noch nicht die Frage, ob das Muster verlässlich ist. Die Stichprobe ist klein. Es gibt nur drei Regentage. Winter und Ferien fehlen. Außerdem wurden nur wenige Wochen betrachtet. Genau hier beginnt Datenkritik.

Arbeitsauftrag: Formuliere zwei Aussagen, die durch die Daten gestützt werden, und zwei Aussagen, die mit diesen Daten noch nicht sicher begründet werden können. Entwirf anschließend einen besseren Sammelplan für vier Wochen.

Visualisierungen sind Modelle der Daten

Eine Visualisierung macht Muster leichter sichtbar, aber sie zeigt nie „die ganze Wirklichkeit“. Auswahl, Achsen, Farben, Gruppierungen und Auslassungen beeinflussen, was auffällt. Deshalb gehört zu guter Datenkompetenz immer die Frage: Was sehe ich – und was sehe ich nicht?

Das Bild visualisiert einen Datensatz mit handschriftlichen Ziffern als räumliche Gruppen. Solche Darstellungen helfen beim Erkunden, sind aber selbst Vereinfachungen.

Bei handschriftlichen Ziffern wird außerdem deutlich: Selbst scheinbar einfache Klassen wie „3“ oder „8“ können sehr unterschiedlich geschrieben werden. Ein gutes Trainingsset braucht deshalb genügend Variation.

Trainingsdaten und Testdaten trennen

Wenn ein Modell nur an Beispielen geprüft wird, die es beim Training schon gesehen hat, kann die Bewertung zu optimistisch sein. Deshalb wird ein Datensatz oft in Trainingsdaten und Testdaten geteilt. Das Modell lernt mit dem Trainingsteil. Der Testteil bleibt zunächst zurück und wird erst zur Bewertung genutzt.

Ein guter Testdatensatz soll möglichst gut zu den Situationen passen, in denen das Modell später eingesetzt wird. Auch hier kann Repräsentativität fehlen. Ein Test nur an sonnigen Tagen sagt wenig über die Leistung bei Schnee.

Überanpassung einfach erklärt

Ein Modell kann sich zu stark an Besonderheiten seiner Trainingsdaten anpassen. Dann ist es bei bekannten Beispielen sehr gut, aber bei neuen Beispielen deutlich schlechter. Dieses Problem heißt Überanpassung. Mehr Daten können helfen, aber nur dann, wenn sie relevant, vielfältig und ausreichend sauber sind. „Mehr“ ersetzt also nicht „passend“.

Fehler verstehen statt nur eine Prozentzahl ansehen

Bei einer Ja-Nein-Vorhersage gibt es vier Grundfälle: richtiges Ja, richtiges Nein, falsches Ja und falsches Nein. Die Art des Fehlers kann wichtig sein. Bei einer Warnung vor einer Busverspätung ist ein falscher Alarm lästig. Eine übersehene echte Verspätung kann dagegen dazu führen, dass jemand einen Anschluss verpasst.

PISA-nahe Anwendungssituation: Soll der Schulbus-Check eingesetzt werden?

Eine Schule testet ein System, das vor Unterrichtsbeginn vorhersagt, ob ein Bus mehr als fünf Minuten Verspätung haben wird. Das System soll nur informieren, nicht automatisch über Fehlzeiten entscheiden. Acht Testfälle liefern folgende Ergebnisse:

Fall	Vorhersage	tatsächlich	Bewertung
1	Verspätung	Verspätung	richtig
2	Verspätung	pünktlich	falscher Alarm
3	pünktlich	pünktlich	richtig
4	pünktlich	Verspätung	Verspätung übersehen
5	Verspätung	Verspätung	richtig
6	pünktlich	pünktlich	richtig
7	pünktlich	pünktlich	richtig
8	Verspätung	Verspätung	richtig

Sechs von acht Vorhersagen sind richtig. Das entspricht 75 Prozent. Diese Zahl ist nützlich, aber für eine Entscheidung reicht sie nicht.

Bearbeite die Situation wie eine reale Entscheidung:

Berechne die Quote richtiger Vorhersagen und erkläre in einem Satz, was sie bedeutet.
Vergleiche die beiden Fehlerarten. Welche könnte für Lernende stärker ins Gewicht fallen? Begründe.
Die acht Testfälle stammen nur aus einer trockenen Herbstwoche. Erkläre, warum das die Aussagekraft einschränkt.
Schlage mindestens zwei zusätzliche Testbedingungen vor, zum Beispiel Winterwetter oder Baustellen.
Entscheide, ob das System sofort, nur als Hinweis oder noch gar nicht eingesetzt werden sollte. Begründe mit Daten und Folgen.
Formuliere eine Regel für menschliche Kontrolle: Wer prüft Beschwerden, korrigiert Fehler und entscheidet bei Streitfällen?

Die Aufgabe ist PISA-nah, weil Du Informationen aus einer realistischen Situation verknüpfen, Zahlen interpretieren, Grenzen erkennen und eine begründete Entscheidung treffen musst. Es gibt nicht nur eine einzelne Zahl, die automatisch die beste Handlung vorgibt.

Verzerrungen: Wenn Fehler nicht zufällig verteilt sind

Ein Bias ist eine systematische Verzerrung. Sie kann an unterschiedlichen Stellen entstehen: bei der Auswahl von Daten, beim Messen, beim Labeln, beim Design des Systems oder durch bestehende gesellschaftliche Muster, die in historischen Daten stecken.

Ein Beispiel: Ein historischer Datensatz über frühere Einstellungen in einem Beruf kann alte Ungleichheiten widerspiegeln. Ein Modell könnte diese Muster übernehmen, obwohl sie für eine faire heutige Auswahl ungeeignet sind. Selbst das Entfernen eines offensichtlichen Merkmals löst das Problem nicht immer, weil andere Merkmale als Stellvertreter wirken können. Deshalb braucht Fairness Datenprüfung, Wirkungstests, nachvollziehbare Kriterien und menschliche Verantwortung.

Fairness ist mehr als gleiche Gesamtgenauigkeit

Zwei Gruppen können zusammen eine hohe Trefferquote ergeben, obwohl eine Gruppe deutlich häufiger falsch eingeordnet wird. Eine einzige Gesamtzahl kann solche Unterschiede verdecken. Für sensible Anwendungen sollte deshalb geprüft werden, wer von Fehlern betroffen ist, welche Folgen sie haben und ob Menschen die Entscheidung anfechten können.

Für Klasse 8 ist eine einfache Leitfrage hilfreich: „Wer könnte durch diesen Fehler einen Nachteil haben – und wer kann ihn bemerken und korrigieren?“

Mensch-KI-Arbeitsteilung

Verantwortlicher KI-Einsatz bedeutet nicht „Mensch oder KI“, sondern eine begründete Aufgabenteilung. Manche Arbeiten eignen sich gut für automatisierte Unterstützung, andere verlangen menschliche Ziele, Werteabwägungen und Verantwortung.

Arbeitsschritt	Werkzeug kann unterstützen	Mensch muss besonders verantworten
Fragestellung formulieren	Ideen sortieren	Zweck und Grenzen festlegen
Daten sammeln	Messwerte übernehmen	Auswahl, Datenschutz und Einwilligung prüfen
Daten bereinigen	Duplikate oder Ausreißer markieren	entscheiden, ob ein Wert wirklich falsch ist
Labels vergeben	Vorschläge machen	Kriterien festlegen und Streitfälle klären
Modell trainieren	Muster berechnen	geeignete Daten und Teststrategie wählen
Ergebnisse auswerten	Kennzahlen berechnen	Bedeutung, Folgen und Fairness beurteilen
Entscheidung treffen	Hinweise geben	bei wichtigen Folgen Verantwortung übernehmen und Widerspruch ermöglichen
System beobachten	Auffälligkeiten melden	Änderungen, neue Risiken und Abschaltung entscheiden

Human Agency bedeutet hier: Menschen behalten die Fähigkeit, Ziele zu setzen, Entscheidungen zu hinterfragen, einzugreifen und das System bei Bedarf nicht zu verwenden.

Projektsteuerung: Ein KI-Projekt mit Kontrollpunkten

Ein gutes Projekt springt nicht direkt von „Wir haben Daten“ zu „Wir bauen KI“. Nutze Kontrollpunkte:

Phase	Leitfrage	Stop-oder-Go-Kriterium	Produkt
Problem klären	Welche Entscheidung soll besser werden?	Zweck ist sinnvoll und verständlich	Fragestellung
Datenplan	Welche Daten brauchen wir wirklich?	Daten sind zulässig und relevant	Datenschema
Qualitätscheck	Was fehlt oder ist verzerrt?	bekannte Grenzen sind dokumentiert	Datensteckbrief
Label-Regeln	Was bedeutet die Zielkategorie?	Kriterien sind nachvollziehbar	Label-Leitfaden
Training und Test	Wird getrennt gelernt und geprüft?	Testfälle sind neu und passend	Testbericht
Folgencheck	Welche Fehlerarten gibt es?	Risiken und Betroffene wurden betrachtet	Folgenmatrix
Einsatzentscheidung	Brauchen wir KI überhaupt?	Nutzen überwiegt Risiken und Kontrolle ist möglich	begründete Entscheidung
Beobachtung	Verändert sich die Situation?	Fehler können gemeldet und behoben werden	Monitoring-Plan

Die wichtigste Projektsteuerungsfrage kann deshalb auch lauten: „Brauchen wir für dieses Problem überhaupt ein KI-System?“ Für manche Aufgaben ist eine einfache Regel, Tabelle oder menschliche Entscheidung besser.

Quellenkritik und Transparenz

Ein Datensatz oder eine KI-Ausgabe ist nur dann gut einschätzbar, wenn wichtige Informationen über Herkunft und Verarbeitung bekannt sind. Frage deshalb:

Wer hat die Daten erstellt oder gesammelt?
Für welchen ursprünglichen Zweck wurden sie erhoben?
Welche Zeit, Region oder Gruppe wird abgebildet?
Welche Fälle fehlen möglicherweise?
Wie wurden Labels vergeben?
Welche Bearbeitungsschritte wurden durchgeführt?
Welche Lizenz oder Nutzungsbedingung gilt?
Welche Unsicherheiten und bekannten Fehler sind dokumentiert?

Bei KI-Ausgaben gilt zusätzlich: Eine plausibel formulierte Antwort ist noch kein Beleg. Prüfe zentrale Tatsachen an geeigneten Quellen. Nutze KI eher als Werkzeug zum Strukturieren, Vergleichen oder Formulieren von Fragen als als alleinige Wahrheitsquelle.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	mögliche Lernhandlung
Informatik	Datenfluss, Training, Test, Modell, Fehleranalyse	Pipeline zeichnen und Kontrollpunkte markieren
Mathematik	Häufigkeiten, Prozente, Stichproben, Diagramme	Trefferquoten berechnen und Aussagekraft begrenzen
Deutsch	Begriffe präzisieren, Quellen prüfen, Argumente formulieren	Entscheidungstext mit Belegen und Gegenargument schreiben
Technik	Sensoren, Messketten, Messfehler, Automatisierung	untersuchen, wo Messwerte entstehen und verfälscht werden können
Geschichte	historische Daten spiegeln frühere Normen und Machtverhältnisse	prüfen, ob alte Daten für heutige Entscheidungen geeignet sind
Kunst	visuelle Darstellung beeinflusst Wahrnehmung	zwei Diagramme zum gleichen Datensatz vergleichen
Ethik	Fairness, Verantwortung, Datenschutz, Folgen	Betroffene und mögliche Nachteile analysieren
Gemeinschaftskunde	Transparenz, Teilhabe, Widerspruch, öffentliche Entscheidungen	Regeln für nachvollziehbaren KI-Einsatz entwerfen
Wirtschaft	Prognosen, Empfehlungen, Personaleinsatz, Kosten von Fehlern	Nutzen und Risiken eines Systems abwägen

Typische Fehlvorstellungen korrigieren

Fehlvorstellung	Korrektur
Mehr Daten sind immer besser.	Mehr Daten helfen nur, wenn sie relevant, ausreichend vielfältig, rechtmäßig nutzbar und hinreichend zuverlässig sind.
Labels sind objektive Wahrheit.	Labels können messbar, regelbasiert oder subjektiv sein. Ihre Entstehung muss dokumentiert werden.
Ein Modell mit hoher Genauigkeit ist automatisch fair.	Gesamtwerte können Unterschiede zwischen Situationen oder Gruppen verdecken.
Testdaten dürfen beim Training bekannt sein.	Für eine faire Prüfung sollten Testdaten getrennt bleiben.
KI ersetzt menschliche Verantwortung.	Werkzeuge können unterstützen, aber Ziele, Folgenabwägung und wichtige Entscheidungen brauchen menschliche Verantwortung.
Eine schöne Visualisierung beweist eine Aussage.	Visualisierungen vereinfachen Daten und können durch Auswahl und Darstellung täuschen oder wichtige Aspekte ausblenden.

Experiment: Eine Datenpipeline mit Karten simulieren

Dieses Experiment funktioniert ohne Computer. Eine Gruppe übernimmt die Rolle „Datenquelle“, eine zweite „Datenprüfung“, eine dritte „Label-Team“, eine vierte „Modell“, eine fünfte „Test und Folgencheck“.

Verwendet zwölf Karten mit fiktiven Beobachtungen. Jede Karte enthält zwei Merkmale und ein vorgesehenes Label. Baut absichtlich drei Probleme ein: einen fehlenden Wert, ein widersprüchliches Label und eine einseitige Auswahl. Gebt die Karten von Station zu Station weiter. Jede Gruppe darf Änderungen nur dokumentiert vornehmen.

Am Ende rekonstruiert Ihr den Datenfluss. Beantwortet gemeinsam: Wo wurde ein Fehler entdeckt? Wo hätte er unbemerkt weiterfließen können? Welche Station brauchte menschliches Urteil? Welche Information hätte ein späteres Team ohne Dokumentation nicht mehr nachvollziehen können?

Dieses Experiment zeigt: Fehler „wandern“ mit den Daten mit, wenn sie nicht erkannt oder dokumentiert werden.

Transfer: Ein neues Beispiel erkennen

Stell Dir vor, ein Museum möchte Besucherströme vorhersagen. Sensoren zählen Personen an Eingängen. Ein System soll daraus für die nächste Stunde die Auslastung schätzen.

Übertrage das gelernte Datenfluss-Modell: Welche Datenquellen gibt es? Welche Messfehler sind möglich? Welche Zeiträume müssen vertreten sein? Welches Label oder Ziel soll vorhergesagt werden? Wie teilst Du Training und Test? Welche Fehlerart wäre besonders problematisch? Wo muss ein Mensch eingreifen?

Wenn Du diese Fragen auf ein neues Beispiel übertragen kannst, hast Du die Grundidee verstanden.

Reflexion

Nimm Deine vier Aussagen aus der Aktivierung wieder hervor. Ändere Deine Bewertung, wenn nötig. Ergänze zu jeder Aussage jetzt einen Satz mit einem Fachbegriff aus dem Kurs.

Schreibe anschließend ein Exit-Ticket mit drei Teilen: Eine Idee, die ich sicher erklären kann – eine Stelle, an der Daten verzerrt werden können – eine Frage, die ich bei einem neuen KI-System zuerst stellen würde.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Warum trennt man Trainingsdaten und Testdaten? (Damit das Modell an neuen Beispielen geprüft werden kann) (!Damit alle Testdaten automatisch korrekt werden) (!Damit keine Labels mehr nötig sind) (!Damit das Modell keine Eingaben mehr braucht)

Was beschreibt Repräsentativität am besten? (Die Daten bilden wichtige Eigenschaften der späteren Anwendung angemessen ab) (!Alle Daten haben exakt denselben Wert) (!Der Datensatz enthält besonders viele Zeilen) (!Jede Messung wurde von einer KI erstellt)

Was ist ein Label beim überwachten Lernen? (Eine Zielangabe oder Kategorie zu einem Beispiel) (!Eine Garantie für eine faire Entscheidung) (!Ein Speicherort für das Modell) (!Eine zufällige Zahl ohne Bedeutung)

Welche Aussage über Datenqualität ist richtig? (Ein Datensatz kann sauber gemessen und trotzdem einseitig ausgewählt sein) (!Viele Daten sind automatisch repräsentativ) (!Aktuelle Daten enthalten nie Fehler) (!Eine Tabelle braucht keine Quellenangabe)

Was ist ein mögliches Zeichen für Überanpassung? (Das Modell ist bei Trainingsdaten gut und bei neuen Daten deutlich schlechter) (!Das Modell wurde mit Testdaten geprüft) (!Die Daten wurden visualisiert) (!Menschen dokumentieren die Labels)

Warum reicht eine hohe Gesamtgenauigkeit für Fairness nicht aus? (Fehler können ungleich auf Situationen oder Gruppen verteilt sein) (!Weil Genauigkeit grundsätzlich bedeutungslos ist) (!Weil jedes Modell immer genau die Hälfte falsch macht) (!Weil Fairness nur von der Dateigröße abhängt)

Welche Aufgabe sollte bei folgenreichen Entscheidungen besonders beim Menschen bleiben? (Folgen abwägen und Verantwortung für die Entscheidung übernehmen) (!Alle Tabellenzellen automatisch sortieren) (!Jeden Messwert ohne Prüfung löschen) (!Zufällige Labels erzeugen)

Was ist ein sinnvoller erster Schritt vor dem Training? (Fragestellung und Zweck des Systems klären) (!Das Ergebnis veröffentlichen) (!Testdaten mit den Trainingsdaten vermischen) (!Alle Fehlerhinweise ignorieren)

Was bedeutet Bias in diesem Zusammenhang? (Eine systematische Verzerrung in Daten oder Systemverhalten) (!Ein beliebiger einzelner Tippfehler) (!Eine sichere Methode zur Anonymisierung) (!Ein Diagramm ohne Achsen)

Welche Aussage beschreibt einen verantwortlichen KI-Einsatz am besten? (Werkzeuge unterstützen, Menschen prüfen Ziele, Daten, Folgen und Grenzen) (!KI-Ausgaben werden ohne Prüfung übernommen) (!Persönliche Daten werden immer in öffentliche Dienste eingegeben) (!Nur die technische Leistung zählt)

Memory

Trainingsdaten	Beispiele zum Lernen eines Modells
Testdaten	zurückgehaltene Beispiele zur Bewertung
Label	Zielangabe zu einem Datenbeispiel
Repräsentativität	angemessene Abbildung der späteren Anwendung
Datenqualität	Eignung und Verlässlichkeit von Daten
Bias	systematische Verzerrung
Modell	beim Training gelernte Struktur
Human Agency	menschliche Fähigkeit zum Prüfen und Eingreifen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Fragestellung	Zweck und Ziel klären
Datenauswahl	passende und vielfältige Fälle bestimmen
Labeln	Zielangaben nach nachvollziehbaren Regeln vergeben
Testen	Modell an neuen Beispielen prüfen
Monitoring	Verhalten nach dem Einsatz weiter beobachten

...

Kreuzworträtsel

Datenfluss	Wie heißt die Abfolge, in der Daten durch Quellen, Verarbeitung, Modell und Anwendung wandern?
Stichprobe	Wie heißt eine Auswahl aus einer größeren Menge?
Trainingsdaten	Wie heißen die Beispiele, mit denen ein Modell lernt?
Repräsentativität	Welcher Begriff beschreibt, ob eine Auswahl die Ziel-Situation angemessen abbildet?
Verzerrung	Deutsches Wort für einen systematischen Bias?
Modell	Was entsteht beim maschinellen Lernen aus dem Training?

LearningApps

Lückentext

Ein KI-Projekt beginnt mit einer klaren

.

Beispiele, mit denen ein Modell lernt, heißen

.

Zur unabhängigen Bewertung verwendet man getrennte

.

Eine Zielangabe zu einem Beispiel nennt man

.

Ob eine Auswahl die spätere Anwendung angemessen abbildet, beschreibt die

.

Eine systematische Verzerrung wird häufig als

bezeichnet.

Wenn ein Modell bekannte Beispiele sehr gut, neue Beispiele aber deutlich schlechter verarbeitet, kann

vorliegen.

Eine gute Datenprüfung betrachtet auch Vollständigkeit, Genauigkeit und

.

Bei folgenreichen Entscheidungen muss menschliche

erhalten bleiben.

Nach dem Einsatz eines Systems hilft fortlaufendes

, neue Fehler und Veränderungen zu erkennen.

Offene Aufgaben

Leicht

Datenfluss-Skizze: Zeichne für eine Wetter-App den Weg von Sensorwerten bis zur Vorhersage und markiere mindestens zwei Stellen, an denen Fehler entstehen können.
Label-Regeln: Erfinde sechs fiktive Beispiele für „Mülltonne voll“ oder „nicht voll“ und formuliere eine eindeutige Regel für das Label.
Diagrammvergleich: Stelle die zwölf Fahrradständer-Beobachtungen als Balken- oder Säulendiagramm dar und schreibe zwei Aussagen, die das Diagramm erlaubt, sowie eine Aussage, die es nicht erlaubt.
Fehlvorstellungen: Wähle eine typische Fehlvorstellung aus dem Kurs und gestalte eine kleine Karte mit „Behauptung – Korrektur – Beispiel“.

Standard

Datenqualitäts-Audit: Prüfe einen kleinen öffentlichen oder von der Lehrkraft bereitgestellten Datensatz mit den Kriterien Vollständigkeit, Genauigkeit, Aktualität, Repräsentativität und Konsistenz.
Label-Experiment: Lass drei Personen zehn fiktive Beispiele unabhängig labeln. Vergleiche die Übereinstimmung und verbessere danach den Label-Leitfaden.
Werkzeugkompass: Vergleiche Papier, Tabellenkalkulation, einfaches ML-Werkzeug und KI-Assistenzsystem für eine konkrete Aufgabe. Begründe, welches Werkzeug Du an welcher Stelle wählen würdest.
Bus-System-Entscheidung: Erweitere die PISA-nahe Bus-Aufgabe um vier neue Testfälle und entscheide erneut über den Einsatz. Erkläre, ob sich Deine Begründung verändert.

Schwer

Bias-Szenario: Entwickle ein fiktives Beispiel, in dem ein Datensatz eine Gruppe oder Situation zu wenig abbildet. Zeige, wie sich das durch den Datenfluss bis zur Ausgabe auswirken könnte.
Human-in-the-Loop-Plan: Entwirf für ein schulisches KI-System einen Ablauf mit mindestens drei Punkten, an denen Menschen prüfen, stoppen oder korrigieren können.
Quellenkritik-Projekt: Vergleiche zwei Erklärquellen zu Trainingsdaten oder KI-Bias. Untersuche Autor, Zweck, Datum, Belege, Lizenz und mögliche Auslassungen.
Mini-Projektsteuerung: Plane ein kleines KI-nahes Schulprojekt von der Fragestellung bis zum Monitoring. Lege für jede Phase ein Stop-oder-Go-Kriterium fest und begründe, wann Du das Projekt abbrechen würdest.

Lernkontrolle

Transferfall Smartes Gewächshaus: Ein Gewächshaus-System soll erkennen, wann Pflanzen Wasser brauchen. Entwickle einen Datenfluss mit Sensoren, möglichen Labels, Trainings- und Testdaten. Nenne zwei Messfehler und erkläre ihre Folgen.
Neue Stichprobe beurteilen: Ein Modell zur Vorhersage von Mensa-Auslastung wurde nur an Montagen trainiert. Erkläre, welche Schlussfolgerungen Du trotzdem ziehen kannst, welche nicht und wie Du die Datenauswahl verbessern würdest.
Fehlerfolgen vergleichen: Vergleiche bei einem Warnsystem einen falschen Alarm mit einer übersehenen echten Gefahr. Erkläre, warum dieselbe Trefferquote je nach Anwendung unterschiedlich bewertet werden muss.
Mensch-KI-Arbeitsteilung begründen: Lege für ein fiktives Empfehlungssystem fest, welche drei Aufgaben ein Werkzeug unterstützen darf und welche drei Aufgaben Menschen verantworten müssen. Begründe jede Zuordnung.
Visualisierung kritisch lesen: Erstelle zwei unterschiedliche Diagramme aus demselben kleinen Datensatz. Beschreibe, wie die Darstellung den ersten Eindruck verändert, obwohl die Zahlen gleich bleiben.
Fehlvorstellung korrigieren: Jemand sagt: „Das Modell ist fair, weil 92 Prozent aller Vorhersagen stimmen.“ Formuliere eine fachlich begründete Antwort und nenne mindestens zwei zusätzliche Prüfungen.

Lernnachweis

Für einen Lernnachweis ist wichtig, dass Du nicht nur Begriffe wiedergeben, sondern Zusammenhänge erklären und auf neue Beispiele übertragen kannst.

Du erklärst einen Datenfluss von der Fragestellung bis zur Anwendung eines Modells in eigenen Worten.
Du unterscheidest Trainingsdaten, Testdaten und neue Eingabedaten.
Du erklärst die Funktion von Labels und nennst mindestens eine mögliche Label-Fehlerquelle.
Du prüfst Datenqualität, Auswahl und Repräsentativität mit nachvollziehbaren Kriterien.
Du wertest einen kleinen Datensatz oder eine einfache Fehlerübersicht korrekt aus.
Du erkennst mindestens eine mögliche systematische Verzerrung und beschreibst ihren Weg durch das System.
Du begründest eine Werkzeugwahl statt automatisch das komplexeste Werkzeug zu verwenden.
Du entwickelst eine sinnvolle Mensch-KI-Arbeitsteilung mit Kontroll- und Eingriffsmöglichkeiten.
Du korrigierst typische Fehlvorstellungen zu Datenmenge, Genauigkeit, Fairness und menschlicher Verantwortung.
Du belegst eine Entscheidung mit Daten, kennzeichnest Unsicherheit und berücksichtigst mögliche Folgen für Betroffene.

OERs zum Thema

Die folgenden eingebetteten Wikipedia-Artikel eignen sich zum Vertiefen der Grundlagen von maschinellem Lernen und künstlicher Intelligenz.

Freie Medien und Vertiefung

Die im Kurs eingebundenen Wikimedia-Commons-Dateien können über ihre Dateiseiten mit Lizenzinformationen nachvollzogen werden. Die verwendeten Videos des KI-Campus sind als frei lizenzierte Lernmedien veröffentlicht. Nutze Lizenzangaben und Herkunft als Teil Deiner Quellenkritik.

Verknüpfte Lernbereiche

Datenflüsse in KI-Systemen verstehen

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache