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

IM6 - Empfehlungsalgorithmen und Aufmerksamkeit

Einleitung

Wenn Du eine Video-App, einen Musikdienst, einen Online-Shop oder eine Social-Media-Plattform öffnest, siehst Du oft nicht einfach dieselben Inhalte wie alle anderen. Viele Dienste verwenden Empfehlungssysteme. Solche Systeme versuchen vorherzusagen, welche Inhalte für Dich interessant sein könnten. Dafür können sie Signale aus Deinem Nutzungsverhalten auswerten, zum Beispiel was Du anklickst, wie lange Du etwas ansiehst oder anhörst, wonach Du suchst, was Du speicherst und welche Inhalte Du überspringst.

Wichtig ist: Ein Empfehlungsalgorithmus kann Deine Interessen nicht direkt „lesen“. Er arbeitet mit Daten und Wahrscheinlichkeiten. Ein Klick bedeutet zum Beispiel nicht automatisch: „Das liebe ich.“ Vielleicht hast Du nur aus Neugier geklickt. Deshalb betrachten Empfehlungssysteme meist mehrere Signale und lernen aus wiederholtem Verhalten.

In diesem aiMOOC untersuchst Du vereinfachte Modelle für Empfehlungssysteme. Du simulierst Feeds, triffst Entscheidungen, vergleichst unterschiedliche Nutzungsverläufe und führst kleine Experimente durch. Die Modelle sind absichtlich einfacher als echte Plattformen. So kannst Du verstehen, wie Verhalten Empfehlungen beeinflussen kann, ohne so zu tun, als würden wir die geheimen Formeln einzelner Unternehmen kennen.

Die Abbildung zeigt ein typisches Grundprinzip: Aus sehr vielen möglichen Inhalten werden zuerst passende Kandidaten ausgewählt. Danach werden sie bewertet und in eine Reihenfolge gebracht. Ein echter Dienst kann dafür sehr viele verschiedene Daten und Modelle nutzen.

Lernziele

Nach diesem aiMOOC kannst Du erklären, was ein Algorithmus, ein Feed und ein Empfehlungssystem sind. Du kannst typische Signale wie Klick, Suchanfrage, Wiedergabedauer, Skip, Like, Speichern und „Kein Interesse“ unterscheiden. Du kannst beschreiben, warum wiederholtes Verhalten meistens aussagekräftiger ist als eine einzelne Aktion. Du kannst vereinfachte Empfehlungsmodelle anwenden und deren Grenzen erklären. Außerdem kannst Du untersuchen, wie Empfehlungen mit Aufmerksamkeit, Auswahl, Vielfalt und selbstbestimmter Mediennutzung zusammenhängen.

Was ist ein Empfehlungsalgorithmus?

Ein Algorithmus ist eine genaue Folge von Regeln oder Rechenschritten. Ein Kochrezept ist kein Computerprogramm, funktioniert aber als gute Vergleichsidee: Es beschreibt, was in welcher Reihenfolge getan werden soll.

Ein Empfehlungsalgorithmus soll aus vielen Möglichkeiten eine kleinere Auswahl bilden. Bei Videos kann das eine Liste mit vorgeschlagenen Clips sein. Bei Musik kann es eine automatisch zusammengestellte Playlist sein. In einem Shop können es Produktvorschläge sein. In sozialen Medien kann daraus ein persönlicher Feed entstehen.

Ein vereinfachtes Empfehlungssystem kann so gedacht werden:

Schritt	Frage des Systems	Beispiel
Beobachten	Welche Signale liegen vor?	Ein Video wurde lange angesehen.
Vergleichen	Welche Inhalte ähneln dem bisherigen Verhalten?	Weitere Videos zum selben Thema werden gefunden.
Bewerten	Welche Kandidaten passen wahrscheinlich besser?	Ein häufig passendes Thema erhält mehr Punkte.
Sortieren	Was erscheint weiter oben?	Kandidaten mit höherer Modellbewertung stehen früher im Feed.
Lernen	Wie reagiert die Person?	Ein Skip oder „Kein Interesse“ kann das Modell verändern.

Echte Systeme sind deutlich komplizierter. Sie können viele Modelle gleichzeitig verwenden und ihre Gewichtungen verändern. Darum gilt für alle Simulationen dieses aiMOOCs: Wir lernen ein Prinzip, nicht die geheime Formel einer bestimmten Plattform.

Was ist ein Signal?

Ein Signal ist eine beobachtbare Information, die einem Empfehlungssystem bei einer Schätzung helfen kann. Ein Signal ist nicht dasselbe wie eine sichere Aussage über Deine Meinung.

Signal	Was könnte es bedeuten?	Warum ist es nicht eindeutig?
Klick	Das Thema hat Deine Aufmerksamkeit geweckt.	Vielleicht war nur das Vorschaubild überraschend.
Lange Wiedergabe	Der Inhalt war möglicherweise interessant.	Vielleicht lief das Video nur nebenbei.
Suche	Du möchtest gezielt etwas finden.	Vielleicht recherchierst Du nur für die Schule.
Like	Du willst positives Feedback geben.	Menschen liken aus sehr unterschiedlichen Gründen.
Skip	Der Inhalt passt gerade nicht.	Vielleicht kennst Du das Lied schon.
Speichern	Du möchtest später zurückkommen.	Gespeichert bedeutet nicht automatisch Lieblingsinhalt.
Kein Interesse	Du möchtest weniger ähnliche Vorschläge.	Die genaue Wirkung hängt vom jeweiligen Dienst ab.

Bei YouTube gehören laut eigener Hilfe unter anderem Wiedergabe- und Suchverlauf, Abonnements, Likes, Dislikes sowie Rückmeldungen wie „Kein Interesse“ zu wichtigen Empfehlungssignalen. Bei Spotify können laut eigener Erklärung unter anderem Suchen, Anhören, Skippen und Speichern das Geschmacksprofil beeinflussen. Das zeigt: Nutzungsverhalten kann Empfehlungen formen, aber einzelne Handlungen werden nicht überall gleich bewertet.

Aufmerksamkeit: Warum ist sie wichtig?

Deine Aufmerksamkeit ist begrenzt. Du kannst nicht gleichzeitig zehn Videos genau ansehen, fünf Lieder bewusst hören, drei Chats lesen und Hausaufgaben machen. Deshalb ist Aufmerksamkeit für digitale Dienste wertvoll: Was weit oben erscheint, auffällig gestaltet ist oder direkt weiterläuft, hat eine größere Chance, von Dir wahrgenommen zu werden.

Die Aufmerksamkeitsökonomie betrachtet Aufmerksamkeit als knappe Ressource. Für Klasse 6 reicht folgende Grundidee: Es gibt sehr viele Inhalte, aber nur begrenzte Zeit. Empfehlungssysteme helfen beim Auswählen. Gleichzeitig beeinflusst die Auswahl, was Du überhaupt bemerkst.

Das bedeutet nicht, dass ein Algorithmus Dich fernsteuert. Du kannst suchen, scrollen, schließen, pausieren, „Kein Interesse“ auswählen, eine andere Quelle öffnen oder das Gerät weglegen. Trotzdem kann die Reihenfolge von Inhalten Deine Aufmerksamkeit mitlenken. Deshalb ist es sinnvoll, Empfehlungen bewusst zu beobachten.

Das Aufmerksamkeits-Dreieck

Für unsere Experimente nutzen wir drei Fragen:

Bereich	Leitfrage	Beispiel
Inhalt	Was zieht mich an?	Ein überraschender Titel oder ein bekanntes Thema.
System	Was wird mir besonders sichtbar angeboten?	Ein Beitrag steht ganz oben im Feed.
Ich selbst	Welche Entscheidung treffe ich?	Ansehen, überspringen, suchen, speichern oder schließen.

Mit diesen drei Blickwinkeln kannst Du vermeiden, alles entweder „dem Algorithmus“ oder nur „dem Nutzer“ zuzuschreiben. Meist wirken mehrere Faktoren zusammen.

Entscheidungsmodell: Der Punkte-Feed

Für die folgenden Feed-Simulationen verwenden wir ein erfundenes Punktesystem. Es ist kein echtes Modell von YouTube, Spotify, TikTok, Instagram oder einem Shop. Es ist ein Lernmodell.

Beobachtetes Verhalten	Punkte im Lernmodell	Deutung
Inhalt fast vollständig ansehen oder anhören	+3	Starkes positives Signal
Inhalt speichern oder liken	+2	Positives Signal
Gezielt nach dem Thema suchen	+2	Aktives Interesse
Ähnlichen Inhalt erneut auswählen	+1	Wiederholtes Interesse
Schnell überspringen	-2	Negatives Signal
Kein Interesse wählen	-3	Deutliches negatives Signal

Die Punkte gelten immer für ein Thema, nicht für eine bestimmte Person. Wenn Du zum Beispiel ein Weltraumvideo fast vollständig ansiehst, bekommt das Thema „Weltraum“ in unserer Simulation drei Punkte.

Warum verwenden wir Punkte?

Mit Punkten wird sichtbar, wie ein Computer aus mehreren kleinen Beobachtungen eine Rangfolge bilden könnte. In echten Systemen werden oft sehr viel komplexere mathematische Modelle verwendet. Unser Punktesystem hilft Dir aber bei einer wichtigen Einsicht: Eine Empfehlung entsteht nicht aus Magie, sondern aus Regeln, Daten und Bewertungen.

Feed-Simulation 1: Videoempfehlungen

Stell Dir vor, Deine Startseite beginnt mit fünf Videos:

Video	Thema	Startwert
A	Weltraum	0
B	Fußball	0
C	Kochen	0
D	Tiere	0
E	Zeichnen	0

Runde 1: Wähle drei Aktionen aus. Beispiel: Du schaust A fast vollständig, überspringst B sofort und speicherst E. Nach unserem Lernmodell erhält Weltraum +3, Fußball -2 und Zeichnen +2.

Thema nach Runde 1	Beispielwert	Mögliche Folge im simulierten Feed
Weltraum	+3	Mehr Weltraumkandidaten erscheinen.
Zeichnen	+2	Zeichen-Tutorials rücken nach oben.
Tiere	0	Bleibt neutral.
Kochen	0	Bleibt neutral.
Fußball	-2	Wird seltener nach oben sortiert.

Runde 2: Jetzt kommen neue Kandidaten hinzu: „Mars-Rover“, „Comic zeichnen“, „Tierbabys“, „Nudelrezept“ und „Fußballtricks“. Sortiere sie so, wie Dein Lernmodell es tun würde.

Runde 3: Ändere bewusst Dein Verhalten. Suche nach „Nudelrezept“ und sieh Dir das Kochvideo fast vollständig an. Nun bekommt Kochen +5 aus Suche und langer Wiedergabe. Beobachte, wie schnell sich die Reihenfolge verändern kann.

Experiment 1: Ein Klick oder ein Muster?

Arbeite zu zweit. Person A bekommt im Lernmodell einen einzigen Klick auf „Weltraum“. Person B sieht drei Weltraumvideos fast vollständig und sucht zusätzlich nach „Planeten“.

Vergleicht die Ergebnisse. Ein einzelner Klick liefert weniger Hinweise als ein wiederholtes Muster. Formuliere daraus eine Regel: Je mehr passende Signale sich wiederholen, desto sicherer könnte ein System vermuten, dass ein Thema interessant ist.

Wichtig: Das bleibt eine Wahrscheinlichkeit. Auch wiederholtes Verhalten kann aus einem Schulprojekt, einem gemeinsamen Gerät oder einer vorübergehenden Neugier entstehen.

Feed-Simulation 2: Musik

Musikdienste können personalisierte Playlists oder automatische Radios zusammenstellen. In unserer Simulation stehen vier Musikrichtungen bereit:

Track	Stil	Deine mögliche Aktion
1	Pop	Anhören, Skippen oder Speichern
2	Rock	Anhören, Skippen oder Speichern
3	Hip-Hop	Anhören, Skippen oder Speichern
4	Filmmusik	Anhören, Skippen oder Speichern

Beginne wieder bei null Punkten. Nutze für jede Aktion das Punkte-Feed-Modell. Nach sechs Aktionen bildest Du aus Deinen höchsten Themenwerten eine persönliche Playlist.

Jetzt kommt die Überraschung: Die Lehrkraft oder ein Lernpartner fügt einen Entdecker-Track aus einer bisher niedrigen Kategorie ein. Wenn Du ihn speicherst, verändert sich das Profil. So lernst Du einen wichtigen Punkt: Empfehlungen können Bekanntes wiederholen, aber sie können auch Neues anbieten.

Experiment 2: Skip ist nicht immer Ablehnung

Spiele die Simulation zweimal. In Runde A bedeutet jeder Skip „gefällt mir nicht“. In Runde B darfst Du bei jedem Skip einen Grund angeben: „kenne ich schon“, „passt gerade nicht“, „zu lang“, „gefällt mir nicht“.

Vergleiche beide Modelle. Das einfache Modell missversteht einige Situationen. Daraus folgt: Daten zeigen Verhalten, aber nicht immer den Grund dahinter.

Feed-Simulation 3: Shopping

Auch Online-Shops können Produkte empfehlen. Denk an eine Person, die nach einem Mäppchen sucht. Sie sieht zusätzlich Buntstifte, Hefte, einen Rucksack und Kopfhörer.

In unserem Shopping-Modell gibt es zwei unterschiedliche Ideen:

Modell	Frage	Beispiel
Ähnlichkeitsmodell	Was passt zum betrachteten Produkt?	Zum Mäppchen werden Stifte empfohlen.
Verhaltensmodell	Was wurde nach ähnlichen Aktionen häufig ebenfalls angesehen?	Personen mit Interesse an Schulsachen sahen oft auch Hefte an.

Nun simulierst Du einen Einkauf ohne echtes Konto. Lege fünf Produktkarten auf den Tisch. Ein Lernpartner spielt das Empfehlungssystem. Du darfst Produkte ansehen, zurücklegen, vergleichen oder in einen Papier-Warenkorb legen.

Das „System“ notiert nur die simulierten Aktionen und verändert danach die Reihenfolge. Danach tauscht Ihr die Rollen.

Experiment 3: Der falsche Schluss

Du suchst ein Geburtstagsgeschenk für eine Person, die Dinosaurier liebt. Nach mehreren simulierten Klicks empfiehlt Dir das Modell viele Dinosaurierprodukte.

Frage: Bedeutet das, dass Du Dinosaurier liebst? Nein. Das System hat nur Verhalten beobachtet. Es kennt den Grund nicht sicher.

Diese Situation zeigt, warum personalisierte Empfehlungen manchmal überraschend oder unpassend wirken können.

Feed-Simulation 4: Social Media

Ein Social-Media-Feed besteht oft aus vielen kurzen Beiträgen hintereinander. Für die Simulation brauchst Du keine echte App und kein echtes Konto. Verwende Papierkarten mit Themen wie Sport, Tiere, Musik, Wissenschaft, Spiele, Kunst, Nachrichten und Witze.

Mische 16 Karten. Lege zunächst acht Karten offen aus. Jede Person darf drei Entscheidungen treffen: „ansehen“, „schnell weiter“, „speichern“ oder „kein Interesse“.

Danach wird mit dem Punkte-Feed-Modell ein zweiter Feed erstellt. Themen mit hohen Werten erscheinen häufiger, aber mindestens zwei Karten müssen bewusst aus anderen Themen stammen. Diese Regel nennen wir in unserem Lernmodell Vielfaltsregel.

Experiment 4: Zwei Personen, gleicher Startfeed

Zwei Gruppen erhalten denselben ersten Feed. Gruppe A reagiert oft auf Sport und Tiere. Gruppe B reagiert oft auf Kunst und Wissenschaft.

Nach zwei Runden vergleicht Ihr die Feeds. Obwohl beide Gruppen gleich gestartet sind, sehen sie nun unterschiedliche Reihenfolgen. So lässt sich Personalisierung erklären: Unterschiedliches Verhalten kann zu unterschiedlichen Empfehlungen führen.

Experiment 5: Der Vielfaltsschalter

Führe dieselbe Social-Media-Simulation zweimal durch.

Im ersten Durchgang darf das Modell nur die zwei höchsten Themen weiter verstärken. Im zweiten Durchgang gilt die Vielfaltsregel: Mindestens jede vierte Karte muss aus einem anderen Thema stammen.

Vergleiche:

Frage	Verstärkungsfeed	Vielfaltsfeed
Wie ähnlich sind die Beiträge?	Oft stärker ähnlich	Häufig gemischter
Wie leicht entdeckt man Neues?	Eher schwieriger	Eher leichter
Wie gut passt der Feed zu bisherigen Signalen?	Sehr eng	Etwas breiter

Damit kannst Du über Filterblasen sprechen. Der Begriff beschreibt die Sorge, dass personalisierte Auswahl den Blick auf andere Inhalte verengen kann. Wichtig ist aber: Eine völlige Isolation entsteht nicht automatisch, und die Forschung bewertet die Stärke solcher Effekte je nach Plattform, Thema und Situation unterschiedlich. Der Begriff ist deshalb ein Denkmodell und keine Garantie dafür, was bei jeder Person passiert.

Ein Entscheidungsmodell für Empfehlungen

Wir bauen nun ein vereinfachtes Modell mit vier Schritten:

Schritt	Frage	Beispiel
1 Beobachten	Was ist passiert?	Ein Lernvideo wurde lange angesehen.
2 Einordnen	Zu welchem Thema gehört es?	Thema Mathematik.
3 Bewerten	Ist das Signal eher positiv, neutral oder negativ?	Lange Wiedergabe ergibt im Lernmodell +3.
4 Rang bilden	Welche Inhalte kommen weiter nach oben?	Weitere Mathematikvideos erhalten höhere Startchancen.

Dieses Modell eignet sich gut für Rollenspiele: Eine Person ist der „Nutzer“, eine Person das „Signalbüro“, eine Person das „Bewertungsmodell“ und eine Person der „Feed-Sortierer“.

Entscheidungskarte: Was sollte das System tun?

Nimm eine Situation und entscheide, welche Reaktion in unserem Lernmodell sinnvoll wäre.

Situation	Mögliche Modellreaktion	Unsicherheit
Ein Video wird nach zwei Sekunden geschlossen.	Thema etwas abwerten.	Vielleicht wurde versehentlich geklickt.
Drei Videos zum selben Thema werden lange angesehen.	Thema stärker gewichten.	Vielleicht ist es eine Schulrecherche.
Ein Lied wird gespeichert.	Ähnliche Musik etwas höher bewerten.	Speichern kann auch „später hören“ bedeuten.
Ein Produkt wird in den Warenkorb gelegt.	Ähnliche oder ergänzende Produkte vorschlagen.	Vielleicht war es nur ein Vergleich.
„Kein Interesse“ wird gewählt.	Ähnliche Inhalte eher reduzieren.	Die genaue Wirkung ist je nach Dienst unterschiedlich.

Aufmerksamkeitsexperiment: Was bleibt hängen?

Dieses Experiment funktioniert ohne Smartphone.

Die Lehrkraft bereitet zwölf Karten mit Überschrift und Bildsymbol vor. Sechs Karten sind sachlich formuliert, sechs auffälliger. Alle Karten werden zehn Sekunden gezeigt. Danach deckt die Lehrkraft sie ab.

Schreibe auf, an welche Inhalte Du Dich erinnerst. Vergleicht anschließend in der Klasse, welche Karten häufig genannt wurden.

Das Experiment beweist nicht, dass auffällige Inhalte „besser“ sind. Es zeigt nur: Gestaltung kann beeinflussen, was zuerst Aufmerksamkeit bekommt. Ein Empfehlungssystem kann diesen Effekt verstärken, wenn auffällige Inhalte häufiger angeklickt werden und dadurch weitere positive Signale erhalten.

Experiment 6: Autoplay gegen bewusste Wahl

Simuliere zwei Varianten mit Karten:

Variante	Regel
Autoplay-Simulation	Nach jeder Karte kommt automatisch die nächste.
Wahl-Simulation	Nach jeder Karte musst Du bewusst aus drei Möglichkeiten auswählen.

Stoppe nach fünf Minuten. Notiere, wie viele Karten Du gesehen hast und wie oft Du bewusst entschieden hast.

Diskutiere: Welche Variante macht es leichter, zwischendurch zu stoppen? Welche Variante führt zu mehr Entscheidungen? Welche Rolle spielt Bequemlichkeit?

Aufmerksamkeit bewusst steuern

Empfehlungssysteme sind Werkzeuge. Du kannst lernen, sie bewusster zu benutzen. Dabei geht es nicht darum, jede Empfehlung abzulehnen, sondern zu verstehen, wie Auswahl entsteht.

Ein hilfreiches STOPP-Modell lautet:

Buchstabe	Frage
S	Suche ich gerade etwas Bestimmtes?
T	Tut mir der nächste Inhalt gerade gut oder lenkt er nur ab?
O	Öffne ich bewusst oder nur automatisch?
P	Passt der Feed noch zu meinem Ziel?
P	Pause möglich?

Du kannst außerdem aktiv andere Quellen nutzen, neue Suchbegriffe eingeben, „Kein Interesse“ verwenden, einen Verlauf verwalten oder eine App schließen. Welche Einstellungen verfügbar sind, hängt vom jeweiligen Dienst und Konto ab.

Vier Use-Cases im Vergleich

Bereich	Typische Empfehlung	Mögliche Signale	Risiko eines Fehlers
Video	Nächstes Video oder Startseitenvorschlag	Wiedergabe, Suche, Like, Feedback	Ein Recherchevideo wird als dauerhaftes Interesse missverstanden.
Musik	Persönliche Playlist oder Radio	Anhören, Skippen, Suche, Speichern	Ein Partysong beeinflusst Empfehlungen, obwohl er nur einmal gebraucht wurde.
Shopping	Ähnliche oder ergänzende Produkte	Produktansicht, Suche, Vergleich, Warenkorb oder Kauf	Ein Geschenk wird als eigenes Interesse gedeutet.
Social Media	Sortierter Feed mit Beiträgen	Ansehen, Weiterwischen, Reaktion, Folgen, Speichern	Kurze Neugier kann zu mehr ähnlichen Inhalten führen.

Mini-Labor: Baue Deinen eigenen Empfehlungsalgorithmus

Du erhältst 20 Karten mit fünf Themen. Entwickle ein Regelwerk, das nach jeder Aktion neue Karten auswählt.

Dein Modell muss drei Dinge können: Es soll bisheriges Interesse erkennen, negatives Feedback berücksichtigen und gelegentlich etwas Neues zeigen.

Schreibe die Regeln so, dass ein anderer Lernender sie ausführen kann. Beispiel: „Wenn ein Thema mindestens fünf Punkte hat, sollen zwei der nächsten fünf Karten aus diesem Thema stammen. Eine Karte muss aus einem neuen Thema kommen.“

Teste Dein Modell mit zwei Personen. Wenn beide nach unterschiedlichen Aktionen denselben Feed erhalten, ist Dein Modell möglicherweise noch nicht stark personalisiert. Wenn beide nur noch ein Thema sehen, fehlt möglicherweise Vielfalt.

Modellprüfung

Ein gutes Schulmodell sollte verständlich sein. Prüfe es mit diesen Fragen:

Prüffrage	Warum wichtig?
Sind die Regeln eindeutig?	Sonst können zwei Personen zu verschiedenen Ergebnissen kommen.
Reagiert das Modell auf positives und negatives Feedback?	Sonst lernt es nur in eine Richtung.
Kann es sich nach neuem Verhalten verändern?	Interessen sind nicht immer gleich.
Gibt es Raum für neue Themen?	Sonst wird der Feed möglicherweise sehr eng.
Kannst Du erklären, warum ein Beitrag oben steht?	Erklärbarkeit hilft beim Verstehen und Prüfen.

Grenzen der Simulationen

Unsere Modelle tun so, als gäbe es klar erkennbare Themen und einfache Punktwerte. In der Wirklichkeit können Empfehlungssysteme mit sehr vielen Merkmalen arbeiten. Plattformen verändern ihre Systeme, nutzen unterschiedliche Ziele und veröffentlichen nicht jede technische Einzelheit.

Außerdem ist menschliches Verhalten schwer zu deuten. Ein langer Blick kann Interesse bedeuten, aber auch Verwirrung. Ein Skip kann Ablehnung bedeuten, aber auch Zeitdruck. Eine Suche kann ein persönliches Hobby sein oder eine Hausaufgabe.

Deshalb solltest Du bei Aussagen über Empfehlungsalgorithmen Wörter wie kann, wahrscheinlich, in unserem Modell und laut Anbieterinformation verwenden, wenn Du die genaue Funktionsweise nicht sicher kennst.

Datenschutz und faire Experimente

Für alle Experimente in diesem aiMOOC gilt: Nutzt möglichst Papierkarten, erfundene Profile oder vorbereitete Beispieldaten. Niemand muss sein echtes Konto zeigen, private Suchverläufe offenlegen oder persönliche Vorlieben verraten.

Ein gutes Klassenexperiment untersucht das Prinzip, ohne private Daten zu sammeln.

Merksätze

Empfehlungen sind Vorhersagen, keine Gedankenleserei.

Nutzungsverhalten kann zukünftige Empfehlungen beeinflussen.

Mehrere wiederholte Signale können aussagekräftiger sein als eine einzelne Aktion.

Ein Feed zeigt eine Auswahl, nicht automatisch die ganze Welt.

Aufmerksamkeit ist begrenzt und deshalb wertvoll.

Du kannst Empfehlungen mit Deinem Verhalten und mit verfügbaren Einstellungen teilweise mitgestalten.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist die Aufgabe eines Empfehlungssystems? (Inhalte auswählen und sortieren die wahrscheinlich passen) (!Alle Nutzer immer genau gleich behandeln) (!Nur zufällige Inhalte anzeigen) (!Jede persönliche Entscheidung ersetzen)

Was ist in diesem aiMOOC ein Signal? (Eine beobachtbare Information über eine Nutzungshandlung) (!Eine sichere Aussage über die Gedanken einer Person) (!Ein geheimes Passwort des Algorithmus) (!Eine Werbung die immer angeklickt wird)

Warum ist ein einzelner Klick schwer zu deuten? (Weil ein Klick auch aus Neugier oder Versehen entstehen kann) (!Weil Computer Klicks grundsätzlich nicht speichern können) (!Weil nur Musikdienste Klicks auswerten) (!Weil ein Klick immer negatives Interesse bedeutet)

Welches Verhalten ist im Lernmodell ein deutlich negatives Signal? (Kein Interesse wählen) (!Einen Inhalt speichern) (!Nach einem Thema suchen) (!Einen Inhalt fast vollständig ansehen)

Was zeigt die Video Feed Simulation? (Unterschiedliches Verhalten kann zu unterschiedlichen Empfehlungen führen) (!Jeder Feed bleibt immer gleich) (!Ein Algorithmus kennt persönliche Gründe sicher) (!Nur die Uhrzeit entscheidet über Empfehlungen)

Warum kann ein Skip missverstanden werden? (Weil der Grund für das Überspringen unbekannt sein kann) (!Weil ein Skip immer ein Like bedeutet) (!Weil ein Skip nur beim Shopping vorkommt) (!Weil ein Skip keine Handlung ist)

Was beschreibt Aufmerksamkeit in diesem aiMOOC am besten? (Eine begrenzte Ressource für das Wahrnehmen von Inhalten) (!Eine unendlich verfügbare Fähigkeit) (!Eine Funktion die nur Computer besitzen) (!Eine Liste aller Beiträge im Internet)

Was ist die Idee einer Vielfaltsregel? (Auch Inhalte außerhalb der bisherigen Top Themen zu zeigen) (!Nur das höchste Thema immer wieder zu zeigen) (!Alle bisherigen Signale zu löschen) (!Jede Empfehlung rein zufällig auszuwählen)

Warum verwenden wir im Unterricht ein Punktesystem? (Um das Prinzip von Bewertung und Rangfolge sichtbar zu machen) (!Weil echte Plattformen genau dieselben Punkte verwenden) (!Weil jede Person dieselben Interessen hat) (!Weil Punkte Gedanken direkt messen)

Welche Aussage ist besonders wichtig? (Empfehlungen sind Vorhersagen und keine Gedankenleserei) (!Empfehlungen sind immer vollkommen richtig) (!Ein Algorithmus kann nie verändert werden) (!Nutzungsverhalten hat grundsätzlich keinen Einfluss)

Memory

Algorithmus	Folge von Regeln oder Rechenschritten
Signal	Beobachtbare Information über Nutzung
Feed	Sortierte Folge von Inhalten
Skip	Inhalt schnell überspringen
Personalisierung	Auswahl an bisheriges Verhalten anpassen
Aufmerksamkeit	Begrenzte Ressource beim Wahrnehmen
Vielfalt	Unterschiedliche Themen im Angebot
Feedback	Rückmeldung wie Kein Interesse

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Wiedergabedauer	Video lange ansehen
Suchsignal	Thema gezielt eingeben
Skip	Inhalt schnell überspringen
Speichern	Inhalt für später merken
Personalisierung	Feed an Verhalten anpassen
Vielfalt	Auch andere Themen zeigen
Aufmerksamkeit	Begrenzte Wahrnehmungszeit

Kreuzworträtsel

Algorithmus	Wie heißt eine genaue Folge von Regeln oder Rechenschritten?
Empfehlung	Wie heißt ein vorgeschlagener Inhalt?
Suchverlauf	Welche Sammlung zeigt frühere Suchanfragen?
Aufmerksamkeit	Welche begrenzte Ressource brauchen Inhalte um wahrgenommen zu werden?
Feedback	Wie heißt eine Rückmeldung an ein System?
Vielfalt	Wie heißt das Prinzip unterschiedliche Themen sichtbar zu halten?

LearningApps

Lückentext

Ein

besteht aus Regeln oder Rechenschritten.

Ein Empfehlungssystem versucht passende

auszuwählen.

Eine beobachtbare Nutzungshandlung kann als

dienen.

Langes Ansehen kann in einem Lernmodell ein positives

anzeigen.

Schnelles Überspringen nennt man häufig

.

Ein persönlicher Strom sortierter Beiträge wird oft

genannt.

Die Anpassung an bisheriges Verhalten heißt

.

Unsere Fähigkeit Inhalte bewusst wahrzunehmen heißt

.

Eine Regel für unterschiedliche Themen fördert

.

Empfehlungen sind Wahrscheinlichkeiten und keine

.

Offene Aufgaben

Leicht

Signal-Safari: Erfinde acht Nutzungshandlungen und ordne sie in positive, negative oder mehrdeutige Signale ein. Begründe bei mindestens zwei Handlungen, warum sie missverstanden werden könnten.
Papier-Feed: Gestalte einen Startfeed mit zwölf Karten aus vier Themen und lasse einen Lernpartner drei Entscheidungen treffen. Sortiere danach den zweiten Feed mit dem Punkte-Modell.
Aufmerksamkeits-Tagebuch: Beobachte zehn Minuten lang eine vorbereitete Kartenfolge und notiere, welche Überschriften Deine Aufmerksamkeit besonders schnell gewinnen. Nutze keine privaten Kontodaten.
Vier Use-Cases: Zeichne je ein Beispiel für eine Empfehlung bei Video, Musik, Shopping und Social Media und beschrifte ein mögliches Signal.

Standard

Zwei Profile ein Feed: Lass zwei erfundene Personen mit demselben Startfeed beginnen. Entwickle nach zwei Runden unterschiedliche Empfehlungen und erkläre, welche Signale den Unterschied verursacht haben.
Musikmodell: Entwickle eine Regel, die Anhören, Skippen und Speichern unterschiedlich gewichtet. Teste sie mit mindestens acht simulierten Aktionen.
Shopping-Irrtum: Erfinde eine Geschichte, in der ein Geschenkekauf zu unpassenden Empfehlungen führt. Erkläre, welchen falschen Schluss das System ziehen könnte.
Vielfalts-Test: Vergleiche einen Feed ohne Vielfaltsregel mit einem Feed, in dem jeder vierte Beitrag aus einem neuen Thema kommt. Bewerte Vor- und Nachteile.

Schwer

Empfehlungsmaschine: Entwickle einen vollständigen Papieralgorithmus mit mindestens drei positiven Signalen, zwei negativen Signalen und einer Vielfaltsregel. Ein anderer Lernender muss ihn ohne zusätzliche Erklärung ausführen können.
Experiment-Design: Plane ein Klassenexperiment zur Frage, ob wiederholte Signale stärkere Veränderungen erzeugen als ein einzelner Klick. Formuliere Hypothese, Ablauf, Beobachtung und mögliche Fehlerquellen.
Aufmerksamkeitsvergleich: Entwirf zwei Feeds mit denselben Themen, aber unterschiedlicher Reihenfolge und Gestaltung. Untersuche, welche Beiträge zuerst gewählt werden, ohne persönliche Daten zu sammeln.
Erklärvideo: Produziere ein kurzes Erklärvideo für jüngere Schüler mit den Begriffen Algorithmus, Signal, Feed, Personalisierung, Aufmerksamkeit und Vielfalt. Zeige darin mindestens eine Feed-Simulation.

Lernkontrolle

Transferfall Video: Eine Schülerin schaut für ein Referat an einem Nachmittag fünf lange Videos über Vulkane. Am Abend werden ihr weitere Vulkanvideos empfohlen. Erkläre mit mindestens drei Begriffen aus dem aiMOOC, warum das passieren kann und warum das System trotzdem nicht sicher weiß, dass Vulkane ihr Hobby sind.
Modellkritik Musik: Ein Lernmodell wertet jeden Skip mit minus drei Punkten. Zeige zwei Situationen, in denen diese Regel zu einer falschen Einschätzung führen kann, und verbessere die Regel.
Vergleich Shopping und Social Media: Erkläre eine Gemeinsamkeit und einen Unterschied zwischen Produktempfehlungen und einem personalisierten Social-Media-Feed. Beziehe Signale, Ziel und Aufmerksamkeit ein.
Vielfalt und Personalisierung: Ein Feed zeigt nur noch die zwei Themen mit den höchsten Punkten. Entwickle eine Regel, die stärker personalisiert bleibt, aber trotzdem neue Themen zulässt.
Aufmerksamkeit und Reihenfolge: Zwei identische Beiträge stehen einmal ganz oben und einmal sehr weit unten. Begründe, warum die Position die Aufmerksamkeit beeinflussen kann, ohne zu behaupten, dass jeder Mensch gleich reagiert.
Algorithmus erklären: Formuliere in eigenen Worten, warum „Der Algorithmus weiß, was ich denke“ eine ungenaue Aussage ist. Nutze die Begriffe Daten, Signal, Wahrscheinlichkeit und Unsicherheit.

Lernnachweis

Für einen guten Lernnachweis solltest Du zeigen, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und Modelle prüfen kannst.

Bereich	Das solltest Du zeigen
Grundbegriffe	Du erklärst Algorithmus, Feed, Signal, Personalisierung und Aufmerksamkeit in eigenen Worten.
Nutzungsverhalten	Du beschreibst, wie Klicks, Wiedergabe, Suche, Skip, Speichern oder Feedback Empfehlungen beeinflussen können.
Entscheidungsmodell	Du kannst ein vereinfachtes Punktesystem anwenden und daraus eine Rangfolge bilden.
Transfer	Du überträgst das Prinzip auf Video, Musik, Shopping und Social Media.
Modellkritik	Du erklärst, warum beobachtetes Verhalten nicht sicher den Grund einer Handlung verrät.
Vielfalt	Du kannst erklären, warum ein Feed sowohl passende als auch neue Themen enthalten könnte.
Aufmerksamkeit	Du beschreibst, wie Reihenfolge, Gestaltung und automatische Fortsetzung die Wahrnehmung beeinflussen können.
Datenschutz	Du planst Experimente mit erfundenen Daten statt mit privaten Kontoinformationen.

OERs zum Thema

Verknüpfte Lernbereiche

IM6 - Empfehlungsalgorithmen und Aufmerksamkeit

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache