Algorithmen und Aufmerksamkeit verstehen
Algorithmen und Aufmerksamkeit verstehen
Einleitung
Algorithmen und Aufmerksamkeit verstehen hilft Dir dabei, digitale Feeds, Empfehlungen und personalisierte Inhalte nicht nur zu benutzen, sondern ihre Grundidee zu durchschauen. Der Kurs richtet sich besonders an die Klasse 7 und ist für etwa 45 bis 90 Minuten angelegt. Du arbeitest mit Informatik, Mathematik, Deutsch, Ethik, Gemeinschaftskunde, Geschichte, Kunst und Medienbildung.
Wenn Dir eine Plattform Videos, Beiträge, Musik oder Nachrichten vorschlägt, geschieht das häufig nicht zufällig. Ein Empfehlungssystem kann aus sehr vielen möglichen Inhalten eine kleinere Auswahl bilden, für einzelne Inhalte Werte oder Wahrscheinlichkeiten berechnen und daraus eine Reihenfolge erzeugen. Diese Reihenfolge heißt Ranking. Dabei können beispielsweise Merkmale eines Inhalts, frühere Interaktionen, Ähnlichkeiten zwischen Inhalten, Popularität, Aktualität oder weitere Regeln eine Rolle spielen.
Wichtig ist: Ein Algorithmus liest keine Gedanken. Er arbeitet mit Daten, Signalen, Regeln und mathematischen Modellen. Er kann Vermutungen darüber anstellen, was wahrscheinlich relevant sein könnte. Diese Vermutungen können nützlich, ungenau oder einseitig sein.
Ein klassisches Flussdiagramm zeigt eine Grundidee von Algorithmen: Eine Aufgabe wird in eindeutige Schritte, Bedingungen und Entscheidungen zerlegt. Moderne Empfehlungssysteme können wesentlich komplexer sein, beruhen aber ebenfalls auf nachvollziehbaren Verarbeitungsschritten.
Das kannst Du am Ende
Nach diesem Lernkurs kannst Du die Grundidee eines Empfehlungssystems verständlich erklären, Personalisierung an neuen Beispielen erkennen und typische Fehlvorstellungen korrigieren. Du kannst beschreiben, warum Aufmerksamkeit für viele digitale Angebote wertvoll ist, welche Interessen hinter verschiedenen Geschäftsmodellen stehen können und warum Daten für Personalisierung nützlich sind. Außerdem kannst Du Empfehlungen quellenkritisch untersuchen, mögliche Formen von Bias erkennen, begründete Urteile formulieren und Strategien für mehr Perspektivenvielfalt und selbstbestimmte Mediennutzung anwenden.
Unterrichtsfahrplan für 1 bis 2 Unterrichtsstunden
| Phase | Dauer | Ziel | Aktivität |
|---|---|---|---|
| Aktivierung und Diagnose | 5–10 Minuten | Vorwissen sichtbar machen | Du unterscheidest zwischen chronologischer, redaktioneller und algorithmischer Sortierung. |
| Technische Einführung | 15–20 Minuten | Grundidee von Empfehlung und Ranking verstehen | Du arbeitest mit Signalen, Kandidatenauswahl, Score und Rückkopplung. |
| Anwendung | 15–25 Minuten | Empfehlung, Quellenkritik und Bias verbinden | Du analysierst einen fiktiven Feed zu einer schulischen Streitfrage. |
| Vertiefung | 10–20 Minuten | Geschäftsmodell, Aufmerksamkeit, Fairness und Perspektivenvielfalt beurteilen | Du vergleichst Ziele verschiedener Empfehlungssysteme und entwickelst Gegenstrategien. |
| Selbstkontrolle und Transfer | 10–20 Minuten | Verständnis prüfen und auf neue Fälle übertragen | Quiz, Reflexion, Lernkontrolle oder offene Aufgabe. |
Für eine einzelne Unterrichtsstunde kannst Du die Abschnitte Aktivierung, Technische Grundidee, Anwendungssituation und fünf Quizfragen auswählen. Für eine Doppelstunde kommen Bias, Geschäftsmodelle, Quellenkritik, Perspektivenvielfalt und Transfer hinzu.
Aktivierung und Diagnose
Sortiert – aber nach welcher Logik?
Stell Dir drei Startseiten vor. Seite A zeigt neue Beiträge streng nach Uhrzeit. Seite B zeigt Beiträge, die eine Redaktion ausgewählt hat. Seite C zeigt für jede Person eine andere Reihenfolge und verändert diese nach dem bisherigen Verhalten.
Überlege ohne nachzuschlagen: Welche Seite arbeitet mit Personalisierung? Welche Auswahl kann transparent erklärt werden? Welche Auswahl könnte sich während Deiner Nutzung verändern? Welche Seite muss deshalb nicht automatisch besser oder schlechter sein?
Diagnose-Regel: Es geht noch nicht um die perfekte Antwort. Halte zunächst Deine Vermutung fest und begründe sie mit einem Satz. Am Ende des Kurses prüfst Du, was Du ändern würdest.
Mini-Experiment ohne echtes Nutzerkonto
Eine Lehrkraft kann drei fiktive Profile verteilen: Sport, Zeichnen und Weltraum. Zu zehn neutralen Inhaltskarten wählt jede Gruppe vier Beiträge aus, die zu ihrem Profil passen. Danach werden die Gruppen gefragt, ob die Auswahl schon als „Algorithmus“ gelten kann.
Die entscheidende Einsicht lautet: Schon eine einfache Regel wie „Zeige zuerst Inhalte mit passenden Stichwörtern“ ist ein Algorithmus. Ein lernendes Empfehlungssystem geht darüber hinaus, weil es Muster aus Daten erkennen und Vorhersagen berechnen kann.
Was ist ein Algorithmus?
Ein Algorithmus ist eine eindeutige Folge von Regeln oder Schritten, mit der eine Aufgabe bearbeitet wird. Ein Kochrezept ist eine nützliche Analogie, aber Computerprogramme benötigen sehr genaue Anweisungen. Ein Algorithmus kann völlig ohne Künstliche Intelligenz funktionieren. Sortiert ein Programm Zahlen vom kleinsten zum größten Wert, ist das ein Algorithmus, aber noch kein lernendes KI-System.
Merksatz: Jede KI verwendet Algorithmen, aber nicht jeder Algorithmus ist KI.
Das Video zur Filterblase ist für die Sekundarstufe I gedacht. Nutze es nicht nur als Informationsquelle: Notiere während des Sehens eine Aussage, die erklärt wird, eine Aussage, die eher bewertet, und eine Frage, für die Du eine zweite Quelle suchen würdest.
Algorithmus, Modell und Ziel – drei verschiedene Dinge
| Begriff | Einfach erklärt | Beispiel |
|---|---|---|
| Algorithmus | Legt Verarbeitungsschritte fest. | Kandidaten sammeln, Merkmale auswerten, Werte berechnen, sortieren. |
| Modell | Bildet gelernte oder festgelegte Zusammenhänge ab. | Ein Modell schätzt, wie wahrscheinlich ein Inhalt zu einem Nutzungsmuster passt. |
| Zielgröße | Beschreibt, worauf das System optimieren soll. | Relevanz, Wiedergabedauer, Vielfalt, Zufriedenheit oder eine Mischung daraus. |
Ein wichtiger Denkfehler wäre: „Der Algorithmus will, dass ich lange online bleibe.“ Ein Algorithmus hat keine eigenen Wünsche. Menschen und Organisationen legen Ziele, Messgrößen und Regeln fest. Ein System kann dann so programmiert oder trainiert werden, dass es bestimmte Zielgrößen möglichst gut erfüllt.
Wie entsteht eine Empfehlung?
Moderne Empfehlungssysteme arbeiten häufig in mehreren Schritten. Die Details unterscheiden sich zwischen Angeboten, aber eine vereinfachte Pipeline hilft beim Verstehen.
Schritt 1: Viele mögliche Inhalte
Am Anfang gibt es einen großen Inhaltspool. Darin können Videos, Texte, Produkte, Podcasts oder Musikstücke liegen. Das System muss nicht jeden Inhalt vollständig vergleichen. Häufig wird zunächst eine kleinere Menge möglicher Kandidaten gebildet.
Schritt 2: Kandidatenauswahl
Die Kandidatenauswahl kann beispielsweise Inhalte wählen, die thematisch ähnlich sind, gerade neu sind, in einer Gruppe häufig genutzt werden oder zu bisherigen Interessen passen. Dieser Schritt heißt häufig Candidate Generation.
Schritt 3: Signale und Merkmale
Ein System kann verschiedene Signale auswerten. Dazu gehören zum Beispiel angeklickte Inhalte, übersprungene Inhalte, Betrachtungsdauer, Suchanfragen, ausdrücklich gegebene Bewertungen, ausgewählte Themen oder Metadaten wie Kategorie und Veröffentlichungszeit. Welche Signale tatsächlich genutzt werden, hängt vom jeweiligen Dienst ab.
Wichtig für Deine Privatsphäre: Nicht jedes System braucht Deinen Namen. Für Personalisierung kann bereits ein technisches Profil oder eine Nutzungshistorie genügen. Umgekehrt bedeutet eine vorhandene Information nicht automatisch, dass sie für jede Empfehlung genutzt wird.
Schritt 4: Score und Ranking
Für die Schule kannst Du Dir einen Score als Punktwert vorstellen. Ein echter Dienst kann dafür komplexe Modelle verwenden. Unser Lernmodell bleibt bewusst einfach:
Lern-Score = 2 · Passung + Aktualität + Vielfalt
Jeder Teilwert liegt zwischen 0 und 5. Ein Beitrag mit Passung 5, Aktualität 2 und Vielfalt 1 erhält damit einen Lern-Score von 13. Dieses Beispiel ist kein echter Plattformalgorithmus, sondern ein mathematisches Modell zum Verstehen von Gewichtungen.
Mathematik-Bezug: Wenn Du die Gewichte veränderst, veränderst Du die Reihenfolge. Verdoppelst Du das Gewicht der Vielfalt, können andere Inhalte nach oben rücken, obwohl sich die Inhalte selbst nicht verändert haben.
Die Grafik zeigt vereinfacht, wie aus einem großen Inhaltspool über Auswahl und Bewertung ein personalisierter Feed entstehen kann.
Schritt 5: Rückkopplung
Wenn Du einen empfohlenen Inhalt anklickst, lange ansiehst, sofort überspringst oder ausdrücklich ausblendest, kann daraus neues Feedback entstehen. Dieses Feedback kann spätere Empfehlungen beeinflussen.
Eine solche Feedback-Schleife ist besonders wichtig: Empfehlungen beeinflussen, was Du siehst. Dein Verhalten auf das Gesehene erzeugt neue Daten. Diese Daten können wiederum zukünftige Empfehlungen beeinflussen.
Das bedeutet aber nicht, dass Dein Verhalten vollständig vom System gesteuert wird. Du kannst suchen, direkt Quellen aufrufen, Empfehlungen ignorieren, Einstellungen verändern, Inhalte bewusst auswählen und andere Informationswege nutzen. Diese Handlungsmöglichkeiten nennt man im weiteren Sinn Human Agency.
Zwei klassische Arten der Empfehlung
Inhaltsbasierte Empfehlung
Beim Content-based Filtering werden Eigenschaften von Inhalten verglichen. Wenn Du zum Beispiel mehrere Beiträge über Vulkane auswählst, können weitere Beiträge mit ähnlichen Stichwörtern, Beschreibungen oder Themen empfohlen werden.
Vorteil: Die Empfehlung lässt sich oft gut mit Inhaltsmerkmalen erklären. Schwierigkeit: Wer immer nur sehr ähnliche Inhalte erhält, entdeckt möglicherweise weniger Neues.
Kollaborative Empfehlung
Beim Collaborative Filtering werden Muster zwischen Nutzungen verglichen. Vereinfacht: „Menschen mit einem ähnlichen Nutzungsmuster interessierten sich zusätzlich für …“
Vorteil: Das System kann Dinge entdecken, die nicht offensichtlich ähnlich aussehen. Schwierigkeit: Beliebte Inhalte können zusätzlichen Vorsprung bekommen, und neue Inhalte oder neue Nutzerprofile haben anfangs wenig Daten.
Cold Start nennt man das Problem, wenn zu Beginn noch zu wenig Informationen für verlässliche Empfehlungen vorhanden sind.
Aufmerksamkeit als knappe Ressource
Menschen können nicht alles gleichzeitig beachten. Aufmerksamkeit ist deshalb begrenzt. Digitale Angebote konkurrieren darum, dass Menschen Inhalte wahrnehmen, auswählen und nutzen.
Aufmerksamkeitsökonomie bedeutet nicht, dass Aufmerksamkeit buchstäblich Geld ist. Gemeint ist: Aufmerksamkeit kann wirtschaftlich wertvoll werden, weil sie beispielsweise Reichweite, Werbekontakte, Abonnements, Käufe oder andere Nutzungen ermöglicht.
Gestaltung lenkt Aufmerksamkeit
In Kunst, Design und Medienbildung kannst Du untersuchen, wie visuelle Gestaltung Aufmerksamkeit lenkt. Große Kontraste, Gesichter, Bewegung, kurze Überschriften, auffällige Vorschaubilder oder Benachrichtigungen können Wahrnehmung beeinflussen.
Das ist nicht automatisch Manipulation. Auch ein Schulbuch nutzt Überschriften und Farben, um Wichtiges sichtbar zu machen. Entscheidend ist die Frage: Hilft die Gestaltung Dir, ein eigenes Ziel zu verfolgen, oder drängt sie Dich in eine Richtung, die Du kaum bemerkst?
Stopp-Signale und Weiter-Signale
Eine Buchseite endet sichtbar. Ein linearer Stundenplan hat feste Abschnitte. Ein endloser Feed kann dagegen immer neue Inhalte nachladen. Autoplay, endloses Scrollen oder Benachrichtigungen können natürliche Stopp-Signale verringern.
Das bedeutet nicht, dass jede Person dadurch automatisch „süchtig“ wird. Eine faire Analyse unterscheidet zwischen Design, Nutzungssituation, persönlichen Gewohnheiten und tatsächlichen gesundheitlichen Problemen.
Personalisierung verstehen
Personalisierung bedeutet, dass ein Angebot an einzelne Personen oder Profile angepasst wird. Sie kann ausdrücklich erfolgen, wenn Du Interessen auswählst, oder indirekt, wenn das System aus Nutzungsmustern Schlüsse zieht.
Personalisierung kann hilfreich sein: Sie kann Informationsmengen reduzieren und passende Inhalte schneller auffindbar machen. Sie kann aber auch dazu führen, dass bestimmte Themen häufiger und andere seltener auftauchen.
Personalisierung ist keine Gedankenlesemaschine
Ein System kann sich irren. Vielleicht hast Du ein Video nur für ein Referat angesehen. Vielleicht benutzt eine Familie dasselbe Gerät. Vielleicht klickst Du auf etwas, weil Du es ablehnst. Das System sieht dann ein Signal, kennt aber nicht automatisch Deine Absicht.
Technische Kernidee: Ein Signal ist eine beobachtbare Messung. Eine Bedeutung ist eine Interpretation. Zwischen beidem liegt Unsicherheit.
Bias und Fairness
Bias bedeutet in diesem Zusammenhang eine systematische Verzerrung. Sie kann an unterschiedlichen Stellen entstehen.
| Art der Verzerrung | Beispiel | Prüffrage |
|---|---|---|
| Daten-Bias | In den Trainings- oder Nutzungsdaten kommen bestimmte Gruppen oder Inhalte häufiger vor. | Wer oder was fehlt in den Daten? |
| Popularity Bias | Bereits beliebte Inhalte werden häufiger empfohlen und dadurch noch sichtbarer. | Bekommen neue oder wenig bekannte Inhalte überhaupt eine Chance? |
| Mess-Bias | Klicks werden als Interesse gedeutet, obwohl ein Klick auch Kritik oder Überraschung bedeuten kann. | Misst die Kennzahl wirklich das, was sie messen soll? |
| Ziel-Bias | Ein System optimiert sehr stark auf eine einzige Größe. | Was passiert, wenn Vielfalt, Qualität oder Fairness nicht Teil des Ziels sind? |
| Feedback-Bias | Frühere Empfehlungen erzeugen neue Daten, die die ursprüngliche Richtung verstärken. | Verstärkt das System seinen eigenen bisherigen Erfolg? |
Die Grafik veranschaulicht, wie algorithmische Verteilung Inhalte über einen direkten Kreis hinaus verstärken kann. Reichweite ist dabei kein Beweis für Wahrheit, Qualität oder gesellschaftliche Bedeutung.
Fairness ist mehr als gleiche Behandlung
Ein System kann alle Inhalte nach derselben mathematischen Regel behandeln und trotzdem ungleiche Folgen erzeugen. Fairness verlangt deshalb eine zweite Frage: Welche Wirkungen hat die Regel für unterschiedliche Gruppen, Themen oder Perspektiven?
In Ethik kannst Du zwischen mindestens drei Zielen unterscheiden: gleiche Regeln, faire Chancen und gute Folgen. Diese Ziele können miteinander in Konflikt geraten.
Filterblase, Echokammer und Quellenkritik
Die Begriffe Filterblase und Echokammer werden oft vermischt.
Eine Filterblase beschreibt die Vorstellung, dass personalisierte Auswahl bestimmte Informationen stärker sichtbar und andere weniger sichtbar macht. Eine Echokammer beschreibt eher einen sozialen Raum, in dem ähnliche Sichtweisen häufig wiederholt und gegenseitig bestätigt werden.
Wichtige Korrektur: Es ist zu einfach zu behaupten, ein Algorithmus sperre jede Person automatisch in eine vollkommen geschlossene Blase. Forschung zeigt ein differenzierteres Bild. Technische Vorauswahl, eigene Entscheidungen, Freundeskreise, Gruppenzugehörigkeit, Suchverhalten und andere Medienquellen wirken zusammen. Deshalb solltest Du weder die Wirkung von Algorithmen unterschätzen noch ihnen allein die Verantwortung für gesellschaftliche Polarisierung geben.
Prüfe beim Video zur Echokammer: Welche Aussagen beschreiben Technik? Welche beschreiben menschliches Verhalten? Welche Aussagen sind Beispiele und welche verallgemeinern?
Vier-Schritt-Quellencheck
Wenn ein empfohlener Beitrag eine starke Behauptung aufstellt, nutze diesen Check:
- Quelle prüfen: Wer veröffentlicht den Inhalt und welche Fachkenntnis oder Verantwortung ist erkennbar?
- Belege prüfen: Werden überprüfbare Daten, Dokumente, Studien oder nachvollziehbare Beobachtungen genannt?
- Kontext prüfen: Ist der Beitrag aktuell, vollständig und passend zum ursprünglichen Zusammenhang?
- Gegenquelle suchen: Was sagen unabhängige, möglichst fachkundige Quellen mit einer anderen Perspektive?
Ein Empfehlungssystem beantwortet diese vier Fragen nicht automatisch für Dich. Relevanz ist nicht dasselbe wie Verlässlichkeit.
Sprache, Framing und Medienanalyse
Im Fach Deutsch ist wichtig, wie Sprache Aufmerksamkeit und Bewertung lenkt. Vergleiche:
„Neue Regel zur Handynutzung wird diskutiert.“
„Schule plant radikales Handy-Verbot!“
Beide Sätze können sich auf dasselbe Ereignis beziehen, erzeugen aber unterschiedliche Erwartungen. Wörter wie „radikal“, „Skandal“, „endlich“, „vernichtend“ oder „unglaublich“ können eine Deutung vorgeben.
Achte bei empfohlenen Beiträgen deshalb auf Framing: Welche Begriffe werden gewählt? Wer handelt aktiv? Wer wird nur als Objekt beschrieben? Welche Informationen stehen in der Überschrift, welche fehlen?
Geschäftsmodelle und Dateninteressen
Digitale Angebote können unterschiedlich finanziert werden. Ein Geschäftsmodell beschreibt vereinfacht, wie ein Angebot Wert schafft und Einnahmen erhält.
| Modell | Typisches Interesse | Möglicher Zielkonflikt |
|---|---|---|
| Werbefinanzierung | Nutzung und Werbekontakte ermöglichen | Sehr viel Aufmerksamkeit kann wirtschaftlich interessant sein, obwohl Nutzende eigentlich aufhören wollten. |
| Abonnement | Menschen sollen den Dienst als so wertvoll erleben, dass sie bezahlen und bleiben. | Auch hier kann Bindung wichtig sein; Werbung ist aber nicht zwingend die Haupteinnahmequelle. |
| Öffentliche Finanzierung | Gesellschaftlicher Auftrag, Information, Bildung oder Kultur | Relevanz und Vielfalt müssen mit begrenzten Mitteln organisiert werden. |
| Spenden oder Mitgliedschaft | Unterstützung durch eine Gemeinschaft | Sichtbarkeit und Vertrauen bleiben trotzdem wichtig. |
| Verkauf oder Vermittlung | Käufe oder Transaktionen auslösen | Empfehlungen können wirtschaftliche Interessen mit beeinflussen. |
Fehlvorstellung: „Kostenlos bedeutet immer, dass meine persönlichen Daten verkauft werden.“ Das ist zu pauschal. Werbefinanzierte Dienste können Nutzungsdaten analysieren, Zielgruppen bilden oder Werbeplätze verkaufen, ohne eine vollständige persönliche Datendatei direkt an Werbekunden zu verkaufen. Trotzdem sind Datenerhebung, Profilbildung und Werbezwecke wichtige Themen für Datenschutz und Transparenz.
Warum sind Daten interessant?
Daten können helfen, Inhalte zu personalisieren, Systeme zu verbessern, Fehler zu erkennen, Reichweite zu messen oder Werbung auf bestimmte Zielgruppen auszurichten. Deshalb ist die richtige Frage nicht nur: „Werden Daten gesammelt?“, sondern auch: Welche Daten, zu welchem Zweck, wie lange, mit welcher Rechtsgrundlage, für wen zugänglich und mit welchen Wahlmöglichkeiten?
Für Minderjährige gelten in Europa besondere Schutzregeln. Der Digital Services Act verlangt unter anderem einen hohen Schutz von Privatsphäre, Sicherheit und Schutz Minderjähriger. Profiling-basierte Werbung mit personenbezogenen Daten darf Minderjährigen auf Online-Plattformen nicht einfach wie Erwachsenen angezeigt werden, wenn der Dienst mit hinreichender Sicherheit weiß, dass es sich um Minderjährige handelt.
Technische Transparenz: Was sollten wir fragen?
Bei einem Empfehlungssystem helfen fünf Transparenzfragen:
- Ziel des Systems: Was soll optimiert werden?
- Eingabedaten: Welche Informationen fließen ein?
- Ranking: Nach welchen Kriterien werden Inhalte geordnet?
- Kontrolle: Welche Einstellungen oder Alternativen haben Nutzende?
- Evaluation: Wie wird geprüft, ob das System vielfältig, sicher und fair genug arbeitet?
Öffentlich-rechtliche Anbieter wie ARD und ZDF veröffentlichen inzwischen technische Erklärungen zu Teilen ihrer Empfehlungssysteme. Das ist interessant für Gemeinschaftskunde, weil hier nicht nur Klicks, sondern auch publizistische Vielfalt und der gesellschaftliche Auftrag als Ziele diskutiert werden können.
Historischer Blick: Wer entscheidet, was sichtbar wird?
Auch vor digitalen Plattformen wurden Informationen ausgewählt. Zeitungsredaktionen entschieden über Titelseiten, Radio- und Fernsehsender über Sendepläne, Buchhandlungen über Auslagen und Bibliotheken über Anschaffungen. Solche Auswahlprozesse nennt man häufig Gatekeeping.
Neu an digitalen Empfehlungssystemen ist unter anderem, dass Auswahl sehr schnell, für viele einzelne Profile unterschiedlich und mithilfe großer Datenmengen erfolgen kann. Außerdem können Rückmeldungen aus der Nutzung nahezu sofort in weitere Entscheidungen einfließen.
Der Vergleich mit früheren Medien hilft, einen zweiten Denkfehler zu vermeiden: Algorithmische Auswahl ist nicht die erste Form von Medienauswahl in der Geschichte. Sie verändert jedoch Geschwindigkeit, Skalierung, Personalisierung und Messbarkeit.
Realistische Anwendungssituation: Der Feed zur Schulfrage
Deine Klasse diskutiert: Soll es in den großen Pausen eine freiwillige handyfreie Zone geben?
Du willst Dich informieren. Eine fiktive Plattform zeigt Dir sechs Beiträge. Du hast zuvor Videos über Gaming und Sport angesehen. Die Plattform verwendet das Lernmodell:
Score = 2 · vermutete Passung + Aktualität + Vielfalt
| Beitrag | Quelle | Passung | Aktualität | Vielfalt | Auffälligkeit |
|---|---|---|---|---|---|
| A | anonymer Kurzclip | 5 | 5 | 1 | starke Empörung, keine Quelle genannt |
| B | Schülerzeitung mit Interview | 4 | 4 | 3 | mehrere Stimmen aus der Schule |
| C | kommunale Jugendstudie | 2 | 3 | 5 | erklärt Methode und Grenzen |
| D | Kommentar eines Creators | 5 | 4 | 1 | persönliche Erfahrung wird verallgemeinert |
| E | Artikel einer Medienpädagogik-Stelle | 3 | 4 | 4 | nennt Forschung und praktische Tipps |
| F | Gegenposition aus einer Jugendvertretung | 2 | 5 | 5 | begründet Freiheits- und Beteiligungsargumente |
Deine Aufgabe: Berechne zuerst die Lern-Scores. Entscheide danach ausdrücklich nicht einfach nach der höchsten Punktzahl. Stelle für mindestens drei Beiträge den Vier-Schritt-Quellencheck an. Baue anschließend eine Informationsauswahl aus mindestens zwei unterschiedlichen Perspektiven.
Das ist der Kern von Human Agency: Ein Ranking kann Dir Vorschläge machen. Dein begründetes Urteil bleibt Deine Aufgabe.
Vertiefung: Was passiert bei einem anderen Ziel?
Ändere das Modell zu:
Score neu = Passung + Aktualität + 3 · Vielfalt
Berechne erneut. Vergleiche die Reihenfolge. Erkläre, warum sich ein Feed verändern kann, obwohl kein einziger Beitrag geändert wurde.
Diese Aufgabe verbindet Mathematik und Informatik: Gewichte sind keine Nebensache. Sie drücken aus, was im Modell wichtig gemacht wird.
Perspektivenvielfalt aktiv herstellen
Du bist Empfehlungen nicht ausgeliefert. Du kannst Deine Informationsumgebung mitgestalten.
- Direktsuche: Suche gezielt nach einem Thema statt nur dem Feed zu folgen.
- Quellenmix: Nutze Fachquellen, journalistische Angebote, Primärquellen und begründete Gegenpositionen.
- Chronologische Ansicht: Nutze eine nicht personalisierte oder zeitlich sortierte Ansicht, wenn ein Dienst sie anbietet.
- Signale steuern: Nutze Funktionen wie „nicht interessiert“, Entfolgen oder Zurücksetzen von Empfehlungen, wenn sie verfügbar sind.
- Pause setzen: Definiere vor der Nutzung ein eigenes Ziel oder einen Endpunkt.
- Perspektivencheck: Frage Dich bewusst: Welche wichtige Sichtweise fehlt gerade?
Selbstbestimmung bedeutet nicht, jede Empfehlung abzulehnen. Es bedeutet, Empfehlungen als Vorschläge zu behandeln und Deine eigenen Ziele, Quellen und Grenzen einzubringen.
Medienanalyse: Ein aktueller Videoimpuls
Das Video trägt einen bewusst zugespitzten Titel über die „Macht“ von Algorithmen. Nutze genau das als Medienanalyse: Welche Bildsprache und Wörter erzeugen Spannung? Welche technischen Aussagen werden belegt? Wo wird zwischen Einfluss und Kontrolle unterschieden? Welche Interessen hat ein journalistisches Video daran, Aufmerksamkeit zu gewinnen, obwohl es selbst über Aufmerksamkeitsmechanismen berichtet?
Experimentieren statt glauben: Black-Box-Audit
Wissenschaftlerinnen und Wissenschaftler können ein geschlossenes Empfehlungssystem von außen untersuchen, indem sie kontrollierte Testprofile verwenden und Unterschiede in den Empfehlungen dokumentieren. Solche Verfahren werden auch als Audits bezeichnet.
Für die Schule sollst Du keine echten Fake-Konten anlegen. Du kannst das Prinzip sicher mit Karten simulieren: Drei Gruppen erhalten drei kontrollierte Profile. Jede Gruppe führt dieselben zehn Inhaltskarten durch dieselbe vorgegebene Ranking-Regel. Danach werden Ergebnisse verglichen.
So lernst Du eine wichtige wissenschaftliche Haltung: Nicht nur vermuten, sondern systematisch beobachten, vergleichen und Grenzen der Untersuchung benennen.
Typische Fehlvorstellungen korrigieren
| Fehlvorstellung | Bessere Erklärung |
|---|---|
| „Der Algorithmus entscheidet wie ein Mensch.“ | Ein System führt Regeln aus oder berechnet Vorhersagen. Ziele und Bewertungsmaßstäbe werden von Menschen gestaltet. |
| „Alles in meinem Feed wurde nur für mich persönlich ausgesucht.“ | Personalisierung kann mit Gruppenmustern, Trends, redaktionellen Regeln, Kontext und Zufall kombiniert sein. |
| „Viele Likes beweisen, dass etwas stimmt.“ | Reichweite und Zustimmung sind keine Belege für Wahrheit. |
| „Eine Filterblase ist immer völlig geschlossen.“ | Informationsauswahl entsteht aus Technik und menschlichem Verhalten; vollständige Abschottung ist nicht automatisch gegeben. |
| „Algorithmen sind neutral, weil Mathematik neutral ist.“ | Daten, Messgrößen, Gewichtungen und Ziele können systematische Verzerrungen erzeugen. |
| „Jeder Algorithmus ist künstliche Intelligenz.“ | Einfache Sortier- oder Rechenverfahren sind Algorithmen, aber keine lernende KI. |
| „Wenn ein Dienst gratis ist, verkauft er sicher meine persönlichen Daten.“ | Geschäftsmodelle sind unterschiedlich. Daten können für Personalisierung oder Werbung genutzt werden, ohne dass eine komplette persönliche Datendatei verkauft wird. |
| „Was empfohlen wird, ist automatisch wichtig.“ | Empfehlung bedeutet meist erwartete Relevanz nach bestimmten Kriterien, nicht gesellschaftliche oder sachliche Wichtigkeit. |
Verantwortlicher KI-Einsatz
Du kannst generative KI beim Lernen verwenden, ohne ihr Dein Urteil zu überlassen. Lass Dir zum Beispiel drei mögliche Erklärungen für eine beobachtete Feed-Veränderung nennen. Markiere anschließend jede Aussage als Hypothese, bis Du sie mit verlässlichen Quellen geprüft hast.
Gib einer KI keine unnötigen personenbezogenen Daten, keine privaten Chatverläufe und keine sensiblen Informationen über Mitschülerinnen oder Mitschüler. Verwende KI nicht, um eine fertige Bewertung zu übernehmen. Nutze sie als Werkzeug für Fragen, Gegenargumente und Struktur – die Quellenprüfung und Begründung bleiben bei Dir.
Quellenwerkstatt
Nicht jede Quelle erfüllt dieselbe Aufgabe. Ein guter Lernkurs kombiniert unterschiedliche Quellentypen.
| Quelle | Wofür sie nützlich ist | Quellenkritische Frage |
|---|---|---|
| Bundeszentrale für politische Bildung | Geschäftsmodelle, gesellschaftliche Einordnung, Filterblasen | Welche wissenschaftlichen Positionen und Gegenargumente werden berücksichtigt? |
| Europäische Kommission und Europäischer Datenschutzausschuss | Aktuelle Regeln zu Plattformen, Datenschutz und Minderjährigenschutz | Handelt es sich um geltendes Recht, Leitlinien oder politische Kommunikation? |
| ARD und ZDF Transparenzseiten | Konkrete Beispiele für Empfehlungssysteme und verwendete Metriken | Beschreibt der Anbieter sein eigenes System und welche unabhängige Prüfung fehlt möglicherweise? |
| klicksafe | Medienpädagogische Materialien und Jugendmedienschutz | Für welche Zielgruppe wurde das Material erstellt? |
| Wikipedia | Einstieg, Begriffe und weiterführende Quellen | Welche Belege stehen hinter einzelnen Aussagen und wie aktuell sind sie? |
Quellen sind nicht einfach „gut“ oder „schlecht“. Frage immer, wofür eine Quelle geeignet ist, wer sie verantwortet, wie sie belegt und wo ihre Grenzen liegen.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was beschreibt ein Ranking in einem Empfehlungssystem am besten? (Eine geordnete Reihenfolge von Inhalten nach bestimmten Kriterien) (!Eine Liste aller Daten im Internet) (!Eine zufällige Auswahl ohne Regeln) (!Eine Sammlung nur von Werbeanzeigen)
Welche Aussage über Algorithmen ist richtig? (Ein Algorithmus besteht aus Regeln oder Verarbeitungsschritten) (!Jeder Algorithmus ist künstliche Intelligenz) (!Ein Algorithmus kann Gedanken lesen) (!Ein Algorithmus entscheidet immer neutral)
Was ist ein mögliches Signal für ein Empfehlungssystem? (Die Betrachtungsdauer eines Inhalts) (!Die geheime Absicht einer Person) (!Eine zukünftige Entscheidung, die noch nicht getroffen wurde) (!Die Wahrheit einer Behauptung ohne weitere Prüfung)
Was bedeutet Personalisierung? (Ein Angebot wird an Merkmale oder Nutzungsmuster eines Profils angepasst) (!Alle Menschen sehen immer dieselben Inhalte) (!Eine Redaktion darf keine Inhalte auswählen) (!Jeder Inhalt wird automatisch als wahr geprüft)
Was beschreibt Popularity Bias? (Bereits beliebte Inhalte können zusätzlich bevorzugt werden) (!Neue Inhalte werden immer zuerst gezeigt) (!Alle Inhalte erhalten exakt gleich viel Sichtbarkeit) (!Popularität beweist automatisch Qualität)
Warum kann eine Feedback-Schleife wichtig sein? (Frühere Empfehlungen und Reaktionen können spätere Empfehlungen beeinflussen) (!Sie verhindert jede Form von Personalisierung) (!Sie löscht automatisch alle Nutzungsdaten) (!Sie macht Quellenkritik überflüssig)
Welche Aussage zur Filterblase ist am besten begründet? (Technische Auswahl und menschliches Verhalten können gemeinsam Informationsräume verengen) (!Jeder Mensch ist online vollständig von anderen Sichtweisen abgeschottet) (!Nur Algorithmen verursachen gesellschaftliche Polarisierung) (!Filterblasen entstehen ausschließlich durch Werbung)
Welche Handlung stärkt Perspektivenvielfalt? (Bewusst unterschiedliche verlässliche Quellen und Gegenpositionen nutzen) (!Nur den ersten empfohlenen Beitrag lesen) (!Popularität mit Wahrheit gleichsetzen) (!Quellenangaben grundsätzlich ignorieren)
Was ist bei einem werbefinanzierten Angebot wirtschaftlich wertvoll? (Aufmerksamkeit kann Werbekontakte und Reichweite ermöglichen) (!Jede Nutzung führt automatisch zu einem direkten Kauf) (!Werbung benötigt grundsätzlich keine Daten oder Zielgruppen) (!Kostenlose Angebote haben nie wirtschaftliche Interessen)
Welche Aussage zeigt Human Agency? (Empfehlungen als Vorschläge nutzen und eigene Ziele und Quellen wählen) (!Jede Empfehlung ungeprüft übernehmen) (!Alle digitalen Medien grundsätzlich meiden) (!Ein Ranking mit einem Beweis verwechseln)
Memory
| Algorithmus | eindeutige Verarbeitungsschritte |
| Ranking | geordnete Reihenfolge |
| Personalisierung | Anpassung an Profil oder Nutzung |
| Feedback-Schleife | Reaktion beeinflusst spätere Auswahl |
| Bias | systematische Verzerrung |
| Quellenkritik | Herkunft und Belege prüfen |
| Aufmerksamkeit | begrenzte Wahrnehmungsressource |
| Human Agency | bewusst eigene Entscheidungen treffen |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Kandidatenauswahl | große Inhaltsmenge verkleinern |
| Scoring | Inhalte mit Punktwerten oder Vorhersagen bewerten |
| Ranking | Inhalte in eine Reihenfolge bringen |
| Interaktion | Nutzung erzeugt ein neues Signal |
| Rückkopplung | neues Signal kann spätere Empfehlungen verändern |
| Quellencheck | Verlässlichkeit unabhängig vom Ranking prüfen |
| Perspektivenmix | bewusst unterschiedliche Sichtweisen ergänzen |
Kreuzworträtsel
| Algorithmus | Wie heißt eine eindeutige Folge von Regeln oder Schritten zur Bearbeitung einer Aufgabe? |
| Ranking | Wie heißt die geordnete Reihenfolge empfohlener Inhalte? |
| Metadaten | Wie heißen beschreibende Angaben zu einem Inhalt wie Thema oder Kategorie? |
| Werbung | Welche Einnahmequelle nutzt häufig die Aufmerksamkeit eines Publikums? |
| Vielfalt | Welches Ziel sorgt dafür, dass nicht nur sehr ähnliche Perspektiven auftauchen? |
| Aufmerksamkeit | Welche begrenzte menschliche Ressource ist für viele digitale Angebote besonders wertvoll? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Feed-Skizze: Zeichne einen fiktiven Feed mit sechs Beiträgen. Markiere, welche Signale ein einfaches Empfehlungssystem für die Reihenfolge genutzt haben könnte. Verwende keine echten privaten Daten.
- Aufmerksamkeitsdesign: Fotografiere keine realen Personen, sondern gestalte zwei Vorschaubilder zum gleichen neutralen Thema. Eines soll sachlich, eines besonders aufmerksamkeitsstark wirken. Begründe Deine Gestaltung.
- Quellen-Dreieck: Wähle ein unstrittiges Schulthema und finde drei unterschiedliche Quellentypen. Beschreibe, wofür jede Quelle nützlich ist und wo ihre Grenzen liegen.
- Fehlvorstellungen erklären: Formuliere für eine jüngere Klasse eine kurze Erklärung, warum „Viele Likes = wahr“ und „Jeder Algorithmus = KI“ falsch sind.
Standard
- Ranking-Labor: Erstelle mit fünf fiktiven Beiträgen ein Punktesystem aus Passung, Aktualität und Vielfalt. Verändere danach die Gewichte und analysiere, wie sich die Reihenfolge verändert.
- Perspektiven-Check: Untersuche zu einer schulischen Streitfrage vier Quellen. Ordne Argumente, Belege, Interessen und fehlende Perspektiven und entwickle anschließend einen vielfältigeren Informationsmix.
- Geschäftsmodell-Vergleich: Vergleiche ein werbefinanziertes, ein abonnementsfinanziertes und ein öffentlich finanziertes Medienangebot. Erkläre, welche Ziele jeweils in ein Empfehlungssystem einfließen könnten.
- Mini-Audit: Simuliere mit Karten drei Nutzerprofile und dieselbe Ranking-Regel. Dokumentiere Unterschiede und erkläre, welche Schlussfolgerungen zulässig sind und welche nicht.
Schwer
- Bias-Fallstudie: Entwickle ein fiktives Empfehlungssystem, das zunächst nur auf Klicks optimiert. Zeige, wie Popularity Bias oder Mess-Bias entstehen könnte, und schlage zwei technische oder redaktionelle Gegenmaßnahmen vor.
- Transparenz-Check: Vergleiche die Transparenzinformationen zweier realer digitaler Angebote. Prüfe Ziele, Daten, Kontrolle, Ranking-Erklärung und Möglichkeiten für nicht personalisierte Nutzung.
- Historischer Medienvergleich: Vergleiche Gatekeeping einer Zeitung mit einem personalisierten Feed. Arbeite Gemeinsamkeiten, Unterschiede sowie Chancen und Risiken für demokratische Öffentlichkeit heraus.
- KI-Quellenkritik: Lass eine generative KI drei Hypothesen dazu nennen, warum ein fiktiver Feed einseitig geworden ist. Prüfe jede Hypothese mit unabhängigen Quellen und dokumentiere, welche Aussagen bestätigt, eingeschränkt oder verworfen werden müssen.
|
|
Lernkontrolle
- Transferfall Musikempfehlung: Ein Musikdienst empfiehlt nach mehreren ruhigen Liedern fast nur noch ähnliche Stücke. Erkläre zwei mögliche technische Ursachen und eine Strategie, mit der eine Person neue Perspektiven in die Auswahl bringt.
- Zielkonflikt bewerten: Ein System A maximiert die Betrachtungsdauer, System B gewichtet zusätzlich Vielfalt. Entwickle Kriterien, mit denen eine Schule beurteilen könnte, welches System für eine Lernplattform angemessener ist.
- Quellenurteil: Ein sehr populärer Kurzclip widerspricht einer weniger populären Fachquelle. Beschreibe Schritt für Schritt, wie Du zu einem begründeten Urteil kommst, ohne Popularität oder Autorität allein entscheiden zu lassen.
- Fairness-Fall: Neue Beiträge werden selten empfohlen, weil bisherige Interaktionsdaten fehlen. Ordne das Problem einer möglichen Bias-Art zu und entwickle einen Vorschlag, der sowohl Relevanz als auch faire Chancen berücksichtigt.
- Geschäftsmodell-Transfer: Erkläre, wie sich dasselbe Empfehlungssystem verändern könnte, wenn ein Dienst statt Werbeeinnahmen plötzlich über Abonnements finanziert würde. Begründe, welche Zielgrößen sich ändern könnten und welche nicht zwingend.
- Fehlvorstellung korrigieren: Jemand sagt: „Der Algorithmus hat mich manipuliert, also hatte ich keine Wahl.“ Formuliere eine differenzierte Antwort, die sowohl technische Einflussmöglichkeiten als auch menschliche Handlungsspielräume berücksichtigt.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst. Du solltest zeigen können, dass Du Zusammenhänge erklärst und auf neue Fälle überträgst.
- Technisches Verständnis: Du erklärst die Kette Inhaltspool, Kandidatenauswahl, Signale, Score, Ranking und Rückkopplung an einem eigenen Beispiel.
- Mathematisches Verständnis: Du zeigst an Gewichtungen, warum unterschiedliche Zielsetzungen zu unterschiedlichen Reihenfolgen führen können.
- Quellenkritik: Du prüfst Behauptungen unabhängig davon, wie oft sie empfohlen oder geteilt wurden.
- Bias-Analyse: Du erkennst mögliche Verzerrungen in Daten, Messgrößen, Zielen oder Rückkopplungen.
- Geschäftsmodell: Du erklärst begründet, warum Aufmerksamkeit und Daten für verschiedene Anbieter unterschiedliche Rollen spielen.
- Perspektivenvielfalt: Du stellst einen Informationsmix zusammen, der mehrere begründete Perspektiven berücksichtigt.
- Human Agency: Du entwickelst konkrete Strategien für selbstbestimmte Nutzung und kannst ihre Grenzen benennen.
- Urteilskompetenz: Du formulierst ein begründetes Urteil, das Chancen, Risiken, Unsicherheiten und Zielkonflikte berücksichtigt.
Selbstkontrolle und Reflexion
Beantworte nach dem Kurs erneut die Diagnosefrage vom Anfang: Woran erkennst Du heute, dass eine Reihenfolge personalisiert sein könnte? Nenne mindestens ein technisches Merkmal, eine mögliche Datenquelle und eine Möglichkeit, wie Du selbst die Informationsauswahl verändern kannst.
Bewerte anschließend auf einer Skala von 1 bis 5, wie sicher Du diese drei Aussagen erklären kannst: „Ein Ranking ist keine Wahrheitsprüfung“, „Personalisierung ist eine Vorhersage unter Unsicherheit“ und „Mehr Perspektiven entstehen nicht automatisch, sondern können bewusst gesucht werden“.
Wenn Du bei einer Aussage noch unsicher bist, kehre gezielt zu dem Abschnitt zurück, der genau diese Idee erklärt. Das ist wirksamer, als den gesamten Kurs noch einmal von vorne zu lesen.
Quellen und weiterführende Hinweise
- Bundeszentrale für politische Bildung: Das Geschäftsmodell von Social-Media-Unternehmen
- Bundeszentrale für politische Bildung: Mythos Filterblase – sind wir wirklich so isoliert?
- Europäische Kommission: Digital Services Act: keeping us safe online
- Europäischer Datenschutzausschuss: Children
- ARD: Algorithmen in der ARD
- ZDF: Algorithmen im ZDF
- klicksafe: Leben wir alle in einer Filterblase?
- Mimikama: Algorithmus-Trainer
- Wikimedia Commons: Die im Kurs eingebundenen Diagramme sind auf ihren jeweiligen Dateiseiten mit freien Lizenzen oder als CC0 gekennzeichnet.
OERs zum Thema
Verknüpfte Lernbereiche
Fächerübergreifende Bezüge
| Fach | Verbindung zum Thema |
|---|---|
| Informatik | Algorithmen, Daten, Modelle, Ranking, Empfehlungssysteme, maschinelles Lernen |
| Mathematik | Gewichtungen, Punktwerte, Wahrscheinlichkeiten, Vergleiche und einfache Modellbildung |
| Deutsch | Framing, Überschriften, Argumentation, Quellenkritik und Sprachwirkung |
| Geschichte | Wandel von Gatekeeping, Massenmedien und digitaler Personalisierung |
| Kunst | visuelle Aufmerksamkeit, Bildkomposition, Vorschaubilder und Interface-Design |
| Ethik | Autonomie, Verantwortung, Fairness, Transparenz und Interessenkonflikte |
| Gemeinschaftskunde | demokratische Öffentlichkeit, Plattformregeln, Jugendschutz und Digital Services Act |
| Medienbildung | selbstbestimmte Nutzung, Datenschutz, Quellenprüfung und Perspektivenvielfalt |