Korrelation und Kausalität bei KI unterscheiden
Korrelation und Kausalität bei KI unterscheiden
Korrelation und Kausalität bei KI unterscheiden
Zielgruppe: Schule, Schwerpunkt Klasse 9 Zeitumfang: etwa 1–2 Unterrichtsstunden Schwerpunkte: Künstliche Intelligenz, Statistik, Datenkompetenz, Medienkompetenz, Ethik, Verantwortung, Quellenkritik und fächerübergreifendes Denken
Einleitung
Ein KI-System erkennt häufig Muster in Daten. Es kann zum Beispiel feststellen, dass zwei Merkmale oft gemeinsam auftreten: Lernende mit vielen späten Logins auf einer Lernplattform erzielen in einem Datensatz möglicherweise häufiger schwächere Testergebnisse. Doch daraus folgt noch nicht, dass die späten Logins die schlechteren Ergebnisse verursachen. Vielleicht lernen Schülerinnen und Schüler gerade deshalb spät, weil sie Schwierigkeiten mit dem Stoff haben. Vielleicht haben sie tagsüber weniger Zeit. Vielleicht wirkt eine dritte Größe auf beide Merkmale.
Genau hier liegt eine zentrale KI-Kompetenz: Du musst zwischen Korrelation und Kausalität unterscheiden können. Diese Fähigkeit hilft Dir, Vorhersagen von KI-Systemen richtig einzuordnen, riskante Entscheidungen zu vermeiden und Aussagen in Medien, Werbung, Wissenschaft und Alltag kritisch zu prüfen.
Korrelation bedeutet, dass zwei Größen in Daten gemeinsam variieren. Kausalität bedeutet, dass eine Veränderung einer Ursache tatsächlich eine Veränderung einer Wirkung hervorruft.
Ein Zusammenhang in Daten kann ein wichtiger Hinweis sein. Er ist aber noch kein Beweis für eine Ursache-Wirkungs-Beziehung.
Die Grafik zeigt ein typisches Problem: Zwei Größen können miteinander zusammenhängen, weil eine dritte Größe beide beeinflusst. Solche dritten Einflussgrößen nennt man Störvariablen oder Confounder.
Lernziele
Nach diesem Lernkurs kannst Du:
- Korrelation und Kausalität an neuen Beispielen unterscheiden und Deine Entscheidung begründen.
- erklären, warum ein KI-Modell aus einem statistischen Muster nicht automatisch eine Ursache ableiten kann.
- mindestens drei alternative Erklärungen für eine beobachtete Korrelation prüfen.
- Daten, Merkmale, Zielgrößen und mögliche Störvariablen eines KI-Systems untersuchen.
- Risiken von Fehlinterpretationen für Fairness, Sicherheit und gesellschaftliche Entscheidungen einschätzen.
- typische sprachliche Übertreibungen wie „führt zu“, „macht“ oder „beweist“ kritisch prüfen.
- begründen, wann zusätzliche Daten, ein Experiment, Fachwissen oder menschliche Kontrolle nötig sind.
Aktivierung und Diagnose
Lies die vier Aussagen. Entscheide zunächst ohne Hilfe, ob die genannte Ursache-Wirkungs-Erklärung gerechtfertigt ist.
| Aussage | Deine erste Einschätzung | Welche Frage würdest Du prüfen? |
|---|---|---|
| Im Sommer steigen Eisverkäufe und Badeunfälle. Also verursacht Eisessen Badeunfälle. | Kausal oder nur korreliert? | Gibt es eine dritte gemeinsame Ursache? |
| Ein KI-System erkennt: Viele späte Logins gehen mit schwächeren Testergebnissen einher. Also sollte die Schule späte Logins verbieten. | Kausal oder nur korreliert? | Könnte die Wirkrichtung anders sein? |
| In einem fair durchgeführten Versuch erhält eine zufällig ausgewählte Gruppe eine zusätzliche Lernhilfe. Diese Gruppe verbessert sich im Mittel stärker. | Kausal oder nur korreliert? | Welche Unterschiede zwischen den Gruppen wurden kontrolliert? |
| Bei großen Bränden sind mehr Feuerwehrfahrzeuge vor Ort und die Schäden größer. Also vergrößern Feuerwehrfahrzeuge den Brandschaden. | Kausal oder nur korreliert? | Welche gemeinsame Ursache beeinflusst beide Größen? |
Merke Dir Deine Antworten. Am Ende des Kurses prüfst Du, ob und warum Du Deine Einschätzung ändern würdest.
Verständliche Einführung
Was ist eine Korrelation?
Eine Korrelation beschreibt einen statistischen Zusammenhang zwischen zwei Merkmalen. Bei einer positiven Korrelation steigen beide Größen tendenziell gemeinsam. Bei einer negativen Korrelation steigt eine Größe, während die andere tendenziell sinkt. Fehlt ein erkennbarer linearer Zusammenhang, liegt die lineare Korrelation nahe null.
In der Mathematik kann der Korrelationskoeffizient r Werte zwischen -1 und +1 annehmen. Für Klasse 9 ist vor allem die Bedeutung wichtig:
| Beobachtung | Bedeutung |
|---|---|
| r nahe +1 | starker positiver linearer Zusammenhang |
| r nahe -1 | starker negativer linearer Zusammenhang |
| r nahe 0 | kein oder nur schwacher linearer Zusammenhang |
Wichtig: Auch ein sehr hoher Betrag von r beantwortet nicht die Frage, ob eine Größe die andere verursacht.
Die Streudiagramme zeigen verschiedene lineare Zusammenhänge. Sie sagen etwas darüber, wie zwei Größen gemeinsam auftreten, aber nicht automatisch warum.
Was ist Kausalität?
Kausalität bezeichnet eine Ursache-Wirkungs-Beziehung. Eine kausale Aussage behauptet mehr als eine Korrelation. Sie behauptet, dass eine Veränderung der Ursache die Wirkung verändert.
Beispiel: Wenn zwei vergleichbare Gruppen zufällig gebildet werden und nur eine Gruppe eine zusätzliche Lernmethode erhält, kann ein systematischer Unterschied zwischen den Gruppen ein stärkerer Hinweis auf eine kausale Wirkung sein. Trotzdem müssen Durchführung, Messung, Stichprobe und mögliche Fehler geprüft werden.
Für kausale Aussagen sind typischerweise mehrere Arten von Evidenz wichtig: Fachwissen, zeitliche Reihenfolge, Vergleichsgruppen, kontrollierte Bedingungen, Experimente oder andere geeignete Untersuchungsdesigns. Nicht jede Frage lässt sich experimentell untersuchen, weil Experimente zu teuer, unpraktisch oder unethisch sein können.
Warum Korrelation keine Kausalität beweist
Wenn zwei Größen A und B korrelieren, sind mindestens vier Erklärungen denkbar:
- A verursacht B: Die vermutete Richtung stimmt.
- B verursacht A: Die Richtung ist umgekehrt.
- C beeinflusst A und B: Eine Störvariable erzeugt den Zusammenhang.
- Der Zusammenhang ist zufällig oder verzerrt: Stichprobe, Messung oder Datenauswahl täuschen ein Muster vor.
_and_after_(right)_control.png)
In einem Kausaldiagramm steht eine Störvariable oft als dritte Größe zwischen den beobachteten Merkmalen. Solche Diagramme helfen, alternative Erklärungen sichtbar zu machen.
Ein nützlicher Denk-Test: Beobachten oder Eingreifen?
Stelle Dir immer zwei verschiedene Fragen:
Beobachtungsfrage: Was geschieht bei Menschen oder Situationen, bei denen ein Merkmal bereits unterschiedlich ausgeprägt ist?
Kausalfrage: Was würde sich verändern, wenn wir gezielt in genau dieses Merkmal eingreifen würden und die wichtigen anderen Bedingungen möglichst vergleichbar blieben?
Bei KI ist dieser Unterschied entscheidend. Ein Modell kann sehr gut vorhersagen, wer wahrscheinlich ein bestimmtes Ergebnis erreicht, ohne zu wissen, welche Maßnahme dieses Ergebnis verbessern würde.
Korrelation und Kausalität bei KI
Was lernt ein typisches KI-Modell?
Viele Systeme des maschinellen Lernens werden darauf trainiert, aus vorhandenen Daten Vorhersagen zu machen. Das System erhält Merkmale, zum Beispiel Bearbeitungsdauer, Fehlversuche oder Anzahl von Übungen, und lernt statistische Muster, die mit einer Zielgröße zusammenhängen.
Das bedeutet nicht automatisch, dass das Modell einen echten Ursache-Wirkungs-Mechanismus gelernt hat. Es kann auch mit Stellvertretermerkmalen arbeiten. Ein solches Proxymerkmal ist leicht messbar und hängt mit einer anderen, eigentlich relevanten Größe zusammen.
Ein Modell kann deshalb gleichzeitig:
- sehr gute Vorhersagen machen,
- eine falsche kausale Erklärung nahelegen,
- bei einer Entscheidung unfair oder riskant eingesetzt werden.
Beispiel: Späte Logins auf einer Lernplattform
Eine Schule testet ein KI-System, das Unterstützungsbedarf vorhersagen soll. Im vergangenen Halbjahr findet das System folgenden Zusammenhang:
| Gruppe | Durchschnittliche späte Logins pro Woche | Durchschnittliches Testergebnis |
|---|---|---|
| Gruppe A | 0–1 | 78 Prozent |
| Gruppe B | 2–3 | 70 Prozent |
| Gruppe C | 4 oder mehr | 61 Prozent |
Das KI-System kann daraus lernen: Viele späte Logins sind ein gutes Vorhersagesignal für schwächere Testergebnisse.
Doch daraus folgt nicht: Späte Logins verursachen schwächere Testergebnisse.
Mögliche alternative Erklärungen sind:
- Lernende mit Schwierigkeiten üben häufiger spät, weil sie mehr Zeit benötigen.
- Manche Lernende haben tagsüber weniger Zeit und arbeiten deshalb später.
- Umfangreiche Hausaufgaben können sowohl späte Logins als auch geringere Erholung verursachen.
- Frühere Lernstände können gleichzeitig die Lernzeit und das spätere Testergebnis beeinflussen.
Eine Schule, die aus der Korrelation sofort ein Verbot später Logins ableitet, verwechselt Vorhersage mit Ursache. Eine verantwortungsvollere Nutzung wäre, das Signal zunächst als Anlass für ein Gespräch oder ein Unterstützungsangebot zu verwenden.
Warum das für Fairness wichtig ist
Ein KI-System bewertet Menschen häufig anhand von Merkmalen, die statistisch mit einem Ergebnis zusammenhängen. Problematisch wird es, wenn solche Merkmale als Ursache interpretiert werden oder wenn sie unfaire Stellvertreter für andere Lebensbedingungen sind.
Ein Risikoscore darf deshalb nicht automatisch als Urteil über eine Person verstanden werden. Besonders bei folgenreichen Entscheidungen braucht es Transparenz, menschliche Prüfung und die Möglichkeit, eine Entscheidung zu hinterfragen.
Human Agency bedeutet hier: Die KI liefert Informationen, aber Menschen behalten Verantwortung, prüfen Gründe, können widersprechen und entscheiden nicht blind nach einem Modellwert.
Daten- und Systembewertung
Die Prüfkarte für KI-Aussagen
Wenn ein KI-System einen Zusammenhang meldet, kannst Du mit dieser Prüfkarte arbeiten:
| Prüffrage | Warum sie wichtig ist |
|---|---|
| Was genau soll vorhergesagt werden? | Eine Zielgröße kann unvollständig oder schlecht gemessen sein. |
| Welche Daten wurden verwendet? | Alte, einseitige oder lückenhafte Daten können Muster verzerren. |
| Welche Merkmale nutzt das System? | Manche Merkmale sind nur Stellvertreter für andere Einflüsse. |
| Welche alternativen Erklärungen gibt es? | Umgekehrte Kausalität und Störvariablen können den Zusammenhang erklären. |
| Wie wurden die Daten erhoben? | Beobachtungsdaten erlauben andere Schlüsse als ein kontrolliertes Experiment. |
| Was passiert bei einem Irrtum? | Je größer der mögliche Schaden, desto höher sollte die Evidenzschwelle sein. |
| Wer kann die Entscheidung prüfen? | Menschliche Kontrolle und Widerspruchsmöglichkeiten schützen vor automatischen Fehlentscheidungen. |
| Wird das System nach dem Einsatz weiter beobachtet? | Ein Einsatz kann neue Rückkopplungen und neue Verzerrungen erzeugen. |
Risikoabwägung: Je größer die Folgen, desto höher die Begründungspflicht
| Anwendung | Möglicher Schaden eines Fehlers | Angemessene Nutzung |
|---|---|---|
| Empfehlung für eine freiwillige Übungsaufgabe | gering | Vorhersage kann als Hinweis genügen |
| Auswahl für zusätzliche Lernförderung | mittel | Vorhersage plus Gespräch, weitere Daten und regelmäßige Prüfung |
| Ausschluss von einem Bildungsangebot | hoch | reine Korrelation reicht nicht; starke Begründung, Transparenz und menschliche Entscheidung nötig |
Die zentrale Regel lautet: Ein statistisches Muster kann eine Frage eröffnen. Es darf eine kausale Antwort nicht ersetzen.
Typische Fehlvorstellungen korrigieren
| Fehlvorstellung | Bessere Denkweise |
|---|---|
| Eine starke Korrelation beweist eine Ursache. | Stärke des Zusammenhangs und Ursache sind verschiedene Fragen. |
| Wenn eine KI sehr genau vorhersagt, hat sie die Ursache gefunden. | Vorhersagequalität kann auch durch nicht-kausale Merkmale hoch sein. |
| Wenn A vor B passiert, verursacht A automatisch B. | Zeitliche Reihenfolge ist wichtig, aber allein nicht ausreichend. |
| Mehr Daten lösen das Problem der Kausalität automatisch. | Auch riesige Datensätze können Störvariablen und verzerrte Messungen enthalten. |
| Eine KI-Entscheidung ist objektiv, weil sie aus Zahlen besteht. | Daten, Zielgrößen, Auswahlregeln und Einsatzkontext beruhen auf menschlichen Entscheidungen. |
| Eine Korrelation von null bedeutet, dass überhaupt kein Zusammenhang existiert. | Der Korrelationskoeffizient kann nichtlineare Beziehungen übersehen. |
Anschauliche Vertiefung: Simpson-Paradoxon
Manchmal ändert sich ein statistischer Zusammenhang sogar, wenn Daten in sinnvolle Untergruppen aufgeteilt werden. Beim Simpson-Paradoxon kann ein Trend in mehreren Gruppen in die gleiche Richtung zeigen, während der zusammengefasste Datensatz einen anderen oder sogar entgegengesetzten Trend zeigt.
Für KI ist das wichtig, weil ein Modell aus zusammengefassten Daten ein Muster lernen kann, das für einzelne Gruppen nicht gilt. Deshalb sollte man Daten nicht nur als große Gesamttabelle betrachten, sondern auch prüfen, wie Ergebnisse in relevanten Gruppen zustande kommen.
Fächerübergreifende Bezüge
| Fach | Verbindung zum Thema |
|---|---|
| Informatik | Trainingsdaten, Merkmale, Zielgrößen, Vorhersagemodelle, Modellgrenzen und Systembewertung |
| Mathematik | Streudiagramme, Korrelation, Datenanalyse, Zufall und Vergleich von Gruppen |
| Deutsch | sprachliche Prüfung von Behauptungen wie „führt zu“, „verursacht“, „beweist“ und „hängt zusammen mit“ |
| Technik | Sensordaten können Ausfälle vorhersagen, ohne automatisch die technische Fehlerursache zu bestimmen |
| Wirtschaft | Verkaufsdaten und Werbung können korrelieren; für die Frage nach Werbewirkung braucht man zusätzliche Untersuchungen |
| Geschichte | historische Ursachen sind oft mehrfaktoriell; zeitliches Zusammentreffen allein erklärt kein Ereignis |
| Ethik | Verantwortung, Fairness, Folgen automatisierter Entscheidungen und Schutz vor ungerechtfertigten Zuschreibungen |
| Gemeinschaftskunde | datenbasierte Entscheidungen in Institutionen, Transparenz, Rechenschaft und Beteiligung Betroffener |
Medien und Erklärvideos
Das folgende Video erläutert den Unterschied zwischen Korrelation und Kausalität sowie den Umgang mit Streudiagrammen und Korrelationswerten.
Für eine deutschsprachige Vertiefung eignet sich der Statistik-Wissenshappen der Hochschule Harz.
Arbeitsauftrag zu einem Video: Notiere eine Aussage, die nur eine Korrelation beschreibt, und formuliere anschließend eine stärkere kausale Aussage. Schreibe dazu, welche zusätzliche Evidenz nötig wäre, um die stärkere Aussage zu rechtfertigen.
Realistische Anwendungssituation
Soll die Schule nach dem KI-Risikoscore handeln?
Eine Schule möchte Lernende frühzeitig unterstützen. Ein KI-System markiert Schülerinnen und Schüler als „erhöhtes Risiko“, wenn mehrere Merkmale gemeinsam auftreten: viele Fehlversuche, späte Logins, häufige Unterbrechungen und schwächere frühere Ergebnisse.
Die Schulleitung diskutiert drei Maßnahmen:
| Maßnahme | Vorteil | Risiko |
|---|---|---|
| Automatische Pflichtnachhilfe für alle markierten Lernenden | schnelle Reaktion | Korrelation wird wie Ursache behandelt; Fehlmarkierungen können belasten |
| Freiwilliges Unterstützungsangebot und persönliches Gespräch | Hilfe ohne automatische Sanktion | benötigt Zeit und menschliche Ressourcen |
| Risikoscore zunächst nur für Forschung verwenden | geringe unmittelbare Belastung | mögliche Unterstützung wird später wirksam |
Deine Aufgabe: Entscheide Dich für eine Maßnahme oder entwickle eine bessere vierte Lösung. Begründe Deine Entscheidung mit mindestens vier Kriterien aus der Prüfkarte.
Eine gute Begründung trennt dabei mindestens drei Ebenen:
- Vorhersage: Wie gut erkennt das System, wer später Schwierigkeiten haben könnte?
- Erklärung: Wissen wir, warum diese Schwierigkeiten entstehen?
- Entscheidung: Welche Maßnahme ist trotz Unsicherheit vertretbar?
Selbstkontrolle und Reflexion
Rückkehr zur Diagnose
Prüfe nun die vier Aussagen vom Anfang:
| Fall | Fachlich angemessene Einordnung |
|---|---|
| Eisverkäufe und Badeunfälle | Korrelation; warmes Wetter kann beide Größen beeinflussen |
| Späte Logins und schwächere Testergebnisse | Korrelation; Richtung und mögliche Störvariablen müssen geprüft werden |
| Zufällig zugeteilte zusätzliche Lernhilfe | Unter guten Versuchsbedingungen deutlich stärkerer Hinweis auf Kausalität |
| Feuerwehrfahrzeuge und Brandschaden | Korrelation; die Brandstärke beeinflusst typischerweise beide Größen |
Reflexion: Welche Deiner ersten Antworten hast Du verändert? Erkläre nicht nur die richtige Zuordnung, sondern den Denkfehler, der zu einer falschen Zuordnung führen könnte.
Transferregel in einem Satz
Vervollständige für Dich selbst:
Wenn eine KI zwei Merkmale miteinander verknüpft, frage ich zuerst ..., bevor ich behaupte, dass ... .
Eine tragfähige Antwort enthält die Idee, dass ein Muster zunächst nur einen Zusammenhang zeigt und alternative Ursachen geprüft werden müssen.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Ein KI-System erkennt, dass Lernende mit vielen späten Logins häufiger schwächere Testergebnisse haben. Welche Schlussfolgerung ist am besten begründet? (Die späten Logins sind ein Vorhersagesignal, aber noch kein Beweis für eine Ursache) (!Späte Logins verursachen sicher schlechtere Noten) (!Das KI-System hat den Lernprozess vollständig erklärt) (!Die Schule sollte späte Logins sofort verbieten)
Eisverkäufe und Badeunfälle steigen im Sommer gleichzeitig. Welche Erklärung muss besonders geprüft werden? (Eine dritte Größe wie warmes Wetter beeinflusst beide) (!Eisessen muss Badeunfälle verursachen) (!Badeunfälle erhöhen den Eisverkauf) (!Jede Korrelation ist zufällig)
Welche Untersuchung liefert bei guter Durchführung den stärksten Hinweis auf eine kausale Wirkung einer neuen Lernmethode? (Eine zufällige Zuteilung zu Lernmethode und Vergleichsgruppe) (!Eine Umfrage nur unter erfolgreichen Lernenden) (!Ein Vergleich zweier bereits sehr unterschiedlicher Klassen) (!Eine einzelne Beobachtung eines Schülers)
Ein Modell sagt einen Maschinenausfall sehr genau voraus. Was folgt daraus nicht automatisch? (Das Modell kennt die technische Ursache des Ausfalls) (!Das Modell kann ein nützliches Warnsignal liefern) (!Die Vorhersage kann auf statistischen Mustern beruhen) (!Die verwendeten Merkmale sollten geprüft werden)
Warum kann ein Proxymerkmal problematisch sein? (Es kann mit einer Zielgröße zusammenhängen, ohne selbst die Ursache zu sein) (!Es macht jede Vorhersage unmöglich) (!Es ist immer absichtlich manipuliert) (!Es kommt nur in Experimenten vor)
Ein hoher Korrelationswert zwischen zwei Größen zeigt vor allem was? (Einen starken linearen statistischen Zusammenhang) (!Eine bewiesene Ursache-Wirkung-Beziehung) (!Dass keine Störvariable existiert) (!Dass die Wirkrichtung eindeutig feststeht)
Welche Frage trennt Vorhersage besonders gut von Kausalität? (Was würde passieren, wenn wir gezielt in eine Variable eingreifen?) (!Wie viele Zeilen hat der Datensatz?) (!Welche Farbe hat die Benutzeroberfläche?) (!Wie schnell startet das Programm?)
Warum sollte ein KI-Risikoscore bei wichtigen Schulentscheidungen nicht allein entscheiden? (Fehlvorhersagen und nicht-kausale Zusammenhänge können reale Nachteile erzeugen) (!Weil Computer grundsätzlich keine Zahlen verarbeiten können) (!Weil statistische Modelle nie nützlich sind) (!Weil menschliche Entscheidungen immer fehlerfrei sind)
Was zeigt das Simpson-Paradoxon besonders anschaulich? (Ein Trend kann sich beim Zusammenfassen oder Aufteilen von Gruppen verändern) (!Kausalität lässt sich immer aus einem Gesamtdatensatz ablesen) (!Jede Untergruppe muss gleich groß sein) (!Korrelationen können nur positiv sein)
Welche Formulierung ist bei unsicherer Kausalität sprachlich am sorgfältigsten? (Die Daten zeigen einen Zusammenhang, mögliche Ursachen müssen weiter geprüft werden) (!Die Daten beweisen eindeutig die Ursache) (!Die KI weiß, warum das Ergebnis entstanden ist) (!Der Zusammenhang zeigt, dass ein Eingriff sicher wirkt)
Memory
| Korrelation | statistisches gemeinsames Muster |
| Kausalität | Ursache-Wirkungs-Beziehung |
| Störvariable | beeinflusst mehrere beobachtete Größen |
| Proxymerkmal | messbarer Stellvertreter für einen anderen Einfluss |
| Intervention | gezielte Veränderung einer Bedingung |
| Scheinkorrelation | Zusammenhang ohne den vermuteten kausalen Mechanismus |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Vorhersage | Ein KI-System schätzt ein zukünftiges Ergebnis aus vorhandenen Mustern. |
| Kausalität | Eine gezielte Veränderung einer Ursache verändert die Wirkung. |
| Störvariable | Eine dritte Größe beeinflusst zwei beobachtete Merkmale. |
| Proxymerkmal | Ein Merkmal steht stellvertretend für einen anderen Einfluss. |
| Human Agency | Menschen behalten Entscheidung, Kontrolle und Verantwortung. |
Kreuzworträtsel
| Korrelation | Wie heißt ein statistischer Zusammenhang zwischen zwei Merkmalen? |
| Kausalität | Wie heißt eine Ursache-Wirkungs-Beziehung? |
| Störvariable | Wie heißt eine dritte Größe, die mehrere beobachtete Größen beeinflussen kann? |
| Intervention | Wie heißt ein gezielter Eingriff in eine Bedingung? |
| Streudiagramm | Wie heißt eine Punktgrafik für Wertepaare zweier Größen? |
| Vorhersage | Wie heißt die Schätzung eines noch unbekannten Ergebnisses? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Medienanalyse: Suche drei Überschriften aus Nachrichten, Werbung oder sozialen Medien, die Wörter wie „verursacht“, „führt zu“ oder „hängt zusammen“ verwenden. Ordne ein, ob die Formulierung Korrelation oder Kausalität behauptet.
- Streudiagramm: Zeichne zwei einfache Streudiagramme: eines mit positiver Korrelation und eines ohne erkennbaren linearen Zusammenhang. Schreibe zu beiden, was man daraus nicht ablesen kann.
- Alltagsbeispiel: Erfinde ein Beispiel für zwei Dinge, die gleichzeitig häufiger auftreten, obwohl eine dritte Ursache beide erklären könnte.
- KI-Erklärung: Erkläre einer jüngeren Schülerin oder einem jüngeren Schüler in höchstens fünf Sätzen, warum eine KI-Vorhersage nicht automatisch eine Ursache erklärt.
Standard
- Datenkritik: Untersuche die Schulplattform-Situation aus dem Kurs. Finde mindestens vier mögliche Störvariablen und ordne sie nach Plausibilität.
- Sprachkritik: Formuliere die Aussage „Späte Logins machen schlechte Noten“ in drei wissenschaftlich vorsichtigere Varianten um.
- Entscheidungsmatrix: Vergleiche drei mögliche schulische Reaktionen auf einen KI-Risikoscore nach Nutzen, Fehlerrisiko, Fairness und Kontrollmöglichkeit.
- Interview: Befrage eine Lehrkraft, eine Mitschülerin oder einen Mitschüler dazu, welche Daten eine Schule für Lernunterstützung verwenden dürfte. Werte aus, wo Vorhersage und Begründung verwechselt werden könnten.
Schwer
- Simpson-Paradoxon: Recherchiere ein verständliches Beispiel und erkläre, warum das Zusammenfassen von Gruppen zu einer irreführenden Aussage führen kann.
- Experimentplanung: Entwickle ein ethisch vertretbares Untersuchungsdesign, mit dem die Wirkung einer freiwilligen Lernhilfe geprüft werden könnte. Benenne Kontrollgruppe, Zielgröße und mögliche Störfaktoren.
- KI-Audit: Entwirf eine Prüfliste für ein hypothetisches KI-System, das Unterstützungsbedarf an einer Schule erkennt. Berücksichtige Datenqualität, Fairness, Kausalität, Transparenz, Fehlerfolgen und Widerspruchsmöglichkeiten.
- Erklärvideo: Produziere ein 60- bis 90-sekündiges Video mit einem eigenen Beispiel, in dem Du zuerst eine scheinbare Kausalität behauptest und anschließend den Denkfehler mit einer alternativen Erklärung korrigierst.
|
|
Lernkontrolle
- Transferanalyse: Ein KI-System erkennt, dass Schülerinnen und Schüler mit vielen freiwilligen Übungsaufgaben bessere Ergebnisse erzielen. Entwickle mindestens drei mögliche kausale Erklärungen und entscheide, welche zusätzliche Information Du für eine schulische Maßnahme benötigen würdest.
- Systembewertung: Ein Betrieb nutzt Sensordaten, um Maschinenausfälle vorherzusagen. Erkläre, warum ein Warnsignal für einen Ausfall noch nicht dieselbe Information liefert wie die technische Fehlerursache.
- Quellenkritik: Prüfe die Aussage „Studie beweist: Nutzung von KI verbessert Noten“. Formuliere fünf Fragen, die Du zur Datenerhebung, Vergleichsgruppe und Ursache-Wirkungs-Deutung stellen würdest.
- Fairness: Ein KI-System verwendet ein Merkmal, das stark mit dem Lernerfolg korreliert, aber vermutlich nur ein Proxy für unterschiedliche Lernbedingungen ist. Beurteile, wann die Nutzung vertretbar wäre und wann nicht.
- Risikoabwägung: Vergleiche den Einsatz derselben KI-Vorhersage für eine unverbindliche Lernempfehlung und für den Ausschluss von einem Bildungsangebot. Begründe, warum unterschiedliche Evidenzstandards nötig sind.
- Historischer Transfer: Eine Statistik zeigt, dass zwei gesellschaftliche Entwicklungen im selben Jahrzehnt ähnlich verlaufen. Erkläre, warum daraus noch keine historische Ursache folgt und welche zusätzlichen Quellen Du prüfen würdest.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst, sondern Deine Denkweise sichtbar machst.
- Du kannst Korrelation und Kausalität an unbekannten Beispielen unterscheiden.
- Du kannst mindestens drei alternative Erklärungen für einen statistischen Zusammenhang entwickeln.
- Du kannst erklären, warum ein KI-Modell gute Vorhersagen ohne kausales Verständnis liefern kann.
- Du kannst Datenquellen, Merkmale, Zielgrößen und mögliche Störvariablen prüfen.
- Du kannst Risiken für Fairness, Sicherheit und Verantwortung beschreiben.
- Du kannst eine Entscheidung begründen und angeben, welche zusätzliche Evidenz Deine Einschätzung verändern würde.
- Du kannst sprachlich zwischen „hängt zusammen“ und „verursacht“ unterscheiden.
OERs zum Thema
Verknüpfte Lernbereiche