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

Daten beschriften und kategorisieren

Einleitung

Daten beschriften und kategorisieren bedeutet, Daten nach nachvollziehbaren Regeln mit passenden Bezeichnungen zu versehen und in Gruppen einzuordnen. Solche Bezeichnungen heißen oft Labels. Kategorien und Labels begegnen Dir im Alltag ständig: Bücher werden nach Themen geordnet, Fundstücke nach Material sortiert, Tierbeobachtungen nach Merkmalen beschrieben und digitale Fotos mit Stichwörtern versehen.

Auch bei Künstlicher Intelligenz spielt das Beschriften von Daten eine wichtige Rolle. Ein lernendes System kann zum Beispiel mit vielen bereits beschrifteten Bildern lernen, bestimmte Muster wiederzuerkennen. Dabei gilt aber: Gute Ergebnisse entstehen nicht allein durch viele Daten. Entscheidend sind klare Regeln, geeignete Daten, sorgfältige Prüfungen und verantwortliche Entscheidungen von Menschen.

Dieser Lernkurs richtet sich besonders an die Klasse 6 und ist für ungefähr 1–2 Unterrichtsstunden geplant. Du arbeitest mit kleinen Datensätzen, vergleichst unterschiedliche Kategorisierungen, prüfst Datenqualität und erkennst mögliche Verzerrungen. Am Ende überträgst Du die Strategie selbstständig auf eine neue Situation und begründest Deine Entscheidung.

Das Schaubild zeigt unterschiedliche Arten von Daten. Für diesen Kurs ist besonders wichtig: Manche Daten sind Zahlen, andere bestehen aus Wörtern, Bildern, Beobachtungen oder Kategorien. Beim Beschriften legst Du fest, welche Information für eine Aufgabe wichtig ist.

Das Video der Sendung mit der Maus kann als altersgerechter Einstieg in das Thema Künstliche Intelligenz genutzt werden. Achte beim Ansehen besonders auf die Frage: Woher bekommt ein KI-System die Beispiele, aus denen es lernt?

Lernziele

Nach dem Kurs kannst Du Daten nicht nur sortieren, sondern Deine Vorgehensweise begründen und überprüfen.

Daten: Du kannst erklären, was in einem kleinen Datensatz als Daten, Merkmal und Label bezeichnet wird.
Kategorisierung: Du kannst für eine konkrete Fragestellung sinnvolle Kategorien entwickeln.
Daten beschriften: Du kannst einfache Daten nach vorher festgelegten Regeln labeln.
Datenqualität: Du kannst unvollständige, uneindeutige oder fehlerhafte Daten erkennen.
Stichprobe: Du kannst prüfen, ob eine Auswahl von Daten zur Fragestellung passt.
Repräsentativität: Du kannst begründen, warum eine kleine oder einseitige Auswahl nicht automatisch für alle Fälle steht.
Verzerrung: Du kannst Beispiele für Schieflagen in Datensätzen beschreiben.
Fairness: Du kannst erklären, warum Kategorien bei Daten über Menschen besonders sorgfältig gewählt werden müssen.
Medienkompetenz: Du kannst Quellen, Bildausschnitte und fehlende Informationen kritisch hinterfragen.
Künstliche Intelligenz: Du kannst erklären, warum KI-Vorschläge kontrolliert und nicht ungeprüft übernommen werden sollten.

Unterrichtsrahmen für 1–2 Stunden

Phase	Richtzeit	Was Du tust	Ziel
Aktivierung und Diagnose	5–10 Minuten	Du sortierst dasselbe Material auf zwei verschiedene Arten.	Du erkennst, dass Kategorien von einer Fragestellung abhängen.
Verständliche Einführung	10–15 Minuten	Du lernst Daten, Merkmal, Label, Kategorie und Datenqualität kennen.	Du erhältst gemeinsame Begriffe.
Geführtes Experiment	15–20 Minuten	Du beschriftest einen kleinen Datensatz und vergleichst Deine Entscheidungen.	Du entwickelst erste Prüfroutinen.
Realistische Anwendung	20–25 Minuten	Du wertest einen kleinen schulischen Datensatz aus.	Du untersuchst Auswahl, Repräsentativität und Verzerrung.
Selbstkontrolle und Reflexion	10 Minuten	Du prüfst Deine Arbeit mit der KLAR-Routine.	Du begründest Änderungen selbstständig.
Transfer	10–15 Minuten	Du überträgst die Strategie auf eine neue Situation.	Du triffst eine eigenständige, begründete Entscheidung.

Für eine einzelne 45-Minuten-Stunde können Aktivierung, Einführung, ein kurzes Experiment und der Transferfall ausgewählt werden. Für eine Doppelstunde können alle Phasen bearbeitet und die offenen Aufgaben vertieft werden.

Aktivierung und Diagnose

Eine Menge – mehrere mögliche Ordnungen

Betrachte eine Sammlung verschiedener Früchte. Du könntest sie nach Obstart, Farbe, Größe, Form oder einem anderen Merkmal sortieren.

Die gleiche Sammlung kann also unterschiedlich kategorisiert werden. Eine Einteilung ist nicht automatisch besser als eine andere. Entscheidend ist die Frage: Wofür brauchst Du die Kategorien?

Diagnose-Aufgabe: Nenne zwei verschiedene Regeln, nach denen Du die Früchte einteilen könntest. Prüfe anschließend:

Welche Kategorien entstehen?
Gibt es Früchte, die in mehrere Kategorien passen könnten?
Welche Regel wäre geeignet, wenn ein Computer später die Obstart erkennen soll?
Welche Regel wäre geeignet, wenn Du nur Farben untersuchen möchtest?

Wenn zwei Lernende unterschiedliche, aber nachvollziehbare Kategorien bilden, kann beides sinnvoll sein. Eine gute Kategorisierung braucht daher ein Ziel und ein Kriterium.

Grundlagen: Daten, Merkmale, Labels und Kategorien

Was sind Daten?

Daten sind gespeicherte oder beobachtete Informationen. In der Schule können Daten zum Beispiel Messwerte, Wörter, Antworten, Fotos, Tabellen, Tonaufnahmen oder Beobachtungen sein.

Ein Datensatz ist eine zusammengehörige Sammlung von Daten. Ein einzelner Eintrag wird häufig als Datenpunkt oder Beispiel betrachtet.

Beispiel: Eine Tabelle mit zehn Obstfotos kann für jedes Foto folgende Angaben enthalten:

ID	sichtbare Grundform	vorherrschende Farbe	Bildqualität	Label
F1	rundlich	rot	gut	Apfel
F2	rundlich	grün	gut	Apfel
F3	länglich gebogen	gelb	gut	Banane
F4	bauchig	grün	gut	Birne
F5	rundlich	rot	angeschnitten	Apfel
F6	länglich gebogen	gelb	dunkel	Banane
F7	rundlich	rot	gut	Apfel
F8	rundlich	grün	unscharf	Apfel
F9	rundlich	rot	gut	Apfel
F10	bauchig	gelbgrün	gut	Birne

Dieser Beispieldatensatz ist absichtlich klein und unausgewogen. Er eignet sich zum Lernen, aber nicht dazu, Aussagen über Obst allgemein zu machen.

Was ist ein Merkmal?

Ein Merkmal ist eine Eigenschaft, die Du für Deine Aufgabe beobachtest. Bei einem Obstfoto können das zum Beispiel Form, Farbe oder Bildschärfe sein. Ein Merkmal ist nur dann nützlich, wenn es zur Fragestellung passt.

Die Farbe allein reicht zum Beispiel nicht immer aus, um eine Obstart zuverlässig zu bestimmen. Ein grüner Apfel und eine grüne Birne können dieselbe Farbkategorie haben. Deshalb ist es oft sinnvoll, mehrere passende Merkmale zu betrachten.

Was ist ein Label?

Ein Label ist eine zugewiesene Bezeichnung. Wenn ein Bild mit „Apfel“ beschriftet wird, ist „Apfel“ das Label.

Beim überwachten maschinellen Lernen können bereits beschriftete Beispiele dazu dienen, Muster zu lernen. Wichtig ist dabei: Das Label ist keine magische Wahrheit. Es wurde nach einer Regel vergeben und kann falsch, uneindeutig oder unpassend sein.

Dieses Video ist eine Vertiefung. Für Klasse 6 reicht die Grundidee: Ein System erhält Beispiele, bei denen die gewünschte Zuordnung bereits bekannt ist. Danach wird geprüft, ob es auch neue Beispiele sinnvoll zuordnen kann.

Was ist eine Kategorie?

Eine Kategorie ist eine Gruppe, in der ähnliche oder nach einer Regel zusammengehörige Daten gesammelt werden.

Wichtig ist der Unterschied:

Begriff	Einfache Bedeutung	Beispiel
Merkmal	beobachtete Eigenschaft	Farbe
Kategorie	mögliche Gruppe	rote Früchte
Label	konkrete zugewiesene Bezeichnung	rot
Kriterium	Regel für die Entscheidung	vorherrschende sichtbare Farbe

Die KLAR-Prüfroutine

Für diesen Kurs verwendest Du eine einfache schulische Prüfroutine. Sie heißt KLAR. Das ist hier eine Lernstrategie für den Unterricht.

Buchstabe	Prüffrage	Beispiel
K – Kriterium klären	Welche Frage wollen wir mit den Daten beantworten?	Wollen wir Obstart oder Farbe unterscheiden?
L – Labels festlegen	Sind die Bezeichnungen eindeutig erklärt?	Apfel, Banane und Birne werden vor Beginn festgelegt.
A – Auswahl prüfen	Passen Anzahl und Auswahl der Daten zur Frage?	Sind nicht fast nur Äpfel enthalten?
R – Rückcheck machen	Stimmen die Labels, gibt es Fehler oder unsichere Fälle?	Eine zweite Person prüft einige Beispiele unabhängig.

Merksatz: Erst die Aufgabe klären, dann beschriften – nicht umgekehrt.

Datenqualität untersuchen

Fünf einfache Qualitätsfragen

Gute Daten müssen nicht perfekt sein. Du solltest aber wissen, wo ihre Grenzen liegen.

Qualitätsfrage	Woran erkennst Du ein Problem?	Mögliche Reaktion
Sind die Daten korrekt?	Ein Foto wurde falsch beschriftet.	Label prüfen und korrigieren.
Sind die Daten vollständig?	Bei einigen Einträgen fehlt die Bildqualität.	Fehlende Angaben markieren.
Sind die Regeln einheitlich?	Eine Person labelt nach Farbe, eine andere nach Obstart.	Gemeinsame Anweisung erstellen.
Ist die Auswahl passend?	Fast alle Bilder zeigen nur eine Kategorie.	Weitere passende Beispiele ergänzen.
Sind schwierige Fälle sichtbar?	Unsichere Fälle werden einfach versteckt.	Unsicherheit dokumentieren.

Eine wichtige Fähigkeit ist, „unklar“ oder „unsicher“ zuzulassen. Ein erzwungenes falsches Label kann schlechter sein als eine ehrliche Kennzeichnung, dass eine Entscheidung noch geprüft werden muss.

Mini-Visualisierung: Ist der Datensatz ausgewogen?

Im Obst-Beispiel kommen die Labels unterschiedlich häufig vor:

Label	Anzahl	Balken
Apfel	6	██████
Banane	2	██
Birne	2	██

Die Grafik zeigt sofort: Die Kategorie „Apfel“ ist deutlich häufiger vertreten. Das bedeutet noch nicht automatisch, dass der Datensatz unbrauchbar ist. Du musst zuerst fragen, wofür er verwendet werden soll. Für einen Vergleich der drei Obstarten wäre die Auswahl aber deutlich einseitig.

Auswahl und Repräsentativität

Was ist eine Stichprobe?

Eine Stichprobe ist ein ausgewählter Teil einer größeren Menge. Wenn Du wissen willst, welche Pflanzen auf dem gesamten Schulgelände vorkommen, aber nur fünf Minuten direkt neben dem Haupteingang beobachtest, hast Du eine kleine und möglicherweise einseitige Auswahl.

Eine Zufallsauswahl kann in manchen Situationen helfen, einseitige Auswahl zu verringern. Aber auch dann musst Du überlegen, ob Größe, Zeitpunkt und Bedingungen zur Fragestellung passen.

Repräsentativ bedeutet nicht einfach „viele“

Repräsentativität beschreibt vereinfacht, wie gut eine Auswahl die für die Frage wichtige Gesamtheit abbildet.

Beispiel: Hundert Antworten aus nur einer Klasse können für die Frage „Was möchte unsere Klasse?“ sehr nützlich sein. Für die Frage „Was möchte die ganze Schule?“ reichen sie möglicherweise nicht aus.

Darum gehört zur Datenarbeit immer die Frage:

Für wen oder was sollen meine Daten überhaupt stehen?

Verzerrungen erkennen

Eine Verzerrung entsteht, wenn Daten oder Entscheidungen systematisch in eine bestimmte Richtung verschoben werden.

Bei freiwilligen Umfragen kann zum Beispiel eine Verzerrung entstehen, wenn vor allem Personen teilnehmen, die besonders stark an einem Thema interessiert sind. Auch bei Bilddaten kann eine Schieflage entstehen: Wenn alle Trainingsbilder bei hellem Tageslicht aufgenommen wurden, fehlen möglicherweise Beispiele aus dunkleren Situationen.

Wichtig: Nicht jede Abweichung ist automatisch unfair oder falsch. Du musst untersuchen, ob die Verzerrung für die konkrete Aufgabe problematisch ist.

Geführtes Experiment: Zwei Menschen, ein Datensatz

Warum Beschriftungsregeln wichtig sind

Arbeite mit einem Lernpartner oder einer Lernpartnerin. Ihr beschriftet dieselben sechs Sätze zunächst unabhängig voneinander.

Mögliche Labels: Aussage, Frage, Aufforderung, unklar.

ID	Satz
S1	Morgen beginnt die AG um zwei Uhr.
S2	Wann beginnt die AG?
S3	Öffne bitte das Fenster.
S4	Kannst Du das Fenster schließen?
S5	Wir treffen uns vor der Turnhalle.
S6	Kommst Du morgen mit?

Vergleicht anschließend Eure Labels. Besonders Satz S4 ist interessant: Grammatisch ist er als Frage formuliert, im Alltag kann er aber als Bitte oder Aufforderung gemeint sein.

Damit wird sichtbar: Ein Label hängt manchmal davon ab, welche Eigenschaft Du untersuchen willst.

Wenn das Ziel lautet „Satzform untersuchen“, kann S4 anders beschriftet werden als bei der Frage „kommunikative Absicht untersuchen“.

Prüfroutine für Uneinigkeit

Wenn Ihr unterschiedlich entschieden habt, sollt Ihr nicht einfach abstimmen. Nutzt diese Reihenfolge:

Formuliert die genaue Fragestellung.
Lest die Label-Regeln erneut.
Markiert, welches Merkmal für Eure Entscheidung wichtig war.
Ergänzt die Regel, wenn sie einen Fall nicht abdeckt.
Beschriftet den Fall erneut.
Dokumentiert, wenn weiterhin Unsicherheit besteht.

So wird aus einem Fehler keine Schuldfrage, sondern eine Information darüber, dass die Regel verbessert werden kann.

Fehler prüfen statt nur Treffer zählen

Einfache Kontrollmenge

Nehmen wir an, fünf bereits bekannte Testbilder werden von einem Sortiersystem beschriftet.

Testbild	bekanntes Kontrolllabel	Systemvorschlag	Ergebnis
T1	Apfel	Apfel	richtig
T2	Banane	Banane	richtig
T3	Birne	Apfel	falsch
T4	Apfel	Apfel	richtig
T5	Birne	Birne	richtig

Das System hat vier von fünf Fällen passend zugeordnet. Für Klasse 6 genügt zunächst diese einfache Kontrolle. Interessant ist aber zusätzlich: Welche Kategorie wurde verwechselt? Nur eine Gesamtzahl kann wichtige Fehler verstecken.

Eine sogenannte Konfusionsmatrix ist eine weiterführende Darstellung, mit der Fachleute solche Verwechslungen systematisch untersuchen. Du musst sie hier noch nicht berechnen. Die Grundidee reicht: Prüfe nicht nur, wie oft etwas richtig war, sondern auch, welche Arten von Fehlern vorkommen.

Realistische Anwendungssituation: Eine neue AG für die Schule

Die Schülervertretung möchte herausfinden, welche neue AG besonders interessant sein könnte. Als erster Test wurden zwölf freie Antworten aus einer einzigen Klasse gesammelt.

Mögliche Arbeitskategorien: Bewegung, Musik, Technik, Gestaltung, unklar.

ID	Antwort	möglicher erster Label-Vorschlag
A1	Fußball	Bewegung
A2	Chor	Musik
A3	Roboter bauen	Technik
A4	Zeichnen	Gestaltung
A5	Volleyball	Bewegung
A6	Programmieren	Technik
A7	Band	Musik
A8	Tanzen	Bewegung
A9	Comics zeichnen	Gestaltung
A10	3D-Druck	Technik
A11	Etwas mit Tieren	unklar
A12	Musik am Computer	unklar

Die letzten beiden Antworten zeigen ein echtes Datenproblem: Die vorhandenen Kategorien passen nicht gut zu allen Antworten. „Musik am Computer“ könnte zum Beispiel zu Musik und Technik passen. Eine Möglichkeit wäre, Mehrfachlabels zu erlauben. Eine andere Möglichkeit wäre, die Kategorien neu zu gestalten.

Eine mögliche erste Häufigkeitsdarstellung mit den oben gezeigten Labels wäre:

Kategorie	Anzahl	Visualisierung
Bewegung	3	███
Musik	2	██
Technik	3	███
Gestaltung	2	██
unklar	2	██

Entscheidend: Diese kleine Erhebung stammt nur aus einer Klasse. Sie darf nicht ohne weitere Prüfung als „Meinung der ganzen Schule“ dargestellt werden.

Anwendung mit der KLAR-Routine

K – Kriterium klären: Soll nur ein grober Interessenbereich erfasst werden oder eine konkrete AG-Idee?
L – Labels festlegen: Reichen fünf Kategorien? Sind Mehrfachlabels erlaubt?
A – Auswahl prüfen: Wurden verschiedene Klassenstufen einbezogen? Wurde zu verschiedenen Zeiten gefragt?
R – Rückcheck machen: Würden zwei Personen dieselben Antworten ähnlich labeln? Welche Fälle bleiben unklar?

Gemeinschaftskunde und Fairness

Die Entscheidung über eine Schul-AG betrifft eine Gemeinschaft. Deshalb reicht es nicht, Daten nur technisch auszuzählen. Du solltest auch fragen:

Wer konnte teilnehmen?
Wer wurde vielleicht nicht erreicht?
Wie wurden freie Antworten zusammengefasst?
Werden kleine Gruppen durch grobe Kategorien unsichtbar?
Welche Unsicherheiten müssen bei der Präsentation genannt werden?

So verbindest Du Gemeinschaftskunde, Mathematik, Informatik und Ethik.

Daten über Menschen: besonders sorgfältig handeln

Bei Daten über Menschen sind Labels besonders sensibel. Kategorien können Menschen vereinfachen, falsch darstellen oder unfair behandeln.

Grundregel für Klasse 6: Verwende nur Daten, die für die Aufgabe wirklich nötig sind. Vermeide personenbezogene oder sensible Angaben, wenn sie nicht erforderlich sind. Lade keine Bilder anderer Personen in KI-Werkzeuge hoch, wenn dafür keine passende Erlaubnis und schulische Regelung vorliegt.

Frage bei Daten über Menschen immer:

Brauchen wir dieses Merkmal wirklich?
Ist die Kategorie sachlich und für die Aufgabe notwendig?
Könnte sie Menschen ungerecht behandeln oder stigmatisieren?
Wer entscheidet über die Labels?
Können Betroffene die Einteilung nachvollziehen?
Was passiert mit falschen oder unsicheren Zuordnungen?

Fairness bedeutet hier nicht, dass jede Kategorie gleich groß sein muss. Fairness bedeutet unter anderem, dass Regeln nachvollziehbar, begründet und nicht unnötig benachteiligend gestaltet werden.

KI verantwortungsvoll einsetzen

Ein KI-System kann Dir bei Datenarbeit Vorschläge machen, zum Beispiel ähnliche Texte gruppieren oder erste Labels vorschlagen. Trotzdem bleibt die Verantwortung beim Menschen.

Eine sinnvolle Arbeitsweise ist:

Du formulierst zuerst selbst die Aufgabe und die Kriterien.
Die KI darf Vorschläge machen.
Du prüfst Stichproben der Vorschläge.
Du markierst Unsicherheit und Fehler.
Du dokumentierst wichtige Änderungen.
Du entscheidest selbst, ob das Ergebnis für die Aufgabe geeignet ist.

Human Agency bedeutet: Du gibst die Entscheidung nicht einfach an ein System ab. Du nutzt digitale Werkzeuge bewusst und bleibst in der Lage, Entscheidungen zu hinterfragen, zu ändern oder abzulehnen.

Fächerübergreifende Bezüge

Informatik

In Informatik lernst Du, dass Daten strukturiert, beschriftet, geprüft und verarbeitet werden. Labels können bei maschinellem Lernen als Lernbeispiele dienen. Gleichzeitig musst Du zwischen Daten, Regeln und Ergebnissen unterscheiden.

Deutsch

In Deutsch kannst Du Texte nach Satzart, Thema, sprachlicher Absicht oder Textsorte kategorisieren. Dabei wird deutlich, dass dieselben Wörter je nach Fragestellung unterschiedlich eingeordnet werden können.

Mathematik

In Mathematik kannst Du Kategorien auszählen und mit Häufigkeitstabellen, Säulen oder Balkendiagrammen darstellen. Dabei lernst Du auch, dass eine Grafik nur so sinnvoll ist wie die Daten, die in ihr stecken.

Naturwissenschaften

In den Naturwissenschaften werden Beobachtungen nach Merkmalen geordnet. Bei Pflanzen, Tieren, Gesteinen oder Messreihen ist wichtig, Beobachtung und Deutung auseinanderzuhalten. Gute Kategorien brauchen überprüfbare Merkmale.

Kunst

In Kunst kannst Du Bilder nach Farben, Formen, Kontrasten oder Techniken sortieren. Dabei kann es mehrere begründbare Kategorisierungen geben. Das eignet sich gut, um über subjektive und objektivierbare Kriterien zu sprechen.

Ethik

In Ethik untersuchst Du, wer Kategorien festlegt, wem sie nützen und wem sie schaden könnten. Besonders wichtig sind Fairness, Verantwortung, Unsicherheit und der respektvolle Umgang mit Daten über Menschen.

Gemeinschaftskunde

In Gemeinschaftskunde kannst Du Umfragen und Beteiligungsprozesse untersuchen. Eine Mehrheitsentscheidung ist nur so aussagekräftig wie die Auswahl der Befragten und die Art, wie Antworten zusammengefasst wurden.

Medienbildung

In Medienbildung prüfst Du Quellen, Bildausschnitte, fehlende Informationen und automatisch erzeugte Vorschläge. Ein Bild zeigt immer nur einen Ausschnitt. Eine Suchmaschine oder KI-Ausgabe ist keine Garantie für vollständige oder repräsentative Daten.

Medien- und Quellenkritik

Bevor Du ein Bild, eine Tabelle oder einen Datensatz übernimmst, prüfe mindestens:

Wer hat die Daten erstellt oder veröffentlicht?
Wann wurden sie erhoben?
Für welchen Zweck wurden sie gesammelt?
Was fehlt möglicherweise?
Sind Begriffe und Kategorien erklärt?
Darfst Du die Daten oder Bilder verwenden?
Sind Personen erkennbar oder personenbezogene Daten enthalten?
Kannst Du wichtige Angaben mit einer zweiten Quelle prüfen?

Die in diesem Kurs eingebetteten Bilder stammen von Wikimedia Commons. Die jeweiligen Lizenz- und Quellenangaben findest Du auf der Dateibeschreibungsseite des Mediums.

Anwendung: Kategorien in der realen Welt

Auch Abfalltrennung arbeitet mit Kategorien. Welche Gegenstände in welche Tonne gehören, hängt jedoch von den örtlichen Regeln des zuständigen Entsorgungssystems ab. Genau deshalb ist Quellenkritik wichtig: Eine Farbe oder ein Symbol kann an einem anderen Ort etwas anderes bedeuten.

Praxisauftrag: Untersuche die Beschriftung der Abfallbehälter an Deiner Schule. Fotografiere keine Personen. Notiere nur die sichtbaren Kategorien und Symbole. Vergleiche sie anschließend mit einer offiziellen Quelle der Schule oder des zuständigen Entsorgers.

Frage Dich:

Sind die Labels eindeutig?
Versteht man die Kategorien ohne Vorwissen?
Gibt es Gegenstände, bei denen die Zuordnung unklar ist?
Würde eine andere Darstellung die Entscheidung erleichtern?

Selbstkontrolle mit KLAR

Bewerte Deinen eigenen Datensatz oder die AG-Anwendung.

Aussage	Ja	teilweise	noch nicht
Ich kann die Fragestellung in einem Satz nennen.	☐	☐	☐
Ich kann jedes Label erklären.	☐	☐	☐
Ich kann mindestens ein mögliches Auswahlproblem nennen.	☐	☐	☐
Ich habe unsichere Fälle markiert.	☐	☐	☐
Ich habe mindestens einige Labels gegengeprüft.	☐	☐	☐
Ich kann erklären, wofür meine Daten nicht ausreichen.	☐	☐	☐
Ich kann meine Entscheidung begründen.	☐	☐	☐

Reflexion

Beantworte schriftlich oder im Gespräch:

Welche Entscheidung beim Labeln war für Dich am schwierigsten?
Wann ist „unklar“ ein gutes Label?
Wie kann ein unausgewogener Datensatz zu falschen Erwartungen führen?
Warum kann eine sehr große Datenmenge trotzdem schlechte Daten enthalten?
Welche Entscheidung sollte ein Mensch nicht einfach an eine KI abgeben?
Was würdest Du an Deiner eigenen Vorgehensweise beim zweiten Versuch ändern?

Abschluss-Transfer: Neue Situation selbstständig lösen

Eine Gruppe möchte untersuchen, welche Fahrzeugarten morgens vor der Schule vorbeifahren. Am ersten Tag werden zwischen 7:30 und 7:35 Uhr zwölf Beobachtungen notiert. Nun sollst Du entscheiden, wie daraus ein brauchbarer Datensatz wird.

Arbeite möglichst selbstständig:

Formuliere eine genaue Fragestellung.
Lege passende Kategorien fest.
Schreibe für jede Kategorie eine kurze Label-Regel.
Entscheide, wie mit Sonderfällen umgegangen wird.
Plane eine bessere Datenauswahl für einen zweiten Beobachtungstag.
Überlege, ob fünf Minuten für die Fragestellung genügen.
Erkläre, welche Daten nicht erhoben werden sollten, weil sie für die Aufgabe unnötig wären.
Entwickle eine einfache Tabelle für die Beobachtungen.
Plane einen Rückcheck.
Begründe in drei bis fünf Sätzen, warum Deine Lösung fair, transparent und zur Fragestellung passend ist.

Erfolgskriterium: Es gibt nicht nur eine mögliche Lösung. Entscheidend ist, dass Deine Kategorien, Datenwahl und Begründung zusammenpassen und Du Grenzen Deiner Daten offen benennst.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Eine Klasse möchte Obstfotos nach Obstart beschriften. Was sollte zuerst geklärt werden? (Die Fragestellung und die Kriterien) (!Die Anzahl der Computer im Raum) (!Der Name der Bilddatei allein) (!Ob alle Bilder gleich groß gedruckt werden)

Zwei Lernende geben demselben Beispiel unterschiedliche Labels. Was ist die sinnvollste erste Reaktion? (Die Label-Regeln und die Fragestellung vergleichen) (!Sofort das häufigere Label übernehmen) (!Beide Labels löschen und das Beispiel vergessen) (!Die schnellere Person entscheiden lassen)

Ein Datensatz enthält sechs Äpfel, zwei Bananen und zwei Birnen. Was fällt bei der Auswahl auf? (Die Kategorien sind unterschiedlich häufig vertreten) (!Alle Kategorien sind gleich stark vertreten) (!Der Datensatz enthält keine Labels) (!Die Daten sind automatisch repräsentativ)

Eine Umfrage zur ganzen Schule wurde nur in einer Klasse durchgeführt. Welche Aussage ist am besten begründet? (Die Ergebnisse können für die ganze Schule zu einseitig sein) (!Die Ergebnisse gelten sicher für alle Schülerinnen und Schüler) (!Zwölf Antworten sind immer repräsentativ) (!Die Herkunft der Antworten spielt keine Rolle)

Ein Foto ist so unscharf, dass die Kategorie nicht zuverlässig erkannt werden kann. Was ist sinnvoll? (Unsicherheit markieren und den Fall prüfen) (!Irgendein Label vergeben, damit keine Lücke bleibt) (!Das Bild automatisch als häufigste Kategorie beschriften) (!Die Unsicherheit verschweigen)

Warum kann ein Label wie Musik am Computer schwierig sein? (Es kann zu mehreren sinnvollen Kategorien passen) (!Es enthält zu viele Buchstaben) (!Es ist immer ein Zahlenwert) (!Es darf nicht in einer Tabelle stehen)

Welche Handlung verbessert die Datenqualität am ehesten? (Einen Teil der Labels unabhängig gegenprüfen) (!Alle unsicheren Fälle verstecken) (!Nur die größte Kategorie behalten) (!Die Regeln während des Labelns ständig ändern)

Was bedeutet Human Agency beim Einsatz von KI in diesem Kurs? (Du prüfst Vorschläge und behältst die Entscheidung) (!Die KI entscheidet immer endgültig) (!Nur automatisch erzeugte Labels sind erlaubt) (!Menschen dürfen Regeln nicht verändern)

Welche Information ist für eine reine Zählung von Fahrzeugarten vor der Schule unnötig und möglicherweise problematisch? (Die Namen der Personen in den Fahrzeugen) (!Die beobachtete Fahrzeugart) (!Der Beobachtungszeitraum) (!Der Beobachtungsort)

Was zeigt eine gute Transferleistung am Ende des Kurses? (Du entwickelst für eine neue Situation passende Regeln und begründest sie) (!Du wiederholst nur die Definition von Label) (!Du kopierst unverändert die Obstkategorien) (!Du nennst möglichst viele Fachwörter ohne Zusammenhang)

Memory

Label	zugewiesene Bezeichnung
Kategorie	Gruppe ähnlicher oder regelgemäß zusammengehöriger Daten
Kriterium	Regel für eine Entscheidung
Stichprobe	ausgewählter Teil einer größeren Menge
Repräsentativität	passende Abbildung der für die Frage wichtigen Gesamtheit
Verzerrung	systematische Schieflage
Datenqualität	Verlässlichkeit und Eignung der Daten
Rückcheck	erneute Prüfung von Zuordnungen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Kriterium klären	Fragestellung vor dem Labeln festlegen
Labels festlegen	Bezeichnungen und Regeln eindeutig beschreiben
Auswahl prüfen	Zusammensetzung und Herkunft der Daten untersuchen
Rückcheck machen	Zuordnungen noch einmal kontrollieren
Unsicherheit markieren	schwierige Fälle nicht als sicher ausgeben

Kreuzworträtsel

Label	Wie heißt eine zugewiesene Bezeichnung für einen Datenpunkt?
Kategorie	Wie heißt eine Gruppe, in die Daten nach einer Regel eingeordnet werden?
Merkmal	Wie heißt eine beobachtete Eigenschaft eines Datenpunkts?
Stichprobe	Wie heißt ein ausgewählter Teil einer größeren Menge?
Verzerrung	Wie heißt eine systematische Schieflage in Daten oder Auswahl?
Qualität	Welcher Begriff beschreibt die Verlässlichkeit und Eignung von Daten?

LearningApps

Lückentext

Eine zugewiesene Bezeichnung für einen Datenpunkt heißt

.

Vor dem Beschriften sollte zuerst das

geklärt werden.

Eine Gruppe von Daten mit gemeinsamen oder regelgemäß festgelegten Eigenschaften heißt

.

Ein ausgewählter Teil einer größeren Menge wird

genannt.

Wenn eine Auswahl wichtige Teile der Gesamtheit schlecht abbildet, kann eine

entstehen.

Schwierige Fälle sollten nicht versteckt, sondern als

markiert werden.

Die KLAR-Routine fordert am Ende einen

der Zuordnungen.

Bei KI-Vorschlägen bleibt die verantwortliche Entscheidung beim

.

Offene Aufgaben

Leicht

Sortierregeln: Sammle zehn harmlose Alltagsgegenstände oder Bildkarten und sortiere sie nach zwei unterschiedlichen Kriterien. Erkläre, welche Sortierung für welchen Zweck besser passt.
Label-Handbuch: Entwickle für fünf selbst gewählte Kategorien jeweils eine kurze Regel, damit eine andere Person Deine Labels möglichst ähnlich verwenden kann.
Datenqualität: Erstelle absichtlich einen kleinen Datensatz mit drei Qualitätsproblemen und tausche ihn mit einer anderen Gruppe. Findet und erklärt die Probleme.
Visualisierung: Zähle die Kategorien eines kleinen Datensatzes aus und stelle die Häufigkeiten als einfache Balken dar.

Standard

Doppelte Annotation: Beschrifte gemeinsam mit einer Partnergruppe denselben Datensatz unabhängig. Vergleicht anschließend nur die unterschiedlichen Fälle und verbessert Eure Regeln.
Deutsch und Daten: Entwickle einen Datensatz aus acht kurzen Sätzen. Entscheide, ob Du Satzform, Stimmung oder Absicht labeln möchtest, und begründe Deine Wahl.
Naturwissenschaftliche Beobachtung: Beobachte Blätter, Steine oder andere ungefährliche Naturgegenstände und entwickle sichtbare Merkmale für eine nachvollziehbare Kategorisierung. Bestimme keine Arten, wenn Dir dafür sichere Fachkenntnisse fehlen.
Medienkritik: Vergleiche zwei Bildsammlungen zu demselben Thema. Untersuche, welche Motive häufig vorkommen und welche fehlen. Erkläre, wie die Auswahl Deine Vorstellung des Themas beeinflussen könnte.

Schwer

Repräsentativität: Plane eine kleine schulische Umfrage so, dass verschiedene Gruppen angemessen berücksichtigt werden. Begründe Auswahl, Zeitpunkt und Grenzen Deiner Stichprobe.
Fairness: Untersuche ein erfundenes Entscheidungssystem, das Schülerinnen und Schüler nach nur einem Merkmal in „geeignet“ und „nicht geeignet“ einteilen soll. Erkläre, warum das problematisch sein kann, und entwickle eine verantwortungsvollere Alternative.
KI und Kontrolle: Lass ein geeignetes, schulisch freigegebenes KI-Werkzeug Vorschläge für Kategorien zu einem nicht personenbezogenen Datensatz machen. Prüfe die Vorschläge mit KLAR und dokumentiere mindestens drei menschliche Entscheidungen.
Transferprojekt: Wähle eine neue Situation aus Schule, Naturwissenschaft oder Medienbildung. Entwickle selbstständig Fragestellung, Datenauswahl, Labels, Prüfroutine, Visualisierung und eine begründete Aussage darüber, wofür Deine Daten geeignet sind und wofür nicht.

Lernkontrolle

Neue Kategorien entwickeln: Du erhältst zwölf unsortierte Antworten auf die Frage „Welche Pausenangebote wünschst Du Dir?“. Entwickle selbst Kategorien, erkläre Grenzfälle und begründe, ob Mehrfachlabels erlaubt sein sollen.
Datensatz verbessern: Ein Bilddatensatz enthält fast nur helle Aufnahmen einer einzigen Kategorie. Plane mindestens drei konkrete Änderungen, damit er für einen Vergleich mehrerer Kategorien besser geeignet ist.
Repräsentativität beurteilen: Eine Schülergruppe befragt nur ihre Freundinnen und Freunde und veröffentlicht das Ergebnis als „Meinung unserer Schule“. Erkläre das Problem und entwirf eine bessere Stichprobe.
Fehleranalyse: Ein Sortiersystem macht besonders oft Fehler bei dunklen Bildern. Entwickle zwei mögliche Ursachen und jeweils eine Möglichkeit, diese Vermutung zu prüfen.
Fairness und Transparenz: Ein automatisches System vergibt Labels, erklärt seine Kriterien aber nicht. Begründe, warum das bei Entscheidungen über Menschen problematisch wäre, und nenne Anforderungen an eine verantwortungsvollere Nutzung.
Transferentscheidung: Übertrage KLAR auf einen neuen Datensatz Deiner Wahl. Dokumentiere Kriterium, Labels, Auswahl und Rückcheck und begründe anschließend, ob Du dem Ergebnis vertrauen würdest.

Lernnachweis

Für einen guten Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe nennen, sondern Daten selbstständig untersuchen und Entscheidungen begründen kannst.

Du formulierst eine klare Fragestellung.
Du entwickelst passende, verständliche Kategorien.
Du erklärst Deine Label-Regeln.
Du kennzeichnest Unsicherheit und Grenzfälle.
Du prüfst Datenqualität.
Du untersuchst Auswahl und Repräsentativität.
Du erkennst mögliche Verzerrungen.
Du visualisierst einfache Häufigkeiten verständlich.
Du führst einen Rückcheck durch.
Du benennst Grenzen Deiner Daten.
Du gehst bei Daten über Menschen sicher und fair vor.
Du nutzt KI-Vorschläge nur kontrolliert und transparent.
Du kannst die gesamte Vorgehensweise auf eine neue Situation übertragen und Deine Entscheidung begründen.

OERs zum Thema

Zusätzliche frei zugängliche Orientierung bieten Artikel zu Daten, Klassifizierung, Stichprobe, Repräsentativität, Bias und maschinellem Lernen. Prüfe auch bei offenen Bildungsressourcen immer Autorenschaft, Aktualität, Quellen und Lizenz.

Verknüpfte Lernbereiche

Daten beschriften und kategorisieren

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache