Diesen aiMOOC als Battle spielen: Deutsch, Klasse 9-10, G-Niveau

Datenqualität bewerten

Einleitung

Daten wirken oft objektiv: Eine Tabelle enthält Zahlen, ein Diagramm zeigt Balken und ein KI-System liefert ein Ergebnis. Doch bevor Du einem Ergebnis vertraust, musst Du prüfen, wie gut die zugrunde liegenden Daten für den jeweiligen Zweck geeignet sind. Genau darum geht es bei Datenqualität.

In diesem Lernkurs lernst Du, Datensätze nicht nur nach offensichtlichen Tippfehlern zu durchsuchen, sondern als Teil eines ganzen Systems zu betrachten: Wer sammelt Daten? Wer fehlt? Wie wurden Begriffe definiert? Welche Labels wurden vergeben? Welche Messfehler sind möglich? Wie verändern Auswahl, Bereinigung und Visualisierung die Aussage? Und welche Folgen kann eine falsche Entscheidung haben?

Der Kurs ist für die Schule mit Schwerpunkt Klasse 9 gedacht und auf etwa 1–2 Unterrichtsstunden ausgelegt. Die Beispiele sind bewusst überschaubar. Du sollst rechnen, vergleichen, visualisieren, begründen und am Ende zu einem nachvollziehbaren Urteil mit Belegen gelangen.

Die Abbildung zeigt anschaulich den Unterschied zwischen Rohdaten und bereinigten Daten. Wichtig ist: Datenbereinigung kann Fehler reduzieren, sie kann aber keine ungeeignete Datenauswahl automatisch reparieren.

Lernziele

Nach dem Kurs kannst Du Datenqualität anhand nachvollziehbarer Kriterien bewerten. Du kannst fehlende Werte, Dubletten, widersprüchliche Formate, unklare Labels und mögliche Messfehler erkennen. Du kannst beurteilen, ob eine Stichprobe zur Grundgesamtheit passt, und erklären, warum eine große Datenmenge allein noch keine gute Repräsentativität garantiert. Du kannst zwischen zufälliger Streuung und systematischer Verzerrung unterscheiden, Visualisierungen kritisch lesen und Risiken für Fairness, Sicherheit und verantwortliche Entscheidungen benennen. Außerdem kannst Du KI-Werkzeuge so einsetzen, dass Deine eigene Prüfung, Quellenkritik und Verantwortung erhalten bleiben.

Ablauf für 1–2 Unterrichtsstunden

Phase	ca. Zeit	Tätigkeit	Ziel
Aktivierung und Diagnose	5–8 Minuten	Zwei Datenerhebungen vergleichen und spontan begründen	Vorwissen sichtbar machen
Einführung	10–12 Minuten	Qualitätskriterien und Datenprozess verstehen	Gemeinsame Prüfsprache entwickeln
Fallanalyse Schulweg	15–20 Minuten	kleinen Datensatz prüfen, rechnen und visualisieren	Belege statt Bauchgefühl nutzen
Auswahl und Verzerrung	10–15 Minuten	Stichprobenexperiment durchführen	Repräsentativität und Bias verstehen
Labels und KI	10–15 Minuten	Label-Datensatz analysieren	Fehlerquellen in Trainingsdaten erkennen
Urteil, Reflexion und Transfer	8–15 Minuten	Kriterien gewichten, Risiko abwägen, Urteil formulieren	Verantwortung und Human Agency stärken

Bei nur einer Unterrichtsstunde können Stichprobenexperiment und KI-Vertiefung verkürzt als Partneraufgabe durchgeführt werden. Bei zwei Unterrichtsstunden werden beide Experimente vollständig durchgeführt und die Urteile verglichen.

Aktivierung und Diagnose

Stell Dir vor, die Schülervertretung möchte wissen, ob sich alle Schülerinnen und Schüler der Schule auf ihrem Schulweg sicher fühlen. Zwei Gruppen schlagen verschiedene Erhebungen vor.

Datensatz A	Datensatz B
1.000 freiwillige Antworten über einen offenen Link, der vor allem in einem schulischen Online-Kanal geteilt wurde	80 zufällig aus Klassenlisten ausgewählte Schülerinnen und Schüler aus mehreren Jahrgangsstufen; Antwortausfälle werden dokumentiert

Diagnosefrage: Welcher Datensatz ist für die Aussage über die gesamte Schule vermutlich besser geeignet? Entscheide Dich zunächst ohne Nachschlagen und notiere zwei Gründe.

Wichtig: Die größere Zahl 1.000 macht Datensatz A nicht automatisch besser. Entscheidend ist unter anderem, wer überhaupt eine Chance hatte teilzunehmen, wer tatsächlich teilgenommen hat und ob die Auswahl zur Grundgesamtheit passt.

Was bedeutet Datenqualität?

Informations- und Datenqualität hängen eng zusammen. Ein Datensatz ist nicht einfach „gut“ oder „schlecht“. Seine Qualität hängt vom Zweck ab. Für eine grobe Pausenhofschätzung kann ein ungenauer Messwert genügen. Für eine sicherheitsrelevante Entscheidung können dieselben Daten unzureichend sein.

Typische Kriterien sind Korrektheit, Vollständigkeit, Konsistenz, Aktualität, Relevanz, Eindeutigkeit und Nachvollziehbarkeit. Bei Umfragen, Statistik und KI kommen besonders die Auswahl der Daten, die Repräsentativität, die Definition von Kategorien und die Qualität von Labels hinzu.

Eine hilfreiche Grundidee lautet: Qualität muss prüfbar gemacht werden. Statt „Die Daten sehen gut aus“ brauchst Du Kriterien und Belege.

Der 8+2-Prüfpfad

Nutze für diesen Kurs acht Fragen zur Datenqualität und zwei Fragen zur Verantwortung.

Nr.	Prüffrage	Mögliche Belege
1	Zweck und Relevanz: Passen die Daten zur konkreten Frage?	Fragestellung, benötigte Merkmale, ausgeschlossene Merkmale
2	Herkunft und Erhebung: Ist nachvollziehbar, wer wann wie Daten erhoben hat?	Quellenangabe, Erhebungsort, Messmethode, Zeitpunkt
3	Korrektheit und Genauigkeit: Stimmen Werte mit einer überprüfbaren Referenz oder Messregel überein?	Kontrollmessung, Referenzwert, Plausibilitätsprüfung
4	Vollständigkeit: Fehlen notwendige Werte oder ganze Gruppen?	Anzahl fehlender Felder, fehlende Kategorien, Antwortausfälle
5	Konsistenz und Eindeutigkeit: Sind Formate, Einheiten und Bedeutungen widerspruchsfrei?	gleiche Einheit, einheitliche Schreibweise, klare Definition
6	Aktualität: Sind die Daten für die Entscheidung noch zeitlich passend?	Erhebungsdatum, Änderungsdatum, Gültigkeitszeitraum
7	Auswahl und Repräsentativität: Bildet die Stichprobe die relevante Grundgesamtheit angemessen ab?	Auswahlverfahren, Gruppenverteilung, dokumentierte Ausfälle
8	Labels und Kategorien: Sind Zuordnungen klar definiert, überprüfbar und für verschiedene Fälle brauchbar?	Label-Regeln, Beispiele, Übereinstimmung mehrerer Personen
9	Fairness: Könnten bestimmte Gruppen durch Datenlücken oder Kategorien systematisch benachteiligt werden?	getrennte Auswertung nach relevanten Gruppen, Fehlerverteilung
10	Risiko und Verantwortung: Was passiert, wenn das Ergebnis falsch ist, und wer überprüft die Entscheidung?	Folgenabschätzung, menschliche Kontrolle, Möglichkeit zur Korrektur

Für die ersten acht Kriterien kannst Du je 0 Punkte für ein ernstes Problem, 1 Punkt für unklare oder teilweise ausreichende Qualität und 2 Punkte für gut belegte Qualität vergeben. Die Summe ist nur eine Orientierung. Bei hohen Risiken können einzelne Kriterien wichtiger sein als der Gesamtwert.

Daten als System betrachten

Daten entstehen in einer Kette. Fehler können an jeder Stelle hineingelangen:

Erhebung → Speicherung → Bereinigung → Auswahl → Analyse oder KI → Visualisierung → Entscheidung → Rückwirkung auf neue Daten

Ein Fehler am Anfang kann später sehr professionell aussehen. Ein Diagramm kann sauber gestaltet sein, obwohl die Stichprobe ungeeignet war. Ein KI-Modell kann technisch korrekt rechnen, obwohl die Trainingsdaten bestimmte Gruppen kaum enthalten. Deshalb bewertest Du nicht nur die Tabelle, sondern auch den Datenprozess.

Eine besondere Gefahr sind Rückkopplungen. Wenn ein System künftig vor allem dort Daten sammelt, wo es schon vorher Probleme vermutet, kann es dort immer mehr Probleme finden. Dadurch kann der ursprüngliche Eindruck verstärkt werden, obwohl andere Bereiche kaum untersucht wurden.

Fallbeispiel: Schulweg-Sicherheit

Die folgenden Daten sind vollständig fiktiv und dienen nur zum Lernen. Eine Schule möchte entscheiden, ob zusätzliche Sicherheitsmaßnahmen für den Schulweg notwendig sind. Eine Gruppe befragt morgens Personen in der Nähe der Fahrradständer.

ID	Klasse	Verkehrsmittel	Schulweg sicher?	Erhebungsort	Uhrzeit
S01	9a	Fahrrad	Nein	Fahrradständer	07:48
S02	9b	Fahrrad	Nein	Fahrradständer	07:50
S03	9c	Bus	Ja	Fahrradständer	07:53
S04	9a	Zu Fuß	Ja	Fahrradständer	07:55
S05	9b	Fahrrad	Nein	Fahrradständer	07:57
S06	9c	Fahrrad		Fahrradständer	07:59
S07	9a	Fahrrad	Nein	Fahrradständer	08:01
S08	9b	Fahrrad	Nein	Fahrradständer	08:03
S08	9b	Fahrrad	Nein	Fahrradständer	08:03
S09	9c	Auto	Ja	Fahrradständer	08:05

Analyseauftrag

Dubletten: Suche doppelte Einträge und erkläre, wie sie ein Ergebnis verändern können.
Vollständigkeit: Bestimme, wie viele eindeutige Personen beim Merkmal „Schulweg sicher?“ einen gültigen Wert besitzen.
Prozentrechnung: Berechne den Anteil „Nein“ einmal mit allen gültigen Tabellenzeilen und einmal nach Entfernung der Dublette.
Stichprobe: Prüfe, welche Verkehrsmittel in der Stichprobe häufig vorkommen und ob der Erhebungsort dafür eine Erklärung liefert.
Urteil: Entscheide, ob die Aussage „Etwa zwei Drittel aller Schülerinnen und Schüler fühlen sich auf dem Schulweg unsicher“ durch diese Daten belegt ist.

Selbstkontrolle zum Datensatz

Prüfschritt	Kontrollwert
Tabellenzeilen	10
eindeutige IDs	9
Dublette	S08
eindeutige Personen mit gültigem Ja-Nein-Wert	8 von 9
Vollständigkeit dieses Feldes	8 von 9 = etwa 88,9 %
Anteil „Nein“ vor Bereinigung unter gültigen Tabellenzeilen	6 von 9 = etwa 66,7 %
Anteil „Nein“ nach Entfernung der Dublette unter gültigen eindeutigen Antworten	5 von 8 = 62,5 %

Das Rechnen ist nur der erste Schritt. Selbst 62,5 % wären kein Beleg für die gesamte Schule, weil die Personen nicht unabhängig vom Erhebungsort ausgewählt wurden. Eine verantwortbare Formulierung wäre enger: „Fünf von acht eindeutigen Personen mit gültiger Antwort in dieser kleinen Erhebung am Fahrradständer antworteten mit Nein.“

Auswahl und Repräsentativität

Eine Stichprobe soll Aussagen über eine größere Grundgesamtheit ermöglichen. Dafür ist nicht nur die Größe wichtig, sondern vor allem das Auswahlverfahren. Bei einer offenen freiwilligen Befragung können sich Personen selbst auswählen. Bei einer Befragung an einem bestimmten Ort werden Personen bevorzugt erfasst, die dort überhaupt vorbeikommen.

Die Grafik veranschaulicht einen extremen Fall von Selbstselektion: Wer an einer Umfrage teilnimmt, kann sich systematisch von denjenigen unterscheiden, die nicht teilnehmen.

Angenommen, eine vollständige, fiktive Schulstatistik zeigt folgende Verkehrsmittelverteilung: 30 % Fahrrad, 40 % Bus, 20 % zu Fuß und 10 % Auto. In unserem bereinigten Beispiel sind dagegen 6 von 9 Personen Fahrradfahrende.

Gruppe	fiktive Grundgesamtheit	bereinigte Stichprobe	einfache Visualisierung
Fahrrad	30 %	etwa 66,7 %	Grundgesamtheit ███ / Stichprobe ███████
Bus	40 %	etwa 11,1 %	Grundgesamtheit ████ / Stichprobe █
Zu Fuß	20 %	etwa 11,1 %	Grundgesamtheit ██ / Stichprobe █
Auto	10 %	etwa 11,1 %	Grundgesamtheit █ / Stichprobe █

Die Stichprobe bildet die Verkehrsmittelverteilung also offensichtlich nicht gut ab. Dadurch kann auch die Einschätzung der Sicherheit verzerrt sein.

Experiment: Auswahl macht einen Unterschied

Bereite 40 Papierkarten vor: 12 mit „Fahrrad“, 16 mit „Bus“, 8 mit „Zu Fuß“ und 4 mit „Auto“. Diese Karten stellen eine fiktive Grundgesamtheit dar.

Verzerrte Auswahl: Lege die Fahrradkarten an einen leicht erreichbaren Ort und die anderen weiter weg. Nimm schnell zehn Karten nach Bequemlichkeit. Notiere die Verteilung.
Zufallsauswahl: Mische anschließend alle 40 Karten gründlich und ziehe zehn Karten ohne Hinsehen. Notiere die Verteilung.
Wiederholung: Wiederhole die Zufallsauswahl dreimal. Vergleiche die Ergebnisse.
Reflexion: Unterscheide zufällige Schwankung von einer systematischen Auswahlverzerrung.

Das Experiment zeigt: Zufallsstichproben können von Durchgang zu Durchgang schwanken. Eine systematisch einseitige Auswahl kann dagegen immer wieder in dieselbe Richtung verzerren.

Bias und zufällige Streuung

Bias bezeichnet in der Statistik eine systematische Verzerrung. Zufällige Streuung oder „Rauschen“ kann Werte in unterschiedliche Richtungen schwanken lassen. Beides kann gleichzeitig auftreten.

Übertrage die Zielscheiben-Idee auf Messdaten: Ein falsch kalibrierter Sensor kann immer zu hohe Werte liefern und damit einen systematischen Fehler erzeugen. Ein grundsätzlich richtig eingestellter Sensor kann trotzdem von Messung zu Messung etwas schwanken.

Wichtig ist außerdem: Nicht jeder Bias ist absichtlich. Verzerrungen können durch Erhebungsorte, fehlende Antworten, technische Grenzen, historische Datensammlungen oder unpassende Kategorien entstehen.

Geschichte und Quellenkritik: Survivorship Bias

Während des Zweiten Weltkriegs arbeitete der Statistiker Abraham Wald in einer Forschungsgruppe an Problemen der Flugzeug-Verwundbarkeit. Das Grundproblem lässt sich so verstehen: Wenn Du nur zurückgekehrte Flugzeuge untersuchst, fehlen gerade die Maschinen, die nicht zurückgekehrt sind. Die beobachteten Schäden sind deshalb eine ausgewählte Teilmenge.

Die heute weit verbreitete Flugzeug-Grafik ist eine spätere Illustration und keine originale historische Trefferkarte aus Walds Bericht. Genau das ist ein guter Anlass für Quellenkritik: Eine anschauliche Darstellung kann eine richtige Idee vermitteln und trotzdem eine vereinfachte oder spätere Rekonstruktion sein.

Frage Dich bei historischen wie aktuellen Datengeschichten: Welche Fälle können wir sehen – und welche fehlen gerade deshalb, weil sie nicht „überlebt“, geantwortet oder gemessen wurden?

Visualisierungen kritisch bewerten

Ein Diagramm ist keine neutrale Dekoration. Achsenskalierung, gewählte Zeiträume, fehlende Werte und die Auswahl der dargestellten Gruppen beeinflussen, welchen Eindruck Du erhältst.

Anscombes Quartett besteht aus vier Datensätzen, die bei mehreren statistischen Kennwerten sehr ähnlich beziehungsweise gleich sind, in der grafischen Darstellung aber deutlich unterschiedliche Muster zeigen. Die Lehre für Klasse 9 lautet: Kennzahlen prüfen – aber Daten auch visualisieren.

Das Video von Planet Schule zeigt verschiedene Diagrammtypen und thematisiert unter anderem Achsenskalierung und Datenbasis. Nutze es nicht nur zum Anschauen: Pausiere bei einem Beispiel und notiere, welche Gestaltung die Aussage verändert.

Mini-Check für Diagramme

Frage	Warum sie wichtig ist
Beginnt die Achse bei einem sinnvollen Wert?	Ein abgeschnittener Bereich kann Unterschiede größer wirken lassen.
Sind Einheit und Zeitraum genannt?	Ohne Kontext lassen sich Werte schlecht vergleichen.
Ist klar, welche Daten fehlen?	Fehlende Gruppen können ein Bild verzerren.
Passt der Diagrammtyp zur Fragestellung?	Eine ungeeignete Darstellung kann Muster verstecken.
Ist die Datenquelle angegeben?	Nur mit Quelle kannst Du Herkunft und Methode prüfen.

Labels: Wenn Menschen Kategorien festlegen

Viele KI-Systeme lernen mit Trainingsdaten, in denen Beispiele mit Labels versehen wurden. Ein Label ist eine zugeordnete Kategorie. Die Qualität dieser Kategorien ist entscheidend: Sind sie unklar, widersprüchlich oder schlecht dokumentiert, lernt das System aus unsicheren Vorgaben.

Das folgende Beispiel ist wieder fiktiv. Eine Schule möchte ein Lernprojekt zur automatischen Müllsortierung durchführen. Die Schule definiert für das Experiment eigene Referenzregeln. Diese Regeln ersetzen keine örtlichen Entsorgungsvorschriften.

Bild-ID	Gegenstand	Label Person A	Label Person B	Referenzregel des Projekts
M1	Apfelrest	Bio	Bio	Bio
M2	Getränkekarton	Verpackung	Papier	Verpackung
M3	Batterie	Sondermüll	Restmüll	Sondermüll
M4	benutztes Papiertuch	Papier	Restmüll	Restmüll
M5	Joghurtbecher	Verpackung	Verpackung	Verpackung
M6	Zeitung	Papier	Papier	Papier
M7	zerbrochenes Trinkglas	Glas	Restmüll	Restmüll
M8	Bananenschale	Bio	Bio	Bio

Analyse der Labels

Prüfe zuerst, bei welchen Bildern sich die beiden Personen nicht einig sind. Vergleiche anschließend beide Label-Spalten mit der dokumentierten Referenzregel. Entscheidend ist nicht, wer „öfter Recht hat“, sondern ob die Regel verständlich, überprüfbar und für Grenzfälle geeignet ist.

Ein hoher Übereinstimmungswert kann irreführend sein, wenn alle dieselbe falsche oder unklare Regel verwenden. Umgekehrt können häufige Meinungsunterschiede zeigen, dass die Kategorie selbst verbessert werden muss.

KI-Systeme: Nicht nur die Gesamt-Trefferquote zählt

Bei einer binären Entscheidung kann ein System verschiedene Fehlerarten machen. Beispiel: Ein System soll erkennen, ob ein Gegenstand in einem Schultechnikprojekt als „sicherheitskritisch“ markiert werden muss. Dann ist es wichtig zu unterscheiden, ob ein kritischer Fall übersehen wird oder ein harmloser Fall fälschlich markiert wird.

Eine Konfusionsmatrix ordnet richtige und falsche Entscheidungen. Für Klasse 9 reicht die Grundidee: Zwei Systeme mit ähnlicher Gesamtgenauigkeit können sehr unterschiedliche Fehler machen. Welche Fehler schwerer wiegen, hängt vom Anwendungsfall ab.

Deshalb gehört zur Daten- und Systembewertung immer eine Risikoabwägung: Bei einem Musikvorschlag ist ein Fehler meist harmlos. Bei Sicherheit, Förderung, Bewertung oder Zugang zu wichtigen Chancen können Fehler deutlich schwerere Folgen haben.

Der TED-Vortrag von Joy Buolamwini eignet sich als Vertiefung zu Verzerrungen in Gesichtsanalyse-Systemen. Achte beim Anschauen besonders auf die Frage, welche Personen in Trainings- und Testdaten ausreichend vertreten sind und wer Verantwortung für Verbesserungen trägt.

Realistische Anwendungssituation: Soll die Schule handeln?

Die Schulleitung erhält den Schulweg-Datensatz und möchte schnell entscheiden, ob Geld für zusätzliche Maßnahmen bereitgestellt wird. Deine Gruppe ist das Datenprüfteam. Ihr sollt nicht einfach „Ja“ oder „Nein“ sagen, sondern ein begründetes Urteil abgeben.

Prüfkriterium	Beleg aus dem Fall	Bewertung	Konsequenz
Vollständigkeit	ein fehlender Sicherheitswert bei neun eindeutigen IDs	teilweise ausreichend	fehlenden Wert dokumentieren; nicht stillschweigend ersetzen
Dubletten	S08 erscheint doppelt	Problem	bereinigen und Auswertung neu berechnen
Auswahl	Erhebung nur am Fahrradständer	großes Problem	keine Verallgemeinerung auf die gesamte Schule
Repräsentativität	Fahrradfahrende deutlich überrepräsentiert	großes Problem	breitere oder zufällige Stichprobe nötig
Aktualität	Erhebung am selben Morgen	für den Zeitpunkt gut	bei dauerhafter Entscheidung weitere Tage prüfen
Transparenz	Ort und Uhrzeit dokumentiert	positiv	Methode weiterhin vollständig dokumentieren

Begründetes Urteil: Die Daten liefern ein Warnsignal, aber keine ausreichende Grundlage für die Behauptung, ein bestimmter Anteil der gesamten Schule fühle sich unsicher. Eine verantwortbare Entscheidung könnte lauten: Das Thema wird weiter untersucht; kurzfristig werden konkrete Gefahrenhinweise gesammelt, parallel wird eine breiter angelegte Erhebung geplant.

Damit bleibt menschliche Handlungsfähigkeit erhalten: Daten unterstützen die Entscheidung, ersetzen aber nicht das Prüfen, Nachfragen und Abwägen.

Risiko, Fairness und Verantwortung

Nicht jede Datenlücke ist gleich wichtig. Bewerte deshalb neben der Wahrscheinlichkeit eines Fehlers auch seine mögliche Auswirkung.

Anwendung	mögliche Folge schlechter Daten	angemessene Reaktion
Auswahl eines Themas für einen Klassentag	einige Wünsche werden übersehen	einfache Umfrage verbessern und Ergebnis transparent begrenzen
Einkauf für den Pausenverkauf	Fehlmengen oder unnötige Kosten	Daten aus mehreren Tagen prüfen und Ausreißer kennzeichnen
Planung einer gefährlichen Schulwegstelle	Sicherheitsrisiko wird unterschätzt oder falsch priorisiert	mehrere Quellen, Beobachtung, breitere Stichprobe und menschliche Prüfung
automatisierte Empfehlung für schulische Förderung	Lernende könnten unfair eingeordnet werden	besonders hohe Qualitätsanforderungen, transparente Kriterien, menschliche Entscheidung und Widerspruchsmöglichkeit

Fairness bedeutet dabei nicht, dass alle Gruppen immer exakt gleiche Ergebnisse haben müssen. Du prüfst vielmehr, ob Datenlücken, Auswahlmechanismen oder Fehler bestimmte Gruppen systematisch schlechter treffen könnten und ob es dafür eine sachliche Begründung gibt.

Verantwortlicher KI-Einsatz im Datencheck

KI kann Dir beim Sortieren von Fehlerhinweisen, Formulieren von Prüffragen oder Erklären einer Tabelle helfen. Sie ist aber kein Beleg an sich. Wenn Du KI nutzt, bleibst Du verantwortlich für die Prüfung.

Sinnvoll	Nicht ausreichend
KI bitten, mögliche Datenprobleme zu markieren und anschließend jede Markierung am Datensatz prüfen	KI-Ausgabe ungeprüft als Wahrheit übernehmen
mit anonymisierten oder fiktiven Beispieldaten arbeiten	personenbezogene oder sensible Schuldaten in öffentliche Systeme eingeben
nach Begründungen und Unsicherheiten fragen	nur eine fertige Bewertung verlangen
eigene Kriterien zuerst festlegen	Kriterien vollständig dem System überlassen
Quellen und Berechnungen selbst kontrollieren	KI-Antwort als Quelle zitieren, ohne Originalbeleg zu prüfen

Eine gute Arbeitsregel lautet: KI kann Vorschläge machen; Du prüfst Daten, Quellen, Folgen und Entscheidung.

Fächerübergreifende Bezüge

Fach	Bezug
Informatik	Datenmodell, Validierung, Datenbereinigung, Trainingsdaten, Labels, KI-Systeme und Rückkopplungen
Mathematik	Prozentrechnung, Stichproben, Häufigkeiten, Diagramme, Streuung und Vergleich von Gruppen
Deutsch	präzise Fragestellungen, sprachliche Mehrdeutigkeit in Umfragen, Quellenkritik und begründetes Argumentieren
Technik	Messgeräte, Kalibrierung, Sensorfehler, Toleranzen und sicherheitsrelevante Entscheidungen
Wirtschaft	Fehlentscheidungen durch schlechte Kundendaten, Lagerdaten oder Prognosen; Kosten von Datenfehlern
Geschichte	Survivorship Bias, historische Quellenlage und die Frage, welche Daten aus der Vergangenheit überhaupt erhalten sind
Ethik	Fairness, Verantwortung, Transparenz, Folgen automatisierter Entscheidungen und Schutz betroffener Personen
Gemeinschaftskunde	Meinungsumfragen, Repräsentativität, öffentliche Entscheidungen, Teilhabe und verantwortlicher Umgang mit Statistik

Englischsprachige Vertiefung zur Stichprobenauswahl

Das Video „Sampling Methods and Bias with Surveys“ von Crash Course Statistics kann als sprachsensibler Zusatz eingesetzt werden. Arbeitsauftrag: Notiere drei Ursachen, durch die eine Umfrage verzerrt werden kann, und finde zu jeder Ursache ein eigenes Schulbeispiel.

Ein begründetes Datenqualitätsurteil formulieren

Ein gutes Urteil hat vier Teile:

Kriterium → Beleg → Bedeutung → Grenze oder Maßnahme

Beispiel: „Die Repräsentativität ist eingeschränkt, weil sechs von neun eindeutigen Personen Fahrrad fahren und am Fahrradständer erhoben wurde. Dadurch kann das Sicherheitsgefühl von Radfahrenden übergewichtet sein. Für eine Aussage über die gesamte Schule brauchen wir eine breitere Auswahl.“

Vermeide absolute Aussagen wie „Die Daten sind falsch“. Häufig ist genauer: „Für diese konkrete Aussage reichen die Daten nicht aus“ oder „Die Daten sind für diesen Zweck nur eingeschränkt geeignet“.

Reflexion und Transfer

Beantworte zum Abschluss drei Fragen schriftlich:

Unsicherheit: Welche Information würde Dein Urteil am stärksten verändern?
Beleg: Welcher konkrete Tabellenwert oder Methodenhinweis war für Dein Urteil am wichtigsten?
Verantwortung: Welche Entscheidung sollte ein automatisiertes System in diesem Fall nicht allein treffen?

Als Transfer kannst Du ein Diagramm aus Nachrichten, Schule, Sport oder Werbung auswählen. Prüfe Datenquelle, Auswahl, Achsenskalierung, Zeitraum, fehlende Gruppen und Formulierung der Schlussfolgerung.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Eine Umfrage zur Schulwegsicherheit wird nur am Fahrradständer durchgeführt. Welches Problem ist für eine Aussage über die gesamte Schule am wichtigsten? (Die Auswahl kann Fahrradfahrende systematisch überrepräsentieren) (!Die Tabelle enthält zu wenige Farben) (!Die Uhrzeit steht in einer eigenen Spalte) (!Prozentwerte dürfen bei Umfragen nie verwendet werden)

In einem Datensatz erscheint dieselbe ID zweimal mit denselben Angaben. Was solltest Du zuerst tun? (Prüfen ob es sich um eine Dublette handelt und die Auswertung gegebenenfalls bereinigen) (!Beide Zeilen sicher behalten weil mehr Daten immer besser sind) (!Die ID durch eine zufällige Zahl ersetzen) (!Alle anderen Zeilen löschen)

Von neun eindeutigen Personen fehlt bei einer Person die Antwort zur Sicherheit. Welches Qualitätskriterium ist direkt betroffen? (Vollständigkeit) (!Aktualität) (!Dateigröße) (!Farbauswahl)

Eine sehr große offene Online-Umfrage hat viele freiwillige Teilnehmende. Warum kann sie trotzdem ungeeignet sein? (Weil Selbstselektion die Stichprobe systematisch verzerren kann) (!Weil große Datensätze grundsätzlich unbrauchbar sind) (!Weil Prozentrechnung nur bei kleinen Gruppen erlaubt ist) (!Weil Online-Daten immer veraltet sind)

Zwei Personen vergeben für viele gleiche Bilder unterschiedliche Labels. Was ist die sinnvollste Reaktion? (Die Label-Regeln präzisieren und strittige Fälle anhand einer Referenz prüfen) (!Nur die schnellere Person labeln lassen) (!Alle strittigen Bilder automatisch löschen) (!Immer das alphabetisch erste Label auswählen)

Ein Sensor misst dauerhaft ungefähr zwei Grad zu hoch. Welche Fehlerart liegt nahe? (Ein systematischer Bias durch falsche Kalibrierung) (!Nur zufällige Streuung ohne Richtung) (!Eine fehlende Stichprobe) (!Eine Dublette)

Ein Diagramm zeigt einen starken Unterschied weil die y Achse erst bei 95 beginnt. Was solltest Du tun? (Die Achsenskalierung prüfen und den Unterschied im vollständigen Wertebereich beurteilen) (!Das Diagramm immer verwerfen) (!Nur die Balkenfarben vergleichen) (!Die Datenquelle ignorieren)

Ein KI-System hat insgesamt eine hohe Trefferquote macht aber bei einer kleinen Gruppe deutlich mehr Fehler. Welche Bewertung ist angemessen? (Die Fehler getrennt nach relevanten Gruppen prüfen und mögliche Fairnessfolgen bewerten) (!Nur die Gesamtquote betrachten) (!Die kleine Gruppe aus der Auswertung entfernen) (!Jede unterschiedliche Fehlerquote automatisch als Absicht werten)

Welche Aussage ist bei einem schwachen Datensatz am verantwortungsvollsten? (Die Aussage auf das tatsächlich Belegte begrenzen und fehlende Daten nacherheben) (!Trotzdem eine genaue Zahl für die gesamte Schule veröffentlichen) (!Unsicherheiten verschweigen damit das Ergebnis klarer wirkt) (!Den größten Wert als Wahrheit auswählen)

Was macht ein begründetes Datenqualitätsurteil besonders nachvollziehbar? (Es verbindet Kriterien mit konkreten Belegen und benennt Grenzen oder Maßnahmen) (!Es verwendet möglichst viele Fachwörter) (!Es enthält nur eine Gesamtnote ohne Erklärung) (!Es übernimmt automatisch die Empfehlung eines KI-Systems)

Memory

Vollständigkeit	notwendige Werte sind vorhanden
Konsistenz	Angaben widersprechen sich nicht
Repräsentativität	Stichprobe passt zur relevanten Grundgesamtheit
Label	zugeordnete Kategorie eines Beispiels
Bias	systematische Verzerrung
Dublette	doppelt erfasster Datensatz
Provenienz	nachvollziehbare Herkunft von Daten
Validierung	Prüfung gegen Regeln oder Referenzen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Vollständigkeit	fehlender notwendiger Wert
Redundanzfreiheit	doppelte Datenzeile
Stichprobenverzerrung	einseitige Auswahl am Fahrradständer
Labelqualität	unklare Kategorie bei Trainingsdaten
Aktualität	veraltete Messung

Kreuzworträtsel

Bias	Wie heißt eine systematische statistische Verzerrung mit einem kurzen englischen Begriff?
Stichprobe	Wie heißt eine untersuchte Teilmenge einer größeren Grundgesamtheit?
Dublette	Wie heißt ein versehentlich doppelt erfasster Datensatz?
Label	Wie heißt eine zugeordnete Kategorie in Trainingsdaten?
Konsistenz	Welches Kriterium verlangt widerspruchsfreie Angaben?
Provenienz	Welcher Begriff bezeichnet die nachvollziehbare Herkunft von Daten?

LearningApps

Lückentext

Datenqualität muss immer zum

einer Untersuchung passen.

Fehlen notwendige Werte, ist das Kriterium der

betroffen.

Eine doppelt gespeicherte Zeile wird als

bezeichnet.

Eine Stichprobe soll die relevante

angemessen abbilden.

Eine systematische Verzerrung wird häufig

genannt.

Zuordnungen von Beispielen zu Kategorien heißen

.

Die nachvollziehbare Herkunft von Daten wird als

bezeichnet.

Ein veralteter Datensatz kann beim Kriterium

problematisch sein.

Eine Grafik sollte auch hinsichtlich ihrer

geprüft werden.

Bei folgenreichen Entscheidungen bleibt eine menschliche

notwendig.

Offene Aufgaben

Leicht

Fehlersuche: Erfinde einen Datensatz mit acht Zeilen und baue absichtlich eine Dublette, einen fehlenden Wert und eine uneinheitliche Schreibweise ein. Tausche den Datensatz mit einer anderen Person und dokumentiere die gefundenen Fehler.
Diagramm-Check: Suche ein frei zugängliches Diagramm und markiere Quelle, Zeitraum, Einheit, Achsenskalierung und mögliche fehlende Gruppen.
Fragenwerkstatt: Formuliere zwei unterschiedliche Fragen zum gleichen Schulthema und erkläre, welche Formulierung neutraler ist und warum.
Quellenpass: Erstelle für einen kleinen Datensatz einen Quellenpass mit Urheber, Erhebungszeit, Methode, Zweck und bekannten Grenzen.

Standard

Stichprobenvergleich: Führe in der Klasse eine zufällige und eine bequeme Stichprobe zum gleichen harmlosen Merkmal durch und vergleiche die Ergebnisse.
Visualisierung: Zeichne den Schulweg-Beispieldatensatz nach Bereinigung als geeignetes Diagramm und ergänze direkt im Diagramm einen Hinweis auf die begrenzte Repräsentativität.
Label-Leitfaden: Entwickle für fünf selbst gewählte Gegenstände klare Kategorien und teste mit zwei Personen, ob sie dieselben Labels vergeben. Überarbeite die Regeln bei Unstimmigkeiten.
KI als Prüfpartner: Lass ein KI-System mögliche Qualitätsprobleme in einem fiktiven Datensatz vorschlagen. Prüfe jeden Vorschlag selbst, kennzeichne Fehlalarme und beschreibe, welche Belege Du zusätzlich brauchtest.

Schwer

Fairness-Audit: Entwirf ein Prüfraster für ein fiktives schulisches Empfehlungssystem. Lege fest, welche Gruppen getrennt betrachtet werden sollten, welche Fehler besonders problematisch wären und wann eine menschliche Entscheidung zwingend bleibt.
Risiko-Matrix: Vergleiche drei Datennutzungen mit niedrigen, mittleren und hohen Folgen. Begründe, warum dieselbe Datenqualität je nach Anwendung unterschiedlich akzeptabel sein kann.
Quellenkritische Rekonstruktion: Recherchiere die Geschichte von Abraham Wald und dem Survivorship Bias. Trenne belegte historische Informationen von späteren populären Illustrationen und dokumentiere Deine Quellen.
Mini-Datenprojekt: Plane eine kleine Untersuchung an der Schule von Fragestellung über Stichprobe und Datenerhebung bis zur Visualisierung. Führe vor der Auswertung einen 8+2-Qualitätscheck durch und veröffentliche nur Aussagen, die Deine Daten tatsächlich tragen.

Lernkontrolle

Qualitätsurteil: Du erhältst einen neuen Datensatz mit zehn Zeilen. Entwickle ein Urteil zu mindestens vier Qualitätskriterien und belege jede Bewertung mit einer konkreten Beobachtung aus den Daten.
Stichprobenentscheidung: Eine Gemeinde will Jugendliche zu einem neuen Freizeitangebot befragen. Vergleiche eine Befragung nur im Jugendhaus mit einer zufälligen Auswahl aus mehreren Schulen und Freizeitorten. Erkläre, welche Aussagen jeweils zulässig sind.
Darstellungsanalyse: Zwei Diagramme verwenden dieselben Werte, aber unterschiedliche Achsenskalierungen. Beschreibe, wie sich der Eindruck verändert, und formuliere eine faire Darstellungsempfehlung.
KI-Transfer: Ein Bilderkennungssystem erreicht insgesamt 92 % Trefferquote. Für eine seltene, aber sicherheitsrelevante Kategorie liegt die Trefferquote deutlich niedriger. Erkläre, warum die Gesamtzahl nicht genügt und welche zusätzlichen Belege Du anfordern würdest.
Folgenabwägung: Ein Datensatz ist unvollständig, soll aber für eine folgenreiche Entscheidung eingesetzt werden. Entwickle drei Handlungsoptionen und begründe, welche Du verantwortest.
Quellenvergleich: Zwei Webseiten nennen unterschiedliche Prozentwerte zur gleichen Frage. Entwickle einen Prüfplan, der Erhebungsjahr, Grundgesamtheit, Stichprobe, Frageformulierung und Auftraggeber einbezieht.
Entscheidungsverantwortung: Beschreibe ein Beispiel, in dem KI Daten prüfen darf, die endgültige Entscheidung aber bei Menschen bleiben sollte. Begründe die Grenze mit Risiko, Transparenz und Korrekturmöglichkeit.

Lernnachweis

Für einen überzeugenden Lernnachweis zu Datenqualität bewerten ist wichtig:

Du formulierst die konkrete Fragestellung und benennst die relevante Grundgesamtheit.
Du wendest mehrere Qualitätskriterien nachvollziehbar an.
Du belegst Aussagen mit konkreten Tabellenwerten, Methodeninformationen oder überprüfbaren Quellen.
Du erkennst mindestens eine mögliche Fehlerquelle oder Verzerrung und erklärst ihre Richtung oder Wirkung.
Du prüfst Auswahl, Repräsentativität und gegebenenfalls Labels getrennt von der bloßen Datensatzgröße.
Du nutzt Visualisierungen kritisch und achtest auf Achsen, Einheiten, Zeitraum und fehlende Gruppen.
Du unterscheidest zwischen Datenproblem, Unsicherheit und sicher belegter Aussage.
Du bewertest mögliche Folgen für Fairness, Sicherheit oder andere Betroffene.
Du formulierst ein begründetes Urteil mit Grenzen und sinnvollen Verbesserungsmaßnahmen.
Du dokumentierst einen KI-Einsatz transparent und prüfst Ergebnisse selbstständig nach.

OERs zum Thema

Die eingebetteten Wikimedia-Commons-Grafiken stammen aus frei lizenzierten Beständen. Prüfe bei einer Weiterverwendung jeweils die Lizenzangabe auf der zugehörigen Dateiseite. Besonders geeignete weiterführende Themen sind Informationsqualität, Stichprobe, Repräsentativität, Stichprobenverzerrung, Datenbereinigung, Bias, Datenvisualisierung und Künstliche Intelligenz.

Verknüpfte Lernbereiche

Datenqualität bewerten

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache