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

Datensätze dokumentieren und beurteilen

Einleitung

Daten wirken oft objektiv. Eine Tabelle mit vielen Zahlen kann den Eindruck erwecken, sie bilde die Wirklichkeit einfach ab. Doch jeder Datensatz entsteht durch Entscheidungen: Was wird gemessen? Wer oder was wird erfasst? Wer fehlt? Welche Kategorien werden verwendet? Wie werden Werte benannt? Welche Fehler können auftreten? Und wofür sollen die Daten später genutzt werden?

In diesem aiMOOC lernst Du, Datensätze nicht nur zu lesen, sondern systematisch zu dokumentieren und begründet zu beurteilen. Du arbeitest mit überschaubaren Beispieldaten, prüfst Datenqualität, untersuchst Stichproben und Labels, visualisierst Ergebnisse und bewertest die Folgen fehlerhafter datenbasierter Entscheidungen. Dabei geht es nicht darum, möglichst schnell ein fertiges Urteil zu übernehmen. Du sollst selbst Kriterien anwenden, Belege sammeln, Unsicherheiten sichtbar machen und zu einem nachvollziehbaren Urteil gelangen.

Der Kurs richtet sich besonders an Lernende der Klasse 9 und verbindet Informatik, Mathematik, Deutsch, Technik, Wirtschaft, Geschichte, Ethik und Gemeinschaftskunde. Die Leitfrage lautet:

Ist dieser Datensatz für den vorgesehenen Zweck geeignet – und welche Folgen hätte es, ihm zu vertrauen?

Lernziele

Nach dem Kurs kannst Du einen einfachen Datensatz strukturiert dokumentieren, wichtige Qualitätskriterien anwenden und zwischen zufälligen Fehlern und systematischen Verzerrungen unterscheiden. Du kannst erklären, warum Auswahlverfahren, fehlende Werte, Messfehler, Kategorien und Labels Ergebnisse beeinflussen. Außerdem kannst Du einfache Visualisierungen und Fehlertabellen lesen, Belege für ein Urteil heranziehen und Risiken für betroffene Menschen abwägen.

Du sollst am Ende nicht nur sagen können: „Der Datensatz ist gut“ oder „Der Datensatz ist schlecht“. Ein fachlich besseres Urteil lautet zum Beispiel:

Für die Fragestellung ist der Datensatz nur eingeschränkt geeignet, weil die Auswahl der Fälle nicht nachvollziehbar dokumentiert ist, technische Störungen mehrere Messwerte beeinflussen und eine wichtige Gruppe unterrepräsentiert ist. Für eine automatische Entscheidung mit Folgen für einzelne Personen sollte er deshalb nicht ohne zusätzliche Prüfung verwendet werden.

Zeitplanung für 1–2 Unterrichtsstunden

Phase	Richtzeit	Tätigkeit	Ziel
Aktivierung und Diagnose	5–10 Minuten	Kurze Behauptung prüfen	Vorwissen und kritische Fragen aktivieren
Einführung	15 Minuten	Datensätze, Metadaten, Datenqualität, Stichprobe, Labels	Begriffe anwendbar verstehen
Datenexperiment	20–25 Minuten	Mini-Datensatz dokumentieren, prüfen und visualisieren	Fehlerquellen und Verzerrungen entdecken
Anwendungssituation	20–25 Minuten	Lernwarnsystem untersuchen und Fehlerfolgen abwägen	Daten- und Systembewertung verbinden
Selbstkontrolle	10 Minuten	Quiz, Memory, Drag and Drop oder Lückentext	Verständnis überprüfen
Reflexion und Transfer	10–15 Minuten	Urteil formulieren und auf neuen Fall übertragen	Verantwortung und Human Agency stärken

Für eine 45-Minuten-Stunde können Aktivierung, Einführung, der Mini-Datensatz und eine kurze Urteilsaufgabe genutzt werden. Für eine Doppelstunde eignen sich zusätzlich das Systemexperiment, die interaktiven Aufgaben und der Transfer.

Aktivierung und Diagnose

Stell Dir folgende Meldung vor:

„80 Prozent der Neuntklässler wollen einen späteren Unterrichtsbeginn.“

Die Aussage klingt eindeutig. Nun erfährst Du: Befragt wurden 20 Jugendliche, die freiwillig auf einen Online-Aufruf reagiert haben.

Bevor Du der Meldung vertraust, solltest Du Fragen stellen. Wer gehörte überhaupt zur Grundgesamtheit? Wie wurden die 20 Personen ausgewählt? Wie lautete die Frage genau? Haben besonders interessierte Personen eher teilgenommen? Wurden alle Klassen erreicht? Zu welchem Zeitpunkt wurde gefragt?

Diagnoseauftrag: Formuliere zunächst allein drei Informationen, die Du benötigst, bevor Du aus dieser Befragung eine Aussage über alle Neuntklässler ableitest. Vergleicht anschließend Eure Fragen. Markiert, welche Fragen etwas über Auswahl, Messung, Dokumentation oder Interpretation aussagen.

Was ist ein Datensatz?

Ein Datensatz ist eine strukturierte Zusammenstellung zusammengehöriger Daten. In einer Tabelle kann eine Zeile zum Beispiel für eine Person, ein Gerät, einen Messzeitpunkt oder einen Vorgang stehen. Die Spalten enthalten Merkmale wie Messwert, Datum, Kategorie oder Ergebnis.

Ein Datensatz besteht deshalb nicht nur aus Zahlen. Auch Texte, Kategorien, Wahr/Falsch-Werte, Zeitangaben oder fehlende Einträge können Daten sein. Damit andere Menschen die Werte richtig verstehen, braucht man zusätzlich Informationen über die Daten. Diese Informationen werden häufig als Metadaten bezeichnet.

Ein Wert wie 12 ist ohne Dokumentation fast bedeutungslos. Er könnte 12 Sekunden, 12 Kilometer, 12 Punkte, die Kategorie 12 oder ein Fehlercode sein. Erst die Beschreibung macht aus einem Wert eine nachvollziehbare Information.

Daten brauchen Kontext

Für jeden Datensatz solltest Du mindestens klären:

Zweck: Für welche Frage wurde der Datensatz erstellt?
Datenquelle: Woher stammen die Daten?
Erhebungsmethode: Wie wurden die Werte gemessen, beobachtet oder erfragt?
Grundgesamtheit: Auf welche Personen, Dinge oder Situationen sollen Aussagen bezogen werden?
Stichprobe: Welche Fälle wurden tatsächlich erfasst und wie wurden sie ausgewählt?
Variable: Was bedeutet jede Spalte, welche Einheit und welche möglichen Werte hat sie?
Fehlender Wert: Was bedeutet ein leeres Feld, ein Strich oder ein besonderer Code?
Zeitbezug: Wann wurden die Daten erhoben und für welchen Zeitraum gelten sie?
Bearbeitung: Wurden Werte gelöscht, zusammengefasst, korrigiert oder umgerechnet?
Versionierung: Welche Version liegt vor und was wurde gegenüber einer früheren Version verändert?
Einschränkung: Welche bekannten Schwächen oder Lücken hat der Datensatz?
Verwendung: Für welche Zwecke ist der Datensatz geeignet und für welche nicht?

Diese Dokumentation verbessert nicht automatisch die Daten. Sie macht aber sichtbar, wie weit man ihnen vertrauen kann und wo Unsicherheit bleibt.

Datensatz-Steckbrief

Ein einfacher Datensatz-Steckbrief kann so aussehen:

Dokumentationsfeld	Leitfrage
Titel	Wie heißt der Datensatz eindeutig?
Zweck	Welche Frage soll mit ihm untersucht werden?
Verantwortliche Stelle	Wer hat die Daten erhoben oder zusammengestellt?
Herkunft	Aus welchen Quellen stammen die Werte?
Zeitraum	Wann wurden die Daten erhoben?
Grundgesamtheit	Über welche größere Menge soll gesprochen werden?
Stichprobe	Welche Fälle sind enthalten und wie wurden sie ausgewählt?
Variablen	Was bedeuten die Spalten, Einheiten und Kategorien?
Fehlende Werte	Wie sind fehlende oder unbekannte Werte markiert?
Bearbeitung	Welche Bereinigungen oder Umformungen wurden vorgenommen?
Einschränkungen	Welche Verzerrungen, Lücken oder Unsicherheiten sind bekannt?
Version	Welche Fassung wird verwendet?
Datenschutz	Enthält der Datensatz personenbezogene oder besonders schützenswerte Angaben?
Nutzung	Für welche Entscheidung ist der Datensatz gedacht und welche Nutzung wäre problematisch?

Datenqualität beurteilen

Datenqualität ist kein einzelner Messwert. Ob Daten „gut“ sind, hängt auch vom Zweck ab. Eine auf ganze Minuten gerundete Zeitmessung kann für einen Stundenplan ausreichen, für die Auswertung eines 100-Meter-Laufs aber ungeeignet sein.

Für die Schule eignet sich folgende praktische Prüfliste:

Kriterium	Prüffrage	Beispiel für ein Problem
Korrektheit	Stimmen die Werte möglichst gut mit dem beobachteten Sachverhalt überein?	Ein Sensor misst dauerhaft zwei Grad zu viel.
Vollständigkeit	Fehlen wichtige Werte oder Fälle?	Bei mehreren Personen fehlt die Angabe zum Verkehrsmittel.
Konsistenz	Passen Formate, Einheiten und Angaben zusammen?	Manche Längen stehen in Zentimetern, andere in Metern.
Aktualität	Sind die Daten für die Fragestellung zeitlich passend?	Für eine aktuelle Busplanung werden Fahrgastzahlen von vor zehn Jahren genutzt.
Plausibilität	Sind Werte überhaupt möglich oder wahrscheinlich?	Eine Raumtemperatur von 210 Grad Celsius erscheint für ein Klassenzimmer unplausibel.
Nachvollziehbarkeit	Sind Herkunft, Erhebung und Bearbeitung dokumentiert?	Eine Tabelle enthält Zahlen, aber keine Quellenangabe.
Relevanz	Messen die Variablen wirklich das, was für die Frage benötigt wird?	Für Lernfortschritt wird nur die Zahl abgegebener Dateien betrachtet.
Repräsentativität	Ist die Auswahl der Fälle für die gewünschte Aussage geeignet?	Eine Schulumfrage erreicht fast nur Mitglieder einer einzigen AG.

Daten können bei einem Kriterium stark und bei einem anderen schwach sein. Ein Datensatz kann zum Beispiel vollständig sein, aber trotzdem eine ungeeignete Auswahl enthalten.

Grundgesamtheit und Stichprobe

Die Grundgesamtheit ist die Menge, über die Du eine Aussage machen möchtest. Die Stichprobe ist der Teil, den Du tatsächlich untersuchst.

Eine große Stichprobe ist nicht automatisch eine gute Stichprobe. Wenn eine Befragung zum Schulessen nur von Jugendlichen ausgefüllt wird, die besonders oft in der Mensa essen, können andere Sichtweisen fehlen. Entscheidend ist deshalb nicht nur die Anzahl, sondern auch wie die Fälle ausgewählt wurden.

Eine Zufallsstichprobe kann Auswahlverzerrungen reduzieren, wenn jedes relevante Element eine nachvollziehbare Auswahlchance hat. In der Praxis können aber auch Nichtteilnahme, Erreichbarkeit oder ungeeignete Fragen zu Verzerrungen führen.

Zufällige Fehler und systematische Verzerrung

Nicht jeder Fehler ist gleich. Bei zufälligen Fehlern schwanken Messungen ohne gleichbleibende Richtung. Bei einer systematischen Verzerrung oder einem statistischen Bias verschieben sich Ergebnisse wiederholt in eine bestimmte Richtung.

Ein Thermometer, das bei jeder Messung ungefähr zwei Grad zu viel anzeigt, erzeugt eine systematische Abweichung. Ein Thermometer, dessen Messwerte zufällig etwas nach oben und unten schwanken, zeigt eher Messrauschen.

Auch Auswahlprozesse können systematisch verzerren. Wenn bei einer Umfrage nur freiwillige Online-Antworten einfließen, können besonders motivierte oder besonders betroffene Personen überrepräsentiert sein.

Labels, Kategorien und Datenentscheidungen

Ein Label ist eine zugeordnete Kategorie, die bei einer Auswertung oder einem lernenden System als Ziel oder Ergebnis verwendet werden kann. Beispiele sind „Spam“ und „kein Spam“, „defekt“ und „funktionsfähig“ oder „Unterstützungsbedarf“ und „kein Unterstützungsbedarf“.

Labels wirken oft sachlich, können aber menschliche Entscheidungen enthalten. Bei klar beobachtbaren Zuständen ist ein Label häufig einfacher zu prüfen. Bei Begriffen wie „guter Text“, „auffälliges Verhalten“ oder „geeignete Bewerberin“ steckt dagegen bereits eine Bewertung in der Kategorie.

Deshalb solltest Du fragen:

Definition: Ist eindeutig festgelegt, was das Label bedeutet?
Zuordnung: Wer vergibt das Label und nach welchen Regeln?
Übereinstimmung: Würden zwei Personen denselben Fall gleich labeln?
Kontext: Fehlen wichtige Informationen, die für die Zuordnung nötig wären?
Folgen: Was passiert, wenn das Label falsch ist?

Besonders bei KI-Systemen können fehlerhafte oder einseitige Labels in Trainingsdaten zu problematischen Ergebnissen führen. Ein technisches System übernimmt nicht automatisch „die Wahrheit“, sondern lernt Muster aus den Daten, die Menschen ausgewählt, erzeugt und beschrieben haben.

Visualisieren, ohne zu täuschen

Visualisierungen helfen, Muster zu erkennen. Sie können aber auch einen falschen Eindruck erzeugen. Achte deshalb auf Achsen, Maßstab, Kategorien, fehlende Werte, Gruppenbildung und die Wahl der Darstellungsform.

Ein Balkendiagramm eignet sich häufig für den Vergleich von Kategorien. Ein Boxplot kann Verteilung, Median und auffällige Werte sichtbar machen.

Eine faire Visualisierung beantwortet nicht nur die Frage „Was sieht beeindruckend aus?“, sondern vor allem: Was hilft den Betrachtenden, die Daten angemessen zu verstehen?

Das folgende Video kann als Vertiefung zur Quellenkritik und zur Wirkung statistischer Darstellungen genutzt werden:

Datenexperiment: Ein kleiner Datensatz unter der Lupe

Nun untersuchst Du einen synthetischen Beispieldatensatz. Er wurde nur für diesen Lernkurs erstellt. Es handelt sich nicht um echte Schülerinnen und Schüler.

Eine Schule erprobt ein digitales Warnsystem. Es soll Lehrkräfte darauf hinweisen, bei welchen Lernenden ein Unterstützungsangebot sinnvoll sein könnte. Das System verwendet drei Merkmale:

Zahl fehlender Online-Abgaben
Punktzahl in einem Kurztest von 0 bis 10
Fehltage in einem kurzen Beobachtungszeitraum

Zusätzlich ist dokumentiert, ob technische Störungen gemeldet wurden. Die Systemregel lautet:

Warnung = Ja, wenn mindestens zwei Online-Abgaben fehlen oder der Kurztest höchstens 5 Punkte hat oder mindestens drei Fehltage vorliegen.

Nach einem persönlichen Gespräch wird zusätzlich festgehalten, ob tatsächlich ein Unterstützungsangebot sinnvoll erscheint. Dieses Gesprächsergebnis ist ebenfalls kein perfekter Wahrheitswert: Auch menschliche Einschätzungen können unvollständig oder subjektiv sein. Es dient hier nur als zweite Informationsquelle.

Beispieldatensatz

ID	Klasse	Fehlende Online-Abgaben	Kurztest	Fehltage	Technische Störung gemeldet	Systemwarnung	Unterstützungsbedarf nach Gespräch
A01	9a	2	6	1	Nein	Ja	Ja
A02	9a	0	9	0	Nein	Nein	Nein
A03	9a	3	8	0	Ja	Ja	Nein
A04	9a	1	7	1	Nein	Nein	Nein
A05	9a	4	7	0	Ja	Ja	Nein
A06	9a	0	5	4	Nein	Ja	Ja
B01	9b	1	8	0	Nein	Nein	Nein
B02	9b	2	7	1	Ja	Ja	Nein
B03	9b	0	6	0	Nein	Nein	Ja
B04	9b	5	8	0	Ja	Ja	Nein
B05	9b	1	5	3	Nein	Ja	Ja
B06	9b	0	9	0	Nein	Nein	Nein

Dokumentation des Beispiels

Feld	Dokumentation
Zweck	Untersuchung eines vereinfachten Warnsystems im Unterricht
Herkunft	Synthetisch erzeugte Beispieldaten
Personenbezug	Keine realen Personen
Umfang	12 fiktive Fälle
Grundgesamtheit	Keine reale Grundgesamtheit; der Datensatz ist nicht repräsentativ
Einheit Kurztest	Punkte von 0 bis 10
Einheit Fehltage	Anzahl der Tage im festgelegten Beobachtungszeitraum
Fehlende Werte	In diesem Beispiel keine
Version	Unterrichtsversion 1
Bekannte Einschränkung	Sehr kleiner, künstlich konstruierter Datensatz; nicht für reale Entscheidungen geeignet

Schon diese Dokumentation zeigt einen wichtigen Punkt: Ein Datensatz kann didaktisch nützlich und gleichzeitig für eine reale Entscheidung ungeeignet sein.

Experiment 1: Prüfe die Datenqualität

Arbeite in einer kleinen Gruppe. Jede Gruppe übernimmt zwei Qualitätskriterien. Markiert Belege direkt in der Tabelle.

Prüft, ob die Variablen verständlich dokumentiert sind.
Sucht nach Werten, die ungewöhnlich oder erklärungsbedürftig erscheinen.
Untersucht, ob technische Störungen mit fehlenden Online-Abgaben zusammenhängen könnten.
Überlegt, welche wichtigen Informationen im Datensatz fehlen.
Formuliert für jedes geprüfte Kriterium ein Urteil nach dem Muster: Kriterium – Beleg – Folge für die Nutzung.

Beispiel für die Form des Urteils:

Relevanz: Fehlende Online-Abgaben können auch durch technische Störungen entstehen. Deshalb messen sie nicht eindeutig Lernschwierigkeiten. Für eine automatische Warnung ist dieses Merkmal allein nur eingeschränkt geeignet.

Experiment 2: Visualisiere die Warnungen

Zähle zunächst die Fälle.

Merkmal	Anzahl	Einfache Darstellung
Systemwarnung Ja	7	███████
Systemwarnung Nein	5	█████
Unterstützungsbedarf nach Gespräch Ja	4	████
Unterstützungsbedarf nach Gespräch Nein	8	████████

Nun geht es nicht nur um die Gesamtzahl. Vergleiche die Fälle mit gemeldeter technischer Störung. Alle vier Fälle mit technischer Störung erhalten im Beispieldatensatz eine Warnung, obwohl das Gespräch bei diesen vier Fällen keinen Unterstützungsbedarf festhält.

Diskussionsfrage: Zeigt das, dass technische Störungen immer die Ursache falscher Warnungen sind? Nein. Der Datensatz ist klein und künstlich. Er zeigt aber, welche Art von Zusammenhang man in einem realen System gezielt prüfen müsste.

Experiment 3: Fehlertabelle des Systems

Ein System kann Fälle richtig oder falsch einordnen. Eine Konfusionsmatrix stellt vier Möglichkeiten gegenüber.

Für den Beispieldatensatz ergibt sich:

	Unterstützungsbedarf Ja	Unterstützungsbedarf Nein
Systemwarnung Ja	3 richtig positive Fälle	4 falsch positive Fälle
Systemwarnung Nein	1 falsch negativer Fall	4 richtig negative Fälle

Von 12 Fällen stimmen Systemwarnung und Gesprächsergebnis in 7 Fällen überein. Das entspricht etwa 58 Prozent. Doch diese Zahl allein reicht für eine Bewertung nicht aus.

Ein falsch positiver Fall bedeutet hier: Das System warnt, obwohl im Gespräch kein Unterstützungsbedarf festgestellt wird. Ein falsch negativer Fall bedeutet: Das System warnt nicht, obwohl im Gespräch ein Unterstützungsbedarf sichtbar wird.

Nun musst Du eine Wertfrage beantworten: Welcher Fehler ist in diesem Zusammenhang problematischer?

Ein falscher Alarm kann unnötige Gespräche, Stigmatisierung oder zusätzlichen Aufwand verursachen. Ein übersehener Fall kann bedeuten, dass jemand ein benötigtes Unterstützungsangebot nicht erhält. Die Folgen sind verschieden. Deshalb ist eine technische Kennzahl niemals die gesamte Entscheidung.

Realistische Anwendungssituation: Soll die Schule das Warnsystem einsetzen?

Die Schulleitung überlegt, das System im nächsten Schuljahr einzusetzen. Die Warnung soll nicht automatisch über Noten entscheiden. Sie soll Lehrkräften eine Liste von Lernenden anzeigen, bei denen ein Gespräch empfohlen wird.

Du bist Mitglied einer schulischen Prüfgruppe. Die Gruppe erhält folgende Informationen:

Das System ist einfach und schnell.
Es nutzt bereits vorhandene Schuldaten.
Die Regel ist grundsätzlich nachvollziehbar.
Im Testdatensatz treten mehrere falsche Warnungen auf.
Technische Störungen scheinen einen Teil der Warnungen zu beeinflussen.
Ein Fall mit Unterstützungsbedarf wird übersehen.
Der bisherige Testdatensatz ist sehr klein.
Es wurde noch nicht untersucht, ob Fehler in verschiedenen Klassen oder Schülergruppen unterschiedlich häufig auftreten.
Noch ist nicht festgelegt, wie Lernende eine Warnung hinterfragen oder korrigieren können.
Noch ist nicht geklärt, wie lange die Daten gespeichert werden.

Bewertungsauftrag

Beurteile das System nicht mit einem einzigen „Ja“ oder „Nein“. Verwende mindestens fünf Kriterien.

Kriterium	Leitfrage
Datenqualität	Sind die verwendeten Daten korrekt, vollständig, relevant und nachvollziehbar?
Auswahl	Reichen die Testfälle aus, um Folgen für die Schule abzuschätzen?
Fehler	Welche Arten von Fehlentscheidungen treten auf und wie häufig?
Fairness	Treffen Fehler bestimmte Gruppen oder Situationen besonders häufig?
Transparenz	Können Betroffene verstehen, warum eine Warnung entstanden ist?
Korrigierbarkeit	Können falsche Daten und Fehlentscheidungen berichtigt werden?
Datenschutz	Werden nur notwendige Daten verwendet und angemessen geschützt?
Verantwortung	Wer prüft das Ergebnis und übernimmt die Verantwortung?
Verhältnismäßigkeit	Ist der Nutzen groß genug, um die Risiken zu rechtfertigen?
Human Agency	Bleibt eine echte menschliche Entscheidungsmöglichkeit erhalten?

Ein mögliches verantwortliches Ergebnis könnte lauten: Das System darf höchstens als Hinweisgeber in einem kontrollierten Test dienen. Vor einer breiteren Nutzung müssten Datengrundlage, Fehlerverteilung, technische Störungen, Datenschutz, Widerspruchsmöglichkeiten und Folgen systematisch geprüft werden. Eine Warnung darf kein automatisches Urteil über einen Menschen werden.

Human Agency: Menschen bleiben handlungsfähig

Human Agency bedeutet in diesem Zusammenhang, dass Menschen nicht nur Objekte einer Datenentscheidung sind. Sie sollen verstehen, mitentscheiden, widersprechen, Informationen ergänzen und Entscheidungen überprüfen können.

Bei einem schulischen System heißt das zum Beispiel:

Eine Warnung ist ein Anlass zum Prüfen, kein fertiges Urteil.
Lernende können erklären, wenn Daten durch technische oder persönliche Umstände verzerrt sind.
Lehrkräfte betrachten weitere Informationen und den konkreten Kontext.
Falsche Daten können korrigiert werden.
Verantwortliche Personen bleiben benennbar.
Ein technisches System darf Verantwortung nicht „übernehmen“, weil Verantwortung bei Menschen und Institutionen bleibt.

Verzerrungen in datenbasierten und KI-Systemen

Bei maschinellem Lernen werden Muster aus Trainingsdaten abgeleitet. Probleme können entstehen, wenn bestimmte Gruppen oder Situationen im Training kaum vorkommen, wenn historische Daten bereits Benachteiligungen enthalten oder wenn Labels problematische Bewertungen wiederholen.

Auch die Auswahl von Merkmalen ist wichtig. Ein scheinbar neutrales Merkmal kann als Proxy Informationen über andere Merkmale mittransportieren. Deshalb genügt es nicht immer, eine problematische Spalte einfach zu löschen.

Ein verantwortlicher Prüfprozess betrachtet die gesamte Kette:

Datenerhebung → Auswahl → Bereinigung → Labeling → Modell oder Regel → Darstellung → menschliche Entscheidung → Folgen

Als Vertiefung kannst Du das folgende Interview zur Diskriminierung durch Algorithmen ansehen. Notiere dabei nicht nur Beispiele, sondern vor allem, an welcher Stelle der Daten- und Entscheidungskette ein Risiko entsteht.

Eine weitere Vertiefung zeigt mögliche gesellschaftliche Folgen digitaler Diskriminierung im medizinischen Bereich:

Verantwortlicher KI-Einsatz bei der Datenprüfung

KI-Werkzeuge können bei Datensätzen nützlich sein. Sie können zum Beispiel ungewöhnliche Werte markieren, eine erste Beschreibung von Spalten vorschlagen, mögliche Dubletten finden oder Fragen für eine Qualitätsprüfung formulieren.

Dabei gilt aber:

Quellenkritik: Eine KI-Antwort ist kein Beleg für die Qualität eines Datensatzes.
Transparenz: Prüfe, welche Daten und Annahmen in die Analyse eingeflossen sind.
Datenschutz: Gib keine vertraulichen oder personenbezogenen Schuldaten unbedacht in öffentliche KI-Dienste ein.
Plausibilitätsprüfung: Kontrolliere automatisch erzeugte Aussagen an den Originaldaten.
Fairness: Lass Dir nicht nur Gesamtergebnisse zeigen, sondern untersuche mögliche Gruppenunterschiede.
Human Agency: Nutze KI als Werkzeug für Fragen und Prüfungen, nicht als Ersatz für begründetes menschliches Urteilen.

Eine KI kann Dir zum Beispiel sagen: „Dieser Datensatz wirkt ausgewogen.“ Du solltest dann zurückfragen: Woran genau? Welche Gruppen wurden verglichen? Welche Daten fehlen? Welche Definition von Fairness wird verwendet?

Fächerübergreifende Bezüge

Informatik

In Informatik geht es um Datenstrukturen, Datentypen, Datenbanken, Verarbeitungsschritte, Algorithmen, Trainingsdaten und die Frage, wie technische Systeme aus Daten Ergebnisse erzeugen. Besonders wichtig ist die Dokumentation von Variablen, Formaten und Verarbeitungsschritten.

Mathematik

In Mathematik untersuchst Du Stichprobe, Grundgesamtheit, absolute und relative Häufigkeiten, Verteilungen und Fehleranteile. Eine Kennzahl ist nur sinnvoll, wenn Du weißt, wie sie berechnet wurde und welche Frage sie beantwortet.

Deutsch

In Deutsch geht es um Sprache als Teil von Datenqualität. Frageformulierungen können lenken. Kategorien können wertend sein. Diagramme und Statistiken werden in Argumentationen eingesetzt. Du prüfst daher Behauptung, Beleg, Quelle, Wortwahl und Schlussfolgerung.

Technik

In Technik entstehen Daten häufig durch Sensoren und Messsysteme. Kalibrierung, Auflösung, Messbereich, Ausfall, Einheit und Umgebungsbedingungen beeinflussen die Qualität. Ein präzise aussehender Messwert kann falsch sein, wenn der Sensor systematisch falsch misst.

Wirtschaft

In Wirtschaft dienen Daten als Grundlage für Prognosen und Entscheidungen. Schlechte Daten können zu Fehlplanung, unnötigen Kosten oder Benachteiligungen führen. Gleichzeitig kostet bessere Datenerhebung Zeit und Geld. Datenqualität ist deshalb oft auch eine Abwägung zwischen Aufwand, Nutzen und Risiko.

Geschichte

In Geschichte sind überlieferte Daten niemals vollständig unabhängig von ihrer Entstehung. Wer durfte schreiben, zählen oder dokumentieren? Welche Gruppen tauchen in Archiven kaum auf? Historische Statistiken und Quellen müssen deshalb nach Herkunft, Zweck und Lücken beurteilt werden.

Ethik

In Ethik fragst Du, welche Folgen datenbasierte Entscheidungen für Menschen haben. Wichtige Begriffe sind Fairness, Verantwortung, Transparenz, Autonomie und die Frage, ob Betroffene eine Entscheidung anfechten können.

Gemeinschaftskunde

In Gemeinschaftskunde betrifft Datenbewertung demokratische Entscheidungen, öffentliche Verwaltung, Statistik, Meinungsumfragen und algorithmische Systeme. Nachvollziehbare Kriterien und überprüfbare Belege sind wichtig, wenn Entscheidungen viele Menschen betreffen.

Ein begründetes Datenurteil formulieren

Ein gutes Urteil besteht aus mehr als einer Meinung. Nutze die Struktur:

Behauptung → Kriterium → Beleg → Bedeutung → Unsicherheit → Schlussfolgerung

Beispiel:

Behauptung: Der Datensatz ist für eine automatische Förderentscheidung nicht geeignet.

Kriterium: Relevanz und Fairness.

Beleg: Mehrere Warnungen hängen im Beispieldatensatz mit technischen Störungen und fehlenden Online-Abgaben zusammen, obwohl das spätere Gespräch keinen Unterstützungsbedarf feststellt.

Bedeutung: Das System könnte technische Probleme mit Lernproblemen verwechseln.

Unsicherheit: Der Datensatz ist klein und künstlich, deshalb lässt sich daraus keine reale Fehlerquote ableiten.

Schlussfolgerung: In einer echten Schule müsste dieser Zusammenhang mit größeren, geeigneten Daten und zusätzlichen Kontextinformationen geprüft werden. Bis dahin sollte keine automatische Entscheidung erfolgen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Eine freiwillige Online-Umfrage erreicht fast nur besonders engagierte Schülerinnen und Schüler. Welches Problem musst Du zuerst prüfen? (Auswahlverzerrung der Stichprobe) (!Rechtschreibfehler in der Überschrift) (!Dateigröße der Tabelle) (!Farbe des Diagramms)

In einer Spalte steht mehrfach der Wert 99, aber niemand weiß, ob 99 ein Messwert oder ein Code für fehlende Daten ist. Was fehlt besonders? (Eindeutige Variablendokumentation) (!Eine größere Schriftart) (!Ein zusätzlicher Mittelwert) (!Eine alphabetische Sortierung)

Eine Schule befragt 500 Jugendliche, aber alle stammen aus derselben freiwilligen Technik-AG. Welche Aussage ist am besten begründet? (Die große Anzahl allein macht die Stichprobe nicht repräsentativ) (!500 Antworten sind immer repräsentativ) (!Die Daten sind automatisch falsch) (!Nur kleine Stichproben können verzerrt sein)

In einer Längentabelle stehen manche Werte in Zentimetern und andere in Metern, ohne Kennzeichnung. Welches Qualitätskriterium ist besonders verletzt? (Konsistenz) (!Aktualität) (!Anonymität) (!Dateikompression)

Ein Lernwarnsystem nutzt fehlende Online-Abgaben. Technische Störungen führen ebenfalls zu fehlenden Abgaben. Was solltest Du untersuchen? (Ob das Merkmal technische Probleme mit Lernproblemen verwechselt) (!Ob die Tabelle genug Farben enthält) (!Ob alle IDs gleich lang sind) (!Ob die Warnung möglichst oft ausgelöst wird)

Ein System erreicht insgesamt eine hohe Trefferquote, macht aber bei einer bestimmten Gruppe deutlich mehr Fehler. Was folgt daraus? (Die Gesamtquote allein reicht für eine Fairnessbewertung nicht aus) (!Das System ist automatisch fair) (!Gruppenvergleiche sind grundsätzlich unnötig) (!Eine hohe Trefferquote beweist fehlerfreie Daten)

Das Label lautet guter Schüler. Was ist daran besonders problematisch? (Die Kategorie ist ohne klare Kriterien mehrdeutig und wertend) (!Labels dürfen nie aus Wörtern bestehen) (!Ein Label muss immer eine Zahl sein) (!Das Label ist zu kurz)

Nach einer Datenbereinigung wurde die ursprüngliche Datei überschrieben und keine Änderung dokumentiert. Welches Problem entsteht? (Die Bearbeitung ist später schlecht nachvollziehbar) (!Der Mittelwert wird automatisch größer) (!Die Stichprobe wird automatisch zufällig) (!Die Daten werden dadurch repräsentativ)

Ein KI-Werkzeug behauptet, ein Datensatz sei unverzerrt. Wie gehst Du verantwortungsvoll damit um? (Du prüfst Kriterien, Gruppen, Quelle und Originaldaten selbst) (!Du übernimmst das Urteil, weil KI neutral ist) (!Du löschst alle ungewöhnlichen Werte) (!Du nutzt nur noch die Zusammenfassung der KI)

Welche Form beschreibt ein begründetes Datenurteil am besten? (Kriterium mit Beleg, Bedeutung, Unsicherheit und Schlussfolgerung) (!Persönliche Meinung ohne Daten) (!Möglichst viele Fachwörter ohne Belege) (!Nur eine einzelne Kennzahl)

Memory

Datensatz	Strukturierte Sammlung zusammengehöriger Daten
Metadaten	Informationen über Herkunft, Bedeutung und Entstehung von Daten
Stichprobe	Tatsächlich untersuchter Teil einer größeren Grundgesamtheit
Label	Zugeordnete Zielkategorie oder Bezeichnung
Bias	Systematische Verzerrung
Provenienz	Nachvollziehbare Herkunft und Bearbeitungsgeschichte
Plausibilität	Prüfung, ob ein Wert möglich und sinnvoll erscheint

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Vollständigkeit	Sind notwendige Werte und Fälle vorhanden?
Konsistenz	Passen Formate, Einheiten und Angaben widerspruchsfrei zusammen?
Aktualität	Passt der Zeitpunkt der Daten zur Fragestellung?
Nachvollziehbarkeit	Sind Herkunft, Erhebung und Bearbeitung dokumentiert?
Repräsentativität	Ist die Auswahl für die gewünschte Aussage geeignet?

Kreuzworträtsel

Datensatz	Wie heißt eine strukturierte Sammlung zusammengehöriger Daten?
Stichprobe	Wie heißt der tatsächlich untersuchte Teil einer Grundgesamtheit?
Metadaten	Wie nennt man Informationen über Bedeutung, Herkunft und Entstehung von Daten?
Verzerrung	Wie nennt man eine systematische Verschiebung von Ergebnissen?
Plausibilitaet	Welches Kriterium fragt, ob ein Wert möglich und sinnvoll erscheint?
Verantwortung	Was bleibt bei Menschen und Institutionen, auch wenn ein technisches System beteiligt ist?

LearningApps

Lückentext

Ein strukturierter Bestand zusammengehöriger Daten wird als

bezeichnet.

Informationen über Herkunft, Bedeutung und Entstehung von Daten heißen

.

Der tatsächlich untersuchte Teil einer größeren Grundgesamtheit heißt

.

Eine systematische Verschiebung von Ergebnissen nennt man

.

Ein zugeordnetes Zielmerkmal oder eine Kategorie kann als

bezeichnet werden.

Bei der Datenqualität fragt die

, ob notwendige Angaben vorhanden sind.

Die

prüft, ob Werte, Formate und Einheiten widerspruchsfrei zusammenpassen.

Eine Visualisierung sollte Muster verständlich zeigen, ohne die Daten irreführend zu

.

Eine Systemwarnung ersetzt kein begründetes menschliches

.

Für ein nachvollziehbares Urteil brauchst Du Kriterien, Belege und eine erkennbare

.

Offene Aufgaben

Leicht

Datencheck: Untersuche eine kleine Tabelle aus Deinem Unterricht oder eine selbst erstellte Tabelle. Finde mindestens drei Angaben, die dokumentiert werden müssten, damit eine andere Person die Daten sicher verstehen kann.
Diagrammkritik: Suche ein öffentlich zugängliches Diagramm und beschreibe, welche Aussage es nahelegt. Prüfe Achsen, Maßstab, Quelle und fehlende Informationen.
Fragencheck: Entwirf zwei unterschiedliche Formulierungen für dieselbe Umfragefrage. Erkläre, wie die Wortwahl Antworten beeinflussen könnte.
Fehlerjagd: Erstelle einen Mini-Datensatz mit zehn Zeilen und baue absichtlich drei verschiedene Datenfehler ein. Tausche ihn mit einer anderen Gruppe und lasst die Fehler begründet finden.

Standard

Datensatz-Steckbrief: Dokumentiere einen frei verfügbaren kleinen Datensatz mit Zweck, Quelle, Variablen, Einheit, Stichprobe, fehlenden Werten, Einschränkungen und zulässiger Nutzung.
Stichprobenexperiment: Befrage zwei unterschiedlich ausgewählte Kleingruppen zur selben harmlosen Frage. Vergleiche die Ergebnisse und untersuche, ob das Auswahlverfahren einen Unterschied erzeugt.
Visualisierungsvergleich: Stelle dieselben Daten in zwei sinnvollen Darstellungen dar. Erkläre, welche Aspekte jeweils gut sichtbar und welche eher verborgen werden.
Label-Werkstatt: Entwickle für fünf kurze Beispieltexte ein Kategoriensystem. Lass eine zweite Gruppe unabhängig labeln und untersucht, bei welchen Fällen Ihr Euch nicht einig seid.

Schwer

Systemaudit: Entwickle für das Lernwarnsystem eine Prüfliste mit mindestens acht Kriterien. Entscheide, welche Belege vor einem realen Einsatz fehlen.
Fehlerfolgenanalyse: Vergleiche falsch positive und falsch negative Entscheidungen in drei Bereichen, zum Beispiel Schule, Medizin und Spamfilter. Begründe, warum derselbe Fehlertyp je nach Kontext unterschiedlich schwer wiegen kann.
Fairnessprüfung: Erfinde einen kleinen Datensatz, in dem ein Gesamtergebnis gut aussieht, eine Teilgruppe aber deutlich schlechtere Ergebnisse erhält. Zeige mit einer Tabelle oder Grafik, warum die Gesamtkennzahl nicht genügt.
Datenethik-Debatte: Entwickle eine begründete Empfehlung für eine schulische Regel zum Einsatz datenbasierter oder KI-gestützter Entscheidungshilfen. Berücksichtige Transparenz, Datenschutz, Korrigierbarkeit, Fairness, Verantwortung und Human Agency.

Lernkontrolle

Transferfall Schulbibliothek: Eine Schule möchte vorhersagen, welche Bücher im kommenden Halbjahr häufig ausgeliehen werden. Beurteile, welche Daten sinnvoll wären, welche Daten fehlen könnten und warum vergangene Ausleihen nicht automatisch die Zukunft abbilden.
Transferfall Sensorik: Ein Temperatursensor liefert sehr gleichmäßige Werte, liegt aber nachweislich immer zwei Grad über einem Referenzgerät. Erkläre, warum geringe Schwankung allein keine hohe Datenqualität beweist, und schlage eine Prüfmethode vor.
Transferfall Umfrage: Eine Schülervertretung veröffentlicht das Ergebnis einer freiwilligen Online-Umfrage als Meinung der gesamten Schule. Formuliere ein begründetes Urteil mit mindestens drei Kriterien und konkreten Belegen, die Du zusätzlich verlangen würdest.
Transferfall KI: Ein KI-System sortiert Bewerbungen für ein Praktikum vor. Die Gesamtgenauigkeit ist hoch, aber die Trainingsdaten stammen fast nur aus früheren erfolgreichen Bewerbungen. Analysiere mögliche Verzerrungen und formuliere Anforderungen an eine verantwortliche Prüfung.
Transferfall Geschichte: Du erhältst eine historische Tabelle über Erwerbsarbeit, in der unbezahlte Haus- und Sorgearbeit nicht erfasst wurde. Erkläre, wie die damalige Erhebungslogik heutige Schlussfolgerungen beeinflussen kann.
Urteilsaufgabe: Begründe, warum Transparenz über Unsicherheit ein Qualitätsmerkmal sein kann. Zeige an einem eigenen Beispiel, weshalb „Wir wissen es nicht genau“ fachlich besser sein kann als eine scheinbar präzise, aber unbelegte Zahl.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst. Du solltest zeigen, dass Du einen Datensatz mit nachvollziehbaren Kriterien untersuchen und ein begründetes Urteil formulieren kannst.

Dokumentation: Du kannst Zweck, Quelle, Variablen, Einheiten, Auswahl, fehlende Werte, Bearbeitung und Einschränkungen eines Datensatzes beschreiben.
Datenqualität: Du kannst Kriterien wie Korrektheit, Vollständigkeit, Konsistenz, Aktualität, Plausibilität, Relevanz und Nachvollziehbarkeit auf konkrete Daten anwenden.
Stichprobe: Du kannst erklären, warum Größe und Auswahl einer Stichprobe getrennt beurteilt werden müssen.
Bias: Du kannst mögliche systematische Verzerrungen erkennen und ihre Entstehung begründen.
Labels: Du kannst prüfen, ob Kategorien klar definiert, nachvollziehbar vergeben und für den Zweck geeignet sind.
Visualisierung: Du kannst eine Darstellung auf Maßstab, Auswahl, Gruppierung und mögliche Irreführung untersuchen.
Systembewertung: Du kannst Datenqualität und Fehlerfolgen gemeinsam betrachten.
Fairness: Du kannst begründen, warum eine gute Gesamtkennzahl mögliche Unterschiede zwischen Gruppen oder Situationen verdecken kann.
Verantwortung: Du kannst benennen, wer Ergebnisse prüfen, korrigieren und verantworten muss.
Urteilsfähigkeit: Du kannst eine Schlussfolgerung mit Kriterium, Beleg, Bedeutung und Unsicherheit begründen.

OERs zum Thema

Der Wikipedia-Artikel zum Datensatz bietet eine grundlegende Vertiefung zum Begriff und zu Datenstrukturen:

Zur weiteren Vertiefung eignen sich die Themen Informationsqualität, Datenbereinigung, Repräsentativität, Datenanalyse, Konfusionsmatrix und Diskriminierungsrisiken bei maschinellem Lernen.

Die im Kurs eingebundenen Diagramme stammen aus Wikimedia Commons. Dort findest Du auf den jeweiligen Dateiseiten Angaben zu Urheberinnen und Urhebern, Lizenz und Herkunft.

Reflexion und Transfer

Datenkompetenz bedeutet nicht, jeder Zahl zu misstrauen. Sie bedeutet, angemessene Fragen zu stellen.

Wenn Du künftig eine Statistik, einen KI-Vorschlag, eine Rangliste oder eine automatische Empfehlung siehst, kannst Du mit fünf kurzen Fragen beginnen:

Woher stammen die Daten?
Wer oder was fehlt möglicherweise?
Was bedeuten die Kategorien und Labels genau?
Welche Fehler oder Verzerrungen könnten entstehen?
Wer trägt die Folgen und kann die Entscheidung prüfen oder korrigieren?

Die stärkste Haltung ist weder blindes Vertrauen noch pauschale Ablehnung. Sie besteht darin, Daten und Systeme prüfbar, transparent und verantwortungsvoll zu verwenden.

Verknüpfte Lernbereiche

Datensätze dokumentieren und beurteilen

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache