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

Datensätze transparent dokumentieren

Einleitung

Datensätze wirken auf den ersten Blick oft wie neutrale Sammlungen von Zahlen, Texten oder Kategorien. Doch jeder Datensatz ist das Ergebnis von Entscheidungen: Was wurde erhoben? Wer oder was wurde nicht erfasst? Wie wurden Werte gemessen? Wer vergab Labels? Welche Fehler wurden korrigiert? Und wofür darf der Datensatz später verwendet werden? Genau diese Entscheidungen können die Qualität einer Analyse, einer Statistik oder eines KI-Systems beeinflussen.

In diesem aiMOOC lernst Du deshalb nicht nur, Daten anzusehen, sondern einen Datensatz so zu dokumentieren, dass andere Menschen seine Herkunft, Grenzen und möglichen Verzerrungen nachvollziehen können. Der Kurs ist für die Klasse 10 ausgelegt und verbindet Informatik, Mathematik, Technik, Deutsch, Wirtschaft, Geschichte, Ethik und Gemeinschaftskunde.

Der Lernkurs ist für etwa eine bis zwei Unterrichtsstunden gedacht. In einer 45-Minuten-Fassung können Aktivierung, Einführung, Datensatzanalyse und Transfer bearbeitet werden. In einer 90-Minuten-Fassung kommen Label-Experiment, Visualisierung, Governance, Folgenabschätzung und ausführliche Reflexion hinzu.

Lernziele

Nach dem Kurs kannst Du erklären, warum eine transparente Datensatzdokumentation wichtig ist. Du kannst Datenqualität, Auswahl, Repräsentativität, Labels, Fehlerquellen und mögliche Verzerrungen untersuchen. Du kannst einfache Visualisierungen kritisch lesen, die Eignung eines Datensatzes für einen bestimmten Zweck bewerten und eine begründete Entscheidung über Nutzung, Nachbesserung oder Nicht-Nutzung treffen.

Besonders wichtig ist dabei Deine Human Agency: Ein Datensatz oder eine KI entscheidet nicht automatisch, was richtig ist. Menschen legen Ziele fest, prüfen Daten, tragen Verantwortung und können eine technische Empfehlung ablehnen oder verändern.

Unterrichtsablauf für 1–2 Stunden

Phase	Zeit	Tätigkeit	Ziel
Aktivierung und Diagnose	5–10 Minuten	Zwei unterschiedlich dokumentierte Datensätze vergleichen	Vorwissen sichtbar machen
Einführung	10–15 Minuten	Datensatz, Metadaten, Datenqualität und Verzerrung klären	gemeinsame Begriffe sichern
Experiment	15–20 Minuten	kleinen Datensatz prüfen, zählen und visualisieren	Fehler und Auswahlwirkungen erkennen
Systemdesign und Governance	15–20 Minuten	Datensatz-Steckbrief und Freigaberegeln entwickeln	Transparenz praktisch anwenden
Anwendungssituation	15–20 Minuten	Entscheidung zur Nutzung eines Datensatzes begründen	Folgen abschätzen
Reflexion und Transfer	10–15 Minuten	neuen Fall eigenständig beurteilen	Wissen übertragen

Aktivierung und Diagnose

Stell Dir vor, zwei Gruppen wollen mit Daten entscheiden, welche Schulwegabschnitte zuerst verbessert werden sollen.

Datensatz A	Datensatz B
120 Meldungen	65 Meldungen
Herkunft unklar	Erhebungszeitraum dokumentiert
keine Beschreibung der Teilnehmenden	Herkunftsbereiche und Erhebungsweg beschrieben
Labels „sicher“ und „unsicher“ ohne Erklärung	Labelregeln und Zweitprüfung dokumentiert
fehlende Werte wurden gelöscht, aber nicht protokolliert	fehlende Werte und Korrekturen sind aufgeführt

Diagnosefrage: Welchem Datensatz würdest Du eher vertrauen? Begründe Deine Entscheidung zunächst in zwei Sätzen. Die Zahl der Datensätze oder Datenpunkte allein ist noch kein Qualitätsbeweis.

Was bedeutet transparente Datensatzdokumentation?

Eine transparente Dokumentation beschreibt nicht nur den Inhalt einer Datei. Sie hält auch fest, warum der Datensatz erstellt wurde, wie die Daten entstanden, welche Auswahlentscheidungen getroffen wurden, wie Werte oder Labels zustande kamen, welche Grenzen bekannt sind und wofür der Datensatz geeignet oder ungeeignet ist.

In der Forschung wurde dafür unter anderem das Konzept Datasheets for Datasets vorgeschlagen. Die Grundidee ähnelt einem technischen Datenblatt: Wer einen Datensatz weiterverwendet, soll wichtige Eigenschaften und Einschränkungen erkennen können.

Ein guter Datensatz-Steckbrief beantwortet deshalb Fragen zu Zweck, Zusammensetzung, Erhebung, Aufbereitung, Nutzung, Weitergabe und Pflege.

Daten und Metadaten

Daten sind die eigentlichen Werte, zum Beispiel „Nord“, „07:20“, „Regen“ oder „unsicher“. Metadaten sind Daten über diese Daten. Sie beschreiben beispielsweise Spaltennamen, Einheiten, Erhebungszeitpunkte, Quellen, Versionen, Rechte oder Bedeutungen von Kategorien.

Ohne Metadaten kann selbst eine korrekte Zahl missverständlich werden. Der Wert „12“ kann zwölf Minuten, zwölf Personen, zwölf Kilometer oder ein Klassencode bedeuten.

Fehler beim Erstellen des Vorschaubildes:

Provenienz: Woher kommen die Daten?

Die Datenprovenienz beschreibt die Herkunft und Verarbeitungsgeschichte von Daten. Dazu gehören Erhebungsquelle, Zeitpunkt, Ort, Messinstrument, Auswahlverfahren und spätere Veränderungen.

Die Frage „Woher kommt diese Zahl?“ ist deshalb genauso wichtig wie die Zahl selbst. Eine Datenquelle kann seriös sein und trotzdem für eine bestimmte Entscheidung ungeeignet sein, wenn sie eine andere Zielgruppe, einen anderen Zeitraum oder eine andere Fragestellung abbildet.

Datenqualität untersuchen

Datenqualität ist kein einzelner Wert. Sie hängt immer vom geplanten Zweck ab. Ein Datensatz kann für eine grobe Übersicht ausreichend, für eine folgenreiche Einzelentscheidung aber ungeeignet sein.

Qualitätsaspekt	Leitfrage	Beispiel
Vollständigkeit	Fehlen wichtige Werte oder Gruppen?	Für einen Stadtteil liegen fast keine Meldungen vor.
Richtigkeit	Sind Werte plausibel und korrekt?	Eine negative Weglänge wäre ein offensichtlicher Fehler.
Konsistenz	Werden gleiche Bedeutungen gleich dargestellt?	„Nord“, „NORD“ und „N“ meinen denselben Bereich.
Aktualität	Passt der Zeitraum zur heutigen Entscheidung?	Daten vor einem Umbau beschreiben die neue Kreuzung schlecht.
Repräsentativität	Bildet die Stichprobe die relevante Grundgesamtheit ausreichend ab?	Fast nur Radfahrende nahmen an einer Schulwegumfrage teil.
Nachvollziehbarkeit	Sind Herkunft und Bearbeitung dokumentiert?	Es ist festgehalten, warum drei Zeilen entfernt wurden.

Auswahl und Repräsentativität

Eine Stichprobe ist nur ein Ausschnitt aus einer größeren Grundgesamtheit. Wenn bestimmte Personen, Orte oder Situationen häufiger in die Stichprobe gelangen als andere, kann ein Auswahlbias entstehen.

Besonders kritisch ist eine selbst ausgewählte Teilnahme: Menschen mit starken positiven oder negativen Erfahrungen antworten möglicherweise häufiger. Dann zeigt der Datensatz nicht automatisch die Verteilung in der gesamten Zielgruppe.

Statistische Verzerrung

Eine Verzerrung ist eine systematische Abweichung. Sie entsteht nicht nur durch „falsche“ Zahlen. Auch eine scheinbar saubere Datentabelle kann verzerrt sein, wenn ihre Auswahl oder Messmethode bestimmte Fälle bevorzugt.

Achte beim Video besonders darauf, an welcher Stelle Verzerrungen entstehen können: bei Daten, bei Modellentscheidungen und durch menschliche Annahmen.

Labels: Wer entscheidet, was ein Fall bedeutet?

Bei vielen Datensätzen werden Beobachtungen mit Labels versehen. Ein Foto kann „Fahrrad“ heißen, ein Text „positiv“ oder „negativ“, ein Schulwegabschnitt „sicher“ oder „unsicher“.

Labels sind nicht immer objektive Wahrheiten. Bei eindeutigen Messungen ist die Zuordnung oft einfach. Bei Begriffen wie „gefährlich“, „angemessen“, „auffällig“ oder „gute Leistung“ können Menschen dieselbe Situation unterschiedlich beurteilen.

Deshalb sollte dokumentiert werden, wer labelt, welche Anleitung verwendet wurde, ob mehrere Personen unabhängig voneinander gelabelt haben und wie mit Uneinigkeit umgegangen wurde.

Mini-Experiment: Label-Übereinstimmung

Lies die drei Situationen und entscheide zunächst allein, ob Du sie als „sicher“ oder „unsicher“ labeln würdest.

Fall	Beschreibung
A	Radweg endet 30 Meter vor einer Kreuzung.
B	Gehweg ist breit, aber morgens sehr voll.
C	Ampel ist vorhanden, die Wartezeit ist jedoch ungewöhnlich kurz.

Vergleicht anschließend in einer Vierergruppe Eure Labels. Wenn Ihr unterschiedliche Ergebnisse habt, ist das kein automatischer Fehler der Personen. Es zeigt vielmehr, dass die Labeldefinition möglicherweise präziser werden muss.

Formuliert danach gemeinsam eine Regel, nach der zukünftige Fälle möglichst konsistent gelabelt werden können.

Ein überschaubarer Beispieldatensatz

Die folgende Tabelle ist ein fiktiver Unterrichtsdatensatz. Sie enthält keine echten personenbezogenen Daten. Eine Schule möchte untersuchen, welche Schulweg-Bereiche genauer geprüft werden sollten.

ID	Bereich	Quelle	Wetter	Uhrzeit	Gefahr_Label
01	Nord	Schülergruppe	trocken	07:10	unsicher
02	Nord	Schülergruppe	Regen	07:20	unsicher
03	Nord	Lehrkraft	trocken	07:40	sicher
04	Nord	Schülergruppe	trocken	07:15	unsicher
05	Nord	Eltern	Regen	fehlt	unsicher
06	Süd	Schülergruppe	trocken	07:10	sicher
07	Süd	Schülergruppe	trocken	07:35	sicher
08	Süd	Lehrkraft	Regen	07:45	unsicher
09	Süd	Eltern	trocken	08:10	sicher
10	Ost	Schülergruppe	trocken	07:30	unsicher
11	Ost	Schülergruppe	Regen	07:50	sicher
12	West	Eltern	fehlt	07:40	sicher

Erste Datenprüfung

Schon vor jeder komplizierten Rechnung solltest Du den Datensatz prüfen. Zwei Werte fehlen. Die Bereiche sind unterschiedlich stark vertreten. Die Quelle „Schülergruppe“ kommt deutlich häufiger vor als andere Quellen. Außerdem ist „Gefahr“ ein Label, dessen genaue Definition noch nicht dokumentiert wurde.

Diese Beobachtungen sind wichtig, weil eine spätere Visualisierung sehr überzeugend aussehen kann, obwohl die Datengrundlage schwach ist.

Visualisierungsexperiment

Zähle die Meldungen pro Bereich und die als „unsicher“ gelabelten Fälle.

Bereich	Meldungen	davon unsicher	Anteil unsicher
Nord	5	4	80 %
Süd	4	1	25 %
Ost	2	1	50 %
West	1	0	0 %

Erstelle zwei Balkendiagramme: eines mit der Anzahl unsicherer Meldungen und eines mit dem prozentualen Anteil. Vergleiche anschließend ihre Wirkung.

Ein Anteil von 0 % im Bereich West klingt eindeutig. Tatsächlich liegt dort aber nur eine einzige Meldung vor. Das Beispiel zeigt, warum Visualisierungen immer zusammen mit Fallzahlen, Erhebungsbedingungen und Unsicherheiten gelesen werden müssen.

Experiment: Wie empfindlich ist das Ergebnis?

Verändere gedanklich genau einen Datenpunkt im Bereich Ost von „sicher“ zu „unsicher“. Der Anteil „unsicher“ springt dort von 50 % auf 100 %. Bei kleinen Stichproben kann ein einzelner Fall eine sehr große Wirkung haben.

Frage Dich deshalb: Würdest Du auf Grundlage dieser Tabelle schon Geld für einen Umbau verteilen? Oder wäre zuerst eine gezieltere Datenerhebung sinnvoll?

Fehlerquellen systematisch unterscheiden

Nicht jeder Fehler hat dieselbe Ursache.

Fehlerart	Beispiel	Mögliche Maßnahme
Erfassungsfehler	Uhrzeit wurde falsch eingetragen.	Originalquelle prüfen und Korrektur dokumentieren.
Fehlender Wert	Wetterangabe fehlt.	als fehlend kennzeichnen und Umgang begründen.
Dublette	dieselbe Meldung wurde zweimal importiert.	Duplikatregel festlegen.
Messfehler	Sensor zeigt systematisch zu hohe Werte.	Messgerät prüfen oder kalibrieren.
Auswahlfehler	Nur Personen aus einer AG nehmen teil.	Erhebung gezielt erweitern.
Labelfehler	„unsicher“ wurde uneinheitlich vergeben.	Labelleitfaden und Zweitprüfung verwenden.
Veraltete Daten	Kreuzung wurde inzwischen umgebaut.	Zeitraum dokumentieren und neu erheben.

Systemdesign: Daten als Teil eines ganzen Systems

Ein Datensatz ist selten allein. Er ist Teil eines Systems aus Menschen, Regeln, technischen Geräten, Software und Entscheidungen.

Ein sinnvoller Datenprozess kann so gedacht werden:

Zweck festlegen → Grundgesamtheit bestimmen → Daten erheben → Qualität prüfen → Labels prüfen → dokumentieren → auswerten → Entscheidung unterstützen → Folgen beobachten → Dokumentation aktualisieren

Das Systemdesign sollte bereits vor der Erhebung festlegen, welche Daten wirklich nötig sind, wie Fehler erkannt werden, wer Änderungen vornehmen darf und wann eine menschliche Prüfung erforderlich ist.

Datensatz-Steckbrief als Designwerkzeug

Dokumentationsfeld	Leitfrage
Zweck	Welche konkrete Frage soll der Datensatz beantworten?
Beobachtungseinheit	Was entspricht einer Zeile?
Zielpopulation	Über wen oder was soll eine Aussage gemacht werden?
Herkunft	Woher stammen die Daten?
Erhebungszeitraum	Wann wurden sie erhoben?
Auswahlverfahren	Wie gelangten Fälle in den Datensatz?
Variablen	Was bedeuten Spalten, Kategorien und Einheiten?
Labels	Wer vergab sie und nach welchen Regeln?
Fehlende Werte	Welche Werte fehlen und warum?
Bearbeitung	Was wurde bereinigt, zusammengefasst oder entfernt?
Repräsentativität	Welche Gruppen oder Situationen sind über- oder unterrepräsentiert?
bekannte Grenzen	Welche Schlussfolgerungen sind nicht abgesichert?
geeignete Nutzung	Wofür darf der Datensatz sinnvoll verwendet werden?
ungeeignete Nutzung	Wofür sollte er ausdrücklich nicht verwendet werden?
Version	Welche Fassung wird verwendet?
Verantwortung	Wer prüft, aktualisiert und dokumentiert Änderungen?

Evaluation: Reicht die Qualität für den Zweck?

Evaluation bedeutet mehr als eine einzige Genauigkeitszahl. Für einen Datensatz solltest Du mindestens prüfen, ob die Stichprobe passt, ob Labels nachvollziehbar sind, ob Fehler und fehlende Werte bekannt sind und ob wichtige Teilgruppen getrennt betrachtet werden können.

Wenn ein Datensatz später ein Klassifikationssystem unterstützt, reicht die Gesamtgenauigkeit ebenfalls nicht immer. Fehlerarten können unterschiedlich schwer wiegen.

Eine Konfusionsmatrix unterscheidet korrekte und falsche Zuordnungen. Dadurch wird sichtbar, ob ein System etwa viele falsch-positive oder falsch-negative Ergebnisse produziert. Welche Fehlerart schwerer wiegt, hängt vom Anwendungsfall ab und ist nicht nur eine technische, sondern oft auch eine ethische Entscheidung.

Governance: Wer trägt Verantwortung?

Daten-Governance bezeichnet Regeln und Zuständigkeiten für den Umgang mit Daten. In einem Schulprojekt kann Governance sehr einfach beginnen: Wer darf Daten ändern? Wer prüft Fehler? Wer entscheidet über eine Veröffentlichung? Wann wird eine alte Version ersetzt? Welche Daten dürfen nicht gesammelt werden?

Bei personenbezogenen Daten sind Datenschutzprinzipien besonders wichtig. Dazu gehören unter anderem Zweckbindung, Datenminimierung und Richtigkeit. Für ein Schulprojekt bedeutet das beispielsweise: Sammle keine Namen, Adressen oder anderen identifizierenden Angaben, wenn sie für die Fragestellung gar nicht notwendig sind.

Der EU AI Act enthält für bestimmte Hochrisiko-KI-Systeme konkrete Anforderungen an Daten-Governance und Datenqualität. Dazu gehören unter anderem Fragen nach Herkunft, Aufbereitung, Repräsentativität, Fehlern, Datenlücken und möglichen Verzerrungen. Im Unterricht dient das als Beispiel dafür, dass Datenqualität bei folgenreichen Systemen nicht nur eine technische Nebensache ist.

Eine einfache Freigaberegel für den Unterricht

Vor einer Nutzung sollte eine Gruppe vier Entscheidungen treffen: freigeben, nur eingeschränkt verwenden, zuerst verbessern oder nicht verwenden.

Die Entscheidung muss mit dokumentierten Kriterien begründet werden. Ein großer Datensatz darf also abgelehnt werden, wenn Herkunft oder Auswahl unklar sind. Ein kleiner Datensatz kann dagegen für einen klar begrenzten Demonstrationszweck geeignet sein, wenn seine Grenzen offen dokumentiert werden.

Gestaltung: Dokumentation muss verständlich sein

Transparenz funktioniert nur, wenn andere Menschen die Dokumentation tatsächlich verstehen. Das ist auch eine Aufgabe des Faches Deutsch: Fachbegriffe sollten erklärt, Aussagen präzise formuliert und Unsicherheiten sichtbar gemacht werden.

Schreibe deshalb nicht: „Der Datensatz ist repräsentativ“, wenn Du das nicht belegen kannst. Besser ist zum Beispiel: „Die Erhebung umfasst vier Bereiche, aber West ist mit nur einer Meldung stark unterrepräsentiert.“

Eine gute Gestaltung trennt außerdem Beobachtung und Bewertung. „5 von 12 Fällen stammen aus Nord“ ist eine Beobachtung. „Nord ist besonders gefährlich“ ist bereits eine Interpretation, die zusätzliche Belege benötigt.

Folgenabschätzung

Bevor Daten eine Entscheidung beeinflussen, solltest Du mögliche Folgen untersuchen.

Frage	Beispiel Schulweg
Wer profitiert?	Ein Bereich erhält schneller zusätzliche Sicherheitsmaßnahmen.
Wer könnte benachteiligt werden?	Ein kaum erfasster Bereich wird übersehen.
Welche Fehler sind besonders problematisch?	Ein tatsächlich gefährlicher Bereich wird fälschlich als unauffällig bewertet.
Welche Rückkopplung kann entstehen?	Wo häufiger gemessen wird, entstehen mehr Meldungen und dadurch noch mehr Aufmerksamkeit.
Welche Schutzmaßnahme ist möglich?	Mindestzahl an Meldungen pro Bereich und zusätzliche Vor-Ort-Prüfung.
Wer muss beteiligt werden?	Lernende, Lehrkräfte, Eltern, Schulträger und gegebenenfalls Fachleute.

Eine Folgenabschätzung fragt also nicht nur: „Funktioniert die Auswertung?“, sondern auch: „Für wen funktioniert sie, unter welchen Bedingungen und mit welchen Nebenwirkungen?“

Fächerübergreifende Bezüge

Fach	Bezug
Informatik	Datenstrukturen, CSV, Metadaten, Algorithmen, Versionskontrolle, KI-Datensätze
Mathematik	Stichproben, relative Häufigkeiten, Diagramme, Unsicherheit, Vergleich von Gruppen
Technik	Sensorqualität, Messfehler, Kalibrierung, technische Systeme
Deutsch	präzise Dokumentation, verständliche Definitionen, Quellenkritik, Argumentation
Wirtschaft	Kosten von Datenerhebung, Fehlentscheidungen, Qualitätsmanagement, Ressourcenzuteilung
Geschichte	historische Quellen, Überlieferungslücken und die Frage, wessen Daten überhaupt erhalten geblieben sind
Ethik	Fairness, Verantwortung, mögliche Schäden und gerechte Beteiligung
Gemeinschaftskunde	Transparenz öffentlicher Entscheidungen, Teilhabe, Datenschutz und Rechenschaft

Realistische Anwendungssituation

Die Schule erhält ein kleines Budget für Maßnahmen zur Schulwegsicherheit. Ein Vorschlag lautet: „Wir nutzen einfach den vorhandenen Datensatz und wählen den Bereich mit dem höchsten Anteil unsicherer Meldungen.“

Du bist Mitglied eines Schülerteams, das die Datengrundlage prüfen soll. Eure Aufgabe ist nicht, sofort eine fertige Lösung zu liefern. Entscheidet stattdessen:

Datensatzprüfung: Welche Qualitätsprobleme müssen vor einer Entscheidung geklärt werden?
Repräsentativität: Welche Bereiche oder Personengruppen könnten fehlen?
Labeldefinition: Was müsste „unsicher“ konkret bedeuten?
Folgenabschätzung: Welche Fehlentscheidung wäre besonders problematisch?
Governance: Wer sollte die Freigabe der Daten und die spätere Entscheidung prüfen?
Human Agency: An welcher Stelle darf eine automatische Auswertung nicht allein entscheiden?

Am Ende entscheidet Ihr zwischen freigeben, eingeschränkt verwenden, zuerst verbessern und nicht verwenden. Eure Begründung muss sich auf mindestens drei dokumentierte Kriterien stützen.

Verantwortlicher KI-Einsatz

KI kann beim Strukturieren einer Dokumentation helfen, darf aber nicht die Verantwortung übernehmen. Wenn Du KI nutzt, prüfe alle Aussagen an der Quelle, kennzeichne Unsicherheiten und übernimm keine automatisch erfundenen Angaben zur Herkunft eines Datensatzes.

Gib keine personenbezogenen oder vertraulichen Daten in ein KI-System ein, wenn dafür keine geeignete Rechtsgrundlage und Freigabe besteht. Verwende KI außerdem nicht, um fehlende Werte einfach „plausibel“ zu erfinden. Eine transparente Lücke ist häufig besser als eine scheinbar genaue, aber unbelegte Zahl.

Das Video kann als Ergänzung genutzt werden, um Stichproben und Sampling Bias zu wiederholen. Prüfe auch hier kritisch, welche Beispiele gezeigt werden und welche Annahmen hinter ihnen stehen.

Reflexion und Selbstkontrolle

Beantworte zum Abschluss drei Fragen schriftlich:

Transparenz: Welche Information in einer Datensatzdokumentation würdest Du niemals weglassen?
Fairness: Wann kann ein korrekt gemessener Datensatz trotzdem unfair wirken?
Entscheidung: Welche Bedingung müsste erfüllt sein, damit Du dem Schulweg-Datensatz mehr vertraust?

Nutze danach eine einfache Ampel-Selbsteinschätzung: Grün bedeutet „Ich kann es erklären und anwenden“, Gelb „Ich kann es teilweise“, Rot „Ich brauche noch ein Beispiel“. Beurteile Dich zu Datenqualität, Repräsentativität, Labels, Governance und Transfer.

Transfer auf einen neuen Fall

Eine Jugendvertretung möchte mit Online-Umfragedaten entscheiden, welche Freizeitangebote im nächsten Jahr gefördert werden sollen. 600 Antworten liegen vor. Die Umfrage wurde hauptsächlich über einen einzigen Social-Media-Kanal verbreitet. Alter, Wohngebiet und Teilnahmeweg wurden nicht dokumentiert. Mehrere Antwortmöglichkeiten wurden nachträglich zusammengefasst.

Übertrage nun das Gelernte selbstständig. Entscheide, ob der Datensatz direkt verwendet werden sollte, nur eingeschränkt verwendet werden kann, zunächst verbessert werden muss oder ungeeignet ist. Begründe Deine Entscheidung mit Datenqualität, Auswahl, Repräsentativität, Labels beziehungsweise Kategorien, Transparenz, Governance und möglichen Folgen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Warum wird ein Datensatz transparent dokumentiert? (Damit Herkunft Grenzen und Nutzung nachvollziehbar werden) (!Damit der Datensatz automatisch größer wird) (!Damit jede Analyse dasselbe Ergebnis liefern muss) (!Damit fehlende Werte unsichtbar werden)

Was beschreibt die Provenienz eines Datensatzes? (Die Herkunft und Verarbeitungsgeschichte der Daten) (!Nur die Dateigröße) (!Nur die Zahl der Spalten) (!Nur das verwendete Diagramm)

Wann kann eine Stichprobe verzerrt sein? (Wenn bestimmte Gruppen systematisch häufiger erfasst werden) (!Wenn jede Zeile eine ID besitzt) (!Wenn eine Tabelle Überschriften enthält) (!Wenn die Datei als CSV gespeichert ist)

Warum sollten Labelregeln dokumentiert werden? (Damit Zuordnungen nachvollziehbar und möglichst konsistent sind) (!Damit alle Labels möglichst lang werden) (!Damit keine zweite Person die Daten prüfen kann) (!Damit jede Kategorie gleich häufig vorkommt)

Was zeigt der Bereich West im Beispieldatensatz besonders deutlich? (Ein Prozentwert kann bei sehr kleiner Fallzahl irreführend wirken) (!Ein Prozentwert ist immer zuverlässiger als eine Fallzahl) (!Eine einzelne Beobachtung ist automatisch repräsentativ) (!Fehlende Werte verbessern die Genauigkeit)

Welche Maßnahme verbessert die Transparenz bei fehlenden Werten? (Fehlende Werte kennzeichnen und den Umgang damit dokumentieren) (!Alle fehlenden Werte heimlich durch Null ersetzen) (!Die betroffenen Spalten löschen ohne Hinweis) (!Die Datei umbenennen)

Was gehört zu Data Governance? (Zuständigkeiten Regeln Freigaben und Pflege von Daten) (!Nur die Farbe eines Diagramms) (!Nur die Rechengeschwindigkeit eines Computers) (!Nur die Anzahl der Datenzeilen)

Warum ist Human Agency bei datenbasierten Entscheidungen wichtig? (Weil Menschen Ziele Folgen und Verantwortung prüfen müssen) (!Weil Daten grundsätzlich wertlos sind) (!Weil Computer keine Zahlen verarbeiten können) (!Weil jede automatische Auswertung verboten ist)

Welche Aussage ist eine Beobachtung statt einer Interpretation? (Fünf von zwölf Fällen stammen aus dem Bereich Nord) (!Nord ist sicher der gefährlichste Bereich) (!Die Stichprobe beweist die beste Maßnahme) (!Der Datensatz ist vollständig fair)

Was ist beim Transfer auf einen neuen Datensatz besonders wichtig? (Die Eignung für den konkreten Zweck neu zu begründen) (!Immer dieselbe Entscheidung wie im Übungsbeispiel zu treffen) (!Nur die Anzahl der Zeilen zu vergleichen) (!Die Dokumentation des neuen Datensatzes zu ignorieren)

Memory

Provenienz	Herkunft und Verarbeitungsgeschichte
Metadaten	Informationen über Daten
Stichprobe	Ausschnitt aus einer Grundgesamtheit
Repräsentativität	angemessene Abbildung der Zielpopulation
Label	zugeordnete Kategorie
Datenqualität	Eignung der Daten für einen Zweck
Governance	Regeln und Zuständigkeiten
Versionierung	nachvollziehbare Abfolge von Datenständen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Erhebungsweg dokumentieren	Provenienz
Unterrepräsentierte Gruppe erkennen	Repräsentativität
Uneinheitliche Kategorien prüfen	Labels
Fehlende Werte markieren	Datenqualität
Freigaberegel festlegen	Governance
Folgen für Betroffene untersuchen	Folgenabschätzung
neuen Fall selbstständig beurteilen	Transfer

Kreuzworträtsel

Metadaten	Wie heißen Informationen über Bedeutung Herkunft oder Struktur von Daten?
Stichprobe	Wie heißt ein untersuchter Ausschnitt aus einer größeren Grundgesamtheit?
Provenienz	Welcher Begriff bezeichnet die Herkunft und Verarbeitungsgeschichte von Daten?
Verzerrung	Wie heißt eine systematische Abweichung in Daten oder Ergebnissen?
Labeling	Wie heißt das Zuordnen von Kategorien zu Datenpunkten?
Versionierung	Wie heißt das nachvollziehbare Verwalten aufeinanderfolgender Datenstände?

LearningApps

Lückentext

Informationen über Herkunft, Bedeutung und Struktur eines Datensatzes heißen

. Ein Ausschnitt aus einer größeren Grundgesamtheit heißt

. Wenn bestimmte Gruppen systematisch zu häufig oder zu selten vorkommen, kann eine

entstehen. Die Herkunft und Verarbeitungsgeschichte von Daten wird als

bezeichnet. Eine zugeordnete Kategorie in einem Datensatz heißt

. Regeln und Zuständigkeiten für den Umgang mit Daten gehören zur

. Eine transparente Dokumentation nennt auch bekannte

. Am Ende muss die Eignung eines Datensatzes immer für den konkreten

beurteilt werden.

Offene Aufgaben

Leicht

Datensteckbrief: Erstelle für den fiktiven Schulweg-Datensatz einen Steckbrief mit Zweck, Spalten, Zeitraum, fehlenden Werten und bekannten Grenzen.
Fehlersuche: Markiere mindestens fünf Stellen im Beispieldatensatz, zu denen Du vor einer echten Nutzung Rückfragen stellen würdest.
Diagrammvergleich: Zeichne ein Diagramm mit absoluten Häufigkeiten und eines mit Prozentwerten und beschreibe, wie sich die Wirkung verändert.
Labelregel: Formuliere eine kurze und überprüfbare Regel dafür, wann ein Schulwegabschnitt als „unsicher“ gelabelt werden soll.

Standard

Stichprobenplan: Entwirf eine bessere Erhebung, bei der alle vier Bereiche und verschiedene Verkehrsmittel angemessen berücksichtigt werden.
Quellenkritik: Vergleiche zwei mögliche Datenquellen für Schulwegsicherheit und begründe, welche Verzerrungen jeweils auftreten könnten.
Governanceplan: Lege Rollen für Erhebung, Prüfung, Freigabe, Korrektur und Archivierung eines Klassendatensatzes fest.
Folgenanalyse: Erstelle eine Tabelle mit mindestens drei möglichen Fehlentscheidungen und jeweils einer Schutzmaßnahme.

Schwer

Daten-Audit: Entwickle ein Prüfverfahren mit Kriterien, Schwellen und dokumentierten Entscheidungen für die Freigabe eines neuen Datensatzes.
Fairnessanalyse: Untersuche, wie dieselbe Auswertung verschiedene Gruppen unterschiedlich betreffen könnte, und schlage Beteiligungsmöglichkeiten vor.
Historischer Datensatz: Wähle einen historischen Datensatz oder eine historische Statistik und untersuche, welche Personen oder Ereignisse möglicherweise systematisch fehlen.
Transferprojekt: Wähle einen neuen Fall aus Schule, Stadt, Wirtschaft oder Technik und begründe selbstständig, ob der vorhandene Datensatz genutzt, verbessert oder verworfen werden sollte.

Lernkontrolle

Transferentscheidung: Du erhältst einen Datensatz mit 2.000 Zeilen, aber ohne dokumentierten Erhebungsweg. Entscheide, welche Nutzung noch vertretbar wäre und welche nicht. Begründe mit mindestens vier Kriterien.
Systemvergleich: Zwei Teams erstellen denselben Datensatz. Team A dokumentiert alle Fehlerkorrekturen, Team B erzielt geringfügig bessere Kennzahlen, dokumentiert die Bearbeitung aber nicht. Bewerte, welchem Ergebnis Du in einer folgenreichen Anwendung mehr vertrauen würdest.
Folgenabschätzung: Entwickle für einen Datensatz zur Vergabe knapper Schulressourcen zwei mögliche Schäden durch Unterrepräsentation und passende Schutzmaßnahmen.
Labelkonflikt: Zwei Personen stimmen nur bei 70 % ihrer Labels überein. Erkläre, welche Ursachen denkbar sind und wie Du vor einer weiteren Nutzung vorgehen würdest.
Governancefall: Nach Veröffentlichung wird ein systematischer Messfehler entdeckt. Beschreibe, welche Personen informiert werden sollten, wie die Version geändert wird und wie frühere Auswertungen behandelt werden sollten.
Neue Situation: Eine App soll aus freiwillig gemeldeten Daten besonders beliebte Lernorte empfehlen. Prüfe Auswahl, Repräsentativität, Datenschutz, mögliche Rückkopplungen und die Rolle menschlicher Entscheidungen.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig:

Du kannst einen kleinen Datensatz strukturiert auf Datenqualität prüfen.
Du kannst Herkunft, Auswahlverfahren, Variablen, Labels, fehlende Werte und bekannte Grenzen dokumentieren.
Du kannst zwischen Beobachtung und Interpretation unterscheiden.
Du kannst erklären, warum Repräsentativität vom Ziel der Untersuchung abhängt.
Du kannst Visualisierungen mit Fallzahlen und Erhebungsbedingungen zusammen bewerten.
Du kannst Governance-Regeln und menschliche Kontrollpunkte für ein Datensystem formulieren.
Du kannst mögliche Auswirkungen auf unterschiedliche Betroffene abschätzen.
Du kannst das Vorgehen auf einen neuen Datensatz übertragen und Deine Entscheidung nachvollziehbar begründen.

OERs zum Thema

Zusätzliche offene beziehungsweise frei zugängliche Quellen zur Vertiefung:

Verknüpfte Lernbereiche

Datensätze transparent dokumentieren

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache