Diesen aiMOOC als Battle spielen: Deutsch, Klasse 7-8, G-Niveau

Datenschutzrisiken beurteilen

Einleitung

Digitale Dienste können sehr nützlich sein: Eine Lernplattform verteilt Aufgaben, eine Kartenanwendung hilft bei einer Exkursion, eine Kamera dokumentiert ein Kunstprojekt und ein KI-System kann Texte strukturieren. Gleichzeitig entstehen Daten. Manche davon sind personenbezogen, weil sie sich auf eine bestimmte oder bestimmbare Person beziehen. Dazu können beispielsweise Name, Foto, Standort, IP-Adresse, Gerätekennung, Nutzungsverhalten oder eine Kombination mehrerer scheinbar unauffälliger Angaben gehören.

Datenschutzrisiken beurteilen bedeutet deshalb mehr, als nur zu fragen: „Werden Daten gesammelt?“ Du untersuchst auch, welche Daten benötigt werden, wozu sie verarbeitet werden, wie lange sie gespeichert bleiben, wer Zugriff erhält, wie sicher sie geschützt sind und welche Folgen Fehler oder Missbrauch haben könnten. Danach vergleichst Du Nutzen und Risiken und gelangst mit nachvollziehbaren Kriterien und Belegen zu einem begründeten Urteil.

Der Lernkurs richtet sich vor allem an Klasse 8 und ist für etwa 45 bis 90 Minuten gedacht. Er verbindet Informatik, Deutsch, Mathematik, Technik, Geschichte, Kunst, Ethik, Gemeinschaftskunde und Wirtschaft. Im Mittelpunkt stehen nicht fertige Antworten, sondern Deine Fähigkeit, Daten und Quellen kritisch zu prüfen, Unsicherheiten zu benennen und selbst verantwortlich zu entscheiden.

Lernziele und Zeitplan

Du kannst am Ende …	Woran man das erkennt
personenbezogene Daten in einer Situation erkennen	Du begründest den Personenbezug und unterscheidest notwendige von zusätzlichen Daten.
Datenschutzrisiken systematisch beurteilen	Du verwendest Kriterien zu Zweck, Datenumfang, Dauer, Empfängern, Sicherheit, Kontrolle und möglichen Folgen.
kleine Datensätze kritisch auswerten	Du prüfst Datenqualität, Auswahl, Repräsentativität, Labels, Fehlerquellen und mögliche Verzerrungen.
Werkzeuge passend auswählen	Du entscheidest, ob Checkliste, Tabelle, Visualisierung oder KI-Unterstützung für einen Arbeitsschritt sinnvoll ist.
Mensch und KI verantwortlich zusammenarbeiten lassen	Du delegierst nur geeignete Teilaufgaben und behältst Quellenprüfung, Datenschutz und Urteil beim Menschen.
ein begründetes Urteil formulieren	Du nennst Kriterien, Belege, Gegenargumente, Unsicherheiten und eine nachvollziehbare Entscheidung.

Phase	Kernkurs für 45 Minuten	Erweiterung auf 90 Minuten
Aktivierung	5 Minuten Diagnose	5 Minuten Diagnose
Einführung	8 Minuten	12 Minuten mit Video
Datenanalyse	10 Minuten	20 Minuten mit Experiment
Anwendungssituation	15 Minuten	30 Minuten Gruppenprojekt
Selbstkontrolle und Reflexion	7 Minuten	15 Minuten plus Transfer
Reserve	—	8 Minuten Präsentation

Aktivierung und Diagnose: Was fühlt sich riskant an?

Stell Dir vor, Deine Klasse plant eine digitale Stadtrallye. Für die Aufgabe reichen Fotos von Bauwerken und kurze Notizen. Ein vorgeschlagenes Werkzeug möchte zusätzlich dauerhaften Standortzugriff, Zugriff auf Kontakte und ein Geburtsdatum.

Entscheide zunächst ohne Nachschlagen für jede Aussage: eher unproblematisch, prüfen oder eher riskant. Begründe jeweils mit einem Satz.

Aussage	Deine erste Einschätzung	Welche Information fehlt Dir noch?
Ein Foto wird nur auf dem Schulgerät gespeichert.
Die App möchte den Standort nur während der Navigation.
Die App möchte den Standort dauerhaft im Hintergrund.
Eine KI soll echte Namen und private Chatverläufe der Klasse auswerten.

Am Ende des Kurses kommst Du auf Deine Einschätzungen zurück. Entscheidend ist nicht, ob Deine erste Vermutung „richtig“ war, sondern ob Du sie später mit besseren Kriterien und Belegen überprüfen kannst.

Grundlagen

Was ist Datenschutz?

Datenschutz schützt Menschen bei der Verarbeitung personenbezogener Daten. In der Europäischen Union ist die Datenschutz-Grundverordnung, DSGVO ein zentraler Rechtsrahmen. Sie gilt seit dem 25. Mai 2018. Zu ihren Grundsätzen gehören unter anderem Rechtmäßigkeit und Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung sowie Integrität und Vertraulichkeit.

Wichtig: Eine Einwilligung ist nicht die einzige mögliche Rechtsgrundlage für Datenverarbeitung. Ob eine Verarbeitung erlaubt ist, hängt vom jeweiligen Zweck und der passenden Rechtsgrundlage ab. Für Deine Risikobeurteilung in diesem Kurs steht deshalb nicht die juristische Detailprüfung im Mittelpunkt, sondern die Frage, ob Du Datenflüsse, Nutzen, Risiken und Schutzmaßnahmen nachvollziehbar untersuchen kannst.

Personenbezogene Daten und ihre Kombination

Ein Name ist offensichtlich personenbezogen. Schwieriger wird es bei Standortdaten, Gerätekennungen, Fotos, IP-Adressen oder Kombinationen aus Alter, Wohnort, Hobby und Schulklasse. Auch wenn ein Name entfernt wurde, können andere Merkmale eine Person unter Umständen wieder erkennbar machen.

Pseudonymisierung ersetzt direkte Identifikatoren beispielsweise durch Codes. Sie kann Risiken senken, macht Daten aber nicht automatisch anonym. Wenn eine Zuordnung mit zusätzlichen Informationen wieder möglich ist, besteht weiterhin ein Personenbezug.

Datenspuren im Alltag

Ein Smartphone kann viele Datenquellen enthalten: Kamera, Mikrofon, Standort, Bewegungsdaten, Kontakte, Geräteinformationen und Nutzungsprotokolle. Nicht jede Erhebung ist automatisch problematisch. Ein Navigationsdienst benötigt beispielsweise während einer Route Standortdaten. Für eine einfache Taschenlampenfunktion wäre dauerhafter Standortzugriff dagegen schwerer mit dem Zweck zu begründen.

Eine zentrale Frage lautet daher:

Ist die Datenerhebung für den angegebenen Zweck erforderlich, oder werden zusätzliche Daten gesammelt, die für die Funktion nicht nötig erscheinen?

Datenschutz und Datensicherheit sind verbunden, aber nicht identisch

Datensicherheit beschreibt Maßnahmen, die Daten beispielsweise vor unbefugtem Zugriff, Verlust oder Veränderung schützen. Verschlüsselung, starke Zugriffsrechte, Backups und sichere Übertragung sind dafür wichtig. Datenschutz fragt zusätzlich, ob und wozu personenbezogene Daten überhaupt verarbeitet werden sollen.

Ein Dienst kann technisch sehr sicher sein und trotzdem mehr Daten erheben als nötig. Umgekehrt nützt eine sparsame Datenerhebung wenig, wenn die Daten ungeschützt veröffentlicht werden.

Ein Kriterienmodell für Datenschutzrisiken

Datenschutzrisiken lassen sich nicht sinnvoll mit nur einer Zahl bewerten. Für Klasse 8 eignet sich ein transparentes Kriterienmodell. Du sammelst zu jedem Kriterium Belege und hältst Unsicherheiten fest.

Kriterium	Leitfrage	Warnsignal	Möglicher Schutz
Zweck	Wofür werden die Daten wirklich gebraucht?	Der Zweck ist unklar oder sehr weit formuliert.	Klare Zweckbeschreibung und Zweckbindung.
Datenumfang	Werden nur erforderliche Daten erhoben?	Zusätzliche Kontakte, Standort- oder Profildaten ohne erkennbaren Nutzen.	Datenminimierung und optionale Berechtigungen.
Sensibilität	Welche Folgen hätte eine Offenlegung?	Gesundheits-, biometrische, intime oder sehr genaue Standortdaten.	Besonders strenge Zugriffskontrolle und sparsame Verarbeitung.
Identifizierbarkeit	Kann eine Person direkt oder durch Kombination erkannt werden?	Viele kombinierbare Merkmale oder eindeutige Kennungen.	Anonymisierung, wo sie tatsächlich möglich ist, oder geeignete Pseudonymisierung.
Empfänger	Wer bekommt Zugriff?	Viele unbekannte Dritte oder unklare Weitergabe.	Klare Empfängerangaben und begrenzte Zugriffsrechte.
Speicherdauer	Wie lange bleiben die Daten?	„Unbegrenzt“ oder keine Angabe.	Löschfristen und nachvollziehbare Löschkonzepte.
Transparenz und Kontrolle	Verstehen Nutzende, was passiert, und können sie Einstellungen ändern?	Versteckte Informationen oder schwer verständliche Auswahl.	Klare Sprache, verständliche Einstellungen und Auskunftsmöglichkeiten.
Sicherheit	Wie werden Daten gegen Verlust und unbefugten Zugriff geschützt?	Fehlende Zugriffskontrollen oder unsichere Übertragung.	Verschlüsselung, Rechtekonzept und sichere Geräte.
Fairness und Folgen	Können einzelne Gruppen benachteiligt oder falsch eingeschätzt werden?	Einseitige Datenbasis, fehlerhafte Labels oder automatische Entscheidungen ohne Prüfung.	Qualitätsprüfung, Einspruchsmöglichkeit und menschliche Kontrolle.

Qualitative Risikomatrix

Ein einfaches Modell verbindet Wahrscheinlichkeit und mögliche Schadensschwere. Es liefert kein exaktes Ergebnis, zwingt Dich aber zu einer Begründung.

Mögliche Schadensschwere \ Wahrscheinlichkeit	gering	mittel	hoch
gering	niedriges Risiko	niedrig bis mittel	mittleres Risiko
mittel	niedrig bis mittel	mittleres Risiko	erhöhtes Risiko
hoch	mittleres Risiko	erhöhtes Risiko	hohes Risiko

Frage Dich anschließend: Auf welchen Beleg stützt sich meine Einstufung? Wenn Du die Wahrscheinlichkeit nur vermutest, muss diese Unsicherheit im Urteil sichtbar bleiben.

Datenqualität prüfen

Auch eine scheinbar genaue Tabelle kann zu einem schlechten Urteil führen. Deshalb prüfst Du nicht nur Werte, sondern auch ihre Herkunft.

Qualitätsaspekt	Prüffrage	Typische Fehlerquelle
Auswahl	Welche Fälle wurden aufgenommen und welche nicht?	Nur besonders auffällige Beispiele wurden ausgewählt.
Repräsentativität	Bildet die Auswahl die Gruppe ab, über die gesprochen wird?	Eine kleine Klasse wird als „alle Jugendlichen“ dargestellt.
Vollständigkeit	Fehlen wichtige Angaben?	Speicherdauer oder Empfänger sind nicht dokumentiert.
Richtigkeit	Sind die Angaben korrekt und aktuell?	Alte Datenschutzhinweise oder Übertragungsfehler.
Labels	Was bedeutet ein Begriff wie „notwendig“, „sicher“ oder „anonym“ genau?	Unterschiedliche Personen verstehen das Label verschieden.
Messmethode	Wie wurden Daten erhoben?	Selbstauskunft statt technischer Prüfung.
Verzerrung	Begünstigt die Auswahl eine bestimmte Schlussfolgerung?	Nur Daten gezeigt, die zur gewünschten Entscheidung passen.

Merksatz: Gute Daten können ein Urteil stützen. Schlechte oder einseitig ausgewählte Daten können ein scheinbar objektives Urteil erzeugen, das trotzdem falsch oder unfair ist.

Mini-Datensatz 1: Drei fiktive Werkzeuge

Die folgende Tabelle ist synthetisch. Sie beschreibt keine echten Produkte. Das ist wichtig, weil Du so üben kannst, ohne reale Dienste oder Personen vorschnell zu bewerten.

Merkmal	Werkzeug A	Werkzeug B	Werkzeug C
Anzeigename	Spitzname möglich	voller Name verlangt	Spitzname möglich
Standort	kein Zugriff	dauerhaft im Hintergrund	nur während einer Kartenfunktion
Kontakte	kein Zugriff	Zugriff verlangt	kein Zugriff
Kamera	nur beim Foto	beim Foto	nur beim Foto
Nutzungsprotokoll	30 Tage	24 Monate	90 Tage
Weitergabe	ein technischer Dienstleister	mehrere nicht näher erklärte Partner	zwei benannte Dienstleister
Datenschutzhinweise	klar und kurz	unvollständig	verständlich, aber mit offenen Punkten

Eine grobe Zählung erfasster Datenkategorien könnte so aussehen:

Werkzeug	Zahl der im Beispiel erfassten Kategorien	Visualisierung
A	3	███
B	6	██████
C	4	████

Achtung: Mehr Balken bedeuten nicht automatisch proportional mehr Risiko. Ein einzelner dauerhafter Standortzugriff kann folgenreicher sein als mehrere wenig sensible Angaben. Die Visualisierung hilft beim Überblick, ersetzt aber nicht die inhaltliche Bewertung.

Mini-Datensatz 2: Eine kleine Befragung und das Problem der Repräsentativität

Zwölf erfundene Antworten auf die Frage „Wie würdest Du Standortfreigabe bei einer Schulrallye einstellen?“:

Antwort	Anzahl	Anteil	Darstellung mit je einem Block pro Stimme
gar nicht	7	58,3 %	███████
nur während der Nutzung	4	33,3 %	████
immer	1	8,3 %	█

Mit Prozentrechnung kannst Du relative Häufigkeiten darstellen. Für eine Aussage über „Jugendliche in Deutschland“ ist dieser Mini-Datensatz jedoch ungeeignet. Die Stichprobe ist sehr klein, die Auswahl ist unbekannt und die Antworten sind synthetisch. Das Beispiel zeigt den Unterschied zwischen Rechnen mit Daten und gültigen Schlussfolgerungen aus Daten.

Experiment: Kann man eine Person ohne Namen wiedererkennen?

Verwendet ausschließlich diese erfundenen Daten. Es werden keine echten Informationen aus Deiner Klasse benötigt.

Code	Klasse	Schulweg	Hobby	Geburtsmonat
P1	8A	Fahrrad	Volleyball	März
P2	8A	Bus	Schach	März
P3	8B	Fahrrad	Schach	Juli
P4	8A	Fahrrad	Theater	März
P5	8B	Bus	Volleyball	November
P6	8A	Bus	Theater	Juli

Arbeitsauftrag: Prüfe zuerst nur eine Spalte, dann zwei und schließlich drei Spalten gemeinsam. Wie schnell werden Kombinationen einzigartig? Diskutiere, warum das Entfernen eines Namens nicht automatisch bedeutet, dass Daten anonym sind.

Sicherheitsregel: Übertrage das Experiment nicht mit echten Namen, echten Geburtsdaten, Wohnorten oder privaten Profilen Deiner Mitschülerinnen und Mitschüler.

Realistische Anwendungssituation: Welches Werkzeug passt zur Stadtrallye?

Deine Klasse plant eine Stadtrallye zum Thema Geschichte und Architektur. Gruppen sollen Fotos von Bauwerken aufnehmen, kurze Texte schreiben und ihre Ergebnisse am Ende gemeinsam präsentieren. Für die Aufgabe sind Fotoaufnahme, Texteingabe und eine gemeinsame Ablage erforderlich. Eine dauerhafte Ortung, Kontaktlisten oder Gesichtserkennung gehören nicht zum Auftrag.

Die Schülervertretung soll der Lehrkraft eine Empfehlung geben. Drei fiktive Werkzeuge stehen zur Auswahl. Nutze die Daten aus Mini-Datensatz 1 und das Kriterienmodell.

PISA-nahe Teilaufgaben

Diese Aufgaben orientieren sich an alltagsnahen Anwendungssituationen: Du musst Informationen aus mehreren Darstellungen verbinden, Daten interpretieren, die Qualität von Belegen einschätzen und eine Entscheidung begründen.

Informationen lokalisieren: Markiere in der Tabelle die Angaben, die unmittelbar für den Projektzweck nötig sind, und kennzeichne zusätzliche Datenerhebungen.
Daten interpretieren: Erkläre, warum die Balkengrafik allein keine ausreichende Entscheidungsgrundlage ist.
Repräsentativität beurteilen: Begründe, warum die kleine Befragung mit zwölf Antworten nicht als Beleg für die Haltung aller Jugendlichen dienen darf.
Belege gewichten: Ordne folgende Quellen von stärker zu schwächer für eine konkrete Datenschutzbehauptung: offizielle Datenschutzhinweise des Dienstes, überprüfbarer technischer Test, Werbeslogan, unbestätigte KI-Antwort.
Urteil formulieren: Empfiehl ein Werkzeug oder fordere weitere Informationen an. Nenne mindestens drei Kriterien, zwei konkrete Belege und eine Unsicherheit.
Gegenargument prüfen: Reagiere auf die Aussage „Werkzeug B hat die meisten Funktionen, also ist es automatisch die beste Wahl für die Schule.“ Trenne Nutzen, Erforderlichkeit und Datenschutzrisiko.

Urteilsgerüst statt Musterlösung

Nutze dieses Schema, damit Dein Urteil nachvollziehbar bleibt:

Schritt	Satzanfang
Fragestellung	„Wir prüfen, ob …“
Kriterium	„Besonders wichtig ist …, weil …“
Beleg	„In der Tabelle steht …“
Deutung	„Das erhöht oder senkt das Risiko, weil …“
Gegenargument	„Dafür spricht zwar …, dagegen spricht jedoch …“
Unsicherheit	„Unklar bleibt …“
Entscheidung	„Deshalb empfehlen wir … unter der Bedingung, dass …“

Systematische Werkzeugwahl

Ein Werkzeug ist nicht deshalb geeignet, weil es modern, bekannt oder KI-gestützt ist. Wähle es passend zur Aufgabe.

Arbeitsschritt	Geeignetes Werkzeug	Warum?	Datenschutz-Hinweis
Kriterien sammeln	Papier oder digitale Checkliste	schnell, transparent, wenig Daten nötig	keine personenbezogenen Daten erforderlich
kleinen Datensatz ordnen	Tabellenkalkulation	Sortieren, Filtern und Rechnen sind nachvollziehbar	mit synthetischen oder anonymisierten Übungsdaten arbeiten
Häufigkeiten darstellen	Diagrammwerkzeug oder Tabelle	Muster werden sichtbar	Visualisierung darf Unsicherheit nicht verstecken
längeren öffentlichen Text strukturieren	Textmarkierung oder ggf. KI-Unterstützung	Begriffe und Abschnitte können vorsortiert werden	keine vertraulichen Texte in ungeprüfte Systeme eingeben
Datenschutzurteil treffen	Mensch mit Kriterienraster	Werteabwägung, Kontext und Verantwortung sind nötig	Urteil nicht an KI delegieren

Werkzeugregel: Nutze immer das einfachste Werkzeug, das die Aufgabe zuverlässig und überprüfbar erfüllt.

Projektsteuerung in fünf Schritten

Phase	Ergebnis	Kontrollfrage
1. Auftrag klären	klarer Zweck und Anforderungen	Was müssen wir wirklich erreichen?
2. Datenbedarf bestimmen	Liste notwendiger und unnötiger Daten	Welche Daten sind für den Zweck erforderlich?
3. Belege sammeln	Quellen und Datensatz mit Herkunft	Woher wissen wir das?
4. Risiken prüfen	Kriterienraster mit Unsicherheiten	Welche Fehler, Verzerrungen oder Folgen sind möglich?
5. Entscheiden und dokumentieren	begründetes Urteil	Könnte eine andere Gruppe unseren Gedankengang nachvollziehen?

Für Gruppenarbeit kann ein einfaches Kanban-Prinzip helfen: offen – in Prüfung – belegt – entschieden. Ein Kriterium darf erst zu „belegt“ wandern, wenn die Quelle oder der Datensatz genannt ist.

Mensch-KI-Arbeitsteilung

KI kann bei einzelnen Arbeitsschritten unterstützen. Die Verantwortung für Datenschutz und Urteil bleibt beim Menschen.

Aufgabe	KI kann unterstützen	Der Mensch muss übernehmen
öffentliche Datenschutzhinweise strukturieren	Abschnitte nach Zweck, Datenarten oder Empfängern vorsortieren	Originaltext lesen, Fundstellen prüfen und Fehlinterpretationen korrigieren
synthetische Daten gruppieren	Muster oder mögliche Kategorien vorschlagen	Labels definieren und prüfen, ob sie fair und sinnvoll sind
Gegenargumente sammeln	mögliche Perspektiven vorschlagen	Relevanz, Wahrheit und Belege bewerten
Ergebnis formulieren	sprachliche Varianten anbieten	eigenes Urteil bilden und begründen
Umgang mit echten Schülerdaten	keine notwendige Aufgabe	Daten schützen und nur in zulässigen, freigegebenen Verfahren verarbeiten

KI-Stoppschild: Gib keine echten Namen, privaten Chats, Fotos, Standortdaten, Zugangsdaten oder andere vertrauliche Informationen in ein nicht ausdrücklich freigegebenes KI-System ein.

Transparenzregel: Wenn Du KI nutzt, notiere für Deine Lernarbeit kurz, wofür Du sie eingesetzt hast, welche Eingabe keine personenbezogenen Daten enthielt, welche Ausgabe Du geprüft hast und welche Quellen Dein endgültiges Urteil stützen.

Warum KI-Ausgaben selbst ein Datenqualitätsproblem sein können

Eine KI-Antwort kann flüssig klingen und trotzdem unvollständig oder falsch sein. Sie kann wichtige Randfälle übersehen, Begriffe falsch labeln oder den Eindruck erwecken, eine kleine Datenbasis sei repräsentativ. Deshalb gilt: Eine KI-Ausgabe ist zunächst ein Vorschlag, kein Beleg.

Bei einer Mensch-KI-Arbeitsteilung bleibt Human Agency erhalten, wenn Du die Fragestellung bestimmst, sensible Daten schützt, Quellen auswählst, Ergebnisse prüfst und die Entscheidung selbst verantwortest.

Typische Verzerrungen und Fehlerquellen

Problem	Beispiel	Auswirkung
Auswahlverzerrung	Nur besonders datensparsame Werkzeuge werden verglichen.	Das Ergebnis wirkt besser als die tatsächliche Auswahl.
Fehlendes Label	„Standort“ wird nur als Ja oder Nein erfasst.	Es fehlt, ob Zugriff dauerhaft oder nur während der Nutzung erfolgt.
Veraltete Daten	Eine Datenschutzerklärung wurde inzwischen geändert.	Das Urteil bezieht sich auf einen alten Zustand.
Messfehler	Eine Berechtigung wird falsch dokumentiert.	Ein Werkzeug wird unfair zu gut oder zu schlecht bewertet.
Bestätigungsfehler	Eine Gruppe sucht nur Belege für ihre erste Meinung.	Gegenargumente werden übersehen.
Automatisierungsbias	Eine KI-Einstufung wird ungeprüft übernommen.	Fehler wirken glaubwürdig, weil sie automatisch erzeugt wurden.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	Beispiel
Informatik	Datenverarbeitung, Identifikatoren, Berechtigungen, Verschlüsselung, Datenbanken	Datenfluss eines digitalen Werkzeugs skizzieren
Deutsch	verständliche Sprache, Argumentation, Quellenkritik	zwei Datenschutzhinweise sprachlich vergleichen
Mathematik	Häufigkeiten, Prozentrechnung, Tabellen und Diagramme	kleine Stichprobe auswerten und Grenzen der Aussagekraft erklären
Technik	Sensoren und technische Schutzmaßnahmen	untersuchen, welche Daten Kamera, Mikrofon oder GPS erzeugen können
Geschichte	Entwicklung des Datenschutzes und informationelle Selbstbestimmung	das Volkszählungsurteil von 1983 in den Wandel zur digitalen Gesellschaft einordnen
Kunst	Informationsdesign und visuelle Beeinflussung	ein transparentes Berechtigungsfenster gestalten
Ethik	Autonomie, Würde, Fairness und Verantwortung	Nutzen einer Funktion gegen mögliche Eingriffe in die Privatsphäre abwägen
Gemeinschaftskunde	Grundrechte, Regeln und demokratische Kontrolle	Rolle von Datenschutzrecht und Aufsichtsbehörden diskutieren
Wirtschaft	datenbasierte Geschäftsmodelle und Anreize	untersuchen, warum ein kostenloser Dienst trotzdem wirtschaftliche Interessen haben kann

Historischer Bezug: Informationelle Selbstbestimmung

Das Bundesverfassungsgericht leitete im sogenannten Volkszählungsurteil von 1983 das Recht auf informationelle Selbstbestimmung aus dem allgemeinen Persönlichkeitsrecht her. Für den Unterricht ist daran besonders interessant: Datenschutz entwickelte sich nicht erst mit Smartphones oder KI. Digitale Technik vergrößert jedoch Menge, Geschwindigkeit und Verknüpfbarkeit von Daten und damit die Bedeutung des Themas.

Gestaltung und Kunst: Entscheidungen sichtbar machen

Interface-Design beeinflusst, welche Optionen Menschen wahrnehmen. Eine riesige farbige Schaltfläche „Alles akzeptieren“ neben einer kaum sichtbaren Ablehnungsoption kann Entscheidungen lenken. Gestalte deshalb in einer Kunst- oder Informatikaufgabe eine Oberfläche, in der gleichwertige Entscheidungen gleich deutlich dargestellt werden und der Zweck jeder Berechtigung verständlich ist.

Technik und Überwachung

Kameras, Sensoren und Zugangssysteme können Sicherheit oder Organisation unterstützen, erzeugen aber zugleich Daten über Personen. Eine Beurteilung muss deshalb Zweck, räumlichen Bereich, Speicherdauer, Zugriff, Kennzeichnung und mögliche Alternativen berücksichtigen. Die pauschale Aussage „Kameras sind immer gut“ oder „Kameras sind immer schlecht“ reicht für ein begründetes Urteil nicht aus.

Belege und Quellen bewerten

Nicht jede Quelle hat für jede Frage das gleiche Gewicht.

Belegtyp	Stärke	Warum?
Gesetzestext oder zuständige Behörde	sehr stark für rechtliche Grundlagen	Primärquelle oder fachlich zuständige Stelle
offizielle Datenschutzhinweise eines Dienstes	stark für erklärte Datenverarbeitung	direkt vom Verantwortlichen, aber Angaben müssen verständlich und aktuell sein
nachvollziehbarer technischer Test	stark für beobachtetes technisches Verhalten	Methode muss offengelegt sein
seriöse Bildungsseite	gut für Einordnung	Inhalte werden didaktisch aufbereitet
Werbeaussage	schwach für unabhängige Bewertung	wirtschaftliches Eigeninteresse möglich
KI-Antwort ohne Fundstelle	kein ausreichender Beleg	kann fehlerhaft, veraltet oder erfunden sein

Selbstkontrolle: Der Datenschutz-Check

Bevor Du ein Urteil abgibst, prüfe Dich selbst:

Zweck prüfen: Habe ich erklärt, wofür das Werkzeug eingesetzt werden soll?
Daten prüfen: Habe ich notwendige und zusätzliche Daten unterschieden?
Qualität prüfen: Habe ich Auswahl, Repräsentativität, Labels und mögliche Fehler betrachtet?
Quelle prüfen: Habe ich mindestens zwei belastbare Belege genannt?
Risiko prüfen: Habe ich Wahrscheinlichkeit und mögliche Folgen getrennt betrachtet?
Fairness prüfen: Habe ich mögliche Benachteiligungen oder Fehlklassifikationen bedacht?
KI prüfen: Habe ich KI-Ausgaben überprüft und keine vertraulichen Daten preisgegeben?
Urteil prüfen: Ist meine Entscheidung auch für eine andere Person nachvollziehbar?

Reflexion und Transfer

Vergleiche Deine Einschätzungen aus der Aktivierung mit Deinem jetzigen Urteil. Hat sich etwas verändert? Besonders wichtig ist, ob Du jetzt präziser sagen kannst, warum eine Datenverarbeitung riskant oder vertretbar erscheint.

Übertrage das Kriterienmodell anschließend auf eine neue Situation, zum Beispiel eine digitale Hausaufgabenplattform, einen Fitness-Tracker, eine Videoüberwachung am Fahrradständer oder ein KI-Werkzeug für die Textüberarbeitung. Verwende möglichst keine echten personenbezogenen Daten. Arbeite mit öffentlichen Informationen oder synthetischen Beispielen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welche Frage gehört zuerst zu einer begründeten Datenschutzrisiko-Prüfung? (Welchem Zweck dient die Datenverarbeitung?) (!Welche Farbe hat das App-Symbol?) (!Wie viele Werbebilder gibt es?) (!Wie modern wirkt das Logo?)

Warum reicht die Anzahl gesammelter Datenkategorien allein nicht für ein Datenschutzurteil? (Unterschiedliche Datenarten können sehr unterschiedliche Folgen und Risiken haben) (!Jede Datenart ist immer gleich gefährlich) (!Nur die Anzahl der Bildschirmseiten ist wichtig) (!Datenschutz kann grundsätzlich nicht beurteilt werden)

Was bedeutet Datenminimierung im Kern? (Nur Daten zu verarbeiten, die für den festgelegten Zweck erforderlich sind) (!Möglichst viele Daten möglichst kurz anzuzeigen) (!Alle Daten nach Farben zu sortieren) (!Nur Zahlen statt Text zu speichern)

Warum ist eine Befragung von zwölf erfundenen Personen nicht repräsentativ für alle Jugendlichen? (Die Auswahl ist zu klein und nicht geeignet, die Gesamtgruppe abzubilden) (!Zwölf ist eine ungerade Zahl) (!Prozentwerte dürfen nur bei hundert Personen berechnet werden) (!Jugendliche dürfen nie befragt werden)

Was ist bei einem Label wie sicher oder anonym besonders wichtig? (Die genaue Bedeutung und Prüfmethode des Labels zu klären) (!Das Label möglichst groß zu schreiben) (!Das Label ungeprüft zu übernehmen) (!Alle Labels durch Farben zu ersetzen)

Welche Aufgabe sollte bei einer Mensch-KI-Arbeitsteilung beim Menschen bleiben? (Das begründete Urteil und die Verantwortung für die Entscheidung) (!Das alphabetische Sortieren synthetischer Begriffe) (!Das Vorschlagen möglicher Kategorien) (!Das Umformulieren eines öffentlichen Beispiels)

Was ist ein guter Umgang mit einer KI-Antwort zum Datenschutz? (Aussagen mit geeigneten Quellen und Originalinformationen überprüfen) (!Die Antwort automatisch als Beweis verwenden) (!Private Chats zur Kontrolle hochladen) (!Alle Quellen durch die KI-Antwort ersetzen)

Warum können pseudonymisierte Daten weiterhin personenbezogen sein? (Eine Zuordnung zu einer Person kann mit zusätzlichen Informationen noch möglich sein) (!Pseudonyme bestehen immer aus echten Namen) (!Pseudonymisierte Daten sind grundsätzlich öffentlich) (!Pseudonyme dürfen nur Zahlen enthalten)

Welcher Beleg ist für eine rechtliche Grundregel besonders geeignet? (Ein aktueller Gesetzestext oder eine zuständige Behörde) (!Ein Werbeslogan) (!Eine unbestätigte Vermutung) (!Ein Kommentar ohne Quelle)

Was zeichnet ein gutes Datenschutzurteil aus? (Es nennt Kriterien, Belege, Unsicherheiten und eine nachvollziehbare Entscheidung) (!Es besteht nur aus einem Bauchgefühl) (!Es nennt ausschließlich die Zahl der gesammelten Daten) (!Es übernimmt automatisch die Meinung der Mehrheit)

Memory

Datenminimierung	Nur erforderliche Daten verarbeiten
Zweckbindung	Daten für einen festgelegten legitimen Zweck nutzen
Repräsentativität	Auswahl bildet die betrachtete Gruppe angemessen ab
Pseudonymisierung	Direkte Identifikatoren durch Zuordnungsmerkmale ersetzen
Transparenz	Datenverarbeitung verständlich und nachvollziehbar erklären
Verzerrung	Systematische Verschiebung einer Auswertung oder Entscheidung
Human Agency	Mensch behält Kontrolle und Verantwortung

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Zweckbindung	Daten nur im Rahmen des festgelegten Zwecks verwenden
Datenminimierung	Nur erforderliche Informationen verarbeiten
Repräsentativität	Prüfen, ob eine Auswahl die Zielgruppe angemessen abbildet
Transparenz	Verarbeitung verständlich und nachvollziehbar erklären
Verschlüsselung	Inhalte gegen unbefugtes Mitlesen schützen
Quellenkritik	Herkunft, Aktualität und Interessen einer Information prüfen

Kreuzworträtsel

Datenminimierung	Welcher Grundsatz fordert, nur erforderliche Daten zu verarbeiten?
Zweckbindung	Welcher Begriff beschreibt die Bindung der Verarbeitung an einen festgelegten Zweck?
Transparenz	Wie heißt das Prinzip verständlicher und nachvollziehbarer Information?
Einwilligung	Wie heißt eine mögliche freiwillige Rechtsgrundlage, wenn sie wirksam erteilt wird?
Verschlüsselung	Welche technische Maßnahme schützt Inhalte vor unbefugtem Mitlesen?
Pseudonymisierung	Wie heißt das Ersetzen direkter Identifikatoren durch Zuordnungsmerkmale?

LearningApps

Lückentext

Personenbezogene Daten beziehen sich auf eine identifizierte oder identifizierbare

.

Bei der

sollen nur für den Zweck erforderliche Daten verarbeitet werden.

Eine verständliche Erklärung der Verarbeitung unterstützt die

.

Eine kleine oder einseitig ausgewählte Stichprobe kann die

einschränken.

Ein unklar verwendeter Begriff wie sicher kann ein problematisches

sein.

Wenn nur passende Belege für die eigene Meinung gesucht werden, kann eine

entstehen.

Bei einer Risikobeurteilung werden Wahrscheinlichkeit und mögliche

betrachtet.

Eine KI-Ausgabe ohne überprüfbare Fundstelle ist noch kein belastbarer

.

Pseudonymisierte Daten können weiterhin einen

besitzen.

Das endgültige Urteil und die Verantwortung bleiben bei der Mensch-KI-Arbeitsteilung beim

.

Offene Aufgaben

Leicht

Datenspuren-Check: Erstelle mit erfundenen Beispielen eine Karte typischer Datenquellen eines Smartphones und markiere, welche Daten für eine konkrete Funktion nötig sein könnten.
Datenschutz-Infografik: Gestalte ein Poster mit den sechs Fragen Zweck, Daten, Empfänger, Dauer, Sicherheit und Folgen.
Quellenampel: Sammle fünf unterschiedliche Quellenarten zum Datenschutz und ordne sie begründet als stark, mittel oder schwach für eine konkrete Behauptung ein.
Berechtigungsfenster gestalten: Entwirf für eine fiktive Lern-App ein verständliches Fenster, in dem notwendige und optionale Berechtigungen gleichberechtigt dargestellt werden.

Standard

Werkzeugvergleich: Vergleiche drei fiktive oder von der Lehrkraft vorbereitete digitale Werkzeuge mit dem Kriterienraster und formuliere eine Empfehlung.
Mini-Datensatz visualisieren: Erstelle aus einem kleinen synthetischen Datensatz eine Tabelle und eine geeignete Visualisierung und erkläre, was die Darstellung zeigt und was sie nicht zeigt.
Pseudonymisierungs-Experiment: Verändere den synthetischen Datensatz aus dem Kurs so, dass weniger Kombinationen einzigartig sind, und begründe Deine Änderungen.
Datenschutzhinweis verständlich machen: Formuliere einen kurzen öffentlichen Datenschutzhinweis in altersgerechter Sprache um und markiere anschließend, welche Details beim Vereinfachen verloren gegangen sein könnten.

Schwer

Bias-Audit: Entwickle für einen fiktiven Datensatz eine Prüfliste zu Auswahl, Repräsentativität, Labels, fehlenden Werten und möglicher Verzerrung und wende sie an.
Mensch-KI-Protokoll: Lass eine freigegebene KI ausschließlich mit synthetischen Daten Kategorien vorschlagen, prüfe jede Kategorie selbst und dokumentiere mindestens zwei Stellen, an denen menschliche Kontrolle nötig war.
Datenschutz-Debatte: Bereite eine strukturierte Diskussion zur Frage vor, ob eine Kamera am Fahrradständer vertretbar wäre, und berücksichtige Zweck, Alternativen, Speicherdauer, Zugriff, Kennzeichnung und mögliche Folgen.
Projektentscheidung: Plane für eine fiktive Schulaktion einen vollständigen digitalen Arbeitsprozess, begründe die Werkzeugwahl, minimiere den Datenbedarf und lege fest, welche Entscheidungen niemals an eine KI delegiert werden.

Lernkontrolle

Transferfall Lernplattform: Eine Schule möchte eine neue Plattform einsetzen, die neben Aufgaben auch Nutzungsprofile erstellt. Entwickle ein Prüfschema, nenne fehlende Informationen und entscheide, welche Belege Du vor einem Urteil noch brauchst.
Diagrammkritik: Eine Grafik zeigt, dass acht von zehn Befragten eine dauerhafte Standortfreigabe akzeptieren. Formuliere mindestens vier Fragen zur Stichprobe, Erhebung und Darstellung, bevor Du daraus eine Schlussfolgerung ziehst.
Zielkonflikt analysieren: Ein Dienst bietet eine sehr hilfreiche automatische Funktion, benötigt dafür aber zusätzliche personenbezogene Daten. Entwickle zwei mögliche Lösungen, die Nutzen und Datenschutz besser ausbalancieren.
Fehlerfolge untersuchen: Ein Datensatz enthält falsche Labels für mehrere Personen. Erkläre, wie sich der Fehler bei einer automatisierten Empfehlung auswirken könnte und welche Kontrollschritte ihn entdecken könnten.
Mensch-KI-Entscheidung: Eine KI stuft ein Werkzeug als „datenschutzfreundlich“ ein, nennt aber keine Quellen. Beschreibe einen Prüfprozess, mit dem Du zu einem eigenen Urteil gelangst.
Begründetes Gesamturteil: Nutze mindestens vier Kriterien aus dem Kurs, zwei konkrete Belege und ein Gegenargument, um eine Entscheidung zu einer neuen digitalen Schulsituation zu formulieren.

Lernnachweis

Für einen guten Lernnachweis ist wichtig, dass Du nicht nur Fachbegriffe nennst, sondern einen nachvollziehbaren Prüfweg zeigst.

Fragestellung: Der Zweck der untersuchten digitalen Situation ist klar beschrieben.
Kriterien: Mehrere passende Datenschutzkriterien werden korrekt angewendet.
Datenqualität: Auswahl, Repräsentativität, Labels, Fehlerquellen und mögliche Verzerrungen werden berücksichtigt.
Belege: Aussagen werden mit geeigneten, möglichst starken Quellen oder nachvollziehbaren Daten gestützt.
Visualisierung: Eine Tabelle oder Grafik wird korrekt gelesen und ihre Grenzen werden benannt.
Mensch-KI-Arbeitsteilung: Ein möglicher KI-Einsatz ist transparent dokumentiert und die menschliche Verantwortung bleibt erkennbar.
Urteil: Das Ergebnis berücksichtigt Nutzen, Risiko, Gegenargumente und Unsicherheiten.
Transfer: Das Kriterienmodell wird auf eine neue Situation übertragen.

Quellen und Vertiefung

Datenschutz-Grundverordnung: EUR-Lex – Verordnung EU 2016/679
Datenschutz: Wikipedia – Datenschutz
Personenbezogene Daten: Wikipedia – Personenbezogene Daten
Privatsphäre: klicksafe – Datenschutz und Privatsphäre
Datenschutz-Quiz: klicksafe – Quiz für Jugendliche
Wikimedia Commons: Die im Kurs eingebundenen Bilder stammen aus Wikimedia Commons. Lizenz und Urheberangaben stehen jeweils auf der zugehörigen Dateiseite.

OERs zum Thema

Verknüpfte Lernbereiche

Datenschutzrisiken 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