Empfehlungen von KI verstehen

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

Einleitung

Warum werden Dir nach einem Video oft ähnliche Videos vorgeschlagen? Warum sieht eine andere Person bei demselben Dienst möglicherweise andere Inhalte? Und warum bedeutet „für Dich empfohlen“ nicht automatisch „wahr“, „am besten“ oder „gut für Dich“?

In diesem aiMOOC lernst Du die Grundidee von Empfehlungssystemen kennen. Du brauchst keine technischen Vorkenntnisse und musst Dich für keine Plattform anmelden. Wir arbeiten mit erfundenen Beispielen, Karten und einfachen Punktmodellen.

Die wichtigste Idee: Ein Empfehlungssystem versucht aus vorhandenen Informationen vorherzusagen, welche Inhalte für Dich interessant sein könnten. Es trifft also eine Vorhersage. Es kann nützlich sein, aber es kann sich auch irren.

Du untersuchst dabei fünf Fragen:

1. Personalisierung: Warum bekommen Menschen unterschiedliche Vorschläge?
2. Daten: Welche Signale können für Empfehlungen genutzt werden?
3. Aufmerksamkeit: Warum möchten manche Dienste, dass wir lange dabeibleiben?
4. Geschäftsmodell: Welche Rolle können Werbung, Abonnements oder Verkäufe spielen?
5. Medienkompetenz: Wie sorgst Du selbst für Vielfalt, Quellenkritik und bewusste Entscheidungen?

Der Kurs ist besonders für Klasse 5 gedacht und lässt sich in etwa 45 bis 90 Minuten durchführen. Er verbindet Informatik, Deutsch, Mathematik, Naturwissenschaften, Kunst, Ethik und Medienbildung.

Das kannst Du am Ende

Am Ende kannst Du:

1. Algorithmus und Empfehlungssystem in einfachen Worten erklären.
2. an neuen Beispielen erkennen, wann Inhalte vermutlich personalisiert oder sortiert werden.
3. erklären, warum Klicks, Suchanfragen, Betrachtungsdauer oder Rückmeldungen mögliche Signale sein können.
4. zwischen einer Empfehlung und einer verlässlichen Information unterscheiden.
5. mindestens zwei mögliche Interessen eines Anbieters hinter Empfehlungen nennen.
6. erklären, warum Aufmerksamkeit für manche Geschäftsmodelle wertvoll sein kann.
7. Strategien für mehr Perspektivenvielfalt und selbstbestimmte Nutzung anwenden.
8. typische Fehlvorstellungen wie „Die KI kennt mich genau“ oder „Ganz oben bedeutet wahr“ korrigieren.

Zeitplan für 1–2 Unterrichtsstunden

45-Minuten-Version:

1. Aktivierung und Diagnose: 5–8 Minuten
2. Verständliche Einführung mit Beispiel und Video: 10 Minuten
3. Menschliche Empfehlungsmaschine als Gruppenexperiment: 15 Minuten
4. Anwendungssituation mit STOPP-Strategie: 8 Minuten
5. Selbstkontrolle und Abschlussreflexion: 5 Minuten

90-Minuten-Version: Ergänze zusätzlich die Vertiefungen zu Aufmerksamkeit, Geschäftsmodellen, Filterblasen, Fairness, Quellenvergleich und Transfer.

Aktivierung und Diagnose

Was würdest Du empfehlen?

Stell Dir vor, eine Person hat sich nacheinander diese drei erfundenen Inhalte angesehen:

1. „Wie entstehen Vulkane?“
2. „Experiment mit Backpulver und Essig“
3. „Die zehn erstaunlichsten Berge der Erde“

Nun stehen vier neue Inhalte zur Auswahl: „Vulkane auf dem Mars“, „Fußballtricks“, „Ein Experiment mit Luftdruck“ und „Eine Anleitung zum Comiczeichnen“.

Aufgabe: Wähle zwei Inhalte aus, die Du empfehlen würdest. Begründe Deine Entscheidung. Tauscht Euch danach zu zweit aus.

Diagnosefragen:

1. Welche Informationen über die Person hast Du benutzt?
2. Was weißt Du noch nicht?
3. Könnte Deine Empfehlung falsch liegen?
4. Würdest Du anders entscheiden, wenn die Person ausdrücklich „Bitte etwas ganz Neues“ sagt?

Es gibt hier nicht nur eine richtige Lösung. Entscheidend ist, dass Du erkennst: Empfehlen bedeutet Vermuten auf Grundlage von Hinweisen.

Vom Kochrezept zum Algorithmus

Ein Algorithmus ist eine eindeutige Folge von Schritten, mit der eine Aufgabe gelöst werden soll. Ein Kochrezept ist kein Computerprogramm, aber es hilft als Vergleich: Auch dort gibt es eine Reihenfolge von Anweisungen.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Beobachtungsauftrag zum Video: Notiere ein Beispiel für einen Algorithmus und eine Frage, die Du danach noch hast.

Wie entstehen Empfehlungen?

Die einfache Grundidee

Ein digitales Empfehlungssystem kann sehr viele mögliche Inhalte ordnen. Dabei kann es Hinweise verwenden, die oft Signale genannt werden. Je nach Dienst und Einstellungen können solche Signale zum Beispiel sein:

1. was angeklickt oder angesehen wurde
2. wonach gesucht wurde
3. welche Themen häufig gewählt werden
4. welche Inhalte übersprungen werden
5. welche Rückmeldungen wie „interessiert mich“ oder „interessiert mich nicht“ gegeben werden
6. welche Inhalte andere Menschen mit ähnlichen Nutzungsmustern interessant fanden

Nicht jedes System benutzt dieselben Signale. Auch die Bedeutung einzelner Signale kann unterschiedlich sein.

Wichtig: Das System liest nicht Deine Gedanken. Es erkennt Muster in verfügbaren Daten und berechnet daraus Wahrscheinlichkeiten oder Reihenfolgen.

Die Grafik zeigt eine typische Grundidee: Aus sehr vielen möglichen Inhalten wird zunächst eine kleinere Auswahl gebildet. Danach werden diese Inhalte bewertet und in eine Reihenfolge gebracht. Für Klasse 5 genügt das Merkschema:

Viele Möglichkeiten → Hinweise aus Daten → Bewertung → Reihenfolge → Empfehlung

Personalisierung: Warum sieht nicht jeder dasselbe?

Personalisierung bedeutet, dass ein Angebot an eine Person oder Situation angepasst wird. Wenn zwei Menschen unterschiedliche Interessen gezeigt haben, kann ein System ihnen unterschiedliche Inhalte vorschlagen.

Das kann praktisch sein: Wer sich gerade für Astronomie interessiert, findet schneller weitere Beiträge über Planeten. Gleichzeitig entsteht ein Problem, wenn immer nur sehr Ähnliches erscheint. Dann kann Neues, Überraschendes oder Widersprechendes seltener sichtbar werden.

Die Grafik vergleicht eine zeitliche Reihenfolge mit einer algorithmisch sortierten Reihenfolge. Daraus folgt eine wichtige Frage: Nach welchem Ziel wird eigentlich sortiert?

Unser Klassenmodell: Eine Empfehlungsmaschine aus Papier

Für dieses Experiment braucht Ihr Themenkarten, zum Beispiel Tiere, Weltraum, Fußball, Zeichnen, Musik, Experimente und Geschichte.

Eine Gruppe spielt die „Empfehlungsmaschine“, eine andere Gruppe spielt eine erfundene Person. Nutzt als vereinfachtes Klassenmodell folgende Punktregel:

Beobachtung	Punkte im Klassenmodell
Person wählt ein Thema ausdrücklich aus	+3
Person bleibt bei einem ähnlichen Thema	+2
Person überspringt einen Inhalt	-1
Person sagt „Das interessiert mich nicht“	-3

Achtung: Diese Zahlen sind nur unser Unterrichtsmodell. Echte Empfehlungssysteme arbeiten nicht automatisch mit genau diesen Punkten.

Führt drei Runden durch. Nach jeder Runde berechnet die Empfehlungsgruppe neue Vorschläge. Danach beantwortet:

1. Welche Empfehlung wurde durch die Punktregel wahrscheinlich?
2. Welche Überraschung wurde dadurch vielleicht seltener?
3. Welche Information fehlte der Empfehlungsgruppe?
4. Wie könnte man absichtlich mehr Vielfalt einbauen?

Hier verbindet sich Mathematik mit Informatik: Ihr rechnet Punkte zusammen, sortiert Ergebnisse und untersucht gleichzeitig, wie eine Regel Entscheidungen beeinflusst.

Daten, Privatsphäre und Interessen

Welche Daten können eine Rolle spielen?

Daten über Nutzung können Hinweise auf Interessen geben. Ein Klick zeigt aber nicht sicher, warum jemand geklickt hat. Vielleicht war ein Beitrag spannend, vielleicht verwirrend, vielleicht wurde er nur versehentlich geöffnet.

Frage Dich bei digitalen Angeboten:

1. Welche Daten werden überhaupt benötigt?
2. Welche Einstellungen kann ich selbst verändern?
3. Muss ich für eine Aufgabe wirklich persönliche Daten angeben?
4. Kann ich ein Angebot auch ohne Konto oder mit weniger Daten nutzen?

Für diesen Lernkurs gilt: Keine persönlichen Konten, keine privaten Verläufe und keine echten Profile sind nötig.

Ein Klick ist kein Charaktertest

Aus einzelnen Signalen darfst Du nicht vorschnell auf eine ganze Person schließen. Wer einmal ein Katzenvideo anklickt, ist nicht automatisch „ein Katzenfan“. Wer ein schwieriges Thema lange betrachtet, kann interessiert sein – oder einfach länger brauchen.

Deshalb ist die Aussage „Die KI kennt mich“ ungenau. Besser ist:

„Das System bildet aus verfügbaren Signalen ein veränderliches Modell und versucht damit, mein wahrscheinliches Interesse vorherzusagen.“

Aufmerksamkeit und mögliche Geschäftsmodelle

Warum ist Aufmerksamkeit wertvoll?

Unsere Zeit ist begrenzt. Wenn sehr viele Inhalte um diese Zeit konkurrieren, wird Aufmerksamkeit zu einer knappen Ressource.

Manche digitale Dienste verdienen Geld durch Werbung. Dann kann längere Nutzung bedeuten, dass mehr Werbung angezeigt werden kann. Andere Angebote verdienen Geld durch Abonnements, Verkäufe, Gebühren oder Mischformen.

Wichtig: Nicht jeder Dienst hat dasselbe Geschäftsmodell. Auch die Aussage „Plattformen verkaufen einfach Deine Daten“ ist zu pauschal. Daten können beispielsweise innerhalb eines Dienstes zur Personalisierung oder zur Auswahl von Werbung genutzt werden, ohne dass ein kompletter Datensatz direkt verkauft wird.

Aufmerksamkeit ist nicht dasselbe wie Qualität

Ein Inhalt kann viel Aufmerksamkeit erhalten, weil er lustig, überraschend, aufregend oder sogar ärgerlich macht. Das bedeutet nicht automatisch, dass er wahr, hilfreich oder hochwertig ist.

Darum gilt:

Beliebt ≠ wahr

Oft empfohlen ≠ wichtig

Lange angesehen ≠ gut für mich

Personalisiert ≠ objektiv

Diese Unterscheidungen sind besonders für Deutsch und Medienbildung wichtig, weil Überschriften, Bilder und Sprache gezielt Aufmerksamkeit lenken können.

Filterblasen, Perspektiven und Vielfalt

Wenn immer Ähnliches auftaucht

Personalisierung kann dazu führen, dass Du oft Inhalte siehst, die gut zu bisherigen Interessen passen. Dadurch können andere Themen oder Sichtweisen weniger sichtbar werden. Für solche möglichen Effekte wird häufig der Begriff Filterblase verwendet.

Eine Filterblase ist jedoch kein Naturgesetz. Nicht jede Person steckt automatisch in einer vollständig abgeschlossenen Blase. Außerdem können Menschen aktiv suchen, unterschiedliche Quellen nutzen, mit anderen sprechen und Einstellungen verändern.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Beobachtungsauftrag zum Video: Notiere eine Möglichkeit, wie Personalisierung nützlich sein kann, und eine Möglichkeit, wie sie den Blick verengen kann.

Filterblase und Echokammer sind nicht dasselbe

Eine Filterblase beschreibt vor allem die Idee, dass ein System Informationen auswählt und anderes weniger sichtbar macht. Eine Echokammer beschreibt eher eine Gruppe, in der ähnliche Ansichten immer wieder gegenseitig bestätigt werden.

Beide Begriffe können zusammenhängen, sollten aber nicht einfach gleichgesetzt werden.

Die Perspektiven-Challenge

Wählt ein sachliches Schulthema, zum Beispiel „Soll unser Pausenhof mehr Bäume bekommen?“.

Sammelt bewusst:

1. eine Quelle mit Argumenten für mehr Bäume
2. eine Quelle mit möglichen Gegenargumenten oder Schwierigkeiten
3. eine sachliche Quelle mit überprüfbaren Informationen
4. eine eigene Frage, die noch offen ist

Danach besprecht: Welche Quelle hat Euch etwas gezeigt, das Ihr vorher nicht bedacht habt?

Das Ziel ist nicht, zu jeder Frage „genau zwei Seiten“ zu erfinden. Das Ziel ist, relevante Informationen und begründete Perspektiven zu vergleichen.

Fairness, Transparenz und Verantwortung

Wer bestimmt die Regeln?

Algorithmen werden von Menschen entwickelt. Menschen wählen Ziele, Daten, Regeln und Messgrößen aus. Deshalb sind Empfehlungssysteme nicht einfach „neutral wie Naturgesetze“.

Ein System kann zum Beispiel auf möglichst viele Klicks, auf Zufriedenheit, auf Lernfortschritt, auf Verkäufe oder auf eine Mischung verschiedener Ziele ausgerichtet sein.

Transparenz bedeutet hier: Nutzende sollten möglichst erkennen können, dass Inhalte ausgewählt werden und welche Einflussmöglichkeiten sie haben.

Fairness-Beispiel

Stell Dir vor, ein Lernportal empfiehlt Jungen fast nur Technikthemen und Mädchen fast nur Kunstthemen, weil es alte Nutzungsmuster übernimmt.

Diskutiert:

1. Warum könnte diese Empfehlung unfair sein?
2. Welche Chancen könnten Menschen dadurch verpassen?
3. Welche Regel könnte mehr Vielfalt ermöglichen?
4. Welche Kontrolle sollte ein Mensch behalten?

Hier treffen sich Ethik, Informatik und Medienbildung.

Selbstbestimmt handeln: Die STOPP-Strategie

Wenn Dir ein Inhalt empfohlen wird, kannst Du die Entscheidung wieder zu Dir holen:

1. S – Stoppen: Nicht sofort weiterklicken, nur weil etwas oben steht.
2. T – Thema und Quelle prüfen: Wer sagt das? Woran erkenne ich eine verlässliche Quelle?
3. O – Andere Perspektive suchen: Welche weitere Quelle oder Sicht fehlt noch?
4. P – Personalisierung beeinflussen: Wenn möglich Einstellungen, Verlauf, „nicht interessiert“-Funktionen oder andere Auswahlmöglichkeiten bewusst nutzen.
5. P – Pause und Plan: Entscheide selbst, wie lange und mit welchem Ziel Du ein Angebot nutzt.

Diese Strategie stärkt Deine Handlungsfähigkeit: Die Empfehlung macht einen Vorschlag – Du triffst die Entscheidung.

Realistische Anwendungssituation

Fall: Das Referat über Wölfe

Mara soll ein Referat über Wölfe vorbereiten. Sie sieht zunächst ein Video mit der Überschrift „Wölfe kommen immer näher!“. Danach werden ihr mehrere ähnlich dramatische Beiträge empfohlen. Einige behaupten Dinge, nennen aber keine Quellen. Andere Beiträge stammen von Forschungseinrichtungen oder Behörden und erklären Daten und Unsicherheiten.

Mara merkt: Die Empfehlungen helfen ihr zwar, schnell weitere Inhalte zu finden, aber sie zeigen möglicherweise nicht die ganze Bandbreite.

Arbeitsauftrag in Gruppen:

1. Sortiert die möglichen nächsten Schritte nach „hilfreich“, „unsicher“ und „eher nicht hilfreich“.
2. Formuliert zwei neutrale Suchfragen, die nicht schon eine Antwort vorgeben.
3. Entscheidet, welche Quelle Ihr zuerst prüfen würdet und warum.
4. Überlegt, wie Mara mindestens zwei unterschiedliche, verlässliche Informationswege nutzen kann.
5. Erklärt, an welcher Stelle die STOPP-Strategie besonders wichtig wird.

Transferfrage: Wie würde sich der Fall verändern, wenn das Thema nicht Wölfe, sondern ein neues Computerspiel, eine Kaufempfehlung oder ein Gesundheitstipp wäre?

Typische Fehlvorstellungen korrigieren

1. „Die KI kennt genau, was ich will.“ – Sie schätzt Interessen anhand verfügbarer Signale und kann falsch liegen.
2. „Wenn etwas ganz oben steht, ist es wahr.“ – Eine hohe Position kann von anderen Zielen als Wahrheit abhängen.
3. „Viele Klicks beweisen Qualität.“ – Aufmerksamkeit und Qualität sind unterschiedliche Dinge.
4. „Alle sehen im Internet dasselbe.“ – Personalisierung und Sortierung können zu unterschiedlichen Ansichten führen.
5. „Algorithmen sind immer neutral.“ – Ziele, Daten und Regeln werden von Menschen gestaltet.
6. „Personalisierung ist immer schlecht.“ – Sie kann nützlich sein, sollte aber transparent, kontrollierbar und vielfältig gestaltet werden.
7. „Eine Filterblase ist unvermeidbar.“ – Sie ist ein mögliches Risiko, dem Du unter anderem durch aktive Vielfalt und Quellenvergleich begegnen kannst.
8. „Empfehlung bedeutet Entscheidung.“ – Eine Empfehlung ist ein Vorschlag. Die Entscheidung bleibt bei Dir.

Fächerübergreifende Bezüge

1. Informatik: Algorithmen, Daten, Sortierung, einfache Modelle und Mensch-Maschine-Interaktion
2. Deutsch: Überschriften untersuchen, Begründungen formulieren, Quellen vergleichen und Behauptungen von Belegen unterscheiden
3. Mathematik: Punktwerte addieren, Reihenfolgen bilden, einfache Häufigkeiten und Ranglisten untersuchen
4. Naturwissenschaften: Hypothesen bilden, faire Vergleiche planen und Beobachtung von Vermutung unterscheiden
5. Kunst: Untersuchen, wie Farbe, Bildausschnitt, Schrift und Komposition Aufmerksamkeit lenken
6. Ethik: Fairness, Selbstbestimmung, Verantwortung, Interessen und Folgen von Entscheidungen diskutieren
7. Medienbildung: Datenschutz, Quellenkritik, Perspektivenvielfalt, Transparenz und bewusste Nutzung trainieren

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was macht ein Empfehlungssystem grundsätzlich? (Es schätzt, welche Inhalte für eine Person interessant sein könnten) (!Es liest sicher die Gedanken einer Person) (!Es prüft automatisch jede Aussage auf Wahrheit) (!Es zeigt allen Menschen immer dieselben Inhalte)

Was ist ein mögliches Signal für eine Empfehlung? (Ein zuvor angesehenes Thema) (!Die Lieblingsfarbe des Computers) (!Die Temperatur des Bildschirms) (!Die Länge des Ladekabels)

Welche Aussage über Personalisierung stimmt? (Sie kann dazu führen, dass verschiedene Menschen unterschiedliche Vorschläge sehen) (!Sie bedeutet, dass alle Menschen dieselbe Reihenfolge sehen) (!Sie beweist, dass eine Empfehlung richtig ist) (!Sie verhindert jede falsche Information)

Warum kann Aufmerksamkeit für manche Dienste wirtschaftlich wichtig sein? (Längere Nutzung kann zum Beispiel mehr Werbekontakte ermöglichen) (!Aufmerksamkeit verwandelt sich automatisch in Geldscheine) (!Aufmerksamkeit macht jede Nachricht wahr) (!Aufmerksamkeit ersetzt alle anderen Geschäftsmodelle)

Was bedeutet eine hohe Position in einer Empfehlungsliste nicht automatisch? (Dass der Inhalt wahr oder der beste ist) (!Dass der Inhalt weit oben angezeigt wird) (!Dass eine Sortierung stattgefunden hat) (!Dass ein System eine Auswahl getroffen hat)

Welche Handlung fördert Perspektivenvielfalt? (Aktiv weitere verlässliche Quellen suchen) (!Nur den ersten empfohlenen Beitrag verwenden) (!Nur Inhalte anklicken, die die eigene Meinung bestätigen) (!Alle Quellen ungeprüft gleich behandeln)

Was beschreibt eine Filterblase am besten? (Eine mögliche Verengung sichtbarer Informationen durch Personalisierung) (!Einen kaputten Bildschirmfilter) (!Eine Liste aller gespeicherten Passwörter) (!Eine sichere Methode zur Wahrheitsprüfung)

Welche Aussage über Daten ist sinnvoll? (Ein einzelner Klick kann verschiedene Gründe haben) (!Ein einzelner Klick verrät sicher den ganzen Charakter) (!Jede Plattform nutzt immer genau dieselben Daten) (!Daten machen menschliche Entscheidungen überflüssig)

Was gehört zur STOPP-Strategie? (Eine andere Perspektive oder Quelle suchen) (!Jede Empfehlung sofort weiterleiten) (!Nur Überschriften lesen) (!Alle Einstellungen unverändert lassen)

Was ist die beste Korrektur für den Satz Die KI entscheidet was ich glauben muss? (Ein System kann Inhalte sortieren aber ich kann Quellen prüfen und selbst entscheiden) (!Ein System kennt immer die einzig richtige Meinung) (!Eine Empfehlung ist dasselbe wie ein Beweis) (!Menschen haben keinen Einfluss auf ihre Mediennutzung)

Memory

Personalisierung	Anpassung an vermutete Interessen
Signal	Hinweis aus einer Nutzungssituation
Algorithmus	Folge eindeutiger Schritte
Filterblase	mögliche Verengung sichtbarer Informationen
Aufmerksamkeit	begrenzte Zeit und Konzentration
Transparenz	Erkennbarkeit von Auswahl und Regeln
Perspektivenvielfalt	bewusste Suche nach unterschiedlichen relevanten Sichtweisen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Klick	mögliches Nutzungssignal
Werbung	mögliches Geschäftsmodell
Quellenvergleich	Strategie gegen einseitige Information
Rangliste	Ergebnis einer Sortierung
Selbstbestimmung	Mensch behält die Entscheidung

Kreuzworträtsel

Algorithmus	Wie heißt eine eindeutige Folge von Schritten zur Lösung einer Aufgabe?
Daten	Woraus kann ein Empfehlungssystem Hinweise ableiten?
Vielfalt	Was hilft dabei, nicht nur sehr ähnliche Perspektiven zu sehen?
Werbung	Womit verdienen manche kostenlose digitale Dienste Geld?
Quelle	Was solltest Du bei einer Behauptung überprüfen?
Aufmerksamkeit	Welche begrenzte menschliche Ressource möchten viele Inhalte gewinnen?

Lückentext

Vervollständige den Text.

Ein Empfehlungssystem versucht vorherzusagen, welche Inhalte für eine Person sein könnten. Dazu kann es verschiedene auswerten. Eine angepasste Auswahl heißt . Ein Klick verrät jedoch nicht sicher, warum jemand einen Inhalt hat. Wenn überwiegend Ähnliches sichtbar wird, kann die Vielfalt der wahrgenommenen Informationen . Eine hohe Position beweist nicht, dass ein Inhalt ist. Manche Dienste finanzieren sich unter anderem durch . Weil Zeit begrenzt ist, kann menschliche wirtschaftlich wertvoll sein. Wer bewusst weitere Quellen sucht, erhöht die . Am Ende bleibt eine Empfehlung ein Vorschlag und die liegt beim Menschen.

Offene Aufgaben

Leicht

1. Empfehlungstagebuch: Beobachte einen Tag lang ohne persönliche Daten aufzuschreiben, wo Dir im Alltag Empfehlungen begegnen, und ordne sie nach Musik, Video, Einkauf, Lernen oder anderen Bereichen.
2. Kartenalgorithmus: Erfinde mit Papierkarten eine einfache Regel, nach der fünf Bücher für eine erfundene Person sortiert werden, und erkläre die Regel einem Partner.
3. Aufmerksamkeitsdetektive: Suche in drei erfundenen Überschriften nach Wörtern, die besonders stark zum Klicken reizen, und formuliere jeweils eine sachlichere Variante.
4. STOPP-Plakat: Gestalte ein Klassenplakat zur STOPP-Strategie mit einem eigenen Beispiel für jeden Buchstaben.

Standard

1. Zwei Feeds: Entwirf zwei unterschiedliche Empfehlungsspalten für dieselbe erfundene Person, einmal mit viel Ähnlichkeit und einmal mit bewusst eingebauter Vielfalt, und vergleiche die Folgen.
2. Punkteexperiment: Verändere im Klassenmodell zwei Punktwerte und untersuche, wie sich dadurch die Rangfolge der Empfehlungen ändert.
3. Quellencheck: Vergleiche zu einem altersgerechten Sachthema zwei unterschiedliche Quellen anhand von Autor, Belegen, Aktualität und Zweck.
4. Fairnesswerkstatt: Entwickle eine Empfehlungssituation, in der eine Regel unbeabsichtigt unfair wird, und schlage eine Verbesserung vor.

Schwer

1. Geschäftsmodell-Labor: Vergleiche drei erfundene Dienste mit den Modellen Werbung, Abonnement und Verkauf und erkläre, welche Ziele ihre Empfehlungen wahrscheinlich beeinflussen könnten.
2. Perspektiven-Challenge: Untersuche ein Schulthema aus mindestens drei relevanten Perspektiven und dokumentiere, wie sich Deine erste Einschätzung verändert.
3. Empfehlungssystem testen: Plane ein kleines Experiment mit erfundenen Profilen, um zu prüfen, wie unterschiedliche Signale zu unterschiedlichen Empfehlungen führen könnten, ohne echte Konten oder persönliche Daten zu verwenden.
4. Ethikrat Empfehlung: Führt eine Klassendiskussion zur Frage durch, welche Regeln ein faires Empfehlungssystem für Kinder einhalten sollte, und erstellt danach fünf gemeinsame Prinzipien.

Lernkontrolle

1. Neues Beispiel erklären: Eine Musik-App schlägt nach drei ruhigen Liedern fast nur noch ruhige Musik vor. Erkläre mit den Begriffen Signal, Personalisierung und Empfehlung, was passiert sein könnte, und nenne eine Möglichkeit für mehr Vielfalt.
2. Fehlvorstellung prüfen: Ein Mitschüler sagt: „Wenn ein Video oft empfohlen wird, muss es stimmen.“ Widerlege die Aussage mit mindestens zwei unterschiedlichen Gründen.
3. Zielkonflikt untersuchen: Ein Lernportal möchte gleichzeitig lange Nutzung und guten Lernfortschritt erreichen. Erkläre, warum diese Ziele manchmal zusammenpassen und manchmal in Konflikt geraten könnten.
4. Fairness übertragen: Ein System empfiehlt Kindern aufgrund früherer Muster immer dieselben Hobbys. Beurteile, wann Personalisierung hilfreich und wann sie einschränkend sein kann.
5. Quellenstrategie entwickeln: Formuliere für eine unbekannte Empfehlungssituation einen eigenen Prüfplan mit mindestens vier Schritten, der Quelle, Perspektivenvielfalt und Selbstbestimmung berücksichtigt.
6. Modellkritik: Erkläre, warum unser Punkteexperiment im Unterricht die Grundidee einer Empfehlung zeigen kann, aber kein echtes Empfehlungssystem vollständig abbildet.

Selbstkontrolle und Reflexion

Beantworte zum Abschluss ohne nachzuschlagen:

1. Kann ich in zwei Sätzen erklären, was ein Empfehlungssystem macht?
2. Kann ich ein Beispiel nennen, bei dem eine Empfehlung nützlich ist?
3. Kann ich ein Beispiel nennen, bei dem eine Empfehlung meinen Blick verengen könnte?
4. Kann ich erklären, warum „viel Aufmerksamkeit“ nicht dasselbe wie „hohe Qualität“ ist?
5. Kann ich die STOPP-Strategie auf eine neue Situation übertragen?
6. Kann ich mindestens eine frühere Fehlvorstellung über Empfehlungen korrigieren?

Exit-Ticket: Vervollständige drei Sätze auf einem Zettel: „Heute habe ich verstanden …“, „In Zukunft prüfe ich …“, „Eine Frage habe ich noch …“.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und auf neue Situationen übertragen kannst.

1. Du erklärst die Idee eines Empfehlungssystems mit eigenen Worten.
2. Du unterscheidest Empfehlung, Vorhersage, Sortierung und Wahrheit.
3. Du erkennst mögliche Signale und ihre Grenzen.
4. Du beschreibst Personalisierung mit einem neuen Beispiel.
5. Du erklärst den Zusammenhang von Aufmerksamkeit und möglichen Geschäftsmodellen.
6. Du beurteilst Chancen und Risiken von Empfehlungen ausgewogen.
7. Du wendest Quellenkritik und Perspektivenvielfalt auf eine unbekannte Situation an.
8. Du begründest, wie Nutzende selbst Einfluss behalten können.
9. Du erkennst mögliche Fairnessprobleme und entwickelst Verbesserungen.
10. Du korrigierst typische Fehlvorstellungen nachvollziehbar.

OERs zum Thema

Wikipedia – Filterblase:

Wikipedia – Ökonomie der Aufmerksamkeit:

Weitere frei zugängliche oder schulisch nutzbare Materialien:

1. Coding for Tomorrow: Algorithmen in sozialen Medien – Unterrichtskonzept für Klasse 5–8.
2. klicksafe: Einfluss von Algorithmen im Lebensalltag junger Nutzer*innen – Vertiefung besonders für Lehrkräfte.
3. Wikimedia Commons: Recommender systems – freie Medien und Diagramme.
4. Wikimedia Commons: Filter bubbles – freie Visualisierungen zur Filterblasen-Idee.

Verknüpfte Lernbereiche

Empfehlungen von KI verstehen Künstliche Intelligenz Algorithmus Empfehlungssystem Personalisierung Daten Datenschutz Aufmerksamkeit Ökonomie der Aufmerksamkeit Filterblase Medienkompetenz Quellenkritik Fairness Ethik Human Agency