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

Personalisierung und Perspektiven prüfen

Einleitung

Warum siehst Du in einem digitalen Feed genau diese Beiträge – und nicht tausend andere? Warum können zwei Menschen zum selben Thema unterschiedliche Empfehlungen erhalten? Und wer entscheidet eigentlich, welche Inhalte oben stehen?

In diesem aiMOOC untersuchst Du, wie Personalisierung, Empfehlungssysteme, Algorithmen und menschliche Entscheidungen gemeinsam beeinflussen können, was wir online wahrnehmen. Du lernst dabei nicht, einem Feed blind zu vertrauen oder ihn grundsätzlich abzulehnen. Stattdessen entwickelst Du Kriterien, mit denen Du nachvollziehbar prüfen kannst: Welche Daten und Signale könnten eine Rolle spielen? Welches Ziel verfolgt die Auswahl? Welche Perspektiven fehlen? Welche Belege tragen eine Behauptung? Und welche Einstellungen oder eigenen Entscheidungen geben Dir mehr Kontrolle?

Der Kurs richtet sich besonders an die Klasse 7 und ist für etwa eine bis zwei Unterrichtsstunden gedacht. Er verbindet Informatik, Deutsch, Mathematik, Geschichte, Kunst, Ethik, Gemeinschaftskunde und Medienbildung.

Die Grafik zeigt vereinfacht ein zweistufiges Empfehlungssystem: Aus sehr vielen möglichen Inhalten werden zunächst Kandidaten ausgewählt. Danach werden diese bewertet und sortiert. Reale Systeme können deutlich komplexer sein. Wichtig ist: Ein Feed ist meist keine neutrale Kopie „des Internets“, sondern eine Auswahl mit Kriterien.

Das kurze Video „Algorithmen“ von Klickwinkel eignet sich als Einstieg. Prüfe beim Anschauen nicht nur den Inhalt, sondern auch die Quelle: Wer hat das Video erstellt? Welche Beispiele werden gewählt? Was wird vereinfacht? Welche Belege oder weiterführenden Informationen fehlen?

Lernziele

Nach dem Kurs kannst Du erklären, wie ein vereinfachtes Empfehlungssystem Inhalte auswählt und sortiert. Du kannst zwischen beobachteten Daten, daraus abgeleiteten Vermutungen und tatsächlichen Interessen unterscheiden. Du kannst mögliche Ziele eines Systems – zum Beispiel Relevanz, Nutzung, Verkauf, Sicherheit oder Vielfalt – erkennen und gegeneinander abwägen. Du kannst Quellen und Perspektiven vergleichen, mögliche Verzerrungen untersuchen und ein begründetes Urteil mit Belegen formulieren. Außerdem entwickelst Du Strategien, mit denen Du digitale Angebote bewusster und selbstbestimmter nutzt.

Ablauf für 1–2 Unterrichtsstunden

Phase	Zeit	Aktivität	Ziel
Aktivierung und Diagnose	5–10 Minuten	Fiktive Feeds vergleichen und erste Vermutungen notieren	Vorwissen sichtbar machen, ohne persönliche Nutzungsdaten offenzulegen
Einführung	15–20 Minuten	Empfehlung, Ranking, Daten, Profiling und Geschäftsmodelle verstehen	Technisches Grundverständnis
Analyse	15–25 Minuten	Anwendungssituation bearbeiten und Perspektiven prüfen	Quellenkritik, Bias- und Medienanalyse
Interaktive Aufgaben	15–25 Minuten	Quiz, Zuordnungen, Lückentext und Transfer	Selbstkontrolle und Vertiefung
Reflexion und Urteil	10–15 Minuten	Kriterien anwenden und begründetes Urteil formulieren	Human Agency und verantwortliche Mediennutzung

Aktivierung und Diagnose

Stell Dir vor, drei Jugendliche öffnen gleichzeitig eine Videoplattform. Alle suchen nach „Sollten Smartphones in der Schule erlaubt sein?“. Danach sehen sie unterschiedliche Vorschläge.

Feed	Erste Empfehlungen	Mögliche Erklärung
Feed A	„5 Gründe für ein Handyverbot“, „Lehrkräfte berichten über Ablenkung“, „Digital Detox Challenge“	Frühere Interaktionen deuten vielleicht auf Interesse an Konzentration und Lernorganisation hin.
Feed B	„Smartphones als Lernwerkzeug“, „Digitale Experimente im Unterricht“, „Schülervertretung fordert Medienbildung“	Frühere Interaktionen deuten vielleicht auf Interesse an Technik und digitalem Lernen hin.
Feed C	„Handyverbot eskaliert!“, „Das glaubt niemand!“, „Die krasseste Schulregel“	Das System könnte starke Reaktionen oder lange Wiedergabezeiten besonders hoch bewerten.

Diagnosefrage: Welche Erklärung ist jeweils eine Beobachtung, welche nur eine Vermutung? Welche zusätzliche Information bräuchtest Du, bevor Du sicher urteilst?

Wichtig: Für diese Aufgabe musst Du keine echten Konten, Suchverläufe oder persönlichen Feeds zeigen. Medienkompetenz bedeutet auch, die eigene Privatsphäre zu schützen.

Wie Personalisierung technisch funktioniert

Vom Inhaltspool zum Feed

Ein Empfehlungsdienst versucht vorherzusagen, welche Inhalte für eine Person interessant sein könnten. Dazu stehen häufig sehr viele mögliche Beiträge zur Auswahl. Ein vereinfachtes System kann so arbeiten:

Kandidatenauswahl: Aus einer großen Menge von Inhalten wird eine kleinere Auswahl gebildet, zum Beispiel anhand von Thema, Sprache, Aktualität oder Ähnlichkeit zu früher genutzten Inhalten.
Scoring: Für die ausgewählten Inhalte wird ein Wert berechnet. Dieser kann schätzen, wie wahrscheinlich ein Klick, eine längere Wiedergabe, eine positive Bewertung oder ein anderes gewünschtes Verhalten ist.
Ranking: Die Inhalte werden nach diesen Werten sortiert. Zusätzlich können Regeln für Sicherheit, Vielfalt, Jugendschutz oder Aktualität eingreifen.
Feedback: Deine weiteren Handlungen liefern neue Signale. Dadurch kann sich die spätere Auswahl verändern.

Die Grafik ist ein vereinfachtes Modell. In echten Systemen werden oft viele Modelle, Regeln und Prüfungen kombiniert. Aus einem hohen Score folgt außerdem nicht, dass ein Inhalt wahr, wichtig oder gut für Dich ist. Der Score sagt zunächst nur etwas über das Ziel aus, auf das das System optimiert wurde.

Welche Signale können verwendet werden?

Signale können sehr unterschiedlich sein. Manche gibst Du bewusst, andere entstehen durch Nutzung.

Signalart	Beispiel	Vorsicht bei der Deutung
Explizites Signal	Du markierst einen Beitrag als „Gefällt mir“ oder „Nicht interessiert“.	Eine einzelne Reaktion beschreibt nicht Deine ganze Meinung.
Implizites Signal	Du schaust ein Video lange an oder brichst es schnell ab.	Lange Wiedergabe kann Interesse bedeuten, aber auch Überraschung, Ärger oder Verwirrung.
Kontextsignal	Sprache, ungefährer Zeitpunkt oder Gerätetyp	Kontext kann nützlich sein, sagt aber wenig über Deine Werte oder Absichten.
Soziales Signal	Menschen mit ähnlichem Nutzungsverhalten wählen ähnliche Inhalte.	Ähnlichkeit in einem Bereich bedeutet nicht gleiche Meinung in allen Bereichen.
Inhaltsmerkmal	Thema, Schlagwörter, Bildmerkmale oder Textinhalt	Automatische Zuordnungen können ungenau oder verzerrt sein.

Daten sind nicht dasselbe wie Wissen über Dich

Ein System kann aus Daten Vermutungen ableiten. Wenn Du beispielsweise mehrere Beiträge über Skateboards ansiehst, kann das System daraus schließen, dass Du wahrscheinlich Interesse an Skateboarding hast. Diese Vermutung kann stimmen, muss aber nicht stimmen: Vielleicht recherchierst Du für ein Referat oder schaust das Video nur, weil jemand es Dir geschickt hat.

Darum ist die Unterscheidung wichtig:

Beobachtung → Muster → Vermutung → Empfehlung

Eine Empfehlung ist also kein Beweis dafür, „wer Du bist“.

Die Grafik veranschaulicht, dass Daten aus verschiedenen Geräten oder Nutzungssituationen zu Profilen zusammengeführt werden können. Nicht jeder Dienst macht das auf dieselbe Weise. Prüfe deshalb Datenschutzhinweise, Einstellungen und Transparenzinformationen des konkreten Angebots.

Cookies sind nur eine mögliche Technik zur Wiedererkennung oder Speicherung von Informationen. Personalisierung kann zusätzlich über Konten, Gerätekennungen, Interaktionen oder serverseitig gespeicherte Verlaufsdaten funktionieren. „Cookies löschen“ bedeutet deshalb nicht automatisch, dass jede Form der Personalisierung verschwindet.

Mathematik hinter einem vereinfachten Ranking

Reale Empfehlungssysteme können Millionen von Parametern besitzen. Für den Unterricht verwenden wir ein durchschaubares Modell.

Ein fiktiver Empfehlungsalgorithmus berechnet:

Gesamtwert = 3 · Interesse + 2 · Aktualität + 2 · Quellenqualität + 1 · Perspektivenvielfalt

Jede Größe erhält in unserem Klassenmodell Werte von 0 bis 2.

Beitrag	Interesse	Aktualität	Quellenqualität	Perspektivenvielfalt
A: Erfahrungsbericht einer Schülerin	2	2	1	1
B: Untersuchung einer Medienanstalt	1	1	2	2
C: Reißerisches Kurzvideo ohne Quellen	2	2	0	0

Arbeitsauftrag: Berechne die drei Gesamtwerte. Ändere danach die Gewichtung: Was passiert, wenn „Interesse“ fünfmal so stark zählt wie „Quellenqualität“? Was passiert, wenn „Perspektivenvielfalt“ stärker gewichtet wird?

Die Aufgabe zeigt: Ranking ist nicht nur Mathematik. Schon die Entscheidung, was gemessen und wie stark gewichtet wird, enthält Wertentscheidungen.

Personalisierung kann nützlich sein – und trotzdem geprüft werden

Personalisierung kann helfen, in einer riesigen Informationsmenge schneller passende Inhalte zu finden. Sie kann Musik, Lernmaterial, Nachrichten, Produkte oder Videos sortieren und damit Informationsüberlastung reduzieren. Sie kann auch Barrieren senken, wenn zum Beispiel Sprache, Schwierigkeitsgrad oder Interessen berücksichtigt werden.

Problematisch wird es, wenn Auswahlkriterien und Ziele unklar bleiben, wenn ein System falsche Annahmen verfestigt, wenn bestimmte Gruppen systematisch schlechter berücksichtigt werden oder wenn kurzfristige Aufmerksamkeit wichtiger wird als Qualität, Vielfalt oder Wohlbefinden.

Das Ziel dieses Kurses ist deshalb kein „Algorithmus gut“ oder „Algorithmus schlecht“. Du sollst prüfen, vergleichen und begründet urteilen.

Aufmerksamkeit, Dateninteressen und Geschäftsmodelle

Aufmerksamkeit als knappe Ressource

Menschen können nicht alles gleichzeitig lesen, sehen und prüfen. Aufmerksamkeit ist deshalb knapp. Digitale Dienste konkurrieren darum, dass Menschen Inhalte wahrnehmen und wiederkommen.

Gestaltung kann Aufmerksamkeit unterstützen, aber auch stark binden. Dazu gehören zum Beispiel automatische Wiedergabe, endloses Scrollen, Benachrichtigungen oder besonders emotionale Vorschaubilder. Solche Elemente sind nicht automatisch unzulässig, sollten aber daraufhin geprüft werden, wem sie nützen und wie viel Entscheidungsspielraum sie lassen.

Mögliche Geschäftsmodelle

Modell	Wie Geld verdient werden kann	Warum Personalisierung interessant sein kann
Werbung	Werbetreibende bezahlen für Reichweite oder bestimmte Zielgruppen.	Passende Inhalte und Werbung können Aufmerksamkeit und Werbewirkung erhöhen.
Abonnement	Nutzende bezahlen regelmäßig für einen Dienst.	Gute Empfehlungen können den Dienst nützlicher machen und Kündigungen verringern.
Verkauf oder Provision	Ein Dienst verdient an Käufen oder Vermittlungen.	Empfehlungen können beeinflussen, welche Produkte entdeckt und gekauft werden.
Freemium	Grundfunktionen sind kostenlos, Zusatzfunktionen kosten Geld.	Personalisierung kann Nutzung fördern und kostenpflichtige Angebote sichtbarer machen.

Ein wichtiger Unterschied: Wirtschaftlicher Nutzen von Daten bedeutet nicht zwingend, dass personenbezogene Daten einfach „verkauft“ werden. Daten können auch intern genutzt werden, um Vorhersagen, Zielgruppen, Werbung oder Empfehlungen zu verbessern. Für eine faire Bewertung musst Du das konkrete Geschäftsmodell prüfen.

Perspektiven, Bias und mögliche Verzerrungen

Was bedeutet Bias?

Bias bedeutet vereinfacht eine systematische Verzerrung oder Schieflage. Sie kann an verschiedenen Stellen entstehen:

Datenauswahl: Bestimmte Gruppen, Themen oder Sprachen sind in Daten stärker vertreten als andere.
Messung: Ein System misst vielleicht Klicks, obwohl eigentlich „nützliche Information“ wichtig wäre.
Zielgröße: Wer nur auf Nutzungsdauer optimiert, kann andere Ziele wie Vielfalt oder Quellenqualität vernachlässigen.
Feedbackschleife: Häufig gezeigte Inhalte erhalten mehr Reaktionen und werden dadurch noch häufiger gezeigt.
Menschliche Auswahl: Auch Menschen suchen eher Informationen, die zu ihren Erwartungen passen.

Bias ist deshalb nicht nur ein „Fehler der KI“. Technische Systeme, Geschäftsziele, Daten und menschliche Entscheidungen wirken zusammen.

Die Zielscheiben-Grafik stammt aus der Statistik. Sie hilft, zwischen zufälliger Streuung und systematischer Abweichung zu unterscheiden. Für soziale Medien ist sie nur eine Analogie: Gesellschaftliche Verzerrungen sind komplexer als Treffer auf einer Zielscheibe.

Filterblase und Echokammer unterscheiden

Eine Filterblase beschreibt die Idee, dass algorithmische Personalisierung die Auswahl so verengen kann, dass bestimmte Gegenpositionen seltener sichtbar werden. Eine Echokammer betont stärker die soziale Auswahl: Menschen umgeben sich mit Gleichgesinnten und verstärken gegenseitig ähnliche Sichtweisen.

Die Begriffe sind nützlich, aber Du solltest sie nicht als automatische Erklärung für jeden personalisierten Feed verwenden. Forschung zeigt ein gemischtes Bild: Manche Gruppen bewegen sich in stark gleichgerichteten Informationsräumen, andere Menschen begegnen online auch gegensätzlichen Positionen. Ein guter Satz lautet deshalb nicht „Der Algorithmus steckt alle in eine Filterblase“, sondern: „Personalisierung kann Perspektiven verengen; ob und wie stark das passiert, muss mit Daten und konkreten Beispielen geprüft werden.“

Das TED-Ed-Video stellt das Filterblasen-Konzept pointiert vor. Nutze es als Quelle, nicht als letzte Wahrheit: Welche These wird vertreten? Welche Beispiele werden genannt? Welche Gegenargumente oder neueren Forschungsergebnisse müsstest Du zusätzlich prüfen?

Perspektivenvielfalt bedeutet nicht: Alles ist gleich wahr

Mehr Perspektiven zu sehen ist wertvoll. Aber eine belegte Aussage und eine unbelegte Behauptung werden nicht dadurch gleichwertig, dass sie „zwei Seiten“ darstellen. Quellenkritik fragt deshalb gleichzeitig nach Vielfalt und nach Belegen.

Ein begründetes Urteil kann zum Beispiel sagen: „Ich habe drei unterschiedliche Positionen geprüft. Zwei stützen sich auf nachvollziehbare Daten, eine nur auf Behauptungen. Deshalb berücksichtige ich die dritte Perspektive, gewichte sie aber schwächer.“

Quellenkritik im personalisierten Feed

Die 6-P-Fragen

Nutze bei wichtigen Beiträgen diese sechs Prüffragen:

Person: Wer veröffentlicht den Inhalt? Ist die Urheberschaft erkennbar?
Zweck: Informieren, unterhalten, überzeugen, verkaufen oder provozieren?
Beleg: Welche überprüfbaren Belege werden genannt?
Perspektive: Welche Sichtweise wird gezeigt und welche fehlt?
Veröffentlichung: Wann und in welchem Zusammenhang erschien der Inhalt?
Interesse: Wer könnte durch Reichweite, Klicks, Verkäufe oder Zustimmung profitieren?

Informationskompetenz bedeutet nicht, alles anzuzweifeln. Sie bedeutet, passende Belege zu suchen, Quellen einzuordnen und die Stärke der eigenen Schlussfolgerung an die Stärke der Belege anzupassen.

Medienanalyse: Wie Gestaltung Aufmerksamkeit lenkt

Auch ohne Empfehlungssystem kann Gestaltung beeinflussen, worauf Du klickst. Untersuche bei einem Beitrag:

Gestaltungsmittel	Leitfrage
Überschrift	Informiert sie präzise oder erzeugt sie vor allem Neugier, Angst oder Wut?
Vorschaubild	Zeigt es den Inhalt sachlich oder dramatisiert es?
Farbe und Kontrast	Was soll zuerst auffallen?
Schnitt und Tempo	Bleibt Zeit zum Nachdenken oder folgt Reiz auf Reiz?
Musik und Ton	Welche Stimmung wird erzeugt?
Kommentar- und Like-Anzeige	Kann soziale Zustimmung Deine Einschätzung beeinflussen?

Damit entsteht ein fächerübergreifender Bezug zu Kunst und Deutsch: Gestaltung, Sprache, Framing und Erzählweise wirken mit technischen Rankings zusammen.

Fächerübergreifende Perspektiven

Fach	Leitidee	Beispiel
Informatik	Daten, Algorithmen, Modelle und Feedbackschleifen	Wie wird aus Signalen ein Ranking?
Deutsch	Sprache, Argumentation, Framing und Quellen	Wie verändert eine Überschrift die Wirkung derselben Information?
Mathematik	Gewichtung, Punkte, Wahrscheinlichkeiten und Stichproben	Wie ändert sich ein Ranking, wenn Gewichte verändert werden?
Geschichte	Wandel von Gatekeeping und Öffentlichkeit	Früher wählten Redaktionen Inhalte aus; heute wirken zusätzlich Plattformen, Algorithmen und Nutzende als Auswahlakteure.
Kunst	Bildsprache, Layout und Aufmerksamkeit	Welche Gestaltung zieht den Blick an und warum?
Ethik	Autonomie, Fairness und Verantwortung	Wann unterstützt Personalisierung – und wann schränkt sie Selbstbestimmung ein?
Gemeinschaftskunde	Meinungsbildung, Öffentlichkeit und Regeln	Welche Transparenz brauchen Bürgerinnen und Bürger für begründete Entscheidungen?
Medienbildung	Quellenkritik, Datenschutz und selbstbestimmte Nutzung	Wie prüfst Du Empfehlungen und steuerst Deinen Feed bewusster?

Rechte und Transparenz in der Europäischen Union

Der Digital Services Act der Europäischen Union enthält Regeln für Online-Plattformen. Für Dich als Lernenden sind drei Punkte besonders interessant:

Plattformen sollen erklären, nach welchen Hauptparametern Empfehlungssysteme Inhalte auswählen.
Bei sehr großen Plattformen muss es mindestens eine leicht zugängliche Empfehlungsoption geben, die nicht auf Profiling beruht.
Personalisierte Werbung für Minderjährige auf Grundlage von Profiling ist in der EU verboten.

Rechtliche Regeln lösen nicht jedes Problem automatisch. Sie schaffen aber Anknüpfungspunkte für Transparenz und Wahlmöglichkeiten. Prüfe bei einem konkreten Dienst: Gibt es eine chronologische oder nicht personalisierte Ansicht? Kannst Du Empfehlungssignale beeinflussen? Sind Werbeanzeigen und Gründe für ihre Anzeige erkennbar?

Realistische Anwendungssituation

Die Klasse 7b plant eine Diskussion zum Thema „Soll unsere Schule private Smartphones in den Pausen erlauben?“ Vier fiktive Beiträge werden im Klassenchat geteilt.

Beitrag	Quelle	Aussage	Auffälligkeit
A	Schülerzeitung	Mehrere Schülerinnen und Schüler berichten, dass sie ihr Smartphone zur Organisation nutzen.	Viele persönliche Erfahrungen, aber keine systematische Untersuchung
B	Medienanstalt	Eine Studie beschreibt Chancen und Risiken digitaler Mediennutzung.	Methode und Quelle sind nachvollziehbar, Ergebnisse müssen trotzdem passend interpretiert werden.
C	Kurzvideo-Kanal ohne Impressum	„Smartphones zerstören jede Konzentration.“	Sehr starke Behauptung, keine Belege, dramatische Musik
D	Technikblog	Digitale Lernwerkzeuge können Zusammenarbeit unterstützen.	Fachliche Beispiele, aber möglicher Schwerpunkt auf Technikvorteilen

Deine Aufgabe: Formuliere kein schnelles „dafür“ oder „dagegen“. Erstelle zuerst eine Prüftabelle mit den Kriterien Quelle, Zweck, Beleg, Perspektive, fehlende Perspektive, mögliches Interesse. Entscheide danach, welche Aussagen Du wie stark gewichtest.

Anschließend stellst Du Dir vor, ein Empfehlungssystem zeigt Dir zuerst zehn Beiträge ähnlich zu C. Würde die Häufigkeit derselben Behauptung sie automatisch glaubwürdiger machen? Begründe.

Strategien für Perspektivenvielfalt und selbstbestimmte Nutzung

Aktiv suchen: Verlasse Dich bei wichtigen Themen nicht nur auf den Feed. Formuliere eigene Suchbegriffe und suche gezielt nach Gegenpositionen.
Mehrere Quellen vergleichen: Nutze unabhängige journalistische, wissenschaftliche oder institutionelle Quellen und prüfe, ob sie dieselben Belege verwenden.
Nicht personalisierte Ansichten nutzen: Verwende, wenn verfügbar, chronologische oder nicht auf Profiling beruhende Feeds.
Empfehlungen bewusst steuern: Nutze Funktionen wie „Nicht interessiert“, statt nur weiterzuscrollen. Prüfe später, ob sich die Auswahl verändert.
Aufmerksamkeit schützen: Deaktiviere unnötige Benachrichtigungen, setze bewusste Nutzungszeiten und unterbrich endloses Scrollen.
Datensparsamkeit: Teile nur Informationen, die für den jeweiligen Zweck nötig sind, und prüfe Privatsphäre-Einstellungen.
Belege vor Reichweite: Viele Likes, Wiederholungen oder Kommentare sind kein Beweis für Wahrheit.
Perspektiven fair gewichten: Suche Vielfalt, aber bewerte Aussagen nach Belegen und nicht nach Lautstärke.

Reflexion: Wer steuert wen?

Personalisierung ist ein Zusammenspiel. Ein System wählt Inhalte, aber Du lieferst Signale, triffst Entscheidungen, kannst suchen, Einstellungen ändern, Quellen vergleichen und Empfehlungen zurückweisen. Gleichzeitig ist Deine Kontrolle nicht vollständig, weil Du die internen Modelle und Geschäftsentscheidungen einer Plattform meist nicht vollständig siehst.

Human Agency bedeutet deshalb: Du kennst Deine Handlungsmöglichkeiten, nutzt sie bewusst und erkennst zugleich, wo Transparenz oder Schutz durch Plattformen, Schule, Gesellschaft und Gesetz nötig sind.

Das klicksafe-Webseminar ist deutlich länger als eine Unterrichtsstunde. Nutze deshalb nur ausgewählte Ausschnitte zur Vertiefung, zum Beispiel um zu prüfen, wie Fachleute Chancen und Risiken algorithmischer Auswahl erklären.

Dieses kurze Video zu Falschinformationen eignet sich für den Transfer: Warum können emotionale oder überraschende Inhalte besonders viel Aufmerksamkeit erhalten? Welche Rolle spielen dabei Menschen, Gestaltung und Empfehlungssysteme?

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Zwei Personen sehen zum selben Thema unterschiedliche Feeds. Welche Schlussfolgerung ist am besten begründet? (Die Auswahl kann durch unterschiedliche Signale und Rankingkriterien beeinflusst sein) (!Ein Feed zeigt immer die objektiv wichtigsten Informationen) (!Die Person mit mehr Likes hat automatisch die wahreren Informationen) (!Beide Personen müssen völlig unterschiedliche politische Meinungen haben)

Ein Video wird Dir empfohlen, weil Du ähnliche Videos lange angesehen hast. Was ist die wichtigste Einschränkung dieser Deutung? (Lange Wiedergabe kann Interesse bedeuten, aber auch Überraschung oder Kritik) (!Lange Wiedergabe beweist immer Zustimmung) (!Das System kennt dadurch Deine gesamte Persönlichkeit) (!Die Empfehlung beweist die Wahrheit des Videos)

Welches Vorgehen prüft Perspektivenvielfalt am besten? (Mehrere unabhängige Quellen mit unterschiedlichen Perspektiven und Belegen vergleichen) (!Nur Beiträge mit besonders vielen Likes auswählen) (!Nur den ersten empfohlenen Beitrag verwenden) (!Alle Gegenpositionen grundsätzlich als falsch ablehnen)

Ein Ranking gewichtet Klickwahrscheinlichkeit viel stärker als Quellenqualität. Welche Folge ist plausibel? (Aufmerksamkeit erzeugende Inhalte können häufiger oben erscheinen) (!Alle Quellen werden automatisch gleich sichtbar) (!Falsche Informationen verschwinden garantiert) (!Das Ranking wird dadurch chronologisch)

Welche Aussage zu Filterblasen ist am sorgfältigsten formuliert? (Personalisierung kann Perspektiven verengen, aber Wirkung und Ausmaß müssen konkret untersucht werden) (!Jede Personalisierung erzeugt zwangsläufig eine vollständige Filterblase) (!Filterblasen entstehen nur durch Zeitungen) (!Filterblasen sind dasselbe wie technische Fehler)

Welche Frage gehört am stärksten zur Quellenkritik? (Welche Belege stützen die zentrale Behauptung?) (!Welche Schriftart wurde verwendet?) (!Wie viele Sekunden dauert das Video?) (!Welche Farbe hat das App-Symbol?)

Warum kann ein Geschäftsmodell für die Analyse eines Feeds wichtig sein? (Es kann beeinflussen, welche Ziele wie Aufmerksamkeit, Nutzung oder Verkauf wirtschaftlich wertvoll sind) (!Es bestimmt automatisch, ob jeder Beitrag wahr ist) (!Es verhindert jede Form von Personalisierung) (!Es sagt sicher voraus, welche Meinung Nutzende haben)

Welche Strategie stärkt Deine Selbstbestimmung am ehesten? (Bewusst suchen, Quellen vergleichen und verfügbare Feed-Einstellungen nutzen) (!Nur noch Inhalte anklicken, die Deine Meinung bestätigen) (!Jede Empfehlung sofort teilen) (!Persönliche Daten veröffentlichen, damit der Feed genauer wird)

Eine Behauptung wird in Deinem Feed zehnmal wiederholt. Was ist die beste Bewertung? (Wiederholung erhöht nicht automatisch die Belegqualität) (!Wiederholung macht eine Aussage automatisch wahr) (!Häufigkeit ersetzt eine Quellenprüfung) (!Algorithmen zeigen nur geprüfte Fakten)

Was zeigt das vereinfachte mathematische Rankingmodell besonders gut? (Die Wahl von Kriterien und Gewichten beeinflusst die Reihenfolge) (!Mathematik macht Wertentscheidungen unmöglich) (!Jeder hohe Score bedeutet hohe Wahrheit) (!Ein Ranking braucht keine Daten)

Memory

Personalisierung	Anpassung einer Auswahl an vermutete Interessen oder Kontexte
Ranking	Sortierung von Inhalten nach berechneten Kriterien
Signal	Beobachtbare Information, die für eine Vorhersage genutzt werden kann
Profiling	Bildung oder Nutzung eines Profils zur Einschätzung von Eigenschaften oder Interessen
Quellenkritik	Prüfung von Urheberschaft, Zweck, Belegen und Kontext
Echokammer	Sozialer Raum, in dem ähnliche Sichtweisen sich gegenseitig verstärken
Aufmerksamkeit	Begrenzte Ressource, um die digitale Angebote konkurrieren
Fairness	Frage, ob Menschen und Perspektiven angemessen und nachvollziehbar behandelt werden

Drag and Drop

Ordne die richtigen Begriffe zu.	Beispiel
Explizites Signal	„Gefällt mir“ bewusst anklicken
Implizites Signal	Ein Video bis zum Ende ansehen
Ranking	Beiträge in eine Reihenfolge bringen
Quellenkritik	Nach Belegen und Urheberschaft fragen
Perspektivenwechsel	Gezielt nach einer gut begründeten Gegenposition suchen
Selbstbestimmung	Benachrichtigungen und Feed-Optionen bewusst einstellen

Kreuzworträtsel

Algorithmus	Wie heißt eine eindeutige Folge von Verarbeitungsschritten zur Lösung einer Aufgabe?
Profiling	Wie heißt die Bildung oder Nutzung eines Nutzerprofils für Vorhersagen?
Echokammer	Wie heißt ein sozialer Raum, in dem ähnliche Sichtweisen verstärkt werden?
Perspektive	Wie heißt ein bestimmter Blickwinkel auf ein Thema?
Quelle	Wie nennt man den Ursprung einer Information?
Aufmerksamkeit	Welche knappe menschliche Ressource spielt bei vielen digitalen Geschäftsmodellen eine wichtige Rolle?

LearningApps

Lückentext

Ein Empfehlungssystem wählt aus vielen möglichen Inhalten eine kleinere Menge von

aus.

Die anschließende Sortierung nach berechneten Kriterien heißt

.

Beobachtungen wie Klicks oder Wiedergabedauer können als

genutzt werden.

Aus solchen Daten entstehen häufig nur Vermutungen und keine sicheren Aussagen über eine

.

Wenn ein System bestimmte Richtungen systematisch bevorzugt, kann eine

entstehen.

Eine mögliche Verengung durch algorithmische Auswahl wird oft als

beschrieben.

Bei wichtigen Behauptungen solltest Du immer nach überprüfbaren

fragen.

Verschiedene Sichtweisen zu vergleichen stärkt die

.

Viele Likes oder Wiederholungen ersetzen keine Prüfung der

.

Bewusste Suche, Einstellungen und Nutzungsentscheidungen stärken Deine

.

Offene Aufgaben

Leicht

Feed-Detektiv: Analysiere einen fiktiven Feed aus fünf selbst erfundenen Beiträgen. Markiere, welche Signale ein Empfehlungssystem vermutlich genutzt haben könnte, und kennzeichne jede Annahme ausdrücklich als Vermutung.
Überschriftenvergleich: Schreibe zu derselben sachlichen Information drei Überschriften: neutral, stark emotional und werbend. Erkläre, welche wahrscheinlich besonders viel Aufmerksamkeit erhält und warum.
Quellenampel: Entwickle eine Ampel mit mindestens vier Kriterien für Quellenqualität. Begründe, warum ein einzelnes Kriterium nie ausreicht.
Perspektivenkarte: Zeichne zu einem Schulthema mindestens vier beteiligte Gruppen mit unterschiedlichen Interessen. Notiere, welche Perspektive in einem Feed leicht übersehen werden könnte.

Standard

Ranking-Labor: Erfinde vier Beiträge und ein transparentes Punktesystem. Berechne ein Ranking, ändere danach die Gewichte und dokumentiere, wie sich die Reihenfolge verändert.
Medienvergleich: Vergleiche zwei Beiträge zum selben Thema hinsichtlich Quelle, Sprache, Bildgestaltung, Belegen und möglichem Zweck. Formuliere anschließend ein begründetes Urteil.
Selbstbestimmter Feed: Entwickle einen persönlichen Fünf-Punkte-Plan für bewusstere Mediennutzung, ohne private Daten offenzulegen. Jeder Punkt muss erklären, welches Problem er lösen soll.
Geschäftsmodell-Check: Wähle einen fiktiven digitalen Dienst und entscheide, ob Werbung, Abonnement, Provision oder Freemium am besten passt. Leite daraus mögliche Ziele eines Empfehlungssystems ab.

Schwer

Bias-Audit: Untersuche ein selbst entwickeltes Empfehlungssystem auf mögliche Verzerrungen bei Daten, Zielgröße, Gewichtung und Feedbackschleife. Schlage für jede Schwachstelle eine Verbesserung vor.
Quellen-Dossier: Recherchiere zu einer kontroversen Schulfrage drei voneinander unabhängige Quellen. Dokumentiere Herkunft, Belege, Perspektive, Grenzen und mögliche Interessen und begründe Deine Gewichtung.
Perspektivenvielfalt-Experiment: Entwirf ein datenschutzfreundliches Klassenexperiment mit fiktiven Profilen, um zu testen, wie unterschiedliche Gewichtungen zu unterschiedlichen Feeds führen. Formuliere vorher eine Hypothese und nachher eine Auswertung.
Begründetes Urteil: Verfasse ein kurzes Gutachten zur Frage „Sollten personalisierte Empfehlungen für Jugendliche standardmäßig aktiviert sein?“. Nutze mindestens fünf Kriterien, beziehe Gegenargumente ein und kennzeichne, welche Belege Dein Urteil tragen.

Lernkontrolle

Ranking erklären: Eine Plattform ordnet drei Beiträge unterschiedlich, obwohl alle zum selben Thema gehören. Erkläre mit einem selbst gewählten Modell, wie Daten, Zielgröße und Gewichtung gemeinsam zu dieser Reihenfolge führen könnten. Trenne sichere Informationen von Vermutungen.
Quellen gegeneinander abwägen: Du findest eine emotionale Behauptung mit großer Reichweite und einen nüchternen Bericht mit nachvollziehbarer Methode. Entwickle Kriterien, mit denen Du entscheidest, wie stark Du beide Quellen gewichtest.
Perspektivenlücke erkennen: Ein Feed zum Thema „Schulweg“ zeigt nur Beiträge von Autofahrenden. Analysiere, welche Perspektiven fehlen könnten und wie Du sie gezielt recherchieren würdest.
Geschäftsmodell übertragen: Vergleiche einen werbefinanzierten und einen abonnementsfinanzierten Dienst. Begründe, warum beide Personalisierung einsetzen könnten, obwohl ihre Einnahmen unterschiedlich entstehen.
Fairness beurteilen: Ein Empfehlungssystem zeigt neue oder wenig bekannte Quellen fast nie. Diskutiere, ob das fair ist, und entwickle eine Regel, die Relevanz und Entdeckung neuer Perspektiven besser ausbalanciert.
Selbstbestimmung planen: Formuliere für eine Woche drei überprüfbare Maßnahmen, mit denen Du Deine Informationsauswahl bewusster steuerst. Erkläre, woran Du erkennst, ob die Maßnahmen funktionieren.

Selbstkontrolle und Reflexion

Beantworte nach dem Kurs diese vier Sätze schriftlich:

Ich kann bei einer Empfehlung zwischen Beobachtung und Vermutung unterscheiden, weil …
Ein hoher Rang in einem Feed bedeutet nicht automatisch hohe Qualität, weil …
Eine Perspektive, die ich künftig gezielter suchen möchte, ist …
Eine Einstellung oder Gewohnheit, mit der ich meine Selbstbestimmung stärken kann, ist …

Bewerte Dein eigenes Urteil anschließend mit drei Fragen: Habe ich Kriterien genannt? Habe ich Belege herangezogen? Habe ich Unsicherheit und Gegenargumente sichtbar gemacht?

Lernnachweis

Für einen guten Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiederholst, sondern Dein Vorgehen nachvollziehbar machst.

Bereich	Das sollte erkennbar sein
Technisches Verständnis	Du kannst Kandidatenauswahl, Scoring, Ranking und Feedback vereinfacht erklären.
Datenverständnis	Du unterscheidest Daten, Signale, abgeleitete Vermutungen und tatsächliche Interessen.
Quellenkritik	Du prüfst Urheberschaft, Zweck, Belege, Kontext und mögliche Interessen.
Bias-Analyse	Du erkennst mögliche Verzerrungen bei Daten, Zielgrößen, Gewichtungen und Feedbackschleifen.
Perspektivenvielfalt	Du suchst relevante Gegenpositionen, ohne unbelegte Aussagen künstlich gleichwertig zu machen.
Begründetes Urteil	Du nennst Kriterien, wägest Vor- und Nachteile ab und stützt Schlussfolgerungen mit Belegen.
Human Agency	Du zeigst konkrete Strategien für selbstbestimmte, sichere und verantwortliche Nutzung.

OERs zum Thema

Der Wikipedia-Artikel zum Empfehlungsdienst erklärt Grundlagen von Recommender-Systemen:

Der Wikipedia-Artikel zur Filterblase bietet Begriffe und Hinweise auf die wissenschaftliche Diskussion:

Weitere frei oder kostenlos zugängliche Vertiefungen:

klicksafe: Materialien zu Algorithmen, Medienkompetenz und Jugendschutz.
Medienkompetenzrahmen NRW: Unterrichtsmaterialien zur Analyse und Reflexion digitaler Medien.
Europäische Kommission zum Digital Services Act: Informationen über Transparenz, Minderjährigenschutz und Rechte bei Online-Plattformen.
Wikimedia Commons – Filter bubbles: frei lizenzierte Grafiken zur Veranschaulichung.
Wikimedia Commons – Recommendation Architecture: CC0-Grafik eines vereinfachten Empfehlungssystems.

Verknüpfte Lernbereiche

Personalisierung und Perspektiven prüfen

Fächer und Kompetenzen

Fächerübergreifendes Lernen

Informatik – Daten, Algorithmen, Modelle, Empfehlungssysteme
Deutsch – Argumentation, Sprache, Framing, Quellenkritik
Mathematik – Gewichtung, Scoring, Wahrscheinlichkeiten, Daten
Geschichte – Wandel von Öffentlichkeit und Gatekeeping
Kunst – Bildsprache, Layout, visuelle Aufmerksamkeit
Ethik – Autonomie, Fairness, Verantwortung
Gemeinschaftskunde – Meinungsbildung, Öffentlichkeit, Regulierung
Medienbildung – Datenschutz, Quellenprüfung, selbstbestimmte Nutzung

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache