Eduwiki - Benutzerbeiträge [de]

Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6

2025-08-14T19:26:36Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul wird von uns aktuell im Rahmen unserer Forschung evaluiert sowie überarbeitet. Dafür suchen wir nach interessierten Lehrkräften, die uns bei den Erprobungen unterstützen - melden Sie sich dafür gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Medium:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}

Daten spielen im alltäglichen Leben in der digitalen Welt bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul wird das Mobilfunknetz als Beispiel für ein solches [[datengetriebenes digitales Artefakt]] aufgegriffen. Bei dessen Nutzung (z.B. Telefonieren oder SMS-Schreiben) werden verschiedene Daten explizit und implizit erhoben, wie etwa Standortdaten der Basisstationen, mit denen die Nutzerinnen und Nutzer verbunden sind. Anhand dieses Beispiels soll in diesem Unterrichtsmodul das [[Datenbewusstsein]] der Schülerinnen und Schüler gefördert werden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Standortdaten aus dem Mobilfunknetz

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Standortdaten, Mobilfunknetz

'''Zielgruppe:''' Informatik in Klasse 5 und 6 (alle Schulformen) - Anknüpfungen an den Politik- und Philosophieunterricht möglich

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (insbesondere der Schwerpunkt: [[Datenbewusstsein]]), "Daten und Information", "Informatiksysteme"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer bzw. mit Web-Anwendungen vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs (insb. Daten vs. Information – s. Inhaltsfeld „Information und Daten“) wünschenswert, entsprechende Erklärungen könnten aber auch in diesem Modul integriert werden.

'''Zeitlicher Umfang:''' 4 bis 6 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten, eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus drei Teilen zusammen und thematisiert als Beispielanwendung die Erhebung und Verarbeitung von Standortdaten exemplarisch bei der Nutzung des Mobilfunknetzes und weiterführend in anderen Alltagskontexten der Lernenden.

'''Im ersten Teil''' wird das Mobilfunknetz als Kontext eingeführt und der Aufbau und die Funktionsweise dessen am Beispiel des Telefonierens mit dem Handy erarbeitet. Dabei wird außerdem hergeleitet, welche persönlichen Daten dabei erhoben und wozu diese primär verwendet werden. Zum Beispiel ist das der Standort einer Basisstation im Mobilfunknetz, mit der Nutzende verbunden sind. Diese Standortdaten sind etwa dafür nötig, um ein effizientes Herstellen einer Mobilfunkverbindung zu gewährleisten (primärer Verwendungszweck der erhobenen Standortdaten).

'''Im zweiten Teil''' werden gegebene Daten aus dem Mobilfunknetz herangezogen. Diese echten Daten einer Person enthalten u.a. Standortdaten (umfassendere Erklärung der Daten s.u. und in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzenden Informationen zum Unterrichtsmodul]]). Die Lernenden analysieren diese Standortdaten mittels einer bereitgestellten Web-Anwendung hinsichtlich der Fragestellung, welche Informationen über eine Person aus Standortdaten gewonnen werden können. Dabei charakterisieren sie die ihnen unbekannte Person, indem sie einen Steckbrief erstellen. Es wird darauf eingegangen, warum ein solches Profiling nach deutschen Gesetzen verboten ist – mit strengen genehmigungspflichtigen Ausnahmen für spezielle Zwecke (z.B. Strafverfolgungszwecke). Die Lernenden verstehen diese Gründe besser, weil sie exemplarisch erfahren haben, was man aus solchen Daten schließen könnte.

'''Im dritten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Standortdaten erhoben werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy (u.a. auch auf der Basis von GPS-Daten). Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung personenbezogener Standortdaten diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit diesen datengetriebenen Anwendungen zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den drei Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus Nutzendem und dem Mobilfunknetz als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch die Erkundung des Aufbaus und der Funktionsweise des Mobilfunknetzes '''im ersten Teil''' können die Lernenden anhand einer enaktiven Simulation mit einem Puzzle die [[Datenbewusstsein|explizite und implizite Erhebung]] persönlicher Daten in diesem Beispiel untersuchen. Anschließend wird exemplarisch bei der Erhebung der Standortdaten der primäre Verwendungszweck untersucht. Die implizit erhobenen Standortdaten werden zum Herstellen einer Mobilfunkverbindung (z.B. beim Telefonieren) notwendigerweise verarbeitet ([[Datenbewusstsein|primärer Zweck]]). '''Im zweiten Teil''' explorieren die Lernenden gegebene Standortdaten aus dem Mobilfunknetz zu einem ausgedachten [[Datenbewusstsein|sekundären Zweck]], indem sie eine Person anhand ihrer Standortdaten charakterisieren ([[Datenbewusstsein|Konstruktion eines digitalen Doppelgängers eines Nutzenden]]). Dazu explorieren sie die Standortdaten in einer gegebenen Web-Anwendung und erstellen einen Steckbrief. So wird der Frage nachgegangen, welche Informationen über eine Person anhand von Standortdaten gewonnen werden können. Diese exemplarische Datenauswertung ist für einen deutschen Mobilfunkanbieter stark reguliert, was im Anschluss daran aufgegriffen und reflektiert werden kann. Dabei können auch weitere Beispiel sekundärer Verwendungszwecke der im Mobilfunknetz erhobenen Daten aufgegriffen werden (s.u., weitere sekundäre Zwecke). '''Im dritten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den drei Teilen dieses Unterrichtsmodul werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
** Die Lernenden erkennen den groben Aufbau und die grundlegende Funktionsweise eines Mobilfunknetzes, indem sie exemplarisch das Telefonieren im Mobilfunknetz anhand eines Puzzles simulieren und erklären.
** Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und erkennen, welche Daten bei der Nutzung des Mobilfunknetzes explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch für die implizite Erhebung von Standortdaten die Notwendigkeit der Verarbeitung dieser Daten (primärer Zweck).
* '''Teil 2: Exploration gegebener Standortdaten'''
** Die Lernenden erklären das Vorgehen zur Exploration von Standortdaten mithilfe der gegebenen Standortdaten und können wesentliche Schritte beschreiben.
** Die Lernenden ermitteln persönliche Informationen über eine ihnen unbekannte Person, indem sie gegebene Standortdaten mit einer Web-Anwendung explorieren (sekundärer Zweck).
* '''Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf ein weiteres Beispiel eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

*'''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
**Wie funktioniert das Mobilfunknetz und welche Daten werden bei der Nutzung (z.B. beim Telefonieren) explizit und implizit erhoben?
**Warum sind die implizite Erhebung und schließlich die Verarbeitung der Standortdaten nötig? (primärer Zweck)
*'''Teil 2: Exploration gegebener Standortdaten'''
**Welche Erkenntnisse können über eine Person durch die Auswertung ihrer Standortdaten gewonnen werden? (sekundärer Zweck)
*'''Teil 3: Weitere Kontexte zur Erhebung und Verarbeitung von Standortdaten'''
**In welchen anderen Kontexten werden Standortdaten erhoben und wozu werden sie dort verwendet?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Standortdatenmodul 5-6 - Überblick gekürzt.png|zentriert|mini|780x780px|Überblick über das Unterrichtsmodul]]

==Überblick über den Unterrichtsverlauf==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier: [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Ergänzende Informationen]].

{| class="wikitable"
|+
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Als Unterrichtsgespräch wird gemeinsam ein (Gedanken-) Experiment zum Herstellen einer Mobilfunkverbindung beim Telefonieren durchgeführt: (1) Von einem Handy wird ein zweites Handy angerufen – Was passiert dabei? (2) Was passiert nun, wenn ein Handy in einer Metallbox liegt? (3) Was passiert nun, wenn beide Handys zusammen in einer Metallbox liegen?

Gemeinsam wird die Frage erarbeitet, wie das Mobilfunknetz aufgebaut ist und welche Schritte zum Herstellen einer Mobilfunkverbindung nötig sind.

Didaktischer Kommentar:

Es werden eigene Erfahrungen der Lernenden zur Nutzung des Mobilfunknetzes aufgegriffen (aus Nutzerperspektive). Außerdem soll eine Neugierde an dem Aufbau und der genauen Funktionsweise des Mobilfunknetzes (aus Anbieterperspektive) geweckt werden. Daraus resultierend wird die Frage nach dem Aufbau und der Funktionsweise des Mobilfunknetzes aufgestellt. Das (Gedanken-) Experiment hilft dabei, die Frage nach den „Schritten bzw. Stationen zwischen den beiden Handys“ aufzuwerfen.
|
*Aktivierung von Vorkenntnissen zum Mobilfunknetz (i.d.R. aus Nutzerperspektive)
*Wecken von Neugierde an dem Aufbau und der Funktionsweise des Mobilfunknetzes
|[[Medium:Datenbewusstsein Standortdatenmodul Folien Gedankenexperiment Mobilfunknetz.pptx|Unterstützende Folien für das (Gedanken-) Experiment]] (alternativ auch zwei Handys und eine Metallbox)
|-
|'''1b'''
|'''Erarbeitung des Aufbaus und der Funktionsweise des Mobilfunknetzes:'''
Gemeinsam oder in Einzelarbeit wird ein Überblicksvideo zum Aufbau und der Funktionsweise des Mobilfunknetzes geschaut (ggf. mehrere Durchläufe). Die Lernenden notieren dabei Informationen zu Komponenten des Mobilfunknetzes (AB1), im Wesentlichen sind das: die mobilen Endgeräte, Basisstationen mit Mobilfunkantennen und entsprechenden Funkzellen, Vermittlungsstellen mit Datenbanken (hier Datenspeicher genannt). Danach werden die Begrifflichkeiten der Komponenten des Mobilfunknetzes im Plenum besprochen und gesichert. Anschließend wird mit einem Puzzle der vereinfachte Aufbau des Mobilfunknetzes rekonstruiert sowie die Funktionsweise mit zwei Szenarien erarbeitet und erste Ideen bezüglich der Datenerhebung entwickelt (AB2). [[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|zentriert|mini|334x334px|Lösung des Puzzles]]Anhand der beiden Szenarien erarbeiten die Lernenden, welche (persönlichen) Daten bei der Nutzung des Mobilfunknetzes (am Beispiel des Telefonierens) erhoben werden können und auch müssen (AB2). Diese Ideen für die erhobenen Daten werden in einem Unterrichtsgespräch gesammelt. Dabei wird auf den Datenbegriff eingegangen, inwiefern in diesem Beispiel Informationen als Daten aufgefasst werden (z.B. der Standort als Zahlenpaar von Längen- und Breitengrad). Anschließend werden die Begriffe der expliziten und impliziten Datenerhebung eingeführt (AB3). Die Lernenden ordnen die bei der Nutzung des Mobilfunknetzes erhobenen Daten diesen beiden Arten zu (Aufgabe 1 auf AB3). Diese Anwendung der Begrifflichkeiten wird anschließend gesichert. Danach bewerten die Lernenden die Verwendung der Standortdaten für den primären Zweck des Herstellens der Mobilfunkverbindung und entwickeln Ideen für sekundäre Zwecke (AB3). In der Sicherung der Bearbeitung des AB3 werden die Begrifflichkeiten der primären Zwecke (Aufgabe 2) und der sekundären Zwecke (Aufgabe 3) eingeführt (s. Begriffserklärung bei [[Datenbewusstsein]]).

Didaktischer Kommentar:

Die Architektur und Relevanz (s. Glossar in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzende Informationen]]) des Mobilfunknetzes wird in dieser Phase erarbeitet. Der gegebene Interaktionskontext wird dann hinsichtlich der explizit und implizit erhobenen Daten untersucht (zusätzliche Ideen für erhobene Daten können hinsichtlich der Notwendigkeit bewertet werden). Die Lernenden begründen zusätzlich die Verarbeitung der Standortdaten zum primären Zweck der Herstellung einer Mobilfunkverbindung. Sekundäre Zwecke werden in diesem Teil zunächst oberflächlicher aufgegriffen, sodass lediglich erste Ideen für mögliche sekundäre Zwecke entwickelt werden. In diesem Teil lernen die Lernenden die Begrifflichkeiten zu den Arten der Datenerhebung (explizite und implizite Datenerhebung) sowie zu den Typen der Zwecke für die Verwendung und Verarbeitung der Daten (primäre und sekundäre Zwecke) kennen. Diese werden sie in den nächsten Phasen wieder aufgreifen und dienen zur Erklärung der Rolle von Daten in einem solchen Interaktionssystem. In dem zweiten Teil wird ein eher fiktives Beispiel eines sekundären Zwecks näher thematisiert, sodass dieser Aspekt als Überleitung in den zweiten Teil dienen kann.
|
*Verstehen der Architektur und Relevanz (s. Glossar) des Mobilfunknetzes (grob)
*ggf. Kennenlernen des Begriffs Daten exemplarisch an den hier erhobenen Daten; ansonsten Anwendung der Kenntnisse zum Datenbegriff (s. Glossar)
*Einführung der Begrifflichkeiten „explizit und implizit erhobene Daten“ und identifizieren von explizit und implizit erhobene Daten in diesem Beispiel
*Beschreiben des primären Zwecks der Verarbeitung und Verwendung der Standortdaten
|[https://www.youtube.com/watch?v=76MD2s2P-DU#action=share Erklärvideo] ([https://www.youtube.com/watch?v=4NOizoHEgF0 Alternative]), [[Medium:Druckvorlage für 2 Puzzle.pdf|Puzzle]], [[Medium:AB1 - Video zum Aufbau Mobilfunknetz.docx|AB1]], [[Medium:AB2 - Niveau 1 - Aufbau und Funktionsweise.docx|AB2 - Niveau 1]], [[Medium:AB2 - Niveau 2 - Aufbau und Funktionsweise.docx|AB2 - Niveau 2]], [[Medium:AB2 - Sprinteraufgabe - Aufbau und Funktionsweise.docx|AB2 - Sprinteraufgabe]] (optional), [[Medium:AB3 - Datenerhebung.docx|AB3]]
|-
| colspan="4" |'''<center><big>Teil 2: Exploration gegebener Standortdaten</big></center>'''
|-
|'''2a'''
|'''Vorbereitung der Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
Zunächst werden die Mobilfunkdaten von Malte Spitz eingeführt (s.u.), welche u.a. Zeitstempel, genutzte Dienste und Standortdaten enthalten. Dabei sollten keine Hinweise dazu gegeben werden, welche Person das ist. Lediglich sollte angemerkt werden, dass diese Daten in einem halben Jahr von einer Person erhoben wurden. Diese Einführung kann etwa anhand der Datentabelle (beiliegende pdf) geschehen, welche dann auch besprochen werden sollte (Bezug zu Aufgaben 4 und 5 auf AB2 gut möglich).

Anschließend wird im Plenum auf folgende Leitfrage hingeführt: Was könnte man über eine Person herausfinden, wenn man diese Daten hätte?

Bevor die gegebenen Mobilfunkdaten (insb. Standortdaten) mithilfe einer Web-Anwendung exploriert werden, sollten die Lernenden zu dieser Leitfrage Vermutungen äußern, was man mit diesen Daten herausfinden könnte.

Anschließend wird in die interaktive Web-Anwendung eingeführt, in der diese Standortdaten exploriert werden können (Beschreibung dessen s.u.). Dazu könnten die Lernenden etwa zunächst die Anwendung selbst ausprobieren, bevor dann im Plenum anhand eines gemeinsamen Beispielfrage die Daten exploriert werden. An dem gemeinsamen Beispiel sollte das Vorgehen zum Explorieren vermittelt werden, welches die Lernenden in der nächsten Phase selbst durchführen: (1) Fragestellung entwickeln (z.B. Wo wohnt die Person vermutlich?), (2) entscheiden für zu setzende Filter in der Web-Anwendung (z.B. Zeitraum von 3 bis 4 Uhr), (3) visualisieren und untersuchen der Standortdaten auf der Karte, (4) interpretieren der Daten und Beantwortung der Fragestellung (z.B. Die Person wohnt in Berlin in der Nähe der Zehdenicker Straße) (Detailliertere Beschreibung von Beispielen s. Abs. 9.4). Das Vorgehen für eine Fragestellung kann auch ein „Ausprobieren“ verschiedener Filter umfassen.

Didaktischer Kommentar:

Mit den verfügbaren Mobilfunkdaten kann exemplarisch dafür sensibilisiert werden, wie viele Daten bei der Nutzung des Mobilfunknetzes erhoben und generiert werden.

Bezüglich dieser Daten sollte stets darauf geachtet werden, dass diese die Standorte der Basisstationen und eben keine GPS-Daten o.ä. darstellen und somit eine gewisse Ungenauigkeit besitzen (s. Beschreibung den ergänzenden Informationen). Das Explorieren der Standortdaten zum Erstellen einer modellhaften Charakterisierung der Person (vgl. der Idee des [[Datenbewusstsein|digitalen Doppelgängers]]) stellt einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten dar. Dieser Zweck sollte nicht als reale Verwendung und Verarbeitung dargestellt werden, aber als mögliche, wenn diese Daten weitergegeben werden, was in Phase 2c vertiefend diskutiert wird. In dieser Phase wird das Explorieren der Daten erstmal nur eingeführt, woraufhin die Lernenden in der nächsten Phase die Daten mit der Web-Anwendung selbstständig explorieren.
|
* Verständnis für die erhobenen Daten in diesem Interaktions-kontext und die Menge der Daten für eine Person verbessern und veranschaulichen
* Umgang mit dem Datenbegriff und der Repräsentation von Daten exemplarisch für die Datentabelle und Karte üben
* Vorgehen für die Datenexploration exemplarisch für die Standortdaten mit einer Web-Anwendung kennenlernen
* Verstehen der Charakterisierung der Person als einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten (fiktiver Zweck)

|[[Medium:Tabelle der vorhandenen Standortdaten.pdf|Tabelle der vorhandenen Standortdaten]], Web-Anwendung (s.u.), [[Medium:Hilfszettel - Interaktive Web Anwendung.docx|Hilfszettel für die Web-Anwendung]],
[[Medium:Zusatzmaterial - Hinweise zum Starten der Web-Anwendung.pdf|Hinweisblatt zum Starten der Web-Anwendung]]
|-
|'''2b'''
|'''Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
In Gruppen explorieren die Lernenden eigenständig die Standortdaten mithilfe der Web-Anwendung. Dabei erstellen sie als Gruppe einen gemeinsamen digitalen Doppelgänger der Person in Form eines Steckbriefs. Dieser charakterisiert die ihnen unbekannten Person, etwa mit Interpretationen zum Wohnort, dem Arbeitsort oder Freizeitaktivitäten (AB4). Dazu können sich die Lernenden innerhalb einer Gruppe arbeitsteilig mit verschiedenen Fragestellungen befassen, um gemeinsam eine umfassendere Charakterisierung vornehmen zu können. Während der Explorationsphase in den Gruppen kann den Lernenden optional die Möglichkeit gegeben werden, weitere Kontextinformationen heranzuziehen, wie etwa was sich an einem bestimmten Ort befindet oder was ein bestimmtes Unternehmen macht – die Lernenden würden damit den Kontext explorieren.

In der anschließenden Auswertung der Gruppenergebnisse werden die verschiedenen Interpretationen diskutiert und zusammengeführt, wobei die Lernenden ihre Interpretationen begründen sollen. Dabei kann auch diskutiert werden, wie sicher sich die Lernenden mit einer bestimmten Interpretation sind. Außerdem kann die Subjektivität der Interpretationen gemeinsam diskutiert werden, indem das Kontextwissen aufgegriffen wird, mit dem die Lernenden auf eine bestimmte Interpretation gekommen sind – gerade bei unterschiedlichen Interpretationen gut thematisierbar. In der Sicherung sollte das Konzept des digitalen Doppelgängers (auf AB4 eingeführt) besprochen werden.

Didaktischer Kommentar:

Durch das Filtern als [[Data Moves|Data Move]] beim Explorieren können bereits einige Informationen über die Person gefunden werden. Die Interpretationen bei der Charakterisierung durch die Lernenden beruhen auf individuellem Kontextwissen und sind somit subjektiv. Das führt zum Auftreten konträrer Interpretationen, welche gewinnbringend diskutiert werden können und müssen. Beachtet werden sollte auch, dass die Charakterisierungen bzw. Steckbriefe einen modellhaften Charakter haben, der durch die ausgewählten Merkmale in den verfügbaren Daten bestimmt wird und kein allumfassendes Abbild der Person darstellt.
|
*Subjektiven Charakter von Informationen durch die Interpretation verstehen (im Gegensatz zu Daten)
*Umfang der Charakterisierung einer Person anhand der Exploration von Standortdaten erkennen
*Vorstellung des Digitalen Doppelgängers als modellhafte Charakterisierung einer Person kennenlernen
*Üben des Vorgehens zur Exploration der Daten

|Web-Anwendung (s.u.), [[Medium:AB4 - Personensteckbrief.docx|AB4]]
|-
|'''2c'''
|'''Reflexion und Bewertung:'''
Die Erhebung und Verarbeitung persönlicher Daten bei der Nutzung des Mobilfunknetzes wird nun im Unterrichtsgespräch reflektiert und anschließend durch die Lernenden bewertet. An dieser Stelle sollte darauf eingegangen werden, dass ein deutscher Mobilfunkanbieter die erhobenen Daten auf dieser Art und Weise zur Charakterisierung der Personen nicht ohne weiteres nutzen darf. Mithilfe der Erfahrungen aus der Exploration kann diese Regulierung auch von den Lernenden exemplarisch nachvollzogen werden.

''Optionale Ergänzung für höhere Jahrgangsstufen (z.B. Mittelstufe): Die Lernenden könnten in den Quellen aus den ergänzenden Informationen reale Beispiele für die sekundären Zwecke der Verarbeitung und Verwendung der Standortdaten durch Mobilfunkanbieter im Rahmen einer Recherche untersuchen. Dazu könnten sich die Lernenden in Gruppen einem der beiden Beispiele widmen und sich diese als Gruppenpuzzle gegenseitig vorstellen. Anschließend könnten diese diskutiert und bewertet werden, zum Beispiel indem eine Abwägung von Kosten (Preisgabe vieler persönlicher Informationen) und Nutzen (Vorteile für den Betrieb des Mobilfunknetzes und für gesellschaftliche Belange) vorgenommen wird.''

Didaktischer Kommentar:

Es sollte zum einen darauf geachtet werden, dass nicht die Fehlvorstellung entwickelt wird, dass Mobilfunkanbieter die Standortdaten einer Einzelperson tatsächlich so auswertet. Zum anderen sollte deutlich werden, dass die Standortdaten hier notwendigerweise erhoben werden (etwa für den primären Zweck) und die Regulierung auch sinnvoll sein kann.

''Die optionale Erarbeitung der Beispiele für reale sekundäre Zwecke der Verarbeitung und Verwendung von Standortdaten durch Mobilfunkanbieter kann den Lernenden einen differenzierten Blick geben, wofür diese Standortdaten tatsächlich genutzt werden und dass es dafür durchaus auch gute Zwecke gibt.''
|
*Reflektieren der Erkenntnisse zur Erhebung und Verarbeitung der Daten (v.a. Standortdaten) im Beispiel des Mobilfunknetzes und bewerten dessen
|
|-
|'''2d'''
|'''''Mögliche Hausaufgabe zur individuellen Reflexion:'''''
''Die Lernenden formulieren ein persönliches Fazit zur Erhebung und Verarbeitung der Daten im Mobilfunknetz und begründen dies (z.B. als Essay). Dabei sollen sie eine persönliche Bewertung vornehmen, die z.B. auch Folgerungen für eigenes Handeln beinhalten kann. Die Aufgabe kann alternativ auch am Ende dieser Phase (dann auch allgemeiner zu allen thematisierten Kontexten) eingegliedert werden.''
|
* Festhalten einer Bewertung (z.B. durch Abwägung) der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz (alternativ: in den thematisierten Kontexten)
|
|-
| colspan="4" |'''<center><big>Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten</big></center>'''
|-
|'''3a'''
|'''Identifizieren weiterer Kontexte im Alltag der Lernenden:'''
Im Plenum werden weitere Interaktionskontexte aus dem Alltag der Lernenden gesammelt, in denen ebenfalls Standortdaten erhoben und verarbeitet werden. Dabei sollte beachtet werden, dass es auch andere Standortdaten gibt (Mobilfunknetz: Standorte der Basisstationen; andere Kontexte: z.B. GPS-Daten; s. Erklärung in den ergänzenden Informationen). In der nächsten Phase werden dann ausgewählte Beispiele näher untersucht.

Didaktischer Kommentar:

In dieser Phase geht es nicht um die genaue Rekonstruktion verschiedener weiterer Kontexte hinsichtlich der Datenerhebung und -verarbeitung, dies passiert in der nachfolgenden Phase. Es geht zunächst erstmal darum, weitere Kontexte, in denen Standortdaten von Nutzenden erhoben werden, zu identifizieren und zu beschreiben. Dadurch sollen die Lernenden einen breiteren und differenzierteren Blick für die Rolle von Standortdaten im eigenen Alltag entwickeln und datengetriebene digitale Artefakte, die Standortdaten erheben, eher erkennen.
|
*Erkennen weiterer Interaktionskontexte aus dem eigenen Alltag, in denen Standortdaten erhoben und verarbeitet werden
|
|-
|'''3b'''
|'''Anwendung und Bewertung:'''
In dieser Phase wenden die Lernenden die erlernten Perspektiven bezüglich der Facetten von [[Datenbewusstsein]] auf weitere Beispiele aus ihrem Alltag an, in denen Standortdaten eine Rolle spielen (also: explizite und implizite Datenerhebung, primäre und sekundäre Zwecke, digitaler Doppelgänger). Dafür schlagen wir zwei Varianten vor, die in Abhängigkeit von der Lerngruppe gewählt werden können.

'''''Variante 1: „Explorationsprotokoll“ (relativ offen)'''''

Die Lernenden wählen ein datengetriebenes digitales Artefakt aus, bei dem Standortdaten von den Nutzenden erhoben und verarbeitet werden, und untersuchen bei diesem die Rolle der Daten hinsichtlich der Facetten von Datenbewusstsein. Dafür erstellen sie auf dem AB5a eine Art Protokoll als Übersicht zu diesem gewählten Interaktionskontext. Anschließend stellen sich die Lernenden ihre Beispiele gegenseitig vor. Die Lernenden nehmen im Anschluss für diese Beispiele eine begründete Bewertung hinsichtlich der Erhebung und Verwendung von Daten vor. Ausgehend von der expliziten und impliziten Datenerhebung (oder auch Wissen über Einstellungsmöglichkeiten) können ggf. auch Ideen für Handlungsmöglichkeiten gesammelt werden (z.B. Einschränkung der Datenerhebung oder bestimmter Zwecke für die Verwendung der Daten, Änderung des eigenen Verhaltens hinsichtlich der Nutzung von Features, …).

'''''Variante 2: Gruppenpuzzle zu weiteren Kontexten mit gegebenen Informationen'''''

Die Lernenden erarbeiten in Expertengruppen einen Kontext für die Interaktion mit einem datengetriebenen digitalen Artefakt, das Standortdaten erhebt. Dafür sind drei Gruppen vorbereitet: Eine Gruppe zu Google Maps, eine zu Snapchat und eine zu WhatsApp. Die Lernenden bearbeiten als Gruppe zunächst das jeweilige Arbeitsblatt und befassen sich dabei mit der Rolle von Daten in dem jeweiligen Kontext. Anschließend wird im Sinne eines Gruppenpuzzles die Zusammensetzung der Gruppen geändert, sodass in einer Gruppe mindestens on jeder Expertengruppe ein Lernender vertreten ist. In diesen gemischten Gruppen bearbeiten die Lernenden das Arbeitsblatt AB5b mit dem Vermerk Gruppenpuzzlediskussion. Dieses leitet die Lernenden an, ihre Ergebnisse aus den Expertengruppen auszuwerten. Außerdem diskutieren sie in der Gruppe Handlungsmöglichkeiten basierend auf den vorherigen Ergebnissen der Gruppen.

Im Plenum wird die Auswertung und Diskussion aus den gemischten Gruppen im Plenum besprochen und ausgewertet. Im Sinne einer Sicherung sollte dabei angestoßen werden, dass die Lernenden ein persönliches Fazit zu der Interaktion mit den exemplarischen datengetriebenen digitalen Artefakten formulieren bzw. eine Haltung dazu entwickeln.

Didaktischer Kommentar:

Die Lernenden sollten in dieser Anwendungs- und Bewertungsphase einen breiteren Blick für die Erhebung und Verarbeitung von Standortdaten in ihrem Alltag entwickeln. Dabei sollten sie auch die Erhebung von Standortdaten in den verschiedenen Kontexten und verschiedene Zwecke der Verarbeitung und Verwendung beschreiben können.

Dies soll durch den Perspektivwechsel von Nutzenden zu Anbietern von datengetriebenen digitalen Artefakten unterstützt werden. Außerdem entwickeln sie ausgehend von dieser Perspektive und basierend auf den Facetten von Datenbewusstsein Ideen für Handlungsmöglichkeiten im Rahmen der Interaktion mit einem datengetriebenen digitalen Artefakt. Dies soll dazu führen, dass sich die Lernenden als handlungsfähig wahrnehmen und keine resignierte Haltung entwickeln. In beiden Varianten sollten die Lernenden eine persönliche (begründete) Bewertung bzw. Haltung zu datengetriebenen digitalen Artefakten in den verschiedenen Interaktionskontexten vornehmen und sich selbst dazu positionieren.
|
*Wechsel der Perspektive eines Nutzenden zu einem Anbieter eines datengetriebenen digitalen Artefakts
*Anwendung der Perspektiven zu den Facetten von Datenbewusstsein auf weitere Beispiele aus dem eigenen Alltag
*Bewertung der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz und weiteren Kontexten (v.a. individuell, lerngruppenabhängig auch auf einer gesellschaftlichen Ebene)
*Reflektieren der Erhebung und Verarbeitung von Standortdaten im eigenen Alltag
*Reflektieren der eigenen Handlungsfähigkeit im Rahmen der Interaktionen mit datengetriebenen digitalen Artefakten

|'''Für Variante 1:'''
[[Medium:AB5a - Weitere Kontexte mit Explorationsprotokoll.docx|AB5a]]

'''Für Variante 2:'''

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Gruppenpuzzlediskussion.docx|AB5b - Gruppenpuzzle-diskussion]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Google Maps.docx|AB5b - Gruppe Google Maps]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Snapchat.docx|AB5b - Gruppe Snapchat]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - WhatsApp.docx|AB5b - Gruppe WhatsApp]]
|}

==Beschreibungen ausgewählter Materialien==

===Puzzle zum Aufbau und der Funktionsweise des Mobilfunknetzes===
[[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|mini|465x465px|Beispiellösung für das Puzzle in analoger Version]]
[[Datei:Exploration Standortdaten Kalsse 8 bis 10 - Puzzle.png|mini|504x504px|Digitale Version des Puzzles zum kollaborativen Bearbeitung des Puzzles|alternativtext=|verweis=https://unterrichtsmaterial-ddi.cs.upb.de/Datei:Exploration_Standortdaten_Kalsse_8_bis_10_-_Puzzle.png]]

====Puzzleteile:====

=====Personenplättchen:=====
Die drei Personenkärtchen stellen symbolisch die drei Personen mit ihren Handys bzw. mobilen Stationen dar. Diese spielen in den Simulationen der Funktionsweise des Mobilfunknetzes in der zweiten Aufgabe des Arbeitsblattes 2 eine große Rolle.

=====Elemente des Mobilfunknetzes:=====
In dem Puzzle kommen stellvertretend für das reduzierte Mobilfunknetz neben den Personenplättchen vier Puzzleteile vor: 1) Antenne + Basisstation (viermal), 2) Vermittlungsstelle, 3) Datenspeicher, 4) Internet.

Eine detaillierte Beschreibung des Mobilfunknetzes und der jeweiligen Elemente findet sich in dem zuvor verlinkten [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Dokument zu ergänzenden Hintergrundinformationen]].

Nachfolgend wird eine Lösung des Puzzles beschrieben. Die Puzzleteile sind, wie dort dargestellt, auf der Puzzlevorlage (s.u.) abzulegen, um das Mobilfunknetz adäquat darzustellen und die Funktionsweise daran zu simulieren. Die Schnittstelle zwischen Vermittlungsstelle und Datenbank wurde zur Reduktion der Komplexität durch eine direkt verbundene Anordnung ersetzt. Die Vermittlungsstelle und die Datenbank sind also als zwei verknüpfte Elemente zu verstehen. Das Puzzleteil Internet (4) steht in äußerst abstrakter Art und Weise stellvertretend für die Verbindung zwischen Vermittlungsstelle und „dem Internet“. Die Thematisierung des, wenn auch grundlegenden, Aufbaus des Internets in diesem Unterrichtsmodul würde im Sinne der Komplexität zu weit führen. (Denkbar wäre an dieser Stelle jedoch in Abhängigkeit der Lerngruppe ein sehr kurzer Exkurs zum Aufbau des Internets.)

====Puzzlevorlage:====
Die Puzzleteile und Personenplättchen werden in der ersten Aufgabe des Arbeitsblattes 2 im Sinne einer Rekonstruktion des Aufbaus des Mobilfunknetzes auf einer Puzzlevorlage abgelegt. Die Puzzlevorlage wird die Lernenden gemeinsam mit den Puzzleteilen und dem Arbeitsblatt 2 ausgehändigt. In durchgeführten Erprobungen des Unterrichtsmoduls hat sich gezeigt, dass es ratsam ist, die Materialien des Puzzles bereits zuvor ausgeschnitten in den Unterricht mitzubringen, um die effektive Lernzeit nicht wesentlich zu verkürzen, ein Ausschneiden im Unterricht durch die Schülerinnen und Schüler ist unter Umständen auch möglich.

====Lösung des Puzzles:====
Eine mögliche Lösung für das Puzzle in dem nebenstehendem Bild dargestellt. Variationen bestehen lediglich in der Wahl der Funkzellen, in denen sich die drei Personen aufhalten. Die Elemente des Mobilfunknetzes (graue Puzzleteile) sollten nicht anders gewählt werden. Die Pfeile werden in der zweiten Aufgabe des Arbeitsblattes 2 auf das Puzzle gelegt, um das Herstellen einer Verbindung im Mobilfunknetz nachzustellen. Dazu werden zwei Szenarien zum Telefonieren (Situation 1: orangene Pfeile, Situation 2: grüne Pfeile) aufgegriffen. Optional kann ein drittes Szenario zum ''Aufrufen einer Internetseite'' (blaue Pfeile) als „Sprinteraufgabe“ bearbeitet werden. Die Pfeilrichtung stellt vereinfacht das Senden von Datenpaketen bei der Anfrage der jeweiligen Mobilfunkverbindung dar.

===Hinweise zu den explorierten Daten von Malte Spitz===
Die Standortdaten wurden während der Nutzung des Mobilfunknetzes von einem Mobilfunkanbieter erhoben. Die Datensätze wurden aus Gründen des Datenschutzes gefiltert, sodass nicht alle erhobenen Daten in der Tabelle aufgefasst werden und die Tabelle somit lediglich als Ausschnitt der erhobenen Daten bezeichnet werden sollte. Die Daten gehören zu einer Einzelperson – genauer zum Politiker Malte Spitz. Veröffentlicht wurden sie gemeinsam mit ''Zeit Online'' im Kontext des Diskurses um die Vorratsdatenspeicherung. Die inbegriffenen Daten umfassen einen Zeitraum zwischen September 2009 und Februar 2010. Bei der Interpretation der auf der Karte visualisierten Standortdaten sollte gegebenenfalls berücksichtigt werden, dass es sich um inzwischen ältere Daten auf einer aktuellen Karte handelt und somit die weiteren Hinweise auf der Karte (z.B. Cafe, Restaurant, Firmen) nicht unbedingt immer stimmen müssen. Dies hindert den Erkenntnisgewinn der Lernenden aus unserer Sicht jedoch nicht.

'''Weiterführende Quellen zu den Daten:'''

https://www.zeit.de/digital/datenschutz/2011-02/vorratsdaten-malte-spitz

https://www.zeit.de/datenschutz/malte-spitz-vorratsdaten

===Interaktive Web-Anwendung===
[[Datei:Exploration von Standortdaten - Web-Anwendung.png|Ausschnitt der gestarteten interaktiven Web-Anwendung zu diesem Unterrichtsmodul (Stand: Mai 2021)|alternativtext=|mini|591x591px]]Für das Unterrichtsmodul haben wir eine interaktive Webanwendung entwickelt. Diese ist unter folgendem Link erreichbar: [https://go.upb.de/ExplorationStandortdaten go.upb.de/ExplorationStandortdaten] (ggf. sind Login-Daten nötig, die hier abzurufen sind: [[Private:Jupyterhub|Seite zu Logindaten]])

Sie basiert auf einem Jupyter Notebook und ist mit Python entwickelt worden. Von den Lernenden werden hingegen keine Kenntnisse im Umgang mit Jupyter Notebooks sowie keinerlei Programmierkenntnisse vorausgesetzt.

Zunächst müssen die Standortdaten eingelesen werden, was über den Button ''Lade die Standortdaten'' geht. Prinzipiell ist es auch möglich eigene Standortdaten einzuladen bzw. die Anwendung, um diese zu erweitern, die an dieser Stelle ausgewählt werden könnten.

Nach Laden der Standortdaten wird die Bedienoberfläche angezeigt (s. Bild).

Sie besteht im Wesentlichen aus drei Bereichen: 1) Eingabemaske zum Einstellen von Filtern (oben links), 2) Anzeige der verarbeiteten Filter und der Tabelle der aktuellen Standortdaten (oben rechts) und 3) Karte zur Visualisierung der Standortdaten mit mehreren Widgets zur Steuerung der Visualisierung (unten).

In der Eingabemaske (1) können drei Filter separat oder zusammen eingestellt werden. Erstens kann nach einer Zeitspanne gefiltert werden, dann werden alle Standortdaten außerhalb dieser Zeitspanne entfernt. Es können lediglich ganze Stunden eingegeben werden, etwa 16 für 16:00 Uhr. Zweitens kann nach einem Wochentag gefiltert werden, etwa „Montag“, der als Textform in das Textfeld eingegeben bzw. aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten von Tagen außer dem gewählten Wochentag werden entfernt. Drittens kann nach einem Monat gefiltert werden, der ebenfalls als Text eingegeben oder aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten aus anderen Monaten werden entfernt. Ein oder mehrere verwendete Filter werden durch Klicken auf den Button ''Wende Filter an und aktualisiere die Karte'' auf die aktuellen Standortdaten angewendet. Die Karte wird dann zurückgesetzt und kann zum Visualisieren der aktuellen Standortdaten verwendet werden. Durch Klicken auf den Button ''Setze alle Filter zurück'' werden die ursprünglichen Standortdaten wiederhergestellt, sodass neue Filter gesetzt werden können.

In der Anzeige (2) werden die zuletzt angewendeten Filter mit jeweils einem Satz beschrieben sowie die aktuellen Standortdaten in tabellarischer Form dargestellt.

Auf der Karte (3) werden die Standortdaten visualisiert. Dynamisch können diese mit dem Play-Widgets unten links nach und nach eingeblendet werden. Dadurch kann der Verlauf der Standortdaten gut nachvollzogen werden. Dieses Einzeichnen der Standorte kann mit dem Pause Button in diesem Widget pausiert und mit dem Stopp Button zurückgesetzt werden. Die Geschwindigkeit des Einzeichnens kann mit dem Schieberegler ''Speed'' unten rechts angepasst werden. Der Button ''Alle Standorte einzeichnen'' kann als Ersatz für die dynamische Visualisierung der Standortdaten verwendet werden, um alle Standorte auf einmal einzeichnen zu lassen. Aus Performancegründen ist dieser jedoch für wenige Standortdaten empfohlen und auch reguliert. Oben rechts auf der Karte wird in einem Textfeld der Zeitpunkt des zuletzt eingezeichneten Standortes angegeben. Mit den Buttons Plus und Minus oben links auf der Karte kann die Zoomstufe der Kartenanzeige verändert werden.

Standorte werden als Marker dargestellt. Durch Halten der Maus über einen Marker wird ein Tooltip mit dem Zeitpunkt dieses Standortes eingeblendet. Wenn mehrere Marker nah beieinander liegen, werden diese zu einem Cluster (farbiger Kreis mit einer Zahl) zusammengefasst. Durch Anklicken des Kreises bzw. durch Hineinzoomen in die Karte werden die Cluster wieder (abhängig von der Zoomstufe) getrennt.

Kontaktieren Sie uns gerne bei Fragen, entdeckten Fehlern oder Verbesserungsideen. Wir sind stets daran interessiert, die Web-Anwendung weiterzuentwickeln.

===Beispiel für die Interpretation der visualisierten Standortdaten===
In den Explorationsphasen des Unterrichtsmoduls mit der interaktiven Web-Anwendung filtern und interpretieren die Lernenden die visualisierten Standortdaten. Da die Interpretationen subjektiv sind, werden sich diese in der Lerngruppe durchaus widersprechen. So wird für den Beruf typischerweise eine breite Vielfalt angeboten, die durchaus plausibel sind. Für die Interpretationen muss es im Unterrichtsverlauf auch kein richtig oder falsch geben. Wichtig ist, dass für die eigenen Interpretationen mit Bezugnahme auf die Daten argumentiert werden kann.
[[Datei:Datenbewusstsein-Standortdatenmodul-Beispielbild-Interpretation.png|mini|250x250px|Auswahl der Standorte für den Filter von 3 bis 4 Uhr]]

====Beispiel einer Interpretation:====
Die meisten Menschen schlafen nachts. In Deutschland würde das dann heißen, dass z.B. zwischen 3:00 bis 4:00 Uhr viele Menschen schlafen. Stellt man nun den Filter für die Zeitspanne auf 3 bis 4 Uhr ein, so stehen insgesamt 294 Standorte zur Verfügung. Nach Einzeichnen auf der Karte können 208 Standorte in Berlin lokalisiert werden. Schaut man diese nun genauer an, so befinden sich 189 von diesen in der Nähe der U-Bahn Haltestelle Rosenthaler Platz (s. Bild).

====Weiteres Beispiel einer Interpretation:====
Die Lernenden können dazu neigen, sehr stark zu interpretieren. So etwa folgendes Beispiel aus einer Erprobung: Ich habe die Standortdaten gefiltert und bekomme heraus, dass er sich oft bei einer bestimmten Firma aufgehalten hat. Die Firma ist in einer bestimmten Branche tätig, was ich mit einer Suchmaschine herausgefunden habe. Deswegen arbeitet er nun also etwa in der Finanzbranche.

Ein Schüler erwiderte darauf in einer Unterrichtserprobung, dass der Aufenthaltsort tagsüber bei einer Firma lediglich die Interpretation ermöglichen würde, dass er vielleicht dort arbeiten würde, aber nicht welchen Beruf er dort nachgeht. Er könnte etwa auch einer Hausmeister-Tätigkeit nachgehen.

Diskussionen dieser Art zeigen ein gutes Verständnis für die Gewinnung einer Information durch Interpretation von (Standort-) Daten und können sehr gewinnbringend für den Unterrichtsverlauf sein. Die Sicherheit der Interpretationen sollte also durchaus beachtet aber auch nicht unterschätzt werden. Die Auswertungsphase dieser Explorationen ist knapp bemessen. Zugunsten von Diskussionen dieser Art kann diese durchaus verlängert werden. Dabei kann dann auch aufgegriffen werden, dass bei solchen Datenauswertungen auch weitere Datenquellen hinzugenommen werden (s. optionale Ergänzung in Phase 2b), um genauere Interpretationen zu ermöglichen.

===Beispiele für sekundäre Zwecke der Verwendung von Standortdaten aus dem Mobilfunknetz===

====Beispiel 1: Analyse der Mobilität während der Coronapandemie====
Zur Eindämmung der Covid-19-Pandemie wurden verschiedene Maßnahmen (u.a. „Lockdown“) veranlasst. Die Wirkung der Maßnahmen kann anhand der Mobilität der Bevölkerung untersucht werden. Dazu wurden etwa Mobilfunkdaten des Mobilfunkanbieters Telefónica bereitgestellt, die zuvor anonymisiert und aggregiert wurden. Ein Bericht dazu findet sich bei destatis. Dort sind ebenfalls interessante Visualisierungen eingefügt, welche im Unterricht mit aufgegriffen werden könnten.

https://www.destatis.de/DE/Service/EXDAT/Datensaetze/mobilitaetsindikatoren-mobilfunkdaten.html

====Beispiel 2: Analyse zur Optimierung des ÖPNV====
Mobilfunkanbieter nutzen erhobene Mobilfunkdaten (v.a. auch Standortdaten) für verschiedene Projekte im Kontext der Verkehrsoptimierung oder auch Optimierung des öffentlichen Personennahverkehrs. Telefónica berichtet dazu etwa von mehreren Projekten zum ÖPNV in Leipzig in München, der Verkehrsplanung in Deutschland oder zur Auswertung von Staus auf deutschen Straßen.

https://www.telefonica.de/analytics/anonymisierte-daten.html

Ähnlich berichtet auch der Mobilfunkanbieter Deutsche Telekom von einem Projekt mit Verkehrsbetrieben in Nürnberg, wo anonymisierte Standortdaten verwendet werden, um das Verkehrsangebot zu optimieren. Unter dem zweiten Link findet sich auch ein Video, welches dazu die sekundäre Verwendung der Standortdaten beschreibt und eventuell für den Unterricht genutzt werden könnte.

https://www.telekom.com/de/medien/medieninformationen/detail/data-analytics-handy-schwarm-hilft-strassenbahn-349426

https://www.telekom.com/de/medien/mediencenter/medienmappen/medienmappen-2015/data-analytics

__INHALTSVERZEICHNIS_ERZWINGEN__
[[Kategorie:Datenbewusstsein]]
[[Kategorie:ProDaBi]]

Datenbewusstsein

2025-03-17T21:41:08Z

Lukas Höper: /* Unterrichtsmaterialien zur Förderung von Datenbewusstsein im Informatikunterricht */

Datenbewusstsein ist ein didaktisches Konzept für die informatische Allgemeinbildung. Mit Datenbewusstsein verfolgen wir das Ziel, Lernende verschiedener Altersstufen allgemeinbildender Schulen zu befähigen, in einer Interaktion mit einem [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakt]] zu erkennen und zu verstehen, welche Daten über sie erhoben, wie sie verarbeitet und zu welchen Zwecken sie verarbeitet und verwendet werden. Als Leitfrage kann dazu dienen: "Wo, wie und wozu werden persönliche Daten erhoben und verarbeitet?" Aktuelle Studien zeigen auf, dass Lernende ein mangelndes Verständnis und Bewusstsein über diese Prozesse der Datenerhebung und -verarbeitung haben.

==Kurzer Überblick zum Konzept Datenbewusstsein==
[[Datei:Datenbewusstsein-Modellbild.png|mini|385x385px|alternativtext=|Modellhafte Darstellung zum Konzept Datenbewusstsein, entnommen aus Höper und Schulte (2020)]]
Im Alltag interagieren wir tagtäglich mit digitalen Artefakten, die persönliche Daten erheben und verarbeiten. Dessen Funktionsweise ist häufig "datengetrieben", sie verändern also etwa nach Erhebung und Verarbeitung von Daten die Ausgabe während der Interaktion. Diese Artefakte nennen wir ''[[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]]''. Beispiele dafür sind etwa Suchmaschinen, Social Media Plattformen oder Streamingdienste. Bei all diesen Beispielen (allgemein: bei datengetriebenen digitalen Artefakten) werden Daten erhoben und generiert sowie verwendet und verarbeitet.

Die (persönlichen) Daten werden auf verschiedene Art und Weisen erhoben oder generiert und für verschiedene Zwecke verarbeitet und verwendet. Dazu unterscheiden wir zwischen '''explizit''' und '''implizit erhobenen Daten''' und die Verarbeitungs- und Verwendungszwecke unterscheiden wir hinsichtlich '''primären''' und '''sekundären Zwecke'''. Die erhobenen Daten werden mit verschiedenen Methoden und Technologien (u.a. des maschinellen Lernens) verarbeitet, um etwa Datenmodelle zu erzeugen. Diese Datenmodelle sind oft '''digitale Doppelgänger''', die durch Zusammensetzen - v.a. implizit - erhobener Daten konstruiert werden und den Nutzer bzw. die Nutzerin anhand spezifischer Merkmale modellhaft darstellt und widerspiegelt.

==== Explizit und implizit erhobene Daten ====
Im Konzept Datenbewusstsein wurden die Begrifflichkeiten der ''explizit'' und ''implizit erhobenen Daten'' eingeführt. Diese stehen in der Regel in der Verbindung zum Nutzenden - oft stellen sie personenbezogene Daten dar. Die '''explizit erhobenen Daten''' sind jene, die der Nutzende mit seiner Handlung intendiert erzeugt, also direkt und aktiv (i.d.R.) selbst eingegeben bzw. erzeugt hat. Darüber sind sich Nutzende in der Regel bewusst. Dies sind zum Beispiel bei Social Media Plattformen gepostete Texte und Bilder, bei einer Suchmaschine etwa der Suchbegriff oder beim Telefonieren über das Mobilfunknetz die Telefonnummer desjenigen, den man anrufen möchte. Im Gegensatz dazu, werden '''implizit erhobene Daten''' nebenher zur eigentlichen Handlung erhoben oder generiert - der Nutzende intendiert diese Datenerhebung also in der Regel nicht. Die implizite Datenerhebung geschieht durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes von und Klicks auf Beiträge, bei der Suchmaschine etwa Klicks auf Suchergebnisse oder beim Telefonieren über das Mobilfunknetz etwa Standortdaten der verbundenen Basisstationen.

==== Primäre und sekundäre Zwecke der Verarbeitung und Verwendung ====
Im Konzept Datenbewusstsein wurden ebenfalls die Begrifflichkeiten der ''primären'' und ''sekundären Zwecke'' der Verarbeitung und Verwendung erhobener Daten eingeführt. Diese beziehen sich auf die Verarbeitung und Verwendung von Daten über einen Nutzenden, die bei der Nutzung von datengetriebenen digitalen Artefakten erhoben werden. ''Primäre'' und ''sekundäre Zwecke'' beziehen sich auf die Intention, mit der diese zuvor erhobenen Daten verarbeitet und verwendet werden. '''Primäre Zwecke''' umfasst, dass die erhobenen Daten dazu verarbeitet und verwendet werden, um das datengetriebenen digitalen Artefakten mit den Features anbieten zu können. Diese beziehen sich auf einer Nutzerperspektive auf die Verarbeitung und Verwendung: Die Daten werden verarbeitet und verwendet, um Nutzenden Features anbieten zu können. Im Beispiel der Suchmaschine ist dies etwa das Anzeigen von Suchergebnissen. Auch inbegriffen wäre, wenn die Suchergebnisse personalisiert geordnet werden. Im Sinne des Features für den Nutzenden würde dies bedeuten, dass der Nutzende gerade die Ergebnisse angezeigt bekommt, die für ihn idealerweise relevant sind. '''Sekundäre Zwecke''' bedeuten, dass die Daten verarbeitet und verwendet werden, um andere/weitere Zwecke zu verfolgen – z.B. weitere wirtschaftliche oder wissenschaftliche Zwecke. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieterperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein Anbieter eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingdiensten (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.

==== Konstruktion von Datenmodellen über Nutzende ("digitaler Doppelgänger") ====
Für die Erhebung und Verarbeitung von Daten ist in dem Konzept Datenbewusstsein die Modellvorstellung eines '''digitalen Doppelgängers''' aufgenommen. Dieser beschreibt ein Modell eines Nutzenden, welches auf explizit und implizit erhobenen Daten über den Nutzenden sowie weitere hinzugezogene Daten (bspw. von anderen Nutzenden) basiert und erstellt wird. Ein digitaler Doppelgänger stellt somit eine Sammlung der erhobenen und generierten Daten über den Nutzenden dar. Wichtig zu beachten ist dabei, dass dieser nicht nur einem Profil, wie beispielsweise auf einer Social Media Plattform, entspricht, sondern auch Komponenten hat, die ein Nutzender in der Regel nicht ohne weiteres einsehen kann. Ein digitaler Doppelgänger einer Person wird mit denen anderer in Verbindung gebracht, um bestimmte Datenverarbeitungsprozesse umzusetzen, wie beispielsweise bei Methoden des maschinellen Lernens (exemplarisch im Unterrichtsmodul zu Empfehlungsdiensten aufgegriffen, s.u.). So kann ein digitaler Doppelgänger etwa auch Vorhersagen für das zukünftige Verhalten des Nutzenden enthalten.

==== Ziel von Datenbewusstsein ====
Das Konzept Datenbewusstsein zielt nun darauf ab, Lernende dazu zu befähigen, sich die Rolle der Daten bei der Interaktion mit einem datengetriebenen digitalen Artefakt bewusst zu machen, also sich etwa die Erhebung und Verwendung der Daten erklären zu können. Lernende sollen also während einer Interaktion mit einem datengetriebenen digitalen Artefakt in der Lage sein, vom eigentlichen Handlungsinteresse abzusehen und das explizite und implizite Erheben von Daten zu erkennen und zu überlegen, zu welchen primären und sekundären Zwecken diese verarbeitet werden können. Dadurch sollen die Lernenden befähigt werden, datengetriebene digitale Artefakte und die Interaktion mit diesen zu bewerten und letztendlich selbstbestimmt, bewusst und informiert mit diesen interagieren zu können.

Hinsichtlich der Leitfrage „''Wo, wie und wozu werden persönliche Daten gesammelt und verarbeitet?“'' könnten etwa folgende Fragen gestellt werden:

*'''Wo…?''' In welchen Interaktionen werden Daten gesammelt und verarbeitet?
*'''Wie…?''' Wie werden persönliche Daten in den Interaktionen mit einem datengetriebenen Informatiksystemen erhobenen und generierten und wie werden diese Daten verarbeitet? (bzw. wie können (automatisierte) Datenverarbeitungsprozesse aussehen?)
*'''Wozu…?''' Zu welchen Zwecken werden die Daten gesammelt und verarbeitet; ist es ein primärer Zweck zum Betreiben des datengetriebenen Informatiksystems oder ist es ein sekundärer Zweck?

==Unterrichtsmaterialien zur Förderung von Datenbewusstsein im Informatikunterricht==
Neben dem Konzept Datenbewusstsein entwickeln wir ein Forschungsinstrument und beforschen damit verschiedene Unterrichtsmaterialien, die wir für die Förderung von Datenbewusstsein in den Klassen 5/6 und 8-10 allgemeinbildender Schulen entwickeln. Wir sind sehr an gemeinsamen Erprobungen der Unterrichtsmaterialien und Austausch über das Konzept Datenbewusstsein interessiert; kontaktieren Sie dazu gerne [https://www.uni-paderborn.de/person/58041/ Lukas Höper] aus der Didaktik der Informatik.

Nachfolgend listen wir die verschiedenen entwickelten Unterrichtsmaterialien für die Förderung von Datenbewusstsein auf.

*'''Unterrichtsmaterialien für die Jahrgangsstufen 5 und 6 aller Schulformen:'''
**Exploration von Standortdaten aus dem Mobilfunknetz in Klasse 5 und 6 ([https://www.prodabi.de/materialien/datenbewusstsein/ Darstellung des Moduls auf der Webseite von ProDaBi]) ([[Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6|Link innerhalb des EduWikis]])
*'''Unterrichtsmaterialien für die Jahrgangsstufen 8 bis 10 aller Schulformen:'''
**Exploration von Empfehlungsdiensten in Klasse 8 bis 10 ([https://www.prodabi.de/datenbewusstsein-empfehlungsdienste/ Darstellung des Moduls auf der Webseite von ProDaBi]) ([[Exploration von Empfehlungsdiensten - Klasse 8 bis 10|Link innerhalb des EduWikis]])

==Quellen==
Detailliertere Beschreibungen und Diskussionen zu Datenbewusstsein sind etwa in folgenden deutschsprachigen Texten zu finden:

* Höper, L., & Schulte, C. (2021a). Datenbewusstsein: Aufmerksamkeit für die eigenen Daten. In L. Humbert (Hrsg.), ''Informatik—Bildung von Lehrkräften in allen Phasen: Bd. Lecture Notes in Informatics (LNI)'' (S. 73–82). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/infos2021_f235</nowiki>
* Höper, L., & Schulte, C. (2021b). Datenbewusstsein im Kontext digitaler Kompetenzen für einen selbstbestimmten Umgang mit datengetriebenen digitalen Artefakten. In Gesellschaft für Informatik e.V. (Hrsg.), ''INFORMATIK 2021''(S. 1623–1632). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/informatik2021-136</nowiki>
* Höper, L., Schulte, C., & Benzmüller, C. (2024). Verantwortung. In U. Furbach, E. Kitzelmann, T. Michaeli, & U. Schmid (Hrsg.), ''Künstliche Intelligenz für Lehrkräfte'' (S. 219–236). Springer Fachmedien Wiesbaden. <nowiki>https://doi.org/10.1007/978-3-658-44248-4_16</nowiki>

[[Kategorie:Datenbewusstsein]]
[[Kategorie:Theoretischer Hintergrund]]
[[Kategorie:ProDaBi]]
[[Kategorie:Didaktik]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Glossar]]

Datenbewusstsein

2025-03-17T21:39:52Z

Lukas Höper: /* Unterrichtsmaterialien zur Förderung von Datenbewusstsein im Informatikunterricht */

Datenbewusstsein ist ein didaktisches Konzept für die informatische Allgemeinbildung. Mit Datenbewusstsein verfolgen wir das Ziel, Lernende verschiedener Altersstufen allgemeinbildender Schulen zu befähigen, in einer Interaktion mit einem [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakt]] zu erkennen und zu verstehen, welche Daten über sie erhoben, wie sie verarbeitet und zu welchen Zwecken sie verarbeitet und verwendet werden. Als Leitfrage kann dazu dienen: "Wo, wie und wozu werden persönliche Daten erhoben und verarbeitet?" Aktuelle Studien zeigen auf, dass Lernende ein mangelndes Verständnis und Bewusstsein über diese Prozesse der Datenerhebung und -verarbeitung haben.

==Kurzer Überblick zum Konzept Datenbewusstsein==
[[Datei:Datenbewusstsein-Modellbild.png|mini|385x385px|alternativtext=|Modellhafte Darstellung zum Konzept Datenbewusstsein, entnommen aus Höper und Schulte (2020)]]
Im Alltag interagieren wir tagtäglich mit digitalen Artefakten, die persönliche Daten erheben und verarbeiten. Dessen Funktionsweise ist häufig "datengetrieben", sie verändern also etwa nach Erhebung und Verarbeitung von Daten die Ausgabe während der Interaktion. Diese Artefakte nennen wir ''[[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]]''. Beispiele dafür sind etwa Suchmaschinen, Social Media Plattformen oder Streamingdienste. Bei all diesen Beispielen (allgemein: bei datengetriebenen digitalen Artefakten) werden Daten erhoben und generiert sowie verwendet und verarbeitet.

Die (persönlichen) Daten werden auf verschiedene Art und Weisen erhoben oder generiert und für verschiedene Zwecke verarbeitet und verwendet. Dazu unterscheiden wir zwischen '''explizit''' und '''implizit erhobenen Daten''' und die Verarbeitungs- und Verwendungszwecke unterscheiden wir hinsichtlich '''primären''' und '''sekundären Zwecke'''. Die erhobenen Daten werden mit verschiedenen Methoden und Technologien (u.a. des maschinellen Lernens) verarbeitet, um etwa Datenmodelle zu erzeugen. Diese Datenmodelle sind oft '''digitale Doppelgänger''', die durch Zusammensetzen - v.a. implizit - erhobener Daten konstruiert werden und den Nutzer bzw. die Nutzerin anhand spezifischer Merkmale modellhaft darstellt und widerspiegelt.

==== Explizit und implizit erhobene Daten ====
Im Konzept Datenbewusstsein wurden die Begrifflichkeiten der ''explizit'' und ''implizit erhobenen Daten'' eingeführt. Diese stehen in der Regel in der Verbindung zum Nutzenden - oft stellen sie personenbezogene Daten dar. Die '''explizit erhobenen Daten''' sind jene, die der Nutzende mit seiner Handlung intendiert erzeugt, also direkt und aktiv (i.d.R.) selbst eingegeben bzw. erzeugt hat. Darüber sind sich Nutzende in der Regel bewusst. Dies sind zum Beispiel bei Social Media Plattformen gepostete Texte und Bilder, bei einer Suchmaschine etwa der Suchbegriff oder beim Telefonieren über das Mobilfunknetz die Telefonnummer desjenigen, den man anrufen möchte. Im Gegensatz dazu, werden '''implizit erhobene Daten''' nebenher zur eigentlichen Handlung erhoben oder generiert - der Nutzende intendiert diese Datenerhebung also in der Regel nicht. Die implizite Datenerhebung geschieht durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes von und Klicks auf Beiträge, bei der Suchmaschine etwa Klicks auf Suchergebnisse oder beim Telefonieren über das Mobilfunknetz etwa Standortdaten der verbundenen Basisstationen.

==== Primäre und sekundäre Zwecke der Verarbeitung und Verwendung ====
Im Konzept Datenbewusstsein wurden ebenfalls die Begrifflichkeiten der ''primären'' und ''sekundären Zwecke'' der Verarbeitung und Verwendung erhobener Daten eingeführt. Diese beziehen sich auf die Verarbeitung und Verwendung von Daten über einen Nutzenden, die bei der Nutzung von datengetriebenen digitalen Artefakten erhoben werden. ''Primäre'' und ''sekundäre Zwecke'' beziehen sich auf die Intention, mit der diese zuvor erhobenen Daten verarbeitet und verwendet werden. '''Primäre Zwecke''' umfasst, dass die erhobenen Daten dazu verarbeitet und verwendet werden, um das datengetriebenen digitalen Artefakten mit den Features anbieten zu können. Diese beziehen sich auf einer Nutzerperspektive auf die Verarbeitung und Verwendung: Die Daten werden verarbeitet und verwendet, um Nutzenden Features anbieten zu können. Im Beispiel der Suchmaschine ist dies etwa das Anzeigen von Suchergebnissen. Auch inbegriffen wäre, wenn die Suchergebnisse personalisiert geordnet werden. Im Sinne des Features für den Nutzenden würde dies bedeuten, dass der Nutzende gerade die Ergebnisse angezeigt bekommt, die für ihn idealerweise relevant sind. '''Sekundäre Zwecke''' bedeuten, dass die Daten verarbeitet und verwendet werden, um andere/weitere Zwecke zu verfolgen – z.B. weitere wirtschaftliche oder wissenschaftliche Zwecke. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieterperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein Anbieter eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingdiensten (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.

==== Konstruktion von Datenmodellen über Nutzende ("digitaler Doppelgänger") ====
Für die Erhebung und Verarbeitung von Daten ist in dem Konzept Datenbewusstsein die Modellvorstellung eines '''digitalen Doppelgängers''' aufgenommen. Dieser beschreibt ein Modell eines Nutzenden, welches auf explizit und implizit erhobenen Daten über den Nutzenden sowie weitere hinzugezogene Daten (bspw. von anderen Nutzenden) basiert und erstellt wird. Ein digitaler Doppelgänger stellt somit eine Sammlung der erhobenen und generierten Daten über den Nutzenden dar. Wichtig zu beachten ist dabei, dass dieser nicht nur einem Profil, wie beispielsweise auf einer Social Media Plattform, entspricht, sondern auch Komponenten hat, die ein Nutzender in der Regel nicht ohne weiteres einsehen kann. Ein digitaler Doppelgänger einer Person wird mit denen anderer in Verbindung gebracht, um bestimmte Datenverarbeitungsprozesse umzusetzen, wie beispielsweise bei Methoden des maschinellen Lernens (exemplarisch im Unterrichtsmodul zu Empfehlungsdiensten aufgegriffen, s.u.). So kann ein digitaler Doppelgänger etwa auch Vorhersagen für das zukünftige Verhalten des Nutzenden enthalten.

==== Ziel von Datenbewusstsein ====
Das Konzept Datenbewusstsein zielt nun darauf ab, Lernende dazu zu befähigen, sich die Rolle der Daten bei der Interaktion mit einem datengetriebenen digitalen Artefakt bewusst zu machen, also sich etwa die Erhebung und Verwendung der Daten erklären zu können. Lernende sollen also während einer Interaktion mit einem datengetriebenen digitalen Artefakt in der Lage sein, vom eigentlichen Handlungsinteresse abzusehen und das explizite und implizite Erheben von Daten zu erkennen und zu überlegen, zu welchen primären und sekundären Zwecken diese verarbeitet werden können. Dadurch sollen die Lernenden befähigt werden, datengetriebene digitale Artefakte und die Interaktion mit diesen zu bewerten und letztendlich selbstbestimmt, bewusst und informiert mit diesen interagieren zu können.

Hinsichtlich der Leitfrage „''Wo, wie und wozu werden persönliche Daten gesammelt und verarbeitet?“'' könnten etwa folgende Fragen gestellt werden:

*'''Wo…?''' In welchen Interaktionen werden Daten gesammelt und verarbeitet?
*'''Wie…?''' Wie werden persönliche Daten in den Interaktionen mit einem datengetriebenen Informatiksystemen erhobenen und generierten und wie werden diese Daten verarbeitet? (bzw. wie können (automatisierte) Datenverarbeitungsprozesse aussehen?)
*'''Wozu…?''' Zu welchen Zwecken werden die Daten gesammelt und verarbeitet; ist es ein primärer Zweck zum Betreiben des datengetriebenen Informatiksystems oder ist es ein sekundärer Zweck?

==Unterrichtsmaterialien zur Förderung von Datenbewusstsein im Informatikunterricht==
Neben dem Konzept Datenbewusstsein entwickeln wir ein Forschungsinstrument und beforschen damit verschiedene Unterrichtsmaterialien, die wir für die Förderung von Datenbewusstsein in den Klassen 5/6 und 8-10 allgemeinbildender Schulen entwickeln. Wir sind sehr an gemeinsamen Erprobungen der Unterrichtsmaterialien und Austausch über das Konzept Datenbewusstsein interessiert; kontaktieren Sie dazu gerne [https://www.uni-paderborn.de/person/58041/ Lukas Höper] aus der Didaktik der Informatik.

Nachfolgend listen wir die verschiedenen entwickelten Unterrichtsmaterialien für die Förderung von Datenbewusstsein auf.

*'''Unterrichtsmaterialien für die Jahrgangsstufen 5 und 6 aller Schulformen:'''
**Exploration von Standortdaten aus dem Mobilfunknetz in Klasse 5 und 6 ([https://www.prodabi.de/materialien/datenbewusstsein/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6|Link innerhalb des EduWikis]])
*'''Unterrichtsmaterialien für die Jahrgangsstufen 8 bis 10 aller Schulformen:'''
**Exploration von Empfehlungsdiensten in Klasse 8 bis 10 ([https://www.prodabi.de/datenbewusstsein-empfehlungsdienste/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Empfehlungsdiensten - Klasse 8 bis 10|Link innerhalb des EduWikis]])

==Quellen==
Detailliertere Beschreibungen und Diskussionen zu Datenbewusstsein sind etwa in folgenden deutschsprachigen Texten zu finden:

* Höper, L., & Schulte, C. (2021a). Datenbewusstsein: Aufmerksamkeit für die eigenen Daten. In L. Humbert (Hrsg.), ''Informatik—Bildung von Lehrkräften in allen Phasen: Bd. Lecture Notes in Informatics (LNI)'' (S. 73–82). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/infos2021_f235</nowiki>
* Höper, L., & Schulte, C. (2021b). Datenbewusstsein im Kontext digitaler Kompetenzen für einen selbstbestimmten Umgang mit datengetriebenen digitalen Artefakten. In Gesellschaft für Informatik e.V. (Hrsg.), ''INFORMATIK 2021''(S. 1623–1632). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/informatik2021-136</nowiki>
* Höper, L., Schulte, C., & Benzmüller, C. (2024). Verantwortung. In U. Furbach, E. Kitzelmann, T. Michaeli, & U. Schmid (Hrsg.), ''Künstliche Intelligenz für Lehrkräfte'' (S. 219–236). Springer Fachmedien Wiesbaden. <nowiki>https://doi.org/10.1007/978-3-658-44248-4_16</nowiki>

[[Kategorie:Datenbewusstsein]]
[[Kategorie:Theoretischer Hintergrund]]
[[Kategorie:ProDaBi]]
[[Kategorie:Didaktik]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Glossar]]

Datenbewusstsein

2025-03-17T21:39:36Z

Lukas Höper: /* Unterrichtsmaterialien zur Förderung von Datenbewusstsein in allgemeinbildenden Schulen */

Datenbewusstsein ist ein didaktisches Konzept für die informatische Allgemeinbildung. Mit Datenbewusstsein verfolgen wir das Ziel, Lernende verschiedener Altersstufen allgemeinbildender Schulen zu befähigen, in einer Interaktion mit einem [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakt]] zu erkennen und zu verstehen, welche Daten über sie erhoben, wie sie verarbeitet und zu welchen Zwecken sie verarbeitet und verwendet werden. Als Leitfrage kann dazu dienen: "Wo, wie und wozu werden persönliche Daten erhoben und verarbeitet?" Aktuelle Studien zeigen auf, dass Lernende ein mangelndes Verständnis und Bewusstsein über diese Prozesse der Datenerhebung und -verarbeitung haben.

==Kurzer Überblick zum Konzept Datenbewusstsein==
[[Datei:Datenbewusstsein-Modellbild.png|mini|385x385px|alternativtext=|Modellhafte Darstellung zum Konzept Datenbewusstsein, entnommen aus Höper und Schulte (2020)]]
Im Alltag interagieren wir tagtäglich mit digitalen Artefakten, die persönliche Daten erheben und verarbeiten. Dessen Funktionsweise ist häufig "datengetrieben", sie verändern also etwa nach Erhebung und Verarbeitung von Daten die Ausgabe während der Interaktion. Diese Artefakte nennen wir ''[[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]]''. Beispiele dafür sind etwa Suchmaschinen, Social Media Plattformen oder Streamingdienste. Bei all diesen Beispielen (allgemein: bei datengetriebenen digitalen Artefakten) werden Daten erhoben und generiert sowie verwendet und verarbeitet.

Die (persönlichen) Daten werden auf verschiedene Art und Weisen erhoben oder generiert und für verschiedene Zwecke verarbeitet und verwendet. Dazu unterscheiden wir zwischen '''explizit''' und '''implizit erhobenen Daten''' und die Verarbeitungs- und Verwendungszwecke unterscheiden wir hinsichtlich '''primären''' und '''sekundären Zwecke'''. Die erhobenen Daten werden mit verschiedenen Methoden und Technologien (u.a. des maschinellen Lernens) verarbeitet, um etwa Datenmodelle zu erzeugen. Diese Datenmodelle sind oft '''digitale Doppelgänger''', die durch Zusammensetzen - v.a. implizit - erhobener Daten konstruiert werden und den Nutzer bzw. die Nutzerin anhand spezifischer Merkmale modellhaft darstellt und widerspiegelt.

==== Explizit und implizit erhobene Daten ====
Im Konzept Datenbewusstsein wurden die Begrifflichkeiten der ''explizit'' und ''implizit erhobenen Daten'' eingeführt. Diese stehen in der Regel in der Verbindung zum Nutzenden - oft stellen sie personenbezogene Daten dar. Die '''explizit erhobenen Daten''' sind jene, die der Nutzende mit seiner Handlung intendiert erzeugt, also direkt und aktiv (i.d.R.) selbst eingegeben bzw. erzeugt hat. Darüber sind sich Nutzende in der Regel bewusst. Dies sind zum Beispiel bei Social Media Plattformen gepostete Texte und Bilder, bei einer Suchmaschine etwa der Suchbegriff oder beim Telefonieren über das Mobilfunknetz die Telefonnummer desjenigen, den man anrufen möchte. Im Gegensatz dazu, werden '''implizit erhobene Daten''' nebenher zur eigentlichen Handlung erhoben oder generiert - der Nutzende intendiert diese Datenerhebung also in der Regel nicht. Die implizite Datenerhebung geschieht durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes von und Klicks auf Beiträge, bei der Suchmaschine etwa Klicks auf Suchergebnisse oder beim Telefonieren über das Mobilfunknetz etwa Standortdaten der verbundenen Basisstationen.

==== Primäre und sekundäre Zwecke der Verarbeitung und Verwendung ====
Im Konzept Datenbewusstsein wurden ebenfalls die Begrifflichkeiten der ''primären'' und ''sekundären Zwecke'' der Verarbeitung und Verwendung erhobener Daten eingeführt. Diese beziehen sich auf die Verarbeitung und Verwendung von Daten über einen Nutzenden, die bei der Nutzung von datengetriebenen digitalen Artefakten erhoben werden. ''Primäre'' und ''sekundäre Zwecke'' beziehen sich auf die Intention, mit der diese zuvor erhobenen Daten verarbeitet und verwendet werden. '''Primäre Zwecke''' umfasst, dass die erhobenen Daten dazu verarbeitet und verwendet werden, um das datengetriebenen digitalen Artefakten mit den Features anbieten zu können. Diese beziehen sich auf einer Nutzerperspektive auf die Verarbeitung und Verwendung: Die Daten werden verarbeitet und verwendet, um Nutzenden Features anbieten zu können. Im Beispiel der Suchmaschine ist dies etwa das Anzeigen von Suchergebnissen. Auch inbegriffen wäre, wenn die Suchergebnisse personalisiert geordnet werden. Im Sinne des Features für den Nutzenden würde dies bedeuten, dass der Nutzende gerade die Ergebnisse angezeigt bekommt, die für ihn idealerweise relevant sind. '''Sekundäre Zwecke''' bedeuten, dass die Daten verarbeitet und verwendet werden, um andere/weitere Zwecke zu verfolgen – z.B. weitere wirtschaftliche oder wissenschaftliche Zwecke. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieterperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein Anbieter eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingdiensten (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.

==== Konstruktion von Datenmodellen über Nutzende ("digitaler Doppelgänger") ====
Für die Erhebung und Verarbeitung von Daten ist in dem Konzept Datenbewusstsein die Modellvorstellung eines '''digitalen Doppelgängers''' aufgenommen. Dieser beschreibt ein Modell eines Nutzenden, welches auf explizit und implizit erhobenen Daten über den Nutzenden sowie weitere hinzugezogene Daten (bspw. von anderen Nutzenden) basiert und erstellt wird. Ein digitaler Doppelgänger stellt somit eine Sammlung der erhobenen und generierten Daten über den Nutzenden dar. Wichtig zu beachten ist dabei, dass dieser nicht nur einem Profil, wie beispielsweise auf einer Social Media Plattform, entspricht, sondern auch Komponenten hat, die ein Nutzender in der Regel nicht ohne weiteres einsehen kann. Ein digitaler Doppelgänger einer Person wird mit denen anderer in Verbindung gebracht, um bestimmte Datenverarbeitungsprozesse umzusetzen, wie beispielsweise bei Methoden des maschinellen Lernens (exemplarisch im Unterrichtsmodul zu Empfehlungsdiensten aufgegriffen, s.u.). So kann ein digitaler Doppelgänger etwa auch Vorhersagen für das zukünftige Verhalten des Nutzenden enthalten.

==== Ziel von Datenbewusstsein ====
Das Konzept Datenbewusstsein zielt nun darauf ab, Lernende dazu zu befähigen, sich die Rolle der Daten bei der Interaktion mit einem datengetriebenen digitalen Artefakt bewusst zu machen, also sich etwa die Erhebung und Verwendung der Daten erklären zu können. Lernende sollen also während einer Interaktion mit einem datengetriebenen digitalen Artefakt in der Lage sein, vom eigentlichen Handlungsinteresse abzusehen und das explizite und implizite Erheben von Daten zu erkennen und zu überlegen, zu welchen primären und sekundären Zwecken diese verarbeitet werden können. Dadurch sollen die Lernenden befähigt werden, datengetriebene digitale Artefakte und die Interaktion mit diesen zu bewerten und letztendlich selbstbestimmt, bewusst und informiert mit diesen interagieren zu können.

Hinsichtlich der Leitfrage „''Wo, wie und wozu werden persönliche Daten gesammelt und verarbeitet?“'' könnten etwa folgende Fragen gestellt werden:

*'''Wo…?''' In welchen Interaktionen werden Daten gesammelt und verarbeitet?
*'''Wie…?''' Wie werden persönliche Daten in den Interaktionen mit einem datengetriebenen Informatiksystemen erhobenen und generierten und wie werden diese Daten verarbeitet? (bzw. wie können (automatisierte) Datenverarbeitungsprozesse aussehen?)
*'''Wozu…?''' Zu welchen Zwecken werden die Daten gesammelt und verarbeitet; ist es ein primärer Zweck zum Betreiben des datengetriebenen Informatiksystems oder ist es ein sekundärer Zweck?

==Unterrichtsmaterialien zur Förderung von Datenbewusstsein im Informatikunterricht==
Neben dem Konzept Datenbewusstsein entwickeln wir ein Forschungsinstrument und beforschen damit verschiedene Unterrichtsmaterialien, die wir für die Förderung von Datenbewusstsein in den Klassen 5/6 und 8-10 allgemeinbildender Schulen entwickeln. Wir sind sehr an gemeinsamen Erprobungen der Unterrichtsmaterialien und Austausch über das Konzept Datenbewusstsein interessiert; kontaktieren Sie dazu gerne [https://www.uni-paderborn.de/person/58041/ Lukas Höper] aus der Didaktik der Informatik.

Nachfolgend listen wir die verschiedenen entwickelten Unterrichtsmaterialien für die Förderung von Datenbewusstsein auf.

*'''Unterrichtsmaterialien für die Jahrgangsstufen 5 und 6 aller Schulformen:'''
**Exploration von Standortdaten aus dem Mobilfunknetz in Klasse 5 und 6 ([https://www.prodabi.de/materialien/datenbewusstsein/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6|Link innerhalb des EduWikis]])
*'''Unterrichtsmaterialien für die Jahrgangsstufen 8 bis 10 aller Schulformen:'''
**[[Exploration von Standortdaten - Klasse 8 bis 10|Exploration von Standortdaten in Klasse 8 bis 10]] (''Hinweis:'' aktueller ist die Variante für Klasse 5 und 6)
**Exploration von Empfehlungsdiensten in Klasse 8 bis 10 ([https://www.prodabi.de/datenbewusstsein-empfehlungsdienste/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Empfehlungsdiensten - Klasse 8 bis 10|Link innerhalb des EduWikis]])

==Quellen==
Detailliertere Beschreibungen und Diskussionen zu Datenbewusstsein sind etwa in folgenden deutschsprachigen Texten zu finden:

* Höper, L., & Schulte, C. (2021a). Datenbewusstsein: Aufmerksamkeit für die eigenen Daten. In L. Humbert (Hrsg.), ''Informatik—Bildung von Lehrkräften in allen Phasen: Bd. Lecture Notes in Informatics (LNI)'' (S. 73–82). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/infos2021_f235</nowiki>
* Höper, L., & Schulte, C. (2021b). Datenbewusstsein im Kontext digitaler Kompetenzen für einen selbstbestimmten Umgang mit datengetriebenen digitalen Artefakten. In Gesellschaft für Informatik e.V. (Hrsg.), ''INFORMATIK 2021''(S. 1623–1632). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/informatik2021-136</nowiki>
* Höper, L., Schulte, C., & Benzmüller, C. (2024). Verantwortung. In U. Furbach, E. Kitzelmann, T. Michaeli, & U. Schmid (Hrsg.), ''Künstliche Intelligenz für Lehrkräfte'' (S. 219–236). Springer Fachmedien Wiesbaden. <nowiki>https://doi.org/10.1007/978-3-658-44248-4_16</nowiki>

[[Kategorie:Datenbewusstsein]]
[[Kategorie:Theoretischer Hintergrund]]
[[Kategorie:ProDaBi]]
[[Kategorie:Didaktik]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Glossar]]

Datenbewusstsein

2025-03-17T21:38:06Z

Lukas Höper: /* Unterrichtsmaterialien zur Förderung von Datenbewusstsein in allgemeinbildenden Schulen */

Datenbewusstsein ist ein didaktisches Konzept für die informatische Allgemeinbildung. Mit Datenbewusstsein verfolgen wir das Ziel, Lernende verschiedener Altersstufen allgemeinbildender Schulen zu befähigen, in einer Interaktion mit einem [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakt]] zu erkennen und zu verstehen, welche Daten über sie erhoben, wie sie verarbeitet und zu welchen Zwecken sie verarbeitet und verwendet werden. Als Leitfrage kann dazu dienen: "Wo, wie und wozu werden persönliche Daten erhoben und verarbeitet?" Aktuelle Studien zeigen auf, dass Lernende ein mangelndes Verständnis und Bewusstsein über diese Prozesse der Datenerhebung und -verarbeitung haben.

==Kurzer Überblick zum Konzept Datenbewusstsein==
[[Datei:Datenbewusstsein-Modellbild.png|mini|385x385px|alternativtext=|Modellhafte Darstellung zum Konzept Datenbewusstsein, entnommen aus Höper und Schulte (2020)]]
Im Alltag interagieren wir tagtäglich mit digitalen Artefakten, die persönliche Daten erheben und verarbeiten. Dessen Funktionsweise ist häufig "datengetrieben", sie verändern also etwa nach Erhebung und Verarbeitung von Daten die Ausgabe während der Interaktion. Diese Artefakte nennen wir ''[[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]]''. Beispiele dafür sind etwa Suchmaschinen, Social Media Plattformen oder Streamingdienste. Bei all diesen Beispielen (allgemein: bei datengetriebenen digitalen Artefakten) werden Daten erhoben und generiert sowie verwendet und verarbeitet.

Die (persönlichen) Daten werden auf verschiedene Art und Weisen erhoben oder generiert und für verschiedene Zwecke verarbeitet und verwendet. Dazu unterscheiden wir zwischen '''explizit''' und '''implizit erhobenen Daten''' und die Verarbeitungs- und Verwendungszwecke unterscheiden wir hinsichtlich '''primären''' und '''sekundären Zwecke'''. Die erhobenen Daten werden mit verschiedenen Methoden und Technologien (u.a. des maschinellen Lernens) verarbeitet, um etwa Datenmodelle zu erzeugen. Diese Datenmodelle sind oft '''digitale Doppelgänger''', die durch Zusammensetzen - v.a. implizit - erhobener Daten konstruiert werden und den Nutzer bzw. die Nutzerin anhand spezifischer Merkmale modellhaft darstellt und widerspiegelt.

==== Explizit und implizit erhobene Daten ====
Im Konzept Datenbewusstsein wurden die Begrifflichkeiten der ''explizit'' und ''implizit erhobenen Daten'' eingeführt. Diese stehen in der Regel in der Verbindung zum Nutzenden - oft stellen sie personenbezogene Daten dar. Die '''explizit erhobenen Daten''' sind jene, die der Nutzende mit seiner Handlung intendiert erzeugt, also direkt und aktiv (i.d.R.) selbst eingegeben bzw. erzeugt hat. Darüber sind sich Nutzende in der Regel bewusst. Dies sind zum Beispiel bei Social Media Plattformen gepostete Texte und Bilder, bei einer Suchmaschine etwa der Suchbegriff oder beim Telefonieren über das Mobilfunknetz die Telefonnummer desjenigen, den man anrufen möchte. Im Gegensatz dazu, werden '''implizit erhobene Daten''' nebenher zur eigentlichen Handlung erhoben oder generiert - der Nutzende intendiert diese Datenerhebung also in der Regel nicht. Die implizite Datenerhebung geschieht durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes von und Klicks auf Beiträge, bei der Suchmaschine etwa Klicks auf Suchergebnisse oder beim Telefonieren über das Mobilfunknetz etwa Standortdaten der verbundenen Basisstationen.

==== Primäre und sekundäre Zwecke der Verarbeitung und Verwendung ====
Im Konzept Datenbewusstsein wurden ebenfalls die Begrifflichkeiten der ''primären'' und ''sekundären Zwecke'' der Verarbeitung und Verwendung erhobener Daten eingeführt. Diese beziehen sich auf die Verarbeitung und Verwendung von Daten über einen Nutzenden, die bei der Nutzung von datengetriebenen digitalen Artefakten erhoben werden. ''Primäre'' und ''sekundäre Zwecke'' beziehen sich auf die Intention, mit der diese zuvor erhobenen Daten verarbeitet und verwendet werden. '''Primäre Zwecke''' umfasst, dass die erhobenen Daten dazu verarbeitet und verwendet werden, um das datengetriebenen digitalen Artefakten mit den Features anbieten zu können. Diese beziehen sich auf einer Nutzerperspektive auf die Verarbeitung und Verwendung: Die Daten werden verarbeitet und verwendet, um Nutzenden Features anbieten zu können. Im Beispiel der Suchmaschine ist dies etwa das Anzeigen von Suchergebnissen. Auch inbegriffen wäre, wenn die Suchergebnisse personalisiert geordnet werden. Im Sinne des Features für den Nutzenden würde dies bedeuten, dass der Nutzende gerade die Ergebnisse angezeigt bekommt, die für ihn idealerweise relevant sind. '''Sekundäre Zwecke''' bedeuten, dass die Daten verarbeitet und verwendet werden, um andere/weitere Zwecke zu verfolgen – z.B. weitere wirtschaftliche oder wissenschaftliche Zwecke. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieterperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein Anbieter eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingdiensten (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.

==== Konstruktion von Datenmodellen über Nutzende ("digitaler Doppelgänger") ====
Für die Erhebung und Verarbeitung von Daten ist in dem Konzept Datenbewusstsein die Modellvorstellung eines '''digitalen Doppelgängers''' aufgenommen. Dieser beschreibt ein Modell eines Nutzenden, welches auf explizit und implizit erhobenen Daten über den Nutzenden sowie weitere hinzugezogene Daten (bspw. von anderen Nutzenden) basiert und erstellt wird. Ein digitaler Doppelgänger stellt somit eine Sammlung der erhobenen und generierten Daten über den Nutzenden dar. Wichtig zu beachten ist dabei, dass dieser nicht nur einem Profil, wie beispielsweise auf einer Social Media Plattform, entspricht, sondern auch Komponenten hat, die ein Nutzender in der Regel nicht ohne weiteres einsehen kann. Ein digitaler Doppelgänger einer Person wird mit denen anderer in Verbindung gebracht, um bestimmte Datenverarbeitungsprozesse umzusetzen, wie beispielsweise bei Methoden des maschinellen Lernens (exemplarisch im Unterrichtsmodul zu Empfehlungsdiensten aufgegriffen, s.u.). So kann ein digitaler Doppelgänger etwa auch Vorhersagen für das zukünftige Verhalten des Nutzenden enthalten.

==== Ziel von Datenbewusstsein ====
Das Konzept Datenbewusstsein zielt nun darauf ab, Lernende dazu zu befähigen, sich die Rolle der Daten bei der Interaktion mit einem datengetriebenen digitalen Artefakt bewusst zu machen, also sich etwa die Erhebung und Verwendung der Daten erklären zu können. Lernende sollen also während einer Interaktion mit einem datengetriebenen digitalen Artefakt in der Lage sein, vom eigentlichen Handlungsinteresse abzusehen und das explizite und implizite Erheben von Daten zu erkennen und zu überlegen, zu welchen primären und sekundären Zwecken diese verarbeitet werden können. Dadurch sollen die Lernenden befähigt werden, datengetriebene digitale Artefakte und die Interaktion mit diesen zu bewerten und letztendlich selbstbestimmt, bewusst und informiert mit diesen interagieren zu können.

Hinsichtlich der Leitfrage „''Wo, wie und wozu werden persönliche Daten gesammelt und verarbeitet?“'' könnten etwa folgende Fragen gestellt werden:

*'''Wo…?''' In welchen Interaktionen werden Daten gesammelt und verarbeitet?
*'''Wie…?''' Wie werden persönliche Daten in den Interaktionen mit einem datengetriebenen Informatiksystemen erhobenen und generierten und wie werden diese Daten verarbeitet? (bzw. wie können (automatisierte) Datenverarbeitungsprozesse aussehen?)
*'''Wozu…?''' Zu welchen Zwecken werden die Daten gesammelt und verarbeitet; ist es ein primärer Zweck zum Betreiben des datengetriebenen Informatiksystems oder ist es ein sekundärer Zweck?

==Unterrichtsmaterialien zur Förderung von Datenbewusstsein in allgemeinbildenden Schulen==
Neben dem Konzept Datenbewusstsein entwickeln wir ein Forschungsinstrument und beforschen damit verschiedene Unterrichtsmaterialien, die wir für die Förderung von Datenbewusstsein in den Klassen 5/6 und 8-10 allgemeinbildender Schulen entwickeln. Wir sind sehr an gemeinsamen Erprobungen der Unterrichtsmaterialien und Austausch über das Konzept Datenbewusstsein interessiert; kontaktieren Sie dazu gerne [https://www.uni-paderborn.de/person/58041/ Lukas Höper] aus der Didaktik der Informatik.

Nachfolgend listen wir die verschiedenen entwickelten Unterrichtsmaterialien für die Förderung von Datenbewusstsein auf.

*'''Unterrichtsmaterialien für die Jahrgangsstufen 5 und 6 aller Schulformen:'''
**Exploration von Standortdaten aus dem Mobilfunknetz in Klasse 5 und 6 ([https://www.prodabi.de/materialien/datenbewusstsein/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6|Link innerhalb des EduWikis]])
*'''Unterrichtsmaterialien für die Jahrgangsstufen 8 bis 10 aller Schulformen:'''
**[[Exploration von Standortdaten - Klasse 8 bis 10|Exploration von Standortdaten in Klasse 8 bis 10]] (''Hinweis:'' aktueller ist die Variante für Klasse 5 und 6)
**Exploration von Empfehlungsdiensten in Klasse 8 bis 10 ([https://www.prodabi.de/datenbewusstsein-empfehlungsdienste/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Empfehlungsdiensten - Klasse 8 bis 10|Link innerhalb des EduWikis]])

==Quellen==
Detailliertere Beschreibungen und Diskussionen zu Datenbewusstsein sind etwa in folgenden deutschsprachigen Texten zu finden:

* Höper, L., & Schulte, C. (2021a). Datenbewusstsein: Aufmerksamkeit für die eigenen Daten. In L. Humbert (Hrsg.), ''Informatik—Bildung von Lehrkräften in allen Phasen: Bd. Lecture Notes in Informatics (LNI)'' (S. 73–82). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/infos2021_f235</nowiki>
* Höper, L., & Schulte, C. (2021b). Datenbewusstsein im Kontext digitaler Kompetenzen für einen selbstbestimmten Umgang mit datengetriebenen digitalen Artefakten. In Gesellschaft für Informatik e.V. (Hrsg.), ''INFORMATIK 2021''(S. 1623–1632). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/informatik2021-136</nowiki>
* Höper, L., Schulte, C., & Benzmüller, C. (2024). Verantwortung. In U. Furbach, E. Kitzelmann, T. Michaeli, & U. Schmid (Hrsg.), ''Künstliche Intelligenz für Lehrkräfte'' (S. 219–236). Springer Fachmedien Wiesbaden. <nowiki>https://doi.org/10.1007/978-3-658-44248-4_16</nowiki>

[[Kategorie:Datenbewusstsein]]
[[Kategorie:Theoretischer Hintergrund]]
[[Kategorie:ProDaBi]]
[[Kategorie:Didaktik]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Glossar]]

Datenbewusstsein

2025-03-16T20:05:16Z

Lukas Höper:

Datenbewusstsein ist ein didaktisches Konzept für die informatische Allgemeinbildung. Mit Datenbewusstsein verfolgen wir das Ziel, Lernende verschiedener Altersstufen allgemeinbildender Schulen zu befähigen, in einer Interaktion mit einem [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakt]] zu erkennen und zu verstehen, welche Daten über sie erhoben, wie sie verarbeitet und zu welchen Zwecken sie verarbeitet und verwendet werden. Als Leitfrage kann dazu dienen: "Wo, wie und wozu werden persönliche Daten erhoben und verarbeitet?" Aktuelle Studien zeigen auf, dass Lernende ein mangelndes Verständnis und Bewusstsein über diese Prozesse der Datenerhebung und -verarbeitung haben.

==Kurzer Überblick zum Konzept Datenbewusstsein==
[[Datei:Datenbewusstsein-Modellbild.png|mini|385x385px|alternativtext=|Modellhafte Darstellung zum Konzept Datenbewusstsein, entnommen aus Höper und Schulte (2020)]]
Im Alltag interagieren wir tagtäglich mit digitalen Artefakten, die persönliche Daten erheben und verarbeiten. Dessen Funktionsweise ist häufig "datengetrieben", sie verändern also etwa nach Erhebung und Verarbeitung von Daten die Ausgabe während der Interaktion. Diese Artefakte nennen wir ''[[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]]''. Beispiele dafür sind etwa Suchmaschinen, Social Media Plattformen oder Streamingdienste. Bei all diesen Beispielen (allgemein: bei datengetriebenen digitalen Artefakten) werden Daten erhoben und generiert sowie verwendet und verarbeitet.

Die (persönlichen) Daten werden auf verschiedene Art und Weisen erhoben oder generiert und für verschiedene Zwecke verarbeitet und verwendet. Dazu unterscheiden wir zwischen '''explizit''' und '''implizit erhobenen Daten''' und die Verarbeitungs- und Verwendungszwecke unterscheiden wir hinsichtlich '''primären''' und '''sekundären Zwecke'''. Die erhobenen Daten werden mit verschiedenen Methoden und Technologien (u.a. des maschinellen Lernens) verarbeitet, um etwa Datenmodelle zu erzeugen. Diese Datenmodelle sind oft '''digitale Doppelgänger''', die durch Zusammensetzen - v.a. implizit - erhobener Daten konstruiert werden und den Nutzer bzw. die Nutzerin anhand spezifischer Merkmale modellhaft darstellt und widerspiegelt.

==== Explizit und implizit erhobene Daten ====
Im Konzept Datenbewusstsein wurden die Begrifflichkeiten der ''explizit'' und ''implizit erhobenen Daten'' eingeführt. Diese stehen in der Regel in der Verbindung zum Nutzenden - oft stellen sie personenbezogene Daten dar. Die '''explizit erhobenen Daten''' sind jene, die der Nutzende mit seiner Handlung intendiert erzeugt, also direkt und aktiv (i.d.R.) selbst eingegeben bzw. erzeugt hat. Darüber sind sich Nutzende in der Regel bewusst. Dies sind zum Beispiel bei Social Media Plattformen gepostete Texte und Bilder, bei einer Suchmaschine etwa der Suchbegriff oder beim Telefonieren über das Mobilfunknetz die Telefonnummer desjenigen, den man anrufen möchte. Im Gegensatz dazu, werden '''implizit erhobene Daten''' nebenher zur eigentlichen Handlung erhoben oder generiert - der Nutzende intendiert diese Datenerhebung also in der Regel nicht. Die implizite Datenerhebung geschieht durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes von und Klicks auf Beiträge, bei der Suchmaschine etwa Klicks auf Suchergebnisse oder beim Telefonieren über das Mobilfunknetz etwa Standortdaten der verbundenen Basisstationen.

==== Primäre und sekundäre Zwecke der Verarbeitung und Verwendung ====
Im Konzept Datenbewusstsein wurden ebenfalls die Begrifflichkeiten der ''primären'' und ''sekundären Zwecke'' der Verarbeitung und Verwendung erhobener Daten eingeführt. Diese beziehen sich auf die Verarbeitung und Verwendung von Daten über einen Nutzenden, die bei der Nutzung von datengetriebenen digitalen Artefakten erhoben werden. ''Primäre'' und ''sekundäre Zwecke'' beziehen sich auf die Intention, mit der diese zuvor erhobenen Daten verarbeitet und verwendet werden. '''Primäre Zwecke''' umfasst, dass die erhobenen Daten dazu verarbeitet und verwendet werden, um das datengetriebenen digitalen Artefakten mit den Features anbieten zu können. Diese beziehen sich auf einer Nutzerperspektive auf die Verarbeitung und Verwendung: Die Daten werden verarbeitet und verwendet, um Nutzenden Features anbieten zu können. Im Beispiel der Suchmaschine ist dies etwa das Anzeigen von Suchergebnissen. Auch inbegriffen wäre, wenn die Suchergebnisse personalisiert geordnet werden. Im Sinne des Features für den Nutzenden würde dies bedeuten, dass der Nutzende gerade die Ergebnisse angezeigt bekommt, die für ihn idealerweise relevant sind. '''Sekundäre Zwecke''' bedeuten, dass die Daten verarbeitet und verwendet werden, um andere/weitere Zwecke zu verfolgen – z.B. weitere wirtschaftliche oder wissenschaftliche Zwecke. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieterperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein Anbieter eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingdiensten (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.

==== Konstruktion von Datenmodellen über Nutzende ("digitaler Doppelgänger") ====
Für die Erhebung und Verarbeitung von Daten ist in dem Konzept Datenbewusstsein die Modellvorstellung eines '''digitalen Doppelgängers''' aufgenommen. Dieser beschreibt ein Modell eines Nutzenden, welches auf explizit und implizit erhobenen Daten über den Nutzenden sowie weitere hinzugezogene Daten (bspw. von anderen Nutzenden) basiert und erstellt wird. Ein digitaler Doppelgänger stellt somit eine Sammlung der erhobenen und generierten Daten über den Nutzenden dar. Wichtig zu beachten ist dabei, dass dieser nicht nur einem Profil, wie beispielsweise auf einer Social Media Plattform, entspricht, sondern auch Komponenten hat, die ein Nutzender in der Regel nicht ohne weiteres einsehen kann. Ein digitaler Doppelgänger einer Person wird mit denen anderer in Verbindung gebracht, um bestimmte Datenverarbeitungsprozesse umzusetzen, wie beispielsweise bei Methoden des maschinellen Lernens (exemplarisch im Unterrichtsmodul zu Empfehlungsdiensten aufgegriffen, s.u.). So kann ein digitaler Doppelgänger etwa auch Vorhersagen für das zukünftige Verhalten des Nutzenden enthalten.

==== Ziel von Datenbewusstsein ====
Das Konzept Datenbewusstsein zielt nun darauf ab, Lernende dazu zu befähigen, sich die Rolle der Daten bei der Interaktion mit einem datengetriebenen digitalen Artefakt bewusst zu machen, also sich etwa die Erhebung und Verwendung der Daten erklären zu können. Lernende sollen also während einer Interaktion mit einem datengetriebenen digitalen Artefakt in der Lage sein, vom eigentlichen Handlungsinteresse abzusehen und das explizite und implizite Erheben von Daten zu erkennen und zu überlegen, zu welchen primären und sekundären Zwecken diese verarbeitet werden können. Dadurch sollen die Lernenden befähigt werden, datengetriebene digitale Artefakte und die Interaktion mit diesen zu bewerten und letztendlich selbstbestimmt, bewusst und informiert mit diesen interagieren zu können.

Hinsichtlich der Leitfrage „''Wo, wie und wozu werden persönliche Daten gesammelt und verarbeitet?“'' könnten etwa folgende Fragen gestellt werden:

*'''Wo…?''' In welchen Interaktionen werden Daten gesammelt und verarbeitet?
*'''Wie…?''' Wie werden persönliche Daten in den Interaktionen mit einem datengetriebenen Informatiksystemen erhobenen und generierten und wie werden diese Daten verarbeitet? (bzw. wie können (automatisierte) Datenverarbeitungsprozesse aussehen?)
*'''Wozu…?''' Zu welchen Zwecken werden die Daten gesammelt und verarbeitet; ist es ein primärer Zweck zum Betreiben des datengetriebenen Informatiksystems oder ist es ein sekundärer Zweck?

==Unterrichtsmaterialien zur Förderung von Datenbewusstsein in allgemeinbildenden Schulen==
Neben dem Konzept Datenbewusstsein entwickeln wir ein Forschungsinstrument und beforschen damit verschiedene Unterrichtsmaterialien, die wir für die Förderung von Datenbewusstsein in den Klassen 5/6 und 8-10 allgemeinbildender Schulen entwickeln. Wir sind sehr an gemeinsamen Erprobungen der Unterrichtsmaterialien und Austausch über das Konzept Datenbewusstsein interessiert; kontaktieren Sie dazu gerne [https://www.uni-paderborn.de/person/58041/ Lukas Höper] aus der Didaktik der Informatik.

Nachfolgend listen wir die verschiedenen entwickelten Unterrichtsmaterialien für die Förderung von Datenbewusstsein auf.

*'''Unterrichtsmaterialien für die Jahrgangsstufen 5 und 6 aller Schulformen:'''
**Exploration von Standortdaten aus dem Mobilfunknetz in Klasse 5 und 6 ([https://www.prodabi.de/materialien/datenbewusstsein/ Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt]) ([[Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6|Link innerhalb des EduWikis]])
*'''Unterrichtsmaterialien für die Jahrgangsstufen 8 bis 10 aller Schulformen:'''
**[[Exploration von Standortdaten - Klasse 8 bis 10|Exploration von Standortdaten in Klasse 8 bis 10]] (''Hinweis:'' aktueller ist die Variante für Klasse 5 und 6)
**Exploration von Empfehlungsdiensten in Klasse 8 bis 10 (Darstellung der Veröffentlichungsversion aus dem ProDaBi-Projekt - Link folgt) ([[Exploration von Empfehlungsdiensten - Klasse 8 bis 10|Link innerhalb des EduWikis]])

==Quellen==
Detailliertere Beschreibungen und Diskussionen zu Datenbewusstsein sind etwa in folgenden deutschsprachigen Texten zu finden:

* Höper, L., & Schulte, C. (2021a). Datenbewusstsein: Aufmerksamkeit für die eigenen Daten. In L. Humbert (Hrsg.), ''Informatik—Bildung von Lehrkräften in allen Phasen: Bd. Lecture Notes in Informatics (LNI)'' (S. 73–82). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/infos2021_f235</nowiki>
* Höper, L., & Schulte, C. (2021b). Datenbewusstsein im Kontext digitaler Kompetenzen für einen selbstbestimmten Umgang mit datengetriebenen digitalen Artefakten. In Gesellschaft für Informatik e.V. (Hrsg.), ''INFORMATIK 2021''(S. 1623–1632). Gesellschaft für Informatik. <nowiki>https://doi.org/10.18420/informatik2021-136</nowiki>
* Höper, L., Schulte, C., & Benzmüller, C. (2024). Verantwortung. In U. Furbach, E. Kitzelmann, T. Michaeli, & U. Schmid (Hrsg.), ''Künstliche Intelligenz für Lehrkräfte'' (S. 219–236). Springer Fachmedien Wiesbaden. <nowiki>https://doi.org/10.1007/978-3-658-44248-4_16</nowiki>

[[Kategorie:Datenbewusstsein]]
[[Kategorie:Theoretischer Hintergrund]]
[[Kategorie:ProDaBi]]
[[Kategorie:Didaktik]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Glossar]]

Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip

2023-10-15T11:02:11Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip hoch

Datei:AB3 - Datenerhebung.docx

2023-10-15T10:59:17Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:AB3 - Datenerhebung.docx hoch

AB3 für Unterrichtsmodul "Exploration von Standortdaten - Klasse 5 und 6"

Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6

2023-08-07T13:00:30Z

Lukas Höper: /* Zusammenfassender Überblick über das Unterrichtsmodul */

'''Hinweis: Dieses Unterrichtsmodul wird von uns aktuell im Rahmen unserer Forschung evaluiert sowie überarbeitet. Dafür suchen wir nach interessierten Lehrkräften, die uns bei den Erprobungen unterstützen - melden Sie sich dafür gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Medium:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}

Daten spielen im alltäglichen Leben in der digitalen Welt bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul wird das Mobilfunknetz als Beispiel für ein solches [[datengetriebenes digitales Artefakt]] aufgegriffen. Bei dessen Nutzung (z.B. Telefonieren oder SMS-Schreiben) werden verschiedene Daten explizit und implizit erhoben, wie etwa Standortdaten der Basisstationen, mit denen die Nutzerinnen und Nutzer verbunden sind. Anhand dieses Beispiels soll in diesem Unterrichtsmodul das [[Datenbewusstsein]] der Schülerinnen und Schüler gefördert werden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Standortdaten aus dem Mobilfunknetz

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Standortdaten, Mobilfunknetz

'''Zielgruppe:''' Informatik in Klasse 5 und 6 (alle Schulformen) - Anknüpfungen an den Politik- und Philosophieunterricht möglich

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (insbesondere der Schwerpunkt: [[Datenbewusstsein]]), "Daten und Information", "Informatiksysteme"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer bzw. mit Web-Anwendungen vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs (insb. Daten vs. Information – s. Inhaltsfeld „Information und Daten“) wünschenswert, entsprechende Erklärungen könnten aber auch in diesem Modul integriert werden.

'''Zeitlicher Umfang:''' 4 bis 6 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten, eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus drei Teilen zusammen und thematisiert als Beispielanwendung die Erhebung und Verarbeitung von Standortdaten exemplarisch bei der Nutzung des Mobilfunknetzes und weiterführend in anderen Alltagskontexten der Lernenden.

'''Im ersten Teil''' wird das Mobilfunknetz als Kontext eingeführt und der Aufbau und die Funktionsweise dessen am Beispiel des Telefonierens mit dem Handy erarbeitet. Dabei wird außerdem hergeleitet, welche persönlichen Daten dabei erhoben und wozu diese primär verwendet werden. Zum Beispiel ist das der Standort einer Basisstation im Mobilfunknetz, mit der Nutzende verbunden sind. Diese Standortdaten sind etwa dafür nötig, um ein effizientes Herstellen einer Mobilfunkverbindung zu gewährleisten (primärer Verwendungszweck der erhobenen Standortdaten).

'''Im zweiten Teil''' werden gegebene Daten aus dem Mobilfunknetz herangezogen. Diese echten Daten einer Person enthalten u.a. Standortdaten (umfassendere Erklärung der Daten s.u. und in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzenden Informationen zum Unterrichtsmodul]]). Die Lernenden analysieren diese Standortdaten mittels einer bereitgestellten Web-Anwendung hinsichtlich der Fragestellung, welche Informationen über eine Person aus Standortdaten gewonnen werden können. Dabei charakterisieren sie die ihnen unbekannte Person, indem sie einen Steckbrief erstellen. Es wird darauf eingegangen, warum ein solches Profiling nach deutschen Gesetzen verboten ist – mit strengen genehmigungspflichtigen Ausnahmen für spezielle Zwecke (z.B. Strafverfolgungszwecke). Die Lernenden verstehen diese Gründe besser, weil sie exemplarisch erfahren haben, was man aus solchen Daten schließen könnte.

'''Im dritten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Standortdaten erhoben werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy (u.a. auch auf der Basis von GPS-Daten). Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung personenbezogener Standortdaten diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit diesen datengetriebenen Anwendungen zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den drei Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus Nutzendem und dem Mobilfunknetz als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch die Erkundung des Aufbaus und der Funktionsweise des Mobilfunknetzes '''im ersten Teil''' können die Lernenden anhand einer enaktiven Simulation mit einem Puzzle die [[Datenbewusstsein|explizite und implizite Erhebung]] persönlicher Daten in diesem Beispiel untersuchen. Anschließend wird exemplarisch bei der Erhebung der Standortdaten der primäre Verwendungszweck untersucht. Die implizit erhobenen Standortdaten werden zum Herstellen einer Mobilfunkverbindung (z.B. beim Telefonieren) notwendigerweise verarbeitet ([[Datenbewusstsein|primärer Zweck]]). '''Im zweiten Teil''' explorieren die Lernenden gegebene Standortdaten aus dem Mobilfunknetz zu einem ausgedachten [[Datenbewusstsein|sekundären Zweck]], indem sie eine Person anhand ihrer Standortdaten charakterisieren ([[Datenbewusstsein|Konstruktion eines digitalen Doppelgängers eines Nutzenden]]). Dazu explorieren sie die Standortdaten in einer gegebenen Web-Anwendung und erstellen einen Steckbrief. So wird der Frage nachgegangen, welche Informationen über eine Person anhand von Standortdaten gewonnen werden können. Diese exemplarische Datenauswertung ist für einen deutschen Mobilfunkanbieter stark reguliert, was im Anschluss daran aufgegriffen und reflektiert werden kann. Dabei können auch weitere Beispiel sekundärer Verwendungszwecke der im Mobilfunknetz erhobenen Daten aufgegriffen werden (s.u., weitere sekundäre Zwecke). '''Im dritten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den drei Teilen dieses Unterrichtsmodul werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
** Die Lernenden erkennen den groben Aufbau und die grundlegende Funktionsweise eines Mobilfunknetzes, indem sie exemplarisch das Telefonieren im Mobilfunknetz anhand eines Puzzles simulieren und erklären.
** Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und erkennen, welche Daten bei der Nutzung des Mobilfunknetzes explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch für die implizite Erhebung von Standortdaten die Notwendigkeit der Verarbeitung dieser Daten (primärer Zweck).
* '''Teil 2: Exploration gegebener Standortdaten'''
** Die Lernenden erklären das Vorgehen zur Exploration von Standortdaten mithilfe der gegebenen Standortdaten und können wesentliche Schritte beschreiben.
** Die Lernenden ermitteln persönliche Informationen über eine ihnen unbekannte Person, indem sie gegebene Standortdaten mit einer Web-Anwendung explorieren (sekundärer Zweck).
* '''Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf ein weiteres Beispiel eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

*'''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
**Wie funktioniert das Mobilfunknetz und welche Daten werden bei der Nutzung (z.B. beim Telefonieren) explizit und implizit erhoben?
**Warum sind die implizite Erhebung und schließlich die Verarbeitung der Standortdaten nötig? (primärer Zweck)
*'''Teil 2: Exploration gegebener Standortdaten'''
**Welche Erkenntnisse können über eine Person durch die Auswertung ihrer Standortdaten gewonnen werden? (sekundärer Zweck)
*'''Teil 3: Weitere Kontexte zur Erhebung und Verarbeitung von Standortdaten'''
**In welchen anderen Kontexten werden Standortdaten erhoben und wozu werden sie dort verwendet?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Standortdatenmodul 5-6 - Überblick gekürzt.png|zentriert|mini|780x780px|Überblick über das Unterrichtsmodul]]

==Überblick über den Unterrichtsverlauf==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier: [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Ergänzende Informationen]].

{| class="wikitable"
|+
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Als Unterrichtsgespräch wird gemeinsam ein (Gedanken-) Experiment zum Herstellen einer Mobilfunkverbindung beim Telefonieren durchgeführt: (1) Von einem Handy wird ein zweites Handy angerufen – Was passiert dabei? (2) Was passiert nun, wenn ein Handy in einer Metallbox liegt? (3) Was passiert nun, wenn beide Handys zusammen in einer Metallbox liegen?

Gemeinsam wird die Frage erarbeitet, wie das Mobilfunknetz aufgebaut ist und welche Schritte zum Herstellen einer Mobilfunkverbindung nötig sind.

Didaktischer Kommentar:

Es werden eigene Erfahrungen der Lernenden zur Nutzung des Mobilfunknetzes aufgegriffen (aus Nutzerperspektive). Außerdem soll eine Neugierde an dem Aufbau und der genauen Funktionsweise des Mobilfunknetzes (aus Anbieterperspektive) geweckt werden. Daraus resultierend wird die Frage nach dem Aufbau und der Funktionsweise des Mobilfunknetzes aufgestellt. Das (Gedanken-) Experiment hilft dabei, die Frage nach den „Schritten bzw. Stationen zwischen den beiden Handys“ aufzuwerfen.
|
*Aktivierung von Vorkenntnissen zum Mobilfunknetz (i.d.R. aus Nutzerperspektive)
*Wecken von Neugierde an dem Aufbau und der Funktionsweise des Mobilfunknetzes
|[[Medium:Datenbewusstsein Standortdatenmodul Folien Gedankenexperiment Mobilfunknetz.pptx|Unterstützende Folien für das (Gedanken-) Experiment]] (alternativ auch zwei Handys und eine Metallbox)
|-
|'''1b'''
|'''Erarbeitung des Aufbaus und der Funktionsweise des Mobilfunknetzes:'''
Gemeinsam oder in Einzelarbeit wird ein Überblicksvideo zum Aufbau und der Funktionsweise des Mobilfunknetzes geschaut (ggf. mehrere Durchläufe). Die Lernenden notieren dabei Informationen zu Komponenten des Mobilfunknetzes (AB1), im Wesentlichen sind das: die mobilen Endgeräte, Basisstationen mit Mobilfunkantennen und entsprechenden Funkzellen, Vermittlungsstellen mit Datenbanken (hier Datenspeicher genannt). Danach werden die Begrifflichkeiten der Komponenten des Mobilfunknetzes im Plenum besprochen und gesichert. Anschließend wird mit einem Puzzle der vereinfachte Aufbau des Mobilfunknetzes rekonstruiert sowie die Funktionsweise mit zwei Szenarien erarbeitet und erste Ideen bezüglich der Datenerhebung entwickelt (AB2). [[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|zentriert|mini|334x334px|Lösung des Puzzles]]Anhand der beiden Szenarien erarbeiten die Lernenden, welche (persönlichen) Daten bei der Nutzung des Mobilfunknetzes (am Beispiel des Telefonierens) erhoben werden können und auch müssen (AB2). Diese Ideen für die erhobenen Daten werden in einem Unterrichtsgespräch gesammelt. Dabei wird auf den Datenbegriff eingegangen, inwiefern in diesem Beispiel Informationen als Daten aufgefasst werden (z.B. der Standort als Zahlenpaar von Längen- und Breitengrad). Anschließend werden die Begriffe der expliziten und impliziten Datenerhebung eingeführt (AB3). Die Lernenden ordnen die bei der Nutzung des Mobilfunknetzes erhobenen Daten diesen beiden Arten zu (Aufgabe 1 auf AB3). Diese Anwendung der Begrifflichkeiten wird anschließend gesichert. Danach bewerten die Lernenden die Verwendung der Standortdaten für den primären Zweck des Herstellens der Mobilfunkverbindung und entwickeln Ideen für sekundäre Zwecke (AB3). In der Sicherung der Bearbeitung des AB3 werden die Begrifflichkeiten der primären Zwecke (Aufgabe 2) und der sekundären Zwecke (Aufgabe 3) eingeführt (s. Begriffserklärung bei [[Datenbewusstsein]]).

Didaktischer Kommentar:

Die Architektur und Relevanz (s. Glossar in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzende Informationen]]) des Mobilfunknetzes wird in dieser Phase erarbeitet. Der gegebene Interaktionskontext wird dann hinsichtlich der explizit und implizit erhobenen Daten untersucht (zusätzliche Ideen für erhobene Daten können hinsichtlich der Notwendigkeit bewertet werden). Die Lernenden begründen zusätzlich die Verarbeitung der Standortdaten zum primären Zweck der Herstellung einer Mobilfunkverbindung. Sekundäre Zwecke werden in diesem Teil zunächst oberflächlicher aufgegriffen, sodass lediglich erste Ideen für mögliche sekundäre Zwecke entwickelt werden. In diesem Teil lernen die Lernenden die Begrifflichkeiten zu den Arten der Datenerhebung (explizite und implizite Datenerhebung) sowie zu den Typen der Zwecke für die Verwendung und Verarbeitung der Daten (primäre und sekundäre Zwecke) kennen. Diese werden sie in den nächsten Phasen wieder aufgreifen und dienen zur Erklärung der Rolle von Daten in einem solchen Interaktionssystem. In dem zweiten Teil wird ein eher fiktives Beispiel eines sekundären Zwecks näher thematisiert, sodass dieser Aspekt als Überleitung in den zweiten Teil dienen kann.
|
*Verstehen der Architektur und Relevanz (s. Glossar) des Mobilfunknetzes (grob)
*ggf. Kennenlernen des Begriffs Daten exemplarisch an den hier erhobenen Daten; ansonsten Anwendung der Kenntnisse zum Datenbegriff (s. Glossar)
*Einführung der Begrifflichkeiten „explizit und implizit erhobene Daten“ und identifizieren von explizit und implizit erhobene Daten in diesem Beispiel
*Beschreiben des primären Zwecks der Verarbeitung und Verwendung der Standortdaten
|[https://www.youtube.com/watch?v=76MD2s2P-DU#action=share Erklärvideo] ([https://www.youtube.com/watch?v=4NOizoHEgF0 Alternative]), [[Medium:Druckvorlage für 2 Puzzle.pdf|Puzzle]], [[Medium:AB1 - Video zum Aufbau Mobilfunknetz.docx|AB1]], [[Medium:AB2 - Niveau 1 - Aufbau und Funktionsweise.docx|AB2 - Niveau 1]], [[Medium:AB2 - Niveau 2 - Aufbau und Funktionsweise.docx|AB2 - Niveau 2]], [[Medium:AB2 - Sprinteraufgabe - Aufbau und Funktionsweise.docx|AB2 - Sprinteraufgabe]] (optional), [[Medium:AB3 - Datenerhebung.docx|AB3]]
|-
| colspan="4" |'''<center><big>Teil 2: Exploration gegebener Standortdaten</big></center>'''
|-
|'''2a'''
|'''Vorbereitung der Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
Zunächst werden die Mobilfunkdaten von Malte Spitz eingeführt (s.u.), welche u.a. Zeitstempel, genutzte Dienste und Standortdaten enthalten. Dabei sollten keine Hinweise dazu gegeben werden, welche Person das ist. Lediglich sollte angemerkt werden, dass diese Daten in einem halben Jahr von einer Person erhoben wurden. Diese Einführung kann etwa anhand der Datentabelle (beiliegende pdf) geschehen, welche dann auch besprochen werden sollte (Bezug zu Aufgaben 4 und 5 auf AB2 gut möglich).

Anschließend wird im Plenum auf folgende Leitfrage hingeführt: Was könnte man über eine Person herausfinden, wenn man diese Daten hätte?

Bevor die gegebenen Mobilfunkdaten (insb. Standortdaten) mithilfe einer Web-Anwendung exploriert werden, sollten die Lernenden zu dieser Leitfrage Vermutungen äußern, was man mit diesen Daten herausfinden könnte.

Anschließend wird in die interaktive Web-Anwendung eingeführt, in der diese Standortdaten exploriert werden können (Beschreibung dessen s.u.). Dazu könnten die Lernenden etwa zunächst die Anwendung selbst ausprobieren, bevor dann im Plenum anhand eines gemeinsamen Beispielfrage die Daten exploriert werden. An dem gemeinsamen Beispiel sollte das Vorgehen zum Explorieren vermittelt werden, welches die Lernenden in der nächsten Phase selbst durchführen: (1) Fragestellung entwickeln (z.B. Wo wohnt die Person vermutlich?), (2) entscheiden für zu setzende Filter in der Web-Anwendung (z.B. Zeitraum von 3 bis 4 Uhr), (3) visualisieren und untersuchen der Standortdaten auf der Karte, (4) interpretieren der Daten und Beantwortung der Fragestellung (z.B. Die Person wohnt in Berlin in der Nähe der Zehdenicker Straße) (Detailliertere Beschreibung von Beispielen s. Abs. 9.4). Das Vorgehen für eine Fragestellung kann auch ein „Ausprobieren“ verschiedener Filter umfassen.

Didaktischer Kommentar:

Mit den verfügbaren Mobilfunkdaten kann exemplarisch dafür sensibilisiert werden, wie viele Daten bei der Nutzung des Mobilfunknetzes erhoben und generiert werden.

Bezüglich dieser Daten sollte stets darauf geachtet werden, dass diese die Standorte der Basisstationen und eben keine GPS-Daten o.ä. darstellen und somit eine gewisse Ungenauigkeit besitzen (s. Beschreibung den ergänzenden Informationen). Das Explorieren der Standortdaten zum Erstellen einer modellhaften Charakterisierung der Person (vgl. der Idee des [[Datenbewusstsein|digitalen Doppelgängers]]) stellt einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten dar. Dieser Zweck sollte nicht als reale Verwendung und Verarbeitung dargestellt werden, aber als mögliche, wenn diese Daten weitergegeben werden, was in Phase 2c vertiefend diskutiert wird. In dieser Phase wird das Explorieren der Daten erstmal nur eingeführt, woraufhin die Lernenden in der nächsten Phase die Daten mit der Web-Anwendung selbstständig explorieren.
|
* Verständnis für die erhobenen Daten in diesem Interaktions-kontext und die Menge der Daten für eine Person verbessern und veranschaulichen
* Umgang mit dem Datenbegriff und der Repräsentation von Daten exemplarisch für die Datentabelle und Karte üben
* Vorgehen für die Datenexploration exemplarisch für die Standortdaten mit einer Web-Anwendung kennenlernen
* Verstehen der Charakterisierung der Person als einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten (fiktiver Zweck)

|[[Medium:Tabelle der vorhandenen Standortdaten.pdf|Tabelle der vorhandenen Standortdaten]], Web-Anwendung (s.u.), [[Medium:Hilfszettel - Interaktive Web Anwendung.docx|Hilfszettel für die Web-Anwendung]],
[[Medium:Zusatzmaterial - Hinweise zum Starten der Web-Anwendung.pdf|Hinweisblatt zum Starten der Web-Anwendung]]
|-
|'''2b'''
|'''Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
In Gruppen explorieren die Lernenden eigenständig die Standortdaten mithilfe der Web-Anwendung. Dabei erstellen sie als Gruppe einen gemeinsamen digitalen Doppelgänger der Person in Form eines Steckbriefs. Dieser charakterisiert die ihnen unbekannten Person, etwa mit Interpretationen zum Wohnort, dem Arbeitsort oder Freizeitaktivitäten (AB4). Dazu können sich die Lernenden innerhalb einer Gruppe arbeitsteilig mit verschiedenen Fragestellungen befassen, um gemeinsam eine umfassendere Charakterisierung vornehmen zu können. Während der Explorationsphase in den Gruppen kann den Lernenden optional die Möglichkeit gegeben werden, weitere Kontextinformationen heranzuziehen, wie etwa was sich an einem bestimmten Ort befindet oder was ein bestimmtes Unternehmen macht – die Lernenden würden damit den Kontext explorieren.

In der anschließenden Auswertung der Gruppenergebnisse werden die verschiedenen Interpretationen diskutiert und zusammengeführt, wobei die Lernenden ihre Interpretationen begründen sollen. Dabei kann auch diskutiert werden, wie sicher sich die Lernenden mit einer bestimmten Interpretation sind. Außerdem kann die Subjektivität der Interpretationen gemeinsam diskutiert werden, indem das Kontextwissen aufgegriffen wird, mit dem die Lernenden auf eine bestimmte Interpretation gekommen sind – gerade bei unterschiedlichen Interpretationen gut thematisierbar. In der Sicherung sollte das Konzept des digitalen Doppelgängers (auf AB4 eingeführt) besprochen werden.

Didaktischer Kommentar:

Durch das Filtern als [[Data Moves|Data Move]] beim Explorieren können bereits einige Informationen über die Person gefunden werden. Die Interpretationen bei der Charakterisierung durch die Lernenden beruhen auf individuellem Kontextwissen und sind somit subjektiv. Das führt zum Auftreten konträrer Interpretationen, welche gewinnbringend diskutiert werden können und müssen. Beachtet werden sollte auch, dass die Charakterisierungen bzw. Steckbriefe einen modellhaften Charakter haben, der durch die ausgewählten Merkmale in den verfügbaren Daten bestimmt wird und kein allumfassendes Abbild der Person darstellt.
|
*Subjektiven Charakter von Informationen durch die Interpretation verstehen (im Gegensatz zu Daten)
*Umfang der Charakterisierung einer Person anhand der Exploration von Standortdaten erkennen
*Vorstellung des Digitalen Doppelgängers als modellhafte Charakterisierung einer Person kennenlernen
*Üben des Vorgehens zur Exploration der Daten

|Web-Anwendung (s.u.), [[Medium:AB4 - Personensteckbrief.docx|AB4]]
|-
|'''2c'''
|'''Reflexion und Bewertung:'''
Die Erhebung und Verarbeitung persönlicher Daten bei der Nutzung des Mobilfunknetzes wird nun im Unterrichtsgespräch reflektiert und anschließend durch die Lernenden bewertet. An dieser Stelle sollte darauf eingegangen werden, dass ein deutscher Mobilfunkanbieter die erhobenen Daten auf dieser Art und Weise zur Charakterisierung der Personen nicht ohne weiteres nutzen darf. Mithilfe der Erfahrungen aus der Exploration kann diese Regulierung auch von den Lernenden exemplarisch nachvollzogen werden.

''Optionale Ergänzung für höhere Jahrgangsstufen (z.B. Mittelstufe): Die Lernenden könnten in den Quellen aus den ergänzenden Informationen reale Beispiele für die sekundären Zwecke der Verarbeitung und Verwendung der Standortdaten durch Mobilfunkanbieter im Rahmen einer Recherche untersuchen. Dazu könnten sich die Lernenden in Gruppen einem der beiden Beispiele widmen und sich diese als Gruppenpuzzle gegenseitig vorstellen. Anschließend könnten diese diskutiert und bewertet werden, zum Beispiel indem eine Abwägung von Kosten (Preisgabe vieler persönlicher Informationen) und Nutzen (Vorteile für den Betrieb des Mobilfunknetzes und für gesellschaftliche Belange) vorgenommen wird.''

Didaktischer Kommentar:

Es sollte zum einen darauf geachtet werden, dass nicht die Fehlvorstellung entwickelt wird, dass Mobilfunkanbieter die Standortdaten einer Einzelperson tatsächlich so auswertet. Zum anderen sollte deutlich werden, dass die Standortdaten hier notwendigerweise erhoben werden (etwa für den primären Zweck) und die Regulierung auch sinnvoll sein kann.

''Die optionale Erarbeitung der Beispiele für reale sekundäre Zwecke der Verarbeitung und Verwendung von Standortdaten durch Mobilfunkanbieter kann den Lernenden einen differenzierten Blick geben, wofür diese Standortdaten tatsächlich genutzt werden und dass es dafür durchaus auch gute Zwecke gibt.''
|
*Reflektieren der Erkenntnisse zur Erhebung und Verarbeitung der Daten (v.a. Standortdaten) im Beispiel des Mobilfunknetzes und bewerten dessen
|
|-
|'''2d'''
|'''''Mögliche Hausaufgabe zur individuellen Reflexion:'''''
''Die Lernenden formulieren ein persönliches Fazit zur Erhebung und Verarbeitung der Daten im Mobilfunknetz und begründen dies (z.B. als Essay). Dabei sollen sie eine persönliche Bewertung vornehmen, die z.B. auch Folgerungen für eigenes Handeln beinhalten kann. Die Aufgabe kann alternativ auch am Ende dieser Phase (dann auch allgemeiner zu allen thematisierten Kontexten) eingegliedert werden.''
|
* Festhalten einer Bewertung (z.B. durch Abwägung) der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz (alternativ: in den thematisierten Kontexten)
|
|-
| colspan="4" |'''<center><big>Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten</big></center>'''
|-
|'''3a'''
|'''Identifizieren weiterer Kontexte im Alltag der Lernenden:'''
Im Plenum werden weitere Interaktionskontexte aus dem Alltag der Lernenden gesammelt, in denen ebenfalls Standortdaten erhoben und verarbeitet werden. Dabei sollte beachtet werden, dass es auch andere Standortdaten gibt (Mobilfunknetz: Standorte der Basisstationen; andere Kontexte: z.B. GPS-Daten; s. Erklärung in den ergänzenden Informationen). In der nächsten Phase werden dann ausgewählte Beispiele näher untersucht.

Didaktischer Kommentar:

In dieser Phase geht es nicht um die genaue Rekonstruktion verschiedener weiterer Kontexte hinsichtlich der Datenerhebung und -verarbeitung, dies passiert in der nachfolgenden Phase. Es geht zunächst erstmal darum, weitere Kontexte, in denen Standortdaten von Nutzenden erhoben werden, zu identifizieren und zu beschreiben. Dadurch sollen die Lernenden einen breiteren und differenzierteren Blick für die Rolle von Standortdaten im eigenen Alltag entwickeln und datengetriebene digitale Artefakte, die Standortdaten erheben, eher erkennen.
|
*Erkennen weiterer Interaktionskontexte aus dem eigenen Alltag, in denen Standortdaten erhoben und verarbeitet werden
|
|-
|'''3b'''
|'''Anwendung und Bewertung:'''
In dieser Phase wenden die Lernenden die erlernten Perspektiven bezüglich der Facetten von [[Datenbewusstsein]] auf weitere Beispiele aus ihrem Alltag an, in denen Standortdaten eine Rolle spielen (also: explizite und implizite Datenerhebung, primäre und sekundäre Zwecke, digitaler Doppelgänger). Dafür schlagen wir zwei Varianten vor, die in Abhängigkeit von der Lerngruppe gewählt werden können.

'''''Variante 1: „Explorationsprotokoll“ (relativ offen)'''''

Die Lernenden wählen ein datengetriebenes digitales Artefakt aus, bei dem Standortdaten von den Nutzenden erhoben und verarbeitet werden, und untersuchen bei diesem die Rolle der Daten hinsichtlich der Facetten von Datenbewusstsein. Dafür erstellen sie auf dem AB5a eine Art Protokoll als Übersicht zu diesem gewählten Interaktionskontext. Anschließend stellen sich die Lernenden ihre Beispiele gegenseitig vor. Die Lernenden nehmen im Anschluss für diese Beispiele eine begründete Bewertung hinsichtlich der Erhebung und Verwendung von Daten vor. Ausgehend von der expliziten und impliziten Datenerhebung (oder auch Wissen über Einstellungsmöglichkeiten) können ggf. auch Ideen für Handlungsmöglichkeiten gesammelt werden (z.B. Einschränkung der Datenerhebung oder bestimmter Zwecke für die Verwendung der Daten, Änderung des eigenen Verhaltens hinsichtlich der Nutzung von Features, …).

'''''Variante 2: Gruppenpuzzle zu weiteren Kontexten mit gegebenen Informationen'''''

Die Lernenden erarbeiten in Expertengruppen einen Kontext für die Interaktion mit einem datengetriebenen digitalen Artefakt, das Standortdaten erhebt. Dafür sind drei Gruppen vorbereitet: Eine Gruppe zu Google Maps, eine zu Snapchat und eine zu WhatsApp. Die Lernenden bearbeiten als Gruppe zunächst das jeweilige Arbeitsblatt und befassen sich dabei mit der Rolle von Daten in dem jeweiligen Kontext. Anschließend wird im Sinne eines Gruppenpuzzles die Zusammensetzung der Gruppen geändert, sodass in einer Gruppe mindestens on jeder Expertengruppe ein Lernender vertreten ist. In diesen gemischten Gruppen bearbeiten die Lernenden das Arbeitsblatt AB5b mit dem Vermerk Gruppenpuzzlediskussion. Dieses leitet die Lernenden an, ihre Ergebnisse aus den Expertengruppen auszuwerten. Außerdem diskutieren sie in der Gruppe Handlungsmöglichkeiten basierend auf den vorherigen Ergebnissen der Gruppen.

Im Plenum wird die Auswertung und Diskussion aus den gemischten Gruppen im Plenum besprochen und ausgewertet. Im Sinne einer Sicherung sollte dabei angestoßen werden, dass die Lernenden ein persönliches Fazit zu der Interaktion mit den exemplarischen datengetriebenen digitalen Artefakten formulieren bzw. eine Haltung dazu entwickeln.

Didaktischer Kommentar:

Die Lernenden sollten in dieser Anwendungs- und Bewertungsphase einen breiteren Blick für die Erhebung und Verarbeitung von Standortdaten in ihrem Alltag entwickeln. Dabei sollten sie auch die Erhebung von Standortdaten in den verschiedenen Kontexten und verschiedene Zwecke der Verarbeitung und Verwendung beschreiben können.

Dies soll durch den Perspektivwechsel von Nutzenden zu Anbietern von datengetriebenen digitalen Artefakten unterstützt werden. Außerdem entwickeln sie ausgehend von dieser Perspektive und basierend auf den Facetten von Datenbewusstsein Ideen für Handlungsmöglichkeiten im Rahmen der Interaktion mit einem datengetriebenen digitalen Artefakt. Dies soll dazu führen, dass sich die Lernenden als handlungsfähig wahrnehmen und keine resignierte Haltung entwickeln. In beiden Varianten sollten die Lernenden eine persönliche (begründete) Bewertung bzw. Haltung zu datengetriebenen digitalen Artefakten in den verschiedenen Interaktionskontexten vornehmen und sich selbst dazu positionieren.
|
*Wechsel der Perspektive eines Nutzenden zu einem Anbieter eines datengetriebenen digitalen Artefakts
*Anwendung der Perspektiven zu den Facetten von Datenbewusstsein auf weitere Beispiele aus dem eigenen Alltag
*Bewertung der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz und weiteren Kontexten (v.a. individuell, lerngruppenabhängig auch auf einer gesellschaftlichen Ebene)
*Reflektieren der Erhebung und Verarbeitung von Standortdaten im eigenen Alltag
*Reflektieren der eigenen Handlungsfähigkeit im Rahmen der Interaktionen mit datengetriebenen digitalen Artefakten

|'''Für Variante 1:'''
[[Medium:AB5a - Weitere Kontexte mit Explorationsprotokoll.docx|AB5a]]

'''Für Variante 2:'''

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Gruppenpuzzlediskussion.docx|AB5b - Gruppenpuzzle-diskussion]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Google Maps.docx|AB5b - Gruppe Google Maps]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Snapchat.docx|AB5b - Gruppe Snapchat]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - WhatsApp.docx|AB5b - Gruppe WhatsApp]]
|}

==Beschreibungen ausgewählter Materialien==

===Puzzle zum Aufbau und der Funktionsweise des Mobilfunknetzes===
[[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|mini|465x465px|Beispiellösung für das Puzzle in analoger Version]]
[[Datei:Exploration Standortdaten Kalsse 8 bis 10 - Puzzle.png|mini|504x504px|Digitale Version des Puzzles zum kollaborativen Bearbeitung des Puzzles|alternativtext=|verweis=https://unterrichtsmaterial-ddi.cs.upb.de/Datei:Exploration_Standortdaten_Kalsse_8_bis_10_-_Puzzle.png]]

====Puzzleteile:====

=====Personenplättchen:=====
Die drei Personenkärtchen stellen symbolisch die drei Personen mit ihren Handys bzw. mobilen Stationen dar. Diese spielen in den Simulationen der Funktionsweise des Mobilfunknetzes in der zweiten Aufgabe des Arbeitsblattes 2 eine große Rolle.

=====Elemente des Mobilfunknetzes:=====
In dem Puzzle kommen stellvertretend für das reduzierte Mobilfunknetz neben den Personenplättchen vier Puzzleteile vor: 1) Antenne + Basisstation (viermal), 2) Vermittlungsstelle, 3) Datenspeicher, 4) Internet.

Eine detaillierte Beschreibung des Mobilfunknetzes und der jeweiligen Elemente findet sich in dem zuvor verlinkten [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Dokument zu ergänzenden Hintergrundinformationen]].

Nachfolgend wird eine Lösung des Puzzles beschrieben. Die Puzzleteile sind, wie dort dargestellt, auf der Puzzlevorlage (s.u.) abzulegen, um das Mobilfunknetz adäquat darzustellen und die Funktionsweise daran zu simulieren. Die Schnittstelle zwischen Vermittlungsstelle und Datenbank wurde zur Reduktion der Komplexität durch eine direkt verbundene Anordnung ersetzt. Die Vermittlungsstelle und die Datenbank sind also als zwei verknüpfte Elemente zu verstehen. Das Puzzleteil Internet (4) steht in äußerst abstrakter Art und Weise stellvertretend für die Verbindung zwischen Vermittlungsstelle und „dem Internet“. Die Thematisierung des, wenn auch grundlegenden, Aufbaus des Internets in diesem Unterrichtsmodul würde im Sinne der Komplexität zu weit führen. (Denkbar wäre an dieser Stelle jedoch in Abhängigkeit der Lerngruppe ein sehr kurzer Exkurs zum Aufbau des Internets.)

====Puzzlevorlage:====
Die Puzzleteile und Personenplättchen werden in der ersten Aufgabe des Arbeitsblattes 2 im Sinne einer Rekonstruktion des Aufbaus des Mobilfunknetzes auf einer Puzzlevorlage abgelegt. Die Puzzlevorlage wird die Lernenden gemeinsam mit den Puzzleteilen und dem Arbeitsblatt 2 ausgehändigt. In durchgeführten Erprobungen des Unterrichtsmoduls hat sich gezeigt, dass es ratsam ist, die Materialien des Puzzles bereits zuvor ausgeschnitten in den Unterricht mitzubringen, um die effektive Lernzeit nicht wesentlich zu verkürzen, ein Ausschneiden im Unterricht durch die Schülerinnen und Schüler ist unter Umständen auch möglich.

====Lösung des Puzzles:====
Eine mögliche Lösung für das Puzzle in dem nebenstehendem Bild dargestellt. Variationen bestehen lediglich in der Wahl der Funkzellen, in denen sich die drei Personen aufhalten. Die Elemente des Mobilfunknetzes (graue Puzzleteile) sollten nicht anders gewählt werden. Die Pfeile werden in der zweiten Aufgabe des Arbeitsblattes 2 auf das Puzzle gelegt, um das Herstellen einer Verbindung im Mobilfunknetz nachzustellen. Dazu werden zwei Szenarien zum Telefonieren (Situation 1: orangene Pfeile, Situation 2: grüne Pfeile) aufgegriffen. Optional kann ein drittes Szenario zum ''Aufrufen einer Internetseite'' (blaue Pfeile) als „Sprinteraufgabe“ bearbeitet werden. Die Pfeilrichtung stellt vereinfacht das Senden von Datenpaketen bei der Anfrage der jeweiligen Mobilfunkverbindung dar.

===Hinweise zu den explorierten Daten von Malte Spitz===
Die Standortdaten wurden während der Nutzung des Mobilfunknetzes von einem Mobilfunkanbieter erhoben. Die Datensätze wurden aus Gründen des Datenschutzes gefiltert, sodass nicht alle erhobenen Daten in der Tabelle aufgefasst werden und die Tabelle somit lediglich als Ausschnitt der erhobenen Daten bezeichnet werden sollte. Die Daten gehören zu einer Einzelperson – genauer zum Politiker Malte Spitz. Veröffentlicht wurden sie gemeinsam mit ''Zeit Online'' im Kontext des Diskurses um die Vorratsdatenspeicherung. Die inbegriffenen Daten umfassen einen Zeitraum zwischen September 2009 und Februar 2010. Bei der Interpretation der auf der Karte visualisierten Standortdaten sollte gegebenenfalls berücksichtigt werden, dass es sich um inzwischen ältere Daten auf einer aktuellen Karte handelt und somit die weiteren Hinweise auf der Karte (z.B. Cafe, Restaurant, Firmen) nicht unbedingt immer stimmen müssen. Dies hindert den Erkenntnisgewinn der Lernenden aus unserer Sicht jedoch nicht.

'''Weiterführende Quellen zu den Daten:'''

https://www.zeit.de/digital/datenschutz/2011-02/vorratsdaten-malte-spitz

https://www.zeit.de/datenschutz/malte-spitz-vorratsdaten

===Interaktive Web-Anwendung===
[[Datei:Exploration von Standortdaten - Web-Anwendung.png|Ausschnitt der gestarteten interaktiven Web-Anwendung zu diesem Unterrichtsmodul (Stand: Mai 2021)|alternativtext=|mini|591x591px]]Für das Unterrichtsmodul haben wir eine interaktive Webanwendung entwickelt. Diese ist unter folgendem Link erreichbar: [https://go.upb.de/ExplorationStandortdaten go.upb.de/ExplorationStandortdaten] (ggf. sind Login-Daten nötig: user ''jupyter'' und PW ''upb_jupyter'')

Sie basiert auf einem Jupyter Notebook und ist mit Python entwickelt worden. Von den Lernenden werden hingegen keine Kenntnisse im Umgang mit Jupyter Notebooks sowie keinerlei Programmierkenntnisse vorausgesetzt.

Zunächst müssen die Standortdaten eingelesen werden, was über den Button ''Lade die Standortdaten'' geht. Prinzipiell ist es auch möglich eigene Standortdaten einzuladen bzw. die Anwendung, um diese zu erweitern, die an dieser Stelle ausgewählt werden könnten.

Nach Laden der Standortdaten wird die Bedienoberfläche angezeigt (s. Bild).

Sie besteht im Wesentlichen aus drei Bereichen: 1) Eingabemaske zum Einstellen von Filtern (oben links), 2) Anzeige der verarbeiteten Filter und der Tabelle der aktuellen Standortdaten (oben rechts) und 3) Karte zur Visualisierung der Standortdaten mit mehreren Widgets zur Steuerung der Visualisierung (unten).

In der Eingabemaske (1) können drei Filter separat oder zusammen eingestellt werden. Erstens kann nach einer Zeitspanne gefiltert werden, dann werden alle Standortdaten außerhalb dieser Zeitspanne entfernt. Es können lediglich ganze Stunden eingegeben werden, etwa 16 für 16:00 Uhr. Zweitens kann nach einem Wochentag gefiltert werden, etwa „Montag“, der als Textform in das Textfeld eingegeben bzw. aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten von Tagen außer dem gewählten Wochentag werden entfernt. Drittens kann nach einem Monat gefiltert werden, der ebenfalls als Text eingegeben oder aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten aus anderen Monaten werden entfernt. Ein oder mehrere verwendete Filter werden durch Klicken auf den Button ''Wende Filter an und aktualisiere die Karte'' auf die aktuellen Standortdaten angewendet. Die Karte wird dann zurückgesetzt und kann zum Visualisieren der aktuellen Standortdaten verwendet werden. Durch Klicken auf den Button ''Setze alle Filter zurück'' werden die ursprünglichen Standortdaten wiederhergestellt, sodass neue Filter gesetzt werden können.

In der Anzeige (2) werden die zuletzt angewendeten Filter mit jeweils einem Satz beschrieben sowie die aktuellen Standortdaten in tabellarischer Form dargestellt.

Auf der Karte (3) werden die Standortdaten visualisiert. Dynamisch können diese mit dem Play-Widgets unten links nach und nach eingeblendet werden. Dadurch kann der Verlauf der Standortdaten gut nachvollzogen werden. Dieses Einzeichnen der Standorte kann mit dem Pause Button in diesem Widget pausiert und mit dem Stopp Button zurückgesetzt werden. Die Geschwindigkeit des Einzeichnens kann mit dem Schieberegler ''Speed'' unten rechts angepasst werden. Der Button ''Alle Standorte einzeichnen'' kann als Ersatz für die dynamische Visualisierung der Standortdaten verwendet werden, um alle Standorte auf einmal einzeichnen zu lassen. Aus Performancegründen ist dieser jedoch für wenige Standortdaten empfohlen und auch reguliert. Oben rechts auf der Karte wird in einem Textfeld der Zeitpunkt des zuletzt eingezeichneten Standortes angegeben. Mit den Buttons Plus und Minus oben links auf der Karte kann die Zoomstufe der Kartenanzeige verändert werden.

Standorte werden als Marker dargestellt. Durch Halten der Maus über einen Marker wird ein Tooltip mit dem Zeitpunkt dieses Standortes eingeblendet. Wenn mehrere Marker nah beieinander liegen, werden diese zu einem Cluster (farbiger Kreis mit einer Zahl) zusammengefasst. Durch Anklicken des Kreises bzw. durch Hineinzoomen in die Karte werden die Cluster wieder (abhängig von der Zoomstufe) getrennt.

Kontaktieren Sie uns gerne bei Fragen, entdeckten Fehlern oder Verbesserungsideen. Wir sind stets daran interessiert, die Web-Anwendung weiterzuentwickeln.

===Beispiel für die Interpretation der visualisierten Standortdaten===
In den Explorationsphasen des Unterrichtsmoduls mit der interaktiven Web-Anwendung filtern und interpretieren die Lernenden die visualisierten Standortdaten. Da die Interpretationen subjektiv sind, werden sich diese in der Lerngruppe durchaus widersprechen. So wird für den Beruf typischerweise eine breite Vielfalt angeboten, die durchaus plausibel sind. Für die Interpretationen muss es im Unterrichtsverlauf auch kein richtig oder falsch geben. Wichtig ist, dass für die eigenen Interpretationen mit Bezugnahme auf die Daten argumentiert werden kann.
[[Datei:Datenbewusstsein-Standortdatenmodul-Beispielbild-Interpretation.png|mini|250x250px|Auswahl der Standorte für den Filter von 3 bis 4 Uhr]]

====Beispiel einer Interpretation:====
Die meisten Menschen schlafen nachts. In Deutschland würde das dann heißen, dass z.B. zwischen 3:00 bis 4:00 Uhr viele Menschen schlafen. Stellt man nun den Filter für die Zeitspanne auf 3 bis 4 Uhr ein, so stehen insgesamt 294 Standorte zur Verfügung. Nach Einzeichnen auf der Karte können 208 Standorte in Berlin lokalisiert werden. Schaut man diese nun genauer an, so befinden sich 189 von diesen in der Nähe der U-Bahn Haltestelle Rosenthaler Platz (s. Bild).

====Weiteres Beispiel einer Interpretation:====
Die Lernenden können dazu neigen, sehr stark zu interpretieren. So etwa folgendes Beispiel aus einer Erprobung: Ich habe die Standortdaten gefiltert und bekomme heraus, dass er sich oft bei einer bestimmten Firma aufgehalten hat. Die Firma ist in einer bestimmten Branche tätig, was ich mit einer Suchmaschine herausgefunden habe. Deswegen arbeitet er nun also etwa in der Finanzbranche.

Ein Schüler erwiderte darauf in einer Unterrichtserprobung, dass der Aufenthaltsort tagsüber bei einer Firma lediglich die Interpretation ermöglichen würde, dass er vielleicht dort arbeiten würde, aber nicht welchen Beruf er dort nachgeht. Er könnte etwa auch einer Hausmeister-Tätigkeit nachgehen.

Diskussionen dieser Art zeigen ein gutes Verständnis für die Gewinnung einer Information durch Interpretation von (Standort-) Daten und können sehr gewinnbringend für den Unterrichtsverlauf sein. Die Sicherheit der Interpretationen sollte also durchaus beachtet aber auch nicht unterschätzt werden. Die Auswertungsphase dieser Explorationen ist knapp bemessen. Zugunsten von Diskussionen dieser Art kann diese durchaus verlängert werden. Dabei kann dann auch aufgegriffen werden, dass bei solchen Datenauswertungen auch weitere Datenquellen hinzugenommen werden (s. optionale Ergänzung in Phase 2b), um genauere Interpretationen zu ermöglichen.

===Beispiele für sekundäre Zwecke der Verwendung von Standortdaten aus dem Mobilfunknetz===

====Beispiel 1: Analyse der Mobilität während der Coronapandemie====
Zur Eindämmung der Covid-19-Pandemie wurden verschiedene Maßnahmen (u.a. „Lockdown“) veranlasst. Die Wirkung der Maßnahmen kann anhand der Mobilität der Bevölkerung untersucht werden. Dazu wurden etwa Mobilfunkdaten des Mobilfunkanbieters Telefónica bereitgestellt, die zuvor anonymisiert und aggregiert wurden. Ein Bericht dazu findet sich bei destatis. Dort sind ebenfalls interessante Visualisierungen eingefügt, welche im Unterricht mit aufgegriffen werden könnten.

https://www.destatis.de/DE/Service/EXDAT/Datensaetze/mobilitaetsindikatoren-mobilfunkdaten.html

====Beispiel 2: Analyse zur Optimierung des ÖPNV====
Mobilfunkanbieter nutzen erhobene Mobilfunkdaten (v.a. auch Standortdaten) für verschiedene Projekte im Kontext der Verkehrsoptimierung oder auch Optimierung des öffentlichen Personennahverkehrs. Telefónica berichtet dazu etwa von mehreren Projekten zum ÖPNV in Leipzig in München, der Verkehrsplanung in Deutschland oder zur Auswertung von Staus auf deutschen Straßen.

https://www.telefonica.de/analytics/anonymisierte-daten.html

Ähnlich berichtet auch der Mobilfunkanbieter Deutsche Telekom von einem Projekt mit Verkehrsbetrieben in Nürnberg, wo anonymisierte Standortdaten verwendet werden, um das Verkehrsangebot zu optimieren. Unter dem zweiten Link findet sich auch ein Video, welches dazu die sekundäre Verwendung der Standortdaten beschreibt und eventuell für den Unterricht genutzt werden könnte.

https://www.telekom.com/de/medien/medieninformationen/detail/data-analytics-handy-schwarm-hilft-strassenbahn-349426

https://www.telekom.com/de/medien/mediencenter/medienmappen/medienmappen-2015/data-analytics

__INHALTSVERZEICHNIS_ERZWINGEN__
[[Kategorie:Datenbewusstsein]]
[[Kategorie:ProDaBi]]

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-07-17T13:48:17Z

Lukas Höper: /* Überblick über den Verlauf des Unterrichtsmoduls */

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Medium:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich der Rolle der (persönlichen) Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich deren Nutzung zu bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
** Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.
==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande''?“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem sollte darauf eingegangen werden, welche weiteren Informationen in einem digitalen Doppelgänger in diesem Kontext enthalten sein könnten.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB2). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum). Hierbei sollte ebenfalls aufgegriffen werden, dass die Vorhersagewerte (s.o.) ebenfalls als Information im digitalen Doppelgänger enthalten sind und dieser somit ebenfalls Daten mit Vorhersagen zum zukünftigen Interaktionsverhalten enthält.

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.

Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]

Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).

In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)

Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.

Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Datenbewusstsein

2023-06-27T08:14:37Z

Lukas Höper:

Datenbewusstsein ist ein didaktisches Konzept für die informatische Allgemeinbildung<ref name=":0">Höper, Lukas & Schulte, Carsten, (2021). Datenbewusstsein: Aufmerksamkeit für die eigenen Daten. In: Humbert, L. (Hrsg.), INFOS 2021 – 19. GI-Fachtagung Informatik und Schule. Gesellschaft für Informatik, Bonn. (S. 73-82). DOI: [[doi:10.18420/infos2021_f235|10.18420/infos2021_f235]]</ref><ref name=":1">Höper, L. & Schulte, C., (2021). Datenbewusstsein im Kontext digitaler Kompetenzen für einen selbstbestimmten Umgang mit datengetriebenen digitalen Artefakten. In: Gesellschaft für Informatik (Hrsg.), INFORMATIK 2021. Gesellschaft für Informatik, Bonn. (S. 1623-132).DOI: [[doi:10.18420/informatik2021-136|10.18420/informatik2021-136]]</ref>. Mit Datenbewusstsein verfolgen wir das Ziel, Lernende verschiedener Altersstufen allgemeinbildender Schulen zu befähigen, in einer Interaktion mit einem [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakt]] zu erkennen und zu verstehen, welche Daten über sie erhoben, wie sie verarbeitet und zu welchen Zwecken sie verarbeitet und verwendet werden. Als Leitfrage kann dazu dienen: "Wo, wie und wozu werden persönliche Daten erhoben und verarbeitet?" Aktuelle Studien zeigen auf, dass Lernende ein mangelndes Verständnis und Bewusstsein über diese Prozesse der Datenerhebung und -verarbeitung haben.

==Kurzer Überblick zum Konzept Datenbewusstsein==
[[Datei:Datenbewusstsein-Modellbild.png|mini|385x385px|alternativtext=|Modellhafte Darstellung zum Konzept Datenbewusstsein, entnommen aus <ref name=":0" />]]
Im Alltag interagieren wir tagtäglich mit digitalen Artefakten, die persönliche Daten erheben und verarbeiten. Dessen Funktionsweise ist häufig "datengetrieben", sie verändern also etwa nach Erhebung und Verarbeitung von Daten die Ausgabe während der Interaktion. Diese Artefakte nennen wir ''[[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]]''. Beispiele dafür sind etwa Suchmaschinen, Social Media Plattformen oder Streamingdienste. Bei all diesen Beispielen (allgemein: bei datengetriebenen digitalen Artefakten) werden Daten erhoben und generiert sowie verwendet und verarbeitet.

Die (persönlichen) Daten werden auf verschiedene Art und Weisen erhoben oder generiert und für verschiedene Zwecke verarbeitet und verwendet. Dazu unterscheiden wir zwischen '''explizit''' und '''implizit erhobenen Daten''' und die Verarbeitungs- und Verwendungszwecke unterscheiden wir hinsichtlich '''primären''' und '''sekundären Zwecke'''. Die erhobenen Daten werden mit verschiedenen Methoden und Technologien (u.a. des maschinellen Lernens) verarbeitet, um etwa Datenmodelle zu erzeugen. Diese Datenmodelle sind oft '''digitale Doppelgänger''', die durch Zusammensetzen - v.a. implizit - erhobener Daten konstruiert werden und den Nutzer bzw. die Nutzerin anhand spezifischer Merkmale modellhaft darstellt und widerspiegelt.

==== Explizit und implizit erhobene Daten ====
Im Konzept Datenbewusstsein wurden die Begrifflichkeiten der ''explizit'' und ''implizit erhobenen Daten'' eingeführt<ref name=":0" /><ref name=":1" />. Diese stehen in der Regel in der Verbindung zum Nutzenden - oft stellen sie personenbezogene Daten dar. Die '''explizit erhobenen Daten''' sind jene, die der Nutzende mit seiner Handlung intendiert erzeugt, also direkt und aktiv (i.d.R.) selbst eingegeben bzw. erzeugt hat. Darüber sind sich Nutzende in der Regel bewusst. Dies sind zum Beispiel bei Social Media Plattformen gepostete Texte und Bilder, bei einer Suchmaschine etwa der Suchbegriff oder beim Telefonieren über das Mobilfunknetz die Telefonnummer desjenigen, den man anrufen möchte. Im Gegensatz dazu, werden '''implizit erhobene Daten''' nebenher zur eigentlichen Handlung erhoben oder generiert - der Nutzende intendiert diese Datenerhebung also in der Regel nicht. Die implizite Datenerhebung geschieht durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes von und Klicks auf Beiträge, bei der Suchmaschine etwa Klicks auf Suchergebnisse oder beim Telefonieren über das Mobilfunknetz etwa Standortdaten der verbundenen Basisstationen.

==== Primäre und sekundäre Zwecke der Verarbeitung und Verwendung ====
Im Konzept Datenbewusstsein wurden ebenfalls die Begrifflichkeiten der ''primären'' und ''sekundären Zwecke'' der Verarbeitung und Verwendung erhobener Daten eingeführt<ref name=":0" /><ref name=":1" />. Diese beziehen sich auf die Verarbeitung und Verwendung von Daten über einen Nutzenden, die bei der Nutzung von datengetriebenen digitalen Artefakten erhoben werden. ''Primäre'' und ''sekundäre Zwecke'' beziehen sich auf die Intention, mit der diese zuvor erhobenen Daten verarbeitet und verwendet werden. '''Primäre Zwecke''' umfasst, dass die erhobenen Daten dazu verarbeitet und verwendet werden, um das datengetriebenen digitalen Artefakten mit den Features anbieten zu können. Diese beziehen sich auf einer Nutzerperspektive auf die Verarbeitung und Verwendung: Die Daten werden verarbeitet und verwendet, um Nutzenden Features anbieten zu können. Im Beispiel der Suchmaschine ist dies etwa das Anzeigen von Suchergebnissen. Auch inbegriffen wäre, wenn die Suchergebnisse personalisiert geordnet werden. Im Sinne des Features für den Nutzenden würde dies bedeuten, dass der Nutzende gerade die Ergebnisse angezeigt bekommt, die für ihn idealerweise relevant sind. '''Sekundäre Zwecke''' bedeuten, dass die Daten verarbeitet und verwendet werden, um andere/weitere Zwecke zu verfolgen – z.B. weitere wirtschaftliche oder wissenschaftliche Zwecke. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieterperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein Anbieter eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingdiensten (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.

==== Konstruktion eines digitalen Doppelgängers ====
Für die Erhebung und Verarbeitung von Daten ist in dem Konzept Datenbewusstsein die Modellvorstellung eines '''digitalen Doppelgängers''' aufgenommen. Dieser beschreibt ein Modell eines Nutzenden, welches auf explizit und implizit erhobenen Daten über den Nutzenden sowie weitere hinzugezogene Daten (bspw. von anderen Nutzenden) basiert und erstellt wird. Ein digitaler Doppelgänger stellt somit eine Sammlung der erhobenen und generierten Daten über den Nutzenden dar. Wichtig zu beachten ist dabei, dass dieser nicht nur einem Profil, wie beispielsweise auf einer Social Media Plattform, entspricht, sondern auch Komponenten hat, die ein Nutzender in der Regel nicht ohne weiteres einsehen kann. Ein digitaler Doppelgänger einer Person wird mit denen anderer in Verbindung gebracht, um bestimmte Datenverarbeitungsprozesse umzusetzen, wie beispielsweise bei Methoden des maschinellen Lernens (exemplarisch im Unterrichtsmodul zu Empfehlungsdiensten aufgegriffen, s.u.). So kann ein digitaler Doppelgänger etwa auch Vorhersagen für das zukünftige Verhalten des Nutzenden enthalten.

==== Ziel von Datenbewusstsein ====
Das Konzept Datenbewusstsein zielt nun darauf ab, Lernende dazu zu befähigen, sich die Rolle der Daten bei der Interaktion mit einem datengetriebenen digitalen Artefakt bewusst zu machen, also sich etwa die Erhebung und Verwendung der Daten erklären zu können. Lernende sollen also während einer Interaktion mit einem datengetriebenen digitalen Artefakt in der Lage sein, vom eigentlichen Handlungsinteresse abzusehen und das explizite und implizite Erheben von Daten zu erkennen und zu überlegen, zu welchen primären und sekundären Zwecken diese verarbeitet werden können. Dadurch sollen die Lernenden befähigt werden, datengetriebene digitale Artefakte und die Interaktion mit diesen zu bewerten und letztendlich selbstbestimmt, bewusst und informiert mit diesen interagieren zu können.

Hinsichtlich der Leitfrage „''Wo, wie und wozu werden persönliche Daten gesammelt und verarbeitet?“'' könnten etwa folgende Fragen gestellt werden:

*'''Wo…?''' In welchen Interaktionen werden Daten gesammelt und verarbeitet?
*'''Wie…?''' Wie werden persönliche Daten in den Interaktionen mit einem datengetriebenen Informatiksystemen erhobenen und generierten und wie werden diese Daten verarbeitet? (bzw. wie können (automatisierte) Datenverarbeitungsprozesse aussehen?)
*'''Wozu…?''' Zu welchen Zwecken werden die Daten gesammelt und verarbeitet; ist es ein primärer Zweck zum Betreiben des datengetriebenen Informatiksystems oder ist es ein sekundärer Zweck?

==Unterrichtsmaterialien zur Förderung von Datenbewusstsein in allgemeinbildenden Schulen==
Neben dem Konzept Datenbewusstsein entwickeln wir ein Forschungsinstrument und beforschen damit verschiedene Unterrichtsmaterialien, die wir für die Förderung von Datenbewusstsein in den Klassen 5/6 und 8-10 allgemeinbildender Schulen entwickeln. Wir sind sehr an gemeinsamen Erprobungen der Unterrichtsmaterialien und Austausch über das Konzept Datenbewusstsein interessiert; kontaktieren Sie dazu gerne [https://www.uni-paderborn.de/person/58041/ Lukas Höper] aus der Didaktik der Informatik.

Nachfolgend listen wir die verschiedenen entwickelten Unterrichtsmaterialien für die Förderung von Datenbewusstsein auf.

*'''Unterrichtsmaterialien für die Jahrgangsstufen 5 und 6 aller Schulformen:'''
**[[Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6|Exploration von Standortdaten aus dem Mobilfunknetz in Klasse 5 und 6]]
*'''Unterrichtsmaterialien für die Jahrgangsstufen 8 bis 10 aller Schulformen:'''
**[[Exploration von Standortdaten - Klasse 8 bis 10|Exploration von Standortdaten in Klasse 8 bis 10]] (''Hinweis:'' aktueller ist die Variante für Klasse 5 und 6)
**[[Exploration von Empfehlungsdiensten - Klasse 8 bis 10|Exploration von Empfehlungsdiensten in Klasse 8 bis 10]]

==Referenzen==
<references />
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Theoretischer Hintergrund]]
[[Kategorie:ProDaBi]]
[[Kategorie:Didaktik]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:Glossar]]

Benutzer Diskussion:Smicha

2023-06-27T08:06:01Z

Lukas Höper: Willkommen!

'''Willkommen bei ''Unterrichtsmaterial''!'''
Wir hoffen, dass du viele gute Informationen beisteuerst.
Möglicherweise möchtest du zunächst die [https://www.mediawiki.org/wiki/Special:MyLanguage/Help:Contents Ersten Schritte] lesen.
Nochmal: Willkommen und viel Spaß! [[Benutzer:Lukas Höper|Lukas Höper]] ([[Benutzer Diskussion:Lukas Höper|Diskussion]]) 10:06, 27. Jun. 2023 (CEST)

Benutzer:Smicha

2023-06-27T08:06:01Z

Lukas Höper: Die Benutzerseite wird für den neuen Benutzer erstellt.

Hier stehen drei Wörter

Benutzer Diskussion:Schueren

2023-06-27T08:04:25Z

Lukas Höper: Willkommen!

Benutzer:Schueren

2023-06-27T08:04:25Z

Lukas Höper: Die Benutzerseite wird für den neuen Benutzer erstellt.

mein name ist patrick

Benutzer Diskussion:DoHi

2023-06-27T08:04:11Z

Lukas Höper: Willkommen!

Benutzer:DoHi

2023-06-27T08:04:11Z

Lukas Höper: Die Benutzerseite wird für den neuen Benutzer erstellt.

Lehramt Informatik & Philosophie

Benutzer Diskussion:Mstern

2023-06-27T08:03:55Z

Lukas Höper: Willkommen!

Benutzer:Mstern

2023-06-27T08:03:55Z

Lukas Höper: Die Benutzerseite wird für den neuen Benutzer erstellt.

Drei Wörter sollen hier stehen...

Benutzer Diskussion:Jrump

2023-06-27T07:26:55Z

Lukas Höper: Willkommen!

Benutzer:Jrump

2023-06-27T07:26:55Z

Lukas Höper: Die Benutzerseite wird für den neuen Benutzer erstellt.

Lehramt GyGe Informatik/Mathematik an der UPB

Benutzer Diskussion:Luri

2023-06-27T07:26:37Z

Lukas Höper: Willkommen!

Benutzer:Luri

2023-06-27T07:26:36Z

Lukas Höper: Die Benutzerseite wird für den neuen Benutzer erstellt.

Ich bin aktuell im Master-Studium mit den Fächern Mathe und Informatik.

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-05-23T18:40:22Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Medium:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei ebenfalls weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
** Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.
==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande''?“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem sollte darauf eingegangen werden, welche weiteren Informationen in einem digitalen Doppelgänger in diesem Kontext enthalten sein könnten.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB2). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum). Hierbei sollte ebenfalls aufgegriffen werden, dass die Vorhersagewerte (s.o.) ebenfalls als Information im digitalen Doppelgänger enthalten sind und dieser somit ebenfalls Daten mit Vorhersagen zum zukünftigen Interaktionsverhalten enthält.

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.

Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]

Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).

In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)

Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.

Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Datei:Empfehlungsdienste - Ergaenzende Informationen.pdf

2023-05-23T18:39:11Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Empfehlungsdienste - Ergaenzende Informationen.pdf hoch

Empfehlungsdienstmodul Begleitmaterial

Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip

2023-05-23T18:38:11Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip hoch

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-04-18T20:15:13Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Medium:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei ebenfalls weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande''?“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem sollte darauf eingegangen werden, welche weiteren Informationen in einem digitalen Doppelgänger in diesem Kontext enthalten sein könnten.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB2). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum). Hierbei sollte ebenfalls aufgegriffen werden, dass die Vorhersagewerte (s.o.) ebenfalls als Information im digitalen Doppelgänger enthalten sind und dieser somit ebenfalls Daten mit Vorhersagen zum zukünftigen Interaktionsverhalten enthält.

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.

Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]

Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).

In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)

Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.

Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6

2023-04-18T20:13:58Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul wird von uns aktuell im Rahmen unserer Forschung evaluiert sowie überarbeitet. Dafür suchen wir nach interessierten Lehrkräften, die uns bei den Erprobungen unterstützen - melden Sie sich dafür gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Medium:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}

Daten spielen im alltäglichen Leben in der digitalen Welt bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul wird das Mobilfunknetz als Beispiel für ein solches [[datengetriebenes digitales Artefakt]] aufgegriffen. Bei dessen Nutzung (z.B. Telefonieren oder SMS-Schreiben) werden verschiedene Daten explizit und implizit erhoben, wie etwa Standortdaten der Basisstationen, mit denen die Nutzerinnen und Nutzer verbunden sind. Anhand dieses Beispiels soll in diesem Unterrichtsmodul das [[Datenbewusstsein]] der Schülerinnen und Schüler gefördert werden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Standortdaten aus dem Mobilfunknetz

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Standortdaten, Mobilfunknetz

'''Zielgruppe:''' Informatik in Klasse 5 und 6 (alle Schulformen) - Anknüpfungen an den Politik- und Philosophieunterricht möglich

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (insbesondere der Schwerpunkt: [[Datenbewusstsein]]), "Daten und Information", "Informatiksysteme"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer bzw. mit Web-Anwendungen vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs (insb. Daten vs. Information – s. Inhaltsfeld „Information und Daten“) wünschenswert, entsprechende Erklärungen könnten aber auch in diesem Modul integriert werden.

'''Zeitlicher Umfang:''' 4 bis 6 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten, eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus drei Teilen zusammen und thematisiert als Beispielanwendung die Erhebung und Verarbeitung von Standortdaten exemplarisch bei der Nutzung des Mobilfunknetzes und weiterführend in anderen Alltagskontexten der Lernenden.

'''Im ersten Teil''' wird das Mobilfunknetz als Kontext eingeführt und der Aufbau und die Funktionsweise dessen am Beispiel des Telefonierens mit dem Handy erarbeitet. Dabei wird außerdem hergeleitet, welche persönlichen Daten dabei erhoben und wozu diese primär verwendet werden. Zum Beispiel ist das der Standort einer Basisstation im Mobilfunknetz, mit der Nutzende verbunden sind. Diese Standortdaten sind etwa dafür nötig, um ein effizientes Herstellen einer Mobilfunkverbindung zu gewährleisten (primärer Verwendungszweck der erhobenen Standortdaten).

'''Im zweiten Teil''' werden gegebene Daten aus dem Mobilfunknetz herangezogen. Diese echten Daten einer Person enthalten u.a. Standortdaten (umfassendere Erklärung der Daten s.u. und in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzenden Informationen zum Unterrichtsmodul]]). Die Lernenden analysieren diese Standortdaten mittels einer bereitgestellten Web-Anwendung hinsichtlich der Fragestellung, welche Informationen über eine Person aus Standortdaten gewonnen werden können. Dabei charakterisieren sie die ihnen unbekannte Person, indem sie einen Steckbrief erstellen. Es wird darauf eingegangen, warum ein solches Profiling nach deutschen Gesetzen verboten ist – mit strengen genehmigungspflichtigen Ausnahmen für spezielle Zwecke (z.B. Strafverfolgungszwecke). Die Lernenden verstehen diese Gründe besser, weil sie exemplarisch erfahren haben, was man aus solchen Daten schließen könnte.

'''Im dritten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Standortdaten erhoben werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy (u.a. auch auf der Basis von GPS-Daten). Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung personenbezogener Standortdaten diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit diesen datengetriebenen Anwendungen zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den drei Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus Nutzendem und dem Mobilfunknetz als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch die Erkundung des Aufbaus und der Funktionsweise des Mobilfunknetzes '''im ersten Teil''' können die Lernenden anhand einer enaktiven Simulation mit einem Puzzle die [[Datenbewusstsein|explizite und implizite Erhebung]] persönlicher Daten in diesem Beispiel untersuchen. Anschließend wird exemplarisch bei der Erhebung der Standortdaten der primäre Verwendungszweck untersucht. Die implizit erhobenen Standortdaten werden zum Herstellen einer Mobilfunkverbindung (z.B. beim Telefonieren) notwendigerweise verarbeitet ([[Datenbewusstsein|primärer Zweck]]). '''Im zweiten Teil''' explorieren die Lernenden gegebene Standortdaten aus dem Mobilfunknetz zu einem ausgedachten [[Datenbewusstsein|sekundären Zweck]], indem sie eine Person anhand ihrer Standortdaten charakterisieren ([[Datenbewusstsein|Konstruktion eines digitalen Doppelgängers eines Nutzenden]]). Dazu explorieren sie die Standortdaten in einer gegebenen Web-Anwendung und erstellen einen Steckbrief. So wird der Frage nachgegangen, welche Informationen über eine Person anhand von Standortdaten gewonnen werden können. Diese exemplarische Datenauswertung ist für einen deutschen Mobilfunkanbieter stark reguliert, was im Anschluss daran aufgegriffen und reflektiert werden kann. Dabei können auch weitere Beispiel sekundärer Verwendungszwecke der im Mobilfunknetz erhobenen Daten aufgegriffen werden (s.u., weitere sekundäre Zwecke). '''Im dritten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den drei Teilen dieses Unterrichtsmodul werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
** Die Lernenden erkennen den groben Aufbau und die grundlegende Funktionsweise eines Mobilfunknetzes, indem sie exemplarisch das Telefonieren im Mobilfunknetz anhand eines Puzzles simulieren und erklären.
** Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und erkennen, welche Daten bei der Nutzung des Mobilfunknetzes explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch für die implizite Erhebung von Standortdaten die Notwendigkeit der Verarbeitung dieser Daten (primärer Zweck).
* '''Teil 2: Exploration gegebener Standortdaten'''
** Die Lernenden erklären das Vorgehen zur Exploration von Standortdaten mithilfe der gegebenen Standortdaten und können wesentliche Schritte beschreiben.
** Die Lernenden ermitteln persönliche Informationen über eine ihnen unbekannte Person, indem sie gegebene Standortdaten mit einer Web-Anwendung explorieren (sekundärer Zweck).
* '''Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf ein weiteres Beispiel eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

*'''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
**Wie funktioniert das Mobilfunknetz und welche Daten werden bei der Nutzung (z.B. beim Telefonieren) explizit und implizit erhoben?
**Warum sind die implizite Erhebung und schließlich die Verarbeitung der Standortdaten nötig? (primärer Zweck)
*'''Teil 2: Exploration gegebener Standortdaten'''
**Welche Erkenntnisse können über eine Person durch die Auswertung ihrer Standortdaten gewonnen werden? (sekundärer Zweck)
*'''Teil 3: Weitere Kontexte zur Erhebung und Verarbeitung von Standortdaten'''
**In welchen anderen Kontexten werden Standortdaten erhoben und wozu werden sie dort verwendet?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Standortdatenmodul 5-6 - Überblick gekürzt.png|zentriert|mini|780x780px|Überblick über das Unterrichtsmodul]]

==Überblick über den Unterrichtsverlauf==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier: [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Ergänzende Informationen]].

{| class="wikitable"
|+
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Als Unterrichtsgespräch wird gemeinsam ein (Gedanken-) Experiment zum Herstellen einer Mobilfunkverbindung beim Telefonieren durchgeführt: (1) Von einem Handy wird ein zweites Handy angerufen – Was passiert dabei? (2) Was passiert nun, wenn ein Handy in einer Metallbox liegt? (3) Was passiert nun, wenn beide Handys zusammen in einer Metallbox liegen?

Gemeinsam wird die Frage erarbeitet, wie das Mobilfunknetz aufgebaut ist und welche Schritte zum Herstellen einer Mobilfunkverbindung nötig sind.

Didaktischer Kommentar:

Es werden eigene Erfahrungen der Lernenden zur Nutzung des Mobilfunknetzes aufgegriffen (aus Nutzerperspektive). Außerdem soll eine Neugierde an dem Aufbau und der genauen Funktionsweise des Mobilfunknetzes (aus Anbieterperspektive) geweckt werden. Daraus resultierend wird die Frage nach dem Aufbau und der Funktionsweise des Mobilfunknetzes aufgestellt. Das (Gedanken-) Experiment hilft dabei, die Frage nach den „Schritten bzw. Stationen zwischen den beiden Handys“ aufzuwerfen.
|
*Aktivierung von Vorkenntnissen zum Mobilfunknetz (i.d.R. aus Nutzerperspektive)
*Wecken von Neugierde an dem Aufbau und der Funktionsweise des Mobilfunknetzes
|[[Medium:Datenbewusstsein Standortdatenmodul Folien Gedankenexperiment Mobilfunknetz.pptx|Unterstützende Folien für das (Gedanken-) Experiment]] (alternativ auch zwei Handys und eine Metallbox)
|-
|'''1b'''
|'''Erarbeitung des Aufbaus und der Funktionsweise des Mobilfunknetzes:'''
Gemeinsam oder in Einzelarbeit wird ein Überblicksvideo zum Aufbau und der Funktionsweise des Mobilfunknetzes geschaut (ggf. mehrere Durchläufe). Die Lernenden notieren dabei Informationen zu Komponenten des Mobilfunknetzes (AB1), im Wesentlichen sind das: die mobilen Endgeräte, Basisstationen mit Mobilfunkantennen und entsprechenden Funkzellen, Vermittlungsstellen mit Datenbanken (hier Datenspeicher genannt). Danach werden die Begrifflichkeiten der Komponenten des Mobilfunknetzes im Plenum besprochen und gesichert. Anschließend wird mit einem Puzzle der vereinfachte Aufbau des Mobilfunknetzes rekonstruiert sowie die Funktionsweise mit zwei Szenarien erarbeitet und erste Ideen bezüglich der Datenerhebung entwickelt (AB2). [[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|zentriert|mini|334x334px|Lösung des Puzzles]]Anhand der beiden Szenarien erarbeiten die Lernenden, welche (persönlichen) Daten bei der Nutzung des Mobilfunknetzes (am Beispiel des Telefonierens) erhoben werden können und auch müssen (AB2). Diese Ideen für die erhobenen Daten werden in einem Unterrichtsgespräch gesammelt. Dabei wird auf den Datenbegriff eingegangen, inwiefern in diesem Beispiel Informationen als Daten aufgefasst werden (z.B. der Standort als Zahlenpaar von Längen- und Breitengrad). Anschließend werden die Begriffe der expliziten und impliziten Datenerhebung eingeführt (AB3). Die Lernenden ordnen die bei der Nutzung des Mobilfunknetzes erhobenen Daten diesen beiden Arten zu (Aufgabe 1 auf AB3). Diese Anwendung der Begrifflichkeiten wird anschließend gesichert. Danach bewerten die Lernenden die Verwendung der Standortdaten für den primären Zweck des Herstellens der Mobilfunkverbindung und entwickeln Ideen für sekundäre Zwecke (AB3). In der Sicherung der Bearbeitung des AB3 werden die Begrifflichkeiten der primären Zwecke (Aufgabe 2) und der sekundären Zwecke (Aufgabe 3) eingeführt (s. Begriffserklärung bei [[Datenbewusstsein]]).

Didaktischer Kommentar:

Die Architektur und Relevanz (s. Glossar in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzende Informationen]]) des Mobilfunknetzes wird in dieser Phase erarbeitet. Der gegebene Interaktionskontext wird dann hinsichtlich der explizit und implizit erhobenen Daten untersucht (zusätzliche Ideen für erhobene Daten können hinsichtlich der Notwendigkeit bewertet werden). Die Lernenden begründen zusätzlich die Verarbeitung der Standortdaten zum primären Zweck der Herstellung einer Mobilfunkverbindung. Sekundäre Zwecke werden in diesem Teil zunächst oberflächlicher aufgegriffen, sodass lediglich erste Ideen für mögliche sekundäre Zwecke entwickelt werden. In diesem Teil lernen die Lernenden die Begrifflichkeiten zu den Arten der Datenerhebung (explizite und implizite Datenerhebung) sowie zu den Typen der Zwecke für die Verwendung und Verarbeitung der Daten (primäre und sekundäre Zwecke) kennen. Diese werden sie in den nächsten Phasen wieder aufgreifen und dienen zur Erklärung der Rolle von Daten in einem solchen Interaktionssystem. In dem zweiten Teil wird ein eher fiktives Beispiel eines sekundären Zwecks näher thematisiert, sodass dieser Aspekt als Überleitung in den zweiten Teil dienen kann.
|
*Verstehen der Architektur und Relevanz (s. Glossar) des Mobilfunknetzes (grob)
*ggf. Kennenlernen des Begriffs Daten exemplarisch an den hier erhobenen Daten; ansonsten Anwendung der Kenntnisse zum Datenbegriff (s. Glossar)
*Einführung der Begrifflichkeiten „explizit und implizit erhobene Daten“ und identifizieren von explizit und implizit erhobene Daten in diesem Beispiel
*Beschreiben des primären Zwecks der Verarbeitung und Verwendung der Standortdaten
|[https://www.youtube.com/watch?v=76MD2s2P-DU#action=share Erklärvideo] ([https://www.youtube.com/watch?v=4NOizoHEgF0 Alternative]), [[Medium:Druckvorlage für 2 Puzzle.pdf|Puzzle]], [[Medium:AB1 - Video zum Aufbau Mobilfunknetz.docx|AB1]], [[Medium:AB2 - Niveau 1 - Aufbau und Funktionsweise.docx|AB2 - Niveau 1]], [[Medium:AB2 - Niveau 2 - Aufbau und Funktionsweise.docx|AB2 - Niveau 2]], [[Medium:AB2 - Sprinteraufgabe - Aufbau und Funktionsweise.docx|AB2 - Sprinteraufgabe]] (optional), [[Medium:AB3 - Datenerhebung.docx|AB3]]
|-
| colspan="4" |'''<center><big>Teil 2: Exploration gegebener Standortdaten</big></center>'''
|-
|'''2a'''
|'''Vorbereitung der Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
Zunächst werden die Mobilfunkdaten von Malte Spitz eingeführt (s.u.), welche u.a. Zeitstempel, genutzte Dienste und Standortdaten enthalten. Dabei sollten keine Hinweise dazu gegeben werden, welche Person das ist. Lediglich sollte angemerkt werden, dass diese Daten in einem halben Jahr von einer Person erhoben wurden. Diese Einführung kann etwa anhand der Datentabelle (beiliegende pdf) geschehen, welche dann auch besprochen werden sollte (Bezug zu Aufgaben 4 und 5 auf AB2 gut möglich).

Anschließend wird im Plenum auf folgende Leitfrage hingeführt: Was könnte man über eine Person herausfinden, wenn man diese Daten hätte?

Bevor die gegebenen Mobilfunkdaten (insb. Standortdaten) mithilfe einer Web-Anwendung exploriert werden, sollten die Lernenden zu dieser Leitfrage Vermutungen äußern, was man mit diesen Daten herausfinden könnte.

Anschließend wird in die interaktive Web-Anwendung eingeführt, in der diese Standortdaten exploriert werden können (Beschreibung dessen s.u.). Dazu könnten die Lernenden etwa zunächst die Anwendung selbst ausprobieren, bevor dann im Plenum anhand eines gemeinsamen Beispielfrage die Daten exploriert werden. An dem gemeinsamen Beispiel sollte das Vorgehen zum Explorieren vermittelt werden, welches die Lernenden in der nächsten Phase selbst durchführen: (1) Fragestellung entwickeln (z.B. Wo wohnt die Person vermutlich?), (2) entscheiden für zu setzende Filter in der Web-Anwendung (z.B. Zeitraum von 3 bis 4 Uhr), (3) visualisieren und untersuchen der Standortdaten auf der Karte, (4) interpretieren der Daten und Beantwortung der Fragestellung (z.B. Die Person wohnt in Berlin in der Nähe der Zehdenicker Straße) (Detailliertere Beschreibung von Beispielen s. Abs. 9.4). Das Vorgehen für eine Fragestellung kann auch ein „Ausprobieren“ verschiedener Filter umfassen.

Didaktischer Kommentar:

Mit den verfügbaren Mobilfunkdaten kann exemplarisch dafür sensibilisiert werden, wie viele Daten bei der Nutzung des Mobilfunknetzes erhoben und generiert werden.

Bezüglich dieser Daten sollte stets darauf geachtet werden, dass diese die Standorte der Basisstationen und eben keine GPS-Daten o.ä. darstellen und somit eine gewisse Ungenauigkeit besitzen (s. Beschreibung den ergänzenden Informationen). Das Explorieren der Standortdaten zum Erstellen einer modellhaften Charakterisierung der Person (vgl. der Idee des [[Datenbewusstsein|digitalen Doppelgängers]]) stellt einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten dar. Dieser Zweck sollte nicht als reale Verwendung und Verarbeitung dargestellt werden, aber als mögliche, wenn diese Daten weitergegeben werden, was in Phase 2c vertiefend diskutiert wird. In dieser Phase wird das Explorieren der Daten erstmal nur eingeführt, woraufhin die Lernenden in der nächsten Phase die Daten mit der Web-Anwendung selbstständig explorieren.
|
* Verständnis für die erhobenen Daten in diesem Interaktions-kontext und die Menge der Daten für eine Person verbessern und veranschaulichen
* Umgang mit dem Datenbegriff und der Repräsentation von Daten exemplarisch für die Datentabelle und Karte üben
* Vorgehen für die Datenexploration exemplarisch für die Standortdaten mit einer Web-Anwendung kennenlernen
* Verstehen der Charakterisierung der Person als einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten (fiktiver Zweck)

|[[Medium:Tabelle der vorhandenen Standortdaten.pdf|Tabelle der vorhandenen Standortdaten]], Web-Anwendung (s.u.), [[Medium:Hilfszettel - Interaktive Web Anwendung.docx|Hilfszettel für die Web-Anwendung]],
[[Medium:Zusatzmaterial - Hinweise zum Starten der Web-Anwendung.pdf|Hinweisblatt zum Starten der Web-Anwendung]]
|-
|'''2b'''
|'''Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
In Gruppen explorieren die Lernenden eigenständig die Standortdaten mithilfe der Web-Anwendung. Dabei erstellen sie als Gruppe einen gemeinsamen digitalen Doppelgänger der Person in Form eines Steckbriefs. Dieser charakterisiert die ihnen unbekannten Person, etwa mit Interpretationen zum Wohnort, dem Arbeitsort oder Freizeitaktivitäten (AB4). Dazu können sich die Lernenden innerhalb einer Gruppe arbeitsteilig mit verschiedenen Fragestellungen befassen, um gemeinsam eine umfassendere Charakterisierung vornehmen zu können. Während der Explorationsphase in den Gruppen kann den Lernenden optional die Möglichkeit gegeben werden, weitere Kontextinformationen heranzuziehen, wie etwa was sich an einem bestimmten Ort befindet oder was ein bestimmtes Unternehmen macht – die Lernenden würden damit den Kontext explorieren.

In der anschließenden Auswertung der Gruppenergebnisse werden die verschiedenen Interpretationen diskutiert und zusammengeführt, wobei die Lernenden ihre Interpretationen begründen sollen. Dabei kann auch diskutiert werden, wie sicher sich die Lernenden mit einer bestimmten Interpretation sind. Außerdem kann die Subjektivität der Interpretationen gemeinsam diskutiert werden, indem das Kontextwissen aufgegriffen wird, mit dem die Lernenden auf eine bestimmte Interpretation gekommen sind – gerade bei unterschiedlichen Interpretationen gut thematisierbar. In der Sicherung sollte das Konzept des digitalen Doppelgängers (auf AB4 eingeführt) besprochen werden.

Didaktischer Kommentar:

Durch das Filtern als [[Data Moves|Data Move]] beim Explorieren können bereits einige Informationen über die Person gefunden werden. Die Interpretationen bei der Charakterisierung durch die Lernenden beruhen auf individuellem Kontextwissen und sind somit subjektiv. Das führt zum Auftreten konträrer Interpretationen, welche gewinnbringend diskutiert werden können und müssen. Beachtet werden sollte auch, dass die Charakterisierungen bzw. Steckbriefe einen modellhaften Charakter haben, der durch die ausgewählten Merkmale in den verfügbaren Daten bestimmt wird und kein allumfassendes Abbild der Person darstellt.
|
*Subjektiven Charakter von Informationen durch die Interpretation verstehen (im Gegensatz zu Daten)
*Umfang der Charakterisierung einer Person anhand der Exploration von Standortdaten erkennen
*Vorstellung des Digitalen Doppelgängers als modellhafte Charakterisierung einer Person kennenlernen
*Üben des Vorgehens zur Exploration der Daten

|Web-Anwendung (s.u.), [[Medium:AB4 - Personensteckbrief.docx|AB4]]
|-
|'''2c'''
|'''Reflexion und Bewertung:'''
Die Erhebung und Verarbeitung persönlicher Daten bei der Nutzung des Mobilfunknetzes wird nun im Unterrichtsgespräch reflektiert und anschließend durch die Lernenden bewertet. An dieser Stelle sollte darauf eingegangen werden, dass ein deutscher Mobilfunkanbieter die erhobenen Daten auf dieser Art und Weise zur Charakterisierung der Personen nicht ohne weiteres nutzen darf. Mithilfe der Erfahrungen aus der Exploration kann diese Regulierung auch von den Lernenden exemplarisch nachvollzogen werden.

''Optionale Ergänzung für höhere Jahrgangsstufen (z.B. Mittelstufe): Die Lernenden könnten in den Quellen aus den ergänzenden Informationen reale Beispiele für die sekundären Zwecke der Verarbeitung und Verwendung der Standortdaten durch Mobilfunkanbieter im Rahmen einer Recherche untersuchen. Dazu könnten sich die Lernenden in Gruppen einem der beiden Beispiele widmen und sich diese als Gruppenpuzzle gegenseitig vorstellen. Anschließend könnten diese diskutiert und bewertet werden, zum Beispiel indem eine Abwägung von Kosten (Preisgabe vieler persönlicher Informationen) und Nutzen (Vorteile für den Betrieb des Mobilfunknetzes und für gesellschaftliche Belange) vorgenommen wird.''

Didaktischer Kommentar:

Es sollte zum einen darauf geachtet werden, dass nicht die Fehlvorstellung entwickelt wird, dass Mobilfunkanbieter die Standortdaten einer Einzelperson tatsächlich so auswertet. Zum anderen sollte deutlich werden, dass die Standortdaten hier notwendigerweise erhoben werden (etwa für den primären Zweck) und die Regulierung auch sinnvoll sein kann.

''Die optionale Erarbeitung der Beispiele für reale sekundäre Zwecke der Verarbeitung und Verwendung von Standortdaten durch Mobilfunkanbieter kann den Lernenden einen differenzierten Blick geben, wofür diese Standortdaten tatsächlich genutzt werden und dass es dafür durchaus auch gute Zwecke gibt.''
|
*Reflektieren der Erkenntnisse zur Erhebung und Verarbeitung der Daten (v.a. Standortdaten) im Beispiel des Mobilfunknetzes und bewerten dessen
|
|-
|'''2d'''
|'''''Mögliche Hausaufgabe zur individuellen Reflexion:'''''
''Die Lernenden formulieren ein persönliches Fazit zur Erhebung und Verarbeitung der Daten im Mobilfunknetz und begründen dies (z.B. als Essay). Dabei sollen sie eine persönliche Bewertung vornehmen, die z.B. auch Folgerungen für eigenes Handeln beinhalten kann. Die Aufgabe kann alternativ auch am Ende dieser Phase (dann auch allgemeiner zu allen thematisierten Kontexten) eingegliedert werden.''
|
* Festhalten einer Bewertung (z.B. durch Abwägung) der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz (alternativ: in den thematisierten Kontexten)
|
|-
| colspan="4" |'''<center><big>Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten</big></center>'''
|-
|'''3a'''
|'''Identifizieren weiterer Kontexte im Alltag der Lernenden:'''
Im Plenum werden weitere Interaktionskontexte aus dem Alltag der Lernenden gesammelt, in denen ebenfalls Standortdaten erhoben und verarbeitet werden. Dabei sollte beachtet werden, dass es auch andere Standortdaten gibt (Mobilfunknetz: Standorte der Basisstationen; andere Kontexte: z.B. GPS-Daten; s. Erklärung in den ergänzenden Informationen). In der nächsten Phase werden dann ausgewählte Beispiele näher untersucht.

Didaktischer Kommentar:

In dieser Phase geht es nicht um die genaue Rekonstruktion verschiedener weiterer Kontexte hinsichtlich der Datenerhebung und -verarbeitung, dies passiert in der nachfolgenden Phase. Es geht zunächst erstmal darum, weitere Kontexte, in denen Standortdaten von Nutzenden erhoben werden, zu identifizieren und zu beschreiben. Dadurch sollen die Lernenden einen breiteren und differenzierteren Blick für die Rolle von Standortdaten im eigenen Alltag entwickeln und datengetriebene digitale Artefakte, die Standortdaten erheben, eher erkennen.
|
*Erkennen weiterer Interaktionskontexte aus dem eigenen Alltag, in denen Standortdaten erhoben und verarbeitet werden
|
|-
|'''3b'''
|'''Anwendung und Bewertung:'''
In dieser Phase wenden die Lernenden die erlernten Perspektiven bezüglich der Facetten von [[Datenbewusstsein]] auf weitere Beispiele aus ihrem Alltag an, in denen Standortdaten eine Rolle spielen (also: explizite und implizite Datenerhebung, primäre und sekundäre Zwecke, digitaler Doppelgänger). Dafür schlagen wir drei Varianten vor, die in Abhängigkeit von der Lerngruppe gewählt werden können.

'''''Variante 1: „Explorationsprotokoll“ (relativ offen)'''''

Die Lernenden wählen ein datengetriebenes digitales Artefakt aus, bei dem Standortdaten von den Nutzenden erhoben und verarbeitet werden, und untersuchen bei diesem die Rolle der Daten hinsichtlich der Facetten von Datenbewusstsein. Dafür erstellen sie auf dem AB5a eine Art Protokoll als Übersicht zu diesem gewählten Interaktionskontext. Anschließend stellen sich die Lernenden ihre Beispiele gegenseitig vor. Die Lernenden nehmen im Anschluss für diese Beispiele eine begründete Bewertung hinsichtlich der Erhebung und Verwendung von Daten vor. Ausgehend von der expliziten und impliziten Datenerhebung (oder auch Wissen über Einstellungsmöglichkeiten) können ggf. auch Ideen für Handlungsmöglichkeiten gesammelt werden (z.B. Einschränkung der Datenerhebung oder bestimmter Zwecke für die Verwendung der Daten, Änderung des eigenen Verhaltens hinsichtlich der Nutzung von Features, …).

'''''Variante 2: Gruppenpuzzle zu weiteren Kontexten mit gegebenen Informationen'''''

Die Lernenden erarbeiten in Expertengruppen einen Kontext für die Interaktion mit einem datengetriebenen digitalen Artefakt, das Standortdaten erhebt. Dafür sind drei Gruppen vorbereitet: Eine Gruppe zu Google Maps, eine zu Snapchat und eine zu WhatsApp. Die Lernenden bearbeiten als Gruppe zunächst das jeweilige Arbeitsblatt und befassen sich dabei mit der Rolle von Daten in dem jeweiligen Kontext. Anschließend wird im Sinne eines Gruppenpuzzles die Zusammensetzung der Gruppen geändert, sodass in einer Gruppe mindestens on jeder Expertengruppe ein Lernender vertreten ist. In diesen gemischten Gruppen bearbeiten die Lernenden das Arbeitsblatt AB5b mit dem Vermerk Gruppenpuzzlediskussion. Dieses leitet die Lernenden an, ihre Ergebnisse aus den Expertengruppen auszuwerten. Außerdem diskutieren sie in der Gruppe Handlungsmöglichkeiten basierend auf den vorherigen Ergebnissen der Gruppen.

Im Plenum wird die Auswertung und Diskussion aus den gemischten Gruppen im Plenum besprochen und ausgewertet. Im Sinne einer Sicherung sollte dabei angestoßen werden, dass die Lernenden ein persönliches Fazit zu der Interaktion mit den exemplarischen datengetriebenen digitalen Artefakten formulieren bzw. eine Haltung dazu entwickeln.

Didaktischer Kommentar:

Die Lernenden sollten in dieser Anwendungs- und Bewertungsphase einen breiteren Blick für die Erhebung und Verarbeitung von Standortdaten in ihrem Alltag entwickeln. Dabei sollten sie auch die Erhebung von Standortdaten in den verschiedenen Kontexten und verschiedene Zwecke der Verarbeitung und Verwendung beschreiben können.

Dies soll durch den Perspektivwechsel von Nutzenden zu Anbietern von datengetriebenen digitalen Artefakten unterstützt werden. Außerdem entwickeln sie ausgehend von dieser Perspektive und basierend auf den Facetten von Datenbewusstsein Ideen für Handlungsmöglichkeiten im Rahmen der Interaktion mit einem datengetriebenen digitalen Artefakt. Dies soll dazu führen, dass sich die Lernenden als handlungsfähig wahrnehmen und keine resignierte Haltung entwickeln. In beiden Varianten sollten die Lernenden eine persönliche (begründete) Bewertung bzw. Haltung zu datengetriebenen digitalen Artefakten in den verschiedenen Interaktionskontexten vornehmen und sich selbst dazu positionieren.
|
*Wechsel der Perspektive eines Nutzenden zu einem Anbieter eines datengetriebenen digitalen Artefakts
*Anwendung der Perspektiven zu den Facetten von Datenbewusstsein auf weitere Beispiele aus dem eigenen Alltag
*Bewertung der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz und weiteren Kontexten (v.a. individuell, lerngruppenabhängig auch auf einer gesellschaftlichen Ebene)
*Reflektieren der Erhebung und Verarbeitung von Standortdaten im eigenen Alltag
*Reflektieren der eigenen Handlungsfähigkeit im Rahmen der Interaktionen mit datengetriebenen digitalen Artefakten

|'''Für Variante 1:'''
[[Medium:AB5a - Weitere Kontexte mit Explorationsprotokoll.docx|AB5a]]

'''Für Variante 2:'''

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Gruppenpuzzlediskussion.docx|AB5b - Gruppenpuzzle-diskussion]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Google Maps.docx|AB5b - Gruppe Google Maps]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - Snapchat.docx|AB5b - Gruppe Snapchat]],

[[Medium:AB5b - Weitere Kontexte Gruppenpuzzle - WhatsApp.docx|AB5b - Gruppe WhatsApp]]
|}

==Beschreibungen ausgewählter Materialien==

===Puzzle zum Aufbau und der Funktionsweise des Mobilfunknetzes===
[[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|mini|465x465px|Beispiellösung für das Puzzle in analoger Version]]
[[Datei:Exploration Standortdaten Kalsse 8 bis 10 - Puzzle.png|mini|504x504px|Digitale Version des Puzzles zum kollaborativen Bearbeitung des Puzzles|alternativtext=|verweis=https://unterrichtsmaterial-ddi.cs.upb.de/Datei:Exploration_Standortdaten_Kalsse_8_bis_10_-_Puzzle.png]]

====Puzzleteile:====

=====Personenplättchen:=====
Die drei Personenkärtchen stellen symbolisch die drei Personen mit ihren Handys bzw. mobilen Stationen dar. Diese spielen in den Simulationen der Funktionsweise des Mobilfunknetzes in der zweiten Aufgabe des Arbeitsblattes 2 eine große Rolle.

=====Elemente des Mobilfunknetzes:=====
In dem Puzzle kommen stellvertretend für das reduzierte Mobilfunknetz neben den Personenplättchen vier Puzzleteile vor: 1) Antenne + Basisstation (viermal), 2) Vermittlungsstelle, 3) Datenspeicher, 4) Internet.

Eine detaillierte Beschreibung des Mobilfunknetzes und der jeweiligen Elemente findet sich in dem zuvor verlinkten [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Dokument zu ergänzenden Hintergrundinformationen]].

Nachfolgend wird eine Lösung des Puzzles beschrieben. Die Puzzleteile sind, wie dort dargestellt, auf der Puzzlevorlage (s.u.) abzulegen, um das Mobilfunknetz adäquat darzustellen und die Funktionsweise daran zu simulieren. Die Schnittstelle zwischen Vermittlungsstelle und Datenbank wurde zur Reduktion der Komplexität durch eine direkt verbundene Anordnung ersetzt. Die Vermittlungsstelle und die Datenbank sind also als zwei verknüpfte Elemente zu verstehen. Das Puzzleteil Internet (4) steht in äußerst abstrakter Art und Weise stellvertretend für die Verbindung zwischen Vermittlungsstelle und „dem Internet“. Die Thematisierung des, wenn auch grundlegenden, Aufbaus des Internets in diesem Unterrichtsmodul würde im Sinne der Komplexität zu weit führen. (Denkbar wäre an dieser Stelle jedoch in Abhängigkeit der Lerngruppe ein sehr kurzer Exkurs zum Aufbau des Internets.)

====Puzzlevorlage:====
Die Puzzleteile und Personenplättchen werden in der ersten Aufgabe des Arbeitsblattes 2 im Sinne einer Rekonstruktion des Aufbaus des Mobilfunknetzes auf einer Puzzlevorlage abgelegt. Die Puzzlevorlage wird die Lernenden gemeinsam mit den Puzzleteilen und dem Arbeitsblatt 2 ausgehändigt. In durchgeführten Erprobungen des Unterrichtsmoduls hat sich gezeigt, dass es ratsam ist, die Materialien des Puzzles bereits zuvor ausgeschnitten in den Unterricht mitzubringen, um die effektive Lernzeit nicht wesentlich zu verkürzen, ein Ausschneiden im Unterricht durch die Schülerinnen und Schüler ist unter Umständen auch möglich.

====Lösung des Puzzles:====
Eine mögliche Lösung für das Puzzle in dem nebenstehendem Bild dargestellt. Variationen bestehen lediglich in der Wahl der Funkzellen, in denen sich die drei Personen aufhalten. Die Elemente des Mobilfunknetzes (graue Puzzleteile) sollten nicht anders gewählt werden. Die Pfeile werden in der zweiten Aufgabe des Arbeitsblattes 2 auf das Puzzle gelegt, um das Herstellen einer Verbindung im Mobilfunknetz nachzustellen. Dazu werden zwei Szenarien zum Telefonieren (Situation 1: orangene Pfeile, Situation 2: grüne Pfeile) aufgegriffen. Optional kann ein drittes Szenario zum ''Aufrufen einer Internetseite'' (blaue Pfeile) als „Sprinteraufgabe“ bearbeitet werden. Die Pfeilrichtung stellt vereinfacht das Senden von Datenpaketen bei der Anfrage der jeweiligen Mobilfunkverbindung dar.

===Hinweise zu den explorierten Daten von Malte Spitz===
Die Standortdaten wurden während der Nutzung des Mobilfunknetzes von einem Mobilfunkanbieter erhoben. Die Datensätze wurden aus Gründen des Datenschutzes gefiltert, sodass nicht alle erhobenen Daten in der Tabelle aufgefasst werden und die Tabelle somit lediglich als Ausschnitt der erhobenen Daten bezeichnet werden sollte. Die Daten gehören zu einer Einzelperson – genauer zum Politiker Malte Spitz. Veröffentlicht wurden sie gemeinsam mit ''Zeit Online'' im Kontext des Diskurses um die Vorratsdatenspeicherung. Die inbegriffenen Daten umfassen einen Zeitraum zwischen September 2009 und Februar 2010. Bei der Interpretation der auf der Karte visualisierten Standortdaten sollte gegebenenfalls berücksichtigt werden, dass es sich um inzwischen ältere Daten auf einer aktuellen Karte handelt und somit die weiteren Hinweise auf der Karte (z.B. Cafe, Restaurant, Firmen) nicht unbedingt immer stimmen müssen. Dies hindert den Erkenntnisgewinn der Lernenden aus unserer Sicht jedoch nicht.

'''Weiterführende Quellen zu den Daten:'''

https://www.zeit.de/digital/datenschutz/2011-02/vorratsdaten-malte-spitz

https://www.zeit.de/datenschutz/malte-spitz-vorratsdaten

===Interaktive Web-Anwendung===
[[Datei:Exploration von Standortdaten - Web-Anwendung.png|Ausschnitt der gestarteten interaktiven Web-Anwendung zu diesem Unterrichtsmodul (Stand: Mai 2021)|alternativtext=|mini|591x591px]]Für das Unterrichtsmodul haben wir eine interaktive Webanwendung entwickelt. Diese ist unter folgendem Link erreichbar: [https://go.upb.de/ExplorationStandortdaten go.upb.de/ExplorationStandortdaten] (ggf. sind Login-Daten nötig: user ''jupyter'' und PW ''upb_jupyter'')

Sie basiert auf einem Jupyter Notebook und ist mit Python entwickelt worden. Von den Lernenden werden hingegen keine Kenntnisse im Umgang mit Jupyter Notebooks sowie keinerlei Programmierkenntnisse vorausgesetzt.

Zunächst müssen die Standortdaten eingelesen werden, was über den Button ''Lade die Standortdaten'' geht. Prinzipiell ist es auch möglich eigene Standortdaten einzuladen bzw. die Anwendung, um diese zu erweitern, die an dieser Stelle ausgewählt werden könnten.

Nach Laden der Standortdaten wird die Bedienoberfläche angezeigt (s. Bild).

Sie besteht im Wesentlichen aus drei Bereichen: 1) Eingabemaske zum Einstellen von Filtern (oben links), 2) Anzeige der verarbeiteten Filter und der Tabelle der aktuellen Standortdaten (oben rechts) und 3) Karte zur Visualisierung der Standortdaten mit mehreren Widgets zur Steuerung der Visualisierung (unten).

In der Eingabemaske (1) können drei Filter separat oder zusammen eingestellt werden. Erstens kann nach einer Zeitspanne gefiltert werden, dann werden alle Standortdaten außerhalb dieser Zeitspanne entfernt. Es können lediglich ganze Stunden eingegeben werden, etwa 16 für 16:00 Uhr. Zweitens kann nach einem Wochentag gefiltert werden, etwa „Montag“, der als Textform in das Textfeld eingegeben bzw. aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten von Tagen außer dem gewählten Wochentag werden entfernt. Drittens kann nach einem Monat gefiltert werden, der ebenfalls als Text eingegeben oder aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten aus anderen Monaten werden entfernt. Ein oder mehrere verwendete Filter werden durch Klicken auf den Button ''Wende Filter an und aktualisiere die Karte'' auf die aktuellen Standortdaten angewendet. Die Karte wird dann zurückgesetzt und kann zum Visualisieren der aktuellen Standortdaten verwendet werden. Durch Klicken auf den Button ''Setze alle Filter zurück'' werden die ursprünglichen Standortdaten wiederhergestellt, sodass neue Filter gesetzt werden können.

In der Anzeige (2) werden die zuletzt angewendeten Filter mit jeweils einem Satz beschrieben sowie die aktuellen Standortdaten in tabellarischer Form dargestellt.

Auf der Karte (3) werden die Standortdaten visualisiert. Dynamisch können diese mit dem Play-Widgets unten links nach und nach eingeblendet werden. Dadurch kann der Verlauf der Standortdaten gut nachvollzogen werden. Dieses Einzeichnen der Standorte kann mit dem Pause Button in diesem Widget pausiert und mit dem Stopp Button zurückgesetzt werden. Die Geschwindigkeit des Einzeichnens kann mit dem Schieberegler ''Speed'' unten rechts angepasst werden. Der Button ''Alle Standorte einzeichnen'' kann als Ersatz für die dynamische Visualisierung der Standortdaten verwendet werden, um alle Standorte auf einmal einzeichnen zu lassen. Aus Performancegründen ist dieser jedoch für wenige Standortdaten empfohlen und auch reguliert. Oben rechts auf der Karte wird in einem Textfeld der Zeitpunkt des zuletzt eingezeichneten Standortes angegeben. Mit den Buttons Plus und Minus oben links auf der Karte kann die Zoomstufe der Kartenanzeige verändert werden.

Standorte werden als Marker dargestellt. Durch Halten der Maus über einen Marker wird ein Tooltip mit dem Zeitpunkt dieses Standortes eingeblendet. Wenn mehrere Marker nah beieinander liegen, werden diese zu einem Cluster (farbiger Kreis mit einer Zahl) zusammengefasst. Durch Anklicken des Kreises bzw. durch Hineinzoomen in die Karte werden die Cluster wieder (abhängig von der Zoomstufe) getrennt.

Kontaktieren Sie uns gerne bei Fragen, entdeckten Fehlern oder Verbesserungsideen. Wir sind stets daran interessiert, die Web-Anwendung weiterzuentwickeln.

===Beispiel für die Interpretation der visualisierten Standortdaten===
In den Explorationsphasen des Unterrichtsmoduls mit der interaktiven Web-Anwendung filtern und interpretieren die Lernenden die visualisierten Standortdaten. Da die Interpretationen subjektiv sind, werden sich diese in der Lerngruppe durchaus widersprechen. So wird für den Beruf typischerweise eine breite Vielfalt angeboten, die durchaus plausibel sind. Für die Interpretationen muss es im Unterrichtsverlauf auch kein richtig oder falsch geben. Wichtig ist, dass für die eigenen Interpretationen mit Bezugnahme auf die Daten argumentiert werden kann.
[[Datei:Datenbewusstsein-Standortdatenmodul-Beispielbild-Interpretation.png|mini|250x250px|Auswahl der Standorte für den Filter von 3 bis 4 Uhr]]

====Beispiel einer Interpretation:====
Die meisten Menschen schlafen nachts. In Deutschland würde das dann heißen, dass z.B. zwischen 3:00 bis 4:00 Uhr viele Menschen schlafen. Stellt man nun den Filter für die Zeitspanne auf 3 bis 4 Uhr ein, so stehen insgesamt 294 Standorte zur Verfügung. Nach Einzeichnen auf der Karte können 208 Standorte in Berlin lokalisiert werden. Schaut man diese nun genauer an, so befinden sich 189 von diesen in der Nähe der U-Bahn Haltestelle Rosenthaler Platz (s. Bild).

====Weiteres Beispiel einer Interpretation:====
Die Lernenden können dazu neigen, sehr stark zu interpretieren. So etwa folgendes Beispiel aus einer Erprobung: Ich habe die Standortdaten gefiltert und bekomme heraus, dass er sich oft bei einer bestimmten Firma aufgehalten hat. Die Firma ist in einer bestimmten Branche tätig, was ich mit einer Suchmaschine herausgefunden habe. Deswegen arbeitet er nun also etwa in der Finanzbranche.

Ein Schüler erwiderte darauf in einer Unterrichtserprobung, dass der Aufenthaltsort tagsüber bei einer Firma lediglich die Interpretation ermöglichen würde, dass er vielleicht dort arbeiten würde, aber nicht welchen Beruf er dort nachgeht. Er könnte etwa auch einer Hausmeister-Tätigkeit nachgehen.

Diskussionen dieser Art zeigen ein gutes Verständnis für die Gewinnung einer Information durch Interpretation von (Standort-) Daten und können sehr gewinnbringend für den Unterrichtsverlauf sein. Die Sicherheit der Interpretationen sollte also durchaus beachtet aber auch nicht unterschätzt werden. Die Auswertungsphase dieser Explorationen ist knapp bemessen. Zugunsten von Diskussionen dieser Art kann diese durchaus verlängert werden. Dabei kann dann auch aufgegriffen werden, dass bei solchen Datenauswertungen auch weitere Datenquellen hinzugenommen werden (s. optionale Ergänzung in Phase 2b), um genauere Interpretationen zu ermöglichen.

===Beispiele für sekundäre Zwecke der Verwendung von Standortdaten aus dem Mobilfunknetz===

====Beispiel 1: Analyse der Mobilität während der Coronapandemie====
Zur Eindämmung der Covid-19-Pandemie wurden verschiedene Maßnahmen (u.a. „Lockdown“) veranlasst. Die Wirkung der Maßnahmen kann anhand der Mobilität der Bevölkerung untersucht werden. Dazu wurden etwa Mobilfunkdaten des Mobilfunkanbieters Telefónica bereitgestellt, die zuvor anonymisiert und aggregiert wurden. Ein Bericht dazu findet sich bei destatis. Dort sind ebenfalls interessante Visualisierungen eingefügt, welche im Unterricht mit aufgegriffen werden könnten.

https://www.destatis.de/DE/Service/EXDAT/Datensaetze/mobilitaetsindikatoren-mobilfunkdaten.html

====Beispiel 2: Analyse zur Optimierung des ÖPNV====
Mobilfunkanbieter nutzen erhobene Mobilfunkdaten (v.a. auch Standortdaten) für verschiedene Projekte im Kontext der Verkehrsoptimierung oder auch Optimierung des öffentlichen Personennahverkehrs. Telefónica berichtet dazu etwa von mehreren Projekten zum ÖPNV in Leipzig in München, der Verkehrsplanung in Deutschland oder zur Auswertung von Staus auf deutschen Straßen.

https://www.telefonica.de/analytics/anonymisierte-daten.html

Ähnlich berichtet auch der Mobilfunkanbieter Deutsche Telekom von einem Projekt mit Verkehrsbetrieben in Nürnberg, wo anonymisierte Standortdaten verwendet werden, um das Verkehrsangebot zu optimieren. Unter dem zweiten Link findet sich auch ein Video, welches dazu die sekundäre Verwendung der Standortdaten beschreibt und eventuell für den Unterricht genutzt werden könnte.

https://www.telekom.com/de/medien/medieninformationen/detail/data-analytics-handy-schwarm-hilft-strassenbahn-349426

https://www.telekom.com/de/medien/mediencenter/medienmappen/medienmappen-2015/data-analytics

__INHALTSVERZEICHNIS_ERZWINGEN__
[[Kategorie:Datenbewusstsein]]
[[Kategorie:ProDaBi]]

Datei:AB4 - Personensteckbrief.docx

2023-04-18T20:12:56Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:AB4 - Personensteckbrief.docx hoch

AB4 für Unterrichtsmodul "Exploration von Standortdaten - Klasse 5 und 6"

Datei:AB3 - Datenerhebung.docx

2023-04-18T20:12:34Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:AB3 - Datenerhebung.docx hoch

AB3 für Unterrichtsmodul "Exploration von Standortdaten - Klasse 5 und 6"

Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip

2023-04-18T20:11:48Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip hoch

Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip

2023-04-18T19:35:33Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip hoch

Datei:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx

2023-04-18T19:31:57Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx hoch

Weitere Kontexte mit Empfehlungsdiensten

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-04-18T19:31:01Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei ebenfalls weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande''?“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem sollte darauf eingegangen werden, welche weiteren Informationen in einem digitalen Doppelgänger in diesem Kontext enthalten sein könnten.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB2). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum). Hierbei sollte ebenfalls aufgegriffen werden, dass die Vorhersagewerte (s.o.) ebenfalls als Information im digitalen Doppelgänger enthalten sind und dieser somit ebenfalls Daten mit Vorhersagen zum zukünftigen Interaktionsverhalten enthält.

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.

Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]

Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).

In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)

Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.

Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Exploration von Standortdaten aus dem Mobilfunknetz - Klasse 5 und 6

2023-04-18T06:47:25Z

Lukas Höper: Teil 3 aktualisiert

'''Hinweis: Dieses Unterrichtsmodul wird von uns aktuell im Rahmen unserer Forschung evaluiert sowie überarbeitet. Dafür suchen wir nach interessierten Lehrkräften, die uns bei den Erprobungen unterstützen - melden Sie sich dafür gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}

Daten spielen im alltäglichen Leben in der digitalen Welt bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul wird das Mobilfunknetz als Beispiel für ein solches [[datengetriebenes digitales Artefakt]] aufgegriffen. Bei dessen Nutzung (z.B. Telefonieren oder SMS-Schreiben) werden verschiedene Daten explizit und implizit erhoben, wie etwa Standortdaten der Basisstationen, mit denen die Nutzerinnen und Nutzer verbunden sind. Anhand dieses Beispiels soll in diesem Unterrichtsmodul das [[Datenbewusstsein]] der Schülerinnen und Schüler gefördert werden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Standortdaten aus dem Mobilfunknetz

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Standortdaten, Mobilfunknetz

'''Zielgruppe:''' Informatik in Klasse 5 und 6 (alle Schulformen) - Anknüpfungen an den Politik- und Philosophieunterricht möglich

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (insbesondere der Schwerpunkt: [[Datenbewusstsein]]), "Daten und Information", "Informatiksysteme"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer bzw. mit Web-Anwendungen vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs (insb. Daten vs. Information – s. Inhaltsfeld „Information und Daten“) wünschenswert, entsprechende Erklärungen könnten aber auch in diesem Modul integriert werden.

'''Zeitlicher Umfang:''' 4 bis 6 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten, eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus drei Teilen zusammen und thematisiert als Beispielanwendung die Erhebung und Verarbeitung von Standortdaten exemplarisch bei der Nutzung des Mobilfunknetzes und weiterführend in anderen Alltagskontexten der Lernenden.

'''Im ersten Teil''' wird das Mobilfunknetz als Kontext eingeführt und der Aufbau und die Funktionsweise dessen am Beispiel des Telefonierens mit dem Handy erarbeitet. Dabei wird außerdem hergeleitet, welche persönlichen Daten dabei erhoben und wozu diese primär verwendet werden. Zum Beispiel ist das der Standort einer Basisstation im Mobilfunknetz, mit der Nutzende verbunden sind. Diese Standortdaten sind etwa dafür nötig, um ein effizientes Herstellen einer Mobilfunkverbindung zu gewährleisten (primärer Verwendungszweck der erhobenen Standortdaten).

'''Im zweiten Teil''' werden gegebene Daten aus dem Mobilfunknetz herangezogen. Diese echten Daten einer Person enthalten u.a. Standortdaten (umfassendere Erklärung der Daten s.u. und in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzenden Informationen zum Unterrichtsmodul]]). Die Lernenden analysieren diese Standortdaten mittels einer bereitgestellten Web-Anwendung hinsichtlich der Fragestellung, welche Informationen über eine Person aus Standortdaten gewonnen werden können. Dabei charakterisieren sie die ihnen unbekannte Person, indem sie einen Steckbrief erstellen. Es wird darauf eingegangen, warum ein solches Profiling nach deutschen Gesetzen verboten ist – mit strengen genehmigungspflichtigen Ausnahmen für spezielle Zwecke (z.B. Strafverfolgungszwecke). Die Lernenden verstehen diese Gründe besser, weil sie exemplarisch erfahren haben, was man aus solchen Daten schließen könnte.

'''Im dritten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Standortdaten erhoben werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy (u.a. auch auf der Basis von GPS-Daten). Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung personenbezogener Standortdaten diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit diesen datengetriebenen Anwendungen zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den drei Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus Nutzendem und dem Mobilfunknetz als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch die Erkundung des Aufbaus und der Funktionsweise des Mobilfunknetzes '''im ersten Teil''' können die Lernenden anhand einer enaktiven Simulation mit einem Puzzle die [[Datenbewusstsein|explizite und implizite Erhebung]] persönlicher Daten in diesem Beispiel untersuchen. Anschließend wird exemplarisch bei der Erhebung der Standortdaten der primäre Verwendungszweck untersucht. Die implizit erhobenen Standortdaten werden zum Herstellen einer Mobilfunkverbindung (z.B. beim Telefonieren) notwendigerweise verarbeitet ([[Datenbewusstsein|primärer Zweck]]). '''Im zweiten Teil''' explorieren die Lernenden gegebene Standortdaten aus dem Mobilfunknetz zu einem ausgedachten [[Datenbewusstsein|sekundären Zweck]], indem sie eine Person anhand ihrer Standortdaten charakterisieren ([[Datenbewusstsein|Konstruktion eines digitalen Doppelgängers eines Nutzenden]]). Dazu explorieren sie die Standortdaten in einer gegebenen Web-Anwendung und erstellen einen Steckbrief. So wird der Frage nachgegangen, welche Informationen über eine Person anhand von Standortdaten gewonnen werden können. Diese exemplarische Datenauswertung ist für einen deutschen Mobilfunkanbieter stark reguliert, was im Anschluss daran aufgegriffen und reflektiert werden kann. Dabei können auch weitere Beispiel sekundärer Verwendungszwecke der im Mobilfunknetz erhobenen Daten aufgegriffen werden (s.u., weitere sekundäre Zwecke). '''Im dritten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den drei Teilen dieses Unterrichtsmodul werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
** Die Lernenden erkennen den groben Aufbau und die grundlegende Funktionsweise eines Mobilfunknetzes, indem sie exemplarisch das Telefonieren im Mobilfunknetz anhand eines Puzzles simulieren und erklären.
** Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und erkennen, welche Daten bei der Nutzung des Mobilfunknetzes explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch für die implizite Erhebung von Standortdaten die Notwendigkeit der Verarbeitung dieser Daten (primärer Zweck).
* '''Teil 2: Exploration gegebener Standortdaten'''
** Die Lernenden erklären das Vorgehen zur Exploration von Standortdaten mithilfe der gegebenen Standortdaten und können wesentliche Schritte beschreiben.
** Die Lernenden ermitteln persönliche Informationen über eine ihnen unbekannte Person, indem sie gegebene Standortdaten mit einer Web-Anwendung explorieren (sekundärer Zweck).
* '''Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf ein weiteres Beispiel eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

*'''Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes'''
**Wie funktioniert das Mobilfunknetz und welche Daten werden bei der Nutzung (z.B. beim Telefonieren) explizit und implizit erhoben?
**Warum sind die implizite Erhebung und schließlich die Verarbeitung der Standortdaten nötig? (primärer Zweck)
*'''Teil 2: Exploration gegebener Standortdaten'''
**Welche Erkenntnisse können über eine Person durch die Auswertung ihrer Standortdaten gewonnen werden? (sekundärer Zweck)
*'''Teil 3: Weitere Kontexte zur Erhebung und Verarbeitung von Standortdaten'''
**In welchen anderen Kontexten werden Standortdaten erhoben und wozu werden sie dort verwendet?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Standortdatenmodul 5-6 - Überblick gekürzt.png|zentriert|mini|780x780px|Überblick über das Unterrichtsmodul]]

==Überblick über den Unterrichtsverlauf==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier: [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Ergänzende Informationen]].

{| class="wikitable"
|+
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Als Unterrichtsgespräch wird gemeinsam ein (Gedanken-) Experiment zum Herstellen einer Mobilfunkverbindung beim Telefonieren durchgeführt: (1) Von einem Handy wird ein zweites Handy angerufen – Was passiert dabei? (2) Was passiert nun, wenn ein Handy in einer Metallbox liegt? (3) Was passiert nun, wenn beide Handys zusammen in einer Metallbox liegen?

Gemeinsam wird die Frage erarbeitet, wie das Mobilfunknetz aufgebaut ist und welche Schritte zum Herstellen einer Mobilfunkverbindung nötig sind.

Didaktischer Kommentar:

Es werden eigene Erfahrungen der Lernenden zur Nutzung des Mobilfunknetzes aufgegriffen (aus Nutzerperspektive). Außerdem soll eine Neugierde an dem Aufbau und der genauen Funktionsweise des Mobilfunknetzes (aus Anbieterperspektive) geweckt werden. Daraus resultierend wird die Frage nach dem Aufbau und der Funktionsweise des Mobilfunknetzes aufgestellt. Das (Gedanken-) Experiment hilft dabei, die Frage nach den „Schritten bzw. Stationen zwischen den beiden Handys“ aufzuwerfen.
|
*Aktivierung von Vorkenntnissen zum Mobilfunknetz (i.d.R. aus Nutzerperspektive)
*Wecken von Neugierde an dem Aufbau und der Funktionsweise des Mobilfunknetzes
|[[Medium:Datenbewusstsein Standortdatenmodul Folien Gedankenexperiment Mobilfunknetz.pptx|Unterstützende Folien für das (Gedanken-) Experiment]] (alternativ auch zwei Handys und eine Metallbox)
|-
|'''1b'''
|'''Erarbeitung des Aufbaus und der Funktionsweise des Mobilfunknetzes:'''
Gemeinsam oder in Einzelarbeit wird ein Überblicksvideo zum Aufbau und der Funktionsweise des Mobilfunknetzes geschaut (ggf. mehrere Durchläufe). Die Lernenden notieren dabei Informationen zu Komponenten des Mobilfunknetzes (AB1), im Wesentlichen sind das: die mobilen Endgeräte, Basisstationen mit Mobilfunkantennen und entsprechenden Funkzellen, Vermittlungsstellen mit Datenbanken (hier Datenspeicher genannt). Danach werden die Begrifflichkeiten der Komponenten des Mobilfunknetzes im Plenum besprochen und gesichert. Anschließend wird mit einem Puzzle der vereinfachte Aufbau des Mobilfunknetzes rekonstruiert sowie die Funktionsweise mit zwei Szenarien erarbeitet und erste Ideen bezüglich der Datenerhebung entwickelt (AB2). [[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|zentriert|mini|334x334px|Lösung des Puzzles]]Anhand der beiden Szenarien erarbeiten die Lernenden, welche (persönlichen) Daten bei der Nutzung des Mobilfunknetzes (am Beispiel des Telefonierens) erhoben werden können und auch müssen (AB2). Diese Ideen für die erhobenen Daten werden in einem Unterrichtsgespräch gesammelt. Dabei wird auf den Datenbegriff eingegangen, inwiefern in diesem Beispiel Informationen als Daten aufgefasst werden (z.B. der Standort als Zahlenpaar von Längen- und Breitengrad). Anschließend werden die Begriffe der expliziten und impliziten Datenerhebung eingeführt (AB3). Die Lernenden ordnen die bei der Nutzung des Mobilfunknetzes erhobenen Daten diesen beiden Arten zu (Aufgabe 1 auf AB3). Diese Anwendung der Begrifflichkeiten wird anschließend gesichert. Danach bewerten die Lernenden die Verwendung der Standortdaten für den primären Zweck des Herstellens der Mobilfunkverbindung und entwickeln Ideen für sekundäre Zwecke (AB3). In der Sicherung der Bearbeitung des AB3 werden die Begrifflichkeiten der primären Zwecke (Aufgabe 2) und der sekundären Zwecke (Aufgabe 3) eingeführt (s. Begriffserklärung bei [[Datenbewusstsein]]).

Didaktischer Kommentar:

Die Architektur und Relevanz (s. Glossar in den [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|ergänzende Informationen]]) des Mobilfunknetzes wird in dieser Phase erarbeitet. Der gegebene Interaktionskontext wird dann hinsichtlich der explizit und implizit erhobenen Daten untersucht (zusätzliche Ideen für erhobene Daten können hinsichtlich der Notwendigkeit bewertet werden). Die Lernenden begründen zusätzlich die Verarbeitung der Standortdaten zum primären Zweck der Herstellung einer Mobilfunkverbindung. Sekundäre Zwecke werden in diesem Teil zunächst oberflächlicher aufgegriffen, sodass lediglich erste Ideen für mögliche sekundäre Zwecke entwickelt werden. In diesem Teil lernen die Lernenden die Begrifflichkeiten zu den Arten der Datenerhebung (explizite und implizite Datenerhebung) sowie zu den Typen der Zwecke für die Verwendung und Verarbeitung der Daten (primäre und sekundäre Zwecke) kennen. Diese werden sie in den nächsten Phasen wieder aufgreifen und dienen zur Erklärung der Rolle von Daten in einem solchen Interaktionssystem. In dem zweiten Teil wird ein eher fiktives Beispiel eines sekundären Zwecks näher thematisiert, sodass dieser Aspekt als Überleitung in den zweiten Teil dienen kann.
|
*Verstehen der Architektur und Relevanz (s. Glossar) des Mobilfunknetzes (grob)
*ggf. Kennenlernen des Begriffs Daten exemplarisch an den hier erhobenen Daten; ansonsten Anwendung der Kenntnisse zum Datenbegriff (s. Glossar)
*Einführung der Begrifflichkeiten „explizit und implizit erhobene Daten“ und identifizieren von explizit und implizit erhobene Daten in diesem Beispiel
*Beschreiben des primären Zwecks der Verarbeitung und Verwendung der Standortdaten
|[https://www.youtube.com/watch?v=76MD2s2P-DU#action=share Erklärvideo] ([https://www.youtube.com/watch?v=4NOizoHEgF0 Alternative]), [[Medium:Druckvorlage für 2 Puzzle.pdf|Puzzle]], [[Medium:AB1 - Video zum Aufbau Mobilfunknetz.docx|AB1]], [[Medium:AB2 - Niveau 1 - Aufbau und Funktionsweise.docx|AB2 - Niveau 1]], [[Medium:AB2 - Niveau 2 - Aufbau und Funktionsweise.docx|AB2 - Niveau 2]], [[Medium:AB2 - Sprinteraufgabe - Aufbau und Funktionsweise.docx|AB2 - Sprinteraufgabe]] (optional), [[Medium:AB3 - Datenerhebung.docx|AB3]]
|-
| colspan="4" |'''<center><big>Teil 2: Exploration gegebener Standortdaten</big></center>'''
|-
|'''2a'''
|'''Vorbereitung der Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
Zunächst werden die Mobilfunkdaten von Malte Spitz eingeführt (s.u.), welche u.a. Zeitstempel, genutzte Dienste und Standortdaten enthalten. Dabei sollten keine Hinweise dazu gegeben werden, welche Person das ist. Lediglich sollte angemerkt werden, dass diese Daten in einem halben Jahr von einer Person erhoben wurden. Diese Einführung kann etwa anhand der Datentabelle (beiliegende pdf) geschehen, welche dann auch besprochen werden sollte (Bezug zu Aufgaben 4 und 5 auf AB2 gut möglich).

Anschließend wird im Plenum auf folgende Leitfrage hingeführt: Was könnte man über eine Person herausfinden, wenn man diese Daten hätte?

Bevor die gegebenen Mobilfunkdaten (insb. Standortdaten) mithilfe einer Web-Anwendung exploriert werden, sollten die Lernenden zu dieser Leitfrage Vermutungen äußern, was man mit diesen Daten herausfinden könnte.

Anschließend wird in die interaktive Web-Anwendung eingeführt, in der diese Standortdaten exploriert werden können (Beschreibung dessen s.u.). Dazu könnten die Lernenden etwa zunächst die Anwendung selbst ausprobieren, bevor dann im Plenum anhand eines gemeinsamen Beispielfrage die Daten exploriert werden. An dem gemeinsamen Beispiel sollte das Vorgehen zum Explorieren vermittelt werden, welches die Lernenden in der nächsten Phase selbst durchführen: (1) Fragestellung entwickeln (z.B. Wo wohnt die Person vermutlich?), (2) entscheiden für zu setzende Filter in der Web-Anwendung (z.B. Zeitraum von 3 bis 4 Uhr), (3) visualisieren und untersuchen der Standortdaten auf der Karte, (4) interpretieren der Daten und Beantwortung der Fragestellung (z.B. Die Person wohnt in Berlin in der Nähe der Zehdenicker Straße) (Detailliertere Beschreibung von Beispielen s. Abs. 9.4). Das Vorgehen für eine Fragestellung kann auch ein „Ausprobieren“ verschiedener Filter umfassen.

Didaktischer Kommentar:

Mit den verfügbaren Mobilfunkdaten kann exemplarisch dafür sensibilisiert werden, wie viele Daten bei der Nutzung des Mobilfunknetzes erhoben und generiert werden.

Bezüglich dieser Daten sollte stets darauf geachtet werden, dass diese die Standorte der Basisstationen und eben keine GPS-Daten o.ä. darstellen und somit eine gewisse Ungenauigkeit besitzen (s. Beschreibung den ergänzenden Informationen). Das Explorieren der Standortdaten zum Erstellen einer modellhaften Charakterisierung der Person (vgl. der Idee des [[Datenbewusstsein|digitalen Doppelgängers]]) stellt einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten dar. Dieser Zweck sollte nicht als reale Verwendung und Verarbeitung dargestellt werden, aber als mögliche, wenn diese Daten weitergegeben werden, was in Phase 2c vertiefend diskutiert wird. In dieser Phase wird das Explorieren der Daten erstmal nur eingeführt, woraufhin die Lernenden in der nächsten Phase die Daten mit der Web-Anwendung selbstständig explorieren.
|
* Verständnis für die erhobenen Daten in diesem Interaktions-kontext und die Menge der Daten für eine Person verbessern und veranschaulichen
* Umgang mit dem Datenbegriff und der Repräsentation von Daten exemplarisch für die Datentabelle und Karte üben
* Vorgehen für die Datenexploration exemplarisch für die Standortdaten mit einer Web-Anwendung kennenlernen
* Verstehen der Charakterisierung der Person als einen sekundären Zweck der Verwendung und Verarbeitung der Standortdaten (fiktiver Zweck)

|[[Medium:Tabelle der vorhandenen Standortdaten.pdf|Tabelle der vorhandenen Standortdaten]], Web-Anwendung (s.u.), [[Medium:Hilfszettel - Interaktive Web Anwendung.docx|Hilfszettel für die Web-Anwendung]],
[[Medium:Zusatzmaterial - Hinweise zum Starten der Web-Anwendung.pdf|Hinweisblatt zum Starten der Web-Anwendung]]
|-
|'''2b'''
|'''Exploration der Standortdaten mithilfe der interaktiven Web-Anwendung:'''
In Gruppen explorieren die Lernenden eigenständig die Standortdaten mithilfe der Web-Anwendung. Dabei erstellen sie als Gruppe einen gemeinsamen digitalen Doppelgänger der Person in Form eines Steckbriefs. Dieser charakterisiert die ihnen unbekannten Person, etwa mit Interpretationen zum Wohnort, dem Arbeitsort oder Freizeitaktivitäten (AB4). Dazu können sich die Lernenden innerhalb einer Gruppe arbeitsteilig mit verschiedenen Fragestellungen befassen, um gemeinsam eine umfassendere Charakterisierung vornehmen zu können. Während der Explorationsphase in den Gruppen kann den Lernenden optional die Möglichkeit gegeben werden, weitere Kontextinformationen heranzuziehen, wie etwa was sich an einem bestimmten Ort befindet oder was ein bestimmtes Unternehmen macht – die Lernenden würden damit den Kontext explorieren.

In der anschließenden Auswertung der Gruppenergebnisse werden die verschiedenen Interpretationen diskutiert und zusammengeführt, wobei die Lernenden ihre Interpretationen begründen sollen. Dabei kann auch diskutiert werden, wie sicher sich die Lernenden mit einer bestimmten Interpretation sind. Außerdem kann die Subjektivität der Interpretationen gemeinsam diskutiert werden, indem das Kontextwissen aufgegriffen wird, mit dem die Lernenden auf eine bestimmte Interpretation gekommen sind – gerade bei unterschiedlichen Interpretationen gut thematisierbar. In der Sicherung sollte das Konzept des digitalen Doppelgängers (auf AB4 eingeführt) besprochen werden.

Didaktischer Kommentar:

Durch das Filtern als [[Data Moves|Data Move]] beim Explorieren können bereits einige Informationen über die Person gefunden werden. Die Interpretationen bei der Charakterisierung durch die Lernenden beruhen auf individuellem Kontextwissen und sind somit subjektiv. Das führt zum Auftreten konträrer Interpretationen, welche gewinnbringend diskutiert werden können und müssen. Beachtet werden sollte auch, dass die Charakterisierungen bzw. Steckbriefe einen modellhaften Charakter haben, der durch die ausgewählten Merkmale in den verfügbaren Daten bestimmt wird und kein allumfassendes Abbild der Person darstellt.
|
*Subjektiven Charakter von Informationen durch die Interpretation verstehen (im Gegensatz zu Daten)
*Umfang der Charakterisierung einer Person anhand der Exploration von Standortdaten erkennen
*Vorstellung des Digitalen Doppelgängers als modellhafte Charakterisierung einer Person kennenlernen
*Üben des Vorgehens zur Exploration der Daten

|Web-Anwendung (s.u.), [[Medium:AB4 - Personensteckbrief.docx|AB4]]
|-
|'''2c'''
|'''Reflexion und Bewertung:'''
Die Erhebung und Verarbeitung persönlicher Daten bei der Nutzung des Mobilfunknetzes wird nun im Unterrichtsgespräch reflektiert und anschließend durch die Lernenden bewertet. An dieser Stelle sollte darauf eingegangen werden, dass ein deutscher Mobilfunkanbieter die erhobenen Daten auf dieser Art und Weise zur Charakterisierung der Personen nicht ohne weiteres nutzen darf. Mithilfe der Erfahrungen aus der Exploration kann diese Regulierung auch von den Lernenden exemplarisch nachvollzogen werden.

''Optionale Ergänzung für höhere Jahrgangsstufen (z.B. Mittelstufe): Die Lernenden könnten in den Quellen aus den ergänzenden Informationen reale Beispiele für die sekundären Zwecke der Verarbeitung und Verwendung der Standortdaten durch Mobilfunkanbieter im Rahmen einer Recherche untersuchen. Dazu könnten sich die Lernenden in Gruppen einem der beiden Beispiele widmen und sich diese als Gruppenpuzzle gegenseitig vorstellen. Anschließend könnten diese diskutiert und bewertet werden, zum Beispiel indem eine Abwägung von Kosten (Preisgabe vieler persönlicher Informationen) und Nutzen (Vorteile für den Betrieb des Mobilfunknetzes und für gesellschaftliche Belange) vorgenommen wird.''

Didaktischer Kommentar:

Es sollte zum einen darauf geachtet werden, dass nicht die Fehlvorstellung entwickelt wird, dass Mobilfunkanbieter die Standortdaten einer Einzelperson tatsächlich so auswertet. Zum anderen sollte deutlich werden, dass die Standortdaten hier notwendigerweise erhoben werden (etwa für den primären Zweck) und die Regulierung auch sinnvoll sein kann.

''Die optionale Erarbeitung der Beispiele für reale sekundäre Zwecke der Verarbeitung und Verwendung von Standortdaten durch Mobilfunkanbieter kann den Lernenden einen differenzierten Blick geben, wofür diese Standortdaten tatsächlich genutzt werden und dass es dafür durchaus auch gute Zwecke gibt.''
|
*Reflektieren der Erkenntnisse zur Erhebung und Verarbeitung der Daten (v.a. Standortdaten) im Beispiel des Mobilfunknetzes und bewerten dessen
|
|-
|'''2d'''
|'''''Mögliche Hausaufgabe zur individuellen Reflexion:'''''
''Die Lernenden formulieren ein persönliches Fazit zur Erhebung und Verarbeitung der Daten im Mobilfunknetz und begründen dies (z.B. als Essay). Dabei sollen sie eine persönliche Bewertung vornehmen, die z.B. auch Folgerungen für eigenes Handeln beinhalten kann. Die Aufgabe kann alternativ auch am Ende dieser Phase (dann auch allgemeiner zu allen thematisierten Kontexten) eingegliedert werden.''
|
* Festhalten einer Bewertung (z.B. durch Abwägung) der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz (alternativ: in den thematisierten Kontexten)
|
|-
| colspan="4" |'''<center><big>Teil 3: Weitere Kontexte mit der Erhebung und Verarbeitung von Standortdaten</big></center>'''
|-
|'''3a'''
|'''Identifizieren weiterer Kontexte im Alltag der Lernenden:'''
Im Plenum werden weitere Interaktionskontexte aus dem Alltag der Lernenden gesammelt, in denen ebenfalls Standortdaten erhoben und verarbeitet werden. Dabei sollte beachtet werden, dass es auch andere Standortdaten gibt (Mobilfunknetz: Standorte der Basisstationen; andere Kontexte: z.B. GPS-Daten; s. Erklärung in den ergänzenden Informationen). In der nächsten Phase werden dann ausgewählte Beispiele näher untersucht.

Didaktischer Kommentar:

In dieser Phase geht es nicht um die genaue Rekonstruktion verschiedener weiterer Kontexte hinsichtlich der Datenerhebung und -verarbeitung, dies passiert in der nachfolgenden Phase. Es geht zunächst erstmal darum, weitere Kontexte, in denen Standortdaten von Nutzenden erhoben werden, zu identifizieren und zu beschreiben. Dadurch sollen die Lernenden einen breiteren und differenzierteren Blick für die Rolle von Standortdaten im eigenen Alltag entwickeln und datengetriebene digitale Artefakte, die Standortdaten erheben, eher erkennen.
|
*Erkennen weiterer Interaktionskontexte aus dem eigenen Alltag, in denen Standortdaten erhoben und verarbeitet werden
|
|-
|'''3b'''
|'''Anwendung und Bewertung:'''
In dieser Phase wenden die Lernenden die erlernten Perspektiven bezüglich der Facetten von [[Datenbewusstsein]] auf weitere Beispiele aus ihrem Alltag an, in denen Standortdaten eine Rolle spielen (also: explizite und implizite Datenerhebung, primäre und sekundäre Zwecke, digitaler Doppelgänger). Dafür schlagen wir drei Varianten vor, die in Abhängigkeit von der Lerngruppe gewählt werden können.

'''''Variante 1: „Explorationsprotokoll“ (relativ offen)'''''

Die Lernenden wählen ein datengetriebenes digitales Artefakt aus, bei dem Standortdaten von den Nutzenden erhoben und verarbeitet werden, und untersuchen bei diesem die Rolle der Daten hinsichtlich der Facetten von Datenbewusstsein. Dafür erstellen sie auf dem AB5a eine Art Protokoll als Übersicht zu diesem gewählten Interaktionskontext. Anschließend stellen sich die Lernenden ihre Beispiele gegenseitig vor. Die Lernenden nehmen im Anschluss für diese Beispiele eine begründete Bewertung hinsichtlich der Erhebung und Verwendung von Daten vor. Ausgehend von der expliziten und impliziten Datenerhebung (oder auch Wissen über Einstellungsmöglichkeiten) können ggf. auch Ideen für Handlungsmöglichkeiten gesammelt werden (z.B. Einschränkung der Datenerhebung oder bestimmter Zwecke für die Verwendung der Daten, Änderung des eigenen Verhaltens hinsichtlich der Nutzung von Features, …).

'''''Variante 2: Gruppenpuzzle zu weiteren Kontexten mit gegebenen Informationen'''''

Die Lernenden erarbeiten in Expertengruppen einen Kontext für die Interaktion mit einem datengetriebenen digitalen Artefakt, das Standortdaten erhebt. Dafür sind drei Gruppen vorbereitet: Eine Gruppe zu Google Maps, eine zu Snapchat und eine zu WhatsApp. Die Lernenden bearbeiten als Gruppe zunächst das jeweilige Arbeitsblatt und befassen sich dabei mit der Rolle von Daten in dem jeweiligen Kontext. Anschließend wird im Sinne eines Gruppenpuzzles die Zusammensetzung der Gruppen geändert, sodass in einer Gruppe mindestens on jeder Expertengruppe ein Lernender vertreten ist. In diesen gemischten Gruppen bearbeiten die Lernenden das Arbeitsblatt AB5b mit dem Vermerk Gruppenpuzzlediskussion. Dieses leitet die Lernenden an, ihre Ergebnisse aus den Expertengruppen auszuwerten. Außerdem diskutieren sie in der Gruppe Handlungsmöglichkeiten basierend auf den vorherigen Ergebnissen der Gruppen.

Im Plenum wird die Auswertung und Diskussion aus den gemischten Gruppen im Plenum besprochen und ausgewertet. Im Sinne einer Sicherung sollte dabei angestoßen werden, dass die Lernenden ein persönliches Fazit zu der Interaktion mit den exemplarischen datengetriebenen digitalen Artefakten formulieren bzw. eine Haltung dazu entwickeln.

Didaktischer Kommentar:

Die Lernenden sollten in dieser Anwendungs- und Bewertungsphase einen breiteren Blick für die Erhebung und Verarbeitung von Standortdaten in ihrem Alltag entwickeln. Dabei sollten sie auch die Erhebung von Standortdaten in den verschiedenen Kontexten und verschiedene Zwecke der Verarbeitung und Verwendung beschreiben können.

Dies soll durch den Perspektivwechsel von Nutzenden zu Anbietern von datengetriebenen digitalen Artefakten unterstützt werden. Außerdem entwickeln sie ausgehend von dieser Perspektive und basierend auf den Facetten von Datenbewusstsein Ideen für Handlungsmöglichkeiten im Rahmen der Interaktion mit einem datengetriebenen digitalen Artefakt. Dies soll dazu führen, dass sich die Lernenden als handlungsfähig wahrnehmen und keine resignierte Haltung entwickeln. In beiden Varianten sollten die Lernenden eine persönliche (begründete) Bewertung bzw. Haltung zu datengetriebenen digitalen Artefakten in den verschiedenen Interaktionskontexten vornehmen und sich selbst dazu positionieren.
|
*Wechsel der Perspektive eines Nutzenden zu einem Anbieter eines datengetriebenen digitalen Artefakts
*Anwendung der Perspektiven zu den Facetten von Datenbewusstsein auf weitere Beispiele aus dem eigenen Alltag
*Bewertung der Erhebung und Verarbeitung von Standortdaten im Mobilfunknetz und weiteren Kontexten (v.a. individuell, lerngruppenabhängig auch auf einer gesellschaftlichen Ebene)
*Reflektieren der Erhebung und Verarbeitung von Standortdaten im eigenen Alltag
*Reflektieren der eigenen Handlungsfähigkeit im Rahmen der Interaktionen mit datengetriebenen digitalen Artefakten

|'''Für Variante 1:'''
[[Medium:AB5a - Weitere Kontexte mit Explorationsprotokoll.docx|AB5a]]

'''Für Variante 2:'''

[[:Datei:AB5b - Weitere Kontexte Gruppenpuzzle - Gruppenpuzzlediskussion.docx|AB5b - Gruppenpuzzle-diskussion]],

[[:Datei:AB5b - Weitere Kontexte Gruppenpuzzle - Google Maps.docx|AB5b - Gruppe Google Maps]],

[[:Datei:AB5b - Weitere Kontexte Gruppenpuzzle - Snapchat.docx|AB5b - Gruppe Snapchat]],

[[:Datei:AB5b - Weitere Kontexte Gruppenpuzzle - WhatsApp.docx|AB5b - Gruppe WhatsApp]]
|}

==Beschreibungen ausgewählter Materialien==

===Puzzle zum Aufbau und der Funktionsweise des Mobilfunknetzes===
[[Datei:Datenbewusstsein-Standortdatenmodul-Puzzle-Lösung.png|mini|465x465px|Beispiellösung für das Puzzle in analoger Version]]
[[Datei:Exploration Standortdaten Kalsse 8 bis 10 - Puzzle.png|mini|504x504px|Digitale Version des Puzzles zum kollaborativen Bearbeitung des Puzzles|alternativtext=|verweis=https://unterrichtsmaterial-ddi.cs.upb.de/Datei:Exploration_Standortdaten_Kalsse_8_bis_10_-_Puzzle.png]]

====Puzzleteile:====

=====Personenplättchen:=====
Die drei Personenkärtchen stellen symbolisch die drei Personen mit ihren Handys bzw. mobilen Stationen dar. Diese spielen in den Simulationen der Funktionsweise des Mobilfunknetzes in der zweiten Aufgabe des Arbeitsblattes 2 eine große Rolle.

=====Elemente des Mobilfunknetzes:=====
In dem Puzzle kommen stellvertretend für das reduzierte Mobilfunknetz neben den Personenplättchen vier Puzzleteile vor: 1) Antenne + Basisstation (viermal), 2) Vermittlungsstelle, 3) Datenspeicher, 4) Internet.

Eine detaillierte Beschreibung des Mobilfunknetzes und der jeweiligen Elemente findet sich in dem zuvor verlinkten [[Medium:Exploration Standortdaten - Ergaenzende Informationen.pdf|Dokument zu ergänzenden Hintergrundinformationen]].

Nachfolgend wird eine Lösung des Puzzles beschrieben. Die Puzzleteile sind, wie dort dargestellt, auf der Puzzlevorlage (s.u.) abzulegen, um das Mobilfunknetz adäquat darzustellen und die Funktionsweise daran zu simulieren. Die Schnittstelle zwischen Vermittlungsstelle und Datenbank wurde zur Reduktion der Komplexität durch eine direkt verbundene Anordnung ersetzt. Die Vermittlungsstelle und die Datenbank sind also als zwei verknüpfte Elemente zu verstehen. Das Puzzleteil Internet (4) steht in äußerst abstrakter Art und Weise stellvertretend für die Verbindung zwischen Vermittlungsstelle und „dem Internet“. Die Thematisierung des, wenn auch grundlegenden, Aufbaus des Internets in diesem Unterrichtsmodul würde im Sinne der Komplexität zu weit führen. (Denkbar wäre an dieser Stelle jedoch in Abhängigkeit der Lerngruppe ein sehr kurzer Exkurs zum Aufbau des Internets.)

====Puzzlevorlage:====
Die Puzzleteile und Personenplättchen werden in der ersten Aufgabe des Arbeitsblattes 2 im Sinne einer Rekonstruktion des Aufbaus des Mobilfunknetzes auf einer Puzzlevorlage abgelegt. Die Puzzlevorlage wird die Lernenden gemeinsam mit den Puzzleteilen und dem Arbeitsblatt 2 ausgehändigt. In durchgeführten Erprobungen des Unterrichtsmoduls hat sich gezeigt, dass es ratsam ist, die Materialien des Puzzles bereits zuvor ausgeschnitten in den Unterricht mitzubringen, um die effektive Lernzeit nicht wesentlich zu verkürzen, ein Ausschneiden im Unterricht durch die Schülerinnen und Schüler ist unter Umständen auch möglich.

====Lösung des Puzzles:====
Eine mögliche Lösung für das Puzzle in dem nebenstehendem Bild dargestellt. Variationen bestehen lediglich in der Wahl der Funkzellen, in denen sich die drei Personen aufhalten. Die Elemente des Mobilfunknetzes (graue Puzzleteile) sollten nicht anders gewählt werden. Die Pfeile werden in der zweiten Aufgabe des Arbeitsblattes 2 auf das Puzzle gelegt, um das Herstellen einer Verbindung im Mobilfunknetz nachzustellen. Dazu werden zwei Szenarien zum Telefonieren (Situation 1: orangene Pfeile, Situation 2: grüne Pfeile) aufgegriffen. Optional kann ein drittes Szenario zum ''Aufrufen einer Internetseite'' (blaue Pfeile) als „Sprinteraufgabe“ bearbeitet werden. Die Pfeilrichtung stellt vereinfacht das Senden von Datenpaketen bei der Anfrage der jeweiligen Mobilfunkverbindung dar.

===Hinweise zu den explorierten Daten von Malte Spitz===
Die Standortdaten wurden während der Nutzung des Mobilfunknetzes von einem Mobilfunkanbieter erhoben. Die Datensätze wurden aus Gründen des Datenschutzes gefiltert, sodass nicht alle erhobenen Daten in der Tabelle aufgefasst werden und die Tabelle somit lediglich als Ausschnitt der erhobenen Daten bezeichnet werden sollte. Die Daten gehören zu einer Einzelperson – genauer zum Politiker Malte Spitz. Veröffentlicht wurden sie gemeinsam mit ''Zeit Online'' im Kontext des Diskurses um die Vorratsdatenspeicherung. Die inbegriffenen Daten umfassen einen Zeitraum zwischen September 2009 und Februar 2010. Bei der Interpretation der auf der Karte visualisierten Standortdaten sollte gegebenenfalls berücksichtigt werden, dass es sich um inzwischen ältere Daten auf einer aktuellen Karte handelt und somit die weiteren Hinweise auf der Karte (z.B. Cafe, Restaurant, Firmen) nicht unbedingt immer stimmen müssen. Dies hindert den Erkenntnisgewinn der Lernenden aus unserer Sicht jedoch nicht.

'''Weiterführende Quellen zu den Daten:'''

https://www.zeit.de/digital/datenschutz/2011-02/vorratsdaten-malte-spitz

https://www.zeit.de/datenschutz/malte-spitz-vorratsdaten

===Interaktive Web-Anwendung===
[[Datei:Exploration von Standortdaten - Web-Anwendung.png|Ausschnitt der gestarteten interaktiven Web-Anwendung zu diesem Unterrichtsmodul (Stand: Mai 2021)|alternativtext=|mini|591x591px]]Für das Unterrichtsmodul haben wir eine interaktive Webanwendung entwickelt. Diese ist unter folgendem Link erreichbar: [https://go.upb.de/ExplorationStandortdaten go.upb.de/ExplorationStandortdaten] (ggf. sind Login-Daten nötig: user ''jupyter'' und PW ''upb_jupyter'')

Sie basiert auf einem Jupyter Notebook und ist mit Python entwickelt worden. Von den Lernenden werden hingegen keine Kenntnisse im Umgang mit Jupyter Notebooks sowie keinerlei Programmierkenntnisse vorausgesetzt.

Zunächst müssen die Standortdaten eingelesen werden, was über den Button ''Lade die Standortdaten'' geht. Prinzipiell ist es auch möglich eigene Standortdaten einzuladen bzw. die Anwendung, um diese zu erweitern, die an dieser Stelle ausgewählt werden könnten.

Nach Laden der Standortdaten wird die Bedienoberfläche angezeigt (s. Bild).

Sie besteht im Wesentlichen aus drei Bereichen: 1) Eingabemaske zum Einstellen von Filtern (oben links), 2) Anzeige der verarbeiteten Filter und der Tabelle der aktuellen Standortdaten (oben rechts) und 3) Karte zur Visualisierung der Standortdaten mit mehreren Widgets zur Steuerung der Visualisierung (unten).

In der Eingabemaske (1) können drei Filter separat oder zusammen eingestellt werden. Erstens kann nach einer Zeitspanne gefiltert werden, dann werden alle Standortdaten außerhalb dieser Zeitspanne entfernt. Es können lediglich ganze Stunden eingegeben werden, etwa 16 für 16:00 Uhr. Zweitens kann nach einem Wochentag gefiltert werden, etwa „Montag“, der als Textform in das Textfeld eingegeben bzw. aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten von Tagen außer dem gewählten Wochentag werden entfernt. Drittens kann nach einem Monat gefiltert werden, der ebenfalls als Text eingegeben oder aus dem Dropdown-Menü ausgewählt werden kann. Alle Standortdaten aus anderen Monaten werden entfernt. Ein oder mehrere verwendete Filter werden durch Klicken auf den Button ''Wende Filter an und aktualisiere die Karte'' auf die aktuellen Standortdaten angewendet. Die Karte wird dann zurückgesetzt und kann zum Visualisieren der aktuellen Standortdaten verwendet werden. Durch Klicken auf den Button ''Setze alle Filter zurück'' werden die ursprünglichen Standortdaten wiederhergestellt, sodass neue Filter gesetzt werden können.

In der Anzeige (2) werden die zuletzt angewendeten Filter mit jeweils einem Satz beschrieben sowie die aktuellen Standortdaten in tabellarischer Form dargestellt.

Auf der Karte (3) werden die Standortdaten visualisiert. Dynamisch können diese mit dem Play-Widgets unten links nach und nach eingeblendet werden. Dadurch kann der Verlauf der Standortdaten gut nachvollzogen werden. Dieses Einzeichnen der Standorte kann mit dem Pause Button in diesem Widget pausiert und mit dem Stopp Button zurückgesetzt werden. Die Geschwindigkeit des Einzeichnens kann mit dem Schieberegler ''Speed'' unten rechts angepasst werden. Der Button ''Alle Standorte einzeichnen'' kann als Ersatz für die dynamische Visualisierung der Standortdaten verwendet werden, um alle Standorte auf einmal einzeichnen zu lassen. Aus Performancegründen ist dieser jedoch für wenige Standortdaten empfohlen und auch reguliert. Oben rechts auf der Karte wird in einem Textfeld der Zeitpunkt des zuletzt eingezeichneten Standortes angegeben. Mit den Buttons Plus und Minus oben links auf der Karte kann die Zoomstufe der Kartenanzeige verändert werden.

Standorte werden als Marker dargestellt. Durch Halten der Maus über einen Marker wird ein Tooltip mit dem Zeitpunkt dieses Standortes eingeblendet. Wenn mehrere Marker nah beieinander liegen, werden diese zu einem Cluster (farbiger Kreis mit einer Zahl) zusammengefasst. Durch Anklicken des Kreises bzw. durch Hineinzoomen in die Karte werden die Cluster wieder (abhängig von der Zoomstufe) getrennt.

Kontaktieren Sie uns gerne bei Fragen, entdeckten Fehlern oder Verbesserungsideen. Wir sind stets daran interessiert, die Web-Anwendung weiterzuentwickeln.

===Beispiel für die Interpretation der visualisierten Standortdaten===
In den Explorationsphasen des Unterrichtsmoduls mit der interaktiven Web-Anwendung filtern und interpretieren die Lernenden die visualisierten Standortdaten. Da die Interpretationen subjektiv sind, werden sich diese in der Lerngruppe durchaus widersprechen. So wird für den Beruf typischerweise eine breite Vielfalt angeboten, die durchaus plausibel sind. Für die Interpretationen muss es im Unterrichtsverlauf auch kein richtig oder falsch geben. Wichtig ist, dass für die eigenen Interpretationen mit Bezugnahme auf die Daten argumentiert werden kann.
[[Datei:Datenbewusstsein-Standortdatenmodul-Beispielbild-Interpretation.png|mini|250x250px|Auswahl der Standorte für den Filter von 3 bis 4 Uhr]]

====Beispiel einer Interpretation:====
Die meisten Menschen schlafen nachts. In Deutschland würde das dann heißen, dass z.B. zwischen 3:00 bis 4:00 Uhr viele Menschen schlafen. Stellt man nun den Filter für die Zeitspanne auf 3 bis 4 Uhr ein, so stehen insgesamt 294 Standorte zur Verfügung. Nach Einzeichnen auf der Karte können 208 Standorte in Berlin lokalisiert werden. Schaut man diese nun genauer an, so befinden sich 189 von diesen in der Nähe der U-Bahn Haltestelle Rosenthaler Platz (s. Bild).

====Weiteres Beispiel einer Interpretation:====
Die Lernenden können dazu neigen, sehr stark zu interpretieren. So etwa folgendes Beispiel aus einer Erprobung: Ich habe die Standortdaten gefiltert und bekomme heraus, dass er sich oft bei einer bestimmten Firma aufgehalten hat. Die Firma ist in einer bestimmten Branche tätig, was ich mit einer Suchmaschine herausgefunden habe. Deswegen arbeitet er nun also etwa in der Finanzbranche.

Ein Schüler erwiderte darauf in einer Unterrichtserprobung, dass der Aufenthaltsort tagsüber bei einer Firma lediglich die Interpretation ermöglichen würde, dass er vielleicht dort arbeiten würde, aber nicht welchen Beruf er dort nachgeht. Er könnte etwa auch einer Hausmeister-Tätigkeit nachgehen.

Diskussionen dieser Art zeigen ein gutes Verständnis für die Gewinnung einer Information durch Interpretation von (Standort-) Daten und können sehr gewinnbringend für den Unterrichtsverlauf sein. Die Sicherheit der Interpretationen sollte also durchaus beachtet aber auch nicht unterschätzt werden. Die Auswertungsphase dieser Explorationen ist knapp bemessen. Zugunsten von Diskussionen dieser Art kann diese durchaus verlängert werden. Dabei kann dann auch aufgegriffen werden, dass bei solchen Datenauswertungen auch weitere Datenquellen hinzugenommen werden (s. optionale Ergänzung in Phase 2b), um genauere Interpretationen zu ermöglichen.

===Beispiele für sekundäre Zwecke der Verwendung von Standortdaten aus dem Mobilfunknetz===

====Beispiel 1: Analyse der Mobilität während der Coronapandemie====
Zur Eindämmung der Covid-19-Pandemie wurden verschiedene Maßnahmen (u.a. „Lockdown“) veranlasst. Die Wirkung der Maßnahmen kann anhand der Mobilität der Bevölkerung untersucht werden. Dazu wurden etwa Mobilfunkdaten des Mobilfunkanbieters Telefónica bereitgestellt, die zuvor anonymisiert und aggregiert wurden. Ein Bericht dazu findet sich bei destatis. Dort sind ebenfalls interessante Visualisierungen eingefügt, welche im Unterricht mit aufgegriffen werden könnten.

https://www.destatis.de/DE/Service/EXDAT/Datensaetze/mobilitaetsindikatoren-mobilfunkdaten.html

====Beispiel 2: Analyse zur Optimierung des ÖPNV====
Mobilfunkanbieter nutzen erhobene Mobilfunkdaten (v.a. auch Standortdaten) für verschiedene Projekte im Kontext der Verkehrsoptimierung oder auch Optimierung des öffentlichen Personennahverkehrs. Telefónica berichtet dazu etwa von mehreren Projekten zum ÖPNV in Leipzig in München, der Verkehrsplanung in Deutschland oder zur Auswertung von Staus auf deutschen Straßen.

https://www.telefonica.de/analytics/anonymisierte-daten.html

Ähnlich berichtet auch der Mobilfunkanbieter Deutsche Telekom von einem Projekt mit Verkehrsbetrieben in Nürnberg, wo anonymisierte Standortdaten verwendet werden, um das Verkehrsangebot zu optimieren. Unter dem zweiten Link findet sich auch ein Video, welches dazu die sekundäre Verwendung der Standortdaten beschreibt und eventuell für den Unterricht genutzt werden könnte.

https://www.telekom.com/de/medien/medieninformationen/detail/data-analytics-handy-schwarm-hilft-strassenbahn-349426

https://www.telekom.com/de/medien/mediencenter/medienmappen/medienmappen-2015/data-analytics

__INHALTSVERZEICHNIS_ERZWINGEN__
[[Kategorie:Datenbewusstsein]]
[[Kategorie:ProDaBi]]

Datei:AB5b - Weitere Kontexte Gruppenpuzzle - WhatsApp.docx

2023-04-18T06:44:36Z

Lukas Höper:

Datei:AB5b - Weitere Kontexte Gruppenpuzzle - Snapchat.docx

2023-04-18T06:44:30Z

Lukas Höper:

Datei:AB5b - Weitere Kontexte Gruppenpuzzle - Google Maps.docx

2023-04-18T06:44:22Z

Lukas Höper:

Datei:AB5b - Weitere Kontexte Gruppenpuzzle - Gruppenpuzzlediskussion.docx

2023-04-18T06:43:01Z

Lukas Höper:

Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip

2023-04-18T06:40:40Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip hoch

Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip

2023-04-18T06:28:31Z

Lukas Höper: Lukas Höper lud eine neue Version von Datei:Datenbewusstsein Unterrichtsmodul Klasse 5 und 6.zip hoch

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-04-02T17:59:19Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip|Material_Name=Download aller Materialien zum Modul|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei ebenfalls weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande?''“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem kann darauf eingegangen werden, welche weiteren Daten zur Verfügung stehen und somit zur Ermittlung von personalisierten Empfehlungen herangezogen werden können.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB dazu). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum).

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.
Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]
Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).
In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)
Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.
Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-04-02T17:58:08Z

Lukas Höper:

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip|Material_Name=|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei ebenfalls weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande?''“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem kann darauf eingegangen werden, welche weiteren Daten zur Verfügung stehen und somit zur Ermittlung von personalisierten Empfehlungen herangezogen werden können.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB dazu). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum).

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.
Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]
Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).
In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)
Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.
Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Datei:Datenbewusstsein Unterrichtsmodul Klasse 8 bis 10.zip

2023-04-02T17:57:23Z

Lukas Höper:

Exploration von Empfehlungsdiensten - Klasse 8 bis 10

2023-04-02T17:55:21Z

Lukas Höper: /* Beschreibungen ausgewählter Materialien */

'''Hinweis: Dieses Unterrichtsmodul befindet sich noch in der Erprobungsphase und wird von uns noch evaluiert sowie überarbeitet. Bei Interesse an Erprobungen melden Sie sich gerne bei Lukas Höper aus der Didaktik der Informatik.'''
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Datenbewusstsein|Material=|Material_Name=|Autor=Lukas Höper|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=}}
Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen [[Datengetriebenes digitales Artefakt|datengetriebenen digitalen Artefakten]] (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). In diesem Unterrichtsmodul werden Empfehlungsdienste (engl. Recommender Systems) als Beispiel für [[Datengetriebenes digitales Artefakt|datengetriebene digitale Artefakte]] thematisiert, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu exemplarisch ein Filmempfehlungsdienst im Kontext von Streamingdiensten aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des [[Datenbewusstsein|Datenbewusstseins]] der Schülerinnen und Schüler stattfinden, wozu die Leitfrage „''Wo, wie und wozu werden Daten gesammelt und verarbeitet?''“ beispielhaft beantwortet wird.

==Steckbrief des Unterrichtsmoduls==
'''Titel:''' Wo, wie und wozu werden Daten gesammelt und verarbeitet? – Datenbewusstsein durch die Exploration von Empfehlungsdiensten im Kontext von Streamingdiensten

'''Stichworte:''' [[Datenbewusstsein]], [[Data Science]], Exploration von Empfehlungsdiensten

'''Zielgruppe:''' Informatik in Klasse 8 bis 10 (alle Schulformen)

'''Inhaltsfeld:''' "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Information und Daten", "Informatiksysteme" und "Künstliche Intelligenz und maschinelles Lernen"

'''Vorkenntnisse:''' Dieses Unterrichtsmodul setzt keine besonderen Vorkenntnisse der Lernenden voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert, entsprechende Einführungen könnten aber auch in diesem Modul integriert werden. Ein Verständnis von Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig, im Gegenteil werden in diesem Modul Aspekte dessen bereits aufgegriffen – diese könnten auch in einer Adaption des Unterrichtsmoduls erweitert werden.

'''Zeitlicher Umfang:''' 6-8 Unterrichtsstunden a 45 Minuten

==Überblick über den Verlauf des Unterrichtsmoduls==
Dieses Unterrichtsmodul vermittelt [[Datenbewusstsein]]: Die Kompetenz, sich die Rolle der erhobenen und verarbeiten Daten bei der Nutzung unterschiedlicher Anwendungen bewusst zu werden, um schließlich die Nutzung bewerten und eigene Handlungsoptionen identifizieren zu können. Damit wird das Ziel verfolgt, die Lernenden zu einer selbstbestimmten Interaktion mit datengetriebenen Anwendungen in ihrem Alltag zu befähigen. Das Modul setzt sich aus vier Teilen zusammen und thematisiert exemplarisch die Erhebung und Verarbeitung von persönlichen Daten bei der Nutzung von Streamingdiensten, bei denen Empfehlungsdienste eingesetzt werden. Fokussiert wird die Rolle der Daten für einen Empfehlungsdienst, wie etwa bei der Startseite bei einem Streamingdienst zu erkennen, wobei ebenfalls weiterführend auch andere Alltagskontexte der Lernenden aufgegriffen werden.

'''Im ersten Teil''' wird in Empfehlungsdienste als Kontext und in die Idee der personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung eines exemplarischen Streamingdienstes, insbesondere für den primären Zweck des Gebens von personalisierten Filmempfehlungen, erhoben werden. Zum Beispiel sind dafür Nutzungsdaten interessiert, wie etwa welche Filme ein Nutzender zuvor geschaut hat. Dabei entwickeln die Lernenden bereits erste Ideen, was es bedeutet, einem Nutzenden Empfehlungen anzuzeigen und wie solche Filmempfehlungen ermittelt werden könnten.

'''Im zweiten Teil''' wird die Funktionsweise eines Filmempfehlungsdienstes rekonstruiert, wofür die Lernenden in einer vorbereiteten Lernumgebung mit einem funktionierenden Filmempfehlungsdienst (basierend auf realen Nutzungsdaten aus dem Streamingkontext) interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (umfassende Erklärung des Empfehlungsdienstes sowie des ML-Verfahrens s.u.).

'''Im dritten Teil''' wird exemplarisch eine Zweitverwertung der Nutzungsdaten durch einen Streamingdienst thematisiert, indem eine Diskussionsrunde zu dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungsdienstes betrachtet wird. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und Handlungsoptionen insbesondere auf einer individuellen Betrachtungsebene bedacht und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst (mit Fokus auf Empfehlungsdienste) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Idee von Filterblasen.

'''Im vierten Teil''' werden die gemachten Erfahrungen auf weitere mögliche Kontexte übertragen und so verallgemeinert, indem die Lernenden weitere datengetriebene Anwendungen aus ihrem Alltag untersuchen, in denen Empfehlungsdienste eingesetzt werden, wie zum Beispiel bei bestimmten Apps auf ihrem Handy. Im Rahmen einer Evaluation und Bewertung der Datenerhebung und -verarbeitung in den verschiedenen Beispielen können Vor- und Nachteile der Erhebung und Verarbeitung persönlicher Daten (z.B. Nutzungsdaten) diskutiert werden, um so den Lernenden eine Grundlage für reflektierten Entscheidungen hinsichtlich der Interaktion mit datengetriebenen Anwendungen dieser Art zu vermitteln.

==Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul==
Zur Umsetzung der Ziele und damit zum Fördern des Datenbewusstseins der Lernenden werden die Facetten von Datenbewusstsein in den vier Teilen des Unterrichtsmoduls umgesetzt. Das gewählte Beispiel im ersten Teil beschreibt ein Interaktionssystem bestehend aus einem Nutzendem und einem Streamingdienst bzw. dessen Empfehlungsdienst als datengetriebenes digitales Artefakt sowie der Interaktion zwischen diesen. Durch ein Spiel zu personalisierten Filmempfehlungen erarbeiten die Lernenden '''im ersten Teil''' die Bedeutung von personalisierten Filmempfehlungen und welche Rolle dabei Informationen bzw. Daten über die Person spielen. Dabei entwickeln sie Ideen für die [[Datenbewusstsein|explizite und implizite Erhebung]] von persönlichen Daten für den [[Datenbewusstsein|primären Zweck]] der Verwendung dieser Daten, des Ermittelns von personalisierten Filmempfehlungen. Diesen primären Zweck im Sinne der automatisierten Ermittlung von personalisierten Filmempfehlungen durch einen Empfehlungsdienst erarbeiten die Lernenden '''im zweiten Teil''' detaillierter. Dabei werden insbesondere auch die [[Datenbewusstsein|Konstruktion und Bedeutung des digitalen Doppelgängers]] eines Nutzenden hervorgehoben. Für einen [[Datenbewusstsein|sekundären Zweck]] der Verwendung und Verarbeitung der erhobenen Daten oder auch der digitalen Doppelgänger von Nutzenden wird '''im dritten Teil''' eine exemplarische, fiktive personalisierte Bezahlschranke thematisiert, in der verschiedene Aspekte der Wechselwirkungen in dem Interaktionssystem aufgegriffen werden. Dies veranlasst die Lernenden die Rolle der Daten und des Selbst in diesem exemplarischen Interaktionssystem zu reflektieren und die Erhebung und Verarbeitung von persönlichen Daten in einem solchen Interaktionssystem zu bewerten. '''Im vierten Teil''' werden die erlernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele aus ihrem eigenen Alltag angewandt: Interaktion mit einem datengetriebenen digitalen Artefakt; explizite und implizite Datenerhebung; primäre und sekundäre Zwecke der Verwendung und Verarbeitung sowie Konstruktion eines digitalen Doppelgängers. Diese Kontexte werden anschließend reflektiert und kriteriengeleitet bewertet.

==Ziele des Unterrichtsmoduls==
In den vier Teilen des Unterrichtsmoduls werden im Wesentlichen folgende Ziele verfolgt:

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen die Bedeutung von personalisierten Filmempfehlungen, indem sie exemplarisch anderen Lernenden in mehreren Schritten Filmempfehlungen geben und diesen Prozess der Verbesserung dieser Filmempfehlungen reflektieren.
Die Lernenden unterscheiden die Begriffe der explizit und implizit erhobenen Daten und entwickeln Ideen dafür, welche Daten für die automatisierte Ermittlung von Filmempfehlungen explizit und implizit erhoben werden.
** Die Lernenden begründen exemplarisch die Notwendigkeit der expliziten und impliziten Erhebung von persönlichen Daten sowie deren Verarbeitung zum Ermitteln personalisierte Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einem Streamingdienst (primärer Zweck).
*'''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Die Lernenden erklären wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen basierend auf explizit und implizit erhobenen Daten (z.B. Nutzungsdaten), wobei sie auf die Grundidee des kollaborativen Filterns anhand des Verfahrens k-nearest-neighbors aus dem maschinellen Lernen eingehen.
** Die Lernenden beschreiben die Konstruktion eines digitalen Doppelgängers bei der Nutzung eines Streamingdienstes und begründen dessen Relevanz für einen Empfehlungsdienst.
*'''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Die Lernenden erkennen den Vorschlag der Zweitverwertung für eine personalisierte Bezahlschranke als Idee für einen sekundären Zweck der Verwendung und Verarbeitung der erhobenen Daten bzw. des digitalen Doppelgängers, indem sie diese Idee aus verschiedenen Perspektiven in einer Diskussionsrunde (bzw. Rollenspiel) beleuchten.
** Die Lernenden erkennen mehrere Aspekte der Wechselwirkung zwischen Nutzendem und Streamingdienst, indem sie diese im Rahmen der Diskussionsrunde aufgreifen und bewerten.
** Die Lernenden beschreiben aus ihrer individuellen Perspektive Handlungsoptionen bzgl. der Interaktion mit einem Streamingdienst mit einem Empfehlungsdienst, indem sie eine Bewertung bzgl. der Erhebung und Verarbeitung von Daten im Rahmen der Interaktion mit einem Streamingdienst vornehmen und ein Fazit dazu formulieren.
*'''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** Die Lernenden wenden ihre gelernten Kenntnisse zum Datenbewusstsein auf weitere Beispiele eines datengetriebenen digitalen Artefakts aus ihrem Alltag an, indem sie an diesem Beispiel die explizite und implizite Datenerhebung, deren Verwendung und Verarbeitung zu primären und exemplarischen sekundären Zwecken sowie die Konstruktion von digitalen Doppelgängern identifizieren und beschreiben.
** Die Lernenden nehmen eine begründete Bewertung der Erhebung und Verarbeitung von Standortdaten in den thematisierten Beispielen vor, indem sie zum Beispiel auf den Kompromiss zwischen einem datensparsamen Verhalten und das Nutzen von individuellen oder gesellschaftlichen Vorteilen eingehen.

==Leitfragen im Unterrichtsmodul==

* '''Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst'''
** Was sind personalisierte Filmempfehlungen, welche Daten über Nutzende sind dafür hilfreich und welche kann ein Streamingdienst explizit und implizit erheben?
* '''Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten'''
** Wie können anhand von u.a. Bewertungsdaten (anhand explizit und implizit erhobener Daten) automatisiert personalisierte Filmempfehlungen ermittelt werden? (primärer Zweck)
** Wie wird ein digitaler Doppelgänger von einem Nutzenden konstruiert und welche Rolle spielt dieser für die Funktionsweise im Empfehlungsdienst?
* '''Teil 3: Zweitverwertung durch einen Empfehlungsdienst'''
** Wozu könnten persönliche Daten neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
** Welche Bedeutung hat die Rolle der Daten im Rahmen der Nutzung von Streamingdiensten mit Empfehlungsdiensten hinsichtlich Aspekte der Wechselwirkung zwischen Nutzendem und dem Streamingdienst?
* '''Teil 4: Weitere Kontexte mit Empfehlungsdiensten'''
** In welchen anderen Kontexten werden Empfehlungsdienste eingesetzt, welche Daten werden dort erhoben und wozu werden sie verarbeitet?
** Welche Handlungsoptionen hat ein Nutzender in diesen Kontexten?

==Zusammenfassender Überblick über das Unterrichtsmodul==
Das Unterrichtsmodul mit den zentralen Aktivitäten, Leitfragen und Fachinhalten in den drei Teilen wird in der nachfolgenden Grafik zur Übersicht und Orientierung zusammengefasst.
[[Datei:Datenbewusstein Empfehlungsdienstmodul Übersicht.png|zentriert|mini|700x700px|Überblick über das Unterrichtsmodul]]
==Überblick über das Unterrichtsmodul==
In der folgenden überblicksartigen Tabelle wird der Unterrichtsverlauf beschrieben. Die Materialien für die verschiedenen Phasen (Arbeitsblätter und Zusatzmaterialien) werden in der Tabelle entsprechend verlinkt. Als Unterstützungsmaterial für Lehrkräfte steht ebenfalls eine Handreichung mit ergänzenden Informationen bereit, in der ausgewählte Inhalte des Unterrichtsmodul, Materialien und Begrifflichkeiten näher erklärt werden. Diese Handreichung ist nicht als Unterrichtsmaterial gedacht. Diese finden Sie hier:[[Medium:Empfehlungsdienste - Ergaenzende Informationen.pdf| Ergänzende Informationen]]
{| class="wikitable"
!<big>Phase</big>
!<big>Inhalt</big>
!<big>Ziele</big>
!<big>Material</big>
|-
| colspan="4" |'''<center><big>Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst</big></center>'''
|-
|'''1a'''
|'''Einführung in den Interaktionskontext und Problematisierung:'''
Es wird mit einem Unterrichtsgespräch in den Kontext eingestiegen, wozu beispielsweise das beiliegende Beispielbild einer Startseite von der Streamingplattform Netflix gezeigt wird. Das Unterrichtsgespräch wird im Wesentlichen an drei Leitfragen orientiert:

# ''Was ist ein Streamingdienst?'' – Anhand des Beispielsbildes erklären die Lernenden, was ein Streamingdienst ist, beispielsweise indem sie dabei auch auf ihre Erfahrungen mit dem Beispiel Netflix eingehen.
# ''Wie ist eine solche Startseite aufgebaut?'' – Die Lernenden erklären darauf aubauend wie die Startseite bei dem Beispiel Netflix aufgebaut ist (lässt sich auch von ähnlichen Streamingplattformen übertragen). Insbesondere sollte dabei deutlich werden, dass eine solche Startseite personalisiert ist (Netflix beschreibt etwa, dass es für jeden Nutzenden eine komplett eigene Startseite gibt und sich keine doppeln würde). Die Personalisierung passiert bei Netflix etwa über die Reihenfolge der Kategorien (Zeilen) und innerhalb derer die Reihenfolge der Inhalte – zusätzlich werden auch die Bilder zu einem Inhalt abhängig vom Nutzenden gewählt. Es handelt sich also um Empfehlungen von Inhalten, die auf der Startseite angezeigt werden.
# ''Wie kommen Filmempfehlungen zustande?'' – Dies stellt die Leitfrage für die nächste Phase dar und wird noch nicht diskutiert.

Didaktischer Kommentar:

Das Beispiel aufgrund seiner Bekanntheit – insbesondere auch bei den Lernenden – gewählt. Dennoch gibt es Lernende, die dazu weniger Erfahrungen haben als andere, sodass in dieser Phase alle Lernenden mit ihren mehr oder weniger vorhandenen Erfahrungen abgeholt werden sollen. Das Unterrichtsgespräch soll gerade auf die letzte Leitfrage hinarbeiten und diese motivieren; in anderen Worten soll problematisiert werden, wie solche personalisierten Filmempfehlungen ermittelt werden können.
|
* Aktivieren von Vorkenntnissen zu Streamingdiensten und zur Personalisierung bzw. personalisierten Empfehlungen (i.d.R. aus Nutzerperspektive)
* Wecken von Neugierde an der Funktionsweise eines Empfehlungsdienstes

|[[Medium:Empfehlungsdienstmodul - StartseiteNetflix.jpg|Beispielbild einer Netflix-Startseite]];

ggf. Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“;

ggf. [https://netflixtechblog.com/learning-a-personalized-homepage-aa8ec670359a Bild von Netflix-Sortierung]
|-
|'''1b'''
|'''Empfehlungsspiel: Bedeutung von Filmempfehlungen und zugehörige Datenerhebung'''
In Partnerarbeit bearbeiten die Lernenden das AB1, das eine Art „Empfehlungsspiel“ darstellt. Bei der Partnerarbeit dürfen die Lernenden nur in bestimmten Aufgaben miteinander sprechen und nicht darüber hinaus. Durch das gegenseitige Geben von Filmempfehlungen werden die Lernenden darin eingeführt, was eine personalisierte Filmempfehlung ausmacht. Sie erarbeiten, welche Informationen dafür hilfreich sind, und entwickeln Ideen für entsprechende Daten, die von einem Streamingdienst explizit und implizit erhoben werden könnten (Aufg. 4 auf AB1).

In der Auswertung dieser Erarbeitungsphase wird ausgewertet, welche Empfehlungen besser passten (s. Aufg. 3 auf AB1) und welche Fragen dafür besonders hilfreich waren (s. Aufg. 2 auf AB1). Außerdem werden die Ideen für die explizit und implizit erhobenen Daten (s. Aufg. 4 auf AB1) gesammelt.

Didaktischer Kommentar:

Mit dieser Erarbeitungsphase sollte den Lernenden deutlich werden, worauf es ankommt, gut passende personalisierte Filmempfehlungen zu ermitteln. Dafür sollten in der PA möglichst Lernende zusammenarbeiten, die sich nicht gut kennen. In dieser Partnerarbeit wechseln die Lernenden zwischen der Anbieter- sowie Nutzerperspektive und reflektieren dabei den eigenen Prozess zum Ermitteln von personalisierten Filmempfehlungen. Die Begrifflichkeiten der expliziten und impliziten Datenerhebung werden in der Aufgabe 4 des AB1 eingeführt. Sofern diese für die Lernenden zuvor unbekannt waren, könnte vor Aufgabe 4 eine Besprechung zur konzeptionellen Einführung der Begriffe stattfinden (s. [[Datenbewusstsein|Begriffserklärung]]). In der Auswertung der Erarbeitungsphase sollte dann einerseits auf die korrekte Einordnung von explizit und implizit erhobene Daten geachtet werden; andererseits sollte die Unterscheidung von Daten und Information berücksichtigt werden (z.B. sollte bei Daten nicht „Interesse“ stehen; die Frage ist doch viel mehr, welche Daten nötig sind, um Vermutungen zum Interesse einer Person aufzustellen).
|
* Lernen/üben der Begrifflichkeiten zur expliziten und impliziten Datenerhebung sowie Identifizierung dessen in dem gegebenen Interaktionskontext
* Erkennen des Konzepts der Personalisierung anhand personalisierter Filmempfehlungen als primärer Zweck durch die Reflektion des eigenständigen Gebens von personalisierten Filmempfehlungen
* (Entwickeln erster Ideen zum Ermitteln personalisierter Filmempfehlungen)
* Ggf. Wiederholung der Unterscheidung von Daten und Information
|[[Medium:Empfehlungsdienstmodul - AB1.docx|AB1]]
|-
| colspan="4" |'''<center><big>Teil 2: Aufbau und Funktionsweise von Filmempfehlungsdiensten</big></center>'''
|-
|'''2a'''
|'''Überleitung zum Empfehlungsdienst im Jupyter Notebook:'''
Mit Aufgreifen der vorherigen Leitfrage „''Wie kommen Filmempfehlungen zustande?''“ wird eine Überleitung zu diesem Teil 2 gemacht. Zuvor haben die Lernenden Ideen erarbeitet, welche Daten für das Finden von personalisierten Filmempfehlungen hilfreich sein könnten; offen ist jedoch noch, wie diese Daten denn verarbeitet werden, um solche Filmempfehlungen automatisiert zu ermitteln (also das, was die Lernenden bei AB1 im Kopf gemacht haben). Die Lehrkraft führt in das Jupyter Notebook und den Umgang damit ein. Dieses vorbereitete Jupyter Notebook hält einen „fertigen“ Filmempfehlungsdienst bereit (s. detaillierte Beschreibung unten).

Didaktischer Kommentar:

Die noch offene Leitfrage aus Teil 1 wurde erst zur Hälfte beantwortet: Die Lernenden haben nun Ideen, welche Daten für einen Empfehlungsdienst explizit und implizit erhoben werden könnten; offen ist jedoch noch, wie damit dann automatisiert das gemacht werden soll, was die Lernenden intuitiv gemacht haben, um in der Partnerarbeit von AB1 personalisierte Filmempfehlungen zu geben.

Je nach Vorerfahrungen der Lernenden kann hier mehr oder weniger auf viel auf die Bedienung eines Jupyter Notebooks eingegangen werden. Es sollte auf jeden Fall der Zellenaufbau eines Jupyter Notebooks sowie das Ausführen von Zellen geklärt werden. In der Überleitung wird die Verbindung zwischen dem vorherigen eigenständigen Geben von personalisierten Filmempfehlungen zu einer digitalen Variante geschlagen.
|
* Reflexion der vorherigen Leitfrage zum Ermitteln von personalisierten Filmempfehlungen, wofür zunächst nur Ideen für die Datenerhebung entwickelt wurden
|Jupyter Notebook (s.u.)
|-
|'''2b'''
|'''Interaktion und erste Erkundung eines Empfehlungsdienstes:'''
Die Lernenden bearbeiten das gegebene Jupyter Notebook, in dem sie eigene Bewertungen von Filmen angeben und automatisiert personalisierte Filmempfehlungen angezeigt bekommen (Interaktion mit dem gegebenen Empfehlungsdienst).

Zunächst rekonstruieren die Lernenden, welche Daten durch das gegebene Empfehlungsdienst explizit und implizit erhoben bzw. herangezogen wurden. Bei der Auswertung dessen sollte festgehalten werden, dass die Bewertungen sowohl eine Arte „explizite Bewertung“ explizit erhoben als auch Daten über das Anschauen von Filmen als eine Art „implizite Bewertung“ implizit erhoben werden. Bei dieser Auswertung wird ebenfalls das Konzept des digitalen Doppelgängers besprochen und gesichert, welches in dem Jupyter Notebook bereits dargestellt ist und somit transparent gemacht wird. Außerdem kann darauf eingegangen werden, welche weiteren Daten zur Verfügung stehen und somit zur Ermittlung von personalisierten Empfehlungen herangezogen werden können.

Didaktischer Kommentar:

Zunächst bekommen die Lernenden einen funktionierenden Empfehlungsdienst gegeben und rekonstruieren daran, welche Daten diesem Empfehlungsdienst vorliegen. Dabei sollte ein Bezug zu ihren Ideen aus AB1 hergestellt werden. Dabei sollten deutlich werden, welche explizit und implizit erhobenen Daten in diesem Jupyter Notebook tatsächlich herangezogen werden, damit in der nachfolgenden Rekonstruktion der Funktionsweise des Empfehlungsdienstes die Datengrundlage und dessen Bedeutung klar ist.

Zu Beginn des Jupyter Notebooks werden bereits automatisiert Filmempfehlungen gegeben. Für die folgenden Phasen der Rekonstruktion steht die Leitfrage im Mittelpunkt, wie diese Empfehlungen zustande kommen.
|
* Erfahrbar machen der expliziten und impliziten Datenerhebung während der Interaktion
* Identifizieren explizit sowie implizit erhobener Daten
* Konzeptionelle Idee des digitalen Doppelgängers kennenlernen
* Konstruktion eines digitalen Doppelgängers verstehen und auf den Kontext des Filmempfehlungs-dienstes anwenden
|Jupyter Notebook (s.u.)
|-
|'''2c'''
|'''Rekonstruktion der automatisierten Ermittlung von personalisierten Filmempfehlungen:'''
Schrittweise erarbeiten die Lernenden anhand des Jupyter Notebooks, wie personalisierte Filmempfehlungen exemplarisch basierend auf den Bewertungs- bzw. Nutzungsdaten systematisch ermittelt werden können. Zunächst wird dies anhand eines reduzierten, händisch zu verarbeiteten Datenbeispiels rekonstruiert und anschließend mithilfe eines ML-Verfahrens umgesetzt.

''Reduziertes Beispiel von „Hand“:''

Anhand des reduzierten Beispiels mit fünf Nutzenden und drei Filmen rekonstruieren die Lernenden die systematische Idee der kollaborativen Filtermethodik basierend auf Ähnlichkeiten von Nutzenden (d.h. es werden ähnliche Nutzende gesucht und anhand derer Bewertungs- / Nutzungsdaten wird entschieden, ob ein dritter Film einem Nutzenden empfohlen werden sollten (s. detaillierte Beschreibung in Abs. 9.1 und 9.4).

''Größeres Beispiel mit ML-Methode:''

Die Lernenden erarbeiten in dem Jupyter Notebook anschließend stark geleitet die automatisierte Berechnung personalisierter Empfehlungen, wozu k-nearest-neighbor als ML-Methode genutzt wird, um automatisiert und basierend auf den Daten zu allen verfügbaren Filmen ähnliche Nutzende zu ermitteln (s. detaillierte Beschreibung in Abs. 9.4). Als Grundlage für diese Bearbeitung dient gerade die vorherige reduzierte Ermittlung personalisierter Filmempfehlungen.

Als optionale Sprinteraufgabe können sich die Lernenden über das sogenannte Cold-Start Problem Gedanken machen (s. AB dazu). Die Lernenden befassen sich mit der Frage, inwiefern der primäre Zweck erfüllt werden kann, wenn ein Nutzender noch keinen digitalen Doppelgänger hat bzw. wenn ein neuer Inhalt hinzugefügt wird.

Zwischen der händischen und der automatisierten Ermittlung von Filmempfehlungen kann bei Bedarf eine Zwischensicherung eingeschoben werden, um insbesondere die Idee der Ähnlichkeit und die darauf basierende Ermittlung der Vorhersage für ein Bewertungsmaß sowie Entscheidung für oder gegen die Empfehlung eines Films zu sichern.

In der Auswertung werden Vorgehen zur Ermittlung der ähnlichen Nutzenden, das Aufstellen eines Modells (und dessen Bedeutung) sowie die Ermittlung der Vorhersagewerte (für Ratings) besprochen, sodass anschließend exemplarisch Wege zur Auswahl von Filmen für die personalisierte Empfehlung reflektiert werden können. Außerdem sollte insbesondere auch darauf eingegangen werden, dass das kollaborative Filtern im Endeffekt ein „Verbinden und Vergleichen“ von digitalen Doppelgängern ist, sodass der eigene digitale Doppelgänger auch bei den Filmempfehlungen anderer Personen eine Rolle spielt (und andersherum).

Ggf. kann in der Auswertung die Idee des Cold-Start Problems aufgegriffen werden, beispielsweise indem dies von einzelnen Lernenden, die sich damit befasst haben, zusammen mit ihren Lösungsideen vorgestellt wird.

Didaktischer Kommentar:

Zunächst wird sich auf zwei Filme beschränkt. Es werden also nur die Daten zu zwei Filmen betrachtet, um damit Empfehlungen „nicht-automatisiert“ zu ermitteln. Dies dient zunächst zur Vereinfachung, um die Idee der Ähnlichkeit einzuführen. Die hierbei verfolgte Idee ist vergleichbar mit dem Prinzip der ML-Methodik k-nearest-neighbors, die darauffolgend für die automatisierte Ermittlung personalisierter Filmempfehlungen genutzt wird. Diese Methode ist ein Beispiel, mit dem Zusammenhänge zwischen Nutzenden ermittelt werden können. Es werden also gerade zu einem festgelegten Nutzendem ein individuelles Cluster von ähnlichen Nutzenden ermittelt. Diese haben zu ihm/ihr scheinbar ein ähnliches Filminteresse. Dabei gilt die Grundannahme, dass die Filme, die die ähnlichen Nutzende interessant fanden, auch für die festgelegte Person vermutlich interessant sind. Für das ML-Verfahren könnten auch noch weitere Aspekte von ML integriert werden, wie etwa die Performance von ML-Modellen und dafür eine entsprechende Testphase, die in diesem Jupyter Notebook zugunsten des Ziels zum Verstehen des Prinzips der Ermittlung personalisierter Filmempfehlungen reduziert wurde. Sofern bereits Vorkenntnissen zu ML bestehen, könnte an dieser Stelle etwa auch ein Bezug zu diesen Aspekten hergestellt werden.
|
* Erkennen der Verknüpfung von digitalen Doppelgängern als Mittel der Konstruktion des digitalen Doppelgängers eines Nutzenden exemplarisch für das Ermitteln personalisierter Filmempfehlungen
* Kennenlernen der automatisierten Ermittlung von personalisierten Filmempfehlungen auf der Basis des kollaborativen Filterns anhand persönlicher Bewertungs- und Nutzungsdaten
* Kennenlernen der Nutzung eines ML-Verfahrens am Beispiel der Methodik k-nearest-neighbors
|Jupyter Notebook (s.u.),
[[Medium:AB2 - Sprinteraufgabe zum cold-start-problem.docx|Sprinter-aufgabe]]
|-
| colspan="4" |'''<center><big>Teil 3: Zweitverwertung durch einen Empfehlungsdienst</big></center>'''
|-
|'''3a'''
|'''Überleitung zur exemplarischen Zweitverwertung:'''

Im Unterrichtsgespräch wird die Rolle der Daten in dem exemplarischen Kontext der Interaktion mit einem Streamingdienst, der ein Empfehlungsdienst nutzt, reflektiert – begrenzt auf die bisherigen betrachteten Facetten: Die Lernenden fassen die explizite und implizite Erhebung von Daten in diesem Kontext zusammen, beschreiben die Rolle des digitalen Doppelgängers sowie die Verarbeitung der erhobenen Daten sowie die Verwendung des digitalen Doppelgängers für den primären Zweck des Ermittelns von personalisierten Filmempfehlungen. Die Legitimität der Datenerhebung und -verarbeitung (und damit einhergehenden Notwendigkeit) kann an dieser Stelle sinnstiftend diskutiert werden; wenn man das Feature der personalisierten Startseite schätzt, ist eine Erhebung und Verarbeitung persönlicher Daten nötig.

Dabei können etwa zwei Aspekte hervorgehoben werden: (1) Reduzieren der Informationsüberflutung (Finden einer personalisierten Auswahl von Produkten, die dem Nutzer/der Nutzerin auf der Plattform präsentiert wird.) sowie (2) Verbesserung des Nutzungserlebnisses (Positive Erfahrungen mit der Plattform führen dazu, dass die Nutzenden z.B. mehr Filme schauen und mit dem Streamingdienst somit mehr Umsatz generiert wird.)

Bei der Bewertung kann dann auf die Zweitverwertung übergeleitet werden, da diese für die Bewertung ebenfalls relevant sein kann – kann zur Veranschaulichung der Betrachtung von sekundären Zwecken zusätzlich zu den primären Zwecken dienen.

Didaktischer Kommentar:

Mit dieser Zwischenreflexion soll zum einen das Verständnis für die Rolle der Daten in diesem Kontext hinsichtlich der Facetten von Datenbewusstsein gefestigt werden. Zum anderen wird durch diese Reflexion ermöglicht eine größere Perspektive einzunehmen, mit der die jeweiligen Aspekte verknüpft und die Bedeutung der Daten erkannt werden kann, was für eine spätere Evaluation nötig ist.
|
* Reflektieren der Rolle von Daten in dem gegebenen Interaktionskontext hinsichtlich der zuvor thematisierten Facetten von Datenbewusstsein (explizite und implizite Datenerhebung, digitaler Doppelgänger, primärer Zweck)
* Bewertung des primären Zwecks der Erhebung und Verarbeitung der Daten für die Anzeige einer personalisierten Startseite
|
|-
|'''3b'''
|'''Einführung in das Rollenspiel als Diskussionsrunde bzgl. einer Zweitverwertung:'''

Nun stellt sich die Frage, wofür ein Anbieter eines Streamingdienstes die Daten bzw. den digitalen Doppelgänger zweitverwerten könnte (sekundärer Zweck). Diese Frage wird im Unterrichtsgespräch aufgeworfen.

Didaktischer Kommentar:

In den vorherigen Teilen wurde die explizite und implizite Datenerhebung sowie deren Verarbeitung für den primären Zweck der Konstruktion einer Startseite thematisiert, wobei die Rolle des digitalen Doppelgängers aufgegriffen wurde. In diesem Teil wird nun exemplarisch ein sekundärer Zweck aufgegriffen und zusammen mit Aspekten der Wechselwirkung zwischen Nutzendem und Streamingdienst diskutiert.
|
* Erkennen der Betrachtung eines sekundären Zwecks und wahrnehmen als durchaus relevanten Aspekt zusätzlich zu den aus Nutzungsperspektive nützlichen Aspekts der Personalisierung
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
|
|-
|'''3c'''
|'''Rollenspiel zur Zweitverwertung:'''
''Ausgangssituation:''

Die Lehrkraft stellt das Rollenspiel mit der Ausgangssituation vor, welche auf dem AB3 notiert ist. Die Lernenden können direkt Fragen dazu stellen.
Anschließend wird das AB3 an die Lernenden ausgeteilt. Die Lernenden bilden Gruppen, in denen sie sich mit den Rollen für das Rollenspiel befassen.

''Vorbereitungs- & Spielphase:''

Die Lernenden bearbeiten in Gruppen die Rollen und bekommen dazu mit dem AB3 entsprechende Rollenkarten. [Folgende Rollen gibt es: Geschäftsführung, Leitung der technischen Abteilung, Leitung einer Forschungsabteilung, Leitung der Kundenbetreuung]
Die Gruppen bearbeiten die zuvor beschriebene Ausgangssituation aus dem Blickwinkel der jeweiligen Rolle und u.a. eine Haltung zu diesem Vorschlag mit Argumenten festhalten (s. AB3).
In der Spielphase vertreten die Lernenden ihre Rolle und diskutieren den Vorschlag der Ausgangssituation. Diese Diskussion wird von einem Moderator/einer Moderatorin geleitet, die insbesondere die Beteiligung aller Rollen an der Diskussion sicherstellen soll. Die Lernenden sind angehalten ihre Argumente unterzubringen und ihre besprochene Haltung zu vertreten. Alle anderen Lernende sind Beobachter und machen sich zu den Argumenten und den Perspektiven Notizen.

''Auswertungsphase:''

Zu Beginn der Auswertung findet eine Abstimmung zur Frage statt, ob der Vorschlag umgesetzt werden sollte oder nicht. (Ergebnis sollte notiert werden)
Anschließend bewerten die Lernenden die Rollen, kommentieren diese und reflektieren, welche Positionen und Argumente besonders wichtig waren.
Es wird nun final abgestimmt, ob der Vorschlag umgesetzt werden sollte oder nicht. Die Lernenden formulieren abschließend ein persönliches Fazit zur Erhebung sowie Verarbeitung und Verwendung der Daten durch einen Streamingdienst. In der Diskussion sollten insbesondere die Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst bezogen auf den Einsatz eines Empfehlungsdienstes aufgegriffen werden.

Didaktischer Kommentar:

In dem Rollenspiel wird ein sekundärer Zweck, der im Kontext der Streamingdienste vielleicht eher als fiktiv angesehen werden kann. Dennoch bietet die Diskussionsrunde zu dieser Situation den Anlass über verschiedene Aspekte bzgl. der Wechselwirkung zwischen Nutzendem und Streamingdienst zu diskutieren, wie etwa Effekte der Filterblasen oder bzgl. verstärkter Abhängigkeiten der Nutzenden. Die Lernenden sollen die Situation aus den verschiedenen Perspektiven betrachten und reflektieren. Dabei sollen die Lernenden eine begründete Haltung dazu entwickeln und die mögliche Verwendung und Verarbeitung der erhobenen Daten zum sekundären Zweck bewerten.
|
* Vertiefen der Kenntnisse zur Erhebung und Verarbeitung der persönlichen Daten zu dem zuvor thematisierten primären Zweck
* Vornehmen eines Perspektivwechsels zur Anbieterperspektive
* Kennenlernen verschiedener Aspekte hinsichtlich der Wechselwirkung zwischen Nutzendem und Streamingdienst (bezogen auf den Einsatz eines Empfehlungsdienstes)
* Abwägen verschiedener Perspektiven auf Zwecke der Verwendung und Verarbeitung persönlicher Daten exemplarisch für einen fiktiven sekundären Zweck
|[[Medium:AB3 - Rollenspiel - Forschungsabteilung.docx|AB3-Forschungs-abteilung]],

[[Medium:AB3 - Rollenspiel - Geschäftsführung.docx|AB3-Geschäfts-führung]],

[[Medium:AB3 - Rollenspiel - Kundenbetreuung.docx|AB3-Kunden-betreuung]],

[[Medium:AB3 - Rollenspiel - Technische Abteilung.docx|AB3-Technische Abteilung]]
|-
|'''''3d'''''
|'''''Vertiefungs- oder Hausaufgabe (optional):'''''

''Geleitet durch Fragen reflektieren die Lernenden den Einsatz von Empfehlungsdiensten in ihrem Alltag und entwickeln dazu kontextabhängig eine Haltung.''
|''Vorbereitende Reflexion der Rolle der Daten sowie Bewertung des Einsatzes von Empfehlungsdiensten''
|[[Medium:AB HA - Bewertung von Empfehlungsdiensten.docx|AB-HA]]
|-
| colspan="4" |'''<center><big>Teil 4: Weitere Kontexte mit Empfehlungsdiensten</big></center>'''
|-
|'''4a'''
|'''Sammlung weiterer Beispiele mit Empfehlungsdiensten:'''

Im Plenum werden Beispiele für datengetriebenen digitale Artefakte aus dem Alltag der Lernenden gesammelt, in denen Empfehlungsdienste eingesetzt werden. Die können beispielsweise Feeds bei Social Media Plattformen, andere Plattformen aus dem Streamingbereich oder auch eine Suchmaschine sein.

Didaktischer Kommentar:

Den Lernenden soll es hiermit ermöglicht werden, dass sie ihre Vorstellungen über Empfehlungsdienste auf ihren Alltag insofern anwenden, dass sie diese Beispiele im Sinne datengetriebener digitale Artefakte identifizieren können, sodass erste Reflexionsprozesse angestoßen werden. Als Stütze kann dienen, dass Empfehlungsdienste im Sinne der individuellen Interaktion mit datengetriebenen digitalen Artefakten oft im Kontext der Personalisierung von Inhalten bzw. dessen Darstellung oder Auflistung wiederzufinden ist.
|
* Anwendung des Gelernten über Empfehlungsdienste auf eigenen Alltagserfahrungen
* Identifizieren von datengetriebenen digitalen Artefakten, die Empfehlungsdienste einsetzen
|Tafel, Beamer o.ä.
|-
|'''4b'''
|'''Anwendung der Facetten von Datenbewusstsein auf ausgewählte Beispiele aus ihrem Alltag:'''

Mithilfe des AB4 rekonstruieren die Lernenden nun für jeweils verschiedene Beispiele aus der vorherigen Sammlung (s. Phase 4a) die Rolle der Daten bei der Interaktion mit dem jeweiligen datengetriebenen digitalen Artefakt. Die Bearbeitung des AB4 findet wahlweise in Paaren oder Kleingruppen statt. Für die Bearbeitung sollten die Lernenden sich das jeweils gewählte datengetriebene digitale Artefakt anschauen können bzw. dazu recherchieren können. Die Wahl des zu untersuchenden Kontexts sollten die Lernenden selbst vornehmen können, es kann jedoch darauf geachtet werden, dass in der Lerngruppe insgesamt verschiedene Beispiele gewählt werden.

Didaktischer Kommentar:

Die Lernenden sollen die Facetten von Datenbewusstsein (explizite und implizite Datenerhebung; primäre und sekundäre Zwecke sowie digitaler Doppelgänger) auf Beispiele aus ihrem Alltag anwenden. Damit wird der Transfer des Gelernten auf den eigenen Alltag sowie das Verknüpfen dessen mit eigenen Alltagserfahrungen gefördert. Außerdem soll dadurch angeregt werden, dass die Lernenden ihre alltäglichen Interaktionen mit datengetriebenen digitalen Artefakten reflektieren und erfahren, wie das Gelernte in alltäglichen Interaktionen angewendet werden könnte.
|
* Anwenden der Facetten von Datenbewusstsein auf weitere Kontexte aus dem Alltag der Lernenden
* Vertiefung und Übung des Verständnisses bezüglich der Facetten von Datenbewusstsein
* Kennenlernen der Anwendung dieser Perspektive für Alltagssituationen
|[[Medium:AB4 - Weitere Kontexte mit Empfehlungsdiensten.docx|AB4]],

digitales Endgerät
|-
|'''4c'''
|'''Auswertung und Reflexion der weiteren Kontexte:'''

Ausgewählte Beispiele werden von den Lernenden im Plenum vorgestellt. Dabei sollen sie den Empfehlungsdienst vorstellen sowie ihre Entdeckungen/Vermutungen hinsichtlich der expliziten und impliziten Datenerhebung, der primären und sekundären Zwecke für die Verwendung und Verarbeitung dieser Daten sowie die Rolle des digitalen Doppelgängers erklären. Zu den vorgestellten Ergebnissen sollten Rückfragen gestellt sowie Ergänzungen der anderen Lernenden vorgenommen werden können.

Abschließend sollen die Lernenden auch eine Bewertung der Datenerhebung und -verarbeitung in den jeweiligen Kontexten vornehmen, die durchaus sowohl auf einer individuellen als auch auf einer gesellschaftlichen Betrachtungsebene verortet werden können. Dafür soll im Unterrichtsgespräch diskutiert werden, inwiefern ein Nutzender in den jeweiligen Kontexten Handlungsmöglichkeiten hat sowie sich für Handlungen entscheiden kann (z.B. bestimmte Datenerhebungen oder Zwecke einschränken). Bei dieser Sicherung sollte hervorgehoben werden, dass in den verschiedenen Kontexten hinsichtlich der verschiedenen Arten der Datenerhebung sowie der verschiedenen Zwecke unterschiedliche Bewertungen und Haltungen dazu möglich sind, ein Nutzender sich für verschiedene Handlungen entscheiden kann und ggf. Einfluss auf die Datenerhebung und -verarbeitung vornehmen kann. Wichtig dabei sollte sein, dass die Lernenden ihre eigene Haltung dazu entwickeln und sie verstehen, dass es durchaus auch wichtig ist, eine eigene Entscheidung zu treffen (gerade keine Resignation fördern!).

Im Rahmen dieser Phase könnte ggf. auch eine Zusammenfassung des gesamten Unterrichtsmoduls vorgenommen werden.

Didaktischer Kommentar:

Es sollte auf eine korrekte Anwendung der Facetten von Datenbewusstseins geachtet werden, um Fehlvorstellungen zu vermeiden. Durch diese Phase sollen die Lernenden verschiedene Kontexte aus der Perspektive des Konzepts Datenbewusstsein (d.h. mit den Facetten die Rolle der Daten beschreiben und damit evaluieren können) betrachten und dadurch das Gelernte mit Erfahrungen aus ihrem Alltag verknüpfen können. Die Bewertung dieser Kontexte zielt dann darauf ab, dass die Lernenden erkennen, dass es einerseits verschiedene Handlungsoptionen bzw. Handlungsentscheidungen gibt und andererseits es wichtig ist eine eigene Entscheidung diesbezüglich zu treffen. Dabei sollte dringend beachtet werden, dass Lernenden weder ein Verhalten noch eine Meinung vorgeschrieben wird. Gleichermaßen sollte vermieden werden, dass Lernende eine Art Resignation gegenüber der Datenerhebung und -verarbeitung durch datengetriebene digitale Artefakte in ihrem Alltag entwickeln und sie durchaus handlungsfähig sind.
|
* Kennenlernen verschiedener Kontexte aus Sicht der Facetten von Datenbewusstsein
* Bewertung der Rolle von Daten in den verschiedenen Kontexten aus der Perspektive auf die Facetten von Datenbewusstsein sowie Entwicklung einer eigenen Haltung diesbezüglich
* Reflektieren der Handlungsmöglichkeiten und -fähigkeit des Nutzenden in den jeweiligen Kontexten, insb. mit Bezug auf die Rolle der Daten
|Beamer o.ä.
|}

==Beschreibungen ausgewählter Materialien==

=== Empfehlungsdienste im Allgemeinen (in engl.: Recommender System) ===
Ein Empfehlungsdienst verfolgt das Ziel die Menge aller vorhandenen Items (z.B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um den Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzer/der Nutzerin sollten also nicht alle Items angezeigt werden, sondern nur eine Auswahl an Items, für die sich der Nutzer potenziell interessieren könnte, um eine Informationsüberflutung zu umgehen. Die Anbietenden des Dienstes zielt damit auf eine Gewinnmaximierung ab, indem der Nutzer/die Nutzerin „neue und interessante“ Items „entdeckt“. Dadurch werden die Nutzer:innen zu längeren und häufigeren Zugriffen (Steigerung der Nutzungszeit) angeregt, wodurch sie mehr Daten hinterlassen und womöglich der Umsatz durch Käufe oder Werbungen gesteigert werden kann.

Im Wesentlichen gibt es inhaltsbasierte (content-based), kollaborative (collaborative) und hybride Methoden zum Filtern der Items. Beim kollaborativen Filtern werden ähnliche Nutzer:innen identifiziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern werden Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumindest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nacheinander.

===Empfehlungsdienst in diesem Unterrichtsmodul===

==== Explizite und implizite Bewertungen ====
Bewertungen für Produkte, wie bspw. Filme, können explizit oder implizit vorliegen. Explizit sind Bewertungen dann, wenn der Nutzer/die Nutzerin das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der Nutzer/die Nutzerin i.d.R. seine Meinung von dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem Nutzer/der Nutzerin direkt angegeben. Das bedeutet, dass bestimmte Daten erhoben, generiert und verarbeitet werden, welche bspw. als Operationalisierung für das Interesse an dem Produkt dienen können. Beispiele für implizite Bewertungen sind: Hat der Nutzer/die Nutzerin das Produkt gekauft? Hat er oder sie den Film vollständig geschaut oder früher beendet? Wurde der Film mehrmals geschaut? Wurde sich das Produkt gemerkt (Merklisten)?

In dem Datensatz, welcher im Unterricht eingesetzt wird, wurden neben den expliziten Bewertungen zusätzlich implizite Beurteilungen generiert, um die beiden Konzepte zu veranschaulichen. Dabei sind implizite Filmbewertungen im Filmdatensatz die binäre Antwort auf die Frage, ob Nutzer:innen einen Film zu Ende geschaut hat oder nicht. Dieses neue Attribut wurde künstlich, jedoch auf Basis der vorhandenen Bewertungen angelegt. Mit einer Wahrscheinlichkeit von 85% wurden Bewertungen mit mehr als vier Sternen auf den Status “1” (Film zu Ende angeschaut) gesetzt. Liegt die Bewertung unter vier Sterne fand dies nur in 40% der Fälle statt. Alle übrigen Bewertungen erhielten den Status “0” (Film nicht zu Ende angeschaut). Im Anschluss wurden 25% der expliziten Bewertungen entfernt, um die Relevanz der impliziten Bewertungen darzustellen.

==== Genutzte Ratingdaten und Aufbereitung dieser für das Unterrichtsmodul ====
In diesem Unterrichtsmodul ziehen wir reale Nutzungsdaten von Nutzer:innen der Plattform MovieLens (movielens.org) heran. Auf der Plattform angemeldete Nutzer:innen können dort u.a. Filme bewerten und Filmempfehlungen bekommen. Es ist also ein Empfehlungsdienst eingebettet. Die Betreiber haben Bewertungsdaten öffentlich zugänglich gemacht . Für das Unterrichtsmodul haben wir diese Daten aus Performancegründen verkleinert, sodass wir lediglich ca. 50000 Bewertungen von ca. 5000 Usern zu insgesamt ca. 600 Filmen nutzen.
[[Datei:Empfehlungsdienstmodul - Ratings.png|mini|217x217px|DataFrame mit Ratings]]
Die Filme, die bewertet werden können, wurden manuell nach einer subjektiven Einschätzung des Bekanntheitsgrades sowie unter Einbezug von IMDB-Hitlisten ausgewählt. Filme, welche unter den möglichen Empfehlungen erscheinen, haben eines Mindestanzahl an Bewertungen erhalten. Die Nutzer:innen in dem Datensatz wurden so ausgewählt, dass sie alle mindestens einen der Filme, welche über das Empfehlungsmodul bewertet werden können, selbst bewertet haben. Grundsätzlich lag das Hauptaugenmerk bei der Datengenerierung auf der Balance zwischen der Performance des Modells und den für die Berechnungen verfügbaren Hardware-Ressourcen.
[[Datei:Empfehlungsdienstmodul - Movies.png|mini|219x219px|DataFrame Movies]]
Für das Unterrichtsmodul nutzen wir die Daten in Form von Datentabellen (DataFrames). Diese sind in den nebenstehenden Bildern dargestellt. Sie umfassen in der ersten Datentabelle Informationen über die Filme (Titel, Genre, Erscheinungsjahr) und in der zweiten Datentabelle gerade die explizit und implizit erhobenen Bewertungen der Nutzer:innen (Ids, Datum, Uhrzeit, Fertig_Angeschaut, Rating). Sowohl die Nutzer:innen als auch die Filme bekommen eine ID zugewiesen, mit der sie eindeutig identifiziert werden.

==== Jupyter Notebooks im Allgemeinen ====
Jupyter Notebooks ermöglichen das Ausführen von Pythoncode in Echtzeit mit Hilfe sogenannter Codezellen. Die Ergebnisse werden jeweils unter der aktuellen Zelle angezeigt. Erläuterungen zu Aufgaben zwischen den einzelnen Codezellen können auf Basis der Auszeichungssprache Markdown realisiert werden. Der gesamte Code kann dabei jederzeit manipuliert werden, was das spielerische Herantasten an Programmierung ermöglicht. Zu beachten ist, dass die Ausführung im Falle des Empfehlungsdienstes in diesem Modul nicht auf der lokalen Maschine, sondern auf dem zentralen Server der Universität Paderborn stattfindet.

==== Vorbereitetes Jupyter Notebook ====
Für dieses Unterrichtsmodul haben wir Bibliotheken entwickelt und ein Jupyter Notebook für den Unterricht vorbereitet. In diesem Jupyter Notebook (Empfehlungsdienst für Filme.ipynb) werden zunächst die Daten automatisiert eingelesen und ein Empfehlungsdienst am Beispiel von Netflix beschrieben. Anschließend ermitteln die Lernenden nach Eingabe von eigenen Bewertungen eigene Filmempfehlungen über einen bereits implementierten Empfehlungsdienst. Dieser basiert auf dem k-Nearest-Neighbor Algorithmus (Erklärung siehe unten) und nutzt als Basis seiner Vorschläge die vorgefilterten Bewertungsdaten. In der Standardeinstellung arbeitet der Dienst ausschließlich mit expliziten Bewertungen. Über einen Schalter im Code kann dieser jedoch die Empfehlungen auch basierend auf impliziten Bewertungen berechnen. Im nächsten Schritt wird die Frage behandelt, welche Daten erhoben wurden. Dafür können die Lernenden eine User-Movie-Tabelle (Erklärung siehe unten) aufrufen. Danach beschäftigt sich das Notebook mit der Frage, wie personalisierte Empfehlungen automatisiert berechnet werden können. Zur Visualisierung wird ein 2-dimensionales Koordinatensystem herangezogen. Darin können zwei Filme ausgewählt werden. Zu diesen Filmen werden dann alle vergebenen Bewertungen visualisiert. Somit sind einfache Analysen in Relation zur eigenen Bewertung möglich.

Alle nötigen Befehle werden in gelben Hinweisboxen erklärt. In blauen Boxen werden die Aufgaben detailliert formuliert und es werden grüne Einführungs- bzw. Erklärboxen eingeschoben.

Beim ersten Zugriff auf das Verzeichnis mit den Jupyter Notebooks muss man einen Login erstellen, mit dem zu einem späteren Zeitpunkt wieder an die letzte Bearbeitung angeschlossen werden kann. Andernfalls würden die Bearbeitungen nach schließen des Jupyter Notebooks gelöscht werden.

'''Das Verzeichnis ist unter folgendem Link zu erreichen: http://go.upb.de/Empfehlungsdienste''' (Hinweis: Der erste Login ist als Registrierung zu verstehen.)

==== k-Nearest-Neighbor Algorithmus zur Erstellung eines Modells ====
Der k-nearest-neighbor Algorithmus wird in dem vorbereitetem Jupyter Notebook mithilfe der Bibliothek sklearn zur Erstellung eines Modells verwendet. Dieses Modell kann anschließend zum Entscheiden von ähnlichen Nutzer:innen (eigentlich: nächsten Nachbarn) auf Basis von Daten aus z.B. einem Streamingdienst angewendet werden. Die konkrete Funktionsweise des Algorithmus wird im Unterricht nicht im Detail vermittelt, es soll lediglich die Idee der Vorgehensweise verstanden werden. An der Stelle der Modellerzeugung wird bewusst eine Black-Box gesetzt, um die im Rahmen dieser Unterrichtsreihe gesetzten Lernziele zu erreichen und keine Überforderung zu erzeugen.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png|mini|231x231px|Ratingtabelle als Minimalbeispiel]]
''Beispiel:''

In der nebenstehenden Tabelle ist ein Minimalbeispiel gegeben. Es gibt Bewertungsdaten von fünf Nutzer:innen zu zwei Filmen. Anhand dieses Beispiels kann bereits das Suche nach den k nächsten Nachbarn erklärt werden. Gesucht sind zum Beispiel zwei Nutzer:innen, die ähnlich zum markierten User 5 sind. Das sind dann etwa die User 1 und 4, da diese die kleinste Abweichung in ihren Bewertungen der beiden Filme zu User 5 haben. Konkret heißt das, dass die Abstände zwischen der Tabellenzeile von User 5 und denen von User 1 und 4 am kleinsten sind, die Differenz also möglichst klein ist. (Randnotiz: Mathematisch nutzen wir in unserer Umsetzung die euklidische Metrik für die Bestimmung von Abständen.)
[[Datei:Empfehlungsdienstmodul - Koordinatensystem.png|mini|183x183px|Ratingdaten im Koordinatensystem]]
Dies kann auch in dem nebenstehenden Koordinatensystem visualisiert werden. Die Bewertungen zu Film A entsprechenden den Werten auf der x-Achse und zu Film B denen auf der y-Achse. So stellt jeder Punkt im Koordinatensystem einen User da, der beide Filme bewertet hat. Mit dieser Vorgehensweise können zu einem gewählten User die k ähnlichsten Nutzer:innen einfach identifiziert werden. So können im Koordinatensystem etwa beliebig viele Nutzer:innen hinzugefügt werden.
[[Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png|links|mini|218x218px|Entscheidung zur Empfehlung des dritten Films]]
Um nun anhand dieser ähnlicher Nutzer:innen zu User 5 für einen dritten Film C herausfinden, ob dieser empfohlen werden sollte, wird eine Prediction ermittelt. Die Prediction wird etwa durch den Mittelwert der Bewertungen des Films C der ähnlichen Nutzer:innen ermittelt. In dem Beispiel der nebenstehenden Tabelle ist dies dann 4,5 (Mittelwert von 4 und 5). Das heißt, wenn User 5 den Film C schauen und bewerten würde, würde er wahrscheinlich eine Bewertung von 4,5 abgeben. Dem User 5 sollte der Film C also durchaus empfohlen werden. Dieses (hier stark reduzierte) Verfahren ist auf eine große Anzahl von Nutzer:innen und Filmen übertragbar.

==== User-Movie-Tabelle als hilfreiche Tabelle zur Ermittlung von Empfehlungen ====
Die user-movie-Tabelle ist eine Datentabelle, die in diesem Kontext Filmbewertungen (Zellen) von Nutzer:innen (Zeilenweise userIds) zu den jeweiligen Filmen (Spaltenweise Filmtitel) aufführt. Diese Tabelle ist für den Empfehlungsdienst recht zentral, anhand dieser wird beispielsweise das vom k-Nearest-Neighbor Algorithmus ermittelte Modell mit einer aus der Tabelle erstellten sparse-Matrix berechnet. Ähnliche User werden also mithilfe der Abstände zwischen den jeweiligen Zeilen in dieser Tabelle bestimmt.
[[Kategorie:Datenbewusstsein]]
[[Kategorie:Sekundarstufe I]]
[[Kategorie:ProDaBi]]
__INHALTSVERZEICHNIS_ERZWINGEN__

Datei:Empfehlungsdienstmodul - Minimalbeispiel 2.png

2023-04-02T17:52:13Z

Lukas Höper:

Empfehlungsdienstmodul - Minimalbeispiel 2

Datei:Empfehlungsdienstmodul - Koordinatensystem.png

2023-04-02T17:51:18Z

Lukas Höper:

Empfehlungsdienstmodul - Koordinatensystem

Datei:Empfehlungsdienstmodul - Minimalbeispiel 1.png

2023-04-02T17:49:49Z

Lukas Höper:

Empfehlungsdienstmodul - Minimalbeispiel 1

Datei:Empfehlungsdienstmodul - Movies.png

2023-04-02T17:48:42Z

Lukas Höper:

Empfehlungsdienstmodul - Movies

Datei:Empfehlungsdienstmodul - Ratings.png

2023-04-02T17:47:40Z

Lukas Höper:

Empfehlungsdienstmodul - Ratings