Exploration von Empfehlungsdiensten - Klasse 8 bis 10

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.

Übersicht

{{#if:Datei:ProDaBi Logo.png|

}}

{{#if:Datenbewusstsein| }} {{#if:Lukas Höper| }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| }}

Themenfeld	Datenbewusstsein
Autor	Lukas Höper
Editiert am	02.4.2023
Material	[[:|]]
Material	[[:|]]
	[[:|]]
	[[:|]]
	[[:|]]
	[[:|]]
	[[:{{{Material3}}}|{{{Material3_Name}}}]]
	[[:{{{Material3}}}|{{{Material3}}}]]
	[[:{{{Material4}}}|{{{Material4_Name}}}]]
	[[:{{{Material4}}}|{{{Material4}}}]]
Unterseiten

Daten spielen im alltäglichen Leben in der digitalen Welt uns bewusst oder auch unbewusst eine große Rolle. Schülerinnen und Schüler interagieren tagtäglich mit verschiedenen 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 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 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

Hier folgt bald eine kurze Beschreibung des Verlaufs des Unterrichtsmoduls.

Didaktische Kernidee: Förderung von Datenbewusstsein in diesem Unterrichtsmodul

Hier folgt bald eine kurze Beschreibung der didaktischen Kernidee des Unterrichtsmoduls.

Ziele des Unterrichtsmoduls

Hier folgt bald eine Auflistung der Ziele dieses Unterrichtsmoduls.

Leitfragen im Unterrichtsmodul

Hier folgt bald eine Auflistung der wesentlichen Leitfragen dieses Unterrichtsmoduls.

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.

Fehler beim Erstellen des Vorschaubildes: Datei fehlt

Überblick über das Unterrichtsmodul

Überblick über das Unterrichtsmodul

Hier wird zunächst eine grobe Reihenplanung mit den entsprechenden Materialien aufgeführt. Die Materialien, wie etwa Arbeitsblätter und ergänzende Informationen, der verschiedenen Phasen sind in der Tabelle hinterlegt. Eine detaillierte exemplarische Verlaufsplanung kann hier eingesehen werden: Verlaufsplan. Des Weiteren steht eine Handreichung mit ergänzenden Informationen für Lehrkräfte zur Verfügung, in der wir die verschiedenen Inhalte des Unterrichtsmoduls erläutern: Ergänzende Informationen

Lerneinheit	Beschreibung der Lerneinheit	Materialien
1	Einstieg und Problematisierung: Die Lernenden bekommen ein Beispielbild einer Netflix-Startseite anhand derer sie erklären, was Streamingdienste sind. Gemeinsam wird hergeleitet, dass eine solche Startseite personalisiert ist, wodurch die Frage aufkommen sollte: Wie kommt eine personalisierte Startseite zustande und woher kommen diese Empfehlungen? Die Lernenden werden in die Aufgabe des Ermittelns einer „passenden“ personalisierten Empfehlung eingeführt, wie es bei etwa bei Streamingdiensten mit Empfehlungsdiensten gelöst wird. Idee: Was heißt „personalisierte Empfehlung/Werbung“? „Empfehlungsspiel“: Mit dem Spiel werden die Lernenden in das Ermitteln von Filmempfehlungen eingeführt. Dazu bearbeiten sie das AB1, wo sie sich gegenseitig Filmempfehlungen geben. Dabei wird erarbeitet, was personalisierte Filmempfehlungen sind und welche Informationen (bzw. Daten) dafür hilfreich sind. Damit soll die Rekonstruktion der expliziten und impliziten Erhebung von Daten durch einen Streamingdienst eingeleitet werden (Aufg. 4 auf AB1). Optional könnte zwischen Aufg. 3 und 4 eine Zwischensicherung eingelegt werden. Auswertung: Reflexionsfragen: Welche Empfehlungen passten besser (Aufgabe 3)? Welche Fragen waren in Aufg. 2 hilfreich, welche eher weniger hilfreich? Hinführung zur Datenerhebung: Welche Informationen waren bei den Fragen hilfreich? Welche Daten könnten dann hilfreich sein, um Empfehlungen automatisiert zu ermitteln? (Daten vs. Information beachten) Sicherung: Es werden Beispiele für explizit und implizit erhobene Daten festgehalten (z.B. explizite und implizite Bewertungen), mit denen vermutlich „gute“ personalisierte Empfehlungen ermittelt werden können. Rückbezug zum Interaktionssystem mit einem Streamingdienst: Die Lernenden beschreiben das Interaktionssystem Nutzer/-in und Empfehlungsdienst (eines Streamingdienstes) und bewerten die genannten Ideen, welche potentiell explizit und implizit erhobenen Daten hilfreich sein könnten: Welche dieser Daten fallen vermutlich an? Wie könnten weitere – v.a. implizit – erhoben werden? Wie könnten diese durch die Verarbeitung erhobener Daten generiert werden?	Beispielbild einer Netflix-Startseite, Aussage: „Für alle Nutzer:innen existieren eigene personalisierte Startseiten, keine doppeln sich.“, ggf. Bild von Netflix-Sortierung, AB1
2	Interaktion mit einem Empfehlungsdienst: Die Lernenden bekommen ein Jupyter Notebook, in dem sie eigene Bewertungen von Filmen eingeben, anhand derer personalisierte Filmempfehlungen ermittelt werden. Anschließend untersuchen die Lernenden, welche Daten erhoben und verarbeitet werden und entwickeln Vermutungen zu Aspekten der Architektur dieses exemplarischen Empfehlungsdienstes. Dabei wird zwischen explizit und implizit erhobenen Daten unterschieden.	Kapitel 1 im Jupyter Notebook (s.u.)
3	Rekonstruktion des Empfehlungsdienstes („Maschinenraumbetreten“): Die Lernenden erkunden in mehreren Aufgaben die explizit und implizit erhobenen Daten – diese werden als Datentabellen ausgegeben – und rekonstruieren die Verarbeitung zum primären Zweck der Auswahl von anzuzeigenden Filmen und zum sekundären Zweck des verbessern des Nutzungserlebnisses (Steigerung des Profits durch mehr Interaktionszeit mit dem Streamingdienst). Dabei können sie bei der Bearbeitung zwischen den explizit und implizit erhobenen Daten wählen. Leitfragen für die Rekonstruktion: Welche Daten werden explizit und implizit erhoben? Wie können mit diesen Daten personalisierte Empfehlungen ermittelt werden? Die Rekonstruktion im Jupyter Notebook wird durch mehrere Zwischensicherungen begleitet. Sprinteraufgabe (optional): Die Lernenden bekommen auf dem AB2 eine Beschreibung des Cold Start Problem, und entwickeln dafür Lösungsansätze. Auswertung und Sicherung: Es sollte festgehalten werden, welchen persönlichen Daten vorliegen und wie damit personalisierte Empfehlungen ermittelt werden können (z.B. Prozess der Ermittlung festhalten). Es sollte auch besprochen werden, dass die implizit erhobenen Daten sehr hilfreich sein können und allein damit bereits gut personalisierte Empfehlungen ermittelt werden können.	Kapitel 2 im Jupyter Notebook (s.u.), AB2
4	Reflexion der Zweitverwertung der Daten (sekundärer Zweck) - Rollenspiel: Die Lernenden diskutieren ein vorgeschlagenes Geschäftsmodell in einem Rollenspiel: Ausgangssituation: In einer Abteilungsleitersitzung wird ein Vorschlag zur Verbesserung des Profits eines Streamingdienstes diskutiert („personalisierte Bezahlschranke“). Vorbereitungsphase: Einarbeitung in die Rollen (Geschäftsführung, Leiter der technischen Abteilung, Leitung einer Forschungsabteilung und Leitung der Kundenbetreuung) anhand des AB3a und der Rollenkarten (AB3b). Spielphase: Diskussion der Ausgangssituation geleitet von einem Moderierendem und festhalten/protokollieren der genannten Positionen und Argumenten seitens der Beobachter (Rest der Klasse). Auswertungsphase: Die Positionen und Argumente der Rollen werden ausgewertet, es wird für oder gegen den Vorschlag abgestimmt sowie eine moralische Bewertung des Vorschlags vorgenommen und ein Fazit formuliert.	AB3a, AB3b
5	Reflexion weiterer ähnlicher Interaktionskontexte: Die Lernenden sammeln ähnlicher Interaktionskontexte aus dem Alltag, in denen Empfehlungsdienste vorkommen. Anschließend wählen die Lernenden in Kleingruppen ein Beispiel aus und rekonstruieren mit dem AB4 die explizit und implizit erhobenen Daten sowie entwickeln Ideen für primäre und sekundäre Zwecke der Verwendung und Verarbeitung der Daten. Nachdem die verschiedenen Gruppenergebnisse vorgestellt und diskutiert wurden, bewerten die Lernenden abschließend Empfehlungsdienste in ihrem Alltag, wobei sie sich auf eine individuelle und auf eine gesellschaftliche Ebene beziehen sollen.

Beschreibungen ausgewählter Materialien

Das vorbereitete Jupyter Notebook

(Verlinkung folgt noch - bei Interesse gerne an Lukas Höper der Universität Paderborn wenden)