MINT lernen

Übungen: Automatisierte Datenanalyse

Zehn Übungen zu Big Data, Profilbildung, Fehlentscheidungen und fairen Algorithmen.

Dein Fortschritt:
0 / 0 Aufgaben
1

Übungsaufgaben

Zehn Übungen zum Klicken, Ziehen und Knobeln — von AFB I bis AFB III. Jede Übung gibt dir sofort Rückmeldung; wenn du hängst, helfen dir die zwei gestuften Tipps.

A1
Was ist automatisierte Datenanalyse?
AFB I

Gib alle Beispiele an, in denen Daten automatisiert ausgewertet werden.

Mehrere Antworten sind richtig. Markiere alle zutreffenden und klicke dann auf „Prüfen“.
Automatisiert heißt: Ein Programm wertet ohne menschliches Zutun große Datenmengen aus und leitet daraus Vorschläge oder Entscheidungen ab.
Frage: Wer wertet aus — Mensch oder Programm?Warum? Entscheidend ist die automatische Auswertung vieler Daten.
Hilfe: Programm + viele Daten + erkanntes Muster = automatisierte Analyse.
A2
Stimmt's? — Big Data
AFB I

Fünf Aussagen zu Big Data und Profilbildung. Ordne jede als richtig oder falsch ein.

5 Aussagen nacheinander. Eine falsche Einschätzung reicht — dann startest du die Serie mit „Neue Runde“ neu.
Aussage 1 von 5

Muster in Daten sind Hinweise, keine Beweise — und sie spiegeln die Welt, aus der die Daten stammen.
Frage: Verursacht ein Zusammenhang das andere?Warum? Zwei Größen können eine gemeinsame Ursache haben.
Hilfe: Korrelation ≠ Kausalität; Algorithmen übernehmen Muster; Art. 22 betrifft nur rein automatische Entscheidungen.
A3
Lückentext: Fachbegriffe
AFB I

Nenne die passenden Begriffe — einer bleibt übrig.

Wort anklicken, dann Lücke anklicken (oder umgekehrt) — mit Tab und Enter geht es genauso. Ein Klick auf eine gefüllte Lücke legt das Wort zurück.

Riesige Datenmengen aus vielen Quellen nennt man . Werden Daten über eine Person zusammengeführt und ausgewertet, spricht man von . Ein berechneter Punktwert, der Verhalten vorhersagen soll, heißt . Ein statistischer Zusammenhang zweier Merkmale ist eine . Benachteiligt ein System Menschen wegen eines Merkmals wie Geschlecht, ist das .

Verschlüsselung schützt Daten bei der Übertragung, sagt aber nichts über ihre Auswertung.
Frage: Welcher Begriff meint einen Punktwert?Warum? Denk an Kreditwürdigkeit oder Versicherungstarife.
Hilfe: Datenmenge → Big Data; Personenbild → Profilbildung; Punktwert → Scoring.
A4
Chance oder Risiko?
AFB I

Ordne jede Folge automatisierter Datenanalyse zu.

Ziehe jede Karte in den passenden Korb — oder wähle sie mit Enter aus und drücke dann die Ziffer des Korbs (0 legt sie zurück).
1Chance
2Risiko
Ein Recruiting-Programm von Amazon bewertete Lebensläufe von Frauen schlechter, weil es aus früheren, überwiegend männlichen Einstellungen gelernt hatte — es wurde eingestellt.
Frage: Wem nützt, wem schadet die Auswertung?Warum? Dieselbe Technik kann beides bewirken.
Hilfe: Nutzen für Gesundheit/Sicherheit → Chance; Benachteiligung/Überwachung → Risiko.
A5
Spamfilter-Fehler
AFB I

Ein Spamfilter prüft 1000 E-Mails. 200 davon sind Spam; er erkennt 190 davon. Außerdem landen 30 normale Mails fälschlich im Spamordner. Bestimme, wie viele Mails insgesamt falsch einsortiert werden.

Überlege selbst und trage das Ergebnis ein — Enter prüft direkt.
10 Spam-Mails rutschen durch, 30 echte Mails landen im Spam: 10 + 30 = 40 Fehlentscheidungen.
Frage: Welche zwei Fehlerarten gibt es?Warum? Ein Filter kann zu viel oder zu wenig aussortieren.
Hilfe: Übersehene Spam-Mails plus fälschlich aussortierte echte Mails.
A6
Wie ein Empfehlungssystem arbeitet
AFB II

Beschreibe den Ablauf eines Empfehlungssystems in einem Onlineshop, indem du die Schritte ordnest.

Ziehe die Karten in die richtige Reihenfolge — mit der Tastatur: ↑/↓ verschiebt, Shift+↑/↓ wechselt nur den Fokus.
1Klicks, Käufe und Suchbegriffe werden gespeichert.
2Die Daten vieler Kundinnen und Kunden werden zusammengeführt.
3Das Programm sucht Muster: Wer A kauft, kauft oft auch B.
4Für eine Person wird ein Profil mit wahrscheinlichen Interessen erstellt.
5Passende Produkte werden angezeigt.
Technisch steckt dahinter oft nichts anderes als Verbund und GROUP BY über riesige Tabellen — erst die Menge macht die Vorhersage möglich.
Frage: Was muss vor der Mustersuche passieren?Warum? Ohne Daten kein Muster.
Hilfe: Sammeln → Verknüpfen → Muster → Profil → Empfehlung.
A7
Ein Test mit Fehlern
AFB II

Ein Programm soll in 10 000 Röntgenbildern eine seltene Krankheit finden, die 100 Personen wirklich haben. Es markiert 95 der Erkrankten und zusätzlich 400 Gesunde. Ermittle die Zahlen.

Löse die Kette Schritt für Schritt: Erst wenn ein Schritt stimmt, wird der nächste freigeschaltet. Enter prüft.
  1. Anzahl markierter Bilder insgesamt Bilder
  2. Übersehene Erkrankte Personen
  3. Anteil der wirklich Erkrankten unter den Markierten (in %, gerundet) %
  4. Wie viele Gesunde erhalten einen Fehlalarm? Personen
Nur etwa jede fünfte Markierung ist ein echter Fund (95 von 495). Bei seltenen Merkmalen erzeugen selbst gute Programme viele Fehlalarme — ein Mensch muss nachprüfen.
Frage: Wie viele der Markierten sind wirklich krank?Warum? Markiert = echte Treffer + Fehlalarme.
Hilfe: 95 + 400 markiert; 95 : 495 ≈ 0,19.
A8
Merkmal und Stellvertreter
AFB II

Erkläre, warum „neutrale“ Daten diskriminieren können: Ordne jedem Merkmal zu, wofür es heimlich stehen kann.

Klicke links einen Eintrag an und dann rechts den passenden — es entsteht eine Verbindungslinie. Mit der Tastatur: Enter zum Auswählen, ↑/↓ zum Wandern.
Selbst wenn ein Modell „Geschlecht“ nicht kennt, kann es über Stellvertreter trotzdem danach unterscheiden.
Frage: Was verrät ein Merkmal indirekt?Warum? Viele Merkmale hängen statistisch mit geschützten Merkmalen zusammen.
Hilfe: Frage: Wer hat typischerweise diesen Wert?
A9
Behauptungen zu Algorithmen
AFB III

Sechs Behauptungen aus einer Diskussion. Überprüfe sie — drei sind falsch.

In diesem Text stecken Fehler. Klicke genau die falschen Zeilen an — die richtigen musst du stehen lassen.
Die drei Fehler sind klassisch: Technik-Glaube, Korrelation als Ursache, „Merkmal gelöscht = fair“.
Frage: Welche Aussage verwechselt Zusammenhang und Ursache?Warum? Suche Behauptungen mit „immer“ und „automatisch“.
Hilfe: Trainingsdaten, gemeinsame Ursache, Stellvertreter.
A10
Wer soll entscheiden?
AFB III

Nimm Stellung: Wie stark sollte ein Mensch die Entscheidung kontrollieren, bevor sie wirksam wird?

Wähle für jede Zeile eine Stufe: 1 = gar nicht, 2 = Stichproben, 3 = bei Zweifel, 4 = immer prüfen, 5 = Mensch entscheidet. Mit der Tastatur: Tab zur Zeile, ←/→ zwischen den Stufen, Enter setzt.
1 = gar nicht5 = Mensch entscheidet
Ein Musikdienst schlägt den nächsten Song vor.
Ein Spamfilter verschiebt eine Mail in den Spamordner.
Ein Shop sperrt eine Kreditkartenzahlung wegen Betrugsverdacht.
Eine Bank lehnt einen Kreditantrag ab.
Ein Programm schlägt vor, ob jemand eine Operation bekommt.
Je schwerer und endgültiger die Folgen für den Menschen, desto mehr menschliche Kontrolle ist nötig — Art. 22 DSGVO setzt die Grenze bei rechtlicher oder ähnlich erheblicher Wirkung.
Frage: Wie schwer wiegt ein Fehler?Warum? Ein falscher Songvorschlag kostet nichts, eine falsche Diagnose viel.
Hilfe: Kriterien: Schwere der Folgen, Umkehrbarkeit, Betroffenheit.