AI Speak: Datenbasierte Systeme — Teil 1
Entscheidungen im Klassenzimmer
Als Lehrkraft haben Sie Zugang zu vielen Arten von Daten. Dabei kann es sich um greifbare Daten wie Anwesenheits- und Leistungsnachweise handeln oder um nicht greifbare Daten wie die Körpersprache der Schülerinnen und Schüler. Denken Sie an einige der Entscheidungen, die Sie in Ihrem Berufsleben treffen: Welche Daten helfen Ihnen, diese Entscheidungen zu treffen?Es gibt technologische Anwendungen, die Ihnen helfen können, Daten zu visualisieren oder zu verarbeiten. Systeme mit künstlicher Intelligenz nutzen Daten, um das Lernen zu personalisieren, Vorhersagen zu treffen und Entscheidungen zu treffen, die Ihnen beim Unterrichten und bei der Verwaltung des Klassenzimmers helfen könnten: Haben Sie Bedürfnisse, die die Technologie erfüllen kann? Wenn ja, welche Daten würde ein solches System benötigen, um die Aufgabe zu erfüllen?
Bildungssysteme haben schon immer Daten generiert: persönliche Daten der Schülerinnen und Schülerinnen und Schüler, akademische Aufzeichnungen, Anwesenheitsdaten und mehr. Mit der Digitalisierung und den KIED-Anwendungen werden immer mehr Daten aufgezeichnet und gespeichert: Mausklicks, geöffnete Seiten, Zeitstempel und Tastaturanschläge.1 Da datengetriebenes Denken in der Gesellschaft zur Norm geworden ist, stellt sich natürlich die Frage, wie all diese Daten verarbeitet werden können, um etwas Sinnvolles zu tun: Könnten wir Lernenden ein individuelleres Feedback geben? Könnten wir bessere Visualisierungs- und Benachrichtigungstools für Lehrkräfte entwickeln?2
Welche Technologie auch immer eingesetzt wird, sie muss einem echten Bedarf im Klassenzimmer entsprechen. Nachdem der Bedarf ermittelt wurde, können wir uns die verfügbaren Daten ansehen und fragen, was für ein gewünschtes Ergebnis relevant ist. Dabei geht es darum, Faktoren aufzudecken, die es pädagogischen Fachkräften ermöglichen, nuancierte Entscheidungen zu treffen. Können diese Faktoren mit den verfügbaren Daten erfasst werden? Sind Daten und datenbasierte Systeme der beste Weg, um den Bedarf zu decken? Welche unbeabsichtigten Folgen könnte die Verwendung von Daten auf diese Weise haben? 3
Maschinelles Lernen ermöglicht es uns, viele dieser Fragen auf die Daten selbst zu verschieben.4 ML-Anwendungen werden auf Daten trainiert. Sie funktionieren, indem sie mit Daten arbeiten. Sie finden Muster und machen Verallgemeinerungen und speichern diese als Modelle - Daten, die zur Beantwortung zukünftiger Fragen verwendet werden können.4 Ihre Entscheidungen und Vorhersagen und wie diese das Lernen der Schülerinnen und Schüler beeinflussen, sind ebenfalls Daten. Daher ist das Wissen darüber, wie Programmierende, die Maschine und die Nutzenden mit Daten umgehen, ein wichtiger Teil des Verständnisses, wie künstliche Intelligenz funktioniert.
Über Daten
Daten beziehen sich im Allgemeinen auf eine Entität der realen Welt, d.h. eine Person, ein Objekt oder ein Ereignis. Jede Entität kann durch eine Reihe von Attributen (Merkmale oder Variablen) beschrieben werden.5 Beispielsweise sind Name, Alter und Klasse einige Attribute eines Lernenden. Die Menge dieser Attribute sind die Daten, die wir über den Lernenden haben, die zwar in keiner Weise mit der realen Person übereinstimmen, uns aber dennoch etwas über sie sagen. Daten, die im Bildungssystem gesammelt, verwendet und verarbeitet werden, nennt man Bildungsdaten.1Ein Datensatz besteht aus Daten einer Sammlung von Entitäten, die in Zeilen und Spalten angeordnet sind. Die Anwesenheitsliste einer Klasse ist ein Datensatz. Jede Zeile ist der Datensatz einer Schülerin oder eines Schülers. Die Spalten können die An- oder Abwesenheit an einem bestimmten Tag oder in einer bestimmten Sitzung darstellen. Jede Spalte ist also ein Attribut.
Daten werden erstellt, indem man Attribute auswählt und sie misst: Jeder Teil der Daten ist das Ergebnis menschlicher Entscheidungen und Wahlmöglichkeiten. Daher ist die Datenerstellung ein subjektiver, partieller und unübersichtlicher Prozess, der mit technischen Schwierigkeiten verbunden ist.4, 5 Außerdem kann das, was wir messen und was wir nicht messen, einen großen Einfluss auf die erwarteten Ergebnisse haben.
Datenspuren sind Aufzeichnungen von Schüleraktivitäten, wie zum Beispiel Mausklicks, Daten über geöffnete Seiten, das Timing von Interaktionen oder Tastendrücke in einem digitalen System.1 Metadaten, das sind Daten, die andere Daten beschreiben.5 Abgeleitete Daten sind Daten, die aus anderen Daten berechnet oder abgeleitet werden: Die individuellen Noten einer jeden Schülerin oder eines jeden Schülers sind Daten. Klassendurchschnitte sind abgeleitete Daten. Abgeleitete Daten sind oft nützlicher, wenn es darum geht, nützliche Erkenntnisse zu gewinnen, Muster zu erkennen und Vorhersagen zu treffen. Anwendungen für maschinelles Lernen können abgeleitete Daten erstellen und sie mit Metadaten verknüpfen, um detaillierte Lernmodelle zu erstellen, die bei der Personalisierung des Lernens helfen.1
Damit eine datenbasierte Anwendung erfolgreich ist, sollten die Attribute sorgfältig ausgewählt und korrekt gemessen werden. Die in ihnen entdeckten Muster sollten daraufhin überprüft werden, ob sie im pädagogischen Kontext Sinn ergeben. Wenn sie richtig konzipiert und gepflegt werden, können datengesteuerte Systeme sehr wertvoll sein.
Ziel dieses Kapitels ist es, einige Grundlagen zu Daten und datengestützter Technologie zu vermitteln. Datenkompetenz ist insgesamt eine sehr wichtige Fähigkeit, die man besitzen sollte und die eine engagierte Ausbildung und kontinuierliche Unterstützung und Auffrischung verdient.1
Grundlegende Gesetzgebung
Aufgrund der drastisch gesunkenen Kosten für die Datenspeicherung werden mehr Daten und Metadaten gespeichert und länger aufbewahrt.6 Das kann zu Datenschutz- und Rechtsverletzungen führen. Gesetze, wie die Datenschutz-Grundverordnung (DSGVO), raten von solchen Praktiken ab und geben der EU-Bürgerschaft mehr Kontrolle über ihre persönlichen Daten. Sie geben rechtlich durchsetzbare Datenschutzbestimmungen für alle EU-Mitgliedstaaten vor.Nach der DSGVO sind personenbezogene Daten alle Informationen, die sich auf eine identifizierte oder identifizierbare Person (data subject) beziehen. Schulen arbeiten nicht nur mit Unternehmen zusammen, die ihre Daten verarbeiten, sondern sie speichern auch große Mengen an persönlichen Daten über Schülerinnen und Schüler, Eltern, Personal, Management und Lieferanten. Als für die Datenverarbeitung Verantwortliche sind sie verpflichtet, die von ihnen verarbeiteten Daten vertraulich und sicher zu speichern und über Verfahren zum Schutz und zur ordnungsgemäßen Verwendung aller personenbezogenen Daten zu verfügen.1
Zu den durch die DSGVO festgelegten Rechten für die Bürgerinnen und Bürger gehören:
- Das Recht auf Auskunft, das es zwingend vorschreibt, dass sie (einfach) erfahren können, welche Daten über sie gesammelt werden
- Das Recht auf Information über die Verwendung der Daten
- Das Recht auf Löschung, das es ermöglicht zu verlangen, dass Daten, die von einer Plattform erfasst wurden, aus dem von der Plattform erstellten Datensatz (der möglicherweise an andere verkauft wird) entfernt werden
- Das Recht auf Erklärung, bei dem Erklärungen gegeben werden sollten, wann immer sie Klarheit über automatisierte Entscheidungsprozesse benötigen, die sie betreffen
Bei GDPR für Dummies finden Sie die Analyse unabhängiger Experten der Civil Liberties Union for Europe (Liberties), die die Menschenrechte aller Bürgerinnen und Bürger in der Europäischen Union schützt.
------------------------------------------------------------------------------------------------------
1 Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022
2 du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018
3 Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021
4 Barocas, S., Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, yet to be published
5 Kelleher, J.D, Tierney, B, Data Science, London, 2018
6 Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015
7 Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.”, MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021
