Steckbrief des Unterrichtsmoduls
Kernidee:
Das Unterrichtsvorhaben setzt sich aus vier Teilen zusammen und thematisiert als Beispielanwendung die Erhebung und Verarbeitung von Daten exemplarisch bei der Nutzung des Streamingplattformen, fokussiert auf den Einsatz von Empfehlungssystemen, und weiterführend in anderen Alltagskontexten der Lernenden.
Im ersten Teil wird in den Kontext der Streamingplattform eingeführt, bei dem Empfehlungssysteme verwendet werden, um personalisierte Filmempfehlungen anzuzeigen. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung einer exemplarischen Streamingplattform erhoben werden, um mit diesen personalisierte Filmempfehlungen zu ermitteln. Zum Beispiel sind dafür Nutzungsdaten interessant, wie etwa über die von einem Nutzenden angeschauten Filme. Dafür wechseln die Schüler:innen in die Perspektive eines Anbieters einer Streamingplattform und geben anderen Schüler:innen Filmempfehlungen. Gemeinsam reflektieren sie anschließend ihr Vorgehen und erarbeiten Ideen für die Erhebung persönlicher Daten als Grundlage für das Generieren persönlicher Filmempfehlungen. Im zweiten Teil wird die Funktionsweise eines Filmempfehlungssystemes rekonstruiert, wofür die Schüler:innen in einer vorbereiteten Lernumgebung mit einem gegebenen Filmempfehlungsdienst interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten (in diesem Falle ist es das k-nearest neighbor Verfahren). Im dritten Teil wird exemplarisch eine Zweitverwertung von Nutzungsdaten durch eine Streamingplattform thematisiert, indem sich die Schüler:innen im Rahmen einer Diskussionsrunde mit dem sekundären Zweck einer personalisierten Bezahlschranke basierend auf der Idee des Empfehlungssystemes auseinandersetzen. Dabei wird der Interaktionskontext hinsichtlich der Erhebung und Verarbeitung persönlicher Daten reflektiert und bewertet. In diesem Teil werden verschiedene Aspekte der Wechselwirkung zwischen Nutzendem und der Streamingplattform (mit Fokus auf Empfehlungssysteme) thematisiert, wie etwa Verstärkungen von Abhängigkeiten im Nutzungsverhalten oder Wirkungen im Sinne der Filterblasen. Im vierten Teil werden zuvor gelernte Konzepte zur Rolle von Daten bei datengetriebenen digitalen Artefakten zu einem Erklärmodell zusammengeführt. Dies wenden sie anschließend auf weitere datengetriebene Anwendungen aus ihrem Alltag an, in denen Empfehlungssysteme eingesetzt werden. Danach stellen sich die Schüler:innen ihre Untersuchungsergebnisse vor und evaluieren und bewerten die Datenerhebung und -verarbeitung in den verschiedenen Beispielen. Dabei reflektieren sie zudem ihre eigene Rolle (inbs. im Hinblick auf ihre Entscheidungs- und Handlungsmöglichkeiten) in diesen Kontexten und nehmen eine begründete Position zu Empfehlungssystemen ein.
Zielgruppe:
Informatik in Klasse 8 bis 10 (Gymnasium, Gesamtschule, Realschule) – Anknüpfung an Politik- und Philospophieunterricht möglich
Inhaltsfeld:
„Informatik, Mensch und Gesellschaft“, „Information und Daten“ und „Künstliche Intelligenz und maschinelles Lernen“ (überwachtes Lernen)
Vorkenntnisse:
Dieses Unterrichtsvorhaben setzt keine besonderen Vorkenntnisse der Schüler:innen voraus. Es sollte jedoch eine grundlegende Erfahrung im Umgang mit dem Computer vorhanden sein. Außerdem sind grundlegende Vorstellungen des Datenbegriffs wünschenswert; entsprechende Einführungen könnten jedoch auch in diesem Modul integriert werden. Ein Verständnis von Konzepten der Künstlicher Intelligenz oder Maschinellem Lernen ist nicht nötig (z.B. überwachtes Lernen etc.); im Gegenteil werden in diesem Modul Aspekte des überwachten Lernens bereits aufgegriffen (insb. ein Beispiel eines solchen Lernverfahrens). In dem Unterrichtsvorhaben wird ein Jupyter Notebook verwendet, wofür keine Programmierkenntnisse vorausgesetzt werden.
Zeitlicher Umfang:
6-8 Unterrichtsstunden je 45 Minuten
Überblick zum Verlauf des Unterrichtsmoduls
Ziele
Im Sinne der Förderung von Datenbewusstsein, ist das übergeordnete Ziel, dass Schülerinnen und Schüler ein Erklärmodell für datengetriebene Technologien lernen, womit sie die Rolle von Daten bei der Nutzung unterschiedlicher Anwendungen erkennen, verstehen und reflektieren können. Dadurch soll ein Beitrag zu einer selbstbestimmten und kompetenten Handlungsfähigkeit in alltäglichen Interaktionen mit datengetriebenen Anwendungen geleistet werden. Konkretisiert wird dies in die folgenden Teillernziele, gegliedert nach den drei Teilen des Unterrichtsvorhabens.
Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungssystem
- Die Schüler:innen verstehen die Bedeutung von personalisierten Filmempfehlungen, indem sie selbst anderen Personen Filmempfehlungen geben und diesen Prozess reflektieren.
- Die Schüler:innen können die Begriffe der explizit und implizit erhobenen Daten unterscheiden und Daten aus dem Kontext eines Empfehlungssystems entsprechend zuordnen.
- Die Schüler:innen begründen die Bedeutung explizit und implizit erhobener Daten zum Ermitteln personalisierter Filmempfehlungen beispielhaft für die Erstellung einer Startseite bei einer Streamingplattform (primärer Zweck).
Teil 2: Aufbau und Funktionsweise von Filmempfehlungssystemen
- Die Schüler:innen können wesentliche Schritte zur automatisierten Ermittlung von personalisierten Filmempfehlungen mit Bezug zur Grundidee des kollaborativen Filterns am Beispiel des Verfahrens k-Nearest Neighbors aus dem maschinellen Lernen beschreiben.
- Die Schüler:innen können die Rolle von Datenmodellen über Nutzende für Empfehlungssysteme erklären.
- Die Schüler:innen können die Begriffe der primären und sekundären Zwecke unterscheiden und Beispiele aus dem Kontext der Empfehlungssysteme zuordnen.
Teil 3: Zweitverwertung durch ein Empfehlungssystem
- Die Schüler:innen können die Datenpraktiken bei einer fiktiven Streamingplattform bewerten, wofür sie die Wechselwirkung zwischen Nutzenden und der Streamingplattform diskutieren.
- Die Schüler:innen können eine begründete Position zum Einsatz von Empfehlungssystemen einnehmen.
Teil 4: Weitere Kontexte mit Empfehlungssystemen
- Die Schüler:innen können Beispiele für datengetriebene digitale Artefakte aus ihrem Alltag, in denen Empfehlungssysteme eingesetzt werden, untersuchen, indem sie die Konzepte des Erklärmodells darauf anwenden.
- Die Schüler:innen können aufbauend auf ihren Ergebnissen der Auseinandersetzung mit Beispielen für datengetriebene digitale Artefakte ihre Rolle in diesen Situationen reflektieren, indem sie vor allem ihre Entscheidungs- und Handlungsmöglichkeiten diskutieren und bewerten.
Zentrale Leitfragen
Teil 1: Filmempfehlungen und Datenerhebung durch einen Empfehlungsdienst
- Was gebe ich einer anderen Person personalisierte Filmempfehlungen und welche persönlichen Informationen über diese Person sind dafür hilfreich?
Teil 2: Aufbau und Funktionsweise von Filmempfehlungssystemen
- Wie können anhand explizit und implizit erhobener Daten automatisiert personalisierte Filmempfehlungen ermittelt werden?
- Welche Rolle spielen Datenmodelle über Nutzende für die Funktionsweise eines Empfehlungssystems?
Teil 3: Zweitverwertung durch einen Empfehlungsdienst
- Wozu könnten Datenmodelle über Nutzende neben dem Zweck der Ermittlung personalisierter Filmempfehlungen ansonsten genutzt werden?
- Welche Bedeutung hat die Rolle von Daten im Rahmen der Nutzung von Streamingplattformen hinsichtlich der Wechselwirkung zwischen Nutzenden und Streamingplattformen?
Teil 4: Weitere Kontexte mit Empfehlungssystemen
- In welchen anderen Kontexten werden Empfehlungssysteme eingesetzt und welche Rolle spielen Daten dort?
- Welche Rolle spiele ich in den anderen Beispielsituationen, insbesondere im Hinblick auf meine Entscheidungs- und Handlungsfähigkeit?
Unterrichtsverlauf
Teil 1: Aufbau und Funktionsweise des Mobilfunknetzes
| Phase | Inhalt | Ziele | Material |
|---|---|---|---|
|
1a |
Einführung in den Interaktionskontext und Problematisierung Didaktischer Kommentar |
|
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. |
|
1a |
Einführung in den Interaktionskontext und Problematisierung Didaktischer Kommentar |
|
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. |
Teil 2: Exploration gegebener Standortdaten
Teil 3: Exploration gegebener Standortdaten
Materialien
Gesammelter Download aller Materialien
Die für das Unterrichtsvorhaben erstellten Jupyter Notebooks und Bibliotheken sowie die verwendeten Daten sind hier zu finden: Link zum GitHub Repository
Weitere Informationen
Empfehlungssysteme im Allgemeinen (engl.: Recommender Systems)
Ein Empfehlungssystem (auch -dienst genannt) verfolgt das Ziel, die Menge aller vorhandenen Items (z. B. Filme, Musiktitel, Shopping-Produkte, …) auf eine Vorauswahl (Empfehlungen) einzuschränken, um Nutzer:innen bei der Entscheidungsfindung zu unterstützen. Dem Nutzenden werden also nicht alle Items angezeigt, sondern lediglich eine Auswahl, für die sich der Nutzende potenziell interessieren könnte. Die Anbie-tenden des Dienstes zielen damit auf eine Gewinnmaximierung ab, indem „neue und interessante“ Items „entdeckt“ werden. 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 identifi-ziert, um dann Empfehlungen basierend auf deren Daten (bspw. Filmbewertungen) zu ermitteln (hier etwa: Mittelwerte der Bewertungen der ähnlichen Nutzer:innen). Beim inhaltsbasierten Filtern wer-den Daten herangezogen, welche inhaltliche Informationen über die Produkte enthalten bzw. zumin-dest operationalisieren (z.B. Tags, Genres, Wortvorkommen in Textbeschreibungen). Das hybride Filtern verbindet verschiedene Methoden des kollaborativen und inhaltsbasierten Filterns – i.d.R. nach-einander.
Empfehlungssysteme bei Streamingplattformen
In diesem Unterrichtsvorhaben liegt ein Fokus auf Streamingplattformen, wodurch vor allem Plattformen wie Netflix und Spotify im Mittelpunkt stehen. Trotzdem ist dieser Markt stetig am Wachsen: Amazon Prime Video, Disney+, Apple Music oder Amazon Music sind nur einige der Wettbewerber:innen. Schon seit dem Aufkommen von modernen Streamingplattformen arbeiten diese an folgender Frage: Wie können einem Kunden/einer Kundin möglichst maßgeschneiderte (personalisierte) Produktempfehlungen angeboten werden und wie können somit möglichst viele Kund:innen zum Bezahlen im jeweiligen Preismodell motiviert werden?
Folgende zwei Zitate zu Empfehlungssystemen bei Netflix und Spotify illustrieren dies:
“A problem we face is that our catalog contains many more videos than can be displayed on a single page and each member comes with their own unique set of interests. Thus, a general algorithmic challenge becomes how to best tailor each member’s homepage to make it relevant, cover their interests and intents, and still allow for exploration of our catalog.” – Nextflix TechBlog
“Spotify has created engines to control and manage everything from your personal best home screen to carefully chosen and organized playlists like Discover Weekly, and continues to explore new ways to understand music, and why people listen to one song or genre over another. All this is achieved with a combination of different recommender systems.” – Daniel Roy
Netflix steht mit seinen über 15000 Filmen und Serien und über 200 Millionen zahlenden Abonnenten weltweit (Stand 2023) vor der Herausforderung, dass es seinen Nutzer:innen nur eine begrenzte Anzahl an Film- und Serientiteln vorschlagen und auf der Startseite anzeigen kann. Ein vergleichbares Bild ergibt sich bei Spotify, wo sich zwar ein anderes Produkt wiederfindet, der Aufbau der Plattform-Seite und die Datenbasis jedoch ähnlich sind. Der Einsatz von Empfehlungssystemen in diesen Plattformen wird recht gut daran deutlich, wie die Startseiten erzeugt werden. (Abbildungen zur Erklärung der Sortierung der Inhalte bei Netflix: Blogpost Netflix). Bei diesen Startseiten werden sowohl Reihen als auch Spalten abhängig von dem/der Nutzer:in sortiert. Das Geschäftsmodell von Netflix ist abonnementbasiert. Dabei gibt es jeweils verschiedene Abo-Pläne, welche im Einzelnen jedoch nicht das Angebot erweitern, sondern z. B. die Anzahl der Nutzenden pro Account verändern. Das Ziel ist es also, die Anzahl der zahlenden Kund:innen zu maximieren und Abonnements immer wieder zu verlängern. Dies wird dadurch erreicht, möglichst passende Vorschläge für Filme/Musik zu realisieren. Neben Streamingplattformen mit vollem Zugriff auf das komplette Angebot nach Zahlung einer monatlichen Rate gibt es auch andere Geschäftsmodelle, wie etwa bei Amazon Prime Video. Diese Plattform stellt nach einem Abonnement ebenfalls einen Teil seines Film- und Serienangebots zur Verfügung. Darüber hinaus gibt es jedoch Medien, welche nach wie vor durch die Zahlung eines einmaligen Betrages freigeschalten werden müssen.
Erhebung von Daten bei der Nutzung von Streamingplattformen
Das Nutzungsverhalten der Nutzer:innen ist für Empfehlungssysteme essenziell. Dabei spielen grundsätzlich jegliche Arten von Interaktionen der Nutzer:innen mit dem System eine Rolle. Dies fängt bei einfachen Feedbackmechanismen an, wie etwa der “Gefällt mir”-Button, und geht weiter zum Nutzungsverhalten über angeschaute Filme und angehörte Musik. Dabei spielen im Grunde immer ähnliche Daten eine Rolle. Auf der einen Seite die verschiedenen Produkte, welche auf der Plattform angeboten werden (Filme, Videos, Bücher, …). Auf der anderen Seite stehen die Nutzer:innen und ermöglichen die Erhebung und Generierung von Daten durch die Interaktion mit den jeweiligen digitalen Artefakten (Schreiben von Rezensionen, Ansicht von Produkten, Verbindungen zu anderen Nutzer:innen, …). Durch diese und weitere erhobene Daten werden von Nutzenden digitale Doppelgänger konstruiert. Auf Basis dessen können dann Empfehlungen ermittelt werden. Interessant für Empfehlungssysteme sind insbesondere Bewertungen für Produkte, wie bspw. Filme, die explizit oder implizit vorliegen können. Explizit sind Bewertungen dann, wenn der/die Nutzer:in das Produkt direkt beurteilt, bspw. über ein Gefällt-mir-Button oder eine Sternebewertung. Dadurch gibt der/die Nutzer:in i.d.R. seine Meinung zu dem Produkt bzw. sein Interesse an dem Produkt aktiv zum Ausdruck. Implizite Bewertungen werden nicht von dem/der Nutzer:in 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/die Nutzer:in 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)?
Glossar relevanter Begriffe
Datengetriebene digitale Artefakte: Im Konzept Datenbewusstsein wurde der Begriff der datengetriebenen digitalen Artefakte (ddA) eingeführt. Dieser beschreibt eine spezielle Art von digitalen Artefakten. Digitale Artefakte sind ein Sammelbegriff für digitale Werkzeuge, Computersysteme aller Art, ihre Bestandteile, ihre Verbindung untereinander. Sie umfassen sowohl Hardware, Software, Daten und Objekte sowie Algorithmen und Datenstrukturen. Datengetriebene digitale Artefakte sind dann digitale Artefakte, die sich selbst oder ihre Rückmeldung in der Interaktion mit diesem durch die Verarbeitung erhobener Daten verändert. Diese nutzen dann oft zum Beispiel auch Methoden des Maschinellen Lernens.
Explizite und implizite Datenerhebung: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 zu erstellen, also direkt und aktiv eingibt bzw. erzeugt. 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. Im Gegensatz dazu, werden implizit erhobene Daten indirekt durch Beobachtung (Tracking) oder Verarbeitung bereits erhobener Daten nebenher zur eigentlichen Handlung des Nutzenden erhoben und generiert. Dieser Datenerhebung sind sich Nutzende oft nicht bewusst. Im Beispiel der Social Media Plattform sind dies etwa Likes und Klicks, bei der Suchmaschine etwa Klicks auf Suchergebnisse. Die implizite Datenerhebung umfasst zudem die Generierung von Daten, wie etwa im Kontext der Empfehlungssysteme die Vorhersagen für Inhalte, mit denen der Nutzende bisher noch nicht interagiert hat.
Primäre und sekundäre Zwecke der Datenverarbeitung: Im Konzept Datenbewusstsein wurden 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 datengetriebene digitale Artefakt 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 bedeutet, dass die Daten anderweitig verarbeitet werden. Diese „Zweitverwertung“ der Daten bezieht sich auf einer Anbieter:innenperspektive auf die Verarbeitung und Verwendung der erhobenen Daten: Wozu kann ein:e Anbieter:in eines datengetriebenen digitalen Artefakts die erhobenen Daten noch nutzen? Im Kontext von Streamingplattformen (z.B. Spotify) könnte dies etwa umfassen, dass Nutzungsdaten (z.B. gehörte Musik) zur Analyse der Emotionen der Nutzenden verwendet werden.