Exploration von Empfehlungsdiensten - Klasse 8 bis 10

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 Informatiksystemen (z.B. der News Feed auf einer Social Media Plattform oder die Startseite bei etwa Netflix oder Spotify). Dort geben sie Daten explizit an oder es werden Daten implizit erhoben, etwa durch Beobachtung der Nutzerinnen und Nutzer (z.B. die Klicks auf Ergebnisse in einer Suchmaschine oder das Verhalten beim Durchsehen eines News Feeds auf einer Social Media Plattform), oder durch Verarbeitung gesammelter Daten generiert. Diese verfügbaren Daten werden verarbeitet, um schließlich verschiedene Zwecke zu verfolgen, wie zum Betreiben des Systems oder etwa zu kommerziellen Zwecken.  

In diesem Unterrichtsmodul werden Empfehlungsdienste als Beispiele für datengetriebene Informatiksysteme aufgegriffen, bei deren Nutzung verschiedene Daten explizit und implizit erhoben und generiert werden, wie etwa Bewertungsdaten der Nutzerinnen und Nutzer. Konkret wird dazu als Beispiel ein Filmempfehlungsdienstes eines Streamingdienstes aufgegriffen. Anhand dieses Beispiels soll in diesem Unterrichtsmodul eine Förderung des Datenbewusstseins der Schülerinnen und Schüler erreicht werden, wozu die Leitfrage „Wo, wie und wozu werden Daten gesammelt und verarbeitet?“ beispielhaft beantwortet wird und Datenbewusstsein gefördert werden soll.

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	28.10.2021
Material	[[:|]]
Material	[[:|]]
	[[:|]]
	[[:|]]
	[[:|]]
	[[:|]]
	[[:{{{Material3}}}|{{{Material3_Name}}}]]
	[[:{{{Material3}}}|{{{Material3}}}]]
	[[:{{{Material4}}}|{{{Material4_Name}}}]]
	[[:{{{Material4}}}|{{{Material4}}}]]
Unterseiten

Steckbrief des Unterrichtsmoduls

Titel: Wo, wie und wozu werden Daten gesammelt und verarbeitet? - Exploration von Empfehlungsdiensten

Modul: Teilmodul des Unterrichtsmoduls Datenbewusstsein (Erster Modulteil: Exploration von Standortdaten - Klasse 8 bis 10)

Stichworte: Datenbewusstsein, Data Science, Exploration von Empfehlungsdiensten

Zielgruppe: Wahlpflichtfach Informatik

Inhaltsfeld: "Informatik, Mensch und Gesellschaft" (Schwerpunkt: Datenbewusstsein), "Daten und Information", "Informatiksysteme"

Vorkenntnisse: Es werden keine besonderen Vorkenntnisse benötigt. Kenntnisse im Umgang mit Jupyter Notebooks können hilfreich sein.

Zeitlicher Umfang: 6 Unterrichtsstunden a 45 Minuten

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 (Datei folgt bald).

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, der Vorschlag moralisch bewertet 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.	AB4

Grobziele des Unterrichtsmoduls

Die Schülerinnen und Schüler...

• ... lernen anhand des Beispiels der Erhebung von Nutzungs- und Bewertungsdaten bei der Nutzung eines Streamingdienstes die Architektur und Funktionsweise eines Empfehlungsdienstes kennen.
• ... lernen anhand dieses Beispiels den Unterschied zwischen explizit und implizit erhobenen bzw. generierte Daten sowie zwischen primären und sekundären Zwecken.
• ... erkennen anhand des Beispiels der Erhebung von Nutzungs- und Bewertungsdaten bei der Nutzung eines Streamingdienstes, wozu Daten beispielhaft erhoben und verarbeitet werden können und dass dies etwa zum Betrieb des Empfehlungsdienstes relevant sein kann.
• ... bewerten die Nutzung von Empfehlungsdiensten aus verschiedenen Rollen anhand moralischer Kriterien, wobei sie sowohl Kenntnisse über die Architektur als auch über die Relevanz einfließen lassen und diese reflektieren.

Leitfragen im Unterrichtsmodul

• Wo und wie werden bei der Nutzung eines Streamingdienstes Nutzungs- und Bewertungsdaten erhoben und warum ist das für den Dienstanbieter relevant?
• Welche Daten werden bei der Nutzung eines Streamingdienstes explizit und implizit erhoben?
• Wie können aus Nutzungs- und Bewertungsdaten personalisierte Empfehlungen, etwa in Form einer personalisierten Startseite oder für personalisierte Werbung, ausgehend von Nutzungs- und Bewertungsdaten ermittelt werden?
• Wozu werden Nutzungs- und Bewertungsdaten durch ein Empfehlungsdienst genutzt und wozu könnten die erhobenen und generierten Daten zweitverwertet werden?

Jupyter Notebook

...