{"id":59473,"date":"2022-05-17T11:29:33","date_gmt":"2022-05-17T09:29:33","guid":{"rendered":"https:\/\/zfl-lernen.de\/?page_id=59473"},"modified":"2024-05-07T10:52:04","modified_gmt":"2024-05-07T08:52:04","slug":"datenrationalitaet","status":"publish","type":"online-kurs","link":"https:\/\/zfl-lernen.de\/en\/online-kurs\/big-data-literacy\/datenrationalitaet\/","title":{"rendered":"Datenrationalit\u00e4t, Glaube und Diskriminierung"},"content":{"rendered":"
\n\t
\n\t\t
\n\t\t\t

Datenrationalit\u00e4t, Glaube und Diskriminierung<\/strong><\/h2>\n\n\t\t<\/div>\n\t<\/div>\n
<\/span><\/div>\n\t
\n\t\t
\n\t\t\t

Die Arbeit mit Big Data findet unter neuen erkenntnistheoretischen Rahmenbedingungen mit gigantischen Datenmengen und Hochleistungsprozessoren statt: „In automatisierten Prozessen kann somit Wissen generiert werden, welches dem Menschen grunds\u00e4tzlich nicht mehr zug\u00e4nglich ist“.1<\/sup> Dieses im Ergebnis unzug\u00e4ngliche, generierte Wissen stellt eine besondere Herausforderung f\u00fcr die Verst\u00e4ndlichkeit und Nachvollziehbarkeit datenanalysierender Prozesse, und damit f\u00fcr entsprechende Bildungsma\u00dfnahmen im Sinne einer Big Data Literacy dar. Um Big Data entsteht eine „Aura“ der Objektivit\u00e4t oder gar eine „Mythologie“ datengetriebener Einsichten. So begreifen die US-amerikanische Forscherinnen Danah Boyd und Kate Crawford Big Data als ein Zusammenspiel von Technik, Analyse und „Mythologie“:2<\/sup><\/p>\n\n\t\t<\/div>\n\t<\/div>\n

<\/span><\/div>\n\t
\n\t\t
\n\t\t\t
\n
„Damit einher geht der weitverbreitete Glaube, dass gro\u00dfe Datens\u00e4tze uns Zugang zu einer h\u00f6heren Form der Intelligenz und des Wissens verschaffen, die neue, bislang unm\u00f6gliche Einsichten generieren, Einsichten, die eine Aura der Wahrheit, der Objektivit\u00e4t und der Genauigkeit umgibt.“3<\/sup><\/em><\/div>\n<\/blockquote>\n\n\t\t<\/div>\n\t<\/div>\n
<\/span><\/div>\n\t
\n\t\t
\n\t\t\t
Auch der Deutsche Ethikrat spricht von einem „Missverst\u00e4ndnis zu glauben, dass mehr Daten auch automatisch zu mehr Wissen \u00fcber kausale Effekte f\u00fchren. Es w\u00e4re zudem ein Kategorienfehler, Korrelationsaussagen mit Kausalaussagen zu verwechseln“.4<\/sup> So lassen sich anhand von Big Data Analysen statistische Zusammenh\u00e4nge aufzeigen, die aber nicht unbedingt etwas \u00fcber Wirkungszusammenh\u00e4nge aussagen.<\/div>\n
<\/div>\n
<\/div>\n\n\t\t<\/div>\n\t<\/div>\n
<\/span><\/div>\n\t
\n\t\t
\n\t\t\t
\n\n
\"Smiley-IconBedeuten Algorithmen das Ende der Theorie?<\/div>\n<\/summary>\n

Reichen Mustererkennung in Daten und Statistik, um neue wissenschaftliche Forschung zu betreiben? Braucht man \u00fcberhaupt noch eine Theorie mit kausalen Erkl\u00e4rungsmodellen? Kann die Arbeit an der Theorie f\u00fcr beendet erkl\u00e4rt und durch automatisch erzeugte datengetriebene Einsichten ersetzt werden (so etwa die vielfach und kritisch diskutierte These von Chris Anderson5<\/sup>)? Die Diskussion \u00fcber das Verh\u00e4ltnis zwischen datengetriebener und theoriegeleiteter Erkenntnisgewinnung f\u00fchrte im Ergebnis eher zu einem komplement\u00e4ren Verh\u00e4ltnis der beiden: Die algorithmengest\u00fctzte Suche nach Mustern bereichert die Theoriebildung, ersetzt sie aber keinesfalls.6<\/sup><\/em><\/p>\n<\/details>\n\n\t\t<\/div>\n\t<\/div>\n

<\/span><\/div>
<\/span><\/div><\/div><\/div><\/div><\/div>
\n\t
\n\t\t
\n\t\t\t

Spurious Correlations<\/strong><\/a> – Korrelation und\/oder Kausalit\u00e4t? Es gibt eine hohe Korrelation zwischen der Scheidungsrate und dem Pro-Kopf-Verbrauch von Margarine im US-Bundesstaat Maine zwischen 2000 und 2009. Aber gibt es eine Kausalit\u00e4t? Dieses und weitere am\u00fcsante Statistikbeispiele finden sich auf der Seite von Tyler Vigen.<\/em><\/p>\n\n\t\t<\/div>\n\t<\/div>\n

<\/span><\/div><\/div><\/div><\/div>
\n\t
\n\t\t\n\t\t
\n\t\t\t\"Schmuckbild<\/a>\n\t\t<\/figure>\n\t<\/div>\n\n\t
\n\t\t
\n\t\t\t

Foto: Nicholas Cappello von Unsplash<\/sup><\/em><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div><\/div>

<\/span><\/div><\/div><\/div><\/div><\/div>
\n\t
\n\t\t
\n\t\t\t

Unstatistik des Monats<\/a><\/strong> – In der Reihe werden statistische Aussagen in den Medien hinterfragt. In der Ausgabe „Big Data knackt Ihre Psyche“<\/a><\/strong>\u00a0wird die Prognosegenauigkeit von Big Data Analysen behandelt und das Fazit gezogen: der „Algorithmus formalisiert Alltags-Klischees und liegt oft daneben“.7<\/sup><\/em><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div>

\n\t
\n\t\t\n\t\t
\n\t\t\t\"\"<\/a>\n\t\t<\/figure>\n\t<\/div>\n\n\t
\n\t\t
\n\t\t\t

Foto: Maxim Hopman von Unsplash<\/sup><\/em><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div><\/div>

<\/span><\/div>\n\t
\n\t\t
\n\t\t\t

1. Allwissenheit und\/oder Diskriminierungen?<\/h3>\n\n\t\t<\/div>\n\t<\/div>\n
<\/span><\/div>\n\t
\n\t\t
\n\t\t\t
\n

Ein „Versprechen der Allwissenheit“8<\/sup> durch Big Data und die Grenzen der Anwendbarkeit von Big Data Analytics, insbesondere in sozialen Bereichen muss zum Gegenstand einer kritischen Medienbildung werden. Denn diese datengetriebenen Analysen k\u00f6nnen, wenn sie auf soziale Bereiche angewendet werden, problematische Effekte, wie etwa Diskriminierungen zeigen.<\/p>\n<\/div>\n\n\t\t<\/div>\n\t<\/div>\n

<\/span><\/div>
<\/span><\/div><\/div><\/div><\/div><\/div>
\n\t
\n\t\t
\n\t\t\t

Algorithmen und Diskriminierung<\/a><\/strong> – Lorena Jaume-Palas\u00ed beschreibt in diesem Interview K\u00fcnstliche Intelligenz und algorithmische Entscheidungssysteme als kollektive Technologien, die daf\u00fcr ausgelegt sind, Klassifikationen zu bilden und Kollektive zu analysieren, aber nicht einzelne Individuen. Insoweit k\u00f6nnen Algorithmen nicht anders, als zu diskriminieren, weil es immer Menschen geben wird, die in keine Klassifikation hineinpassen.<\/em><\/p>\n\n\t\t<\/div>\n\t<\/div>\n

<\/span><\/div><\/div><\/div><\/div>
\n\t
\n\t\t\n\t\t
\n\t\t\t\"Schmuckbild<\/a>\n\t\t<\/figure>\n\t<\/div>\n\n\t
\n\t\t
\n\t\t\t

Foto: Markus Spiske von Unsplash<\/sup><\/em><\/p>\n\n\t\t<\/div>\n\t<\/div>\n<\/div><\/div><\/div><\/div>

<\/span><\/div><\/div><\/div><\/div><\/div>
\n\t
\n\t\t
\n\t\t\t

Weitere Literaturempfehlung: <\/strong><\/p>\n