Ein Unterrichtsmodul für Data Science und maschinelles Lernen mit Entscheidungsbäumen
Loading...
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Gesellschaft für Didaktik der Mathematik
Abstract
„All models are wrong, but some are useful” (Box & Draper, 1987, S. 424). Dieser Aphorismus erinnert uns daran, dass selbst ausgefeilte datenbasierte Entscheidungsmodelle, sogenannte künstliche Intelligenz, an viele Stellen nützlich, aber auch begrenzt sind. Da wir tagtäglich mit solchen Entscheidungsmodellen in Kontakt treten ist es eine zentrale Kompetenz, diese kritisch zu beurteilen und ein Gespür dafür zu haben, welche Aufgaben mit ihnen angemessen gelöst werden können. Diese hohe Relevanz für Einzelne sowie die Gesellschaft erfordert eine verstärkte Behandlung von Data Science Inhalten auf Schulebene (Engel, 2017; Ridgway, 2016). Entscheidungsmodelle werden oft nicht explizit programmiert, sondern durch selbstlernende Algorithmen basierend auf Daten trainiert. Das sogenannte maschinelle Lernen (ML) liegt im Schnittbereich von Informatik und Mathematik, deren Anteile gleichermaßen elementar sind (Dhar, 2013). In neueren internationalen Rahmenlehrplänen für Statistik und Data Science wird ML anhand von Entscheidungsbäumen explizit ausfgenommen (Bargagliotti, 2020; IDSSP Curriculum team, 2019). Im Projekt Data Science und Big Data in der Schule (ProDaBi, www.prodabi.de) haben wir eine Unterrichtsmodul konzipiert, damit Schüler*innen ab Klasse 9 die ML-Methode der Entscheidungsbäume verstehen können und begründen, was an bestimmten Modellen falsch ist und warum sie nützlich sein könnten (oder auch nicht).
Description
Table of contents
Keywords
maschinelles Lernen, Entscheidungsbäume, Digitale Werkzeuge, Datenexploration, Data Science, künstliche Intelligenz, Statistik