• Über WordPress
    • WordPress.org
    • Dokumentation
    • Support
    • Feedback
  • Anmelden
  • Unsere Angebote

    Online-Kurse

    • BFP Begleitkurs Digital
    • Digital gegen Antisemitismus
    • eTeaching Expert
    • EOP Begleitkurs Digital
    • Facharbeit schreiben
    • Praxissemester Digital
    • Veränderung in der Schule bewirken

    Lernmodule

    • Bildungschancen
    • Coaching und Beratung
    • Digitale Lernmaterialien
    • Diversität
    • Gesundheit und Schule
    • Sonderpäd. Materialien
    • Methoden
    Teaser für den eTeaching Expert

    eTeaching Expert

    Das Schul­netz­werk im ZfL hat eine kos­ten­freie Fort­bil­dung zum eTea­ching Expert kon­zi­piert, die einen Online-Kurs und einen Blog mit eTea­ching ‑Impu­len beinhaltet.

    Weiterlesen

  • Zum ZfL
Digitale Lehre
  • Unsere Angebote

    Online-Kurse

    • BFP Begleitkurs Digital
    • Digital gegen Antisemitismus
    • eTeaching Expert
    • EOP Begleitkurs Digital
    • Facharbeit schreiben
    • Praxissemester Digital
    • Veränderung in der Schule bewirken

    Lernmodule

    • Bildungschancen
    • Coaching und Beratung
    • Digitale Lernmaterialien
    • Diversität
    • Gesundheit und Schule
    • Sonderpäd. Materialien
    • Methoden
    Teaser für den eTeaching Expert

    eTeaching Expert

    Das Schul­netz­werk im ZfL hat eine kos­ten­freie Fort­bil­dung zum eTea­ching Expert kon­zi­piert, die einen Online-Kurs und einen Blog mit eTea­ching ‑Impu­len beinhaltet.

    Weiterlesen

  • Zum ZfL

Was ist „Big Data”?

  • Startseite
  • Big Data Literacy
  • Was ist „Big Data”?
BigData_2_Visual

Eine ein­deu­ti­ge und fest­ste­hen­de Defi­ni­ti­on des Begriffs „Big Data” gibt es nicht, wohl aber tei­len sich vie­le Begriffs­klä­run­gen eine oder meh­re­re Aus­sa­gen in Bezug auf die Men­ge, die Struk­tu­riert­heit und die ange­wen­de­ten Tech­no­lo­gien zur Aus­wer­tung digi­ta­ler Daten.1

Big Data setzt leis­tungs­fä­hi­ge Spei­cher­me­di­en vor­aus, um kon­ti­nu­ier­lich digi­ta­le Daten zu sam­meln und mit­hil­fe von Algo­rith­men und Maschi­nen Ler­nen aus­zu­wer­ten. Big Data und dadurch mög­li­chen Ana­ly­sen (Big Data Ana­ly­tics) sind eine Fol­ge der digi­ta­len Trans­for­ma­ti­on unse­rer Gesell­schaft, der expo­nen­ti­ell gestie­ge­nen Kapa­zi­tät von Spei­cher­tech­no­lo­gien und der eben­falls gestie­ge­nen Leis­tungs­fä­hig­keit von Pro­zes­so­ren und Algorithmen.

  • Big Data — aus einer medi­en­wis­sen­schaft­li­chen Sicht

Wei­te­re Infor­ma­tio­nen zu Big Data aus einer infor­ma­ti­schen Sicht:

  • Big Data (Lexi­kon­ein­trag)

 „V“-Begriffe

Häu­fig in der Lite­ra­tur zitiert wird die Cha­rak­te­ri­sie­rung von Big Data über eng­lisch­spra­chi­ge „V“-Begriffe.2, 3

Dem­nach zeich­net sich Big Data aus durch: „Volu­me“, „Velo­ci­ty“ und „Varie­ty“.

Quel­le: https://​gi​.de/​i​n​f​o​r​m​a​t​i​k​l​e​x​i​k​o​n​/​b​i​g​-​d​a​ta/

Big Data – Erklär­film – Das knapp drei Minu­ten lan­ge Erklär­vi­deo von exp­lain-it zu Big Data aus dem Jahr 2014 erläu­tert den Begriff, die Ent­ste­hung von Daten sowie Anwendungsbeispiele. 

Explain it - Big Data

Unter­richts­ein­heit „Was ist Big Data?“  — Die­se Ein­heit nimmt 45 Minu­ten in Anspruch und rich­tet sich an Schü­le­rin­nen und Schü­ler im Alter von 12 bis 16 Jah­ren an Gym­na­si­en, Real- und Haupt­schu­len. Es wird der Begriff „Big Data“ ein­ge­führt und erklärt, wie und wel­che Men­gen an Daten im All­tag pro­du­ziert wer­den. Die Mate­ria­li­en ste­hen zum Down­load zur Ver­fü­gung. Die „Digi­ta­le Lern­werk­statt” ist ein Pro­jekt der Accen­ture Dienst­leis­tun­gen GmbH.

zfl_bigdata_lernmaterial_unterrichtseinheitBigData

Arbeitsdefinition des Deutschen Ethikrats

In sei­ner im Novem­ber 2017 ver­öf­fent­lich­ten Stel­lung­nah­me zu Big Data im Gesund­heits­we­sen legt der Deut­sche Ethik­rat fol­gen­de Arbeits­de­fi­ni­ti­on zugrunde:

„Big Data ist der Umgang mit gro­ßen Daten­men­gen, der dar­auf abzielt, Mus­ter zu erken­nen und dar­aus neue Ein­sich­ten zu gewin­nen, und der hier­zu ange­sichts der Fül­le und Viel­falt der Daten sowie der Geschwin­dig­keit, mit der sie erfasst, ana­ly­siert und neu ver­knüpft wer­den, inno­va­ti­ve, kon­ti­nu­ier­lich wei­ter­ent­wi­ckel­te infor­ma­ti­ons­tech­no­lo­gi­sche Ansät­ze nutzt.” 4

Im Fol­gen­den ste­hen nicht die infor­ma­tisch-tech­ni­schen Bear­bei­tun­gen von Big Data im Vor­der­grund, son­dern die gesell­schaft­lich-kul­tu­rel­len Aus­wir­kun­gen und sozia­len Fol­gen, die sich durch die Aus­wer­tung von Big Data erge­ben. Big Data bezeich­net nicht nur das blo­ße Vor­han­den­sein gigan­ti­scher und hete­ro­ge­ner Daten­be­stän­de, son­dern schließt auch ihre Aus­wer­tung mit Hil­fe von Künst­li­cher Intel­li­genz und Maschi­nel­les Ler­nen ein.

Die visu­el­le Ein­füh­rung ins Maschi­nel­le Ler­nen von R2D3 zeigt, wie Com­pu­ter sta­tis­ti­sche Lern­ver­fah­ren anwen­den, um auto­ma­tisch Mus­ter in Daten zu erken­nen. Dies ermög­licht sehr genaue Vor­her­sa­gen zu tref­fen. Bei­spiel­haft wer­den die­se Ver­fah­ren anhand von Daten aus dem Immo­bi­li­en­markt dyna­misch veranschaulicht.

Muster und Vorhersagen im Datenüberschuss

Big Data (Ana­ly­tics) erwei­tert die Mög­lich­kei­ten zur Erzeu­gung und Aus­wer­tung von Daten über die Welt. Für Vik­tor May­er-Schön­ber­ger ist Big Data „weni­ger eine neue Tech­no­lo­gie denn eine neue oder jeden­falls signi­fi­kant ver­bes­ser­te Metho­de der Erkennt­nis­ge­win­nung”. 5 Es geht bei Big Data „nicht um die abso­lu­te Zahl an Daten”, son­dern um die Vor­ge­hens­wei­se, rela­tiv zum Phä­no­men bzw. zur Fra­ge, die beant­wor­tet wer­den soll, „deut­lich mehr Daten” zu sam­meln und aus­zu­wer­ten.6

Die­ser Daten­über­schuss bie­tet Mög­lich­kei­ten, bis­lang uner­kann­te Mus­ter und sta­tis­ti­sche Kor­re­la­tio­nen als Ant­wor­ten auf Fra­gen zukünf­ti­gen Han­delns zu erzeu­gen. Je nach Fra­ge­stel­lung wur­den ver­schie­de­ne Anwen­dun­gen ent­wi­ckelt, die auch „prä­dik­ti­ve Ana­ly­tik” bezeich­net werden:

  • Wel­che Mit­ar­bei­te­rin steht kurz davor selbst zu kün­di­gen? – Peop­le Analytics
  • Wo könn­te die nächs­te Straf­tat pas­sie­ren? – Pre­dic­ti­ve Policing
  • Wel­ches Pro­dukt wird die Kun­din als nächs­tes kau­fen? – Pre­dic­ti­ve Marketing
  • Wel­ches Bau­teil wird in den kom­men­den Tagen kaput gehen und muss jetzt aus­ge­tauscht wer­den? – Pre­dic­ti­ve Maintainance
  • Wel­ches Kind ist durch Gewalt in der Fami­lie akut gefähr­det? – Risk Sco­ring
  • Wel­che Stu­den­tin wird die Prü­fung nicht bestehen? – Lear­ning Analytics

Zur Beant­wor­tung der­ar­ti­ger Fra­ge­stel­lun­gen wer­den Big Data Tech­no­lo­gien ein­ge­setzt, um ver­meint­lich „neu­tra­le” Ant­wor­ten auf  Basis „objek­ti­ver Daten” zu lie­fern. Die Zuschrei­bun­gen von Neu­tra­li­tät, Objek­ti­vi­tät und somit Ratio­na­li­tät mit Blick auf die sozia­len Fol­gen wur­den indes wie­der­holt in Fra­ge gestellt.

   Was ist „prä­dik­ti­ve Analytik”? 

„In der „prä­dik­ti­ven Ana­ly­tik“ möch­te man also anhand leicht zugäng­li­cher Daten schwer zugäng­li­che Daten über Indi­vi­du­en abschät­zen. Prä­dik­ti­ve Ana­ly­tik ent­steht über­all dort, wo durch all­täg­lich ver­wen­de­te digi­ta­le Medi­en mas­sen­wei­se Ver­hal­tens- und Nut­zungs­da­ten anfal­len. Das liegt dar­an, dass prä­dik­ti­ve Model­le den ein­zel­nen Fall anhand von „pat­tern matching“ mit Mil­lio­nen ande­rer Fäl­le abglei­chen, ihn einer algo­rith­misch bestimm­ten Grup­pe beson­ders ähn­li­cher Fäl­le zuord­nen und dar­aus eine Schät­zung der unbe­kann­ten Ziel­va­ria­ble ableiten.
In den meis­ten Fäl­len wer­den sol­che Model­le mit Ver­fah­ren des über­wach­ten Ler­nens trai­niert: Dazu wird eine gro­ße Men­ge sog. „Trai­nings­da­ten“ benö­tigt, ein Daten­satz, in dem für eine Kohor­te von Indi­vi­du­en bei­de Daten­fel­der, also sowohl die Hilfs­da­ten als auch die sen­si­blen Ziel­da­ten, erfasst sind. Sol­che Daten­sät­ze fal­len regel­mä­ßig im Kon­text sozia­ler All­tags­me­di­en an, zum Bei­spiel pro­du­ziert die Teil­men­ge aller Facebook-Nutzer*innen, die in ihrem Pro­fl expli­zit Anga­ben über ihre sexu­el­le Ori­en­tie­rung machen, einen Trai­nings­da­ten­satz zur Abschät­zung der sexu­el­len Iden­ti­tät; und die Grup­pe der Indi­vi­du­en, von denen man gleich­zei­tig Zugriff auf ihren Brow­ser­ver­lauf und die Daten einer Gesund­heits-App hat, pro­du­zie­ren Trai­nings­da­ten für eine KI, die anhand von Brow­ser­ver­läu­fen Krank­heits­dis­po­si­tio­nen abzu­schät­zen ler­nen kann.
Sobald eine Grup­pe von eini­gen Tau­send Indi­vi­du­en frei­wil­lig oder unwis­sent­lich zugleich Hilfs­da­ten und sen­si­ble Daten preis­gibt, kann ein Machi­ne-Lear­ning-Modell trai­niert wer­den, wel­ches Kor­re­la­tio­nen zwi­schen den Hilfs­da­ten und den sen­si­blen Daten ermit­telt. Sol­che Model­le wer­den anschlie­ßend dazu ver­wen­det, die sen­si­ble Ziel­va­ria­ble auch für Indi­vi­du­en abzu­schät­zen, über die nur die Hilfs­da­ten bekannt sind und die selbst kei­ne sen­si­blen Daten über sich preis­ge­ben würden.”

Quel­le: Mühl­hoff, Rai­ner (2020): Prä­dik­ti­ve Pri­vat­heit. War­um wir alle „etwas zu ver­ber­gen haben“. In: KI als Labo­ra­to­ri­um? Ethik als Auf­ga­be, hrsg. von der Inter­dis­zi­pli­nä­re Arbeits­grup­pe Ver­ant­wor­tung: Maschi­nel­les Ler­nen und Künst­li­che Intel­li­genz der Ber­lin-Bran­den­bur­gi­schen Aka­de­mie der Wis­sen­schaf­ten, Ber­lin, S. 38.
https://www.bbaw.de/files-bbaw/user_upload/publikationen/BBAW_Verantwortung-KI‑3–2020_PDF-A-1b.pdf

Datenrationalität, Glaube und Diskriminierung

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 grund­sätz­lich nicht mehr zugäng­lich ist”.9 Die­ses im Ergeb­nis unzu­gäng­li­che, gene­rier­te Wis­sen stellt eine beson­de­re Her­aus­for­de­rung für die Ver­ständ­lich­keit und Nach­voll­zieh­bar­keit daten­ana­ly­sie­ren­der Pro­zes­se, und damit für ent­spre­chen­de Bil­dungs­maß­nah­men im Sin­ne einer Big Data Liter­acy dar. Um Big Data ent­steht eine „Aura” der Objek­ti­vi­tät 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“:10

„Damit ein­her geht der weit­ver­brei­te­te Glau­be, dass gro­ße Daten­sät­ze uns Zugang zu einer höhe­ren Form der Intel­li­genz und des Wis­sens ver­schaf­fen, die neue, bis­lang unmög­li­che Ein­sich­ten gene­rie­ren, Ein­sich­ten, die eine Aura der Wahr­heit, der Objek­ti­vi­tät und der Genau­ig­keit umgibt.“ 11
Auch der Deut­sche Ethik­rat spricht von einem „Miss­ver­ständ­nis zu glau­ben, dass mehr Daten auch auto­ma­tisch zu mehr Wis­sen über kau­sa­le Effek­te füh­ren. Es wäre zudem ein Kate­go­ri­en­feh­ler, Kor­re­la­ti­ons­aus­sa­gen mit Kau­sal­aus­sa­gen zu ver­wech­seln”.12 So las­sen sich anhand von Big Data Ana­ly­sen sta­tis­ti­sche Zusam­men­hän­ge auf­zei­gen, die aber nicht unbe­dingt etwas über Wir­kungs­zu­sam­men­hän­ge aussagen.

   Ende der Theorie? 

Rei­chen Mus­ter­er­ken­nung in Daten und Sta­tis­tik, um neue wis­sen­schaft­li­che For­schung zu betrei­ben? Braucht man über­haupt noch eine Theo­rie mit kau­sa­len Erklä­rungs­mo­del­len? Kann die Arbeit an der Theo­rie für been­det erklärt und durch auto­ma­tisch erzeug­te daten­ge­trie­be­ne Ein­sich­ten ersetzt wer­den (so etwa die viel­fach und kri­tisch dis­ku­tier­te The­se von Chris Ander­son7)? Die Dis­kus­si­on über das Ver­hält­nis zwi­schen daten­ge­trie­be­ner und theo­rie­ge­lei­te­ter Erkennt­nis­ge­win­nung führ­te im Ergeb­nis eher zu einem kom­ple­men­tä­ren Ver­hält­nis der bei­den: Die algo­rith­men­ge­stütz­te Suche nach Mus­tern berei­chert die Theo­rie­bil­dung, ersetzt sie aber kei­nes­falls.8

Kor­re­la­ti­on und/oder Kau­sa­li­tät? - 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 Kau­sa­li­tät? Die­ses und wei­te­re amü­san­te Sta­tis­tik­bei­spie­le fin­den sich auf der Sei­te von Tyler Vigen.

Korrelation-Kausalität

„Big Data knackt Ihre Psyche”[Link zu Data­ba­se] — In der Rei­he „Unsta­tis­tik des Monats” wer­den sta­tis­ti­sche Aus­sa­gen in den Medi­en hin­ter­fragt. In einer Aus­ga­be wird die Pro­gno­se­ge­nau­ig­keit von Big Data Ana­ly­sen behan­delt und das Fazit gezo­gen: der „Algo­rith­mus for­ma­li­siert All­tags-Kli­schees und liegt oft dane­ben”.13

Unstatistik

All­wis­sen­heit und / oder Diskrimierungen?

Ein „Ver­spre­chen der All­wis­sen­heit“ 14 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 Ana­ly­se kön­nen, wenn sie auf sozia­le Berei­che ange­wen­det wer­den, pro­ble­ma­ti­sche Effek­te, wie etwa Dis­kri­mie­run­gen zeigen.

Algo­rith­men und Dis­kri­mi­nie­rung — Lore­na Jau­me-Palasí beschreibt in die­sem Inter­view  Künst­li­che Intel­li­genz und algo­rith­mi­sche Ent­schei­dungs­sys­te­me als kol­lek­ti­ve Tech­no­lo­gien, die dafür aus­ge­legt sei­en, Klas­si­fi­ka­tio­nen zu bil­den und Kol­lek­ti­ve zu ana­ly­sie­ren, aber nicht ein­zel­ne Indi­vi­du­en. Inso­weit kön­nen Algo­rith­men nicht anders, als zu dis­kri­mi­nie­ren, weil es immer Men­schen geben wer­de, die in kei­ne Klas­si­fi­ka­ti­on hineinpassen.

Wea­pons of Math Destruction

Die US-ame­ri­ka­ni­sche Sta­tis­ti­ke­rin Cathy O’Neil ver­öf­fent­lich­te 2016 ihr Buch mit dem Titel „Wea­pons of Math Dest­ruc­tion. How Big Data Incre­a­ses Ine­qua­li­ty and Threa­tens Demo­cra­cy”. Dar­in zeigt sie, wie Big Data Anwen­dun­gen „Wah­len mani­pu­lie­ren, Berufs­chan­cen zer­stö­ren und unse­re Gesund­heit gefähr­den” kön­nen (so der Unter­ti­tel der deutsch­spra­chi­gen Ausgabe).

Dis­kri­mi­nie­run­gen und die Daten der Anderen

Mög­li­che Ursa­chen für Dis­kri­mi­nie­run­gen kön­nen in der Ent­wick­lung der Algo­rith­men und Model­le, aber auch in ver­zerr­ten (Trainings-)Daten lie­gen oder durch mensch­li­che Bewer­tungs­ak­ti­vi­tä­ten ent­ste­hen. Beson­ders her­vor­zu­he­ben ist die algo­rith­men­ge­stütz­te, sta­tis­ti­sche Dis­kri­mi­nie­rung, die sich nicht auf die Kate­go­ri­sie­rung indi­vi­du­el­ler Eigen­schaf­ten bezieht, son­dern auf Grup­pen­ei­gen­schaf­ten, die durch Daten­ana­ly­sen erst erzeugt wer­den, „als ob jedes der Mit­glie­der die­ser Grup­pie­rung das Merk­mal auf­wei­sen wür­de“.15

„Daten, die man selbst frei­wil­lig wei­ter­gibt, kön­nen dazu ver­wen­det wer­den, sen­si­ble Infor­ma­tio­nen über ande­re Men­schen abzu­schät­zen; und umge­kehrt kann man selbst auf­grund der Daten, die ande­re über sich preis­ge­ben, unter­schied­lich behan­delt wer­den. Es kann uns also nicht egal sein, wie unse­re Mit­men­schen mit ihren Daten umge­hen. Und weil die nega­ti­ven Aus­wir­kun­gen prä­dik­ti­ver Ana­ly­tik nicht auf alle Gesell­schafts­mit­glie­der gleich ver­teilt sind, son­dern über­pro­por­tio­nal die Armen, weni­ger Gebil­de­ten, Schwa­chen, Kran­ken und sozio­öko­no­misch Benach­tei­lig­ten tref­fen, ste­hen demo­kra­ti­sche Gesell­schaf­ten hier in einer kol­lek­ti­ven Ver­ant­wor­tung”.16

In Zei­ten von Big Data und prä­dik­ti­ver Ana­ly­tik kann sich ein Ein­zel­ner einer sol­chen sta­tis­ti­schen Grup­pen­zu­ord­nung kaum ent­zie­hen, denn es kön­nen die Daten der ande­ren und schein­bar belang­lo­se Daten genutzt wer­den, um gewünsch­te Aus­sa­gen mit sozia­len Fol­gen zu erstel­len. Daher ist die all­ge­mei­ne Sen­si­bi­li­sie­rung im Umgang mit Daten eine beson­de­re und auch poli­ti­sche Bildungsaufgabe.

  • Wie umge­hen mit Dis­kri­mi­nie­rung durch ADM-Sys­te­me? Das Pro­jekt  Auto­Ch­eck – Hand­lungs­an­lei­tung für den Umgang mit Auto­ma­ti­sier­ten Ent­schei­dungs­sys­te­men für Anti­dis­kri­mi­nie­rungs­stel­len erar­bei­tet Hand­lungs­an­lei­tun­gen und Fort­bil­dun­gen für den Umgang mit Dis­kri­mi­nie­rung durch Algorithmen.

Lite­ra­tur­ver­zeich­nis und Quellenangaben

1 Ward, J. S., & Bar­ker, A. (2013). Unde­fi­ned By Data: A Sur­vey of Big Data Defi­ni­ti­ons. Uni­ver­si­ty of St Andrews. https://​arxiv​.org/​a​b​s​/​1​3​0​9​.​5​821

2 Laney, D. (2001). 3D Data Manage­ment: Con­trol­ling Data Volu­me, Velo­ci­ty, and Varie­ty. http://​blogs​.gart​ner​.com/​d​o​u​g​-​l​a​n​e​y​/​f​i​l​e​s​/​2​0​1​2​/​0​1​/​a​d​9​4​9​-​3​D​-​D​a​t​a​-​M​a​n​a​g​e​m​e​n​t​-​C​o​n​t​r​o​l​l​i​n​g​-​D​a​t​a​-​V​o​l​u​m​e​-​V​e​l​o​c​i​t​y​-​a​n​d​-​V​a​r​i​e​t​y​.​pdf

3 Isi­tor, E., & Sta­nier, C. (2016). Defi­ning Big Data. In: D. E. Bou­biche, H. Ham­dan & A. Boun­ceur (Hrsg.), BDAW 2016. Pro­cee­dings of the Inter­na­tio­nal Con­fe­rence on Big Data and Advan­ced Wire­less Tech­no­lo­gies. New York: ACM, Arti­cle No. 5. doi:10.1145/3010089.3010090 

4 Deut­scher Ethik­rat (2017). Big Data und Gesund­heit – Daten­sou­ve­rä­ni­tät als infor­ma­tio­nel­le Frei­heits­ge­stal­tung, S. 36, i.O. kur­siv. https://​www​.ethik​rat​.org/​f​i​l​e​a​d​m​i​n​/​P​u​b​l​i​k​a​t​i​o​n​e​n​/​S​t​e​l​l​u​n​g​n​a​h​m​e​n​/​d​e​u​t​s​c​h​/​s​t​e​l​l​u​n​g​n​a​h​m​e​-​b​i​g​-​d​a​t​a​-​u​n​d​-​g​e​s​u​n​d​h​e​i​t​.​pdf

5 May­er-Schön­ber­ger, V. (2015). Was ist Big Data? Zur Beschleu­ni­gung des mensch­li­chen Erkennt­nis­pro­zes­ses. Aus Poli­tik und Zeit­ge­schich­te 65 (11–12), 14–19, hier: S. 15.

6 Ebd.

7 Ander­son, C. (2013). Das Ende der Theo­rie. Die Daten­schwem­me macht wis­sen­schaft­li­che Metho­den obso­let. In: H. Gei­sel­ber­ger, T. Moor­stedt (Hrsg.), Big Data. Das neue Ver­spre­chen der All­wis­sen­heit (S. 124–130). Ber­lin: Suhrkamp.

8 Rit­schel, G., Mül­ler, T. (2016). Big Data als Theo­rie­er­satz? Ber­li­ner Debat­te Initi­al 27 (4), 4–11.

9 Pietsch, W., Werne­cke, J. (2017). Einführung: Zehn The­sen zu Big Data und Bere­chen­bar­keit. In W. Pietsch, J. Werne­cke, M. Ott (Hrsg.), Bere­chen­bar­keit der Welt? Phi­lo­so­phie und Wis­sen­schaft im Zeit­al­ter von Big Data (S. 13–36). Wies­ba­den: Sprin­ger, hier S. 17.

10 Boyd, D., & Craw­ford, K. (2013). Big Data als kul­tu­rel­les, tech­no­lo­gi­sches und wis­sen­schaft­li­ches Phä­no­men. Sechs Pro­vo­ka­tio­nen. In: H. Gei­sel­ber­ger & T. Moor­stedt (Hrsg.), Big Data. Das neue Ver­spre­chen der All­wis­sen­heit (S. 187–218). Ber­lin: Suhrkamp.

11 O.o.A., S. 188 f.

12 Deut­scher Ethik­rat (2017). Big Data und Gesund­heit – Daten­sou­ve­rä­ni­tät als infor­ma­tio­nel­le Frei­heits­ge­stal­tung, S. 47. https://​www​.ethik​rat​.org/​f​i​l​e​a​d​m​i​n​/​P​u​b​l​i​k​a​t​i​o​n​e​n​/​S​t​e​l​l​u​n​g​n​a​h​m​e​n​/​d​e​u​t​s​c​h​/​s​t​e​l​l​u​n​g​n​a​h​m​e​-​b​i​g​-​d​a​t​a​-​u​n​d​-​g​e​s​u​n​d​h​e​i​t​.​pdf

13 (vgl. unsta­tis­tik vom 20.12.2016)

14 H. Gei­sel­ber­ger & T. Moor­stedt (Hrsg.) (2013): Big Data. Das neue Ver­spre­chen der All­wis­sen­heit. Ber­lin: Suhrkamp.

15 Orwat, Cars­ten (2018): Dis­kri­mi­nie­rungs­ri­si­ken durch Ver­wen­dung von Algo­rith­men, S. 86f.  https://​www​.anti​dis​kri​mi​nie​rungs​stel​le​.de/​S​h​a​r​e​d​D​o​c​s​/​D​o​w​n​l​o​a​d​s​/​D​E​/​p​u​b​l​i​k​a​t​i​o​n​e​n​/​E​x​p​e​r​t​i​s​e​n​/​s​t​u​d​i​e​_​d​i​s​k​r​i​m​i​n​i​e​r​u​n​g​s​r​i​s​i​k​e​n​_​d​u​r​c​h​_​v​e​r​w​e​n​d​u​n​g​_​v​o​n​_​a​l​g​o​r​i​t​h​m​e​n​.​pdf

16 Mühl­hoff, Rai­ner (2020): Prä­dik­ti­ve Pri­vat­heit. War­um wir alle „etwas zu ver­ber­gen haben“. In: KI als Labo­ra­to­ri­um? Ethik als Auf­ga­be, hrsg. von der Inter­dis­zi­pli­nä­re Arbeits­grup­pe Ver­ant­wor­tung: Maschi­nel­les Ler­nen und Künst­li­che Intel­li­genz der Ber­lin-Bran­den­bur­gi­schen Aka­de­mie der Wis­sen­schaf­ten, Ber­lin, S. 44. https://www.bbaw.de/files-bbaw/user_upload/publikationen/BBAW_Verantwortung-KI‑3–2020_PDF-A-1b.pdf

zurück
wei­ter

Übersicht:

  • Big Data Literacy
    • Über diesen Kurs
      • Leben in der Datengesellschaft
      • Wechselwirkungen zwischen Mensch, Digitaltechnologie und sozialer Welt
      • Was ist “Big Data”?
      • Big Data und der „Überwachungskapitalismus“
      • Was bedeutet “Big Data Literacy”?
    • Stories für die Schule
      • Warum ich etwas zu verbergen habe?
      • Wie kann ich selbst mit Daten forschen?
      • Was sagen Daten über das Lernen aus?
      • Was kann ich tun?
    • Literaturliste und weiterführende Hinweise

Fragen oder Probleme?
zfl-digitalelehre@uni-koeln.de


Impressum
Datenschutzvereinbarung

Login

Login with your site account

Lost your password?