Künstliche Intelligenz und Fairness im BildungskontextKatharina Simbeck
Zu finden in: Algorithmen und Autonomie (Seite 91 bis 100), 2022
|
|
Diese Seite wurde seit mehr als 7 Monaten inhaltlich nicht mehr aktualisiert.
Unter Umständen ist sie nicht mehr aktuell.
Zusammenfassungen
Katharina Simbeck widmet sich in ihrem Beitrag ebenfalls dem Schnittfeld
von Bildung und KI, legt dabei aber den Fokus auf Fairness und Diskriminierung
durch Machine Learning im Kontext von Learning Analytics. Durch
die Verwendung von digitalen Lernmaterialien und Lernmanagementsystemen
entstehen über verschiedene Datenpraktiken immer mehr Daten über Lernende,
Lehrende und Lernprozesse, welche schließlich ausgewertet und für unterschiedliche
Zwecke genutzt werden können. Hieran schließt nicht nur ein bestimmtes
Bildungsverständnis an, sondern auch die grundlegende Frage, inwiefern
digitale Technologien die Beziehung von Lehrenden und Lernenden
untereinander und zum Lernen überhaupt beeinflussen. Es geht damit um die
Implikationen von Learning Analytics und die adäquate Erfassung von Lernerfolgen.
Dabei ist es, so Simbeck, weder nötig noch möglich, dass Lehrende
und Lernende im Bildungsbereich eingesetzte KI-Systeme im Detail verstehen,
nachvollziehen oder überprüfen können, da die Systeme große Datenmengen,
die sich kontinuierlich ändern verwenden und die dahinter liegenden Modelle
und Algorithmen auch für Expert*innen nur mit großem Zeitaufwand nachvollziehbar
sind. Für viele Anwendungsgebiete ist es jedoch notwendig, die
Ausgaben des Systems, also die Einflussfaktoren auf den Output verstehen zu
können, um diese zu akzeptieren oder gegebenenfalls auch korrigieren zu
können. Wenngleich Lehrende, Lernende und Entscheidungsträger*innen im
Bildungssystem nicht über umfangreiches Spezial- und Expert*innenwissen
der Technologien und Methoden verfügen müssen, sollten sie sich jedoch bewusst
sein, dass den Chancen, die sich durch datengetriebene Verfahren ergeben,
eine Reihe von Herausforderungen gegenüberstehen. Diese Herausforderungen
betreffen zum einen Datenschutz, Transparenz und die informierte
Möglichkeit, auf die Datenverarbeitung zu verzichten. Dementsprechend ergeben
sich auch Herausforderungen hinsichtlich der Transparenz und Diskriminierungsfreiheit
der eingesetzten Systeme, die sich entlang der Fragen abbilden,
ob oder inwieweit die Daten hinsichtlich verschiedener Merkmale, wie
Gender, sozialen Gruppen oder beispielsweise auch Migrationshintergrund
unverzerrt sind.
Von Dan Verständig, Christina Kast, Janne Stricker, Andreas Nürnberger im Buch Algorithmen und Autonomie (2022) im Text Algorithmen und Autonomie Dieses Kapitel erwähnt ...
Dieses Kapitel erwähnt vermutlich nicht ...
Nicht erwähnte Begriffe | Eltern, Gesellschaft, Intelligenz, Kinder, Schweiz, Unterricht |
Tagcloud
Zitationsgraph
Zitationsgraph (Beta-Test mit vis.js)
1 Erwähnungen
- Algorithmen und Autonomie - Interdisziplinäre Perspektiven auf das Verhältnis von Selbstbestimmung und Datenpraktiken (Dan Verständig, Christina Kast, Janne Stricker, Andreas Nürnberger) (2022)
- Algorithmen und Autonomie - Interdisziplinäre Perspektiven auf das Verhältnis von Selbstbestimmung und Datenpraktiken
Volltext dieses Dokuments
Anderswo suchen
Beat und dieses Kapitel
Beat hat Dieses Kapitel während seiner Zeit am Institut für Medien und Schule (IMS) ins Biblionetz aufgenommen. Beat besitzt kein physisches, aber ein digitales Exemplar. (das er aber aus Urheberrechtsgründen nicht einfach weitergeben darf). Es gibt bisher nur wenige Objekte im Biblionetz, die dieses Werk zitieren.