Informatik · Klasse 7 · Informatik und Gesellschaft: Verantwortung tragen · 1. Halbjahr

Digitale Spuren und Big Data

Untersuchung, wie digitale Spuren gesammelt, analysiert und für personalisierte Werbung oder Empfehlungen genutzt werden.

• KMK Bildungsstandards
• KMK: Sekundarstufe I - Informatik, Mensch und Gesellschaft
• KMK: Sekundarstufe I - Analysieren und Bewerten

Über dieses Thema

Digitale Spuren und Big Data beleuchtet, wie unser Verhalten im Internet Daten erzeugt, die von Unternehmen gesammelt und analysiert werden. Schüler in Klasse 7 lernen, dass Suchanfragen, Klicks und Standortdaten zu Nutzerprofilen führen. Diese Profile dienen personalisierter Werbung auf Plattformen wie YouTube oder Amazon und Empfehlungen, die unsere Entscheidungen lenken. Der Unterricht verbindet Informatik mit gesellschaftlichen Fragen und macht Schüler sensibel für den Alltagstausch von Privatsphäre gegen Bequemlichkeit.

Im KMK-Lehrplan Sekundarstufe I, Bereich Mensch und Gesellschaft, fördert das Thema Kompetenzen im Analysieren und Bewerten. Schüler üben, Datenflüsse zu erklären, ethische Risiken wie Diskriminierung durch Algorithmen zu erkennen und Vor- und Nachteile abzuwägen. So entsteht Verantwortungsbewusstsein für den digitalen Raum.

Aktives Lernen eignet sich hervorragend, da abstrakte Prozesse durch Simulationen und Rollenspiele erfahrbar werden. Wenn Schüler eigene Spuren tracken oder Werbeprofile erstellen, verstehen sie Zusammenhänge intuitiv und diskutieren ethische Fragen lebendig. Das stärkt kritisches Denken nachhaltig.

Leitfragen

1. Erkläre, wie Unternehmen digitale Spuren nutzen, um Profile von Nutzern zu erstellen.
2. Beurteile die ethischen Implikationen der Sammlung und Analyse großer Datenmengen (Big Data).
3. Analysiere, wie personalisierte Werbung unsere Kaufentscheidungen beeinflussen kann.

Lernziele

• Erkläre, wie Unternehmen durch die Analyse von Nutzerdaten personalisierte Werbung schalten.
• Analysiere die Funktionsweise von Algorithmen zur Erstellung von Nutzerprofilen basierend auf digitalen Spuren.
• Bewerte die ethischen Konsequenzen der Sammlung und Nutzung von Big Data für individuelle Privatsphäre und gesellschaftliche Fairness.
• Vergleiche die Vor- und Nachteile personalisierter Empfehlungen für Konsumenten und Unternehmen.

Bevor es losgeht

Grundlagen des Internets und der Datennutzung

Warum: Schüler müssen verstehen, wie das Internet funktioniert und dass bei der Nutzung Daten entstehen, um die Sammlung und Analyse digitaler Spuren nachvollziehen zu können.

Medienkompetenz und Informationsbewertung

Warum: Ein grundlegendes Verständnis für die Funktionsweise von Medien und die kritische Bewertung von Informationen ist hilfreich, um die Auswirkungen personalisierter Werbung zu verstehen.

Schlüsselvokabular

Digitale Spur	Daten, die eine Person bei der Nutzung digitaler Dienste hinterlässt, wie z.B. Suchanfragen, Klicks oder besuchte Webseiten.
Nutzerprofil	Eine Sammlung von Informationen über eine Person, die auf ihren digitalen Spuren basiert und zur Personalisierung von Inhalten oder Werbung dient.
Big Data	Sehr große und komplexe Datensätze, die mithilfe spezieller Software analysiert werden, um Muster, Trends und Zusammenhänge zu erkennen.
Algorithmus	Eine Schritt-für-Schritt-Anleitung oder Regelwerk, das von Computern verwendet wird, um Aufgaben zu lösen oder Entscheidungen zu treffen, wie z.B. die Erstellung von Nutzerprofilen.
Personalisierte Werbung	Werbung, die auf Basis von Nutzerprofilen und deren digitalen Spuren gezielt einzelnen Personen angezeigt wird.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Digitale Spuren verschwinden automatisch nach dem Surfen.

Was Sie stattdessen lehren sollten

Spuren werden dauerhaft gespeichert und analysiert. Aktive Simulationen, bei denen Schüler Daten in einer Tabelle anhäufen, zeigen die Anhäufung. Peer-Diskussionen klären, wie Löschoptionen begrenzt wirken.

Häufige Fehlvorstellung

Big Data bedeutet nur viele Daten, keine besondere Analyse.

Was Sie stattdessen lehren sollten

Big Data umfasst Sammlung, Verarbeitung und Mustererkennung durch Algorithmen. Hands-on-Aktivitäten wie Datensortierung in Gruppen machen Algorithmen greifbar. Schüler entdecken durch Kollaboration, wie Profile entstehen.

Häufige Fehlvorstellung

Personalisierte Werbung ist reiner Zufall.

Was Sie stattdessen lehren sollten

Sie basiert auf präzisen Profilen aus Spuren. Rollenspiele helfen, den kausalen Zusammenhang zu erleben. Strukturierte Reflexionen korrigieren Fehlvorstellungen durch Vergleich eigener Erfahrungen.

Ideen für aktives Lernen

Lernen an Stationen: Spuren sammeln

Richten Sie vier Stationen ein: Cookies simulieren (Browser-Logs drucken), Tracking-Pixel (App-Nutzung protokollieren), Big Data sortieren (Datensätze kategorisieren), Profile bauen (aus Beispieldaten schließen). Gruppen rotieren alle 10 Minuten und notieren Erkenntnisse.

45 Min.·Kleingruppen

Eigene Spuren analysieren

Schüler listen eine Woche ihre App-Nutzung auf, kategorisieren Daten und erstellen ein Probeprofil. Im Plenum teilen sie Muster und diskutieren, wie Werbung daraus entsteht.

30 Min.·Einzelarbeit

Werbe-Rollenspiel

Teilen Sie Rollen zu: Nutzer, Tracker, Werber. Nutzer agieren online, Tracker notieren Spuren, Werber personalisieren Anzeigen. Abschließende Reflexion zu Einfluss.

35 Min.·Kleingruppen

Ethik-Runde: Big Data debattieren

Präsentieren Sie Szenarien wie gezielte Werbung an Kinder. Schüler argumentieren pro und contra in Paaren, dann plenar abstimmen und begründen.

40 Min.·Partnerarbeit

Bezüge zur Lebenswelt

• Online-Shopping-Plattformen wie Amazon nutzen deine Klickhistorie und Kaufgewohnheiten, um dir ähnliche Produkte vorzuschlagen. Dies hilft dem Unternehmen, den Umsatz zu steigern und dir vermeintlich passende Angebote zu präsentieren.
• Soziale Medien wie Instagram oder TikTok analysieren, welche Inhalte du likest, teilst oder wie lange du sie ansiehst, um dir gezielt Werbung von Marken anzuzeigen, die zu deinen Interessen passen könnten.
• Streaming-Dienste wie Netflix oder Spotify erstellen Empfehlungslisten basierend auf deinen Seh- oder Hörgewohnheiten, um dich länger auf der Plattform zu halten und dir neue Inhalte vorzuschlagen.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Die Schüler erhalten eine Karteikarte mit der Frage: 'Nenne zwei digitale Spuren, die du heute hinterlassen hast, und erkläre, wie ein Unternehmen diese nutzen könnte, um ein Profil von dir zu erstellen.' Die Antworten werden eingesammelt und auf Verständnis geprüft.

Diskussionsfrage

Stelle die Frage: 'Ist es für dich in Ordnung, wenn Unternehmen deine digitalen Spuren nutzen, um dir personalisierte Werbung zu zeigen? Begründe deine Antwort und nenne mindestens einen ethischen Aspekt.' Führe eine kurze Klassendiskussion, um verschiedene Perspektiven zu sammeln.

Kurze Überprüfung

Zeige den Schülern drei fiktive Nutzerprofile, die auf unterschiedlichen digitalen Spuren basieren (z.B. Interesse an Sport, Gaming, Kochen). Bitte die Schüler, zu jedem Profil zu erklären, welche Art von personalisierter Werbung sie erwarten würden und warum. Dies dient der Überprüfung des Verständnisses von Profilerstellung und Werbung.

Häufig gestellte Fragen

Wie sammeln Unternehmen digitale Spuren?

Unternehmen nutzen Cookies, Tracking-Pixel und App-Logs, um Klicks, Suchen und Standorte zu erfassen. Diese Daten werden in Big-Data-Systemen analysiert, um Verhaltensmuster zu erkennen. Schüler lernen das durch Beispiele wie Google-Analytics und üben, eigene Spuren zu identifizieren, um Bewusstsein für Datenschutz zu schaffen.

Was sind ethische Implikationen von Big Data?

Big Data birgt Risiken wie Profilfehler, Diskriminierung und Verlust der Privatsphäre. Vorteile liegen in personalisierten Diensten, doch ethische Fragen zu Einwilligung und Transparenz stehen im Vordergrund. Im Unterricht bewerten Schüler Szenarien, um verantwortungsvolle Nutzung zu fördern und gesellschaftliche Auswirkungen zu diskutieren.

Wie beeinflusst personalisierte Werbung Kaufentscheidungen?

Personalisierte Werbung nutzt Profile, um Bedürfnisse vorwegzunehmen und Impulse zu erzeugen. Studien zeigen, dass sie Klickraten um 50 Prozent steigert. Schüler analysieren eigene Empfehlungen und lernen, kritisch zu hinterfragen, ob Käufe wirklich gewollt sind oder manipuliert.

Wie hilft aktives Lernen beim Verständnis von Big Data?

Aktives Lernen macht unsichtbare Prozesse sichtbar: Durch Stationen und Rollenspiele tracken Schüler Spuren selbst und bauen Profile. Das fördert Systemdenken und Ethikdiskussionen. Kollaborative Analysen enthüllen Muster, die alleiniges Lesen nicht vermittelt, und machen Lernen motivierend und bleibend.