oldwiki>Glanz: Die Seite wurde neu angelegt: „{{:MOOCit - Oben}} {| align=center {{:D-Tab}} '''Algorithmic Fairness''' {{o}} Bias {{o}} Diskriminierung {{o}} Ethik der KI {{o}} Demographic Parity {{o}} Individual Fairness {{o}} Transparenz bei KI |} = Einleitung = Was bedeutet '''Algorithmic Fairness''' – und warum ist sie in der heutigen digitalen Welt so wichtig? Algorithmen steuern Suchmaschinen, entscheiden über Kreditvergaben oder beeinflussen unsere sozialen…“

2025-07-05T19:26:35Z

Die Seite wurde neu angelegt: „{{:MOOCit - Oben}} {| align=center {{:D-Tab}} '''Algorithmic Fairness''' {{o}} Bias {{o}} Diskriminierung {{o}} Ethik der KI {{o}} Demographic Parity {{o}} Individual Fairness {{o}} Transparenz bei KI |} = Einleitung = Was bedeutet '''Algorithmic Fairness''' – und warum ist sie in der heutigen digitalen Welt so wichtig? Algorithmen steuern Suchmaschinen, entscheiden über Kreditvergaben oder beeinflussen unsere sozialen…“

Neue Seite

{{:MOOCit - Oben}}
{| align=center
{{:D-Tab}}
'''[[Algorithmic Fairness]]'''
{{o}} [[Bias]]
{{o}} [[Diskriminierung]]
{{o}} [[Ethik der KI]]
{{o}} [[Demographic Parity]]
{{o}} [[Individual Fairness]]
{{o}} [[Transparenz bei KI]]
|}

= Einleitung =

Was bedeutet '''[[Algorithmic Fairness]]''' – und warum ist sie in der heutigen digitalen Welt so wichtig? Algorithmen steuern Suchmaschinen, entscheiden über Kreditvergaben oder beeinflussen unsere sozialen Netzwerke. Doch sind sie wirklich neutral? Dieser aiMOOC erklärt Dir, was hinter dem Begriff steckt, wie Fairness in der [[Künstliche Intelligenz|KI]] erreicht werden kann – und welche [[ethischen Herausforderungen]] dabei entstehen. Du wirst lernen, wie Algorithmen [[Diskriminierung]] verursachen können und welche Konzepte zur [[Gerechtigkeit]] es gibt, um sie fairer zu gestalten.

{{:BRK}}
= Was ist Algorithmic Fairness? =

{{:BRK}}
== Definition und Bedeutung ==

'''[[Algorithmic Fairness]]''' beschreibt das Ziel, algorithmische Systeme so zu gestalten, dass sie keine [[systematische Benachteiligung]] bestimmter Gruppen verursachen. Besonders in Bereichen wie [[Personalwesen]], [[Justiz]], [[Gesundheitswesen]] oder [[Bildungswesen]] ist Fairness entscheidend.

Ein Algorithmus gilt als unfair, wenn seine Entscheidungen [[diskriminierende Auswirkungen]] haben – z.B. weil er auf [[verzerrten Datensätzen]] trainiert wurde oder bestimmte [[soziodemografische Merkmale]] berücksichtigt.

{{:BRK}}
== Formen von Diskriminierung ==

{{o}} [[Direkte Diskriminierung]]: Wenn sensible Merkmale wie [[Geschlecht]], [[Alter]] oder [[Ethnizität]] direkt in Entscheidungen einfließen.
{{o}} [[Indirekte Diskriminierung]]: Wenn scheinbar neutrale Merkmale stark mit sensiblen Merkmalen korrelieren.
{{o}} [[Strukturelle Diskriminierung]]: Wenn Algorithmen bestehende [[gesellschaftliche Ungleichheiten]] verstärken.

{{:BRK}}
== Fairness-Kriterien ==

Es gibt verschiedene mathematische Konzepte zur Messung von Fairness:

{{o}} [[Demographic Parity]]: Die Entscheidung sollte unabhängig vom sensiblen Attribut sein.
{{o}} [[Equalized Odds]]: Fehlerquoten sollten für alle Gruppen gleich sein.
{{o}} [[Predictive Parity]]: Vorhersagen sollten für alle Gruppen gleich zuverlässig sein.
{{o}} [[Individual Fairness]]: Ähnliche Individuen sollten gleich behandelt werden.

{{:BRK}}
= Herausforderungen bei der Umsetzung =

{{o}} [[Datensatz-Bias]]: Verzerrte Daten führen zu verzerrten Modellen.
{{o}} [[Zielkonflikte]]: Fairness kann im Konflikt mit [[Genauigkeit]] stehen.
{{o}} [[Transparenz und Erklärbarkeit]]: Viele Algorithmen sind [[Black Boxes]].
{{o}} [[Normative Entscheidungen]]: Was ist „gerecht“? Dies ist oft eine [[Wertfrage]].

{{:BRK}}
= Lösungen und Maßnahmen =

{{o}} [[Fairness-aware Machine Learning]]: Algorithmen, die Fairness-Kriterien explizit berücksichtigen.
{{o}} [[Auditierung]] und [[Monitoring]]: Regelmäßige Überprüfung von Algorithmen.
{{o}} [[Diversität in Entwicklungsteams]]: Unterschiedliche Perspektiven reduzieren Blindspots.
{{o}} [[Regulierung]]: Gesetze wie die [[EU KI-Verordnung]] helfen, Standards zu setzen.

{{:BRK}}
= Interaktive Aufgaben =

{{:BRK}}
== Quiz: Teste Dein Wissen ==

{{:Multiple-Choice Anfang}}

'''Was beschreibt Algorithmic Fairness?'''
(Das Ziel, algorithmische Entscheidungen gerecht und diskriminierungsfrei zu gestalten.)
(!Die Fähigkeit eines Algorithmus, schnell zu rechnen.)
(!Die maximale Genauigkeit eines Modells.)
(!Ein Verfahren zur Datenspeicherung.)

'''Was versteht man unter direkter Diskriminierung?'''
(Wenn sensible Merkmale wie Ethnizität direkt berücksichtigt werden.)
(!Wenn ein Algorithmus auf veralteten Daten basiert.)
(!Wenn alle Daten gleich behandelt werden.)
(!Wenn keine Daten verwendet werden.)

'''Was ist das Ziel von Equalized Odds?'''
(Fehlerquoten sollen für alle Gruppen gleich sein.)
(!Alle Gruppen sollen dieselben Daten erhalten.)
(!Alle Individuen sollen gleich behandelt werden.)
(!Nur nicht-sensible Merkmale sollen verwendet werden.)

'''Was ist ein Nachteil von Black-Box-Modellen?'''
(Sie sind schwer zu erklären und intransparent.)
(!Sie sind zu langsam.)
(!Sie basieren auf Handarbeit.)
(!Sie verwenden keine KI.)

'''Wodurch kann strukturelle Diskriminierung entstehen?'''
(Durch Verstärkung gesellschaftlicher Ungleichheiten.)
(!Durch zufällige Fehler.)
(!Durch individuelle Fairness.)
(!Durch fehlende Daten.)

'''Was ist Individual Fairness?'''
(Ähnliche Individuen sollen gleich behandelt werden.)
(!Alle Gruppen sollen gleiche Fehlerquoten haben.)
(!Daten sollen gleichmäßig verteilt sein.)
(!Sensible Merkmale sollen nicht verwendet werden.)

'''Welcher Begriff bezeichnet ein mathematisches Fairness-Kriterium?'''
(Demographic Parity)
(!Datensatz Bias)
(!Black Box)
(!Künstliche Intelligenz)

'''Was kann Fairness in einem Algorithmus beeinträchtigen?'''
(Verzerrte Trainingsdaten)
(!Geringe Datenmenge)
(!Transparente Modelle)
(!Kurze Laufzeiten)

'''Warum ist Diversität in Entwicklerteams wichtig?'''
(Um unterschiedliche Perspektiven und Bias zu berücksichtigen.)
(!Weil diverse Teams schneller programmieren.)
(!Weil KI nur mit Diversität funktioniert.)
(!Weil Algorithmen sonst nicht starten.)

'''Welche Rolle spielt Regulierung bei Fairness?'''
(Sie schafft rechtliche Rahmenbedingungen und Standards.)
(!Sie verhindert jede Form von KI.)
(!Sie ersetzt Audits.)
(!Sie speichert Daten sicher.)

{{:Multiple-Choice Ende}}
<br>

{{:BRK}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Bias || Verzerrung in Daten oder Entscheidungen
|-
| Equalized Odds || Fehlerquoten über Gruppen hinweg angleichen
|-
| Individuelle Fairness || Gleichbehandlung ähnlicher Personen
|-
| Demographic Parity || Gruppenunabhängige Entscheidung
|-
| Black Box || Undurchsichtiger Algorithmus
|}
{{:Memo Ende}}
<br>

{{:BRK}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Ablauf einer Fairness-Analyse
|-
| '''Datenanalyse'''
| 1
|-
| '''Bias-Erkennung'''
| 2
|-
| '''Modellanpassung'''
| 3
|-
| '''Auditierung'''
| 4
|-
| '''Monitoring'''
| 5

|}
</div>

<br>

{{:BRK}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Fairness || Was ist das Hauptziel bei Algorithmic Fairness?
|-
| Diskriminierung || Was soll durch faire Algorithmen vermieden werden?
|-
| Bias || Welches englische Wort steht für Verzerrung?
|-
| Audit || Wie nennt man die Überprüfung eines Algorithmus?
|-
| Transparenz || Was fehlt oft bei Black-Box-Modellen?
|-
| Daten || Worauf basieren Algorithmen hauptsächlich?
|}
{{:Kreuzwort Ende}}
<br>

{{:BRK}}
== LearningApps ==
<iframe> https://learningapps.org/index.php?s=Algorithmic+Fairness </iframe>

{{:BRK}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Algorithmic Fairness zielt darauf ab, { gerechte } Entscheidungen zu ermöglichen. Verzerrte Daten können zu { Diskriminierung } führen. Modelle sollten auch für verschiedene Gruppen { gleich } gut funktionieren. Eine Herausforderung ist die Abwägung zwischen Fairness und { Genauigkeit }. Ein weiteres Problem ist die { Transparenz } vieler Algorithmen.
</quiz>

<br>

= Offene Aufgaben =

=== Leicht ===
{{o}} [[Beispielanalyse]]: Beschreibe ein Beispiel, bei dem ein Algorithmus unfair sein könnte.
{{o}} [[Grafik erstellen]]: Zeichne ein Schaubild zu den verschiedenen Fairness-Kriterien.
{{o}} [[Begriffserklärung]]: Erkläre den Begriff „Bias“ mit eigenen Worten.

=== Standard ===
{{o}} [[Fallanalyse]]: Analysiere ein reales Beispiel algorithmischer Diskriminierung (z.B. Amazon-Bewerbungssystem).
{{o}} [[Interview]]: Führe ein Interview mit einer Person über ihre Meinung zu algorithmischer Gerechtigkeit.
{{o}} [[Pro- und Contra-Liste]]: Erstelle eine Übersicht zu den Vor- und Nachteilen von Black-Box-Algorithmen.

=== Schwer ===
{{o}} [[Experiment]]: Entwickle ein einfaches Modell, bei dem Fairness berücksichtigt wird.
{{o}} [[Datensatz-Analyse]]: Untersuche einen offenen Datensatz auf potenzielle Verzerrungen.
{{o}} [[Gesetzesanalyse]]: Vergleiche die KI-Regulierung in zwei verschiedenen Ländern.

{{:Offene Aufgabe - MOOC erstellen}}

= Lernkontrolle =

{{o}} [[Fairnesskonflikte]]: Erkläre, warum sich mathematische Fairnesskriterien gegenseitig ausschließen können.
{{o}} [[Fallstudie entwickeln]]: Entwickle ein Szenario, in dem eine faire Entscheidung besonders wichtig ist.
{{o}} [[Wertevergleich]]: Welche gesellschaftlichen Werte spielen bei der Definition von Fairness eine Rolle?
{{o}} [[Transparenz bewerten]]: Warum ist Erklärbarkeit bei KI-Systemen so wichtig für Vertrauen?
{{o}} [[Eigene Haltung]]: Nimm Stellung zur Frage: „Sollte Fairness gesetzlich vorgeschrieben werden?“

<br>
<br>

= OERs zum Thema =
<iframe> https://de.m.wikipedia.org/wiki/Algorithmic_Fairness </iframe>

<br>

= Links =
{| align=center
{{:D-Tab}}
'''[[Algorithmic Fairness]]'''
{{o}} [[Bias]]
{{o}} [[Diskriminierung]]
{{o}} [[Ethik der KI]]
{{o}} [[Demographic Parity]]
{{o}} [[Individual Fairness]]
{{o}} [[Transparenz bei KI]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Politische Bildung]]
[[Kategorie:Künstliche Intelligenz]]

= Teilen - Diskussion - Bewerten =
{{:Teilen - MOOCit}}
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]

Algorithmic Fairness - Versionsgeschichte