Beschreibung

Im Bereich Data Science dominiert manchmal der Wunsch, die Daten „für sich selbst“ sprechen zu lassen. Doch sowohl die kompetente Interpretation als auch das Fällen von Entscheidungen basierend auf Analysen benötigt stets Hintergrundwissen und -annahmen zu den zugrundeliegenden datengenerierenden Prozessen.

Der Kurs "Was, wie, warum? – Einführungskurs Kausale Inferenz" soll allen Studierenden und anderen Datenanwender:innen (z. B. in Management, Journalismus, Medizin) die Grundlagen der Kausalen Inferenz vermitteln.

Die Teilnehmer:innen lernen, den Entstehungsprozess von Daten kritisch zu reflektieren. Korrelation impliziert nicht Kausalität – aber wie genau hängen die beiden zusammen? Welche Prozesse führen zum Auftreten von Korrelationen? Welche davon sind potenzielle Quellen von Verzerrungen? Dieses vertiefte Verständnis und die Fähigkeit, Analyseergebnisse vor dem Hintergrund des datengenerierenden Prozesses zu reflektieren, ist Bestandteil von Data Literacy und zentral in Kontexten, in denen Daten für Entscheidungen genutzt werden.

Der Kurs beinhaltet interaktive Tutorials, Kurzvideos und Übungen. Abwechslungsreiche Beispiele, sowohl aus dem Alltag als auch aus Anwendungsbereichen der KI (z. B. Behandlungsentscheidungen in der Medizin, strategische Entscheidungen im Unternehmenskontext), motivieren und verdeutlichen die zentrale Rolle, die Kausalinferenz im Leben der Teilnehmer:innen bereits spielt

Lizenzhinweis

Dieser Kurs steht unter der Lizenz CC BY-SA 4.0. Er wurde ursprünglich auf der Plattform KI-Campus (ursprüngliche URL; Sources auf dem GitLab der Uni Gießen) von Dr. Julia Rohrer und Prof. Dr. Karsten Lübke veröffentlicht. Für die Umsetzung auf unserer Plattform wurde die Gliederung und technische Umsetzung der Aufgaben teilweise angepasst.

Kursaufbau

  1. Was, wie, warum? Einstiegskurs Kausale Inferenz: Herzlich willkommen! An der Weggabelung: Einen Weg gehen – und einen nicht: In diesem Modul geht es um die Begriffe Potential Outcome, Counterfactual und kausaler Effekt.
  2. Ein Pfeil zeigt die Richtung: In diesem Modul behandeln wir die Themen Strukturelle kausale Modelle sowie Kausale Diagramme.
  3. Daten analysieren – mit welchem Ziel?: Hier lernen Sie die unterschiedlichen Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz), sowie die Kausale Leiter (Assoziation, Intervention, Counterfactual) kennen.
  4. Es steht was zwischen uns: Hier lernen Sie das erste Grundelement eines kausalen Diagramms, die Kette, kennen.
  5. Von Störchen und Geburten: In diesem Modul behandeln wir ein weiteres Grundelement, die sogenannte Gabel.
  6. Nett oder schön? – Warum nicht beides?: Als letztes Grundelement behandeln wir in diesem Modul die umgedrehte Gabel.
  7. Warum Raumteilung keine gute Investition ist: Es werden die Grundelemente Kausaler Diagramme wiederholt und der Unterschied zwischen Handeln und Beobachten wird nochmals deutlich.
  8. Magie durch Zufall: Welche Auswirkungen haben zufällige Stichprobe und zufällige Zuordnung im Rahmen eines Experiments für die Datenanwendungen?
  9. Was wäre gewesen, wenn?: Ein ganz einfaches Beispiel für ein Counterfactual.
  10. Graphen zeichnen und lesen: Übung und Wiederholung am Beispiel Gender-Pay-Gap.
  11. Schadet Rauchen bei Heranwachsenden?: Ein Anwendungsbeispiel von Kausaler Inferenz in der Medizin.
  12. Praktisches Daten hinterfragen: Wie kann kritisches Hinterfragen in der Anwendung aussehen und was gibt es noch Spannendes in der Kausalen Inferenz?

Zielgruppe(n)

  • Studierende
  • Datenanwender*innen

Lernziele

  • Du kennst die Voraussetzungen für kausale Schlüsse.
  • Du kennst die grundlegenden Bestandteile der grafischen Modellierung des datengenerierenden Prozesses.
  • Du kannst Quellen von Bias in einfachen Beispielen identifizieren.
  • Du kannst eigene Beispiele für die unterschiedlichen Ebenen der Datenanwendungen entwickeln.
  • Du hast gründlich über Korrelation und Kausalität nachdenken können.