dsci-txt-ml-ws2026#
Gemeinsame Website für die Veranstaltungen
Bachelor FWPF “Textmining” (dsci-txt)
Master-Modul “Data Science” (dsci-ml)
ACHTUNG: Blockveranstaltung (s.u.)
Idee: Bearbeite in mehreren Veranstaltungen das gleiche Projekt aus unterschiedlicher Perspektive, mit unterschiedlichen Vertiefungen.
Das Bachelor FWPF Textmining (dsci-txt) fokussiert Textmining, insbesondere spezifische Methoden wie Text-Segmentierung (insbesondere mit regex), verschiedene Begriffe von Textähnlichkeit, ausgewählte Verfahren wie MinHash + LSH usw.
Das Mastermodul Data Science (dsci-ml) führt in Machine Learning ein, insbesondere in lineare Regression, Klassifikation mit logistischer Regression, confusion matrix, AUC.
Zwar bleiben dsci-txt und dsci-ml bleiben nach wie vor zwei getrennte Veranstaltungen, die auch zu unterschiedlichen Stundenplan-Slots unterrichtet werden.
In beiden Veranstaltungen sind die Form der Studienarbeit gleich
Die Inhalte und Bewrtungskriterien unterscheiden sich naturgemäß.
dsci-txt liefert für dsci-ml Daten; dsci-ml liefert für dsci-txt Methoden und Theorie für Text-Klassifikation.
FWPF Text Mining: Weil es ein skalierendes didaktisches Konzept gibt, gibt es eigentlich keine Zulassungsbeschränkung: Jeder, der bekommt einen Platz. Bitte führen sie dennoch eine FWPF-Wahl durch. Für Unentschlossene und Späteinsteiger: Wichtig ist die Teilnahme am Kickoff.
Blockveranstaltungen, Termine#
Um das Projekt und das didaktische Konzept zu realisieren werden beide Veranstaltungen als Blockveranstaltung durchgeführt. In den ersten acht Semesterwochen sind für jede Veranstaltung 4x ein Block jeweils Freitag Nachmittag und Samstag ganztags vorgesehen.
Die Blockveranstaltungen sind im Semester so früh platziert, dass beide Veranstaltungen im November beendet werden können.
Jeder Block umfasst jeweils 14h a 45 Minuten:
Fr 12.50 - 17.40 (6h a 45 Min)
Sa 08.45 - 16:00 (8h a 45 Min)
Blöcke:
Bachelor FWPF Textmining: ungerade KW, also KW 41, 43, 45, 47
Master “Data Science”: gerade KW, also KW 42, 44, 46, 48
Veranstaltungsbeginn durch einen gemeinsamen Kickoff für beide Gruppen:
Fr 2026-10-09, 14:30 – 17:40 Uhr, Raum G0 18
Die Veranstaltung findet im seminaristischen Unterrichtsstil in Präsenz statt, die Anwesenheit der Studierenden ist erforderlich.
Diskussion: Vier mal Fr+Sa in Präsenz – das ist hart. Aber bedenken Sie auch den Vorteil: Ende November sind diese Fächer “abgehakt”, die Zeit bis zu den Klausuren ist entspannter. Wollen wir uns darauf einlassen?
Moodle#
Wir haben zwei unterschiedliche Einschreibeschlüssel:
Einschreibeschlüssel für das Bachelor FWPF Textmining: Bachelor
Einschreibeschlüssel für das Master-Modul Data Science: Master
Prüfungsform: Studienarbeit#
Die Studienarbeit wird während des Semesters zu einem wesentlichen Teil während der einzelnen Blockveranstaltungen – teilweise explizit und ausschließlich in Präsenz – angefertigt. Weil es sich um einen seminaristischen Veranstaltungsstil handelt ist die Anwesenheit zwingend erforderlich.
Ein wesentlicher handwerklicher Teil der Studienarbeit besteht in einer adäquaten Dokumentation zahlreicher und teilweise sehr verschiedener digitaler Artefakte. Herkömmliche, an Print-Dokumenten orientierte Autorenwerkzeuge wie M$Word, Libreoffice, auch LaTeX stoßen hier an ihre Grenzen.
Technisch lösen wir die Herausforderungen der KI-Dokumentation mit einem Web First-Ansatz: Wir verwenden Pandoc-Markdown in Verbindung mit Quarto, strukturiert nach diataxis. Zotero verwenden wir nicht nur für die klassische Literaturverwaltung, sondern auch zur Sicherung von Website- und KI-Snapshots. Die Lehrveranstaltung nimmt sich Zeit für eine entsprechende Einführung.
Das Projekt#
Beide Veranstaltungen tragen zu einem gemeinsamen Projekt bei: Im Schwerpunkt dsci-txt bereiten wir einen Textkorpus auf, den wir dann Schwerpunkt dsci-ml mit Machine Learning Methoden analysieren.
Gegeben ist ein Korpus aus mehreren Dutzend Dateien, vorwiegend Markdown, aber auch *.ipynb Jupyter Notebooks und *.py Bibliotheken. Wir entwickeln Methoden und Python-Code, der die zeitliche Editier-Entwicklung dieses Korpus’ auf Absazt-Ebene transparent macht, und dabei insbesondere Zusammenhänge zwischen einzelnen Absätzen dieser Dateien aufdeckt, wie z.B. inhaltliche Ähnlichkeit (tf/idf), syntaktische Ähnlichkeit (MinHash, LSH), nach Möglichkeit auch stilistische Ähnlichkeit.
Wir haben einen “Doppeldecker” vor uns: Zwei Ebenen, die zusammenhängen.
Ebene 1: Textähnlichkeit#
In meinem (JB) Homeverzeichnis haben sich in den letzten fünf Jahren Verzeichnisse zu gefühlt 100 Schreibprojekten angesammelt. Jedes Schreibprojekt besteht aus einer oder mehreren Markdown-Dateien, oft in verschiedenen Versionen. Eine Markdown-Datei besteht aus mehreren bis vielen Absätzen. (Was wir als einen Absatz verstehen wollen muss noch genauer bedacht werden.) Ein Text ist nie sofort vollständig da, sondern er entwickelt sich über die Zeit. Bisweilen beim Schreiben eines Absatzes merke ich: “Das habe ich doch an anderer Stelle schon einmal so formuliert?” Wir widmen uns in dieser Veranstaltung auf Ebene 1 diesem Problem:
Gegeben:
ein Satz oder ein Absatz
Gesucht:
In welchen anderen Verzeichnissen > Dateien > Absätzen in meinem Homeverzeichnis kommt dieser Satz ähnlich schon vor?
In welchen anderen Dateien oder in welchen früheren Versionen habe ich diesen Sachverhalt schon einmal beschrieben, diesen Satz (oder Absatz) schon einmal ähnlich formuliert?
NEU seit ca. einem Jahr: Stammt dieser Satz, den ich gerade editiere, ursprünglich von mir selbst, oder taucht er erstmals in einem KI-Chat auf, wurde ursprünglich von einer KI formuliert?
Logisch gesehen ist die Lösung einfach: Wir erstellen eine Kreuztabelle aller Absätze im Homeverzeichnis, in der wir die Ähnlichkeit von jedem Absatz zu jedem anderen Absatz berechnen. Alle Absätze mit einer Ähnlichkeit höher als sim_min geben wir als Ergebnis zurück. In der Literatur ist dieses Problem selbstverständlich schon längst auf verschiedene Art und Weise gelöst. Für bis zu 1 Million Absätzen gibt es hochperformante Verfahren, die auch auf einem älteren Laptop noch ganz gut laufen. Wir schauen uns Lösungen an und versuchen sie für einen Korpzus von bis zu 1000 Absätzen selbst nachzuimplemtieren. Das ist nicht schwierig.
Ebene 2: Dokumentation der KI-Nutzung#
Auch in unserer Veranstaltung werden die Algorithmen aus Ebene 1 nicht naiv “from scratch” selbst programmiert, sondern wir greifen auf existierende Lösungen zurück. Dazu KI einzusetzen ist nicht nur erlaubt, sondern zwingend erforderlich. Ihre zukünftigen Arbeitgeber verlangen von uns (der Hochschule), dass wir den Studierenden zeigen, wie man KI einsetzen kann und diesen Einsatz qualitätssichert und angemessen dokumentiert.
Ein Teil unseres Projekt besteht darin, eine geeignete Dokumentationsumgebung (a) aufzusetzen und (b) dieses Aufsetzen und die Nutzung dieser Umgebung zu dokumentieren.
Verbindung von Ebene 1 und 2
Auf Ebene 1 entsteht Python-Code, in den Markdown-Erklärungen eingebette sind. Auf Ebene 2 enstehen sehr viele weitere erklärende und doumentierende Markdown-Dateien. Diese Dateien werden versioniert, z.B. niedricgschwellig mit Datums-Stempel im Dateinamen (erklärung-cosinus-ähnlichkeit_2026-10-02), oder idealerweise professioneller mit git. Es entstehen verschiedene Versionen einer Dokumentation, in der über die Zeit Absätze angelegt, editiert, verschoben, zusammengeführt, gesplittet werden. Dieser Textkorpus dient uns als Input für unsere Ähnlichkeitssuche; Leitfrage: “Wo zum Teufel habe ich das schon mal ähnlich aufgeschrieben?”
Programmierkenntnisse; KI-Einsatz#
Zum Projekt gehört auch Programmierung in Python. Dazu ist zu Beginn des Semesters eine schnelle Rekapitulation von Python vorgesehen, die in etwa das Klausurniveau der Erstsemester-Veranstaltung Programmieren 1 (bei J.Busse intern: https://www.jbusse.de/python-101/) anstrebt.
ABER klar ist auch: Programmierung ist heute KI-gestützt, geht einfacher und schneller. Um so wichtiger wird heute die Metaebene, also die Dokumentation eines KI gestützen Projektes.
Die Studienarbeit besteht im wesentlichen aus einer genau spezifizieren Projektdokumentation.
Der Einsatz von KI ist nicht nur erlaubt, sondern sogar geboten und Teil der Bewertung. Die Nutzung von KI und die detaillierte Beschreibung und Bewertung der KI-Nutzung ist ein wesentlicher Bestandteil der Projektdokumentation.
Je mehr wir von KI umgeben sind, desto wichtiger wird individuelle Zuschreibung für eigenes Denken. In Präsenz wird es “unplugged” Phasen geben, in denen kein elektronisches Gerät sichtbar ist: Es zählt dann alleine das, was im Kopf angekommen ist, verstanden wurde, kommuniziert werden kann. (Manche sprechen von einer Renaissance alter Denk-Kultur-Techniken). Die Ergebnisse solcher Phasen werden in Form eines digitalen Laborjournals festgehalten, auch sie sind Teil der Studienarbeit.