Random Forest (RF) ist ein Ensembleverfahren, bei dem viele Entscheidungsbäume auf unterschiedlichen Stichproben und Teilmengen von Features trainiert werden. Die Vorhersagen der einzelnen Bäume werden gemittelt (bei Regression) oder per Mehrheitsentscheid kombiniert (bei Klassifikation), wodurch stabilere und genauere Ergebnisse erzielt werden und Überanpassung reduziert wird. (vgl. Andrae 2023, S. 16) Beispiel: Vorhersage der Kreditwürdigkeit von Bankkunden: Jeder Entscheidungsbaum trifft eine eigene Vorhersage, ob ein Kunde kreditwürdig ist oder nicht, basierend auf Merkmalen wie Einkommen, Alter und bisherigem Zahlungsverhalten. Die einzelnen Vorhersagen der Bäume werden anschließend per Mehrheitsentscheidung kombiniert, sodass der Random Forest insgesamt zuverlässiger vorhersagt als ein einzelner Baum. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Entscheidungsbäume sind Modelle, die Daten anhand von Fragen oder Bedingungen schrittweise in Teilmengen aufteilen, um Vorhersagen zu treffen. Sie eignen sich für die Klassifikation oder Regression, erfassen nichtlineare Zusammenhänge und Interaktionen zwischen Variablen und sind leicht interpretierbar. Jeder Endpunkt des Baums (Blattknoten) liefert eine Vorhersage, basierend auf den Trainingsdaten in diesem Knoten. (vgl. Andrae 2023, S. 13 ff.) Beispiel: Ein Entscheidungsbaum könnte in einer Bank eingesetzt werden, um die Kreditwürdigkeit von Kunden vorherzusagen. Zunächst prüft der Baum, ob das Einkommen über 50.000 € liegt, dann, ob die Person Schulden hat, und anschließend, wie viele Jahre sie im aktuellen Job arbeitet. Anhand dieser Abfragen teilt der Baum die Kunden in Gruppen auf, sodass am Ende in jedem Blattknoten steht, ob ein Kredit genehmigt wird oder nicht. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Die logistische Regression ist ein lineares Modell zur binären Klassifikation. Sie sagt Wahrscheinlichkeiten für zwei mögliche Ergebnisse voraus, indem sie eine lineare Gleichung durch die logistische Funktion auf Werte zwischen 0 und 1 „quetscht“. Werte über 0,5 werden als Klasse 1, darunter als Klasse 0 klassifiziert. (vgl. Andrae 2023, S. 13) Beispiel: Die Vorhersage, ob ein Kunde ein Produkt kauft oder nicht. Als Eingabedaten dienen Merkmale wie Alter, Einkommen und vorherige Kaufhistorie. Das Modell berechnet anhand dieser Merkmale die Wahrscheinlichkeit eines Kaufs und ordnet den Kunden je nach Wahrscheinlichkeit der Klasse „kauft“ (1) oder „kauft nicht“ (0) zu. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Die Polynom-Regression ist ein Regressionsverfahren, mit dem nichtlineare Zusammenhänge zwischen Eingabevariablen und Zielvariable modelliert werden. Dazu wird ein lineares Regressionsmodell um Terme höherer Ordnung (z. B. Quadrate oder Kuben der Eingabevariablen) erweitert, sodass sich gekrümmte Verläufe an die Daten anpassen lassen. (vgl. Andrae 2023, S. 12 f.) Beispiel: Die Vorhersage der Wachstumskurve einer Pflanze über die Zeit: Da das Wachstum anfangs langsam, dann schnell und zum Schluss wieder langsamer verläuft, passt ein quadratischer oder kubischer Term besser als eine lineare Regression. Das Modell wird mit Messwerten der Pflanzenhöhe zu verschiedenen Zeitpunkten trainiert, sodass anschließend die Höhe zu zukünftigen Zeitpunkten vorhergesagt werden kann. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Die Ridge-Regression ist eine regularisierte Form der linearen Regression, bei der zur Kostenfunktion ein Strafterm für große Koeffizienten hinzugefügt wird, um Überanpassung zu reduzieren. Dadurch wird die Modellkomplexität kontrolliert und die Vorhersageleistung insbesondere bei stark korrelierten Variablen verbessert. (vgl. Andrae 2023, S. 12) Beispiel: Die Vorhersage von Immobilienpreisen, bei der viele stark zusammenhängende Merkmale wie Wohnfläche, Anzahl der Zimmer und Grundstücksgröße verwendet werden. Da diese Variablen ähnlich Informationen enthalten, würden ihre Koeffizienten in einer normalen linearen Regression sehr groß werden. Die Ridge-Regression dämpft diese Koeffizienten, sodass das Modell stabilere und realistischere Preisvorhersagen liefert. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Regression bezeichnet ein Verfahren, bei dem reellwertige (numerische) Größen vorhergesagt werden, indem der Zusammenhang zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen modelliert wird; Ziel ist es, auf Basis dieser gelernten Beziehung zukünftige oder unbekannte Zahlenwerte vorherzusagen, etwa Preise, Mengen oder Wachstumsraten. (vgl. Andrae 2023, S. 11) Beispiele: Lineare Regression, Ridge-Regression, Polynom-Regression Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Supervised Learning (überwachtes Lernen) bezeichnet eine Methode des maschinellen Lernens, bei der ein Algorithmus anhand von Trainingsdaten mit bekannten Eingabe-Ausgabe-Paaren lernt, eine Funktion zu schätzen, die aus gegebenen Merkmalen (Features) einen vorab definierten Output (Label) möglichst genau vorhersagt, etwa für Klassifikationsaufgaben oder Regressionsaufgaben. (vgl. Andrae 2023, S. 8 ff.) Beispiel: Ein Kreditinstitut nutzt Supervised Learning, indem es ein Modell mit historischen Daten trainiert, in denen zu jeder Person Merkmale wie Einkommen, Beschäftigungsdauer und bisheriges Zahlungsverhalten sowie das bekannte Ergebnis „Kredit genehmigt“ oder „abgelehnt“ enthalten sind; das gelernte Modell kann anschließend für neue Antragsteller vorhersagen, ob deren Kredit voraussichtlich bewilligt werden sollte. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Prädiktive Modellierung bezeichnet einen Ansatz, bei dem mithilfe von Methoden des maschinellen Lernens aus vorhandenen Daten Muster gelernt werden, um für neue, unbekannte Eingaben möglichst genaue Vorhersagen zu treffen, ohne das zugrundeliegende Datenentstehungsmodell explizit festzulegen. (vgl. Andrae 2023, S. 7) Beispiel: Ein Online-Shop nutzt prädiktive Modellierung, um vorherzusagen, ob Kunden ein Produkt kaufen werden: Ein Machine-Learning-Modell lernt aus vielen Merkmalen wie bisherigen Käufen, Klickverhalten und Suchanfragen und sagt für neue Besucher die Kaufwahrscheinlichkeit voraus, um gezielt Empfehlungen oder Werbung anzuzeigen. Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Generative Modellierung bezeichnet einen statistischen Ansatz, bei dem ein erklärendes Modell entwickelt wird, das beschreibt, wie beobachtete Daten durch zugrundeliegende Prozesse entstanden sein könnten. Ziel ist es, den Zusammenhang zwischen Input und Output zu verstehen, indem Modellparameter geschätzt werden. (vgl. Andrae 2023, S. 7) Beispiel: Lineare Regression Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler

Die pragmatischen Axiome der Kommunikation nach Watzlawick beschreiben grundlegende Regeln, wie Menschen in Interaktionen Bedeutung erzeugen und sich austauschen. Sie besagen u. a., dass man nicht nicht kommunizieren kann, jede Kommunikation einen Inhaltsaspekt und Beziehungsaspekt hat, Kommunikationsabläufe durch Interpunktion strukturiert werden, digitale (sprachlich-logische) und analoge (Gesten, Mimik) Modalitäten sich ergänzen und Beziehungen symmetrisch oder komplementär sein können. Sie verdeutlichen, dass Kommunikation stets soziale Bedeutungen trägt und Lehrprozesse und Lernprozesse als wechselseitige, symbolisch vermittelte Interaktionen zu verstehen sind. (vgl. Kron/Jürgens/Standop 2024, S. 159 ff.) Beispiel: Wenn eine Lehrerin während einer Gruppenarbeit schweigt, die Lernenden dies aber als Zustimmung werten und eigenständig weiterarbeiten („Man kann nicht nicht kommunizieren“). Gleichzeitig vermittelt sie durch ihre Gestik und Mimik, dass sie die Ergebnisse gutheißt, was den Beziehungsaspekt der Kommunikation zeigt. Lernende reagieren darauf, interpretieren die Gesten und passen ihr Verhalten an, wodurch eine symmetrische Interaktion entsteht, in der alle aktiv am Lernprozess beteiligt sind. Kron, F. W.; Jürgens, E.; Standop, J. (2024): Grundwissen Didaktik. 7. Auflage. München: Ernst Reinhardt

Symbolische Interaktionen bezeichnen soziale Interaktionen, bei denen die Kommunikation über Symbole – wie Sprache, Gesten oder Mimik – erfolgt und in denen die Beteiligten ihr Verhalten wechselseitig aufeinander beziehen. Sie sind dynamisch, kulturell geprägt und nur bedingt vorhersehbar. Im pädagogischen Kontext bedeutet dies, dass Lehrerkräfte und Lernende nicht nur Inhalte austauschen, sondern auch Bedeutungen, Erwartungen und soziale Rollen verhandeln, wobei die Lernenden aktiv den Unterricht mitgestalten können. (vgl. Kron/Jürgens/Standop 2024, S. 159 ff.) Beispiel: Wenn eine Lehrerin eine Frage stellt und die Lernenden durch Handzeichen oder verbale Antworten signalisieren, dass sie den Inhalt verstanden haben oder noch unsicher sind. Anhand dieser Rückmeldungen passt die Lehrerin ihre Erklärung an, während die Lernenden gleichzeitig die Hinweise der Lehrerin interpretieren und ihr eigenes Lernen darauf ausrichten. Kron, F. W.; Jürgens, E.; Standop, J. (2024): Grundwissen Didaktik. 7. Auflage. München: Ernst Reinhardt

Das Bönsch-Modell ist ein lernorganisatorischer Ansatz, der Unterricht und Lernen primär auf das Ziel der Emanzipation ausrichtet. Es betont die Handlungsfähigkeit der Lernenden, sodass sie nicht nur fachliches Wissen erwerben, sondern auch die sozialen und gesellschaftlichen Zusammenhänge ihres Lernens reflektieren. Unterricht wird dabei im Spannungsfeld zwischen gesellschaftlicher Repression und Selbstbestimmung geplant, wobei Lehrkräfte die Lernprozesse so gestalten, dass Lernende aktiv mitdenken, Entscheidungen treffen und Verantwortung übernehmen können. (vgl. Kron/Jürgens/Standop 2024, S. 154 ff.) Beispiel: Eine Projektwoche in der Schule, in der die Lernende ein eigenes kleines soziales Projekt planen und durchführen. Sie entscheiden selbst über das Thema, die Aufgabenverteilung und die Vorgehensweise, reflektieren gemeinsam über die Herausforderungen und lernen dabei nicht nur Fachwissen, sondern auch Verantwortung, Teamarbeit und gesellschaftliches Engagement. Die Lehrkraft begleitet und unterstützt, greift aber nur ein, wenn es nötig ist, und fördert so die Selbstorganisation und Handlungsfähigkeit der Lernenden. Kron, F. W.; Jürgens, E.; Standop, J. (2024): Grundwissen Didaktik. 7. Auflage. München: Ernst Reinhardt