AT · Matura

INF-HMI-KI - Mensch-Maschine-Interaktion und KI

Usability, Barrierefreiheit und ethische Bewertung sind ebenso prüfungsrelevant wie die Grundlagen Maschinellen Lernens.

3 Abschnitte~11 Min Lesezeit4 KompetenzenStand 06/2026

T·101010 / 12

Prüfungsprofil

INF-HMI-1 · Usability-Prinzipien und WCAG-Barrierefreiheit anwendenINF-KI-1 · Überwachtes vs. unüberwachtes Lernen verstehenINF-KI-2 · Neuronale Netze als Funktionsapproximator beschreibenINF-KI-3 · Bias, Fairness und gesellschaftliche Folgen von KI bewerten

Tiefe

Schrift

Inhalt · 3 Abschnitte

INF-HMI-KI - Mensch-Maschine-Interaktion und KI

3 Abschnitte15 Merksätze2 Formeln15 Fehlerwarnungen

Usability-Heuristiken und Barrierefreiheit#

~3 Min LesezeitStandardINF-HMI-1.1

Eine Software kann technisch perfekt und trotzdem unbenutzbar sein - Usability (Gebrauchstauglichkeit) und Barrierefreiheit entscheiden, ob Menschen sie wirklich nutzen können. Beides ist messbar (Aufgabenzeit, Fehlerrate, Zufriedenheit) und in OE für öffentliche Stellen sogar gesetzlich verpflichtend.

Nielsens 10 Usability-Heuristiken sind der Standard für schnelle Bewertungen, u. a.: Sichtbarkeit des Systemstatus, Übereinstimmung mit der realen Welt, Nutzerkontrolle, Konsistenz, Fehlervermeidung, Wiedererkennung statt Erinnerung, Flexibilität, minimalistisches Design, Hilfe beim Beheben von Fehlern sowie Hilfe/Dokumentation. Schon eine heuristische Evaluation mit wenigen Personen deckt viele Probleme auf (siehe Beispiel).

Barrierefreiheit im Web richtet sich nach den WCAG (Web Content Accessibility Guidelines), aufgebaut auf vier Prinzipien - POUR (): Wahrnehmbar, Bedienbar, Verständlich und Robust. Jedes Prinzip wird durch konkrete, überprüfbare Erfolgskriterien hinterlegt.

WCAG-Prinzipien (POUR)

Abb. 1Die vier Grundprinzipien der Barrierefreiheit mit je einer typischen Maßnahme.

Abb. 1 ↓

Es gibt drei Konformitätsstufen: A (Minimum), AA (in OE gesetzlich gefordert) und AAA (höchste). Typische Maßnahmen sind Alt-Texte für Bilder, ausreichender Farbkontrast (Text 4,5:1), volle Tastaturbedienbarkeit, semantisches HTML und - nur wo nötig - ARIA-Labels.

Usability lässt sich günstig testen: Nach dem Nielsen-Landauer-Modell (Aufdeckrate

L \approx 0{,}31

) finden bereits 5 Testpersonen rund 85 % der Probleme; mehrere kleine Tests bringen mehr als ein einziger großer. Das macht iteratives Testen praktikabel.

Rechtlich verpflichtet in OE das Web-Zugänglichkeits-Gesetz (WZG) öffentliche Stellen zur Barrierefreiheit (WCAG 2.1 AA + EN 301 549). Häufige Fehler: Usability mit Ästhetik gleichsetzen, Barrierefreiheit für optional halten, oder ARIA-Labels statt nativer semantischer Tags einsetzen (Reihenfolge: nativ zuerst, ARIA nur als Notbehelf).

Vokabeln

→ Kartei

UsabilityGebrauchstauglichkeit: Effektivität, Effizienz und Zufriedenheit bei der Nutzung.
HeuristikErfahrungsregel zur Bewertung einer Oberfläche.
WCAGInternationale Richtlinien für barrierefreie Webinhalte.
KontrastverhältnisMessbares Verhältnis der Leuchtdichten von Text und Hintergrund.
AlternativtextTextbeschreibung eines Bildes für Screenreader.
ARIAAttributsatz zur Ergänzung fehlender Semantik; nur als Notbehelf.

Musterbeispiel

Heuristische Evaluation einer Formularseite

Ein Online-Formular zeigt nach dem Absenden weder einen Ladeindikator noch eine Fehlermeldung bei falscher Eingabe; Pflichtfelder sind nicht markiert. Ordne die Mängel Nielsen-Heuristiken und WCAG zu.

Fehlender Ladeindikator
Verletzt „Sichtbarkeit des Systemstatus" - der Nutzer weiß nicht, ob das Absenden läuft.
Keine Fehlermeldung
Verletzt „Hilfe beim Erkennen und Beheben von Fehlern"; das WCAG-Prinzip „Verständlich" verlangt klare Fehlerhinweise.
Pflichtfelder unmarkiert
Verletzt „Fehlervermeidung"; ohne Markierung (und ohne label bzw. aria-required) auch WCAG „Wahrnehmbar/Bedienbar".
Maßnahmen
Lade-Spinner mit aria-live, Inline-Fehlermeldungen, Pflichtfelder visuell und per aria-required kennzeichnen, ausreichender Kontrast.

Ergebnis: Schon an einem Formular zeigen sich mehrere Heuristik- und WCAG-Verstöße. Eine Evaluation mit rund 5 Testpersonen deckt laut Nielsen etwa 85 % solcher Probleme auf.

Schritt-für-Schritt Erklärung3 Schritte

1
Usability ist messbar: Aufgabenzeit, Fehlerrate, Zufriedenheit.
2
Nielsens 10 Heuristiken sind seit Jahrzehnten der goldene Standard für schnelle Heuristic Evaluations.
3
Barrierefreiheit kommt allen zugute - nicht nur Menschen mit Behinderungen.

SRDP-Aufgaben

SelbsttestAus der Fragenbank7 Punkte

Aufgabenstellung

Erläutere die WCAG-Richtlinien und ihre vier Prinzipien (POUR). Wie wird Barrierefreiheit in einer Webseite konkret umgesetzt?

Deine Antwortwird nicht automatisch bewertet

Typische Fehler

Usability wird mit Ästhetik gleichgesetzt.
Barrierefreiheit wird als freiwillig dargestellt; für öffentliche Stellen ist sie in Österreich rechtlich verpflichtend.
ARIA-Attribute werden statt semantischer Elemente eingesetzt.
Ein Kontrastproblem wird an der Farbwahl allein festgemacht; maßgeblich ist das gemessene Kontrastverhältnis.
Barrierefreiheit wird auf Blindheit verengt; motorische, kognitive und temporäre Einschränkungen zählen ebenso.

Aktive Wiederholung

Prüfe eine selbstgewählte Webseite anhand der 10 Nielsen-Heuristiken. Welche Probleme findest du? Welche WCAG-Verstöße?

Passende Aufgaben üben100 Fragen zum Thema

Aktiv abrufen

Erinnere dich an die Kernpunkte — dann aufdecken.

Quellen: Nielsen: 10 Usability Heuristics (Nielsen Norman Group) · WCAG 2.2 Recommendation (W3C)

Maschinelles Lernen - überwacht, unüberwacht, Reinforcement#

~4 Min LesezeitStandardINF-KI-1.1

Maschinelles Lernen (ML) ist das Teilgebiet der KI, in dem ein System Muster aus Daten lernt, statt explizit programmiert zu werden. Man unterscheidet drei Paradigmen danach, welche Rückmeldung das Lernen leitet ().

ML-Paradigmen im Überblick

Abb. 2Die drei Lernparadigmen unterscheiden sich darin, welche Rückmeldung das Lernen leitet.

Abb. 2 ↓

Beim überwachten Lernen enthalten die Trainingsdaten Eingaben und die gewünschten Labels (z. B. Bild + „Hund"); das Modell lernt eine Funktion

f: X \to Y

. Sind die Labels Kategorien, spricht man von Klassifikation, sind sie Zahlen, von Regression.

Beim unüberwachten Lernen gibt es keine Labels; das Modell findet selbst Struktur - etwa Clustering (k-Means, siehe Beispiel) oder Dimensionsreduktion (PCA). Beim Reinforcement Learning interagiert ein Agent mit einer Umgebung und lernt über Belohnung durch Versuch und Irrtum eine Strategie (Policy) - so trainieren AlphaGo und Steuerungen autonomer Systeme.

Daten teilt man in Trainings-, Validierungs- und Testmenge (z. B. 70/15/15), um die Generalisierung ehrlich zu messen. Die zentrale Gefahr ist Overfitting: Das Modell lernt die Trainingsdaten samt Rauschen auswendig und versagt auf neuen Daten. Gegenmittel sind Regularisierung, Early Stopping und Cross Validation; das Gegenteil ist Underfitting (Modell zu simpel).

Die Accuracy allein ist trügerisch, besonders bei unbalancierten Daten (sagt ein Modell bei 99 % „gesund" stets „gesund", hat es 99 % Accuracy und ist doch nutzlos). Aussagekräftiger sind die aus der Konfusionsmatrix abgeleiteten Maße

\text{Precision} = \tfrac{TP}{TP+FP}

\text{Recall} = \tfrac{TP}{TP+FN}

und ihr harmonisches Mittel

F_{1}

Klassische Verfahren sind lineare und logistische Regression, Entscheidungsbäume, Random Forests, SVM und k-Means. Häufige Fehler: „KI" und „ML" gleichsetzen (ML ist ein Teilgebiet der KI), die Accuracy als alleinige Metrik nennen, oder Trainings- und Testdaten vermischen (Data Leakage).

Vokabeln

→ Kartei

überwachtes LernenLernen aus Beispielen mit bekannten Zielwerten.
unüberwachtes LernenStrukturfindung in Daten ohne Zielwerte.
bestärkendes LernenLernen durch Belohnung und Bestrafung in einer Umgebung.
ÜberanpassungDas Modell lernt das Rauschen der Trainingsdaten mit.
WahrheitsmatrixTabelle richtiger und falscher Zuordnungen je Klasse.
ValidierungsdatenDatensatz zur Modellauswahl; getrennt von Training und Test.

Wichtige Klassifikationsmetriken

\text{Precision} = \dfrac{TP}{TP+FP},\quad \text{Recall} = \dfrac{TP}{TP+FN},\quad F_{1} = 2\cdot\dfrac{P\cdot R}{P+R}

$TP$ sind richtig positive, $FP$ falsch positive und $FN$ falsch negative Zuordnungen. Die Präzision fragt „wie viele der als positiv gemeldeten stimmen?", die Trefferquote „wie viele der tatsächlich positiven wurden gefunden?"; das $F_{1}$ -Maß ist ihr harmonisches Mittel und wird bei ungleich großen Klassen der Genauigkeit vorgezogen.

Musterbeispiel

k-Means Clustering auf 2D-Datenpunkten (Schritt 1)

Gegeben Punkte $(1\,;1), (1\,;2), (5\,;5), (5\,;6), (9\,;1)$ und $k=2$ . Initialisiere Zentren bei $(1\,;1)$ und $(9\,;1)$ und berechne die erste Zuordnung.

Distanzen Punkt -> Zentren
$(1\,;1)$ zu $C_{1}$ =0, $C_{2}$ =8; $(1\,;2)$ zu $C_{1}$ =1, $C_{2}$ ~8{,}06; $(5\,;5)$ zu $C_{1}$ = $\sqrt{32}$ ~5{,}66, $C_{2}$ = $\sqrt{32}$ ~5{,}66 -> Tie.
Zuordnung Cluster
$(1\,;1),(1\,;2)$ -> $C_{1}$ ; $(5\,;5),(5\,;6),(9\,;1)$ -> $C_{2}$ (zufällig).
Neue Zentren berechnen
$C_{1}$ neu = Mittel von $(1\,;1),(1\,;2) = (1; 1{,}5)$ ; $C_{2}$ neu = Mittel von $(5\,;5),(5\,;6),(9\,;1)$ = $(6{,}33; 4)$ .
Wiederholen
Schritt 1 mit neuen Zentren wiederholen, bis sich nichts mehr ändert (Konvergenz).

Ergebnis: k-Means konvergiert nach wenigen Iterationen zu lokalem Optimum. Wahl von $k$ und Initialwerten beeinflussen Resultat.

Schritt-für-Schritt Erklärung3 Schritte

1
Im überwachten Lernen ist das Label dein Lehrer; im unüberwachten Lernen musst du selbst Struktur finden.
2
k-Means ist ein Klassiker, leicht implementiert, aber Wahl von k bleibt eine Kunst.
3
Vermeide Overfitting durch Validation, Regularisierung und genügend Daten.

SRDP-Aufgaben

SelbsttestAus der Fragenbank7 Punkte

Aufgabenstellung

Erläutere überwachtes und unüberwachtes Lernen. Beschreibe je ein typisches Verfahren und ein Anwendungsbeispiel.

Deine Antwortwird nicht automatisch bewertet

Typische Fehler

Künstliche Intelligenz und maschinelles Lernen werden gleichgesetzt; das eine ist der Oberbegriff.
Die Genauigkeit wird als einzige Kennzahl genannt.
Trainings- und Testdaten werden vermischt; das Ergebnis ist wertlos.
Aus einem gefundenen Zusammenhang wird auf Ursächlichkeit geschlossen.
Überanpassung wird als zu wenig Training gedeutet; sie entsteht durch zu viel Anpassung an das Rauschen.

Aktive Wiederholung

Erkläre Overfitting an einem Polynom-Fit: warum liefert ein Polynom 10. Grades perfekte Training-Accuracy, aber schlechte Test-Accuracy?

Passende Aufgaben üben100 Fragen zum Thema

Aktiv abrufen

Erinnere dich an die Kernpunkte — dann aufdecken.

Quellen: Mitchell: Machine Learning (Klassiker) (McGraw-Hill) · scikit-learn user guide (INRIA / Community)

Neuronale Netze und ethische Bewertung (Bias, AI Act)#

~4 Min LesezeitVertiefungINF-KI-2.1INF-KI-3.1

Neuronale Netze sind heute das mächtigste ML-Werkzeug - sie können prinzipiell beliebige Funktionen approximieren und treiben Bild-, Sprach- und generative KI an. Mit dieser Macht kommen aber gesellschaftliche Risiken wie Bias, die ebenso prüfungsrelevant sind.

Grundbaustein ist das künstliche Neuron: Es bildet die gewichtete Summe seiner Eingaben plus einen Bias und schickt sie durch eine Aktivierungsfunktion,

y = \sigma(\sum_{i} w_{i}x_{i} + b)

. Die Nichtlinearität (Sigmoid, ReLU) ist entscheidend - ohne sie wäre das ganze Netz nur eine lineare Abbildung.

Ein neuronales Netz stapelt Neuronen in Schichten: eine Input-Schicht, eine oder mehrere Hidden-Schichten und eine Output-Schicht (). „Deep Learning" heißt einfach: mehr als eine verborgene Schicht. Mehr Schichten erlauben komplexere Muster, brauchen aber mehr Daten und Rechenleistung.

Einfaches neuronales Netz (Feedforward)

Abb. 3Eingabeschicht (3 Neuronen), versteckte Schicht (4) und Ausgabeschicht (2), vollständig verbunden. Jedes Neuron berechnet y = σ(W·x + b) mit Gewichten W, Bias b und Aktivierungsfunktion σ.

Abb. 3 ↓

Gelernt wird per Backpropagation: Man misst den Fehler über eine Loss-Funktion (z. B. Cross-Entropy), propagiert ihn rückwärts durchs Netz und passt jedes Gewicht per Gradientenabstieg ein wenig in die fehlerverringernde Richtung. Über viele Durchläufe (Epochen) sinkt der Loss.

Spezialarchitekturen passen sich der Datenform an: CNN (Faltung + Pooling) für Bilder, RNN und vor allem Transformer für Sequenzen und Sprache (die Basis der großen Sprachmodelle), GAN für die Bildgenerierung.

Bias entsteht vor allem aus verzerrten Trainingsdaten (siehe Beispiel: ein HR-Tool, das aus historischen Daten Geschlechter-Diskriminierung lernt) - rein technische Korrekturen genügen nicht, nötig sind Datenkuration, Fairness-Metriken, Erklärbarkeit und menschliche Aufsicht. Rechtlich rahmen das der EU AI Act (Risikoklassen verboten / hochrisiko / Transparenz / minimal; Hochrisiko-Systeme brauchen eine Konformitätsprüfung) und DSGVO Art. 22 (Schutz vor rein automatisierten Entscheidungen). Häufige Fehler: das Netz als „Black Box" hinnehmen, CNN und RNN gleichsetzen, oder Bias als rein technisches Problem darstellen.

Vokabeln

→ Kartei

NeuronRecheneinheit, die gewichtete Eingaben summiert und durch eine Aktivierungsfunktion schickt.
AktivierungsfunktionNichtlineare Funktion; ohne sie wäre das Netz nur eine lineare Abbildung.
RückwärtsausbreitungVerfahren zur Anpassung der Gewichte über den rückwärts weitergegebenen Fehler.
GradientenabstiegSchrittweise Anpassung entlang des steilsten Abstiegs der Fehlerfunktion.
algorithmische VerzerrungSystematische Benachteiligung, die aus Daten oder Modellbau stammt.
ErklärbarkeitNachvollziehbarkeit einer Modellentscheidung für Menschen.

Neuron mit Sigmoid-Aktivierung

y = \sigma(W x + b),\quad \sigma(z) = \dfrac{1}{1+e^{-z}}

$W$ ist die Gewichtsmatrix, $x$ der Eingabevektor und $b$ der Schwellenwert. Die Sigmoidfunktion staucht jeden Wert in das Intervall zwischen 0 und 1; ohne eine solche NICHTLINEARE Funktion wäre auch ein tiefes Netz nur eine einzige lineare Abbildung.

Musterbeispiel

Algorithmic Bias - Fall HR-Tool

Ein Bewerbungsfilter wurde mit historischen Lebensläufen trainiert. Warum bevorzugt er Männer?

Datenherkunft
Historische Einstellungen reflektieren vergangene Praxis - hier eine männliche Belegschaft.
Modell lernt Muster
Features wie "Frauenhochschule" oder Hobby "Frauen-Fussballverein" werden negativ korreliert.
Konsequenz
Frauen-Bewerbungen werden niedriger bewertet, obwohl Geschlecht nicht als Feature angegeben war.
Gegenmassnahmen
Bias-Audit, Re-Weighting, Removing Sensitive Features (mit Proxy-Prüfung), externe Prüfung gemäß AI Act.

Ergebnis: Bias entsteht aus Trainingsdaten; technische Korrekturen alleine reichen nicht - notwendig sind Datenkuration, Fairness-Metriken und menschliche Aufsicht.

Schritt-für-Schritt Erklärung3 Schritte

1
Ein neuronales Netz ist ein Funktionsapproximator - mit genügend Schichten kann es beliebige Funktionen lernen.
Einfaches neuronales Netz (Feedforward)
Abb.Eingabeschicht (3 Neuronen), versteckte Schicht (4) und Ausgabeschicht (2), vollständig verbunden. Jedes Neuron berechnet y = σ(W·x + b) mit Gewichten W, Bias b und Aktivierungsfunktion σ.
2
Backpropagation ist die Mathematik dahinter: Fehler rückwärts durchs Netz schicken und Gewichte anpassen.
3
Bias ist kein technisches Problem allein - es ist ein gesellschaftliches, das technisch nur teilweise lösbar ist.

SRDP-Aufgaben

SelbsttestAus der Fragenbank7 Punkte

Aufgabenstellung

Beschreibe den Aufbau eines neuronalen Netzes. Diskutiere die Problematik von Bias in KI-Systemen anhand eines konkreten Falls. Welche regulatorischen Antworten gibt es?

Deine Antwortwird nicht automatisch bewertet

Typische Fehler

Das neuronale Netz wird als undurchschaubar hingenommen, ohne Erklärbarkeit zu thematisieren.
Gefaltete und rückgekoppelte Netze werden gleichgesetzt.
Verzerrung wird als rein technisches Problem dargestellt; ihre Ursache liegt in den Daten und ihrer Auswahl.
Mehr Schichten werden pauschal als besser angenommen; ohne genügend Daten steigt nur die Überanpassung.
Ein hoher Testwert wird als Beleg für Fairness gelesen; Verzerrungen zeigen sich erst in der Auswertung je Gruppe.