Als ich Anfang der 1990er-Jahre meine Doktorarbeit im Bereich Sprachtechnologie an der Ruhr-Universität Bochum begann, war KI kein Begriff, der leichtfertig verwendet wurde. Wir arbeiteten mit Hidden-Markov-Modellen, neuronalen Netzen mit wenigen Schichten und betrieben ein enormes Maß an manueller Merkmalsextraktion. Alles musste verstanden werden. Es gab keine Abkürzungen zu den Statistiken: weder zu den Daten, noch zu den Modellen oder den Entscheidungen. Man musste wissen, was man tat und warum.
Drei Jahrzehnte später arbeite ich mit Hochschuldozenten in ganz Europa zusammen, die versuchen, genau diese Disziplin – statistisches Denken und analytisches Urteilsvermögen – Studierenden zu vermitteln, die mehr Rechenleistung in der Tasche haben, als unser gesamtes Institut 1994 besaß. Und viele dieser Studierenden erwarten, dass ihnen ein Werkzeug das Denken abnimmt.
Diese Spannung ist das Thema dieser Reihe. Nicht die Frage, ob KI in den Statistikunterricht gehört – in gewisser Form tut sie das –, sondern wie wir sicherstellen, dass sie das Denkvermögen, das wir lehren wollen, schärft, anstatt es zu ersetzen.
Bevor wir uns jedoch mit KI befassen, möchte ich für etwas Grundlegenderes plädieren: Wie ein wirklich gutes Lehrmittel aussieht, bevor KI überhaupt ins Spiel kommt.
Das Problem mit den meisten Lehrmitteln
Statistik ist schwer zu lehren. Nicht primär, weil die Mathematik unzugänglich wäre, denn die meisten Einführungsinhalte sind für motivierte Studierende durchaus machbar. Die eigentliche Schwierigkeit liegt darin, Methode und Zweck miteinander zu verknüpfen. Studierende lernen den t-Test, den Chi-Quadrat-Test und die Regression. Was sie oft nicht lernen, ist, wann man welches Verfahren anwendet und warum diese Wahl wichtig ist.
Tools wie R oder Python, die Programmierkenntnisse erfordern, verlagern die kognitive Belastung auf die Syntax. Studierende verbringen die Sitzung damit, Schleifen zu debuggen, anstatt sich mit ihren Daten auseinanderzusetzen. Das ist keine Kritik an diesen Tools; sie sind zweifellos leistungsstark und wichtig. Doch gerade in der Einführung in die Statistik sind solche Tools oft hinderlich.
Am anderen Ende des Spektrums beantworten vollautomatische Tools die Frage, bevor der Schüler überhaupt die Chance hatte, sie zu stellen.
Was die meisten Dozenten suchen, aber selten finden, ist etwas dazwischen: ein Werkzeug, das leistungsstark genug für fundierte Analysen ist, aber gleichzeitig so strukturiert, dass es das Lernen unterstützt. Es muss für den professionellen Einsatz geeignet sein und darf kein vereinfachtes Lehrmittel sein.
Was die JMP Student Edition tatsächlich bietet
Die JMP Student Edition [2] ist die speziell für den akademischen Gebrauch entwickelte Version von JMP. Es handelt sich nicht um eine abgespeckte Version. Sie deckt den analytischen Bereich ab, der in Einführungs- und Fortgeschrittenenkursen der Statistik tatsächlich benötigt wird, und entspricht der Umgebung, die viele Studierende nach ihrem Abschluss in der Industrie oder Forschung vorfinden werden.
Was es so gut für den Unterricht geeignet macht, ist eine Kombination von Faktoren, die man leicht unterschätzen kann:
- Visuell vor numerisch. JMP stellt Grafiken in den Mittelpunkt der Analyse. Studierende sehen die Daten, bevor sie die Statistiken betrachten. Dies ist keine Designpräferenz, sondern eine pädagogische Entscheidung, die der tatsächlichen Entwicklung statistischer Intuition entspricht.
- Interaktive Darstellung ist Standard. Diagramme werden live angezeigt. Sie können einen Punkt, einen Bereich oder einen Balken auswählen, und die restliche Ausgabe reagiert darauf. Studierende erkunden die Welt, anstatt Berechnungen durchzuführen.
- Interpretation erforderlich. JMP erklärt den Studierenden nicht, was ihre Ergebnisse bedeuten. Es erzeugt Ausgaben – seien es Verteilungen, Residuenplots oder Teststatistiken – und erwartet dann, dass der Anwender diese interpretiert. Der Lernprozess findet im Spannungsfeld zwischen Ausgabe und Interpretation statt.
- Breites Themenspektrum ohne unnötige Komplexität. Die Plattform deckt das GAISE College Report-Framework [5] ab, die weit verbreiteten Richtlinien für die Einführung in die Statistik, ohne Anfänger zu überfordern. Alle Inhalte sind verfügbar, sodass der Kurs individuell angepasst werden kann.
Dieser letzte Punkt ist wichtiger, als es zunächst scheinen mag. Prof. Koo Rijpkema und ich haben diese Funktion kürzlich in einer Präsentation und einem Webinar auf dem JMP Discovery Summit Europe [4] ausführlich behandelt: JMP ist ein professionelles Werkzeug, und sein Funktionsumfang kann neue Benutzer überfordern. Die Strukturierung der Lernumgebung durch die Auswahl von Menüs, Arbeitsabläufen und Ausgabestufen ist ein wichtiger Bestandteil der Kursgestaltung. Die JMP Student Edition bietet Dozenten ausreichend Spielraum, diese Entscheidungen bewusst zu treffen.
Ein natürlicher Lernfluss
Viele Professoren entscheiden sich für die JMP Student Edition, weil sie den Ablauf der statistischen Analyse in JMP bevorzugen: Daten erfassen, visuell erkunden und anschließend Schlussfolgerungen ziehen. Diese Reihenfolge ist nicht willkürlich. Sie spiegelt die Arbeitsweise erfahrener Analysten wider und fördert Gewohnheiten, die auch nach dem Kurs von Nutzen sind.
Der GAISE College Report [5], das am häufigsten zitierte Rahmenwerk für die Einführung in die Statistik, empfiehlt genau diesen Ansatz:
- Vermitteln Sie statistisches Denken, nicht nur statistische Verfahren.
- Verwenden Sie reale Daten.
- Konzeptionelles Verständnis sollte Vorrang vor mechanischer Berechnung haben.
- Aktives Lernen fördern.
Die JMP Student Edition unterstützt bei sinnvoller Anwendung alle vier Ziele.
Eine praktische Brücke:Rule-basierte Führung mit DAD
Eines meiner liebsten Unterrichtswerkzeuge ist die JMP-Erweiterung Data Analysis Director (DAD) [3]. Da es sich nicht um generative KI handelt, kann es weder chatten noch Texte generieren oder Erklärungen mithilfe eines Sprachmodells erstellen. Stattdessen folgt es einer strukturierten analytischen Logik, um die Nutzer zur passenden Analysemethode zu führen.
Wenn ein Student vor einer konkreten Analyseaufgabe steht, stellt DAD eine kleine Anzahl gezielter Fragen: Was ist Ihre Zielvariable? Sind die Daten stetig, nominal oder ordinal? Was sind Ihre Prädiktoren? Basierend auf diesen Antworten schlägt es eine geeignete Analysemethode vor und erläutert die Gründe für den Vorschlag.
Es mag simpel erscheinen, ist aber als Lehrmittel unglaublich wirkungsvoll.
Im Unterricht gebe ich den Studierenden oft einen Datensatz, beispielsweise Kundenzufriedenheitsdaten mit unterschiedlichen Variablentypen, und bitte sie, mithilfe des DAD-Modells eine Analysemethode auszuwählen. Dann stelle ich eine unerwartete Frage: Stimmen Sie dieser Methode zu?
- Welchen Annahmen liegt das Tool zugrunde?
- Würdest du dich anders entscheiden?
- Was könnte fehlen?
Use case for Data Analysis Director 19Anwendungsfall für Data Analysis Director 19
Der eigentliche Lernprozess beginnt mit der Beantwortung dieser Fragen. DAD macht die Entscheidungslogik sichtbar, die erfahrene Analysten automatisch anwenden, deren Existenz Anfängern aber oft gar nicht bewusst ist. Es macht die Argumentation transparent, sodass Lernende sie untersuchen, hinterfragen und daraus lernen können.
Und genau darin liegt der entscheidende Unterschied: DAD ist kein Orakel. Es ist ein regelbasierter Analyse-Navigator , der transparent, nachvollziehbar und deterministisch ist. Den Studierenden wird keine fertige Antwort präsentiert. Ihnen wird ein begründeter Ausgangspunkt aufgezeigt, mit dem sie sich auseinandersetzen sollen.
„KI sollte unser Denkvermögen schärfen, nicht ersetzen.“ |
Bevor KI ins Spiel kommt
Diese Folge hat bewusst auf generative KI verzichtet – also auf große Sprachmodelle, Chatbots und Tools, die Code schreiben, Interpretationen entwerfen und fast jede Frage eines Studierenden beantworten können. Das Thema kommt in Folge 2.
Ich habe diese Reihe bewusst mit diesem Beitrag begonnen, der erklärt, wie die JMP Student Edition bereits ohne aktivierte KI-Funktionen fundiertes statistisches Denken fördert. Ich plädiere nicht gegen KI, sondern lege lediglich die Grundlagen für deren Bewertung. Wer nicht weiß, wie gutes analytisches Denken ohne KI aussieht, kann nur schwer beurteilen, welchen Mehrwert KI bietet und was sie im Verborgenen wegnimmt.
Die nächste Folge befasst sich genau damit: Was passiert, wenn große Sprachmodelle in den Statistikunterricht Einzug halten, was bieten sie den Dozenten tatsächlich, und wo treten die ersten Komplikationen auf?
Probieren Sie Folgendes:
Installieren Sie den Data Analysis Director [3] aus dem JMP Marketplace und öffnen Sie ihn über das Add-Ins-Menü. Beantworten Sie anschließend alle Fragen anhand Ihrer vorliegenden Daten. Lassen Sie sich eine Analyse vorschlagen und fragen Sie Ihre Studierenden, ob sie zustimmen und warum. Die darauffolgende Diskussion ist oft lehrreicher als die Analyse selbst.
Referenzen
[1] JMP-Akademieprogramm , jmp.com/academic
[2] JMP Studentenversion , jmp.com/student
[3] Leiter Datenanalyse (JMP Marketplace) , marketplace.jmp.com
[4] Verloren in JMP? Abnehmen für eine bessere Passform , Kraft & Rijpkema, JMP Discovery Summit EMEA 2026
[5]GAISE-Hochschulbericht (2016)
[6]GAISE College-Berichtsrevision (in Bearbeitung, 2025)
Über den Autor
Volker Kraft ist Principal Academic Ambassador (EMEA) bei JMP Statistical Discovery (einem Unternehmen von SAS) und Teil des globalen akademischen Teams von JMP. Seit 2011 unterstützt er Universitäten in ganz Europa bei der Integration von JMP in Lehre und Forschung. Sein Hintergrund liegt in der Sprachtechnologieforschung – einem Feld, in dem statistische Strenge und ingenieurwissenschaftlicher Pragmatismus lange vor dem allgemeinen Aufkommen von KI Hand in Hand gehen mussten. Sie erreichen ihn über die JMP-Community oder auf LinkedIn .
Folge 1 von 5 • Weiter: KI hält Einzug ins Klassenzimmer – Chancen für Lehrkräfte
