Posts by Michael Gisiger · 26 posts
1947 hielt Dorothy L. Sayers einen Vortrag, der später unter dem Titel The Lost Tools of Learning bekannt wurde.
Ihre Diagnose bleibt aktuell: Bildung vermittle zwar zahlreiche Inhalte, vernachlässige aber die Kunst des Lernens selbst.
Sayers dachte dabei an grundlegende geistige Werkzeuge: Sprache präzise verstehen, Argumente prüfen, Schlüsse ziehen und Gedanken überzeugend formulieren.
Mit generativer KI bekommt dieses alte Problem eine neue Dimension.
Ein Sprachmodell liefert uns nicht nur Informationen. Es kann Texte strukturieren, Argumente formulieren, Schlussfolgerungen ziehen und Positionen entwickeln. Es übernimmt damit Tätigkeiten, die bislang zumindest sichtbar mit eigener geistiger Arbeit verbunden waren.
Deshalb greift die Frage «Dürfen Lernende KI benutzen?» meines Erachtens zu kurz.
Wichtiger ist:
Können sie beurteilen, was die KI produziert?
Wer Argumente prüfen, Quellen einordnen und Widersprüche erkennen kann, erhält mit KI ein leistungsfähiges Werkzeug.
Wer diese Fähigkeiten nie entwickelt hat, erhält dagegen möglicherweise vor allem die Illusion von Kompetenz.
AI Literacy beginnt deshalb für mich nicht beim Prompting. Sie beginnt bei Lesen, Schreiben, Argumentieren und Urteilen.
Oder mit Sayers gesprochen: bei den Werkzeugen des Lernens.
From other networks 6
3 likes 3 reposts
@glueckstein@digitalcourage.social shared this @rue321@mastodon.online shared this @rue321@mastodon.online liked this +3 more
Already counted in the numbers above.
Wenn die Kennzahl zum Ziel wird
Kennzahlen sind nützlich. Sie reduzieren Komplexität, machen Entwicklungen sichtbar und helfen uns, Entscheidungen zu treffen.
Problematisch wird es, wenn wir beginnen, die Kennzahl selbst zu optimieren statt das, was sie eigentlich messen sollte.
Genau darauf weist Goodharts Gesetz hin: Sobald eine Messgrösse zum Ziel wird, verliert sie einen Teil ihres Werts als Messgrösse.
Das lässt sich leicht auf Bildungsorganisationen übertragen.
Eine hohe Abschlussquote sagt etwas über einen Lehrgang aus – aber nicht automatisch, wie viel gelernt wurde. Gute Evaluationsergebnisse sind erfreulich, können aber auch entstehen, weil ein Kurs angenehm statt anspruchsvoll war. Und eine steigende Zahl von KI-Nutzungen in einer Organisation beweist noch keine gewachsene AI Literacy.
Das Problem liegt dabei nicht in den Kennzahlen selbst. Es entsteht, wenn Messung und Ziel miteinander verwechselt werden.
Für Führung und Qualitätsmanagement sind deshalb für mich drei Fragen mindestens so wichtig wie die eigentliche Zahl:
- Was soll diese Kennzahl tatsächlich abbilden?
- Welches Verhalten erzeugt sie, sobald Menschen beginnen, darauf zu optimieren?
- Was bleibt unsichtbar, wenn wir nur auf diese Zahl schauen?
Metriken sind gute Wegweiser. Aber schlechte Reiseziele.
From other networks 7
4 likes 3 reposts
@jens_lnnstrss@nrw.social liked this @puzzknow@fediscience.org liked this @lupusalex@hessen.social shared this +4 more
Already counted in the numbers above.
Der neue BIBB-Sammelband «KI in der beruflichen Bildung – wie können wir die Zukunft gestalten?» umfasst 19 Beiträge zu Lehr-Lern-Prozessen, Weiterbildung, Prüfungen, Rollenwandel, AI Literacy und organisationalem Lernen. Schon die erste Sichtung zeigt eine erfreulich nüchterne Linie: Es geht deutlich weniger um «mehr KI-Tools» als um die Frage, wie KI fachlich, didaktisch und organisatorisch verantwortlich eingesetzt werden kann.
Einige Punkte, die ich besonders interessant finde:
AI Literacy ist mehr als Tool-Kompetenz. Entscheidend sind professionelle Urteilskraft, Selbstregulation und die Fähigkeit, KI in konkreten beruflichen Situationen reflektiert einzusetzen. Rein instrumentelle «KI-Führerscheine» greifen zu kurz, wenn sie nicht in eine breitere AI Readiness der Organisation eingebettet werden.
Menschliche Expertise bleibt zentral. KI kann Materialien erzeugen, Varianten erstellen, Informationen strukturieren oder Korrekturprozesse unterstützen. Fachliche Richtigkeit, Kontextpassung, pädagogische Qualität und Verantwortung lassen sich aber nicht einfach delegieren.
Auch die Rolle des Bildungspersonals verändert sich. Beratung, Lernbegleitung, Kuratierung, Validierung und Gestaltung von Lernprozessen gewinnen an Gewicht. Gleichzeitig findet Professionalisierung heute vielfach noch informell durch eigenes Ausprobieren statt.
Besonders spannend finde ich zudem die Beiträge zu organisationalem Lernen: KI-Transformation erscheint hier weniger als reine Technologieeinführung denn als Lern- und Gestaltungsaufgabe für ganze Organisationen.
Mein erster Eindruck: ein ausgesprochen relevanter Band für alle, die sich mit beruflicher Aus- und Weiterbildung, AI Literacy und KI-Governance beschäftigen.
Download / Publikationsseite:
bibb.de/dienst/…
From other networks 5
2 likes 3 reposts
@zwingy@troet.cafe shared this @mmedu@social.tchncs.de shared this @mmedu@social.tchncs.de liked this +2 more
Already counted in the numbers above.
Über welchen «Bildschirm» sprechen wir eigentlich?
Immer wieder zeigen Studien Vorteile von Papier gegenüber digitalem Lesen. Daraus wird dann schnell:
Papier ist besser als Bildschirm.
Mir ist diese Aussage zu undifferenziert.
Ein Tablet ist ein Multifunktionsgerät mit Apps, Benachrichtigungen und Animationen. Ein E-Reader mit E-Ink ist monochrom, ablenkungsarm und fast ausschliesslich zum Lesen gedacht.
Beides als «Bildschirmlesen» zusammenzufassen, verwischt möglicherweise genau jene Faktoren, die Unterschiede erklären könnten: Displaytechnologie, Navigation, Ablenkung, Haptik oder räumliche Orientierung.
Die interessantere Frage ist deshalb für mich nicht:
Papier oder digital?
Sondern:
Welche Eigenschaften eines Mediums unterstützen konzentriertes Denken – und welche erschweren es?
Mehr dazu: epicmind.ch/lesen-ueber-welche-bildschi…
From other networks 1
Apertus im Faktencheck: 300 Testfälle zur Schweizer höheren Berufsbildung
Beim HackApertus 2026 habe ich mit Apertus Swiss HVET Eval einen domänenspezifischen Benchmark für Apertus v1.5 8B entwickelt.
Die Leitfrage war bewusst eng gefasst: Wie zuverlässig bildet ein Schweizer Sprachmodell zentrale Fakten, Strukturen, Abschlüsse und institutionelle Zuständigkeiten der höheren Berufsbildung ab?
Dafür entstanden 300 deutschsprachige Q\&A-Testfälle auf Basis von 100 verifizierten Fakten. Neben Referenzantworten umfasst der Datensatz Quellen, Metadaten, verschiedene Fragetypen und gezielt formulierte Fehlannahmen bzw. Grenzfälle.
Die wichtigsten Resultate:
-
43,3 % der 300 Antworten wurden vom automatisierten Judge als korrekt bewertet.
-
In einer manuell geprüften Stichprobe von 60 Fällen waren 31,7 % korrekt.
-
Judge und menschliche Bewertung stimmten in 75,0 % der Fälle überein.
-
Cohen’s κ lag bei 0,515.
Gerade der Unterschied zwischen automatischer und manueller Bewertung war methodisch interessant: Der LLM-Judge bewertete einige inhaltlich falsche Antworten zu grosszügig. Für Evaluationen reicht es also nicht, lediglich ein zweites Modell als „Richter“ einzusetzen – auch dessen Verhalten muss kontrolliert werden.
Das Projekt umfasst deshalb nicht nur die Modellantworten, sondern auch Quellenprovenienz, Bewertungslogik, Human Validation und einen reproduzierbaren Workflow. Mit make run lässt sich die eingefrorene Evaluation aus dem Repository reproduzieren.
Nach der Hackathon-Einreichung ist CodeFloe wieder die kanonische Quelle des Projekts. Dort sind Benchmark, Methodik, Resultate und technische Dokumentation offen verfügbar:
CodeFloe: Apertus Swiss HVET Eval
Für mich war das Projekt vor allem eine praktische Vertiefung in LLM-Evaluation, Datenqualität und reproduzierbare KI-Evaluation – und zugleich ein interessantes Fallbeispiel dafür, wie stark lokale Fachdomänen generische Sprachmodelle weiterhin fordern.
From other networks 2
1 like 1 repost
@thomasweibel@swiss.social liked this @gisiger@nerdculture.de shared this
Already counted in the numbers above.
Drei Entwicklungen, die ich im Blick behalte
In den letzten zwei Wochen sind mir drei Themen besonders aufgefallen:
1. Die Schweizer KI-Regulierung nimmt Form an.
Bis Ende 2026 soll eine Vernehmlassungsvorlage vorliegen. Transparenz, Datenschutz, Nichtdiskriminierung und Aufsicht gehören zu den Themen. Für Organisationen stellt sich deshalb schon vorher die Frage, welche internen Regeln und Verantwortlichkeiten sie unabhängig vom endgültigen Gesetz benötigen.
2. KI-Tutoren lassen sich zunehmend systematisch testen.
Microsoft Research arbeitet mit StudentSim an simulierten Lernenden, um Tutor-Systeme zu evaluieren. Interessant ist der methodische Ansatz – aber gute Bewertungen durch Simulation und Expertinnen und Experten sind noch kein Nachweis realer Lerngewinne.
3. Bei KI-Agenten reicht klassische Model Governance nicht mehr.
Brookings argumentiert, dass Governance auch während der Ausführung greifen muss: über Berechtigungen, kontinuierliche Überwachung und abgestufte Handlungsspielräume.
Mein gemeinsamer Nenner: Je autonomer KI-Systeme werden, desto wichtiger werden Evaluation, klare Zuständigkeiten und Regeln für ihren konkreten Einsatz.
From other networks 1
Die aktuelle Diskussion über KI dreht sich oft um immer grössere Modelle. Die Weltbank setzt einen interessanten Gegenakzent: Für viele praktische Anwendungen könnten kleinere, spezialisierte KI-Systeme sinnvoller sein.
Gemeint sind Modelle, die auf klar umrissene Aufgaben zugeschnitten sind, lokale Sprachen unterstützen und mit begrenzter Infrastruktur auskommen. Gerade für kleinere Organisationen ist das relevant: Nicht jede Aufgabe benötigt ein universelles Spitzenmodell in der Cloud.
Spannend wird deshalb die Frage, ob sich KI künftig stärker nach dem Prinzip „so leistungsfähig wie nötig, so klein wie möglich“ entwickeln wird.
Für Bildungsorganisationen könnte das bedeuten: lokal betreibbare Systeme, klar definierte Anwendungsfälle, geringere Kosten und mehr Kontrolle über Daten – sofern Qualität und Wartbarkeit stimmen.
From other networks 1
Sorry, beim Link hat sich ein Copy/Paste-Fehler eingeschlichen. Hier der richtige Link dazu:
From other networks 1
Die aktuelle Diskussion über KI dreht sich oft um immer grössere Modelle. Die Weltbank setzt einen interessanten Gegenakzent: Für viele praktische Anwendungen könnten kleinere, spezialisierte KI-Systeme sinnvoller sein.
Gemeint sind Modelle, die auf klar umrissene Aufgaben zugeschnitten sind, lokale Sprachen unterstützen und mit begrenzter Infrastruktur auskommen. Gerade für kleinere Organisationen ist das relevant: Nicht jede Aufgabe benötigt ein universelles Spitzenmodell in der Cloud.
Spannend wird deshalb die Frage, ob sich KI künftig stärker nach dem Prinzip „so leistungsfähig wie nötig, so klein wie möglich“ entwickeln wird.
Für Bildungsorganisationen könnte das bedeuten: lokal betreibbare Systeme, klar definierte Anwendungsfälle, geringere Kosten und mehr Kontrolle über Daten – sofern Qualität und Wartbarkeit stimmen.
From other networks 1
Zehn Minuten nach dem Unterricht
Ende 2025 habe ich ein kleines Experiment gemacht: 30 Tage lang führte ich nach jedem Unterricht ein handschriftliches Lehrjournal.
Der Aufwand war überschaubar: zehn bis fünfzehn Minuten nach der Lektion. Geholfen hat mir eine einfache Struktur:
- Events: Was ist in der Lektion passiert?
- Episode: Welche konkrete Szene ist mir besonders aufgefallen?
- Analysis: Warum war sie relevant – und was nehme ich für die nächste Einheit mit?
Gerade der letzte Punkt machte für mich den Unterschied. Aus einem diffusen Eindruck wie «Das lief heute nicht gut» wird eine konkrete Frage an den eigenen Unterricht.
Das Lehrjournal ist damit weniger Tagebuch als Instrument professioneller Reflexion.
Mein Fazit nach dem Experiment: Die wenigen Minuten direkt nach dem Unterricht waren gut investiert. Vieles, was sonst nach einigen Tagen verschwunden wäre, wurde festgehalten – und konnte in die nächste Planung einfliessen.
From other networks 5
3 likes 2 reposts
@CerstinMahlow@mastodon.acm.org liked this @andiheer@techhub.social liked this @adipoeserPursch@troet.cafe shared this +2 more
Already counted in the numbers above.
Wenn KI nicht nur Arbeit, sondern Denken abnimmt
Cognitive Offloading ist nichts Neues. Wir lagern gedankliche Aufgaben seit Langem an Hilfsmittel aus – von der Einkaufsliste bis zur Navigation.
Generative KI verändert aber die Qualität dieser Auslagerung. Wir delegieren nicht mehr nur Erinnern oder Nachschlagen, sondern zunehmend auch Strukturieren, Zusammenfassen und Argumentieren.
Genau darin liegt die Ambivalenz: KI kann kognitive Ressourcen freisetzen. Sie kann aber auch eine Auseinandersetzung ersetzen, die für Lernen und eigenes Denken notwendig wäre. Besonders tückisch sind dabei Ergebnisse, die sprachlich und formal überzeugend wirken, obwohl der zugrunde liegende Denkprozess kaum stattgefunden hat.
Die entscheidende Frage ist deshalb für mich nicht: KI nutzen oder nicht?
Sondern: Welche Denkarbeit wollen wir weiterhin selbst leisten?
KI sollte unser Denken ergänzen – nicht unbemerkt an seine Stelle treten.
From other networks 8
3 likes 1 reply 4 reposts
@Herr_Uke@mastodon.social shared this @Herr_Uke@mastodon.social liked this @Linkshaender@bildung.social shared this +4 more
Already counted in the numbers above.
„Wie ein geschickter Gesprächspartner fordert uns das System dazu auf, unsere Annahmen zu klären und unsere Logik zu verfeinern, wodurch eine Rückkopplungsschleife entsteht, die zu einem tieferen Verständnis führt.“
Gefällt mir! Das ist eigentlich das, was ich (meistens) mache. Das braucht aber Selbstdisziplin, Vorwissen und v.a. eine Inferenzebene, die einem nicht einfach nach dem Mund redet (Stichwort Sycophancy).
From other networks 1
1 reply
Already counted in the numbers above.
Wenn KI nicht nur Arbeit, sondern Denken abnimmt
Cognitive Offloading ist nichts Neues. Wir lagern gedankliche Aufgaben seit Langem an Hilfsmittel aus – von der Einkaufsliste bis zur Navigation.
Generative KI verändert aber die Qualität dieser Auslagerung. Wir delegieren nicht mehr nur Erinnern oder Nachschlagen, sondern zunehmend auch Strukturieren, Zusammenfassen und Argumentieren.
Genau darin liegt die Ambivalenz: KI kann kognitive Ressourcen freisetzen. Sie kann aber auch eine Auseinandersetzung ersetzen, die für Lernen und eigenes Denken notwendig wäre. Besonders tückisch sind dabei Ergebnisse, die sprachlich und formal überzeugend wirken, obwohl der zugrunde liegende Denkprozess kaum stattgefunden hat.
Die entscheidende Frage ist deshalb für mich nicht: KI nutzen oder nicht?
Sondern: Welche Denkarbeit wollen wir weiterhin selbst leisten?
KI sollte unser Denken ergänzen – nicht unbemerkt an seine Stelle treten.
From other networks 8
3 likes 1 reply 4 reposts
@Herr_Uke@mastodon.social shared this @Herr_Uke@mastodon.social liked this @Linkshaender@bildung.social shared this +4 more
Already counted in the numbers above.
Lernen braucht auch Pausen
Nach einer intensiven Lerneinheit gleich zum nächsten Inhalt wechseln? Nicht unbedingt.
Forschung zu offline waking rest zeigt, dass kurze reizärmere Ruhephasen nach dem Lernen die Konsolidierung von Gedächtnisinhalten unterstützen können. Entscheidend ist gerade, nicht sofort neue Reize nachzuliefern.
Also vielleicht nach dem Lernen für zehn Minuten: kein Smartphone, kein Podcast, kein neuer Text. Einfach Pause.
Manchmal gehört zum Lernen auch, eine Weile nichts Neues zu tun.
From other networks 2
2 reposts
@thomas_decker@mastodon.online shared this @gisiger@nerdculture.de shared this
Already counted in the numbers above.
Zuhören schafft Vertrauen – Geschichten können Einstellungen verändern
Aktives, nicht-wertendes Zuhören verbessert die Gesprächsatmosphäre und kann Abwehrreaktionen reduzieren. Aber reicht es auch, um Einstellungen zu verändern?
Ein grosses Feldexperiment zu einem polarisierten politischen Thema fand einen interessanten Unterschied: Für längerfristige Einstellungsänderungen waren vor allem persönliche Geschichten entscheidend. Aktives Zuhören erhöhte die Sympathie für das Gegenüber, brachte darüber hinaus aber keinen zusätzlichen Überzeugungseffekt.
Für Kommunikation und Führung eine interessante Unterscheidung: Zuhören schafft die Grundlage für ein Gespräch. Eine konkrete Erfahrung kann ihm eine neue Perspektive geben.
From other networks 1
HackApertus Online Hackathon 01. bis 16. Oktober
Ich plane, beim HackApertus Online Hackathon mitzumachen.
HackApertus ist ein Schweizer Hackathon rund um Apertus, das offene Schweizer Sprachmodell. Im Track Swiss Voices möchte ich untersuchen, wie zuverlässig Apertus einen klar abgegrenzten Schweizer Fachkontext abbildet: die höhere Berufsbildung.
Geplant ist ein reproduzierbarer Benchmark mit mehreren hundert Fällen zu Systemstruktur, Abschlüssen, Zuständigkeiten, typischen Fehlannahmen und ausgewählten statistischen Daten. Bewertet werden unter anderem Faktentreue und Halluzinationen; ein Teil der Ergebnisse wird zusätzlich menschlich validiert.
Die Projektdokumentation und später auch die Resultate sollen offen zugänglich sein. Das Repo habe ich bewusst bereits veröffentlicht – auch als kleines öffentliches Commitment, das Projekt nach den Ferien konsequent fertigzustellen.
Mein Projekt: codefloe.com/michaelgisiger/…
Der Hackathon: hackapertus.ch
From other networks 7
4 likes 3 reposts
@loleg@hachyderm.io liked this @cumulonimbus@infosec.exchange liked this @loleg@hachyderm.io shared this +4 more
Already counted in the numbers above.
Kannst Du mir eine genaue Fehlerbeschreibung und einen Screenshot an sw@wintermeyer-consulting.de schicken? Oder auf github.com/wintermeyer/vutuv/… ein neues Issue aufmachen. Dann kann ich der Sache mal auf den Grund gehen. Danke!
Hat sich erledigt, ich hatte das letzte Mal das Feld unten nicht gesehen … Alt-Text funktioniert also.
Vier Stufen beruflicher Kompetenz im KI-Zeitalter
Wer KI im Beruf sinnvoll einsetzen will, braucht mehr als Prompting oder Toolwissen.
Für mich lassen sich vier Stufen unterscheiden:
- Fachkompetenz – die Aufgabe selbst verstehen.
- Anwendungskompetenz – passende KI-Werkzeuge einsetzen.
- Urteilskompetenz – Ergebnisse fachlich, rechtlich und ethisch beurteilen.
- Gestaltungskompetenz – Arbeitsprozesse, Rollen und Verantwortlichkeiten mit KI neu gestalten.
Gerade die vierte Stufe wird entscheidend: Aus individueller KI-Kompetenz wird Organisationskompetenz.
From other networks 1
Kannst Du mir eine genaue Fehlerbeschreibung und einen Screenshot an sw@wintermeyer-consulting.de schicken? Oder auf github.com/wintermeyer/vutuv/… ein neues Issue aufmachen. Dann kann ich der Sache mal auf den Grund gehen. Danke!
Rüchfrage dazu: Es ist gedacht, dass mit dem Klick auf den gelben ‘Alt’ Button ein Alt-Text erfasst werden kann? Das habe ich richtig verstanden?
Wie Qualitätssicherung in der Bildung mit KI nicht funktioniert
Online-Unterricht aufzeichnen, transkribieren und anschliessend von #KI auf Füllwörter, technische Verzögerungen oder Abweichungen vom vorgesehenen Ablauf prüfen lassen – inklusive Risikostatus und Konfidenzwert für Führungskräfte: Genau so sollte #Qualitätssicherung in der #Bildung nicht aussehen.
Bei Multiverse in England berichten Lehrpersonen laut Guardian von erheblichem Stress durch dieses System. Das überrascht wenig. Wer permanent algorithmisch beobachtet und bewertet wird, beginnt zwangsläufig auch für die Messlogik zu arbeiten.
Das Grundproblem sitzt aber noch tiefer: Gemessen wird vorwiegend, was maschinell leicht erfassbar ist. Gute Lehre zeigt sich oft gerade im Gegenteil, im situativen Abweichen, Nachfragen, Improvisieren, im Eingehen auf Lernende. Ein System, das solche Komplexität auf Scores reduziert, riskiert nicht bessere Lehre, sondern normiertes Verhalten.
Qualitätssicherung benötigt fachliches Urteil, Kontext und Vertrauen. Permanente algorithmische Leistungsüberwachung ist dafür ein ziemlich schlechter Ersatz.
Das war ein vutuv Bug. Ist gefixt.
@michael_gisiger Kannst Du das neu anlegen und testen ob es funktioniert? Danke!
@wintermeyer Ich versuche schon seit einiger Zeit, meinen #CodeFloe Account hinzuzufügen, sehe aber immer diese Fehlermeldung. Liegt hier das Problem bei CodeFloe oder bei #Vutuv?
Übrigens, ich habe bemerkt, dass ich hier (Linux und Firefox) keinen Alt-Text erfassen kann. Wenn ich auf das gelbe ‘Alt’-Kästchen klicke, passiert nichts?
@wintermeyer Ich versuche schon seit einiger Zeit, meinen #CodeFloe Account hinzuzufügen, sehe aber immer diese Fehlermeldung. Liegt hier das Problem bei CodeFloe oder bei #Vutuv?
Je leichter KI Wissen verfügbar macht, desto wichtiger wird die Frage, was wir mit diesem Wissen tun.
Irving Babbitt formulierte bereits 1897 eine für mich erstaunlich aktuelle Unterscheidung: Ziel von Bildung sei Assimilation statt Akkumulation. Wissen wird erst dann bildend, wenn wir es uns aneignen und es unsere späteren Wahrnehmungen und Urteile verändert.
Gerade im KI-Zeitalter scheint mir das zentral. KI kann Zugang, Zusammenfassung und Auswahl erleichtern. Sie sollte uns aber nicht jene Auseinandersetzung abnehmen, in der eigene Massstäbe und Urteilskraft entstehen.
Mehr dazu: Assimilation statt Akkumulation
From other networks 6
4 likes 2 reposts
@hamiller@hub.hubzilla.hu liked this @legalmemory@legal.social liked this @ralf_weinert@bildung.social shared this +3 more
Already counted in the numbers above.
Ich nehme an, dass es kein Äquivalent zur lokalen Timeline in Mastodon gibt
Bitte erkläre mir mal, wie das mit der lokalen Timeline auf Mastodon funktioniert? Ist das eine Timeline, in die alle Accounts reinkommen?
und ich abgesehen von Menschen hier Tags folgen sollte, um den Feed zu füllen?
Ja, Accounts (ob jetzt von Menschen oder Organisationen ist dabei egal) und Tags.
Ich bin aber sehr gespannt auf Deine Meinung und Dein Feedback. Schreibe ruhig - entweder hier öffentlich oder mir direkt - was Dir auffällt und was Dir vielleicht fehlt. Positives und negatives. Das hilft mir alles zu verbessern.
Bitte erkläre mir mal, wie das mit der lokalen Timeline auf Mastodon funktioniert? Ist das eine Timeline, in die alle Accounts reinkommen?
Ja, in der lokalen Timeline werden alle Beiträge auf der eigenen Instanz angezeigt.
Datenschutz als Innovationsbremse? So einfach ist es (leider) nicht.
Dieser Heise-Beitrag formuliert ziemlich eindeutig: Datenschutz mache Europa wettbewerbsfähiger. Die zugrunde liegende Studie ist aber deutlich differenzierter.
Datenschutz ist weder automatisch Innovationsbremse noch Wettbewerbsvorteil. Regulierung verursacht reale Kosten und Rechtsunsicherheit, besonders für Start-ups und KMU. Gleichzeitig gibt es Hinweise darauf, dass klare Anforderungen bessere Datenstrukturen, Privacy-Technologien, Vertrauen und professionellere Prozesse fördern können. Entscheidend ist, Pflichten am tatsächlichen Risiko auszurichten, statt alle Anwendungen gleichzubehandeln.
Hier wird die Studie auch für KI-Governance interessant: Gute Governance bedeutet nicht möglichst viele Kontrollen. Sie bedeutet, Risiken früh zu erkennen, Verantwortlichkeiten klar zu verteilen und den Kontrollaufwand dort zu erhöhen, wo das Schadenspotenzial tatsächlich gross ist.
Nicht weniger Governance, sondern präzisere Governance.
From other networks 2
1 like 1 repost
@hamiller_friendica@anonsys.net liked this @gisiger@nerdculture.de shared this
Already counted in the numbers above.
Nicht jede Notiz muss Teil eines Wissensmanagement-Systems werden.
Für flüchtige Recherchefunde, Code-Snippets, Links oder kleine To-dos nutze ich seit einiger Zeit Whisp – eine reduzierte Linux-App, die eher als digitaler Schmierzettel denn als klassische Notizverwaltung gedacht ist.
Im Beitrag auf GNU/Linux.ch beschreibe ich, warum mir dabei gerade das einfache Prinzip gefällt: Swipen statt Tabs, automatische Speicherung und Löschen als normaler Teil des Workflows.