Informatik 7: Datenmodelle bewerten
Worum geht es? Tragfähige Urteile über Datenmodelle entstehen erst dann, wenn Datentypen, Redundanz, Integrität und Relevanz gemeinsam betrachtet werden, weil gute Modelle nicht nur Daten speichern, sondern diese passend, konsistent, sparsam und zielgerichtet organisieren.
Lernziele
Nach diesem Kapitel kannst du:
- Datentypen prüfen.
- Felder bewerten.
- Redundanz erkennen.
- Dubletten finden.
- Integrität erklären.
- Schlüssel prüfen.
- Regeln begründen.
- Relevanz bewerten.
- Modelle vergleichen.
- Fehler erkennen.
- Verbesserungen vorschlagen.
- Entscheidungen begründen.
Anschluss an die 6. Klasse
Nach dem Erstellen von Datenmodellen wechselst du in die Bewertungsrolle. Du prüfst Datentypen, Redundanz, Integrität, Relevanz und typische Modellierungsfehler.
Lerninhalte
Kompaktüberblick
| Teilbereich | Kerngedanke |
|---|---|
| Datentypen als Grundlage sinnvoller Modelle | Die Wahl passender Datentypen beeinflusst Speicherung, Suche, Sortierung, Berechnung und Plausibilitätsprüfung, weshalb ein Datenmodell nur dann zweckmäßig ist, wenn für jedes Feld klar entschieden wird, welche Art von Wert dort … |
| Redundanz erkennen und beurteilen | Redundanz wird dann zum Bewertungsmaßstab, wenn Lernende prüfen, ob Informationen unnötig mehrfach gespeichert werden und dadurch Fehler, Widersprüche oder unnötiger Pflegeaufwand entstehen, obwohl dieselben Zusammenhänge durch … |
| Integrität als Verlässlichkeit der Daten | Integrität beschreibt, ob Daten korrekt, konsistent und gültig bleiben, weshalb ein Datenmodell danach bewertet werden muss, wie gut es unzulässige Werte, fehlerhafte Verweise, leere Pflichtfelder oder widersprüchliche Zustände … |
| Relevanz der gespeicherten Daten bewerten | Relevanz wird zum Qualitätskriterium, wenn geprüft wird, ob ein Datenmodell nur die für seinen Zweck nötigen Informationen enthält und diese so auswählt, dass Nutzung, Datenschutz, Auswertung und Wartbarkeit sinnvoll unterstützt … |
| Datenmodelle vergleichen und verbessern | Vertieftes Verständnis entsteht besonders dann, wenn verschiedene Modelle für denselben Fall nebeneinander geprüft werden, weil Stärken und Schwächen bei Datentypen, Redundanz, Integrität und Relevanz im direkten Vergleich … |
| Typische Fehlmodelle und Missverständnisse | Fehlerhafte Modelle sind didaktisch besonders ergiebig, weil an ihnen sichtbar wird, warum bestimmte Entscheidungen problematisch sind und wie fehlerhafte Fremdschlüssel, ungeeignete Entitäten oder unscharfe Felder die Qualität … |
Merke: Ein gutes Datenmodell speichert passende Daten in passenden Datentypen, vermeidet unnötige Redundanz und schützt die Integrität.
Datentypen als Grundlage sinnvoller Modelle
Die Wahl passender Datentypen beeinflusst Speicherung, Suche, Sortierung, Berechnung und Plausibilitätsprüfung, weshalb ein Datenmodell nur dann zweckmäßig ist, wenn für jedes Feld klar entschieden wird, welche Art von Wert dort erwartet und verarbeitet werden soll.
Microsoft beschreibt den Datentyp eines Feldes als dessen wichtigste Eigenschaft, weil er bestimmt, welche Art von Daten gespeichert werden kann; Access nennt dafür unter anderem Text, Zahl sowie Datum und Uhrzeit. SQLite zeigt zugleich, dass Datenbanksysteme Datentypen unterschiedlich streng behandeln können, weil dort ein dynamischeres Typsystem verwendet wird.
Für die Modellbewertung bedeutet das: Ein Feld Geburtsdatum sollte nicht als freier Text modelliert werden, wenn später nach Alter, Monat oder Jahr gefiltert werden soll. Ein Feld Preis sollte nicht als kurzer Text gespeichert werden, wenn Berechnungen oder Sortierungen geplant sind. Ein Feld E-Mail braucht andere Prüfungen als ein Feld Menge. Wird der Datentyp schlecht gewählt, entstehen fehlerhafte Auswertungen, unpassende Sortierungen oder unnötig aufwändige Korrekturen.
Anschauliche Beispiele sind eine Bibliothekstabelle mit Erscheinungsjahr als Zahl, eine Schülerliste mit Geburtsdatum als Datum, eine Produktliste mit Preis als Währung und eine Ausleihliste mit zurueckgegeben als Ja-Nein-Wert. Schon an solchen kleinen Tabellen zeigt sich, dass Datentypen nicht bloße Technikdetails, sondern Qualitätsmerkmale des gesamten Modells sind.
Beispiele: Textfeld, Zahlfeld, Datumsfeld, Wahrwert, Preisfeld, Mailfeld, Mengenfeld, ID-Feld.
Redundanz erkennen und beurteilen
Redundanz wird dann zum Bewertungsmaßstab, wenn Lernende prüfen, ob Informationen unnötig mehrfach gespeichert werden und dadurch Fehler, Widersprüche oder unnötiger Pflegeaufwand entstehen, obwohl dieselben Zusammenhänge durch Beziehungen klarer und stabiler darstellbar wären.
In relationalen Modellen wird Redundanz oft verringert, indem Daten auf mehrere Tabellen verteilt und über Schlüssel verbunden werden. PostgreSQL zeigt bei Fremdschlüsseln, wie Verweise zwischen Tabellen aufgebaut werden; MongoDB weist dagegen darauf hin, dass eingebettete Dokumente bewusst eine denormalisierte Struktur schaffen können, um zusammengehörige Daten in einer Operation zu laden.
Dadurch wird klar: Redundanz ist nicht einfach immer falsch, sondern muss zum Zweck des Modells passen.
Für den Unterricht ist vor allem die problematische Redundanz wichtig. Wenn in einer großen Ausleihtabelle der vollständige Buchtitel, der vollständige Name der lernenden Person und die Klassenbezeichnung bei jeder neuen Ausleihe erneut gespeichert werden, steigt das Risiko widersprüchlicher Einträge. Ändert sich ein Klassenname oder ein Titel, müssen viele Stellen angepasst werden. Wird stattdessen mit BuchID und SchuelerID gearbeitet, bleibt die Struktur robuster und klarer.
Redundanz kann aber in manchen dokumentenorientierten Anwendungen bewusst nützlich sein, etwa wenn häufig gemeinsam benötigte Daten in einem Dokument zusammengehalten werden. Die Bewertung fragt deshalb nicht nur, ob etwas doppelt vorkommt, sondern ob diese Mehrfachspeicherung für Zugriffsmuster und Anwendungssituation sinnvoll oder unnötig ist.
Beispiele: Dublette, Wiederholung, Titelkopie, Klassenname, Referenz, Einbettung, Pflegeaufwand, Widerspruch.
Orientierung auf einen Blick
| Als Nächstes | Kurz erklärt |
|---|---|
| Integrität als Verlässlichkeit der Daten | Integrität beschreibt, ob Daten korrekt, konsistent und gültig bleiben, weshalb ein Datenmodell danach bewertet werden muss, wie gut es unzulässige Werte, fehlerhafte Verweise, leere Pflichtfelder oder widersprüchliche Zustände … |
| Relevanz der gespeicherten Daten bewerten | Relevanz wird zum Qualitätskriterium, wenn geprüft wird, ob ein Datenmodell nur die für seinen Zweck nötigen Informationen enthält und diese so auswählt, dass Nutzung, Datenschutz, Auswertung und Wartbarkeit sinnvoll unterstützt … |
Merke: Integrität beschreibt, ob Daten korrekt, konsistent und gültig bleiben, weshalb ein Datenmodell danach bewertet werden muss, wie gut es unzulässige Werte, fehlerhafte Verweise, leere Pflichtfelder …
Integrität als Verlässlichkeit der Daten
Integrität beschreibt, ob Daten korrekt, konsistent und gültig bleiben, weshalb ein Datenmodell danach bewertet werden muss, wie gut es unzulässige Werte, fehlerhafte Verweise, leere Pflichtfelder oder widersprüchliche Zustände verhindern kann.
PostgreSQL dokumentiert dafür verschiedene Constraints, darunter PRIMARY KEY, FOREIGN KEY, UNIQUE und weitere Regeln. Fremdschlüssel sorgen dafür, dass Verweise nur auf tatsächlich vorhandene Datensätze zeigen, und PostgreSQL betont ausdrücklich, dass der richtige Einsatz von Fremdschlüsseln die Qualität von Datenbankanwendungen verbessert.
Außerdem verweist die Dokumentation darauf, dass mehrere Fremdschlüssel auch n:m-Beziehungen sauber absichern können.
Ein Modell mit guter Integrität verhindert typische Fehler. Eine SchuelerID darf nicht doppelt vorkommen. Eine Ausleihe darf kein Buch referenzieren, das in der Büchertabelle gar nicht existiert. Ein Pflichtfeld wie Rueckgabedatum oder Titel darf nicht unbeabsichtigt leer bleiben.
Ein Alter sollte nicht negativ sein, und ein Zahlungsstatus sollte nur zulässige Werte enthalten.
Genau solche Regeln zeigen, dass Integrität mehr ist als Datensicherheit; sie betrifft die fachliche Zuverlässigkeit der gespeicherten Inhalte.
Ein gutes Unterrichtsbeispiel macht daher sichtbar, warum der Fremdschlüssel auf die „viele“-Seite gehört und wie dadurch Konsistenz entsteht.
Begriffe: Integrität, Konsistenz, Pflichtfeld, Eindeutigkeit, Fremdschlüssel, Primärschlüssel, Regel, Gueltigkeit.
Relevanz der gespeicherten Daten bewerten
Relevanz wird zum Qualitätskriterium, wenn geprüft wird, ob ein Datenmodell nur die für seinen Zweck nötigen Informationen enthält und diese so auswählt, dass Nutzung, Datenschutz, Auswertung und Wartbarkeit sinnvoll unterstützt werden.
MongoDB betont bei der Datenmodellierung die Orientierung an den spezifischen Zugriffsmustern einer Anwendung und nennt das Datenlebenszyklus-Management als wichtigen Gesichtspunkt für Kosten, Leistung und Sicherheit.
Für die Bewertung von Relevanz bedeutet das: Gespeichert werden soll, was für die Aufgaben der Anwendung wirklich gebraucht wird, nicht alles, was theoretisch interessant sein könnte.
Ein Schulcafé braucht vielleicht Produktname, Preis, Kategorie und Bestand, aber nicht zwingend das Geburtsdatum jeder kaufenden Person. Eine Klassenbibliothek braucht Titel, Autor, BuchID und Ausleihstatus, aber nicht beliebige Zusatzdaten, die nie abgefragt oder ausgewertet werden. Ein Aufgabenboard braucht Frist, Status und Zuständigkeit, aber nicht jede private Information der Beteiligten. Relevanz schützt also zugleich vor Überfrachtung und vor unnötiger Datensammlung.
Für Schülerinnen und Schüler wird damit nachvollziehbar, dass Modellbewertung auch eine Auswahlentscheidung ist und nicht nur eine technische Prüfung.
Beispiele: Zweckbezug, Zugriffsbedarf, Datenschutz, Minimaldaten, Pflichtdaten, Zusatzdaten, Nutzungsziel, Ueberfrachtung.
Zweiter Zwischenüberblick
| Vertiefung | Wichtig dabei |
|---|---|
| Datenmodelle vergleichen und verbessern | Vertieftes Verständnis entsteht besonders dann, wenn verschiedene Modelle für denselben Fall nebeneinander geprüft werden, weil Stärken und Schwächen bei Datentypen, Redundanz, Integrität und Relevanz im direkten Vergleich … |
| Typische Fehlmodelle und Missverständnisse | Fehlerhafte Modelle sind didaktisch besonders ergiebig, weil an ihnen sichtbar wird, warum bestimmte Entscheidungen problematisch sind und wie fehlerhafte Fremdschlüssel, ungeeignete Entitäten oder unscharfe Felder die Qualität … |
Merke: Die einzelnen Teilaspekte gehören zusammen und sollten an konkreten Beispielen miteinander verknüpft werden.
Datenmodelle vergleichen und verbessern
Vertieftes Verständnis entsteht besonders dann, wenn verschiedene Modelle für denselben Fall nebeneinander geprüft werden, weil Stärken und Schwächen bei Datentypen, Redundanz, Integrität und Relevanz im direkten Vergleich deutlicher hervortreten als in isolierten Einzelbeispielen.
Ein Modell A könnte alle Informationen in einer einzigen Tabelle speichern, viele Textfelder benutzen und dieselben Angaben ständig wiederholen. Ein Modell B könnte Tabellen trennen, Schlüssel setzen und nur die tatsächlich benötigten Felder enthalten. Ein Modell C könnte dokumentenorientiert arbeiten und bestimmte zusammengehörige Daten bewusst gemeinsam speichern.
Die Bewertung fragt dann: Welche Lösung unterstützt die typische Nutzung am besten, welche vermeidet unnötige Wiederholungen, welche wahrt Konsistenz und welche passt zum geplanten Zugriff.
Für den Unterricht eignen sich Fallbeispiele wie Bibliothek, Onlineshop, Turnieranmeldung, Geräteverleih oder Klassenkassa. Lernende können dabei beurteilen, ob ein Feld den passenden Datentyp hat, ob Beziehungen sinnvoll gesetzt sind, ob Informationen doppelt vorkommen und ob das Modell unnötig viele oder zu wenige Informationen speichert. Aus dieser Bewertung lassen sich konkrete Verbesserungen ableiten, etwa Datentyp ändern, Tabelle teilen, Schlüssel ergänzen oder Felder entfernen.
Beurteilungskriterien: Datentyp, Passung, Redundanz, Integrität, Relevanz, Lesbarkeit, Wartbarkeit, Zweck.
Typische Fehlmodelle und Missverständnisse
Fehlerhafte Modelle sind didaktisch besonders ergiebig, weil an ihnen sichtbar wird, warum bestimmte Entscheidungen problematisch sind und wie fehlerhafte Fremdschlüssel, ungeeignete Entitäten oder unscharfe Felder die Qualität eines Datenmodells unmittelbar verschlechtern.
Zweitens wird manchmal die ganze Organisation, für die eine Datenbank gebaut wird, irrtümlich selbst als Entitätsmenge modelliert. Solche Fehlmodelle sind wertvoll, weil Lernende daran ihre Begriffe schärfen und konzeptionelle Modelle gezielt mit realen Datenstrukturen abgleichen können.
Weitere typische Fehlmodelle sind Textfelder für Zahlen und Daten, doppelte Speicherung derselben Information in mehreren Tabellen, fehlende Pflichtfelder, nicht eindeutige IDs und Tabellen mit zu vielen irrelevanten Spalten.
Gerade diese Fehler verbinden die vier Bewertungsdimensionen unmittelbar: schlechter Datentyp, unnötige Redundanz, schwache Integrität und mangelnde Relevanz treten oft gemeinsam auf.
Warnzeichen: Text statt Zahl, ID doppelt, Feld unklar, Datum frei, Daten doppelt, Verweis fehlt, Zweck unklar, Tabelle ueberladen.
Kurz zusammengefasst
| Kernkompetenz | Das bedeutet konkret |
|---|---|
| Datentypen prüfen | Kontrollieren, ob jedes Feld mit einem passenden Datentyp modelliert ist, z. B. Text, Zahl, Datum oder Wahr/Falsch. |
| Felder bewerten | Prüfen, ob jedes Feld für den Zweck des Modells notwendig, eindeutig benannt und sinnvoll abgegrenzt ist. |
| Redundanz erkennen | Feststellen, wo dieselbe Information unnötig mehrfach gespeichert wird und dadurch Widersprüche entstehen können. |
| Dubletten finden | Mehrfach vorhandene Datensätze anhand geeigneter Merkmale erkennen und für eine Bereinigung kennzeichnen. |
| Integrität erklären | Beschreiben, wie Regeln, Datentypen und Beziehungen dafür sorgen, dass Daten gültig und widerspruchsfrei bleiben. |
| Schlüssel prüfen | Kontrollieren, ob Primärschlüssel eindeutig sind und Fremdschlüssel auf tatsächlich vorhandene Datensätze verweisen. |
| Regeln begründen | Erklären, warum Validierungs-, Pflichtfeld- oder Beziehungsregeln für verlässliche Daten notwendig sind. |
| Relevanz bewerten | Entscheiden, welche Daten für den vorgesehenen Zweck wirklich benötigt werden und welche besser nicht gespeichert werden. |
Merke: Die wichtigsten Zusammenhänge solltest du nicht nur wiedergeben, sondern an neuen Beispielen erklären, anwenden und begründet beurteilen können.
Weiterführende Links
Passende LearningSnacks
Übungen
Die Aufgaben setzen die Inhalte praktisch um. Der konkrete Auftrag ist bei jeder Aufgabe ausdrücklich unter Arbeitsauftrag: gekennzeichnet.
Datentypen-Check an fehlerhaften Tabellen
Unpassende Datentypen werden besonders gut erkannt, wenn Lernende an realistischen Tabellen prüfen, welche Felder falsch angelegt sind und welche Folgen das für Sortierung, Berechnung, Suche und Plausibilitätsprüfung im weiteren Umgang mit den Daten hat.
Arbeitsauftrag:
Jede Gruppe prüft ein Tabellenbeispiel, kennzeichnet ungeeignete Datentypen, formuliert Verbesserungen und begründet die Auswahl der neuen Datentypen an den geplanten Nutzungen der Daten.
Redundanz in Datenmodellen aufspüren
Doppelte Informationen werden dann besonders verständlich, wenn Lernende erkennen, wie Mehrfachspeicherung zu Widersprüchen und unnötigem Aufwand führt und wie ein besseres Modell dieselben Informationen mit weniger Wiederholungen organisieren kann.
Arbeitsauftrag:
Die Schülerinnen und Schüler analysieren ein redundantes Modell, zählen typische Wiederholungen, benennen Risiken und erstellen anschließend ein sparsameres Modell mit weniger Mehrfachspeicherung.
Integrität mit Schlüsseln und Regeln prüfen
Integrität wird besonders lernwirksam, wenn Lernende nicht nur Definitionen hören, sondern an Tabellen kontrollieren, ob IDs eindeutig sind, Verweise korrekt gesetzt wurden und Pflichtfelder oder Wertebereiche fachlich sinnvoll abgesichert sind.
Arbeitsauftrag:
Jede Gruppe untersucht ein Datenmodell auf Integritätsprobleme, markiert verletzte Regeln und ergänzt danach konkrete Maßnahmen zur Sicherung der Datenkonsistenz.
Relevanz von Feldern bewerten
Der Zweck eines Modells wird dann besonders klar, wenn Lernende entscheiden müssen, welche Daten für eine Anwendung wirklich notwendig, welche nur optional und welche überflüssig oder problematisch sind.
Arbeitsauftrag:
Die Schülerinnen und Schüler bewerten Feldlisten für verschiedene Anwendungsszenarien und entwickeln daraus ein reduziertes, zweckmäßiges Modell mit klar begründeter Datenauswahl.
Schlechte Modelle mit Think-Aloud analysieren
Besonders tiefe Lernprozesse entstehen, wenn Denkwege beim Bewerten hörbar gemacht werden, weil Fehlvorstellungen zu Fremdschlüsseln, Entitäten oder Feldbedeutungen dadurch sichtbar und im Gespräch direkt geklärt werden können.
Arbeitsauftrag:
Die Zweierteams analysieren je ein Modell im Laut-Denken, protokollieren Bewertungsargumente und formulieren am Ende drei Regeln für bessere Datenmodelle.
Modelle vergleichen und ranken
Ein differenziertes Urteil wird besonders gut aufgebaut, wenn mehrere Modelle für denselben Fall nebeneinander geprüft und in eine begründete Rangfolge gebracht werden müssen, statt nur ein einziges Modell isoliert zu betrachten.
Arbeitsauftrag:
Jede Gruppe erstellt ein Ranking mehrerer Modelle und erläutert zu jeder Platzierung die wichtigsten Stärken, Schwächen und Verbesserungspotenziale.
Fehlvorstellungen gezielt korrigieren
Typische Misskonzepte werden besonders nachhaltig überwunden, wenn falsche Aussagen nicht nur berichtigt, sondern mit Gegenbeispielen und verbesserten Modellen widerlegt werden.
Arbeitsauftrag:
Die Schülerinnen und Schüler prüfen vorgegebene Aussagen, korrigieren falsche Regeln und entwickeln zu jeder Korrektur ein passendes Mini-Beispiel.
Ein vorhandenes Modell verbessern
Hohe Lernwirksamkeit entsteht dann, wenn Schülerinnen und Schüler aus einer Bewertung konkrete Umbauten ableiten, weil Qualitätskriterien so nicht bloß benannt, sondern in überarbeitete Tabellen, Felder und Beziehungen praktisch übersetzt werden.
Arbeitsauftrag:
Jede Gruppe überarbeitet ein fehlerhaftes Modell vollständig und dokumentiert, welche Änderungen sich auf Datentypen, Redundanz, Integrität oder Relevanz beziehen.
Fallstudien aus Schule und Alltag bewerten
Fachliche Bewertung gewinnt an Tiefe, wenn Datenmodelle in realistischen Anwendungskontexten geprüft werden, weil dabei technische Qualität, Nutzungszweck und verantwortlicher Umgang mit Daten gemeinsam in den Blick kommen.
Arbeitsauftrag:
Die Schülerinnen und Schüler bewerten ein Fallbeispiel entlang der vier Kriterien und formulieren daraus einen kompakten Verbesserungsplan.
Bewertungsbogen für Datenmodelle entwickeln
Nachhaltiges Verstehen entsteht besonders dann, wenn Kriterien selbst formuliert und anschließend an mehreren Beispielen erprobt werden, weil daraus ein übertragbares Instrument für spätere Modellanalysen entsteht.
Arbeitsauftrag:
Die Schülerinnen und Schüler erstellen einen Bewertungsbogen, testen ihn an neuen Modellen und überarbeiten unklare oder zu allgemeine Kriterien.
Kompetenzcheck
Überprüfe am Ende selbst:
| Ich kann … | Ja | Noch üben |
|---|---|---|
| datentypen prüfen. | ☐ | ☐ |
| felder bewerten. | ☐ | ☐ |
| redundanz erkennen. | ☐ | ☐ |
| dubletten finden. | ☐ | ☐ |
| integrität erklären. | ☐ | ☐ |
| schlüssel prüfen. | ☐ | ☐ |
| regeln begründen. | ☐ | ☐ |
| relevanz bewerten. | ☐ | ☐ |
| modelle vergleichen. | ☐ | ☐ |
| fehler erkennen. | ☐ | ☐ |
| verbesserungen vorschlagen. | ☐ | ☐ |
| entscheidungen begründen. | ☐ | ☐ |