Daten für das Smart Home für Senior*innen
Lektion 4
Smarte Pflege
Sabina: Ah, guten Tag Herr Girat, wie geht es Ihnen? Gut, dass ich Sie hier in unserem Quartier treffe. Ich wollte Sie mal fragen, wie Sie als unser externer Pflegedienst mit dem neuen AAL-System klarkommen?
Vincent: Gut, vielen Dank! Soweit ich weiß, haben alle Pfleger letzte Woche die App zum System installiert. Aus meiner Sicht kann ich Ihnen fast nur Gutes berichten. Die App ist sehr benutzerfreundlich, übersichtlich und leicht zu bedienen.
Sabina: Das freut mich zu hören. Haben Sie denn schon Meldungen über die App erhalten?
Vincent: Ja klar, mehrmals sogar. Erst gestern zum Beispiel bekam ich die Meldung, dass Frau Falahati ihren Herd unbeaufsichtigt angelassen hat. Als ich auf dem Weg zu ihr war, stand sie ganz entspannt auf dem Hausflur und hat sich mit Herrn Petzold unterhalten. Sie hatte die Herdplatte völlig vergessen.
Sabina (lacht): Ja, Frau Falahati ist wirklich sehr gesprächig. Aber toll, dass das System so gut funktioniert. Da hat sich die Anschaffung ja gelohnt.
Vincent: Ja, definitiv! Es erleichtert und vereinfacht unseren Arbeitsalltag ungemein, dass wir als Pfleger nun per App direkt Meldungen aus dem AAL-System auf das Smartphone bekommen. So wissen wir sofort Bescheid, wenn ein Bewohner beispielsweise mal den Wasserhahn laufen lässt oder vergessen hat, den Herd auszuschalten!
Sabina: Das freut mich wirklich zu hören. Auch unsere Bewohner sind sehr froh, dass sie nun durch Sie als Pfleger im Zusammenspiel mit dem neuen AAL-System quasi ein doppeltes Sicherheitsnetz haben.
Überprüfe Zimmer 201
Das smarte AAL-System des Quartier-Projekts sammelt Daten aus verschiedensten Quellen, beispielsweise von Fußbodensensoren, Hitzesensoren oder Bewegungsmeldern, und verarbeitet diese zu Informationen, zu sogenannten Datenprodukten.
Diese Informationen werden nun direkt an die Pfleger*innen weitergeleitet und erscheinen als Meldung in einer Smartphone-App. Die Pfleger*innen nutzen diese Informationen wiederum, um Entscheidungen auf Basis der empfohlenen Handlungsanweisungen zu treffen, zum Beispiel „Überprüfe Zimmer 201“.
Exercise:
Fehlalarm!
Vincent: Im Allgemeinen ist das neue Meldesystem für uns eine große Hilfe. Leider gibt es aber auch Fehlermeldungen. Letzte Woche erst habe ich einen Sturz-Alarm bekommen. Als ich bei der entsprechenden Wohnung angekommen bin, hat sich herausgestellt, dass nur Umzugskartons umgestürzt waren.
Sabina: Das ist ja interessant. Ich denke, das liegt einfach daran, dass es sich um eine neue Technologie handelt. Das System muss erst lernen, wann ein Alarm auszulösen ist.
Vincent: Bestimmt sind das nur Startschwierigkeiten.
Exercise:
Ordne die möglichen Fehlerquellen den jeweiligen Datenerhebern zu:
Kausalität oder Korrelation?
Jede Datenquelle hat ihre Schwächen. Man kann immer verfälschte Messergebnisse oder nicht repräsentative Daten erhalten. Doch auch bei richtigen Messergebnissen und repräsentativen Daten kann es zu einer fehlerhaften Interpretation kommen. Ein großer Einflussfaktor ist die menschliche Wahrnehmung, die oft zu sogenannten kognitiven Verzerrungen neigt.
Ein Beispiel ist der Bestätigungsfehler („Confirmation Bias“). Er beschreibt, dass Menschen Informationen priorisieren, die ihre Sichtweise stützen, und Informationen ignorieren, die ihrer Sichtweise widersprechen. So ordnen wir etwa Nachrichten als unwichtig ein, die nicht zu unseren politischen Einstellungen passen.
Eine weitere kognitive Verzerrung ist, dass Menschen Kausalitäten (A verursacht B) wahrnehmen, wenn nur Korrelationen (A und B treten gleichzeitig auf) vorliegen.
Eine Kausalität ist beispielsweise, wenn ein wankendes Schrittmuster zum Sturz führt, eine Korrelation hingegen, wenn ein erhöhter Puls und ein Sturz gleichzeitig auftreten.
Mit einer Kausalität lassen sich Ergebnisse vorhersagen, mit einer Korrelation dagegen nicht. Verlässt man sich bei der Vorhersage eines Sturzes auf die Korrelation von Herzfrequenz und Sturz, kann möglicherweise ein durch Ohnmacht mit abfallender Herzfrequenz verursachter Sturz nicht erkannt werden.
Daher sollte man nicht nur die Qualität der Daten überprüfen, sondern auch die eigene Interpretation hinterfragen.
Exercise:
Oft kann man mit verhältnismäßig einfachen und verständlichen Verfahren identische Ergebnisse erzielen wie mit komplizierten, autonom lernenden Verfahren.
Beim sogenannten „Deep Learning“ werden Systeme verwendet, die nur die Daten und ein Ziel zur Verfügung gestellt bekommen und eine Lösung selbstständig erarbeiten. Für den Menschen ist es anschließend nicht nachvollziehbar, wie das System zu seiner Lösung gekommen ist.
Ist bereits viel über das zu analysierende Problem bekannt, eignen sich einfache statistische Auswertungen zur Datenanalyse. Deren Funktionsweise ist für Menschen verständlicher und das Risiko von versteckter Diskriminierung verringert sich.