In der aktuellen Episode nehmen Jochen Fiedler und Esther Packullat vom Streuspanne-Team gemeinsam mit Gast Marcel Hensel, eine Studie unter die Lupe, die verspricht, Weinqualität per Machine Learning allein anhand von Inhaltsstoffen vorhersagen zu können. Marcel ist Postdoc am Lehrstuhl Digital Farming der Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau RPTU. Sie zeigen gemeinsam auf, warum die methodischen Ansätze der Studie grandios danebengehen.

Die Idee klingt spannend: Systematische, blinde Verkostungen treffen auf umfassende Laborwerte. Dabei wurden zahlreiche chemische Parameter wie Aromastoffe, Farbstoffe und pH-Wert gemessen, um Rückschlüsse auf die sensorische Qualität des Weins zu ziehen. Doch bei genauerem Blick offenbaren sich handfeste Fehler, die die Ergebnisse leider komplett entwerten.

Was erwartet Dich in dieser Episode?

• Die Grundfrage: Gibt es objektive Weinqualität? Wie könnte man das wissenschaftlich erfassen?

• Methodische Mängel: Wir beleuchten die Probleme der Studie, einschließlich der willkürlichen Klassifikation von Weinen und das Fehlen einer normierten Qualität.

• Datensatz-Problematik: Mit nur 18 Weinen und der Erzeugung synthetischer Daten – wie kann das funktionieren?

• Die Rolle von Machine Learning: Der Einsatz von ML-Algorithmen und die Risiken, die mit einer schlechten Datenbasis einhergehen.

• Wissenschaftliche Standards: Einblicke in die Herausforderungen der akademischen Publikationskultur und wie sie zu minderwertiger Forschung führen kann.

Was hier als wissenschaftliche Forschung daherkommt, ist am Ende eher eine hübsch verpackte Statistik-Falle – und taugt leider kaum als Grundlage für belastbare Aussagen.

Reinhören und die Wahrheit mit uns entkorken!

Wir erwähnen folgende Links, Artikel und Podcasts in der aktuellen Folge:

P. Bhardwaj, P. Tiwari, K. Olejar Jr et al. (2022). A Machine Learning Application in Wine Quality Prediction. Machine Learning with Applications. 8.

https://s.fhg.de/wein-ki

Zurückspulen lohnt sich: Frühere Episoden

• Podcast »Streuspanne – Künstliche Intelligenz und Statistik – Ist KI nur glorifizierte Statistik? KI hieß mal ML« 👉 www.itwm.fraunhofer.de /ki-statistik

• Podcast »Streuspanne – Künstliche Intelligenz und Statistik – Neuronale Netze: Wie Maschinen das Denken lernen« 👉 www.itwm.fraunhofer.de/ki-neuronale-netze

Gestalte unseren Podcast mit!

Du hast ein Zahlenphänomen entdeckt, das wir besprechen sollen? Oder eine Statistik in den Medien gelesen, die wir in der »Streuspanne« einmal genauer unter die Lupe nehmen sollen? Dann melde Dich gerne über presse(at)itwm.fraunhofer.de bei uns!

Was ist eigentlich die Quersumme Deines Vornamens? Hast Du etwa nie darüber nachgedacht? Laut Numerologie solltest du das schleunigst nachholen, denn diese Zahl und ihre energetische Schwingung kann Dein Schicksal voraussagen!

Eigentlich zucken wir immer innerlich zusammen, wenn von »energetischen Schwingungen« die Rede ist, die unser Leben lenken sollen. Die Numerologie ermittelt unsere Lebenszahlen und verspricht auf mystische Weise Einblicke in unser gegenwärtiges Potential und unsere Zukunft.

Unser Streuspanne-Team Esther Packullat, Sascha Feth und Jochen Fiedler gehen diesem ominösen Zahlenzauber nach und klären, ob es sich wirklich um eine verborgene Wissenschaft handelt oder doch um Aberglauben.

Klingt spannend? Reinhören lohnt sich signifikant!

Wir erwähnen folgende Links, Artikel und Podcasts in der aktuellen Folge:

Statistische Behandlung des Bibelcodes:

• McKay, B. D., Bar-Natan, D., Bar-Hillel, M., & Kalai, G. (1999). Solving the Bible Code Puzzle. Statistical Science, 14(2), 150-176.
• Link: https://s.fhg.de/bible-code

Publikation von Jeremy Genovese zu Nobelpreisträgern und Lebenszahlen:

• Genovese, J. (2007). Numerology and Nobel Laureates. Journal of Scientific Exploration, 21(2), 297-302.
• Link: https://s.fhg.de/genovese

Zurückspulen lohnt sich: Frühere Episoden

• Podcast »Streuspanne – Statistik und ihre Kuriositäten«: Das Benfordsche Gesetz 👉 www.itwm.fraunhofer.de/benfordsche-gesetz
• Podcast »Streuspanne – Statistik und ihre Kuriositäten«: Statistik beweist: Parapsychologie ist (kein) Humbug 👉 www.itwm.fraunhofer.de/parapsychologie

• Podcast »Streuspanne – Statistik und ihre Kuriositäten«: Gibt es den Zufall wirklich? 👉 www.itwm.fraunhofer.de/streuspanne-zufall

Gestalte unseren Podcast mit!

Ihr habt ein Zahlenphänomen entdeckt, das wir besprechen sollen oder eine Statistik in den Medien gelesen und wollt, dass wir sie in der »Streuspanne« zum Thema machen? Dann meldet Euch gerne bei uns: [email protected].

Der neue Eintrag unseres Streuspanne-Lexikons beschäftigt sich mit einem Begriff, der auf den ersten Blick eher nach Imbissbude als nach Mathematik klingt: der Wurstkatastrophe.

Dabei geht’s nicht um Frühstück und schon gar nicht um Fleisch – sondern rein um Mathematik. Diese Wurst ist also zu 100 Prozent vegan – und zu 100 Prozent nerdig.

Wir klären, warum Kugeln, die wie Würste aussehen, plötzlich eine Katastrophe auslösen – und was das Ganze mit konvexen Hüllen, Clusterbildungen und optimalem Packen zu tun hat.

Klingt schräg? Ist es auch. Und trotzdem steckt echte Mathematik dahinter, mit Anwendungen von der Materialforschung bis zur Kryptographie.

Vielen Dank an die treue Hörerin für die Anregung zu diesem Lexikon-Eintrag – Habt Ihr selbst kuriose Begriffe oder mathematische Fragen, die wir im »Streuspanne«-Podcast aufgreifen sollen? Dann schreibt uns gerne an [email protected] – wir freuen uns auf Eure Ideen!

Falls Ihr von einer regulären Episode hierher gefunden habt: springt schnell zurück, dort geht’s weiter!

In der finalen Folge unserer Mini-Serie zu »Künstlicher Intelligenz (KI) und Statistik« wird es tiefgründig – im wahrsten Sinne des Wortes. Unser Podcast-Team – bestehend aus Esther Packullat, Sascha Feth und Jochen Fiedler – beschäftigt sich mit den großen Sprachmodellen wie GPT-4, Llama oder Gemini.

Wir werfen einen Blick hinter die Kulissen und diskutieren spannende Fragen wie:

• Was macht diese Modelle so leistungsfähig?

• Wie funktionieren große Sprachmodelle eigentlich?

• Was heißt Deep Learning – und was unterscheidet es von Shallow Learning?

• Wie arbeiten Neuronale Netze – und warum spielt ihre Topologie eine entscheidende Rolle?

• Inwiefern lassen sich die Fähigkeiten großer KI-Modelle wirklich vorhersagen?

• Warum ist Deep Learning mehr als nur angewandte Statistik?

• Was ist Emergenz – und warum überrascht uns KI manchmal selbst?

• Und schließlich die große Frage: Werden KI-Systeme eines Tages ein Bewusstsein entwickeln? Was würde das bedeuten?

Unsere beiden Statistik-Kollegen sind sich einig: Die Entwicklung geht in eine spannende Richtung – und wir stehen erst am Anfang.

Buchtipps aus der Folge:

Metzinger, Thomas (2014). Der Ego-Tunnel: Eine neue Philosophie des Selbst: Von der Hirnforschung zur Bewusstseinsethik. Piper Verlag.

Ramakrishnan, Venkatraman (2024). Warum wir sterben: die neue Wissenschaft des Alterns und die Suche nach dem ewigen Leben. Klett-Cotta.

Gestalte unseren Podcast mit!

Du hast ein Zahlenphänomen entdeckt, das wir besprechen sollen? Oder eine Statistik in den Medien gelesen, die wir in der »Streuspanne« einmal genauer unter die Lupe nehmen sollen? Dann melde Dich gerne über [email protected] bei uns!

In der aktuellen Folge unseres Podcasts »Streuspanne« heißt es back to the roots! Wir werfen erneut einen kritischen Blick auf die Bewertung der Wirksamkeit von Corona-Impfstoffen – wie schon in unserer allerersten Folge. Diesmal dreht sich alles um das sogenannte Harm-to-Benefit-Ratio, eine vermeintlich neue Kennzahl, die das Schaden-Nutzen-Verhältnis von Impfstoffen besser messbar machen soll. Grundlage der Diskussion ist eine Publikation einer universitär angesiedelten Gruppe um Falk Mörl, Michael Günther und Robert Rockenfeller mit dem Titel: »Is the Harm-to-Benefit Ratio a Key Criterion in Vaccine Approval?«

Fünf Jahre nach dem ersten COVID-19-Fall gibt es immer wieder Versuche, neue Analysen oder sogar Kennzahlen für die »Risiko-Nutzen-Abwägung« von Impfstoffen zu etablieren. Der freie Journalist Martin Rücker hat uns auf eine solche neu vorgeschlagene Maßzahl und die Diskussion rund um ihren Nutzen aufmerksam gemacht. Laut den Berechnungen würde der BioNTech-Impfstoff dabei besonders schlecht abschneiden.

Doch wie belastbar ist dieser Wert wirklich? Und ist das zugrunde liegende Modell überhaupt geeignet, in der konkreten Anwendung eine valide Aussage über das Schaden-Nutzen-Verhältnis zu treffen?

Unsere bloggenden Statistiker Sascha Feth und Jochen Fiedler schauen sich das genauer an und äußern Zweifel an den wissenschaftlichen Techniken und Methoden. Gemeinsam mit den beiden Experten diskutiert Esther Packullat unter anderem folgende Punkte:

• Harm-to-Benefit-Ratio: Was ist das überhaupt für ein Wert und wie wird er berechnet?

• Wie sieht die Kritik an diesem vorgeschlagenen Wert aus?

• Ist der Nutzen der Impfung angemessen berücksichtigt, wenn man sich auf den – relativ kurzen – Beobachtungszeitraum der Zulassungsstudie bezieht?

• Ist die neue Kennzahl überhaupt nützlich?

• Warum ist die Diskussion um die sogenannten »severe adverse events« und das gesamte Wording so entscheidend und gleichzeitig so schwierig für die Interpretation der Ergebnisse?

In der aktuellen Folge erwähnen wir folgende Links, Artikel und Podcasts:

• Meinungsartikel zur Einführung des »Harm-to-Benefit Ratios« nach Mörl et al.: https://s.fhg.de/Harm-to-Benefit-Ratio

• Zulassungsstudie von BioNTech und Supplementary Material: https://s.fhg.de/Zulassungsstudie

• Unsere erste Streuspanne-Folge unter dem Titel »Was bedeutet Wirksamkeit bei Corona-Impfungen?«: https://s.fhg.de/Wirksamkeit-Corona-Impfstoff

Außerdem sind im Nachgang zu unseren Experten-Statements folgende Artikel von Martin Rücker erschienen (beide hinter Bezahlschranke):

• Martin Rücker auf www.riffreporter.de: »Corona-Impfstoffe: 25-mal mehr Schaden als Nutzen? Wo eine spektakuläre Analyse falsch liegt«: https://s.fhg.de/Artikel-Corona-Impfstoff-Kritik

• Martin Rücker in der Berliner Zeitung »Corona-Impfstoff: Kritik an Analyse zum Schaden-Nutzen-Verhältnis«: https://s.fhg.de/Artikel-Corona-Impfstoffe

Gestaltet unseren Podcast mit!

Ihr habt ein Zahlenphänomen entdeckt, das wir besprechen sollen? Oder eine Statistik in den Medien gelesen, die wir in der »Streuspanne« einmal genauer unter die Lupe nehmen sollen? Dann meldet Euch gerne über presse(at)itwm.fraunhofer.de bei uns!

In der aktuellen Folge unseres Podcasts »Streuspanne« dreht sich alles um Wahlumfragen, Prognosen und ihre Unsicherheiten.

Anlässlich der überraschend deutlichen Wiederwahl von Donald Trump werfen wir einen genaueren Blick darauf, wie solche Prognosen entstehen, welche Fallstricke sie bergen und wie wir ihre Qualität bewerten können.

Schließlich stehen auch bei uns in Deutschland Wahlen vor der Tür und wir möchten wissen, ob uns eine ähnliche Überraschung wie in Amerika erwartet.

Mit den Statistik-Experten Sascha Feth und Jochen Fiedler diskutiert Esther Packullat unter anderem folgende Punkte:

· Warum Wahlumfragen keine eigentlichen Prognosen sind

· Wie sich Prognosen und Unsicherheiten mathematisch bewerten lassen

· Warum Mittelwerte aus mehreren Prognosen oft zuverlässiger sind

· Weshalb Trumps Wahlsieg 2024 zeigt, dass systematische Fehler in Prognosen ein großes Problem sind

Außerdem gibt es spannende Vergleiche zu Wettervorhersagen, Quizsendungen und sogar zur Anzahl verkaufter Schlitten!

Wir erwähnen folgende Links, Artikel und Podcasts in der aktuellen Folge:

· Streuspanne-Folge 4 »Wie funktionieren Wahlprognosen?«:

· Streuspanne Folge 20 »Viel Lärm um Bias«: https://www.itwm.fraunhofer.de/podcast-noise

· Streuspanne Folge 6 »Haben Sie schon mal in den Badesee gemacht?«: https://www.itwm.fraunhofer.de/Streuspanne-Badesee

· Streuspanne Lexikon »K wie Konfidenzintervall“: Podcast »Streuspanne –Statistik und ihre Kuriositäten«: K wie Konfidenzintervall - Fraunhofer ITWM

· US-Wahlergebnisse in den Swingstates:

· Sonntagsfrage Allensbach https://s.fhg.de/sonntagsfrage-allensbach-25

· US-Election Forecast von fivethirtyeigth.com: https://s.fhg.de/US-election-forecast

· Link zur Datei: https://s.fhg.de/datei-fivethirtyeight

· Video von INSA zu sicheren Stimmen und maximal möglichem Potential: https://s.fhg.de/insa-meinungstrend

Gestaltet unseren Podcast mit und meldet Euch!

Ihr habt ein Zahlenphänomen entdeckt, das wir besprechen

In der dritten Folge unserer Miniserie »Künstliche Intelligenz (KI) und Statistik« dreht sich alles um »Shallow Learning« oder auch in Deutsch »Seichtes Lernen«. Unser Podcast-Team –bestehend aus Sascha Feth, Jochen Fiedler und Esther Packullat – klärt in dieser Episode, was sich hinter diesem Konzept verbirgt. Gemeinsam beleuchten wir, wie unzureichende Trainingsdaten und historische Verzerrungen (Stichwort Bias) die Leistungsfähigkeit von KI-Systemen beeinflussen. Außerdem hinterfragen wir, ob Fehler in Algorithmen bereits vor der Entwicklung von KI-gestützten Systemen auftraten – und wie sich solche Probleme beheben lassen. 

Schon bald wird klar: Ohne hochwertige Daten kann keine KI ihr volles Potenzial entfalten. Um das greifbar zu machen, bringen wir konkrete Beispiele ins Spiel: 

Im nächsten Teil unserer Miniserie richten wir den Blick auf »Unsupervised Learning«. Hier lernen Modelle selbstständig und entdecken Muster – ganz wie Archäologen, die versuchen, eine alte Sprache zu entschlüsseln. 

Gestaltet unseren Podcast mit! 

Wie immer gilt: Ihr habt ein Zahlenphänomen entdeckt, das wir besprechen sollen oder eine Statistik in den Medien gelesen, die wir in der »Streuspanne« analysieren sollen? Dann meldet Euch gerne bei uns und wir bringen Euer Thema in die nächste Folge! 

Darauf wird in dieser Folge verwiesen: 

Weiterführende Artikel: 

Buchtipp:  

Caroline Criado-Perez: Unsichtbare Frauen – Wie eine von Daten beherrschte Welt die Hälfte der Bevölkerung ignoriert. München: btb Verlag (2020). 

Passende Folge aus der »Streuspanne«-Welt: 
Folge 20: Viel Lärm um Bias – Wie Noise Entscheidungen und Statistiken verzerrt: https://www.itwm.fraunhofer.de/podcast-noise  

Folge 6: Haben Sie schon mal in den Badesee gemacht? 

https://www.itwm.fraunhofer.de/de/abteilungen/mf/aktuelles/blog-streuspanne/podcast-badesee-statistik-peinlichkeiten.html 

In der neuen Folge unserer Miniserie zu KI und Statistik dreht sich heute alles um Neuronale Netze. Unser Team, bestehend aus Sascha Feth, Jochen Fiedler und Esther Packullat, erklärt, wie die »künstlichen Gehirne« funktionieren und wie Maschinen mithilfe von Millionen von verbundenen Neuronen lernen, komplexe Aufgaben zu meistern – von Bilderkennung bis zur Sprachverarbeitung. Was sind Neuronale Netze eigentlich? Wie sind sie aufgebaut? Was haben Katzen damit zu tun? Wie bilden sie den Lernprozess des menschlichen Gehirns nach? Außerdem lösen wir die Aufgabe aus der vorherigen Folge zum maschinellen Erkennen eines Rechtecks.

Unser passender Buchtipp in dieser Folge, ganz neu erschienen im Fraunhofer Verlag: »Forscherinnen im Fokus – Wir schaffen Veränderung«. Im Buch werden 42 inspirierende Wissenschaftlerinnen im Porträt vorgestellt, die in verschiedenen Anwendungsgebieten mit Künstlicher Intelligenz und Simulation arbeiten – von Klimaschutz bis zu Gesundheit oder in der Mobilität. Direkt zum eBook: www.itwm.fraunhofer.de/forscherinnen-im-fokus

Wer an einem Printexemplar interessiert ist, kann sich gerne bei uns melden.

Im nächsten Teil unserer Streuspanne-Mini-Serie tauchen wir tiefer in das Thema »Training Neuronaler Netze« ein und sind mit KI dann in seichten Datengewässern unterwegs.

Gestaltet unseren Podcast mit!

Wie immer gilt: Ihr habt ein Zahlenphänomen entdeckt, das wir besprechen sollen oder eine Statistik in den Medien gelesen und wollt, dass wir sie in der »Streuspanne« zum Thema machen? Dann meldet Euch gerne bei uns.

In dieser ersten Episode unserer neuen Mini-Serie zu »Künstlicher Intelligenz (KI) und Statistik« gehen wir

Gemeinsam werfen wir einen Blick auf die Begriffe KI und Machine Learning (ML). Wir zeigen anhand von

Eine Aufgabe gibt es diesmal für Euch:

Welche Regeln oder Algorithmen könnten verwendet werden, um die Konturen des Rechtecks zu identifizieren?

Wie würdet Ihr einem Computer diese Wenn-Dann-Regel erklären, mit der er ein Rechteck auf diesem Papier finden soll?

Schreibt uns Eure Ideen und Lösungen per E-Mail an presse(at)itwm.fraunhofer.de oder in Social Media per

Teil Eins ist ein grundlegender Einstieg ins Thema

Was haben Julius Caesar, Albert Einstein, Goethe, Marie Curie, Isaac Newton, Beethoven, Charlie Chaplin und Marilyn Monroe gemeinsam? Sie alle waren nicht nur berühmte Persönlichkeiten, sondern auch Linkshänder:innen. Heute, am 13. August, feiern wir den internationalen Tag der Linkshänder:innen – mit unserer neuen Podcast-Episode und natürlich mit kuriosen Statistiken rund um dieses Thema.

Habt Ihr schon einmal darüber nachgedacht, warum nur etwa zehn bis 15 Prozent der Menschen linkshändig sind? Wie entsteht Linkshändigkeit? Oder warum bleibt diese Quote seit etwa 500.000 Jahren nahezu konstant? Unser Team – Sascha Feth, Jochen Fiedler und Esther Packullat – geht in dieser Folge den faszinierenden Fragen und Mythen rund um die Linkshändigkeit nach. Dabei schauen wir uns mögliche biologische Erklärungen, aber auch archäologische Untersuchungen genauer an. Gibt es genetische Gründe? Was hat die rechte Gehirnhälfte damit zu tun? Gibt es Vorteile oder Nachteile im Sport oder gar Statistiken in der Gesundheit? Was hat es mit dem mathematischen Modell zum Thema Linkshändigkeit auf sich?

https://s.fhg.de/mathe-modell-links

Vom Überraschungsvorteil im Boxring bis hin zu den Vor- und Nachteilen – All das gibt es in der neuen Streuspanne-Folge. Wenn Ihr nach dem Hören der neuen Folge noch unsicher seid, ob ihr ihr rechts- oder linkshändig seid, könnt Ihr mit dem »Edinburgh Handedness Inventory« Test (https://s.fhg.de/EHI-Test) 20 Fragen rund um Eure Tätigkeiten mit den Händen beantworten.

Klingt spannend? Reinhören lohnt sich – egal mit welcher Hand Ihr schreibt!

Gestaltet unseren Podcast mit und meldet Euch!

Ihr habt ein Zahlenphänomen entdeckt, das wir besprechen sollen oder eine Statistik in den Medien gelesen und wollt, dass wir sie in der »Streuspanne« zum Thema machen? Dann meldet Euch gerne bei uns.