Informatik 7: Datenmodelle hinsichtlich der Datentypen, Redundanz, Integrität und Relevanz bewerten
12.1 Lernziele
- Datentypen prüfen
- Felder bewerten
- Redundanz erkennen
- Dubletten finden
- Integrität erklären
- Schlüssel prüfen
- Regeln begründen
- Relevanz bewerten
- Modelle vergleichen
- Fehler erkennen
- Verbesserungen vorschlagen
- Entscheidungen begründen
12.2 Lerninhalte
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.
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.
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. Auch aus didaktischer Sicht ist Integrität bedeutsam, weil fehlerhafte Fremdschlüssel laut dem hochgeladenen Skriptum eine typische Fehlvorstellung beim Entwickeln relationaler Datenbanken darstellen. 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. Die didaktische Relevanzfrage aus dem hochgeladenen Skriptum lässt sich darauf übertragen: Ein gutes Modell enthält gegenwartsbedeutsame, exemplarisch wichtige und zugängliche Informationen. 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.
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. Das hochgeladene Skriptum nennt zwei typische Probleme ausdrücklich: Erstens werden Fremdschlüssel bei 1:n-Beziehungen falsch eingetragen. 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.
12.3 Weiterführende Links
- PostgreSQL Konzepte
- PostgreSQL Fremdschluessel
- PostgreSQL Constraints
- Access Datentypen
- Access Feldtypen
- MongoDB Modellierung
- MongoDB Einbettung
- MongoDB Referenzen
- SQLite Datentypen
12.4 Aufgaben für den Unterricht
12.4.1 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. Die Gruppen erhalten Tabellen mit bewusst problematischen Feldern, etwa Preis als Text, Geburtsdatum als Freitext oder Rueckgabe als unklare Bemerkung. Zuerst markieren sie die problematischen Felder. Danach erklären sie, warum der gewählte Datentyp ungeeignet ist und schlagen passendere Alternativen vor. Abschließend beschreiben sie, welche Datenoperationen mit der verbesserten Struktur zuverlässiger funktionieren.
Jede Gruppe prüft ein Tabellenbeispiel, kennzeichnet ungeeignete Datentypen, formuliert Verbesserungen und begründet die Auswahl der neuen Datentypen an den geplanten Nutzungen der Daten. Datentypen, Felder Text, Zahl Datum, Wahrwert Fehler, Folgen Vorschlag, Begründung Vergleich, Verbesserung
12.4.2 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. Die Lehrkraft gibt ein Datenmodell, in dem beispielsweise Buchtitel, Klassennamen oder Kundendaten in vielen Datensätzen immer wieder vollständig gespeichert werden. Die Gruppen markieren alle Stellen, an denen unnötige Wiederholungen vorkommen. Danach beschreiben sie, welche Probleme beim Ändern, Suchen oder Kontrollieren entstehen können. Im nächsten
Schritt entwickeln sie eine strukturiertere Variante mit getrennten Tabellen oder klaren Verweisen.
Die Schülerinnen und Schüler analysieren ein redundantes Modell, zählen typische Wiederholungen, benennen Risiken und erstellen anschließend ein sparsameres Modell mit weniger Mehrfachspeicherung. Redundanz, Dubletten Wiederholung, Pflegeaufwand Widerspruch, Fehler Verweise, Aufteilung Analyse, Umbau Urteil, Reflexion
12.4.3 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. Die Gruppen arbeiten mit kleinen Modellen aus Bibliothek, Shop oder Schulverwaltung. Darin sind Fehler eingebaut, etwa doppelte IDs, Fremdschlüssel ohne passenden Eintrag oder unzulässige Werte. Die Lernenden prüfen Schritt für Schritt, wo die Integrität verletzt wird. Danach formulieren sie passende Regeln, etwa eindeutige Schlüssel, Pflichtfelder oder zulässige Wertebereiche, und erklären, welchen Fehler jede Regel verhindern würde.
Jede Gruppe untersucht ein Datenmodell auf Integritätsprobleme, markiert verletzte Regeln und ergänzt danach konkrete Maßnahmen zur Sicherung der Datenkonsistenz. Integritaet, Konsistenz ID doppelt, Verweisfehler Pflichtfeld, Wertebereich Regeln, Schutz Pruefung, Korrektur Begruendung, Sicherung
12.4.4 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. Die Klasse bearbeitet Szenarien wie Klassenbibliothek, Schulcafé, AG-Anmeldung oder Geräteverleih. Zu jedem Szenario liegt eine Liste möglicher Felder vor, etwa Name, Klasse, Lieblingsfarbe, Geburtsdatum, Gerätetyp oder Rückgabedatum. Die Gruppen ordnen die Felder nach notwendig, sinnvoll oder nicht relevant. Danach begründen sie jede Entscheidung mit Blick auf Nutzung, Datenschutz und spätere Auswertbarkeit.
Die Schülerinnen und Schüler bewerten Feldlisten für verschiedene Anwendungsszenarien und entwickeln daraus ein reduziertes, zweckmäßiges Modell mit klar begründeter Datenauswahl.
Relevanz, Zweck Pflichtdaten, Zusatzdaten Datenschutz, Minimaldaten Szenario, Auswahl Notwendig, ueberfluessig Begruendung, Vergleich
12.4.5 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. In Partnerarbeit betrachtet eine Person ein fehlerhaftes Datenmodell und erklärt halblaut jeden Prüfschritt. Die zweite Person notiert Unsicherheiten, Widersprüche oder starke Argumente. Anschließend werden die Rollen gewechselt. Die Modelle enthalten typische Schwierigkeiten, etwa falsch platzierte Fremdschlüssel, überladene Tabellen oder unklare Entitäten. In der Auswertung werden besonders häufige Denkfehler gesammelt und gemeinsam fachlich geklärt.
Die Zweierteams analysieren je ein Modell im Laut-Denken, protokollieren Bewertungsargumente und formulieren am Ende drei Regeln für bessere Datenmodelle. Think-Aloud, Partnerarbeit Fehlmodell, Denkweg Fremdschluessel, Entitaet Argumente, Notizen Regeln, Auswertung Klaerung, Transfer
12.4.6 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. Die Gruppen erhalten drei Varianten zu demselben Szenario, etwa eine Bibliotheksverwaltung oder ein Kursbuchungssystem. Ein Modell enthält viele Textfelder und Wiederholungen, ein zweites arbeitet mit klaren Schlüsseln und Beziehungen, ein drittes ist teilstrukturiert, aber nicht konsequent. Die Lernenden vergleichen alle drei Modelle nach Datentypen, Redundanz, Integrität und Relevanz und ordnen sie vom stärksten bis zum schwächsten Entwurf.
Jede Gruppe erstellt ein Ranking mehrerer Modelle und erläutert zu jeder Platzierung die wichtigsten Stärken, Schwächen und Verbesserungspotenziale. Vergleich, Ranking Staerken, Schwaechen Datentypen, Redundanz Integritaet, Relevanz
Urteil, Kriterien Diskussion, Begruendung
12.4.7 Fehlvorstellungen gezielt korrigieren
Typische Misskonzepte werden besonders nachhaltig überwunden, wenn falsche Aussagen nicht nur berichtigt, sondern mit Gegenbeispielen und verbesserten Modellen widerlegt werden. Die Lehrkraft gibt problematische Aussagen vor, etwa „Der Fremdschlüssel gehört immer in die größere Tabelle“ oder „Man speichert besser möglichst viele Informationen, dann ist das Modell vollständiger“. Die Gruppen entscheiden, welche Aussagen falsch oder nur teilweise richtig sind. Danach formulieren sie die korrekte Regel und ergänzen ein kleines Beispielmodell, das ihre Korrektur anschaulich macht. Diese Arbeit schärft Begriffe und festigt tragfähige Modelle.
Die Schülerinnen und Schüler prüfen vorgegebene Aussagen, korrigieren falsche Regeln und entwickeln zu jeder Korrektur ein passendes Mini-Beispiel. Fehlaussagen, Korrektur Fremdschluessel, Entitaet Relevanz, Vollstaendigkeit Regel, Gegenbeispiel Mini-Modell, Erklaerung Sicherung, Austausch
12.4.8 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. Die Gruppen erhalten ein vorhandenes Modell mit mehreren Schwächen, etwa zu viele irrelevante Felder, falsche Datentypen und unnötige Wiederholungen. Zuerst erstellen sie einen kurzen Prüfbericht. Danach bauen sie das Modell um: Felder werden entfernt oder umbenannt, Datentypen angepasst, Tabellen getrennt, Schlüssel ergänzt. Anschließend vergleichen sie Ausgangsversion und neue Version und erläutern, welche Qualitätsverbesserungen erreicht wurden.
Jede Gruppe überarbeitet ein fehlerhaftes Modell vollständig und dokumentiert, welche Änderungen sich auf Datentypen, Redundanz, Integrität oder Relevanz beziehen. Ausgangsmodell, Pruefbericht Umbau, Tabellen Felder, Datentypen Schluessel, Regeln Vorher, Nachher Dokumentation, Begruendung
12.4.9 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. Die Klasse bearbeitet Fallstudien wie Klassenbibliothek, Schulcafé, Sportturnier, Arztpraxis oder Online-Shop. Jede Gruppe erhält ein kleines Datenmodell und prüft, ob die gewählten Felder passen, ob Informationen unnötig doppelt vorkommen, ob Regeln die Konsistenz sichern und ob sensible Daten wirklich nötig sind. Zum Schluss erstellt jede Gruppe ein kurzes Gesamturteil mit Empfehlungen für eine verbesserte Version.
Die Schülerinnen und Schüler bewerten ein Fallbeispiel entlang der vier Kriterien und formulieren daraus einen kompakten Verbesserungsplan. Fallstudie, Kontext Datentypen, Passung Redundanz, Integritaet Relevanz, Datenschutz Urteil, Empfehlung Verbesserungsplan, Praesentation
12.4.10 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. Aus den vorangegangenen Aufgaben entwickelt die Klasse einen gemeinsamen Bewertungsbogen. Er enthält Leitfragen zu Datentypen, Redundanz, Integrität und Relevanz. Danach wird der Bogen an zwei neuen Beispielen getestet und bei Bedarf verbessert. So entsteht ein Werkzeug, mit dem spätere Datenmodelle schneller, präziser und begründeter geprüft werden können.
Die Schülerinnen und Schüler erstellen einen Bewertungsbogen, testen ihn an neuen Modellen und überarbeiten unklare oder zu allgemeine Kriterien. Bewertungsbogen, Leitfragen Datentypen, Redundanz Integritaet, Relevanz Testlauf, Anwendung Kriterien, Ueberarbeitung Werkzeug, Transfer
Grundlage: Informatik – Lehrband 7. Klasse, Final V1.7 (2026).