#!/usr/bin/env python3
"""
Arbeitsblatt 1 - Jahrgang 13: Data Bias
Thema: Wenn Algorithmen Vorurteile haben
"""

from docx import Document
from docx.shared import Pt
from docx.enum.text import WD_ALIGN_PARAGRAPH

doc = Document()

# Überschrift
title = doc.add_heading('Arbeitsblatt 1: Data Bias verstehen', level=0)
title.alignment = WD_ALIGN_PARAGRAPH.CENTER

subtitle = doc.add_paragraph('Jahrgang 13 | Wenn Algorithmen Vorurteile haben')
subtitle.alignment = WD_ALIGN_PARAGRAPH.CENTER
subtitle.runs[0].font.size = Pt(14)
subtitle.runs[0].font.italic = True

doc.add_paragraph()

# Einleitung
doc.add_heading('Einleitung', level=1)
doc.add_paragraph(
    'KI-Systeme lernen aus Daten – und diese Daten sind nie neutral. Data Bias (Datenverzerrung) '
    'entsteht, wenn die Trainingsdaten systematische Verzerrungen enthalten, die zu ungerechten '
    'oder diskriminierenden Ergebnissen führen. Der neue Lehrplan fordert explizit die Auseinandersetzung '
    'mit Data Bias und dem Einfluss von KI auf Sprache, ästhetische Vorstellungen und Menschenbild.'
)

# Teil 1: Was ist Data Bias?
doc.add_heading('Teil 1: Was ist Data Bias?', level=1)

doc.add_paragraph(
    'Data Bias beschreibt systematische Fehler in Datensätzen, die zu verzerrten oder '
    'diskriminierenden Ergebnissen führen. Da KI-Modelle aus diesen Daten lernen, '
    'reproduzieren und verstärken sie diese Verzerrungen.'
)

bias_formen = [
    ('Repräsentations-Bias', 'Bestimmte Gruppen sind in den Trainingsdaten unterrepräsentiert (z.B. weniger Daten von Frauen oder Minderheiten)'),
    ('Historischer Bias', 'Trainingsdaten spiegeln historische Ungerechtigkeiten wider (z.B. diskriminierende Sprache in alten Texten)'),
    ('Mess-Bias', 'Die Art, wie Daten erhoben werden, ist verzerrt (z.B. bestimmtere Erhebungsmethoden für bestimmte Gruppen)'),
    ('Algorithmischer Bias', 'Der Algorithmus selbst bevorzugt bestimmte Muster (z.B. bevorzugt männliche Bewerber)'),
    ('Feedback-Schleifen', 'KI-Empfehlungen verstärken bestehende Verzerrungen durch Nutzerinteraktionen')
]

for bias, beschreibung in bias_formen:
    p = doc.add_paragraph(style='List Bullet')
    run = p.add_run(f'{bias}: ')
    run.bold = True
    p.add_run(beschreibung)

# Teil 2: Beispiele für Data Bias
doc.add_heading('Teil 2: Beispiele aus der Praxis', level=1)

beispiele = [
    ('Gesichtserkennung', 'Systeme erkennen Gesichter weißer Personen besser als die von People of Color, da Trainingsdaten überwiegend weiße Gesichter enthielten.'),
    ('Sprachverarbeitung', 'Korrekturtools schlagen bei "Arzt" automatisch "er" vor, bei "Krankenschwester" "sie" – Gender-Bias aus historischen Texten.'),
    ('Bewerberauswahl', 'KI-Systeme bevorzugen männliche Bewerber, weil sie aus historischen Einstellungsdaten lernen, in denen Männer überrepräsentiert waren.'),
    ('Predictive Policing', 'Algorithmen sagen höhere Kriminalitätsraten in bestimmten Stadtteilen voraus – aber basieren auf Daten, die durch überproportionale Polizeikontrollen verzerrt sind.'),
    ('Übersetzung', 'Google Translate übersetzte "she is a doctor, he is a nurse" ins Türkische rückwärts als "he is a doctor, she is a nurse".')
]

for bereich, beispiel in beispiele:
    p = doc.add_paragraph(style='List Bullet')
    run = p.add_run(f'{bereich}: ')
    run.bold = True
    p.add_run(beispiel)

# Arbeitsauftrag 1
doc.add_heading('Arbeitsauftrag 1: Bias erkennen', level=1)

doc.add_paragraph(
    'Analysiere die folgenden Szenarien auf möglichen Data Bias. '
    'Identifiziere die Art des Bias und schlage Verbesserungen vor:'
)

table = doc.add_table(rows=4, cols=4)
table.style = 'Light Grid Accent 1'

header = table.rows[0].cells
header[0].text = 'Szenario'
header[1].text = 'Art des Bias'
header[2].text = 'Mögliche Folgen'
header[3].text = 'Verbesserungsvorschlag'

szenarien = [
    'KI für Kreditverscoring trainiert mit Daten der letzten 20 Jahre',
    'Chatbot lernt aus Social-Media-Kommentaren',
    'Bilderkennung trainiert mit Fotos aus westlichen Ländern'
]

for i, szenario in enumerate(szenarien, start=1):
    table.rows[i].cells[0].text = szenario

# Teil 3: Bias in der Sprache
doc.add_heading('Teil 3: Data Bias und Sprache', level=1)

doc.add_paragraph(
    'Der Lehrplan fordert die Analyse des "Einflusses einer zunehmenden KI-Nutzung auf Sprache '
    'und ästhetische Vorstellungen, Kreativität, Menschenbild". KI-Sprachmodelle lernen aus '
    'Texten – und damit auch aus deren Verzerrungen.'
)

# Arbeitsauftrag 2
doc.add_heading('Arbeitsauftrag 2: Sprach-Bias untersuchen', level=1)

doc.add_paragraph(
    'Nutze eine KI-Anwendung (z.B. ChatGPT) und lasse sie folgende Aufgaben lösen. '
    'Achte auf Gender-Annahmen, kulturelle Stereotype und andere Verzerrungen:'
)

aufgaben_aa2 = [
    '"Beschreibe einen erfolgreichen CEO"',
    '"Schreibe eine typische Tagesroutine einer Pflegekraft"',
    '"Beschreibe ein Familienessen in Deutschland"',
    '"Erkläre, was einen guten Führer ausmacht"'
]

for aufgabe in aufgaben_aa2:
    doc.add_paragraph(aufgabe, style='List Number')

doc.add_paragraph()
doc.add_paragraph(
    'Analysiere die Antworten: Welche Annahmen macht die KI? Welche Gruppen werden wie dargestellt? '
    'Gibt es stereotype oder diskriminierende Muster?'
)

# Teil 4: Auswirkungen auf Menschenbild und Gesellschaft
doc.add_heading('Teil 4: Auswirkungen auf Menschenbild', level=1)

doc.add_paragraph(
    'Data Bias hat nicht nur technische, sondern auch gesellschaftliche Konsequenzen. '
    'Wenn KI-Systeme diskriminieren, verstärken sie Ungleichheiten und prägen unser '
    'Menschenbild – oft unsichtbar und schleichend.'
)

# Arbeitsauftrag 3
doc.add_heading('Arbeitsauftrag 3: Gesellschaftliche Analyse', level=1)

doc.add_paragraph(
    'Wähle einen Fall von Data Bias (aus den Beispielen oder eigene Recherche). '
    'Erstelle eine Analyse (ca. 300 Wörter) zu folgenden Fragen:'
)

fragen_aa3 = [
    'Wer ist von dem Bias betroffen? Wer profitiert?',
    'Wie wird das Menschenbild durch diesen Bias geprägt?',
    'Welche gesellschaftlichen Machtstrukturen werden verstärkt?',
    'Welche Verantwortung haben Entwickler, Unternehmen und Nutzer?',
    'Wie könnte der Bias korrigiert werden?'
]

for frage in fragen_aa3:
    doc.add_paragraph(frage, style='List Number')

# Teil 5: Gegenmaßnahmen
doc.add_heading('Teil 5: Was kann man tun?', level=1)

gegenmassnahmen = [
    ('Diversifizierte Trainingsdaten', 'Datensätze repräsentativer gestalten'),
    ('Bias-Audits', 'Regelmäßige Überprüfung von KI-Systemen auf Verzerrungen'),
    ('Transparenz', 'Offenlegung, wie KI-Entscheidungen zustande kommen'),
    ('Menschliche Kontrolle', 'Wichtige Entscheidungen nicht allein KI überlassen'),
    ('Kritische Nutzung', 'KI-Ergebnisse hinterfragen, nicht blind vertrauen')
]

for massnahme, beschreibung in gegenmassnahmen:
    p = doc.add_paragraph(style='List Bullet')
    run = p.add_run(f'{massnahme}: ')
    run.bold = True
    p.add_run(beschreibung)

# Reflexion
doc.add_heading('Reflexion', level=1)

reflexion_fragen = [
    'Wie hat sich deine Wahrnehmung von KI-Systemen durch diese Einheit verändert?',
    'In welchen Alltagssituationen begegnest du möglicherweise Data Bias?',
    'Welche Verantwortung trägst du als Nutzerin/Nutzer von KI-Systemen?'
]

for frage in reflexion_fragen:
    doc.add_paragraph(frage, style='List Number')

# Lehrerhinweise
doc.add_page_break()
lehrer = doc.add_heading('Lehrerhinweise', level=1)
lehrer_text = doc.add_paragraph()
lehrer_run = lehrer_text.add_run(
    '⚠️ Teilvalidierter Lehrplan – Neue Kompetenzerwartung LB 2.4: '
    '"analysieren Einfluss und Auswirkungen moderner Medien auf den Menschen und sein Weltverständnis, '
    'z. B. Data Bias, Einfluss einer zunehmenden KI-Nutzung auf Sprache und ästhetische Vorstellungen, '
    'Kreativität, Menschenbild"'
)
lehrer_run.font.italic = True

doc.add_paragraph()
doc.add_heading('Hinweise zur Durchführung:', level=2)

hinweise = [
    'AA2 erfordert KI-Zugang (Schulgeräte oder BYOD)',
    'Aktuelle Beispiele aus Nachrichten einbinden (z.B. KI-Bias in Bewerbungsverfahren)',
    'Fächerübergreifende Kooperation mit Politik/Gesellschaft möglich',
    'Optional: Dokumentarfilm oder Video-Beiträge zu KI-Bias zeigen'
]

for hinweis in hinweise:
    doc.add_paragraph(hinweis, style='List Bullet')

doc.add_heading('Differenzierung:', level=2)
doc.add_paragraph(
    'Basisniveau: Fokus auf Teil 1-3 mit vorgegebenen Beispielen. '
    'Erweitertes Niveau: Eigene Recherche zu aktuellen Fällen von Data Bias. '
    'Leistungsstarke: Zusätzliche Analyse technischer Methoden zur Bias-Reduktion.'
)

doc.save('/mnt/onedrive_write/FOS_Deutsch_Lehrplanvergleich_2026/05_Jahrgang_13/Arbeitsblaetter/AB1_Data_Bias.docx')
print("AB1 Jahrgang 13 erstellt")