From 7c025575fd98bc995bbd61ddc590d86e5410ebbb Mon Sep 17 00:00:00 2001
From: Johannes Keyser <johannes.keyser@uni-hamburg.de>
Date: Sun, 9 Mar 2025 17:00:56 +0100
Subject: [PATCH] README: Verbesserungen an Formulierung und Formatierung
---
README.md | 53 +++++++++++++++++++++++++++--------------------------
1 file changed, 27 insertions(+), 26 deletions(-)
diff --git a/README.md b/README.md
index 801caa4..e015c33 100644
--- a/README.md
+++ b/README.md
@@ -11,25 +11,27 @@ SPDX-License-Identifier: CC-BY-SA-4.0
Dieses Projekt enthält Materialien des Kurses _Was, wie, warum? - Einführungskurs Kausale Inferenz_ von [Dr. Julia Rohrer](https://juliarohrer.com/) (Universität Leipzig) und [Prof. Dr. Karsten Lübke](https://ki-campus.org/node/793) (FOM Hochschule).
-### Hintergrund
-
Zum Studieren des Materials besuchen Sie am besten die ShinyApps der ursprünglichen Kursmaterialen, mit Einstieg unter <https://fomshinyapps.shinyapps.io/WWWEKI_Modul_01/>.
Die zugehörigen Interview-Videos finden Sie unter <https://wwweki.gitlab.io/interviews/>.
-Der Kurs war bis Ende 2024 auf <https://ki-campus.org/> verfügbar, inklusive Prüfungsfragen; dieses Angebot wurde seitens KI-Campus gestoppt.
+### Hintergrund
+
+Der Kurs war bis Ende 2024 auf <https://ki-campus.org/> verfügbar, inklusive Prüfungsfragen; dieses Angebot wurde seitens KI-Campus beendet.
+Die ursprünglichen Inhalte sind auf die Darstellung im Kontext von KI-Campus optimiert und enthält Querverweise auf andere Kurse auf der Plattform.
### Änderungen
-Die hier enthaltenen, teilweise modifizierten Materialien sollen es Lehrkräften erleichtern, das Kursmaterial für den eigenen Unterricht anzupassen.
+Die hier enthaltenen Materialien sollen es Lehrkräften erleichtern, das Kursmaterial für den eigenen Unterricht anzupassen.
+Dabei werden zunächst keine inhaltlichen Änderungen angestrebt.
-Dieses Projekt ist eine Kopie (ein _Fork_) von <https://github.com/luebby/WWWEKI>, mit folgenden (geplanten) Modifikationen:
+Dieses Projekt ist eine Kopie (ein _Fork_) von <https://github.com/luebby/WWWEKI>, mit folgenden (geplanten) Änderungen:
- (Einige) HTML-Texte werden in Markdown umgewandelt.
- (Einige) Diagramme werden in SVG umgewandelt.
- Die ursprünglichen R-Markdown-Dateien (die Grundlage der ShinyApps) werden zusätzlich als IPython-Notebooks konvertiert.
- Die Notebooks (mit Dateiendung `.ipynb`) erlauben, die Ergebnisse des Codes in derselben Datei im Webbrowser darzustellen, und erleichtern ggf. die Verwendung einer anderen Programmiersprache als R.
- - Die R-Markdown-Dateien (mit Endung `.Rmd`) sollen möglichst unverändert bleiben, für einfache Vergleichbarkeit mit dem ursprünglichen Projekt.
- - Zwischen den Dateiformaten und kann dank [Jupytext](https://jupytext.readthedocs.io/) automatisch synchronisiert werden.
+ - Die R-Markdown-Dateien (mit Endung `.Rmd`) sollen möglichst unverändert bleiben, für einfache Vergleichbarkeit der ursprünglichen Materialien.
+ - Zwischen den Dateiformaten und kann dank [Jupytext](https://jupytext.readthedocs.io/) automatisch synchronisiert werden.
- Beispieldatensätze werden als lokale CSV-Dateien bereitgestellt.
Eine genauere Aufschlüsselung der Änderungen finden Sie in Datei [CHANGELOG.md](CHANGELOG.md).
@@ -61,37 +63,26 @@ Optional: Um Ihre Änderungen zu verfolgen und zu diesem Projekt beizutragen, be
1. An der Weggabelung: Einen Weg gehen - und einen nicht (Potential Outcome und Counterfactual)
- Interner Link auf Variante als [R-Markdown](Module/Modul_01.Rmd) und als [IPython Notebook](Module/Modul_01.ipynb)
- Externer Link auf [ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_01/)
-
2. Ein Pfeil zeigt die Richtung (Strukturelle kausale Modelle und Kausale Diagramme)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_02/)
-
3. Daten analysieren – mit welchem Ziel? (Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz), Kausale Leiter (Assoziation, Intervention, Counterfactual))
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_03/)
-
4. Es steht was zwischen uns (Kette)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_04/)
-
5. Von Störchen und Geburten (Gabel)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_05/)
-
6. Nett oder schön? – Warum nicht beides? (Umgedrehte Gabel)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_06/)
-
7. Warum Raumteilung keine gute Investition ist (Wiederholung Grundelemente Kausaler Diagramme, Unterschied (do(x) vs. X=x am Beispiel)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_07/)
-
8. Magie durch Zufall (Zufällige Stichprobe und zufällige Zuordnung im Rahmen eines Experiments und die Auswirkungen auf die Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz) )
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_08/)
-
9. Was wäre gewesen, wenn? (Counterfactual)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_09/)
-
10. Graphen zeichnen und lesen (Beispiel Gender-Pay-Gap)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_10/)
-
11. Schadet Rauchen bei Heranwachsenden? (Anwendungsbeispiel Kausale Inferenz in der Medizin.)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_11/)
-
12. Praktisches Daten hinterfragen (DAGs in der Anwendung, Ausblick)
- [Externe ShinyApp](https://fomshinyapps.shinyapps.io/WWWEKI_Modul_12/)
@@ -101,19 +92,27 @@ Optional: Um Ihre Änderungen zu verfolgen und zu diesem Projekt beizutragen, be
- Eine englische Kursvariante ist verfügbar unter <https://github.com/luebby/WWWEKI-EN>.
- Details siehe z.B. [FOM forscht Wissenschaftsblog](https://www.fom-blog.de/2021/07/einstiegskurs-kausale-inferenz-wird-gemeinsam-von-der-universitaet-leipzig-und-der-fom-hochschule-mit-einer-foerderung-durch-das-bmbf-entwickelt/).
-**Videos**:
+### Video-Interviews
- Die begleitenden Interviews mit angesehenen Expert:innen aus unterschiedlichen Fachgebieten, die ihre kausalen Fragestellungen und Lösungsansätze vorstellen, finden Sie unter <https://wwweki.gitlab.io/interviews/>.
-**Literatur**:
+### Literatur
+
+- Rohrer, J. M. (2018).
+ Thinking clearly about correlations and causation: Graphical causal models for observational data.
+ *Advances in Methods and Practices in Psychological Science*, 1(1), 27-42.
+ <https://doi.org/10.1177%2F2515245917745629>
+- Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020).
+ Why we should teach causal inference: Examples in linear regression with simulated data.
+ *Journal of Statistics Education*, 28(2), 133-139.
+ <https://doi.org/10.1080/10691898.2020.1752859>
-- Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. *Advances in Methods and Practices in Psychological Science*, 1(1), 27-42. [https://doi.org/10.1177%2F2515245917745629](https://doi.org/10.1177%2F2515245917745629)
-- Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020). Why we should teach causal inference: Examples in linear regression with simulated data. *Journal of Statistics Education*, 28(2), 133-139. [https://doi.org/10.1080/10691898.2020.1752859](https://doi.org/10.1080/10691898.2020.1752859)
+## Beitragen
-## FIXME: Beitragen
+Bitte melden Sie inhaltliche Fehler, Unklarheiten und Verbesserungsvorschläge beim ursprünglichen Projekt, unter <https://github.com/luebby/WWWEKI/issues>.
-Bitte melden Sie Fehler, Unklarheiten und Verbesserungsvorschläge beim originalen Projekt unter <https://github.com/luebby/WWWEKI/issues>.
+Weitere Vereinfachungen der Materialien zwecks Wiederverwendung in eigenen Kursen können Sie gerne auch hier vorschlagen.
## Lizenz
@@ -124,8 +123,12 @@ Bitte melden Sie Fehler, Unklarheiten und Verbesserungsvorschläge beim original
Das Vorhaben *Was, wie, warum? Einstiegskurs Kausale Inferenz (WWWEKI)* wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen `16DHBQP040` gefördert.
+
+
### Hintergrund
+_Die folgende Beschreibung wurde aus der Projektbeschreibung kopiert._
+
Im Rahmen der Kausalen Inferenz sind in den letzten Jahren sowohl in Wissenschaft als auch in der Praxis beachtliche Fortschritte erzielt worden.
Gleichzeitig wird das Thema Kausalität in vielen Forschungsfeldern entweder explizit ausgeklammert oder ignoriert.
@@ -166,5 +169,3 @@ Im Rahmen des MOOCs werden dabei verschiedene offene und geschlossene Fragen ink
- Cummiskey, K., & Lübke, K. (2022).
Causality in Data Science Education.
Submitted.
-
-
--
GitLab