diff --git a/Module/Modul_01.Rmd b/Module/Modul_01.Rmd
index a0414c2bcc8f3bc79f96ecce2c35557eeb024b3e..6e432ee65389228feac47585020146c7343bf83e 100644
--- a/Module/Modul_01.Rmd
+++ b/Module/Modul_01.Rmd
@@ -250,7 +250,7 @@ analyse( ~ y, data = Daten)
 
 ***
 
-Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggegierte Datenzusammenfassung.
+Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggregierte Datenzusammenfassung.
 
 ##
 
@@ -329,7 +329,7 @@ Der naive Vergleich der Mittelwerte überschätzt hier den wahren durchschnittli
 
 Erstere hätten aber so oder so, also unabhängig von der Schulung, ein höheres Gehalt erhalten. Hier sind unterschiedliche inhaltliche Erklärungen denkbar (z.B. ein höheres Interesse am Gehalt und damit auch ein anderes Auftreten in Gehaltsverhandlungen).
 
-Kontrollieren Sie diese Aussage, indem Sie den Code so abändern, dass Sie die Mittelwerte der Potential Outcomes berechnen. Diese befinden sich im gleichen Datensatz und tragen die Namen `gehalt0` und `gehalt1`:
+Kontrollieren Sie diese Aussage, indem Sie den Code so abändern, dass Sie die Mittelwerte der, auch unbeobachteten, Potential Outcomes berechnen. Diese befinden sich in der gleichen Datentabelle und tragen die Namen `gehalt0` und `gehalt1`:
 
 *Tipp*: Einen Lösungshinweis erhalten Sie über den `Hinweise`-Button über dem R Code. Anschließend `Nächster Tipp` und Sie sehen die Lösung.
 
@@ -353,7 +353,7 @@ mean(gehalt1 ~ teilnahme, data = Schulung)
 
 ##
 
-Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. 
+Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt, wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. 
 
 Die Gefahr solcher Fehlschlüsse verringert sich aber, wenn wir uns darüber Gedanken machen, wie unsere Daten überhaupt entstanden sind. In unserem fiktiven Beispiel kann man die zusätzliche Information heranziehen, dass Personen sich frei auswählen konnten, ob sie teilnehmen oder nicht. Dann erkennt man schnell, dass der naive Mittelwertvergleich kein angemessener Weg ist, den durchschnittlichen kausalen Effekt zu schätzen. 
 
diff --git a/Module/Modul_01_KI.Rmd b/Module/Modul_01_KI.Rmd
index 899a6603dc57478e560dcd54cd86947aedcb532a..30bb6fc12a8cba78ac1093f745f7115f505eded3 100644
--- a/Module/Modul_01_KI.Rmd
+++ b/Module/Modul_01_KI.Rmd
@@ -250,7 +250,7 @@ analyse( ~ y, data = Daten)
 
 ***
 
-Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggegierte Datenzusammenfassung.
+Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggregierte Datenzusammenfassung.
 
 ##
 
@@ -353,7 +353,7 @@ mean(gehalt1 ~ teilnahme, data = Schulung)
 
 ##
 
-Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. 
+Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt, wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. 
 
 Die Gefahr solcher Fehlschlüsse verringert sich aber, wenn wir uns darüber Gedanken machen, wie unsere Daten überhaupt entstanden sind. In unserem fiktiven Beispiel kann man die zusätzliche Information heranziehen, dass Personen sich frei auswählen konnten, ob sie teilnehmen oder nicht. Dann erkennt man schnell, dass der naive Mittelwertvergleich kein angemessener Weg ist, den durchschnittlichen kausalen Effekt zu schätzen. 
 
diff --git a/README.md b/README.md
index 7b73ead36bfa9157cc05e8b4f1cbb15339e97372..08859901e8d040765dbc0d9ffeedd882f75c6628 100644
--- a/README.md
+++ b/README.md
@@ -4,6 +4,7 @@ Entwicklung eines MOOC für den [KI-Campus](https://ki-campus.org/) zum Einstieg
 
 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/).
 
+Link zum Kurs auf den KI-Campus: [https://ki-campus.org/courses/wwweki](https://ki-campus.org/courses/wwweki)
  
 **Videos**: