Kostenlos testen
Beliebt Neu Genres Autoren
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Suche läuft...
SoBrief
Computational Thinking

Computational Thinking

Computer können die Welt modellieren, aber nicht entscheiden, was wichtig sein sollte.
von Peter J. Denning 2019 246 Seiten
3.63
304 Bewertungen
Anhören
Immersiv
V2.3
Amazon Kindle Audible
3 Tage Vollzugriff testen
Schalten Sie Audioinhalte & mehr frei!
Weiter

Wichtigste Erkenntnisse

Computational Thinking sowohl als Maschinengestaltung als auch als Blick auf die Welt begreifen

Zwei Richtungen, eine Disziplin. Denning und Tedre definieren Computational Thinking als die Praktiken, mit denen Berechnungen entworfen werden, die Computer nützliche Aufgaben erledigen lassen, und mit denen die Welt als Geflecht von Informationsprozessen erklärt wird. Die eine Richtung baut Systeme; die andere nutzt Berechnungen, um Phänomene zu untersuchen. Beides gehört zusammen, doch keine der beiden Richtungen macht das Computing zu einem universellen Rezept zur Problemlösung. Wer ein Flugzeug modelliert, braucht weiterhin Strömungsmechanik, so wie die Genomanalyse biologisches Wissen voraussetzt.

Maschinen verstärken, sie verstehen nicht. Computer können außerordentlich viele einfache Operationen ausführen, doch sie befolgen Anweisungen, ohne zu begreifen, was die Daten bedeuten. Menschen bringen Urteilsvermögen, Fachwissen und Verantwortungsbewusstsein ein. Dieser Unterschied ist wichtig, denn eine schnelle Ausführung kann gutes Design verstärken oder einen kleinen Fehler zur Katastrophe werden lassen.

Analyse

Diese Definition ist hilfreich, weil sie Computing weder auf Programmieren noch auf eine Metapher verkürzt. Berechnungsmodelle können Muster sichtbar machen, die der gewöhnlichen Beobachtung entgehen, während technische Systeme verändern können, wozu Menschen in der Lage sind. Die beiden Tätigkeiten korrigieren sich auch gegenseitig: Praktisches Design prüft, ob sich eine Erklärung umsetzen lässt, und wissenschaftliche Deutung kann zeigen, wo ein Entwurf auf falschen Annahmen beruht. Ebenso wichtig ist die Einschränkung. Einen natürlichen Prozess als berechenbar zu bezeichnen, kann ein produktives Modell ergeben, ohne zu beweisen, dass die Natur tatsächlich wie Software funktioniert. Die Nützlichkeit eines Modells und sein Anspruch, die Wirklichkeit zu beschreiben, sind zwei verschiedene Fragen.

Erkennen, wann Berechnungen unmöglich, unpraktikabel oder nur näherungsweise möglich sind

Ein aufgeschriebener Algorithmus genügt nicht. Manche Aufgaben lassen sich durch keinen Algorithmus lösen. Turing zeigte, dass es kein allgemeines Verfahren gibt, mit dem sich für jedes Programm entscheiden ließe, ob es irgendwann anhält oder für immer weiterläuft. Andere Aufgaben sind prinzipiell lösbar, dauern aber zu lange. Die kürzeste Route durch 100 Städte zu finden, indem man jede mögliche Rundreise überprüft, würde auf dem schnellsten Supercomputer der Welt schätzungsweise 10^130 Jahre dauern – weit länger, als das Universum existiert.

Gute Näherungslösungen sinnvoll einsetzen. Eine Heuristik ist ein Verfahren, das eine brauchbare, oft nahezu optimale Lösung findet, ohne die bestmögliche Lösung zu garantieren. Für eine Rundreise durch Schwedens 24.978 Städte setzte ein Team Optimierungsheuristiken und umfangreiche Berechnungen ein, um eine kürzeste Route zu finden und zu beweisen, dass sie die kürzeste ist. Zu Computational Thinking gehört, die Grenzen zu erkennen und dann zu entscheiden, ob eine Näherung für die jeweilige Aufgabe gut genug ist.

Analyse

Diese Unterscheidung ist ein praktisches Gegenmittel zu technologischem Wunschdenken. Die Informatik trennt zwischen dem, was logisch lösbar ist, und dem, was in einem bestimmten Maßstab machbar ist – eine Unterscheidung mit engen Parallelen zur Wirtschaft, wo eine ideale Lösung zu kostspielig in der Umsetzung sein kann. Heuristiken ermöglichen nützliche Fortschritte, doch welcher Kompromiss akzeptabel ist, hängt von den Folgen ab. Eine etwas längere Lieferroute mag harmlos sein; eine Näherungslösung bei medizinischen Behandlungen oder in der Luftfahrt kann stärkere Schutzmaßnahmen erfordern. Die entscheidende Frage lautet nicht einfach, ob ein Algorithmus funktioniert, sondern welche Art von Fehler er zulässt, wer das Risiko trägt und ob sich das Ergebnis überprüfen lässt.

Berechnungen als 4.500 Jahre altes Handwerk verstehen, nicht als Erfindung des Programmierzeitalters

Verfahren gab es vor Maschinen. Babylonische Aufzeichnungen aus der Zeit von etwa 1800 bis 1600 v. Chr. beschreiben wiederholbare Methoden zur Lösung mathematischer Probleme. Euklids Verfahren zur Bestimmung des größten gemeinsamen Teilers reduzierte zwei Zahlen in wiederholten Schritten; es ist auch in der modernen Kryptografie noch nützlich. Über Jahrhunderte überführten Mathematiker ihr Fachwissen in Verfahren, denen andere folgen konnten, ohne die ursprüngliche Erkenntnis selbst neu gewinnen zu müssen.

Teams lernten, gemeinsam zu rechnen. Noch vor den elektronischen Computern arbeiteten ausgebildete menschliche Rechner in Gruppen. Um 1940 teilten Frauen auf dem Aberdeen Proving Ground Artillerieberechnungen in Arbeitsschritte auf, führten sie mit mechanischen Rechenmaschinen aus und prüften die Ergebnisse bei der Weitergabe von einer Person zur nächsten. Ihre Organisation nahm verteiltes Rechnen vorweg: eine große Aufgabe aufteilen, die Übergaben koordinieren und Fehler erkennen. Der moderne Computerberuf trat das Erbe eines viel älteren menschlichen Vorhabens an: Berechnungen schneller, wiederholbar und weniger anfällig für Ermüdung zu machen.

Analyse

Die lange Geschichte macht aus der Erzählung eine allmähliche Neuverteilung von Fachwissen statt einer plötzlichen Erfindung. Verfahren machen Wissen transportabel, während Maschinen den Maßstab und die Geschwindigkeit, mit der es angewendet werden kann, drastisch erhöhen. Das Beispiel aus Aberdeen rückt zudem die menschliche Arbeit wieder ins Blickfeld, die in Darstellungen der Automatisierung oft verborgen bleibt. Mechanisierung beseitigt Fehler jedoch nicht einfach: Sie verändert, an welcher Stelle sie entstehen – statt Rechenfehlern können nun fehlerhafte Verfahren, Daten, Hardware oder Koordination dafür verantwortlich sein. Deshalb ist diese Geschichte mehr als ein Vorwort zu Computern. Sie lehrt, wie Gesellschaften Wissen und Verantwortung organisieren, wenn sie Routinearbeiten delegieren.

Repräsentationen und Fehlerprüfungen als Teil der Berechnung begreifen

Daten brauchen eine Form. Ein Computer kann eine Idee nicht unmittelbar verarbeiten. Entwickler kodieren Informationen als physische Signale und weisen diesen Signalen durch vereinbarte Repräsentationen eine Bedeutung zu. Frühe Digitalcomputer bevorzugten Binärcodes, weil Schaltkreise zwei elektrische Zustände zuverlässiger und einfacher unterscheiden konnten als viele verschiedene Zustände. Nullen und Einsen sind nützliche Abstraktionen, doch darunter liegen Spannungen, Ströme und physische Bauteile.

Fehler können überall entstehen. Eine Berechnung kann schiefgehen, wenn ein Problem beschrieben, eine Formel ausgewählt, Daten übertragen oder Ergebnisse angezeigt werden. Begrenzte Genauigkeit kann außerdem Rundungsfehler verursachen, die sich summieren. Die menschlichen Rechner in Aberdeen verringerten Fehler, indem sie die Arbeit zwischen den einzelnen Schritten überprüften. Moderne Systeme brauchen dieselbe Sorgfalt: Arbeitsschritte präzise festlegen, die Bedeutung jeder Repräsentation im Blick behalten und Eingaben wie Ausgaben überprüfen, statt einer langen Verarbeitungskette allein deshalb zu vertrauen, weil eine Maschine sie ausgeführt hat.

Analyse

Diese Darstellung verbindet Berechnungen mit einem allgemeineren Grundsatz der Wissenschaft: Eine Messung ist niemals einfach die Übertragung der Welt in einen Datensatz. Forschende entscheiden, was sie messen, wie sie es kodieren und welche Unterschiede sie erhalten wollen. Diese Entscheidungen können das Ergebnis beeinflussen, noch bevor ein Algorithmus zum Einsatz kommt. Auch die binäre Repräsentation einer Maschine ist gerade deshalb leistungsfähig, weil sie die physische Welt vereinfacht; doch jede Vereinfachung bringt Annahmen mit sich. Fehlerprüfungen sind also keine nachträgliche Verwaltungsarbeit, die auf den cleveren Teil folgt. Sie gehören zu den Überlegungen, die ein Ergebnis glaubwürdig machen. Die Herausforderung besteht darin, Prüfungen so zu platzieren, dass sie folgenreiche Fehler erkennen, ohne Systeme zu teuer oder zu langsam zu machen.

Zuverlässige Systeme entwickeln, nicht nur Programme, die laufen

Kleiner Code und große Systeme sind nicht dasselbe. 1962 wurde die Rakete Mariner I zerstört, nachdem ein winziges Softwaredetail dazu geführt hatte, dass ihr Steuerungssystem auf ungeglättete Daten reagierte. Der Fehlschlag machte die Risiken deutlich, Software als bloße Übersetzung von Anweisungen zu behandeln. Ein Programm, das für eine Person funktioniert, ist nicht automatisch ein zuverlässiges Produkt für viele Nutzerinnen und Nutzer, das von einem Team entwickelt und über längere Zeit gewartet wird.

Mit dem Maßstab wächst der Koordinationsaufwand. Fred Brooks schätzte, dass sich der Aufwand jeweils stark erhöht, wenn aus einem einzelnen Programm ein System wird oder wenn Strukturen für Zuverlässigkeit hinzukommen. Die Softwaretechnik entwickelte Verfahren, um Komplexität zu bewältigen, darunter modularer Entwurf, Tests und sorgfältig definierte Schnittstellen. Ihre DRUSS-Ziele sind Verlässlichkeit, Zuverlässigkeit, Benutzerfreundlichkeit, Sicherheit und Schutz vor Bedrohungen. Gute Systeme müssen alle fünf Ziele unter den tatsächlichen Einsatzbedingungen erfüllen.

Analyse

Softwarefehler machen die Spannung zwischen lokaler Korrektheit und Systemsicherheit sichtbar. Eine Komponente kann sich genau wie vorgesehen verhalten, während das Gesamtsystem dennoch ein gefährliches Ergebnis hervorbringt – insbesondere, wenn Menschen, Verfahren, Sensoren und Ausweichmechanismen zusammenspielen. Die Sicherheitstechnik begegnet dem, indem sie Fehlerketten untersucht und Systeme so entwirft, dass sie Schäden begrenzen, statt nur jedes einzelne Teil isoliert zu testen. Diese Perspektive stärkt das Plädoyer des Buches dafür, im größeren Maßstab zu denken. Zugleich erschwert sie die Vorstellung, Qualität lasse sich durch diszipliniertes Engineering vollständig garantieren: Anforderungen können unvollständig sein, Umgebungen verändern sich, und Nutzer passen Systeme auf unerwartete Weise an. Zuverlässigkeit erfordert fortlaufende Beobachtung auch nach der Einführung.

An den tatsächlichen Lebenswelten der Nutzer ausrichten, nicht nur an ihren schriftlichen Anforderungen

Eine Spezifikation kann am Wesentlichen vorbeigehen. Die Softwaretechnik beginnt häufig mit formalen Anforderungen und entwickelt ein System, das diese erfüllt. Nutzer können ein Produkt jedoch für mangelhaft halten, obwohl jede schriftliche Anforderung erfüllt ist – weil Entwickler eine Praxis oder ein Anliegen übersehen haben, das in der Gemeinschaft der Nutzer selbstverständlich war. Beim Design geht es daher darum, wie Menschen die Software in ihrem jeweiligen Kontext erleben und nutzen, nicht nur darum, ob ihre Funktionen arbeiten.

Qualität wächst mit Verständnis. Das Buch unterscheidet zwischen dem bloßen Einlösen von Versprechen und Software, die zu ihrer Umgebung passt, vorhersehbare Schäden vermeidet oder Nutzer wirklich begeistert. Ein Geldautomat funktioniert gut, wenn sich vertraute Transaktionen ganz natürlich anfühlen. Sicherungs- und Wiederherstellungsfunktionen können Verluste verhindern, mit denen Nutzer gar nicht gerechnet hatten. Begeisterung ist selten und kann schwinden, wenn sich die Erwartungen ändern; sie setzt daher ein fortlaufendes Verständnis der Nutzer voraus, keine einmalige Checkliste.

Analyse

Diese Sichtweise knüpft an menschenzentriertes Design und die Vorstellung situationsgebundenen Handelns an: Menschen nutzen Werkzeuge nicht im luftleeren Raum, sondern innerhalb von Routinen, Institutionen und sozialen Erwartungen. Ein Design, das zu diesen Bedingungen passt, kann Fehler ebenso verringern wie Frustration. Zufriedenheit ist jedoch kein vollständiger ethischer Maßstab. Ein Produkt kann seine Kunden begeistern und zugleich Daten abschöpfen, Ausgrenzung verstärken oder Kosten für Menschen verursachen, die sich nie für seine Nutzung entschieden haben. Rückmeldungen von Nutzern sind unverzichtbar; verantwortungsvolles Design muss aber auch fragen, wer bei diesen Rückmeldungen fehlt und wer über die unmittelbaren Kunden hinaus die Folgen trägt.

Mit Simulation die Wissenschaft dort voranbringen, wo Theorie und Experiment an ihre Grenzen stoßen

Computing ergänzte die wissenschaftliche Methode. Wissenschaftler haben seit Langem Theorien zur Erklärung und Experimente zur Beobachtung genutzt. Leistungsstarke Computer ergänzten die Simulation: Forschende übersetzen Modelle in Berechnungen und untersuchen, wie sich komplexe Systeme verhalten. In den 1980er-Jahren machten Supercomputer zahlreiche umfangreiche Simulationen praktikabel, und Wissenschaftler begannen, Berechnungen als wichtige Methode zur Erforschung der Natur zu betrachten.

Modelle können Neuland erschließen. Luftfahrttechniker nutzten Simulationen von Luftströmungen, um die Entwicklung der Boeing 777 zu unterstützen und die Abhängigkeit von Windkanaltests zu verringern. Fachübergreifend ermöglichen Simulationen, Systeme zu untersuchen, die für geschlossene mathematische Lösungen oder direkte Experimente zu komplex sind. Verbesserte Algorithmen waren ebenso wichtig wie schnellere Maschinen: Einer Schätzung zufolge entfällt eine millionenfache Verbesserung mathematischer Software zur Hälfte auf die Hardware und zur Hälfte auf bessere Algorithmen. Die computationale Perspektive kann auch Prozesse wie die Genaktivität als Informationsflüsse betrachten und so neue Fragen für Biologie und Physik aufwerfen.

Analyse

Simulation verändert die wissenschaftliche Praxis, weil sie Modelle experimentell manipulierbar macht. Forschende können Bedingungen variieren, sonst unzugängliche Prozesse untersuchen und Vorhersagen erstellen, bevor sie sich auf kostspielige physische Tests festlegen. Eine Simulation ist jedoch keine unabhängige Zeugin der Natur. Ihre Schlussfolgerungen übernehmen die Annahmen, Messungen und Näherungen, die in das Modell eingeflossen sind. Die Übereinstimmung mit einem bekannten Ergebnis kann bestimmte Bestandteile bestätigen, ohne alle Annahmen zu beweisen. Die überzeugendste computergestützte Wissenschaft verbindet Modellierung daher mit empirischen Prüfungen und theoretischer Kritik. Ihre Leistung besteht nicht darin, Experimente zu ersetzen, sondern darin, den Bereich der Fragen zu erweitern, die sich gemeinsam durch Experimente und Theorie beantworten lassen.

Programmieren als Disziplin vermitteln, nicht als Versprechen universeller Problemlösung

Die Bewegung in den Schulen hatte einen langen Vorlauf. Frühere Ansätze legten den Schwerpunkt auf Computerkenntnisse oder -kompetenz und vermittelten oft den Umgang mit Anwendungen, ohne tiefergehende Informatikideen zu behandeln. Seymour Paperts Arbeit mit Logo lud Kinder dazu ein, durch das Entwickeln und Erproben von Programmen zu lernen. 2006 trug Jeannette Wing dazu bei, Computational Thinking als Bildungsziel bekannt zu machen; die US-amerikanische National Science Foundation stellte 48 Millionen Dollar für die Ausbildung von Lehrkräften, Lehrpläne und verwandte Programme bereit.

Transfer erfolgt nicht automatisch. Befürworter hofften, dass das Erlernen des Programmierens die Problemlösung in verschiedenen Fächern verbessern würde. Die im Buch besprochenen Forschungsergebnisse fanden jedoch zu wenige Belege für diese weitreichende Transferbehauptung. Programmieren vereint viele Fähigkeiten, und Erfolg in einem Bereich garantiert keine Kompetenz in einem anderen. Computational Thinking ist leistungsfähig, doch anspruchsvolle Arbeit hängt vom jeweiligen Fachgebiet ab: Rechnergestützte Biologie erfordert biologische Kenntnisse, und Strömungssimulationen setzen Strömungsmechanik voraus. Vermitteln Sie Computing wegen seines tatsächlichen Werts, nicht als Abkürzung zur Meisterschaft in allen Bereichen.

Analyse

Die Unterscheidung zwischen dem Erlernen eines Werkzeugs und dem Transfer einer allgemeinen Fähigkeit ist für die Gestaltung von Bildung zentral. Die Kognitionswissenschaft zeigt häufig, dass sich Wissen am zuverlässigsten überträgt, wenn Lernende seine Anwendung in unterschiedlichen Kontexten üben und die zugrunde liegende Struktur ausdrücklich erkennen. Das schmälert nicht den Wert von Informatikunterricht. Programmieren kann eine besondere Möglichkeit bieten, Ideen zu entwickeln, zu testen und zu überarbeiten, auch wenn es nicht automatisch jedes andere Fach verbessert. Das überzeugendere Bildungsargument ist daher konkreter: Schülerinnen und Schüler sollten Systeme verstehen, die ihr Leben prägen, lernen, mit Computing etwas zu schaffen, und die Fähigkeit erwerben, fachübergreifend zusammenzuarbeiten.

Den Ansatz an die tatsächliche Architektur der Maschine anpassen

Es gibt nicht nur ein Berechnungsmodell. Herkömmliche Computer folgen gespeicherten Anweisungen, doch neuronale Netze lernen Muster, indem sie interne Gewichte anhand von Beispielen anpassen, und Quantencomputer nutzen physikalische Effekte, die sich von der gewöhnlichen Verarbeitung einzelner Anweisungen unterscheiden. Ein Quantengerät wie das von D-Wave wird programmiert, indem ein Problem in ein Ising-Modell übersetzt wird, nicht indem eine vertraute Befehlsfolge geschrieben wird. Jede Architektur eignet sich für bestimmte Aufgaben und erfordert andere Fachkenntnisse.

Leistungsfähigkeit bringt neue blinde Flecken mit sich. Neuronale Netze können nach dem Training Gesichter schnell erkennen, doch ihre Ergebnisse lassen sich möglicherweise nur schwer erklären – insbesondere bei unbekannten Eingaben. In manchen Situationen kann die Zusammenarbeit von Mensch und Computer auch leistungsfähiger sein als jede Seite für sich. Beim Advanced Chess konsultieren Spieler Computerprogramme, bevor sie ihren nächsten Zug wählen. Solche Teams sind jedoch nicht automatisch überlegen. Ihr Erfolg hängt davon ab, Menschen und Maschinen Aufgaben zuzuweisen, die ihren jeweiligen Stärken entsprechen, und zu prüfen, woran beide scheitern können.

Analyse

Die Architektur einer Maschine ist kein neutraler Behälter für einen Algorithmus. Sie bestimmt, was sich effizient berechnen lässt, was gelernt werden muss und welche Erklärungen verfügbar sind. Das ist eine hilfreiche Korrektur der Gewohnheit, jedes System wie einen herkömmlichen Computer mit einer exotischeren Benutzeroberfläche zu behandeln. Zugleich schärft es die Frage der Rechenschaftspflicht: Wenn ein Modell eine bestimmte Ausgabe nicht erklären kann, brauchen Institutionen andere Formen der Absicherung, etwa unabhängige Tests und Nutzungsbeschränkungen. Menschliche Aufsicht hilft nur, wenn die Menschen die Befugnis, die Informationen und die Zeit haben, der Maschine zu widersprechen, statt ihre Empfehlung bloß abzunicken.

Mit Berechnungen gesellschaftliche Konflikte klären, nicht als entschieden darstellen

Manche Probleme sind keine technischen Rätsel. Berechnungen können die Folgen von Entscheidungen modellieren, Muster sichtbar machen und Menschen helfen, komplexe Systeme zu verstehen. Doch das Buch beschreibt vertrackte Probleme als Konflikte, die fortbestehen, weil Gruppen miteinander konkurrierende Interessen haben und über genügend Macht verfügen, einander zu blockieren, ohne eine Einigung zu erzielen. Städtische Luftverschmutzung, mit digitaler Technologie verbundene Ungleichheit und die Ungewissheit über die Arbeitswelt der Zukunft lassen sich nicht allein durch bessere Algorithmen lösen.

Technische Einsichten sind ein Beitrag unter mehreren. Ein Modell kann zeigen, wie individuell bequeme Entscheidungen kollektiv Schaden verursachen oder wie sich eine politische Maßnahme auf verschiedene Gruppen auswirkt. Diese Informationen können die Debatte verbessern, aber nicht entscheiden, wessen Interessen Vorrang haben sollten. Die Autoren argumentieren, dass neben der technischen Arbeit gesellschaftliche Kooperation und gemeinsames Handeln notwendig sind. Computational Thinking ist am stärksten, wenn es klärt, was geschieht und wo Entscheidungen eine Rolle spielen, ohne zu verschweigen, was sich damit nicht entscheiden lässt.

Analyse

Diese Grenze ist wichtig, weil Quantifizierung politische Entscheidungen wie neutrale Optimierungsaufgaben erscheinen lassen kann. Ein Modell kann Folgen schätzen, doch zu entscheiden, welche Ergebnisse zählen, wie sich Unsicherheit verteilt und wessen Wohlergehen wichtig ist, erfordert ein Urteil der Öffentlichkeit. Das ist kein Mangel der Berechnung, sondern eine Erinnerung daran, dass technische Werkzeuge innerhalb von Institutionen und Machtverhältnissen eingesetzt werden. Der Aufruf des Buches zu fachübergreifendem Austausch ist daher ebenso praktisch wie ethisch. Analytiker können Zielkonflikte sichtbar machen, während betroffene Gemeinschaften und Entscheidungsträger darüber diskutieren. Die Einschränkung lautet, dass Beteiligung für sich genommen keinen Konsens garantiert; wird sie aber ausgeschlossen, können Wertentscheidungen als technische Notwendigkeiten verschleiert werden.

Analyse

Die zentrale Leistung des Buches besteht darin, Computational Thinking einen weiteren Bedeutungsumfang zu geben, ohne den Begriff grenzenlos werden zu lassen. Es verbindet frühe Rechenkunst, moderne Maschinengestaltung, Softwaretechnik, menschenzentriertes Design, wissenschaftliche Modellierung und Bildung durch eine wiederkehrende Frage: Wie lassen sich Informationsprozesse präzise, nützlich und vertrauenswürdig gestalten? Die historische Erzählung zeigt, dass elektronische Computer das computationale Denken nicht erfunden haben. Sie veränderten dessen Maßstab, Geschwindigkeit und Folgen. Die wichtigste Korrektur des Buches lautet: Computational Thinking ist sowohl eine Methode zum Bau von Maschinen als auch ein Weg, Phänomene zu deuten, aber kein universeller Ersatz für Fachwissen oder menschliches Urteilsvermögen.

Diese doppelte Betonung verhindert zwei verbreitete Verzerrungen. Die eine reduziert Computing auf einführendes Programmieren und übersieht die professionelle Arbeit, zuverlässige Systeme zu entwickeln. Die andere behandelt Berechnungsmethoden als Generalschlüssel für jede Disziplin. Die Autoren weisen beides zurück: Grundkenntnisse sind wichtig, aber anspruchsvolle rechnergestützte Arbeit wird durch das Fachgebiet geprägt, dem sie dient. Besonders überzeugend ist ihre Darstellung von Simulation, weil sie zeigt, wie Berechnungen die wissenschaftliche Praxis verändern und nicht bloß bestehende Rechnungen beschleunigen. Ebenso besteht ihre Diskussion des Softwaredesigns darauf, dass ein technisch korrektes Produkt seinen Nutzern dennoch nicht gerecht werden kann.

Das Buch zieht sich durch eine produktive Spannung. Berechnungen beruhen auf präzisen Repräsentationen und mechanischer Ausführung, während ihre folgenreichsten Anwendungen von unsicheren Kontexten, sich wandelnden Bedürfnissen und umstrittenen Wertvorstellungen abhängen. Mehr Rechenleistung kann diese Spannung nicht auflösen. Neuronale Netze stellen herkömmliche Erwartungen an Erklärbarkeit infrage; große Systeme erschweren es, Fehler vorherzusehen; gesellschaftliche Probleme zeigen den Unterschied zwischen der Modellierung von Folgen und der Wahl akzeptabler Ergebnisse.

Am stärksten ist das Buch, wenn es diese Grenzen als Teil der digitalen Mündigkeit behandelt und nicht als Anlass zum Pessimismus. Die breite Übersicht lässt technische Debatten bisweilen eher wie eine Landkarte als wie eine vertiefte Untersuchung erscheinen, doch das entspricht ihrem Ziel: Leserinnen und Lesern Orientierung in einem Fachgebiet zu geben, dessen Grenzen sich ständig verschieben. Die Lehre lautet daher nicht einfach, Computing zu lernen. Sie lautet, zu verstehen, was Berechnungen klären können, was sie zuverlässig leisten und wo Fachwissen, Gestaltungsverantwortung und gemeinsames Urteilen gefragt sind.

Zusammenfassung in 30 Sekunden
Computing ermöglicht sowohl den Bau nützlicher Maschinen als auch die Untersuchung natürlicher und gesellschaftlicher Systeme, kann Fachkenntnisse und menschliches Urteilsvermögen aber nicht ersetzen. Manche Aufgaben lassen sich nicht automatisieren, während andere zu aufwendig sind, um sie exakt zu lösen: Eine brute-force-Suche über 100 Städte könnte 10^130 Jahre dauern. Die Geschichte des Rechnens reicht 4.500 Jahre zurück, und verlässliche Systeme erfordern sorgfältige Darstellungen, Fehlerprüfungen, Tests und Aufmerksamkeit für die Nutzer. Simulation erweitert die wissenschaftliche Forschung, während Modelle gesellschaftliche Konflikte verdeutlichen können, ohne konkurrierende Wertvorstellungen zu entscheiden.
Enthält Spoiler

Zuletzt aktualisiert:

Problem melden

Rezensionsübersicht

3.63 von 5
Durchschnitt von 304 Bewertungen von Goodreads und Amazon.

Computational Thinking wird unterschiedlich bewertet und erhält im Durchschnitt 3,7 von 5 Punkten. Leser schätzen den umfassenden Überblick über die Geschichte des computationalen Denkens und seine Anwendungen in verschiedenen Fachgebieten. Viele finden das Buch informativ und anregend, besonders wenn sie neu in das Thema einsteigen. Einige Kritiker bemängeln jedoch, dass ethische Fragen und praktische Beispiele nicht tief genug behandelt werden. Die Stärke des Buches liegt in seinem breiten Überblick über die Entwicklung des computationalen Denkens und seine Auswirkungen auf verschiedene Bereiche, auch wenn manche Leser es trocken oder für erfahrene Fachleute zu elementar finden.

Ihre Bewertung:
4.27
167 Bewertungen
Möchten Sie das vollständige Buch lesen?

Glossar

Computational Thinking (computationales Denken)

Entwurf und Deutung von Berechnungen

Die geistigen Fähigkeiten und Praktiken, mit denen sowohl Berechnungen entworfen werden, die Computer nützliche Aufgaben ausführen lassen, als auch die Welt als Geflecht von Informationsprozessen erklärt oder gedeutet wird. Das Buch behandelt computationales Denken als breit angelegte, sich weiterentwickelnde Disziplin, nicht bloß als Fähigkeit zu programmieren oder als universelle Methode zur Lösung jeder Art von Problem.

Algorithmus

Präzise festgelegtes Verfahren

Ein Verfahren zur Berechnung eines Ergebnisses oder zur Lösung einer Klasse von Problemen, das in so präzise Schritte gefasst ist, dass es mechanisch ausgeführt werden kann. Algorithmen können von Menschen oder Maschinen ausgeführt werden, wobei Maschinen sie um ein Vielfaches schneller ausführen können. Dass ein Algorithmus existiert, bedeutet nicht, dass er innerhalb einer praktisch vertretbaren Zeit fertig wird.

Heuristiken

Schnelle Näherungsverfahren

Verfahren, die bei Problemen nützliche oder nahezu optimale Antworten finden, deren exakte Lösungen möglicherweise einen praktisch nicht vertretbaren Rechenaufwand erfordern. Eine Heuristik kann eine schwierige Aufgabe bewältigbar machen, garantiert aber nicht unbedingt die bestmögliche Antwort. Ihr Wert hängt von der Qualität des Ergebnisses und davon ab, ob der verbleibende Fehler für die jeweilige Anwendung akzeptabel ist.

Komplexitätstheorie der Berechnung

Messung des Schwierigkeitsgrads von Problemen

Die Untersuchung, wie viel Rechenaufwand – üblicherweise gemessen in Schritten oder Speicher – zur Lösung eines Problems nötig ist, wenn dessen Umfang zunimmt. Sie unterscheidet Probleme, deren Aufwand relativ moderat wächst, etwa die Suche in einer Liste, von solchen, deren Anforderungen exponentiell wachsen können, etwa dem Auflisten aller möglichen Teilmengen. Dies hilft festzustellen, ob ein Algorithmus praktikabel ist.

DRUSS-Ziele

Fünf Ziele für Softwarequalität

Eine Kurzform aus der Softwaretechnik für verlässliche, zuverlässige, benutzbare, sichere und geschützte Systeme. Die Ziele betonen, dass erfolgreiche Software mehr leisten muss, als ein korrektes Ergebnis zu liefern: Sie muss dauerhaft funktionieren, ihren Nutzern dienen, Schaden vermeiden und Missbrauch oder Angriffen widerstehen. Große Systeme brauchen bewusst gewählte Entwurfspraktiken, um diese Ziele gemeinsam anzustreben.

Computational Science (computergestützte Wissenschaft)

Wissenschaft durch Berechnung

Der Einsatz computergestützter Methoden, insbesondere von Modellierung und Simulation, um wissenschaftliche Phänomene zu untersuchen, Ideen zu prüfen und Vorhersagen zu treffen. Neben Theorie und Experiment entwickelte sie sich zu einer eigenständigen Form wissenschaftlicher Arbeit. Ihre Methoden werden in bestimmten Fachgebieten entwickelt; deshalb braucht eine in der Computational Science tätige Person Kenntnisse sowohl im Rechnen als auch im untersuchten Fachgebiet.

Transferhypothese

Programmierfähigkeiten lassen sich breit übertragen

Die Behauptung, dass das Erlernen computationalen Denkens durch Programmieren die Problemlösungsfähigkeit in anderen Fachgebieten verbessert. Die Autoren berichten, dass die Belege für diese weitreichende Behauptung nicht ausreichen. Programmieren vereint eine komplexe Mischung von Fähigkeiten; ihre Anwendung in anderen Bereichen erfordert häufig gezielte Übung und Kenntnisse des jeweiligen Fachgebiets.

virtuelle Welt

Die von Software erlebte Umgebung

Der von Software geschaffene Kontext, in dem Nutzer die Regeln und Möglichkeiten des Systems wahrnehmen, handeln und darauf reagieren. Ein Spiel veranschaulicht diese Idee deutlich, doch auch gewöhnliche Werkzeuge und Onlinedienste schaffen solche Umgebungen. Software für eine virtuelle Welt zu entwerfen bedeutet, die Praktiken und Anliegen der Nutzer zu berücksichtigen, nicht nur die internen Funktionen des Programms.

Berechnungsmodell

Formale Darstellung für Berechnungen

Ein Begriff mit zwei verwandten Bedeutungen. In der Informatik kann er eine abstrakte Maschine bezeichnen, die Programme ausführt, etwa einen herkömmlichen Prozessor oder ein neuronales Netzwerk. In der Wissenschaft kann er die mathematische Beschreibung eines physikalischen Prozesses bezeichnen, den ein Computer simulieren kann. Eine Verwechslung dieser Bedeutungen kann verschleiern, was ein Modell darstellt und was seine Ergebnisse belegen.

FAQ

Worum geht es in „Computational Thinking“ von Peter J. Denning und Matti Tedre?

  • Überblick über computationales Denken: Das Buch untersucht das Konzept des computationalen Denkens (CT), das den Entwurf von Berechnungen zur Problemlösung und das Verständnis der Welt als komplexes Gefüge von Informationsprozessen umfasst.
  • Historischer Kontext: Es zeichnet die Entwicklung des CT von der Antike bis in die Moderne nach und hebt seine Entwicklung im Zusammenhang mit dem technologischen Fortschritt hervor.
  • Interdisziplinärer Ansatz: Die Autoren erörtern, wie CT in verschiedenen Bereichen, darunter Wissenschaft, Ingenieurwesen und Bildung, angewendet wird, und betonen seine Rolle bei der Problemlösung in der Gegenwart.
  • Pädagogische Perspektive: Das Buch behandelt außerdem, wie wichtig es ist, CT in der Primar- und Sekundarstufe zu vermitteln, und welches Potenzial es hat, das Lernen in anderen Fächern zu fördern.

Warum sollte ich „Computational Thinking“ von Peter J. Denning und Matti Tedre lesen?

  • Umfassendes Verständnis: Das Buch bietet eine gründliche Untersuchung des CT und ist daher für alle wertvoll, die verstehen möchten, wie Computing verschiedene Aspekte des Lebens und der Arbeit beeinflusst.
  • Interdisziplinäre Einblicke: Es zeigt, wie CT in unterschiedlichen Fachgebieten angewendet wird, und ist damit für Fachleute und Studierende aus verschiedenen Disziplinen relevant.
  • Pädagogischer Wert: Lehrkräfte werden die Erörterung des CT-Unterrichts besonders nützlich finden, wenn es darum geht, computergestützte Fähigkeiten in Lehrpläne zu integrieren.
  • Zukunftsorientierung: Das Buch behandelt künftige Herausforderungen und Chancen im Computing und ist damit eine vorausschauende Informationsquelle für alle, die sich für die Entwicklung der Technologie interessieren.

Was sind die wichtigsten Erkenntnisse aus „Computational Thinking“ von Peter J. Denning und Matti Tedre?

  • Definition von CT: CT wird als die Gesamtheit geistiger Fähigkeiten und Praktiken definiert, die zum Entwurf von Berechnungen und zur Deutung der Welt als Informationsprozesse dienen.
  • Historische Entwicklung: CT hat sich über Jahrtausende entwickelt und wurde von Fortschritten in Mathematik, Logik und Technologie beeinflusst.
  • Bedeutung für die Bildung: CT zu vermitteln ist entscheidend, um Schülerinnen und Schüler darauf vorzubereiten, sich in einer technologiegeprägten Welt zurechtzufinden.
  • Künftige Herausforderungen: Das Buch erörtert die Zukunft des CT, darunter neue Technologien und ihre Auswirkungen auf die Gesellschaft.

Wie definieren die Autoren computationales Denken in diesem Buch?

  • Entwurf und Erklärung: CT wird als die Gesamtheit geistiger Fähigkeiten und Praktiken zum Entwurf von Berechnungen und zur Erklärung der Welt als Informationsprozesse definiert.
  • Zwei Aspekte: Dazu gehören sowohl die ingenieurwissenschaftliche Tradition des Entwurfs von Berechnungen als auch die wissenschaftliche Tradition, Informationsprozesse zu verstehen.
  • Mehr als Programmieren: CT beschränkt sich nicht auf Programmieren, sondern umfasst ein breiteres Spektrum an Fähigkeiten und Praktiken.
  • Praktische Anwendung: Die Definition betont die praktische Anwendung von CT bei der Lösung realer Probleme.

Welchen historischen Kontext des computationalen Denkens behandelt das Buch?

  • Ursprünge in der Antike: CT hat seine Wurzeln in frühen Praktiken, etwa in den mathematischen Verfahren der Babylonier und den technischen Leistungen der Ägypter.
  • Mathematische Entwicklungen: Über die Jahrhunderte entwickelten Mathematiker Berechnungsverfahren, aus denen das Konzept der Algorithmen hervorging.
  • Technologische Fortschritte: Die Erfindung von Rechenmaschinen im 20. Jahrhundert markierte eine bedeutende Weiterentwicklung des CT.
  • Moderne: Das Zeitalter der elektronischen Computer verfeinerte CT weiter und integrierte es in verschiedene Wissenschafts- und Ingenieurdisziplinen.

Wie wird computationales Denken laut dem Buch in verschiedenen Bereichen angewendet?

  • Wissenschaft und Ingenieurwesen: CT wird zur Modellierung und Simulation komplexer Systeme eingesetzt und unterstützt wissenschaftliche Entdeckungen und technische Lösungen.
  • Bildung: Es wird in Lehrpläne aufgenommen, um Problemlösungsfähigkeiten zu fördern und Schülerinnen und Schüler auf eine digitale Welt vorzubereiten.
  • Softwareentwicklung: CT-Prinzipien leiten den Entwurf und die Entwicklung zuverlässiger und effizienter Softwaresysteme.
  • Interdisziplinäre Anwendungen: CT wird unter anderem in Biologie, Physik und Sozialwissenschaften eingesetzt und bietet neue Wege, Daten und Phänomene zu deuten.

Welche Rolle spielt Bildung für computationales Denken laut dem Buch?

  • Primar- und Sekundarstufe: Das Buch betont, wie wichtig es ist, CT an Schulen zu vermitteln, damit Schülerinnen und Schüler grundlegende Fähigkeiten für die Zukunft erwerben.
  • Lehrplanentwicklung: Es behandelt Bemühungen, CT in Lehrpläne zu integrieren, darunter die Entwicklung neuer Kurse und Unterrichtsmethoden.
  • Ausbildung von Lehrkräften: Die Notwendigkeit, Lehrkräfte für einen wirksamen CT-Unterricht auszubilden, wird als entscheidender Bestandteil der Bildungsreform hervorgehoben.
  • Übertragbare Fähigkeiten: CT wird als Kompetenzspektrum dargestellt, das das Lernen in anderen Fächern fördert und kritisches Denken sowie Problemlösung unterstützt.

Welche künftigen Herausforderungen und Chancen für computationales Denken behandelt das Buch?

  • Neue Technologien: Das Buch untersucht, wie Technologien wie Quantencomputing und neuronale Netzwerke CT beeinflussen.
  • Verdrängung von Arbeitsplätzen: Es geht auf Sorgen über Automatisierung und den Bedarf an neuen Fähigkeiten in einem sich wandelnden Arbeitsmarkt ein.
  • Entwurf und Ethik: Die Bedeutung ethischer Überlegungen und eines menschenzentrierten Entwurfs für CT wird betont.
  • Globale Auswirkungen: Die Autoren erörtern das Potenzial von CT, globale Herausforderungen wie den Klimawandel und Cybersicherheit anzugehen.

Was sind die besten Zitate aus „Computational Thinking“ und was bedeuten sie?

  • „Computationales Denken ist nicht nur etwas, das Programmierer kennen müssen, sondern auch ein Denkwerkzeug, um unsere von Technologie durchdrungene soziale Welt zu verstehen.“ Dieses Zitat hebt hervor, dass CT weit über das Programmieren hinaus anwendbar ist, und betont seine Bedeutung für das Leben in einer digitalen Gesellschaft.
  • „Der Computer von heute ist die Maschine, nach der viele im Laufe der Jahrhunderte gesucht haben, um Berechnungen zu automatisieren und sie von den menschlichen Schwächen sowie der Notwendigkeit menschlichen Eingreifens und Urteilsvermögens zu befreien.“ Dies reflektiert das historische Streben nach Automatisierung und die umwälzende Kraft des modernen Computing.
  • „CT ist eine alte, reiche menschliche Praxis, die im modernen Zeitalter des elektronischen Computers vervollkommnet wurde.“ Dies unterstreicht die lange Geschichte des CT und seine Weiterentwicklung durch technologische Fortschritte.

Wie behandelt das Buch das Verhältnis zwischen Menschen und Maschinen im computationalen Denken?

  • Zusammenarbeit von Mensch und Maschine: Das Buch erörtert das Potenzial der Zusammenarbeit von Mensch und Computer zur Verbesserung der Problemlösungsfähigkeit.
  • Bedenken hinsichtlich der Automatisierung: Es behandelt die Auswirkungen der Automatisierung auf Arbeitsplätze und den Bedarf an neuen Fähigkeiten in einer technologiegeprägten Welt.
  • Ethische Überlegungen: Die Autoren betonen, wie wichtig ethisches Design und die Auswirkungen von Computertechnologien auf Menschen sind.
  • Künftige Interaktionen: Das Buch untersucht mögliche Zukunftsszenarien, in denen Menschen und Maschinen zusammenarbeiten, und hebt die Notwendigkeit einer durchdachten Integration hervor.

Welche Bedeutung hat der Entwurf für computationales Denken laut dem Buch?

  • Mehr als Funktionalität: Beim Entwurf im CT geht es über die Erfüllung funktionaler Spezifikationen hinaus; er umfasst die Entwicklung von Systemen, die zu den Bedürfnissen und zum Kontext der Nutzer passen.
  • Nutzerzentrierter Ansatz: Das Buch betont, wie wichtig es ist, die Nutzergruppen zu verstehen und Software zu entwerfen, die sich an deren Praktiken orientiert.
  • Entwurfsprinzipien: Es behandelt Entwurfsprinzipien, Muster und Hinweise, die die Entwicklung zuverlässiger und benutzerfreundlicher Software leiten.
  • Innovation und Begeisterung: Die Autoren heben hervor, welche Rolle der Entwurf bei der Entwicklung innovativer Lösungen spielt, die Nutzer begeistern und ihre Erwartungen übertreffen.

Wie behandelt „Computational Thinking“ von Peter J. Denning und Matti Tedre die Grenzen des Computing?

  • Schwer lösbare Probleme: Das Buch behandelt Probleme, die rechnerisch praktisch unlösbar sind und für deren Bewältigung heuristische Ansätze erforderlich sind.
  • Vertrackte Probleme: Es geht auf Fragen ein, die sich nicht allein durch Berechnungen lösen lassen, etwa gesellschaftliche und politische Herausforderungen.
  • Grenzen von Maschinen: Die Autoren untersuchen die Grenzen heutiger Technologien und den Bedarf an neuen Berechnungsmodellen.
  • Menschliches Urteilsvermögen: Das Buch betont, wie wichtig menschliches Urteilsvermögen und ethische Überlegungen beim Entwurf und Einsatz von Computertechnologien sind.

Über den Autor

Peter J. Denning ist Distinguished Professor für Informatik an der Naval Postgraduate School in Monterey, Kalifornien. Er hat mehrere Bücher über Informatik und Innovation verfasst, darunter „The Innovator's Way: Essential Practices for Successful Innovation“ und „Great Principles of Computing“, die beide bei MIT Press erschienen sind. Dennings Fachkenntnisse in Informatik und Innovation haben zu seinem Ruf als angesehener Autor auf diesem Gebiet beigetragen. In seinen Arbeiten untersucht er häufig das Zusammenspiel von Technologie, Bildung und Problemlösung und greift dabei auf seine umfassende Erfahrung und sein Wissen über computationales Denken und verwandte Disziplinen zurück.

PDF herunterladen

Lade das kostenlose PDF herunter, um die Zusammenfassung von Computational Thinking für später zu speichern. Du kannst es ausdrucken oder offline lesen, wann immer du möchtest.
Download PDF

EPUB herunterladen

Lade das kostenlose EPUB herunter, um die Zusammenfassung von Computational Thinking auf deinem E-Reader oder in einer Lese-App zu lesen. Das digitale Buchformat .epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.
Download EPUB
Möchten Sie das vollständige Buch lesen?
Folgen
Anhören
Start
Swipe
Biblio
App
3 Tage Vollzugriff testen
Anhören, speichern und mehr
Funktionen vergleichen Kostenlos Pro
📖 Zusammenfassungen lesen
Unbegrenzt Zusammenfassungen lesen. Kostenlose Nutzer erhalten 3 pro Monat
🎧 Zusammenfassungen anhören
Unbegrenzt Zusammenfassungen in 40 Sprachen anhören
—
❤️ Unbegrenzte Lesezeichen
Kostenlose Nutzer sind auf 4 begrenzt
—
📜 Unbegrenzter Verlauf
Kostenlose Nutzer sind auf 4 begrenzt
—
📥 Unbegrenzte Downloads
Kostenlose Nutzer sind auf 1 begrenzt
—
Risikofreier Zeitplan
Heute: Sofortzugang erhalten
Vollständige Zusammenfassungen von über 26.000 Büchern anhören. Das sind über 12.000 Stunden Audio!
Tag 2: Erinnerung an Testphase
Wir senden Ihnen eine Benachrichtigung, dass Ihre Testphase bald endet.
Tag 3: Ihr Abonnement beginnt
Die Abbuchung erfolgt am 25. Nov.,
vorher jederzeit kündbar.
Consume 2.8× More Books
2.8× weitere Bücher Hören Lesen
Unsere Nutzer lieben uns
1M+ Leser
Trustpilot Rating
TrustPilot
4.6 Hervorragend
Diese Seite ist ein absoluter Gamechanger. Ich habe noch nie so schnell Buchzusammenfassungen gelesen. Sehr, sehr empfehlenswert.
— Dave G
Das Geld und die Zeit absolut wert und wirklich gut gemacht. Eine solche Qualität von Zusammenfassungen habe ich auf anderen Websites noch nie gesehen. Sehr hilfreich!
— Em
Sehr empfehlenswert!! Fantastischer Service. Perfekt für alle, die mehr als einen Teaser möchten, aber nicht alle Details eines vollständigen Hörbuchs brauchen.
— Greg M
62 % sparen
Jährlich
$119.88 $44.99/Jahr/J.
$3.75/Mon.
Monatlich
$9.99/Mon.
3-tägige kostenlose Testphase starten
3 Tage kostenlos, dann $44.99/Jahr. Jederzeit kündbar.
Unlock a world of fiction & nonfiction books
26.000+ Bücher zum Preis von 2 Büchern
Lesen Sie jedes Buch in 10 Minuten
Entdecken Sie neue Bücher wie bei Tinder
Fordern Sie jedes Buch an, das noch nicht zusammengefasst ist
Lesen Sie mehr Bücher als jeder, den Sie kennen
Die Nr. 1 App für Buchliebhaber
Lifelike & immersive summaries
30-Tage-Geld-zurück-Garantie
Zusammenfassungen als EPUB oder PDF herunterladen
Jederzeit mit wenigen Klicks kündbar

Warum nur eine Zusammenfassung?

Scanner
Barcode zum Scannen finden

⭐
⭐
⭐
Wir haben ein besonderes Geschenk für Sie
Öffnen
38% Rabatt
RABATT FÜR DICH
⭐
⭐
⭐
$79.99
$49.99/Jahr
Nur $4.16 pro Monat
Weiter
Mit 2 Taps starten, ganz einfach kündigen
Einstellungen
Allgemein
Widget
Wird geladen...