Deterministic Preprocessing and Interpretable Fuzzy Banding for Cost-per-Student Reporting from Extracted Records

Die Arbeit stellt einen deterministischen, regelbasierten Workflow vor, der Rohdaten aus einer Datenbank für akademische Mitarbeiter verarbeitet, um kosten- und studentenspezifische Kennzahlen zu berechnen und diese durch eine interpretierbare Fuzzy-Banding-Methode in nachvollziehbare Kategorien einzuteilen.

Das Wesentliche

Stellen Sie sich vor, eine Universität ist wie ein riesiger, chaotischer Supermarkt. Tausende von Mitarbeitern (hier: Dozenten) arbeiten dort, und es fallen unzählige Kosten an. Die Verwaltung muss herausfinden: Wie viel kostet es eigentlich, einen einzelnen Studenten zu unterrichten?

Das Problem: Die Daten liegen in riesigen, unordentlichen Excel-Tabellen vor. Wenn man diese einfach so nimmt, kann man leicht Fehler machen oder die Zahlen nicht nachvollziehen.

Diese Paper beschreibt einen cleveren, automatisierten Weg, um aus diesem Chaos klare, vertrauenswürdige und verständliche Berichte zu machen. Hier ist die Erklärung in einfachen Worten:

1. Der "Koch-Rezept"-Ansatz (Deterministische Vorverarbeitung)

Stellen Sie sich vor, Sie backen einen Kuchen. Wenn Sie das Rezept genau gleich befolgen und die exakt gleichen Zutaten verwenden, muss der Kuchen jedes Mal gleich schmecken.

• Das Problem: Oft ändern Leute Excel-Tabellen manuell, löschen Zeilen oder runden Zahlen anders. Das führt zu unterschiedlichen Ergebnissen.
• Die Lösung: Die Autoren haben ein Computerprogramm (cad_processor.py) geschrieben, das wie ein strenger Koch ist.
  • Es nimmt die rohen Daten (den "Supermarkt-Einkaufskorb").
  • Es wendet starre Regeln an (z. B.: "Wenn die Studentenzahl fehlt, setze sie auf 0", "Wenn ein Name fehlt, wirf die Zeile weg").
  • Der "Fingerabdruck": Das Programm nimmt einen digitalen Fingerabdruck (SHA-256-Hash) von der Eingabe-Datei. Das ist wie ein Siegel auf einem Briefumschlag. Wenn auch nur ein einziges Pixel in der Datei geändert wird, ist der Fingerabdruck anders. So kann man später beweisen: "Ja, wir haben genau diese Datei verarbeitet, keine andere."
  • Das Ergebnis ist ein neuer, sauberer Bericht, den man jederzeit neu berechnen und mit dem Original abgleichen kann.

2. Die "Farbkarte" für die Kosten (Aggregation)

Das Programm rechnet nun alles zusammen. Es fasst die Kosten für jeden Kurs und jedes Jahr zusammen und teilt sie durch die Anzahl der Studenten.

• Ergebnis: Eine Tabelle, die zeigt, wie viel es pro Kopf kostet.
• Besonderheit: Das Programm achtet genau auf "leere Ecken". Wenn ein Kurs 10.000 Euro kostet, aber 0 Studenten hat, sagt es nicht einfach "unendlich", sondern markiert es als "undefiniert". Wenn beides 0 ist, sagt es "keine Aktivität". Das verhindert, dass die Zahlen in die Irre führen.

3. Der "Fuzzy-Band"-Trick (Die magische Einordnung)

Jetzt kommt der kreativste Teil. Die Zahlen allein sind oft schwer zu lesen. Ist 15.000 Euro pro Student viel oder wenig? Das hängt vom Jahr ab!

Stellen Sie sich vor, Sie bewerten die Leistung von Schülern in einem Jahr.

• Der schlechteste Schüler hat 10 Punkte, der beste 100.
• Ein Schüler mit 50 Punkten ist "durchschnittlich".
• Aber im nächsten Jahr sind alle viel besser: Der schlechteste hat 40, der beste 120. Ein Schüler mit 50 Punkten wäre dann eher "schlecht".

Das Programm macht Folgendes:

1. Es schaut sich nur das aktuelle Jahr an.
2. Es findet den Minimum-Wert (der "Arme"), den Median (den "Durchschnitt") und den Maximum-Wert (den "Reichen").
3. Es ordnet jeden Kurs einer von drei Kategorien zu: Niedrig, Mittel, Hoch.

Aber wie entscheidet es? Hier kommt die "Fuzzy"-Logik (unscharfe Logik) ins Spiel.
Stellen Sie sich eine Leiter vor:

• Wer ganz unten steht, ist zu 100% "Niedrig".
• Wer ganz oben steht, ist zu 100% "Hoch".
• Wer genau in der Mitte steht, ist zu 100% "Mittel".
• Der Clou: Wer genau auf der Grenze steht (z. B. zwischen Mittel und Hoch), bekommt Anteile von beiden. Das Programm sagt dann: "Du bist zu 50% Mittel und zu 50% Hoch."

Die Entscheidung: Um eine klare Antwort zu geben, hat das Programm eine feste Regel: "Wenn du unsicher bist zwischen Mittel und Hoch, nimm Mittel." Das verhindert, dass jemand an der Grenze plötzlich als "Hoch" abgestempelt wird, obwohl er eigentlich noch im Mittelfeld ist.

4. Das Ergebnis: Ein verständlicher Bericht

Am Ende erhalten die Entscheidungsträger (die Uni-Verwaltung) einen Bericht mit vier Teilen:

1. Zusammenfassung: "Wir haben genau diese Datei verarbeitet, hier sind die Zählungen (wie viele Zeilen wurden weggeworfen?)."
2. Trend: Eine farbig eingefärbte Tabelle. Je nach Kostenfarbe (z. B. Grün = günstig, Rot = teuer) sieht man sofort, welche Schulen im aktuellen Jahr gut oder schlecht dastehen.
3. Detailbericht: Die genauen Zahlen für jeden einzelnen Kurs.
4. Die "Fuzzy"-Bänder: Eine Liste, die jedem Kurs ein Label gibt (Niedrig/Mittel/Hoch) und dazu schreibt: "Dieses Label ist zu 60% Mittel und zu 40% Hoch".

Warum ist das wichtig?

• Vertrauen: Jeder kann nachrechnen. Wenn die Zahlen nicht stimmen, kann man den "Fingerabdruck" prüfen und sehen, ob die falsche Datei benutzt wurde.
• Fairness: Die Bewertung "teuer" oder "günstig" ist immer im Vergleich zum aktuellen Jahr fair, nicht im Vergleich zu einem alten Jahr.
• Klarheit: Die unscharfen Grenzen (Fuzzy) werden ehrlich kommuniziert. Man weiß genau, woher die Einteilung kommt.

Kurz gesagt: Die Autoren haben ein Werkzeug gebaut, das aus einem chaotischen Datenberg einen klaren, überprüfbaren und fairen Spiegel der Uni-Kosten macht, ohne dabei die Nuancen der Realität zu verlieren.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Deterministic Preprocessing and Interpretable Fuzzy Banding for Cost-per-Student Reporting from Extracted Records" auf Deutsch:

1. Problemstellung

Institutionelle Berichte über die Kosten pro Student, die aus administrativen Datenextrakten (insbesondere aus Excel-Tabellen) abgeleitet werden, spielen eine zentrale Rolle bei Budgetierung, Arbeitslastüberprüfungen und Governance-Entscheidungen. Ein häufiges Problem besteht darin, dass diese Extrakte oft als eigenständige Berichte behandelt werden, ohne dass der Transformationsprozess von den Rohdaten zu den aggregierten Kennzahlen transparent, überprüfbar oder reproduzierbar ist.

Wenn ein exportiertes Arbeitsblatt als Referenz-Snapshot für Entscheidungen dient, fehlt es oft an Mechanismen, um die Transformation durch eine Neu-Berechnung gegen den klar identifizierten Eingabedatensatz zu verifizieren. Zudem sind qualitative Bewertungen (z. B. ob eine Kostenstelle „hoch" oder „niedrig" ist) oft subjektiv oder basieren auf statischen Schwellenwerten, die den Kontext eines bestimmten Jahres nicht angemessen abbilden.

2. Methodik

Die Autoren stellen einen deterministischen, regelbasierten und dateibasierten Workflow vor, der in einem Python-Skript (cad_processor.py) implementiert ist. Der Prozess gliedert sich in zwei Hauptkomponenten:

A. Deterministische Vorverarbeitung und Aggregation

Der Workflow verarbeitet einen Export aus einer „Casual Academic Database" (CAD) als Excel-Arbeitsblatt.

• Eingabe: Ein Excel-Arbeitsblatt mit Spalten für Schule, Fachnummer, Fach, Lehrveranstaltung (Teaching Session), inklusive Zusatzkosten (Incl Oncosts) und Studentenzahl.
• Verarbeitungsschritte:
  1. Tabelle und Header-Erkennung: Das Skript scannt das Arbeitsblatt, um die korrekte Tabelle und die Header-Zeile zu identifizieren.
  2. Streaming und Filterung: Zeilen werden sequenziell gelesen. Es werden Regeln für das Entfernen von Zeilen angewendet (z. B. fehlende Schlüssel, negative Studentenzahlen, Zusammenfassungszeilen wie „Total").
  3. Umgang mit fehlenden Werten: Fehlende Kosten werden als 0,0 behandelt, fehlende Studentenzahlen als 0. Dies wird jedoch in Zählern protokolliert.
  4. Aggregation: Die Daten werden nach „Jahr-Fach" und „Jahr-Schule" aggregiert.
  5. Verhältnisberechnung: Die Kosten pro Student werden berechnet (Gesamtkosten / Gesamtstudenten).
     • Sonderfälle: Bei 0 Studenten und 0 Kosten wird das Verhältnis als „No activity" (0,0) markiert. Bei Kosten > 0 und 0 Studenten wird das Verhältnis als „Undefined" (leer) belassen.
• Auditierbarkeit: Der Eingabedatei wird ein SHA-256-Hash berechnet, um den exakten Eingabe-Snapshot zu identifizieren und spätere Neu-Berechnungen zu validieren.

B. Interpretierbare Fuzzy-Banding (Unscharfe Bandierung)

Um die relativen Positionen der Schulen innerhalb eines Jahres interpretierbar zu machen, wird eine Fuzzy-Logik-Schicht hinzugefügt.

• Ankerpunkte (Anchors): Für jedes Jahr werden drei Anker aus den endlichen, positiven Kosten-pro-Studenten-Verhältnissen berechnet: Minimum ($a$), Median ($b$) und Maximum ($c$).
• Mitgliedsfunktionen: Es werden drei unscharfe Mengen definiert:
  • Low: Linker Schulter-Verlauf (von $a$ bis $b$).
  • Medium: Dreiecksfunktion (Spitze bei $b$, von $a$ bis $c$).
  • High: Rechter Schulter-Verlauf (von $b$ bis $c$).
• Zuordnung und Kollisionslösung: Für jeden Wert werden die Mitgliedschaftsgewichte ($\mu$) berechnet. Das Label (Low, Medium, High) wird dem höchsten Gewicht zugewiesen. Bei Gleichstand (Tie) wird deterministisch in der Reihenfolge Medium > Low > High entschieden.
• Output: Die Gewichte werden als Entscheidungsunterstützungssignale (nicht als Wahrscheinlichkeiten) ausgegeben, zusammen mit dem zugewiesenen Label und einem numerischen Score (0,0 bis 1,0).

3. Schlüsselbeiträge

1. Reproduzierbarer Workflow: Der Prozess ist vollständig deterministisch. Bei identischen Eingabedaten (Byte-für-Byte) und gleicher Code-Version entstehen exakt dieselben Ausgaben. Dies ermöglicht eine lückenlose Überprüfbarkeit (Auditability).
2. Artefakt-basierte Nachvollziehbarkeit: Der Output ist ein strukturiertes Excel-Arbeitsblatt mit vier spezifischen Blättern:
   • Processing Summary: Enthält den SHA-256-Hash, erkannte Tabellenstrukturen und detaillierte Zähler für das Verhalten bei Zeilenverarbeitung (z. B. wie viele Zeilen verworfen wurden).
   • Trend Analysis: Eine Matrix der Kosten pro Student nach Schule und Jahr mit farbkodierten Darstellungen.
   • Report: Eine detaillierte Tabelle auf Fach-Ebene.
   • Fuzzy Bands: Eine Tabelle mit den Rohverhältnissen, den berechneten Mitgliedschaftsgewichten, den Ankerpunkten und den finalen Labels.
3. Interpretierbare Unscharfe Logik: Die Fuzzy-Banding-Methode bietet eine kontextsensitive Klassifizierung (Low/Medium/High), die sich jährlich an die Verteilung der Daten anpasst (durch die Verwendung von Median und Min/Max pro Jahr), anstatt starre globale Schwellenwerte zu verwenden.
4. Claim-to-Evidence-Matrix: Das Paper liefert eine Matrix, die jede Behauptung im Text direkt mit spezifischen Artefakten (Code-Zeilen, Excel-Zellen, Log-Einträge) verknüpft, was die wissenschaftliche Strenge erhöht.

4. Ergebnisse

Das Paper demonstriert den Workflow anhand eines synthetischen Beispiels:

• Der Prozess verarbeitet erfolgreich Rohdaten, filtert ungültige Zeilen und aggregiert sie korrekt.
• Die Processing Summary dokumentiert transparent, wie viele Zeilen aufgrund fehlender Daten oder negativer Werte verworfen oder als Null behandelt wurden.
• Die Fuzzy Bands zeigen, wie ein spezifischer Wert (z. B. 12.000) basierend auf den Jahres-Ankern (Min: 10k, Med: 15k, Max: 30k) berechnet wird. In diesem Fall ergibt sich ein hohes Gewicht für „Low" (0,6) und ein mittleres für „Medium" (0,4), was zur Zuweisung des Labels „Low" führt.
• Die Ergebnisse belegen, dass die Kombination aus deterministischer Vorverarbeitung und Fuzzy-Logik sowohl die technische Integrität der Daten als auch die menschliche Interpretierbarkeit der Kennzahlen verbessert.

5. Bedeutung und Fazit

Dieser Ansatz adressiert kritische Anforderungen an die Datenverwaltung in Bildungseinrichtungen:

• Vertrauen und Transparenz: Durch die Verwendung von SHA-256-Hashes und detaillierten Protokollen wird das Vertrauen in abgeleitete Berichte gestärkt, da jede Entscheidung im Prozess nachvollziehbar ist.
• FAIR-Prinzipien: Der Workflow unterstützt die FAIR-Prinzipien (Findability, Accessibility, Interoperability, Reuse), indem er gut beschriebene Artefakte und klare Regeln bereitstellt.
• Entscheidungsunterstützung: Die Fuzzy-Banding-Methode ermöglicht es Entscheidungsträgern, relative Positionen innerhalb eines Jahres schnell zu erfassen, ohne die zugrunde liegenden numerischen Daten zu verlieren. Sie bietet eine Balance zwischen quantitativer Präzision und qualitativer Interpretation.

Zusammenfassend bietet das Paper einen robusten Rahmen für die Transformation administrativer Rohdaten in überprüfbare, interpretierbare Berichte, der sowohl technische Strenge als auch praktische Anwendbarkeit vereint.