eJournals unsere jugend 76/7+8

unsere jugend
4
0342-5258
Ernst Reinhardt Verlag, GmbH & Co. KG München
71
2024
767+8

Künstliche Intelligenz (KI): Ein historischer Abriss und die zu erwartenden Implikationen für die Kinder- und Jugendhilfe

71
2024
Michael Macsenaere
Monika Feist-Ortmanns
Unterschiedliche Formen von Künstlicher Intelligenz (KI) werden in den nächsten Jahren in weite Bereiche unseres Lebens Einzug halten. Um hierfür eine bessere Einordnung zu ermöglichen, werden nachfolgend die Entwicklungsgeschichte von KI und ihre zu erwartenden Implikationen für die Kinder- und Jugendhilfe einführend skizziert.
4_076_2024_7+8_0294
294 unsere jugend, 76. Jg., S. 294 - 299 (2024) DOI 10.2378/ uj2024.art39d © Ernst Reinhardt Verlag Künstliche Intelligenz (KI): Ein historischer Abriss und die zu erwartenden Implikationen für die Kinder- und Jugendhilfe Unterschiedliche Formen von Künstlicher Intelligenz (KI) werden in den nächsten Jahren in weite Bereiche unseres Lebens Einzug halten. Um hierfür eine bessere Einordnung zu ermöglichen, werden nachfolgend die Entwicklungsgeschichte von KI und ihre zu erwartenden Implikationen für die Kinder- und Jugendhilfe einführend skizziert. von Prof. Dr. Michael Macsenaere Johannes Gutenberg-Universität Mainz, Hochschule Niederrhein, Wissenschaftlicher Direktor des Instituts für Kinder- und Jugendhilfe (IKJ) Monika Feist-Ortmanns Geschäftsführende Direktorin des Instituts für Kinder- und Jugendhilfe (IKJ) Historie Auch wenn Künstliche Intelligenz (KI) gerade als hochaktuell und gleichermaßen innovativ erscheint, liegt ihr eine fast 80-jährige Entwicklungsgeschichte zugrunde. Die Wurzeln können bis zu Alan Turing zurückverfolgt werden, der ab den späten 1940er-Jahren die philosophischen Grundlagen für maschinelle Intelligenz legte (vgl. Turing 1950). Er stellte die auch heute noch überaus kontrovers diskutierte Frage, ob Maschinen denken können. An dieser Fragestellung ansetzend entwickelte er den sogenannten Turing Test: Danach kann eine Maschine dann als intelligent gelten, wenn sie in der Lage ist, im Rahmen einer textbasierten Konversation menschliches Verhalten so zu imitieren, dass ein Mensch nicht zuverlässig unterscheiden kann, ob die Antworten von einer Person oder einer Maschine erfolgen. In den folgenden Jahrzehnten erlebte KI im öffentlichen Diskurs Höhen und Tiefen: Von den optimistischen Anfängen bis hin zu Phasen, in denen die Begeisterung aufgrund überstrapazierter und unerfüllter Erwartungen abkühlte. Zu den frühen Durchbrüchen zählt die Entwicklung der ersten KI-Programme, die in der Lage waren, Schach zu spielen (vgl. Bernstein/ Roberts 1958) oder einfache Formen des menschlichen Sprachverständnisses zu simulieren. Ein weiteres Beispiel für die frühe Anwendung von KI stellt das Programm „ELIZA“ von Joseph Weizenbaum aus den 1960er-Jahren dar, das einen Psychotherapeuten nachahmte, der auf Grundlage der klientenzentrierten Gesprächspsychotherapie nach Carl Rogers kommunizierte (vgl. Weizenbaum 1966). Für Menschen konnte der Dialog mit ELIZA zumindest die Illusion einer Verständigung erwecken. ELIZA war eines der ersten Programme, das die Mensch- Maschine-Interaktion in einer Weise darstellte, die für viele der damaligen Zeitgenossen verblüffend war. 295 uj 7+8 | 2024 KI: Historie und Implikationen für die Jugendhilfe In den späten 1980ern und frühen 1990ern begann das Forschungsfeld der Künstlichen Intelligenz zunehmend von den Fortschritten in der Computerhardware und -software zu profitieren. Das Jahr 1997 hielt ein Schlüsselereignis bereit, das viele als einen Wendepunkt in der Geschichte der KI erachten: Es war der Wettkampf zwischen dem Schachweltmeister Garry Kasparov und IBMs Schachcomputer „Deep Blue“. Obwohl Kasparov das erste Match gewann, geschah im Revanchekampf das bis dato Undenkbare: Deep Blue gewann dieses Spiel. Dies belegte, dass KI in der Lage war, auch in hochkomplexen Bereichen menschliche Expertise zu übertreffen. Mit dem Aufkommen von Big Data und leistungsfähigeren Computern begann in der Folge die Ära des maschinellen Lernens und der künstlichen neuronalen Netze. Diese Technologien ahmen die Verarbeitung von Informationen im menschlichen Gehirn (mit seinen natürlichen neuronalen Netzen) nach und ermöglichen es Maschinen, aus Erfahrung zu lernen und sich zu verbessern. Inspiriert durch die Funktionsweise des menschlichen Gehirns, simulieren diese neuronalen Netze Informationsverarbeitung durch verbundene Einheiten oder „Neuronen“, die sich in der Regel über mehrere Schichten verteilen und ein sogenanntes Deep Learning ermöglichen (vgl. LeCun et al. 2015). Ein markantes Beispiel hierfür ist das Programm „AlphaGo“ von DeepMind, das 2016 den seinerzeit weltbesten Go-Spieler Lee Sedol besiegte und zeigte, wie weit maschinelles Lernen und insbesondere Deep Learning fortgeschritten ist (vgl. Silver et al. 2017). Aktuell steht das Konzept der „Transformer“ im Mittelpunkt des öffentlichen Interesses: Ursprünglich im Bereich der Sprachverarbeitung entwickelt, ermöglicht diese Architektur es Modellen wie „BERT“ und „GPT“, die Bedeutung von Wörtern im Kontext zu verstehen. Transformer werden in den letzten Jahren für eine Reihe von sogenannten NLP-Anwendungen (Natural Language Processing) genutzt, deren Anwendungsfelder von Übersetzungsdiensten bis hin zu automatisierten Chatbots reichen (vgl. Vaswani et al. 2017). Implikationen für die Kinder- und Jugendhilfe Sicherlich, die einleitend skizzierte Entwicklung Künstlicher Intelligenz ist beeindruckend. Aber welche Implikationen haben diese Modelle für junge Menschen und die Kinder- und Jugendhilfe? In der sozialpädagogischen Diagnostik und in (Hilfe-)Planungsprozessen der Erziehungshilfen ist KI bislang nahezu nicht vorhanden. Mittelfristig ist jedoch eine Reihe von Nutzungsmöglichkeiten zu erwarten, von denen einige bereits in der Entwicklung sind. Ein aktuelles Beispiel verdeutlicht, dass auch schon relativ kleine KI-Unterstützungen zu besseren Ergebnissen und/ oder zu einer Entlastung der Fachkräfte führen können. Es knüpft an der mittlerweile weit verbreiteten Methode „WirkMit! “ an, die unter anderem für eine grundlegende sozialpädagogische Diagnostik und zur partizipativen und wirkungsorientierten Hilfeplanung genutzt wird (vgl. Eichenberg 2023; Hermann 2023). Es liegen mittlerweile eine Vielzahl von positiven Rückmeldungen zur Nutzung dieser Methode vor - sowohl von den jungen Menschen und ihren Familien als auch von Fachkräften der öffentlichen und freien Jugendhilfe. So wird darauf hingewiesen, dass durch die Anwendung dieser Methode ein respektvoller und dynamischer Austausch auf Augenhöhe zwischen allen Beteiligten ermöglicht werde. Dadurch werde die Partizipation und Mitgestaltung der HilfeadressatInnen in der Hilfeplanung deutlich verbessert. Viele NutzerInnen dieser Methode haben angeregt, die nach dem Einsatz der Methode vorliegenden, multiperspektivischen Einschätzungen zu speichern und als Grundlage für Berichte, Dokumentationen und Wirkungsmessungen zu nutzen. Um Fachkräfte zu entlasten, solle dies idealerweise KI-gestützt erfolgen. Eine hierfür ins Leben gerufene Arbeitsgruppe aus Praktikern und Wissenschaftlern empfiehlt, das Vorhaben in zwei Stufen mit jeweils unterschiedlichen Formen von KI anzugehen. In Stufe 1 werden die genutzten WirkMit! -Materialien zunächst fotografiert. Hierfür ist die Qualität eines Smart- 296 uj 7+8 | 2024 KI: Historie und Implikationen für die Jugendhilfe phones ausreichend. Anschließend werden diese Fotos von einer bildanalytischen KI in Daten umgewandelt. In Stufe 2 werden diese Daten mithilfe von Large Language Models in Textentwürfe umgewandelt, die für die jeweils gewünschten Einsatzbereiche geeignet sind, wie beispielsweise Protokolle, Entwicklungsberichte oder HPG-Vorlagen. Aus Sicht der Fachkräfte bedeutet dies eine doppelte Chance: Einerseits von eher ungeliebten Dokumentationsaufgaben entbunden zu werden und diese Zeit für pädagogische Kernaufgaben nutzen zu können. Andererseits ohne nennenswerten Mehraufwand Protokolle, Berichte sowie die Grundlage für eine Wirkungsmessung gespeichert zu haben. Neben diesem konkreten, sich noch in der Entwicklung befindlichen Beispiel werden weitere mögliche Einsatz- und Funktionsbereiche von KI in Diagnostik und Planungsprozessen erwartet, so zum Beispiel: Chatbots und virtuelle Assistenten Diese können, basierend auf maschinellem Lernen und natürlicher Sprachverarbeitung, jungen Menschen rund um die Uhr Unterstützung bieten, sei es bei Hausaufgaben oder bei persönlichen Problemen. Solche Systeme werden entwickelt, um eine niedrigschwellige Anlaufstelle zu sein, die den jungen Menschen frühzeitig und präventiv hilft, bevor ihr Hilfebedarf steigt und sich ggf. verfestigt. Verbesserung der Indikationsgüte Eine zentrale Aufgabe des Jugendamtes ist es, eine geeignete bzw. indizierte Hilfe zu erkennen und zu gewähren (vgl. Arnold 2014). Mehrere Effektestudien, wie z. B. die Jugendhilfe-Effekte- Studie (JES) (vgl. Schmidt et al. 2003), EVAS (vgl. Macsenaere/ Esser 2015) und EST! (vgl. Macsenaere et al. 2009) zeigen, dass es den ASD- Fachkräften in gut der Hälfte der Fälle gelingt, die geeignetste Hilfe zu wählen. Dem stehen aber auch ca. 30 % der Fälle gegenüber, bei denen eine kontraindizierte Hilfe gewählt wird. Nicht selten werden Arbeitsüberlastung und Fluktuation in den ASDs als Ursache hierfür angesehen. Hier besteht in den nächsten Jahren noch erheblicher Qualitätsentwicklungsbedarf. Genau an dieser Stelle werden zukünftig KIgestützte Auswertungstools, die aktuell schon entwickelt und erprobt werden, zum Einsatz kommen können. Durch die Analyse großer Datenmengen aus abgeschlossenen Hilfeverläufen kann aufgezeigt werden, welche Hilfearten und Hilfesettings die besten Erfolgsaussichten im jeweiligen Einzelfall haben. Diese bislang noch nicht übliche Nutzung des vorhandenen empirischen Wissens kann einen zentralen Baustein auf dem Weg zur notwendigen Verbesserung der Indikationsgüte darstellen. Analyse von Hilfeverläufen KI kann auch sehr umfangreiche Fallakten in kürzester Zeit analysieren und auf dieser Basis Empfehlungen für geeignete Anpassungen der Hilfesettings geben. Fachkräfte können diese Informationen nutzen, um individuelle Hilfepläne zu entwickeln bzw. anzupassen. Risikoerkennung Unterschiedliche Formen von KI können vorhandene Daten analysieren und zur Früherkennung von Risikokonstellationen nutzen. Beispielsweise könnten sie aus den vorliegenden Daten Risikofaktoren für Kindeswohlgefährdung identifizieren, sodass präventive Maßnahmen frühzeitiger, gesicherter und gezielter geplant werden können. Das Analysieren von hochkomplexen und umfangreichen Informationen durch KI kann zudem zu einer spürbaren zeitlichen Entlastung der Fachkräfte führen. Burghardt et al. (2024) berichten in dieser uj- Ausgabe, ob und wie KI im Kinderschutz - als Unterstützung, nicht als Ersatz der Fachkräfte - eingesetzt werden kann. Erstellung von zielgruppenspezifischen und personalisierten Angeboten KI kann auch genutzt werden, um auf Grundlage der spezifischen Bedarfslagen zielgruppenspezifischere Angebote zu entwerfen. Herun- 297 uj 7+8 | 2024 KI: Historie und Implikationen für die Jugendhilfe tergebrochen auf die Einzelfallebene könnten personalisierte Hilfeangebote anhand der individuellen Unterstützungsbedarfe, Kompetenzen und Interessen erstellt werden. Dies betrifft das gesamte Spektrum der Kinder- und Jugendhilfe, von Jugendarbeit bis zu stationären Hilfen zur Erziehung. Plafky et al. (2024) beschreiben beispielsweise, wie KI auf Grundlage emergenzbasierter Statistik Prognosen in der Jugendhilfe ableiten kann und wie diese für die individuelle Maßnahmenplanung genutzt werden können. Ergänzend hierzu ist zu erwarten, dass Erfahrungen des „Affective Computing“ in die pädagogische Arbeit mit jungen Menschen einfließen werden. Dieser Bereich beschäftigt sich damit, wie KI menschliche Emotionen erkennen und darauf adäquat reagieren kann. Dies hat potenzielle Anwendungen in der pädagogischen und psychologischen Betreuung von jungen Menschen, indem es beispielsweise versucht, Anzeichen von Stress oder auch Traumata frühzeitig zu identifizieren. Qualitätssicherung und -entwicklung KI kann dabei helfen, breit gestreute Qualitätsindikatoren systematisch auszuwerten und relevante Ergebnisse daraus an die verantwortlichen Fachkräfte weiterzuleiten. Organisationsbezogen kann dies im Sinne des Qualitätsentwicklungs-Spiralmodells zur systematischen Verbesserung der pädagogischen Prozesse genutzt werden. Auf Ebene der einzelnen Hilfe können damit aber auch frühzeitig individuelle Förder- und Unterstützungsbedarfe erkannt und rückgemeldet werden. Jugendhilfeplanung Eine grundlegende Funktion von KI besteht darin, Prognosen auf der Grundlage großer Datensätze zu erstellen. Solche Vorhersagemodelle sind prädestiniert, um die Jugendhilfeplanung empirisch basiert zu unterstützen (vgl. Horn 2014). KI könnte beispielsweise helfen, den Bedarf an Heimplätzen, Tagesgruppenkapazitäten, SPFH und weiterer Angebote enger getaktet als bisher zu prognostizieren. Damit wäre es möglich, frühzeitiger und aktualisierter auf empirische Daten gestützt zu planen und auf dieser Grundlage Engpässe zu reduzieren. Beschulung bzw. Lernen und Tutoring Im Bildungsbereich ist die Nutzung von KI bislang nicht nur kaum präsent, sondern wird von Teilen der Lehrenden als Risiko für (die bislang üblichen) Bildungsprozesse angesehen. Zunehmend wird allerdings die Chance gesehen, dass KI Lernprozesse in Zukunft individueller, interaktiver und adaptiver gestalten kann. Diese Individualisierung kann zur Anwendung des sogenannten „Flipped-Classroom“-Konzepts führen. Dabei wird die herkömmliche Lehr- Lern-Struktur umgekehrt: Der Wissenserwerb erfolgt überwiegend außerhalb des Schulunterrichts, während die Vertiefung des Gelernten im Unterricht stattfindet. Mithilfe von KI-gestützten Tools sollen SchülerInnen ihren Lernprozess selbst steuern können, indem sie zu Hause die Lerninhalte erarbeiten. Die Schulzeit hingegen wird für tiefere Diskussionen und Anwendungen genutzt. KI soll dabei fortlaufend die individuellen Fortschritte analysieren und die Lerninhalte anpassen können. Dies würde nicht nur die Autonomie der SchülerInnen fördern, sondern auch ihre Fähigkeit zur Selbstreflexion und kritischen Auseinandersetzung mit dem Lernmaterial. Jenseits dieser Bereiche ist zu erwarten, dass KI mit unterschiedlichen Funktionen in der Verwaltung von öffentlicher und freier Jugendhilfe zum Einsatz kommen wird. Hier wird sicherlich die Fähigkeit der Large Language Models (wie z. B. ChatGPT und Mistral), Texte generieren zu können, immer stärker genutzt werden (s. auch Beitrag von Kieslinger in diesem Heft). Aber auch im Marketing, für Übersetzungen (z. B. DeepL) und zur Audio- und Videogestaltung (s. Beitrag von Rothballer/ Zeiträg in diesem Heft) wird in den nächsten drei Jahren KI zunehmend in der Jugendhilfe genutzt werden. 298 uj 7+8 | 2024 KI: Historie und Implikationen für die Jugendhilfe Unabhängig dieser potenziellen Anwendungsbereiche wird es von zentraler Bedeutung sein, dass KI in pädagogischen Prozessen nicht isoliert genutzt wird, sondern als Teil eines integrativen Ansatzes gesehen wird, der Fachkräfte in ihrer Expertise unterstützt und nicht ersetzt. Für eine systematische und hilfreiche Nutzung von KI in pädagogischen Kontexten wird es notwendig sein, dass solche integrativen Ansätze auf die jeweiligen Einsatzbereiche passend zugeschnitten sind. Die hier nur skizzierten Implikationen von KI für die Kinder- und Jugendhilfe, ergänzt um vielfältige Anwendungserfahrungen und weitere Aspekte wie Ethik und Datenschutz, werden in dem Buch „KI in der Kinder- und Jugendhilfe“ (Macsenaere 2024 im Druck) ausführlich erörtert. Abschließend noch der Hinweis, dass eine theoretische Auseinandersetzung mit KI sicherlich bereichernd ist. Sie ersetzt aber nicht die direkten, persönlichen Erfahrungen, die wir mit unterschiedlichen KI-basierten Assistenten machen können. Nur so können wir unmittelbar erfahren, welche Potenziale, aber auch welche Grenzen ihnen zugrunde liegen. Für diese Interaktion mit einer KI müssen wir mit ihr in Dialog treten. Üblicherweise geschieht dies durch einen „Prompt“, also eine Aufforderung, welche Aufgabe die KI für uns in welcher Form erledigen soll. Da dieses „Prompting“ entscheidend für die Ergebnisgüte ist, wird seitens der Jugendhilfepraxis immer wieder die Frage gestellt, wie denn ein optimaler Prompt gestaltet sein sollte. Zwar gibt es nicht den einen, für alle Aufgaben passenden Prompt, aber mittlerweile doch einige Maximen, mit denen die Mensch-KI-Interaktion in aller Regel gut gelingt. Hier einige Empfehlungen, die einfach umzusetzen sind: ➤ Formulieren Sie möglichst klar und präzise. ➤ Beschreiben Sie detailliert den Kontext Ihrer Aufgabe. Geben Sie entsprechende Hintergrundinformationen. ➤ Beschreiben Sie Ihre Erwartungen, wie die Antwort der KI gestaltet sein soll. ➤ Strukturieren Sie Ihren Prompt. Gerade bei komplexen Anfragen an die KI ist es förderlich, den Prompt klar zu gliedern. ➤ Vermeiden Sie es, in einem einzelnen Prompt zu viele oder zu komplexe Fragen zu stellen. Verteilen Sie diese besser auf mehrere Prompts. ➤ Nutzen Sie dialogisch Feedback-Schleifen: Wenn die Antwort nicht genau dem entspricht, was Sie erwartet haben, formulieren Sie einen angepassten oder verfeinerten Prompt. In diesem Sinne sind immer weiter vertiefende Dialoge mit der KI möglich. Prof. Dr. Michael Macsenaere Monika Feist-Ortmanns IKJ Institut für Kinder- und Jugendhilfe gGmbH Altendorfer Str. 237 45143 Essen E-Mail: institut@ikj-online.de Literatur Arnold, J. (2014): Passgenaue Hilfen und ihre Indikation. In: Macsenaere, M., Esser, K., Knab, E., Hiller, S. (Hrsg.): Handbuch der Hilfen zur Erziehung. Lambertus, Freiburg, 224 - 230 Bernstein, A., Roberts, M. d. V. (1958): Computer v. Chess- Player. Scientific American 198 (6), 96 - 105 Burghardt, J., Lehmann, R., Reder, M., Koska, C., Kraus, M., Müller, N. (2024): Kann Künstliche Intelligenz sozialarbeiterische Entscheidungsprozesse unterstützen? Ethik und digitale Operationalisierung im Feld der Kindeswohlgefährdung. unsere jugend 76 (7 + 8), 300 - 310 Eichenberg, C. (2023): WirkMit! - wie Beteiligung in der Kinder- und Jugendhilfe gelingen kann. unsere jugend 75 (9), 375 - 388 Hermann, V. (2023): Beteiligung von jungen Menschen und deren Familien im Jugendamt. WirkMit! als Beteiligungsmethode. unsere jugend 75 (9), 367 - 374 299 uj 7+8 | 2024 KI: Historie und Implikationen für die Jugendhilfe Horn, J. (2014): Jugendhilfeplanung nach dem SGB XIII. In: Macsenaere, M., Esser, K., Knab, E., Hiller, S. (Hrsg.): Handbuch der Hilfen zur Erziehung. Lambertus, Freiburg, 231 - 234 Kieslinger, D. (2024): Mit KI-Unterstützung zu einer inklusiven Kinder- und Jugendhilfe. unsere jugend 76 (7 + 8), 338 - 339 LeCun, Y., Bengio, Y., Hinton, G. (2015): Deep learning. Nature 521 (7553), 436 - 444 Macsenaere, M., Esser, K. (2015): Was wirkt in der Erziehungshilfe? Wirkfaktoren in Heimerziehung und anderen Hilfearten. 2. Aufl. Reinhardt, München Macsenaere, M. (Hrsg.) (2024 im Druck): KI in der Kinder- und Jugendhilfe. Ernst Reinhardt, München Macsenaere, M., Paries, G., Arnold, J. (2009): EST! Evaluation der Sozialpädagogischen Diagnose-Tabellen - Abschlussbericht. München Plafky, C., Kuck, A., Kratz, N., Frischhut, H. (2024): KI als Instrument für die Ressourcen- und Maßnahmenplanung in sozialen Einrichtungen. unsere jugend 76 (7 + 8), 311 - 327 Rothballer, M., Zeiträg, M. (2024): Künstliche Intelligenz als Chance für Soziale Arbeit. Ein Werkstattbericht der Diakonie Rosenheim zu transformativen Ansätzen und Anwendungen. unsere jugend 76 (7 + 8), 328 - 337 Schmidt, M., Schneider, K., Hohm, E., Pickartz, A., Macsenaere, M., Petermann, F. et al. (Hrsg.) (2003): Effekte erzieherischer Hilfen und ihre Hintergründe. Schriftenreihe des BMFSFJ. Bd. 219. Kohlhammer, Stuttgart Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A. et al. (2017): Mastering the game of Go without human knowledge. Nature 550 (7676), 354 - 359 Turing, A. M. (1950): Computing machinery and intelligence. Mind 59 (236), 433 - 460 Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N. et al. (2017): Attention is all you need. In: https: / / proceedings.neurips.cc/ paper_files/ paper/ 2017/ file/ 3f5ee243547dee91fbd053c1c4a845aa-Paper. pdf, 25.04.2024 Weizenbaum, J. (1966): ELIZA - A Computer Program For the Study of Natural Language Communication Between Man And Machine. Communications of the ACM 9 (1), 36 - 45 a www.reinhardtverlag.de Wie kann in den verschiedenen Tätigkeitsfel dern der Sozialen Arbeit fachlich angemessen und planvoll gehandelt werden? Was sind die re levanten Methoden, Verfahren und Techniken und wie werden diese professionell eingesetzt? Namhafte Autor: innen erläutern in diesem Buch gut strukturiert die drei klassischen Methoden sowie die zentralen Verfahren und Techniken der Sozialen Arbeit als Grundlagen für das me thodische Handeln nach den Regeln der Kunst. Der Titel ist umfassend aktualisiert worden, zahl reiche Beiträge wurden neu verfasst - unter Bei behaltung der bewährten bisherigen Struktur. Bewährtes Methodenlehrbuch neu bearbeitet 4., neu bearb. u. erw. Aufl. 2023. 235 Seiten. 7 Abb. 1 Tab. utb-S (978-3-8252-6083-5) kt