From 7b5f6eb6bfa3b35e2d62d2041a9f07f917094ab2 Mon Sep 17 00:00:00 2001
From: Jochen Hanisch-Johannsen <kontakt@jochen-hanisch.de>
Date: Sat, 31 May 2025 07:58:20 +0200
Subject: [PATCH] Initialer Commit: curriculare Analyse NFS-H

---
 .gitignore                             |  80 ++++++
 APrV-Kuerzel_zu_Kompetenzbereichen.csv |  54 ++++
 README.md                              |  32 +++
 config_lms.py                          |   5 +
 lms-verteilung.xlsx                    | Bin 0 -> 10639 bytes
 lms_statistische-analyse.py            | 381 +++++++++++++++++++++++++
 6 files changed, 552 insertions(+)
 create mode 100644 .gitignore
 create mode 100644 APrV-Kuerzel_zu_Kompetenzbereichen.csv
 create mode 100644 README.md
 create mode 100644 config_lms.py
 create mode 100644 lms-verteilung.xlsx
 create mode 100644 lms_statistische-analyse.py

diff --git a/.gitignore b/.gitignore
new file mode 100644
index 0000000..f64f4f5
--- /dev/null
+++ b/.gitignore
@@ -0,0 +1,80 @@
+# Byte-compiled / optimized / DLL files
+__pycache__/
+*.py[cod]
+*$py.class
+
+# C extensions
+*.so
+
+# Distribution / packaging
+.Python
+build/
+develop-eggs/
+dist/
+downloads/
+eggs/
+.eggs/
+lib/
+lib64/
+parts/
+sdist/
+var/
+*.egg-info/
+.installed.cfg
+*.egg
+
+# Installer logs
+pip-log.txt
+pip-delete-this-directory.txt
+
+# Unit test / coverage reports
+htmlcov/
+.tox/
+.nox/
+.coverage
+.coverage.*
+.cache
+nosetests.xml
+coverage.xml
+*.cover
+*.py,cover
+.hypothesis/
+
+# Pytest
+.pytest_cache/
+
+# mypy
+.mypy_cache/
+.dmypy.json
+dmypy.json
+
+# Pyre
+.pyre/
+
+# profiling
+prof/
+
+# Jupyter Notebook
+.ipynb_checkpoints
+
+# pyenv
+.python-version
+
+# pipenv
+Pipfile.lock
+
+# pyright
+.pyright/
+
+# vscode
+.vscode/
+
+# system files
+.DS_Store
+
+# Output files
+# Ignore only generated or temporary figures in Abbildungen/
+Abbildungen/*.tmp.*
+Abbildungen/*_entwurf.*
+*.html
+*.png
diff --git a/APrV-Kuerzel_zu_Kompetenzbereichen.csv b/APrV-Kuerzel_zu_Kompetenzbereichen.csv
new file mode 100644
index 0000000..9acbd7f
--- /dev/null
+++ b/APrV-Kuerzel_zu_Kompetenzbereichen.csv
@@ -0,0 +1,54 @@
+Kürzel,Kompetenzbereich
+1a,fachlich
+1b,fachlich
+1c,fachlich
+1d,fachlich
+1e,fachlich
+1f,fachlich
+2a,fachlich
+2b,fachlich
+2c,fachlich
+2d,methodisch
+2e,methodisch
+2f,methodisch
+2g,methodisch
+2h,methodisch
+3a,sozial
+3b,sozial
+3c,sozial
+3d,sozial
+3e,sozial
+4a,methodisch
+4b,methodisch
+4c,methodisch
+5a,methodisch
+5b,methodisch
+5c,methodisch
+5d,methodisch
+5e,methodisch
+6a,methodisch
+6b,methodisch
+6c,methodisch
+6d,methodisch
+7a,fachlich
+7b,fachlich
+7c,fachlich
+7d,fachlich
+7e,fachlich
+7f,fachlich
+7g,fachlich
+7h,fachlich
+7i,fachlich
+8a,personal
+8b,personal
+8c,personal
+8d,personal
+9a,personal
+9b,personal
+9c,personal
+9d,personal
+9e,personal
+10a,sozial
+10b,sozial
+10c,sozial
+10d,sozial
diff --git a/README.md b/README.md
new file mode 100644
index 0000000..d3b487f
--- /dev/null
+++ b/README.md
@@ -0,0 +1,32 @@
+# Learning Management System – Curriculum Analyse
+
+Dieses Projekt enthält die vollständige Python-gestützte Analyse der curricularen Struktur des digitalen Bildungsraums „NFS-H“. Ziel ist die datenbasierte Validierung der curricularen Kohärenz anhand der Ausbildungs- und Prüfungsverordnung für Notfallsanitäter*innen (NotSan-APrV).
+
+## Zielsetzung
+
+Nachgewiesen werden:
+- curriculare Konsistenz (Korrelation Aufgaben vs. Dauer, r = 0.66)
+- inhaltliche Validität (Deckung mit APrV-Themenverteilung: 47/27/26)
+- strukturierte Kompetenzorientierung (fachlich, sozial, personal, methodisch)
+- Visualisierungen zur quantitativen Analyse
+
+## Inhalt
+
+- `lms_statistische-analyse.py`: Hauptskript zur statistischen Auswertung
+- `lms-verteilung.xlsx`: Zuordnung von Handlungssituationen zu APrV-Kürzeln
+- `APrV-Kuerzel_zu_Kompetenzbereichen.csv`: Mapping von Kürzeln zu Kompetenzbereichen
+- Visualisierungen werden automatisiert erzeugt; exportierte PNG-Dateien sind optional und werden lokal gespeichert
+
+## Methoden
+
+- Automatisierte Zuordnung über Pandas
+- Visualisierung mit Plotly (Boxplots, Tortendiagramme, Balkendiagramme)
+- Vergleich mit APrV-Gesetzesvorgaben als Referenzstruktur
+
+## Lizenz
+
+MIT License – siehe `LICENSE`
+
+## Hinweis
+
+Dieses Repository ist Bestandteil der Dissertationsarbeit an der Charité – Universitätsmedizin Berlin.
\ No newline at end of file
diff --git a/config_lms.py b/config_lms.py
new file mode 100644
index 0000000..ae21bbe
--- /dev/null
+++ b/config_lms.py
@@ -0,0 +1,5 @@
+
+# Visualisierungs- und Darstellungsparameter für Plotly-Diagramme
+plotly_theme = "dark"  # CI-konformes Plotly-Theme: "dark" oder "light"
+export_fig_visual = False  # Steuerung, ob Visualisierungen exportiert werden
+export_fig_png = False  # Separater Schalter für PNG-Export
diff --git a/lms-verteilung.xlsx b/lms-verteilung.xlsx
new file mode 100644
index 0000000000000000000000000000000000000000..9ba80692ea7ffeed29a2b84d3258a04b6ddeb825
GIT binary patch
literal 10639
zcmeHt1y@|l()PfhL4vzmg1bv_w?J@r4el-p1a}Jr*93QW8#K7PI|TP{l6&ua&dE97
zFSvKlTD#ZObk*L|-A_H$)uku{gu(#80N?-s04c!m_=~wN1ON~X1puG};2^a`Y;BxO
zY@GDox!ajI>M*#yw<gJkf_$9`fCTsd-}PTS0>$xz@?A_QV%L%nBAfKmi<N?K>_-88
zXf$sH+PmX=zZz+!TUb1&huotGXJJ}$R-lb8da|4in^)SruMPOr+oXgT=HK70qKnVT
z*wc4N*@lf9>!7J|l8J#Y$c(F}7h#$TNVc!*QeqQb6Ot~*Gsnad@Z0z@-=~VY(%XRe
zRkM)0f1zVlUUeCjYoKTXWn&C|($a$3Q}=v>UJ5FV%ySXTMK@28R9%_cP^rP;E=i`<
z@pV1xl)e$<GE-1=3-Z#)3QSWgCy^W*US(0}#aGSVXe-(_FKsW6w%3ti7m9a{9GK>M
z^jhhH{-gopvj9b_uxhLl7MoG;?l+h@vV*6cBun>{Yv=^sEBMBZ=~2<f@;GGg=~nal
z(nS@xIcWlX3i?6yT<r=+Mg(3q`D3t~P+~XF7+0u!jpyycD4=#y3h&^f)&4zR&%^Iq
zT7k!BiF>{*PcQ($^D_{j_!n5#s4$UVfY+KV7<C9>Sn4^LSUWN@{Jj4Uj{n6N{L^1A
zj+ImBVnPf$k$ed5zn)r(MiG{A6_RWsedpsRwfM3oB8LKhsqGa3$~(M3poDLW&%?mN
z5?{oAKk3yvTX7f~1}}N7Ye`VjoxL+G4V6QpxP9?jH>%6j<<wP*gtYr>mzF4+Z}o*)
zGN2W5@rg6h3Y1X>H9UCqJc1xB{uF=BUOA0r!<$lwDPiTKlA!WB&dmL|(Ny1=#QZ&^
zH=np=564q5`yCC<=1RT#tw}F$@l=$}xh={K(;axo-1UsD+s{Q)+t44q=;hP;mB`r8
zZdgVo`Y1CmeKo7u&IZ4@cXPsbed|931%we7E`u5B?;x22g;az90e~qmmAwRyjGHy1
ztF42Tp{=dePu?n4(Xq|p!tmC!cn1F9?eRi?$FojuPFs^h6KCO?L4%#PO07SgOr^s9
z>|H7)xd5_EII<SCw$>xg@H}bQewe5&s(D4@(YpYbVuoW;P45PpcmB}I;K(ni$ta~2
z`?-!yc(hs~gTd$d$g8Vo1Gp1~2dMV`KttX1o#`$+8)<LUO+rgu!+s0}UZjHKPF_*z
z3Nx>=2noSx)Ev%g44D+8K>u_q6q9YE=lgfnV?n5r5U4xvo<<*Gt5D@tJTjtSc}BMh
zh;HDw6fYv7m}!i)t;VeYzRA_AX{VYJzrMh>kgSUQIQ_ld!XV6mYcI-C!2E2Cz>k&g
zAd6Onjw>#h0#fdvOa<Ak({^b$V&g5s@@6$A^k<gO@Z)$jXu_ugpSFqWHFnp%dMrJf
z;!4FEk6A6=<y+=X<tClSN@<Gs2a~RRcSSecjrE@@w=|sj5p8cDeID^$x{*wTK8a)#
zUO*VD);c_a5{|r-5|ciLZL0)|@c8jgWjJEiqDN?LKH!O;NhqsaP;ZsCIu{Nk;wxgD
zhm;)|eO3dz6JbjrUD{G6Ihc8KVN0+)pI$32elG#y-H1>G*{eLj7R3tR+6n?(C|pn8
zzyj+-?P50~Fz}l7Ox2=e88_k4pjcjCUwXph!X4{9u$_5Z-!*P+v+~z{d6!`@IP*9Z
zg-%=`gyy!=fw1-w`c+`@m6TdCssl-vgv^XFZ%Hy2f%>h-6T<Sd)70~%tkp_F!M;b6
ziPJ>efCy5}5uue#Ye@7FFGT%0Uj+YbWc6^pN1wEYzs*BC_t2xzTqEQ_{?0e4LZBGE
zFr$$EZIRKO2i~h90R=)mg-VU$1)oD6)&;4`ZenU&TdoLBYCC+-62d7x&KBglhTLMJ
zd3Nok{aO_Rju<Lo=frxtVdjX5tAI)9LS5$^1ARlQe7ap#-Aji<Av;9#&&ZM9e2z|h
zbvjG%rinycwRr{dro%eE>BH!1l+xa)ozEM(1kS|r8F)RFWWo&4)I@8*n#^w>E=Y>L
zh_qkR&vhfASp&shaXKzBo2e_HjgBqR)#<DZjW?vW#i|^a3AoWh_tvMPaSQf*H6-lI
zvOIr0G;pX%o!vRmx%?O=+vDAKzk=B2cg@Z}#?{6@#`Ngb(kw7`W!c)?HmJZJSr$hp
zuq2>Mx89a`{-%ID+!wKsnM%7RM>ax=3i}NhlYd98zd(G_Irx`GFty<U;2^-L{TI9a
z8N2^sItXy!3C8|^_f@PUC)3S@(t_|5%;cKtf{8lk#7K6ia_|xkR874=Mat@Pv4T(2
zsG~kD!w9quaz7dFbGc?mUI(IIcF-1vqCt6}Tc7Yk+YX-(1K|vhN{9j^pwZC|_Yb}u
zAs~NtL~js??Waq};M%@<O^F+vlTRjk(J&swW;w#-%wp;Iop1o`=?AMf{q8;}AC?4E
z*VU1HrZ(MrZV*|xg2@PQCmuV;g_q((atDm<PLk5zbckKS{b+tLm2)4l>d3i6+#>iU
zL-duM-z&(8B)DIK*q1uiaVtBeN#$hCN%($%x^3YH-QdNE=_aUeY6U#ge_t|cobNOA
zp#gwBYybcU+~ePl-qGB|#L1EISHt|%<EO<fM5Z#K1f9@c64I?WB9cOUEEcYOdtJJJ
zHlIwY-jO^%BBip@0%V&@a2PYEZ0~hz_4P4rcH<cgA`rsQnh%F5Re-P7PRL#|xwx+@
zVJ+xZpH3`(OK*Gu86-ge#z#FZemNDd9gU)zDyODKXWu<&h9t#a1(x2YC_Zs${oAs8
z{zUr#sU(N)?tR6p6!Sev$xCuX6_tQ4@w31W(~&4hNL9&gMPg>9Y#`zesr>8Uku_<T
zPp?JE4^8}($lUKLtrASd0$WFgy1BTmnuVKRsihb^%1gZ{O?aE&9CH}Ky|SRt+->wA
z-gy0tLiLFcNn#B96ce+RF;Cya=wn$qh}Yl@Y5JMr3z2Bb*vjo8cSi3*zs7J}3Tsrh
z*(<5ek}7zPj``~u_tyD`tU)pA^3E38?5u%Z8p)ZsXph03?}Bfj(uPvGD~fMkAlV_j
zMpGQWHp`l9UAYO65g;2b&yrxV=|P?T&W1Z|Uw6y?X;bJktPfkp$ht15Nvh?Go=KgE
zmG5+}KFsvjTWV>o91fx^G#VH4Lu}_eC_^<Z?T9n%3;y`TBqW^3;V|xoK+;k?<MlYn
zF=F9EeitIS@cst;z8K<QW$718F0>vbln?sFv1)SyYxux#oJ@9n5#biQ0z{FQc%AkS
z*hEy%FRx+9eSd`pzm`pW@>`n)CKS;!!&5+w6vzcl9foF$EXXQT&jJ<S#`8XOF`=K3
z!T(S%I;CA<@)+^U#N*D<m0KGh!_LG`*_+hS4)?l-=T@)9os4Cky4!>M!ONq*w(EsQ
zk9#*nn``>|^F6$hl^o8;o`?JUhlL$?*Li`_f};dNqodPt=BdbXo?6z47g&h;W4!fn
zcYIy2k-5WBwZg7`qLIt*cV1D$Z@1n47!y4ajwXIhxFD%1^&JSoeHUO~Mm%7B%c69F
zY?FZuP2^5d^3V<>nTpJbtmY&UI|+a?V~SNJYXK-7xlP3&!{qMjME}T|2qP~M{lRn^
zX9xnm&fhcl3tfhOp*tk`*)PC96+?yy0C8#fQ${li`31uQ@`agp1zXU=6acdY0b^(o
z+^v&ZjV^-unir_T!l>>pxmT=?q0P1bxq$g_IerzR4OV)9rbUV#1c~f*SKk4zV6@&s
z*%{|<CmTdM^7ZCjn#b@2j;C$Nm9Z{}X;A~ynClL#dcPcd3Tlou=&hpZw|in&u!5iy
zI-&k{``&O8EcuF5I3ZBY(H?u9j+P2yI@6#BHCh7qhfXx{_2Io0Du#`5?u%bkf<>!8
zMN&QrbHm2TkN*-~*v4wCuPFPm;$i{51t2cp<huWu8^kZlgA`^fYYHK3|4I_*_=Qcu
zM_9^q&ri_>uzlbEl>~Svb#~z{Ly@wFr@(3Nk($-m&v<>|6?byBAg0Jya)O<R4Cf?b
z#&QTy9b`TD#)x}K*fy#~Haav8LHZfiRW^dC9H@?ITo3WNz}XbsH-1$%=;x!lT*mq6
zS!7_Lr0uA>ko8rfRhl$h1y|<f{wCsK{XbC+#e$KoWxBX6j0`Nrc_YLuMDYujL%HFJ
z-QkgOh@ayITMiy2Uqr<)IE9VvSq&bN6l|8}weaFlg`TBJzKB#KvpqlXfd6_YH^)gn
zH^;?o-w%(lKYive1XNN>$|_vS(MgXE(W>@K$<bD*uzY7#Q+hohJL*><^8=wh8*7^i
zCMbWKDiK9LKQ}sFPboGdOoWA;otd%*j>4iiH##vx4{~F7VQx2R2ipYOEH^)K_9p}X
z-7CxYe9f;1KO2GUXX@yeS9UTtd2hn_>;B6jA8HOq;n!id!S+834(Ut}?Rpw;e=p#?
zI`&vg(AkufiVxBqu@h8kqQ!uCu`?;-4{0$b<G<|jIuyp-52j%=idmmr?)ej+gZSsQ
z(9o7A!B|6AM%Kv_{-^DhzU$>^$LqLn$yo?w6kAd=2*)=>WT5a-i^@X}1*#3{1ren+
z<49Zu$r&y5J#UATji}>wAZAQ5NwmTy#IZ+=(w<NajTuw;7GZiUl#iAjsu6UZp~e>k
zFL)0lRV42=jR<BrzW7y~NdZl|-Eg;S4oe9{r&rSZ{<!F7n$&YWBcs5GXe(}gNFDv@
zOZ_13wzO#4Ez+R80OH1U+o$IJmL?UiXawdOiCPLy4&MfC2BtSJhtmwXm*n@OI$ii@
z_c;OiF7`RKPb>SZ0KU|YI8*Hbo<Q*l+hFcmr~wATM&6Q4(+!zBE8es~`6}XR`bU`f
zy|NR5je1r*4!ULtlbc@T)}7!-`Qc7{#UR_`)q@;eS^^C>U?`5<i0jy}YSYrtm{xy4
zmB_2+3G2HO17t=;6r_dSab-HU?5iHl@C<uq7(W=6V)KAW9!dnhz?-AIP#Lyd78AFl
zER0v$o#n(Z5Fd1xUe-PLuHX2r##V1b%WjTDZwGG5et+lO0-HHSE2QglJ{-2A*XH(=
zfvx9twtn089aTr1M%e^JxNfYGc)xby`>>+t8~k*C()M_|m9gli(c5;nbE4;czobwU
zoTr++zLnADae1l6`1~XI<oPU5#8Y9_0#_i5IcE2Rc6J|M5G-4M`E6WLeM&b)=VWX<
z>aI&6QBgl+dNH%(+Fdutnlgk&FLZO8hp9b(Shw`szM+>nvyeoNBX`<dNT-UUDwU_k
z33N+wVJf)SI2#Bvi@-E>WTFx!$+F2j2Ncw>ZR)O&PMKJgj~BKNX()XY-r_|jGe$h<
z+CM%DXS|*4o3x09|Dx&t4vugf=b_RC6-rI3mfI)vF0CQmLz2Oof(~JbVDr@n4b$c*
zwHJL13Frh>l^s##q1qIq(}t?O5xI~GjPM)gY_F6WjfvphmSZP~4JEDR>xiqIt;s)T
z?=XCkNIqwA=pThejZ}VR_F2^Au;2%QFh-7YsrIRnO&N;!OP_X-uIrn;Zinjw^bT}M
zI}>R!zg<1m&b7h&4+{tO!&u4nm9h%msxC+H`{9vKmKGncP)QN>*11V{K?TS#-szeg
zjFN9Yk$fXSQ`6^fcPZY#{~#G4t5=mu7FAd+d=*Z2OC->DU=?B(5r-4z{aK;?Ky_Ch
znohjWQNXb3oaOX`@CNMJI@<s_Jdbn-|9rtETc_&L`1LqpnU%rqiQF_!@t_%}P7;ZT
z4IMD#G2%UI$I$0YxMcYJ-Tnj{p>79X((Hq;s9M}xSXbHfi-3rjsgrItcb#*`fRC$5
zZxl|>I~s}V)?N2pueK7ptaL^M7R$=(aMx8Fq%+eFsY(~7w`*(8o=&t<y{&F*vl`x;
z+u-BP(9XhIn1>R<%%>WD>$867_PqASimza;G2N8>TtW<A#(vI>_?e%&in(D4R+hYe
zaukTJUZ2-44g+86BckGjwT5vO3|Y0&5Z|z$CrX`E{@yrfSe~XKf5BRyWZg($w3c`H
zDK;ZT(NHD)9%<HXpx5A=w8^e1E%D?7$0X81-kjwU%J)i6(zl<7sNOn8o4<$A6A?a1
zYazxWgbk}zZL^<>r1qPirafJbSbg7ez`l=5J{uEA<X!q0-{7&KbCh<yzvta+yanf1
z(xao`$~MyyRgl4eP{VmzE!N3Ji9nnB;Vi-8)ELUP%iSsQddZh&)n@-deoZMXoukK;
z9fM8t=;fN#7tzu!n8bKiXqoSn#b+p3UxH1!jyw=%IfDkdKCZ^xEg@7<5;P6P_p3fE
z<R-q8WbbAfptGrz-_A&;Aw$WrpP3kKLxN3ArihI>Xdi#fi$%B$xX+6LmM!Q~g+Zqj
zRj$a8&yUa1=ibn1aQU*Y+rFHR^@2VY2-{9FA5dLq4nnc2hCEv0PO$SrF)mG4=6bnc
zT1oa)s*=xluNAB<CeTY4VW+D!Fvk~|8c>;MbX?2vdTDDE5oU>f&8dj?kT+>*X2$Y;
zL$-iRXtqTjrVhu_+(nnlE!wy2P|f1XMQ{Ec7Y-0I<dg>0a?4dxA!eM$B-_RkUvZp^
zfTgl$6roVj9ozNndo7BzM7M?Umku*Is%oF)j4U8m2vU+pYi}=bDWXWz$V$~+=7-Vh
zSxZbjXu@p^yjn*XQ-;vwwjGz^O^Y6wHAr~c_C2z`IS##yI=Ato^yA=XEG{p}tXimo
zcCHu{tAcLA9GRcBdi+Y?oG?pJW%F@(Iy<bkaXzi^KzC`Vm@tvQMyjh<$*#sqjOz&-
zM|0<piF2?e+N|{5vPBoBCj9)R&jF{$rO+(Sy9XDecSSS%K6y*KQ#38&IauL%{%;P0
zGl2Y<JwoL7+XjdQLe^h=Z}od!TYWxp!s@!3@|8NAJBv)Yt$016e26R~{x0gfx#~~u
zugdje-++<e9ZXlIMp1B=Y2MP;OPauPZbVPT>eP+p9im32)yy{pk$n;6;{<@x<7>PG
z-8POwwuKxYE@bh`te30J5854C;Uf(V^sD2ijo0M=Nc8PqTf&auJevvv0D$x_qIYz1
zw>EM7x#wzDU9ef;Lh)uSe-=E|8KaD~!jBE*iu8j#GW0k0_s*k~rWyzn94lHBdu|bt
zuEk^n@f>G+pmI};5{yK|`RqbVM7?vB1tA8jL5ROg{AySUI$e4Bk+ZLmRaEr@trTl>
z0pU~h^BKd@Q2N9@eIA&T4q2Mn^L6fg)NG1KmJ%$BJ|t*b2qDTkZ@8A^=k6bpc09g@
zGi@c2U57BB9&i+d8q;$rQKK0{>*5G!t#Vbz330fsh>?y%g8k}^6Nh%WCM!`m14}7?
z7e~|~UBaW1O51*^qEi+7B<s4y=%th%4Y*~=WjYJo1uc1clPVor-SrpW+oexSe@0HQ
zd?goD=3mI(@gwY=o{2$Hd)G!O-%)FpM5hp%!5amco&<3iZP-MF5>YgvU_#E4w}f|b
z<|VE337_G5ue(0;9%>8NU?CFdyWS=a2~sO?l5o*DotDu|hM$_T^FurmLlD})TI23W
z0I8-`N&1yPv5C~s=?C<lb+tmvNJ)mSRoblh9@?<Y1;2H8@|U+))xa7qIghg8z-3r%
zLJDZ_wC;tbqMe_h>8hH|Qh?J^NE100(-Avsa-z?6j&8oyJ@!~_iWtYls1&(bkR%p$
zAFz1euKAf=>z?y#O|5dTVC9ZQk7N$T8i)DISG^GJiSg&2T8B?X8T!}kvAl2L&QXVu
zO(ufw4dAYbf`Q9S6*tP&5T1~{umiTiV&2}}zI#q^59zO*`6472ezee|*8&i$@JH~d
zcS#169g?$4#t-qWYoK#KIP>Is>9u+J?}|bMDK|AscWf`>!*g>Q-G9YZ)$K)jaOdc%
z3O6P{byW<&@uY_F8H3m%?aDbfok<TS&<i?bL3Xf??N=DTNsjIpaKmkN9gZwrJtLTS
z@!lmIpDIJjP_X1qS;H=GaQ3(hGdzdrQ-0{Qao=#4J#$yVnVDwA7r=9P)01J;0M{qP
zjNT0E%NJ&~trN>$`>XaJ-^^PiuKAv*o?ss|k^R{2usrUWVLQVDSsqcI9a*+8U<qL?
z`ea-Pwta_aNJQ$S3r`{p7LbZcA_T2u80!yD7-yd7zRKj^YW-x|A%_N|Yftz=myg`h
zR-j3~nG8PXl1_JtQjBFSU3-=q+6M=jKZ!Df4hcP;)%|p;LqwUH3qHS0yYr1(=bOu}
z+n+h^zlY(&*qfkwFghn+000>OMyI)fgNd=SlY@ng*)Nc$sSY|Ua9}LC=0E$bX(Ch3
z#U6&|hJR^{OUaL<8Zkl&QKJwC6hi829+)+bnK=~@A2j4{&Qfe~>9%7@t}pgAToZ+_
zJQ!8qh>v_*l+RxNW<$}>@I!RY3C;WI;vVEq;T6ph!&Ao=a@;Rro8R`tawPzlR^x+a
zLRzfXSD|NYoa>uV23j9xaTSNL*1@~4Ay2spe~m+U-Lzz2om&~BzWEU;&fE<vr1NXr
z3y&t>?-BV%W%(OSE!5$poRM8l1m|)4duiGglP{=xc-;yRQa#FqNr8|>zFu*`S{4cn
zX2&v*Q#F-?OTH-^=Tr(Wbe>6Kbfcv~vGs<jK2kiWo2nn>3JvzOUAk|Z$r-TJC)<^r
z+C3Cfa!_UuS7LKW3M`hP4k-!8v|L1q+r1wI@*=r_H-P(&?BO|}b$0)qV%}~Qb&GCH
zjqyjSVBgECaIQ`0>)`VCEbaa~HF4;*7?(Av(YKKO0rjF(1a=5<O4CpR&?HU6nIa$T
zMpmT|Q2lN;CS-@&N$32Q(q3Ro?j=^YHxSu*w(mnU$tujFlDjne>zGbE8p4%^zS%m~
zqh$pmNUdRMXaM@GCm$(3N()Z8;d02NG@MfOX3Co4i(?)rUvaCo*w6yW8t?2pS;#Nm
zQ>ZpDo2N$@qTv-g#5Qgb%d6DI;8S7n!{v(QzotIu3EfTqV5UJ$ZEA^sx{Ir!>Mo4~
z*+ido7vq%?&@_=dp=w`u`f`{w9+mi7M>*ko?6Xxh%(>~yZg}W@P)LokY2DU*&nI>1
zlI!7fiUMsbiTa}O!-{FfA|oben1{E4S0_3h;X3I<+5$7i-^p>eiT7a6TfD<AI_`1x
zC7PL}#22Y>6Th0>RfK#aPIdEIJwosbuqB@y9=*9-csX3o&~jzf;HN9(#@AqrA$M@=
z#&dUo4K<N`t-@XGx*!T##X!jQW?EKv$%^bN&=S+RznG266ruDq6uR5fG<DxQe-Jf5
z#2ePC*WR(%bG5ek;=PjiSh-*+x3!hU9_q?TOym9<CA;2*_7#0vH`P<8B{s*_HWvW<
zZhpmpK_$f#szXkd$L^hL@~K09^$)Uf-lm1pV<6vY0LU&r$uo89^oE9C`hbZ!U5bj<
zHSFSciNjjbuG{g)t*&BBzO3b^M9$GTx>izx-NS;>>WywsD(*s+M}R^j1TAM&tjnGs
za){g-<*~V{p*XFZR&aw`rqHG9(G0DGj2x{tP!r?Gu4msUi1|lP;9KGiRh~!Ue?mHE
zhi-*1crX4QoH<7YXU>gnjT9Yh?Hn16Y#mH~axwU5_<sp=unP>2)syLB!suCnZW94{
zraC#3WgQ8ceBwe$d)@kR(*}XVS2BC4wZ)=oD&lt4$YJDhD@|r#PL&<R$;B8^s+f)%
z@3$>3*;4xbz#)A(vl})a+A2Kg#Zh~XhPV4$2bl)@)5CCRY>FF-*y@5sRde)!JRHwf
zh#oI2LY`3C4Ge^{-RW7DC(yLts}I^n(EjjPILCfPgdyfp7+#|Dj58O24raDYLD;Bs
zy1uq$fc)(nSdXp#BIDV)SqtLpWcnMD$m5cvoQn4g#q@VL%)XH;*b0o^Q}6a|)Cd%H
zUdT59vBJL*%e`~{(Ow-+OMMnISyEvjK)2qjhSq&_Jmh`+>9BR+6!3{6C`TkA@Q3Q+
z65~!`dNhcQa-zCFDL0d%K&?jtd)2rVfmgfGJNy|vOnDtbG3n+oaPpszY>vAj@Y2Bx
z?=_faQ2xB|4D9Uwx9-3T?%!8hYzH_24L*_wULgk^hosrO4iZ#-n@i}SUICEuR5Rwm
zqLB&e#{s3A*;ZoXzt1U}IIhO;$+)`>$!_H45I7*o3d=$Xb7x?I<49yUL^!K{6u75i
zp+J}3F!B>l1N1~ZJxG-(Ta(5Bhi1w2NiDNos43_1@B$qZfwU^J5u^h7E#WF#bc<r1
z<|NV01Ls!o5&??B+*YGOhECcp7j5|_)%?T)whHt>E9ZsUWet%B>Bn8`P#oF;q6lYy
zvgx_Uu>ds(&HQ9X;8iri7pKzAi$acRH+6di9o(qQO)X)5zrDUX4u&jMLVDhE4CSC>
z?3bs~#=L>w12MB%K`DZWvq=%bq*wGx<8>CWk#;-J4^#oU6lxIzDDsT5M%OBgL6FD{
z2%dp4K_6vCO2}W{RB5J)KDX=2R=@_KdUT&5jktxtrM&^CG)LAR7teH}RID}8<>}IL
zh#8t!m75}5gI1kulcZ{j<N{*bHu&xxh51j_<4)vMYv4U!>sblBc$DXh3M<2&Ie(BD
z$>0M~-`1|*F@k63UttpjBt1Ap`sdQO|IFck+J7j7Q<V9ufxi~%{73O;n*;{RpGtOq
zSNy$j;Sbeja5d0xWemS7|MmRz4^;rb0UQDT|4&nYxAXg<+8>tk5dZHb{&vLnyOrOQ
zz<*fbMf=B;@b3nG-(3D-fCBHAfj_pIzpMTp`Tn8WN%$|--{aulE&P>H|Ih~jib(;0
ozwztu>VNf%e^#fY_>=m-y`-WHG<bFafEVD8ADF^#seXR@e?H;(D*ylh

literal 0
HcmV?d00001

diff --git a/lms_statistische-analyse.py b/lms_statistische-analyse.py
new file mode 100644
index 0000000..bc3c1b1
--- /dev/null
+++ b/lms_statistische-analyse.py
@@ -0,0 +1,381 @@
+import pandas as pd
+import plotly.graph_objs as go
+import os
+import re
+import unicodedata
+import subprocess
+from config_lms import plotly_theme, export_fig_visual, export_fig_png
+import sys
+sys.path.append("/Users/jochen_hanisch-johannsen/Documents/scripte/Jochen-Hanisch/CI/ci_template")
+from plotly_template import get_standard_layout, get_colors, set_theme
+from pathlib import Path
+set_theme(plotly_theme)
+
+# --- Hilfsfunktionen für Export und Slugify ---
+def slugify(text):
+    text = unicodedata.normalize('NFKD', text)
+    text = text.encode('ascii', 'ignore').decode('ascii')
+    text = re.sub(r'[^\w\s-]', '', text)
+    text = re.sub(r'[\s]+', '-', text)
+    return text.strip().lower()
+
+def export_figure(fig, name, export_flag_html, export_flag_png):
+    filename_part = "notsan-aprv-vergleich"
+    safe_filename = slugify(f"{name}_{filename_part}")
+    remote_path = "jochen-hanisch@sternenflottenakademie.local:/mnt/deep-space-nine/public/plot/promotion/"
+
+    if export_flag_html:
+        export_path_html = os.path.join("..", "Allgemein beruflich", "Research", "Forschungsprojekte", "Systemische Kompetenzentwicklung für High Responsibility Teams", f"{safe_filename}.html")
+        fig.write_html(export_path_html, full_html=True, include_plotlyjs="cdn")
+        try:
+            subprocess.run(["scp", export_path_html, remote_path], check=True)
+            print(f"✅ HTML-Datei '{export_path_html}' erfolgreich übertragen.")
+            os.remove(export_path_html)
+            print(f"🗑️ Lokale HTML-Datei '{export_path_html}' wurde gelöscht.")
+        except subprocess.CalledProcessError as e:
+            print("❌ Fehler beim HTML-Übertragen:")
+            print(e.stderr)
+
+    if export_flag_png:
+        export_path_png = os.path.join("..", "Allgemein beruflich", "Research", "Forschungsprojekte", "Systemische Kompetenzentwicklung für High Responsibility Teams", f"{safe_filename}.png")
+        try:
+            fig.write_image(export_path_png, width=1200, height=800, scale=2)
+            print(f"✅ PNG-Datei lokal gespeichert: '{export_path_png}'")
+        except Exception as e:
+            print("❌ Fehler beim PNG-Export:", str(e))
+
+# PNG-Exportpfad definieren
+png_export_path = Path(__file__).parent.parent.parent / "Allgemein beruflich" / "Research" / "Charité - Universitätsmedizin Berlin" / "Dissertation" / "Abbildungen"
+
+# Ursprüngliche Datentabelle (bitte bei Bedarf anpassen)
+df = pd.DataFrame({
+    "Kursbezeichnung": [
+        "NFS-H-01", "NFS-H-02", "NFS-H-03", "NFS-H-04", "NFS-H-05", "NFS-H-06",
+        "NFS-H-07", "NFS-H-08", "NFS-H-09", "NFS-H-10", "NFS-H-11", "NFS-H-12",
+        "NFS-H-13", "NFS-H-14", "NFS-H-15", "NFS-H-16", "NFS-H-17", "NFS-H-18",
+        "NFS-H-19", "NFS-H-20", "NFS-H-21", "NFS-H-22", "NFS-H-23", "NFS-H-24",
+        "NFS-H-25", "NFS-H-26", "NFS-H-27", "NFS-H-28", "NFS-H-29", "NFS-H-30",
+        "NFS-H-31", "NFS-H-32"
+    ],
+    "Titel": [
+        "Einführung in die berufliche Ausbildung", "Das eigene Berufsfeld erkunden und berufliches Selbstverständnis entwickeln",
+        "Die eigene Lehrrettungswache erleben", "Das rettungsdienstliche Umfeld kennen lernen", "Mit sich selbst und Anderen umgehen",
+        "Einen Patienten im Krankentransport beurteilen", "Lebensrettende Maßnahmen durchführen", "Eine Einsatzfahrt durchführen",
+        "Einen Krankentransport durchführen", "Mit BOS-Peers kommunizieren", "Mit unterschiedlichen Patienten-Peers kommunizieren",
+        "Beratungsgespräche führen", "Mit Sterben im Rettungsdienst umgehen", "Einen Einsatz in der primären Notfallmedizin durchführen",
+        "Einen Notfallpatienten beurteilen", "Patienten mit A-Problem behandeln", "Patienten mit B-Problem behandeln",
+        "Patienten mit C-Problem behandeln", "Patienten mit D-Problem behandeln", "Patienten mit E-Problem behandeln",
+        "Einen pädiatrischen Patienten behandeln", "Einen Einsatz in der Sekundärrettung durchführen",
+        "Urologische und nephrologische Notfälle versorgen", "Hals-Nasen-Ohren Erkrankungen und Verletzungen versorgen",
+        "Mit psychischen Erkrankungen und Notfällen umgehen", "Eine gynäkologische Patientin versorgen",
+        "Notfälle der Wasserrettung versorgen", "Einsätze mit besonderen Verhaltensmaßnahmen durchführen",
+        "Einsätze mit besonderer Logistik durchführen", "Mit BOS zusammenarbeiten", "Das eigene Berufsfeld reflektieren",
+        "Vorbereitung auf die Notfallsanitäterprüfung"
+    ],
+    "∑ Aufgaben": [
+        6, 16, 28, 37, 31, 14, 47, 36, 11, 25, 12, 18, 15, 18, 24, 26, 24, 36, 20, 57, 15, 11, 17, 19, 11, 22, 9, 61, 55, 13, 54, 60
+    ],
+    "Dauer [d]": [
+        7, 32, 17, 31, 53, 15, 67, 77, 13, 42, 2, 7, 4, 20, 31, 48, 7, 12, 29, 90, 2, 53, 5, 2, 42, 18, 2, 93, 100, 5, 5, 40
+    ]
+})
+
+# --- Automatische Berechnung Themenbereichsanteile pro Kurs ---
+# Ausschließlich systematische APrV-Zuordnung aus lms-verteilung.xlsx und zuordnung_praezise verwenden
+from collections import defaultdict
+
+zuordnung_praezise = {
+    # Medizinisch
+    "1a": "medizinisch", "1b": "medizinisch", "1c": "medizinisch", "1d": "rettungsdienstlich", "1e": "medizinisch", "1f": "medizinisch",
+    "7a": "medizinisch", "7b": "medizinisch", "7c": "medizinisch", "7d": "medizinisch",
+    "7e": "medizinisch", "7f": "medizinisch", "7g": "medizinisch", "7h": "medizinisch", "7i": "medizinisch",
+    # Rettungsdienstlich
+    "2a": "rettungsdienstlich", "2b": "rettungsdienstlich", "2c": "rettungsdienstlich", "2d": "rettungsdienstlich", "2e": "rettungsdienstlich", "2f": "rettungsdienstlich", "2g": "rettungsdienstlich", "2h": "rettungsdienstlich",
+    "4a": "rettungsdienstlich", "4b": "rettungsdienstlich", "4c": "rettungsdienstlich",
+    "5a": "rettungsdienstlich", "5b": "rettungsdienstlich", "5c": "rettungsdienstlich", "5d": "rettungsdienstlich", "5e": "rettungsdienstlich",
+    # Bezugswissenschaftlich
+    "3a": "bezugswissenschaftlich", "3b": "bezugswissenschaftlich", "3c": "bezugswissenschaftlich", "3d": "bezugswissenschaftlich", "3e": "bezugswissenschaftlich",
+    "6a": "bezugswissenschaftlich", "6b": "bezugswissenschaftlich", "6c": "bezugswissenschaftlich", "6d": "bezugswissenschaftlich",
+    "8a": "bezugswissenschaftlich", "8b": "bezugswissenschaftlich", "8c": "bezugswissenschaftlich", "8d": "bezugswissenschaftlich",
+    "9a": "bezugswissenschaftlich", "9b": "bezugswissenschaftlich", "9c": "bezugswissenschaftlich", "9d": "bezugswissenschaftlich", "9e": "bezugswissenschaftlich",
+    "10a": "bezugswissenschaftlich", "10b": "bezugswissenschaftlich", "10c": "bezugswissenschaftlich", "10d": "bezugswissenschaftlich"
+}
+
+# Systematische Zuordnung aus externer Excel
+df_para = pd.read_excel(Path(__file__).parent / "lms-verteilung.xlsx")
+df_para = df_para.set_index("Nummer")
+
+anteile_liste = []
+for idx, row in df.iterrows():
+    kursnummer = int(row["Kursbezeichnung"].split("-")[-1])
+    if kursnummer not in df_para.index:
+        # Keine manuelle Kurs-Zuordnung mehr, ausschließlich systematische APrV-Zuordnung
+        d = "unbekannt"
+        print(f"❗ Kurs {kursnummer} ({row['Titel']}) hat unbekannten Themenbereich.")
+        print(f"   → Verwendete APrV-Kürzel: {[ ]}")
+        anteile_liste.append((0, 0, 0, "unbekannt"))
+        continue
+    else:
+        para_raw = df_para.loc[kursnummer, "NotSan-APrV"]
+        if pd.isna(para_raw):
+            d = "unbekannt"
+            print(f"❗ Kurs {kursnummer} ({row['Titel']}) hat unbekannten Themenbereich.")
+            print(f"   → Verwendete APrV-Kürzel: {[ ]}")
+            anteile_liste.append((0, 0, 0, "unbekannt"))
+            continue
+        else:
+            para_liste = [p.strip() for p in str(para_raw).split(",")]
+    zähler = defaultdict(int)
+    gesamt = 0
+    for para in para_liste:
+        bereich = zuordnung_praezise.get(para)
+        if bereich:
+            zähler[bereich] += 1
+            gesamt += 1
+    m = round(zähler["medizinisch"] / gesamt * 100, 2) if gesamt else 0
+    r = round(zähler["rettungsdienstlich"] / gesamt * 100, 2) if gesamt else 0
+    b = round(zähler["bezugswissenschaftlich"] / gesamt * 100, 2) if gesamt else 0
+    d = max(("medizinisch", m), ("rettungsdienstlich", r), ("bezugswissenschaftlich", b), key=lambda x: x[1])[0] if gesamt else "unbekannt"
+    # Debug-Ausgabe bei unbekanntem Themenbereich
+    if d == "unbekannt":
+        print(f"❗ Kurs {kursnummer} ({row['Titel']}) hat unbekannten Themenbereich.")
+        print(f"   → Verwendete APrV-Kürzel: {para_liste}")
+    anteile_liste.append((m, r, b, d))
+
+df["Anteil medizinisch"], df["Anteil rettungsdienstlich"], df["Anteil bezugswissenschaftlich"], df["Themenbereich"] = zip(*anteile_liste)
+
+#
+# --- APrV-Grundlagen: Themenschwerpunkte und Kompetenzbereiche ---
+#
+# Grundlage: APrV-Zuordnung durch Schüler*innen (prozentuale Verteilung nach Stunden)
+# Thematische Gewichtung nach APrV
+apr_theme_df = pd.DataFrame({
+    "Thema": ["medizinisch", "rettungsdienstlich", "bezugswissenschaftlich"],
+    "Stunden": [496, 909, 515],
+    "Anteil (%)": [27, 47, 26]
+})
+
+# Kompetenzgewichtung nach APrV
+apr_kompetenz_df = pd.DataFrame({
+    "Kompetenz": ["fachlich", "sozial", "personal", "methodisch"],
+    "Stunden": [464, 294, 206, 956],
+    "Anteil (%)": [24, 15, 11, 50]
+})
+
+
+
+
+
+# Umbenennung "unbekannt" → "Einführung/Prüfung" für valide Kategorisierung
+df["Themenbereich"] = df["Themenbereich"].replace("unbekannt", "Einführung/Prüfung")
+
+# Deskriptive Gesamtstatistik
+gesamt_stats = {
+    "Anzahl Kurse": len(df),
+    "Gesamtaufgaben": df["∑ Aufgaben"].sum(),
+    "Gesamtdauer [d]": df["Dauer [d]"].sum(),
+    "Ø Aufgaben pro Kurs": df["∑ Aufgaben"].mean(),
+    "Ø Dauer pro Kurs [d]": df["Dauer [d]"].mean(),
+    "Median Aufgaben": df["∑ Aufgaben"].median(),
+    "Median Dauer [d]": df["Dauer [d]"].median(),
+    "Standardabweichung Aufgaben": df["∑ Aufgaben"].std(),
+    "Standardabweichung Dauer [d]": df["Dauer [d]"].std(),
+    "Min Aufgaben": df["∑ Aufgaben"].min(),
+    "Max Aufgaben": df["∑ Aufgaben"].max(),
+    "Min Dauer [d]": df["Dauer [d]"].min(),
+    "Max Dauer [d]": df["Dauer [d]"].max(),
+    "Korrelation Aufgaben vs. Dauer": df["∑ Aufgaben"].corr(df["Dauer [d]"])
+}
+print("Gesamtstatistik:\n", pd.Series(gesamt_stats).round(2))
+
+# Gruppierte Statistik
+gruppe = df.groupby("Themenbereich").agg({
+    "∑ Aufgaben": ["mean", "std", "count"],
+    "Dauer [d]": ["mean", "std"]
+}).round(2)
+gruppe.columns = ['Ø Aufgaben', 'SD Aufgaben', 'Anzahl Kurse', 'Ø Dauer', 'SD Dauer']
+print("\nStatistik nach Themenbereich:\n", gruppe)
+
+
+def plot_boxplots(df):
+    colors = get_colors()
+    # Spezifische Reihenfolge: medizinisch, rettungsdienstlich, bezugswissenschaftlich, Einführung/Prüfung
+    kategorie_order = []
+    for k in ["medizinisch", "rettungsdienstlich", "bezugswissenschaftlich", "Einführung/Prüfung"]:
+        if k in df["Themenbereich"].unique():
+            kategorie_order.append(k)
+    # Ergänze ggf. andere Kategorien (falls weitere vorkommen)
+    for k in sorted(df["Themenbereich"].unique()):
+        if k not in kategorie_order:
+            kategorie_order.append(k)
+
+    # Aufgaben-Boxplot
+    fig1 = go.Figure()
+    for k in kategorie_order:
+        d = df[df["Themenbereich"] == k]
+        fig1.add_trace(go.Box(
+            y=d["∑ Aufgaben"],
+            name=k,
+            boxmean='sd',
+            marker=dict(color=colors["secondaryLine"]),
+            line=dict(color=colors["primaryLine"])
+        ))
+    fig1.update_layout(get_standard_layout(
+        title="Verteilung der Aufgaben pro Themenbereich",
+        x_title="Themenbereich",
+        y_title="∑ Aufgaben"
+    ))
+    export_figure(fig1, fig1.layout.title.text, export_fig_visual, export_fig_png)
+    fig1.show()
+
+    # Dauer-Boxplot
+    fig2 = go.Figure()
+    for k in kategorie_order:
+        d = df[df["Themenbereich"] == k]
+        fig2.add_trace(go.Box(
+            y=d["Dauer [d]"],
+            name=k,
+            boxmean='sd',
+            marker=dict(color=colors["secondaryLine"]),
+            line=dict(color=colors["primaryLine"])
+        ))
+    fig2.update_layout(get_standard_layout(
+        title="Verteilung der Kursdauer pro Themenbereich",
+        x_title="Themenbereich",
+        y_title="Dauer in Tagen"
+    ))
+    export_figure(fig2, fig2.layout.title.text, export_fig_visual, export_fig_png)
+    fig2.show()
+
+
+def plot_aprv_pies():
+    colors = get_colors()
+
+    # Thema-Tortendiagramm
+    fig1 = go.Figure(data=[go.Pie(
+        labels=apr_theme_df["Thema"],
+        values=apr_theme_df["Anteil (%)"],
+        marker=dict(colors=[colors["primaryLine"], colors["secondaryLine"], colors["depthArea"]]),
+        textinfo='label+percent',
+        insidetextorientation='radial'
+    )])
+    fig1.update_layout(get_standard_layout(
+        title="Anteil der Themenbereiche nach APrV",
+        x_title="", y_title=""
+    ))
+    fig1.update_layout(showlegend=True)
+    export_figure(fig1, fig1.layout.title.text, export_fig_visual, export_fig_png)
+    fig1.show()
+
+    # Kompetenz-Tortendiagramm
+    fig2 = go.Figure(data=[go.Pie(
+        labels=apr_kompetenz_df["Kompetenz"],
+        values=apr_kompetenz_df["Anteil (%)"],
+        marker=dict(colors=[
+            colors["primaryLine"], colors["secondaryLine"],
+            colors["depthArea"], colors["brightArea"]
+        ]),
+        textinfo='label+percent',
+        insidetextorientation='radial'
+    )])
+    fig2.update_layout(get_standard_layout(
+        title="Anteil der Kompetenzbereiche nach APrV",
+        x_title="", y_title=""
+    ))
+    fig2.update_layout(showlegend=True)
+    export_figure(fig2, fig2.layout.title.text, export_fig_visual, export_fig_png)
+    fig2.show()
+
+
+def plot_vergleich_lehrplan_aprv():
+    # Gruppierung der Kursdauer nach Themenbereich
+    nfsh_theme = df.groupby("Themenbereich")["Dauer [d]"].sum().reset_index()
+    nfsh_theme["Anteil (%)"] = 100 * nfsh_theme["Dauer [d]"] / nfsh_theme["Dauer [d]"].sum()
+
+    # Zusammenführung mit Schüler*innen-Schätzung aus APrV
+    vergleich_df = pd.merge(
+        apr_theme_df[["Thema", "Anteil (%)"]].rename(columns={"Anteil (%)": "Schätzung APrV"}),
+        nfsh_theme.rename(columns={"Themenbereich": "Thema", "Anteil (%)": "NFS-H-Anteil"}),
+        on="Thema"
+    )
+
+    # Visualisierung: Gegenüberstellung als Balkendiagramm
+    colors = get_colors()
+    fig = go.Figure(data=[
+        go.Bar(name='Schätzung APrV', x=vergleich_df["Thema"], y=vergleich_df["Schätzung APrV"],
+               marker_color=colors["primaryLine"]),
+        go.Bar(name='NFS-H-Anteil', x=vergleich_df["Thema"], y=vergleich_df["NFS-H-Anteil"],
+               marker_color=colors["secondaryLine"])
+    ])
+    fig.update_layout(
+        get_standard_layout("Vergleich Themengewichtung: APrV-Schätzung vs. NFS-H-Lehrplan", "Thema", "Anteil [%]"),
+        barmode='group'
+    )
+    export_figure(fig, fig.layout.title.text, export_fig_visual, export_fig_png)
+    fig.show()
+
+
+
+
+def plot_vergleich_kompetenz_aprv():
+    # Automatische Zuordnung der Kompetenzbereiche basierend auf CSV-Datei
+    kuerzel_df = pd.read_csv(Path(__file__).parent / "APrV-Kuerzel_zu_Kompetenzbereichen.csv")
+    kuerzel_map = dict(zip(kuerzel_df["Kürzel"], kuerzel_df["Kompetenzbereich"]))
+
+    kompetenz_liste = []
+    for idx, row in df.iterrows():
+        kursnummer = int(row["Kursbezeichnung"].split("-")[-1])
+        if kursnummer not in df_para.index:
+            kompetenz_liste.append("unbekannt")
+            continue
+        para_raw = df_para.loc[kursnummer, "NotSan-APrV"]
+        if pd.isna(para_raw):
+            kompetenz_liste.append("unbekannt")
+            continue
+        para_liste = [p.strip() for p in str(para_raw).split(",")]
+        zähler = defaultdict(int)
+        for para in para_liste:
+            komp = kuerzel_map.get(para)
+            if komp:
+                zähler[komp] += 1
+        if zähler:
+            hauptkategorie = max(zähler.items(), key=lambda x: x[1])[0]
+        else:
+            hauptkategorie = "unbekannt"
+        kompetenz_liste.append(hauptkategorie)
+
+    df["Kompetenzbereich"] = kompetenz_liste
+
+    # Gruppierung nach Kompetenzbereich
+    nfsh_k = df.groupby("Kompetenzbereich")["Dauer [d]"].sum().reset_index()
+    nfsh_k["Anteil (%)"] = 100 * nfsh_k["Dauer [d]"] / nfsh_k["Dauer [d]"].sum()
+
+    # Merge mit APrV-Kompetenzverteilung
+    vergleich_k = pd.merge(
+        apr_kompetenz_df[["Kompetenz", "Anteil (%)"]].rename(columns={"Anteil (%)": "Schätzung APrV"}),
+        nfsh_k.rename(columns={"Kompetenzbereich": "Kompetenz", "Anteil (%)": "NFS-H-Anteil"}),
+        on="Kompetenz"
+    )
+
+    # Visualisierung
+    colors = get_colors()
+    fig = go.Figure(data=[
+        go.Bar(name='Schätzung APrV', x=vergleich_k["Kompetenz"], y=vergleich_k["Schätzung APrV"],
+               marker_color=colors["primaryLine"]),
+        go.Bar(name='NFS-H-Anteil', x=vergleich_k["Kompetenz"], y=vergleich_k["NFS-H-Anteil"],
+               marker_color=colors["secondaryLine"])
+    ])
+    fig.update_layout(
+        get_standard_layout("Vergleich Kompetenzgewichtung: APrV-Schätzung vs. NFS-H-Lehrplan", "Kompetenzbereich", "Anteil [%]"),
+        barmode='group'
+    )
+    export_figure(fig, fig.layout.title.text, export_fig_visual, export_fig_png)
+    fig.show()
+
+
+# --- Visualisierungen aufrufen ---
+# Alle Visualisierungen in sinnvoller Reihenfolge aufrufen
+plot_aprv_pies()
+plot_vergleich_lehrplan_aprv()
+plot_vergleich_kompetenz_aprv()
+plot_boxplots(df)