Initialer Commit: curriculare Analyse NFS-H

.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

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

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.

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

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)