Merge pull request #113 from quadriga-dk/111-add-custom-admonitions

custom admonitions
quadriga-dk · Jan 29, 2025 · 2dda4a1 · 2dda4a1
2 parents 820f3d4 + da3617d
commit 2dda4a1
Show file tree

Hide file tree

Showing 23 changed files with 85 additions and 48 deletions.
diff --git a/Markdown/04_Struktur_Fallstudie.md b/Markdown/04_Struktur_Fallstudie.md
@@ -25,7 +25,7 @@ Das ganze JupyterBook lässt sich darüber hinaus in zwei Blöcke teilen. Den er
 
 
 ```{admonition} Ein Hinweis zur Bearbeitung
-:class: tip
+:class: hinweis
 Sie müssen die Kapitel nicht alle nacheinander durchgehen. Zwar folgt der Aufbau des JupyterBooks einem roten Faden, aber die einzelnen Kapitel sind so gestaltet, dass sie in sich geschlossen und damit einzeln absolvierbar sind.
 ```  
 
diff --git a/Markdown/05_Datennachnutzung.md b/Markdown/05_Datennachnutzung.md
@@ -2,7 +2,7 @@
 # Datennachnutzung und Qualitätsbewertung  
 
 ```{admonition} Lernziel: Grundsätze des Datenmanagements
-:class: keypoints
+:class: lernziele
 - Die Lernenden sind mit den FAIR-Prinzipien vertraut und können Datensätze auf ihre FAIRness prüfen.
 - Die Lernenden erkennen den Wert guter (Daten-)Dokumentation.
 ```  

diff --git a/Markdown/06_FairPrinzipien.md b/Markdown/06_FairPrinzipien.md
@@ -16,17 +16,18 @@ Eine **Interoperabilität** von Daten(sätzen) lässt sich einstellen, wenn Date
 Die **Wiederverwendbarkeit** von Daten lässt sich von vornherein unterstützen, indem transparent dokumentiert wird, was die Daten beinhalten. Die präzise Benennung von Daten - auch nach Konventionen - erleichtert eine Nachnutzung ebenfalls. Die Nutzung von gängigen, in der Disziplin typischen Formaten ist hier erneut zu nennen und schließlich vereinfacht zudem die Verwendung von Lizenzen die Nachnutzung von Daten erheblich, da dadurch klar definiert ist, wer welche Rechte hat und wer die Daten wie verwenden darf {cite}`hollander_parthenos_nodate`.  
 
 ```{admonition} FAIR in der Praxis
-:class: hint
+:class: keypoint
 Falls Sie sich fragen, was das mit ihrer (Daten-)Praxis zu tun hat, seien hier ein paar Stichworte genannt:
 - Eine gute Dokumentation, Aus- und Bezeichnung von Daten(sätzen) erleichtert Ihnen und Ihren Kolleg:innen das Arbeiten mit diesen - auch in Zukunft.
 - Wenn Sie eigene Forschung betreiben, werden Sie sich freuen, wenn es zu Ihrer Forschungsfrage Vergleichsdaten aus anderen Städten oder Bundesländern gibt, die Sie nachnutzen können.
 - Sie müssen gar keine eigenen Daten erheben, weil zu einer bestimmten Problematik bereits viele Daten vorliegen bzw. die Erhebung überproportional aufwändig wäre.
 - Wenn Ihre Daten nachgenutzt werden, wird Ihre Forschung unter neuen Aspekten weitergeführt. Sie bleibt dadurch länger relevant und kann zu einem wichtigen Impuls für neue Ideen werden.
 ```  
 
-**Weitere Informationen**
+```{admonition} Weitere Informationen
+:class: seealso
 
 Eine detaillierte Ausformulierung der Prinzipien auf Englisch findet sich auf der <a href="https://www.go-fair.org/fair-principles/" target="_blank">Webseite der Initiative GO FAIR</a> und eine <a href="https://zenodo.org/records/6247015" target="_blank">deutsche Übersetzung</a> der originalen Prinzipien ist bei Zenodo einsehbar {cite}`wilkinson_fair-prinzipien_2016`. 
 Zum Prüfen der so genannten FAIRness von Daten haben sich Checklisten etabliert. Eine von diesen stammt von Jones und Grootveld (2017), die ebenfalls bei <a href="https://zenodo.org/records/5111307" target="_blank">Zenodo</a> zugänglich ist {cite}`jones_how_2017`. Sie stellt die Basis für die Übung im nächsten Abschnitt dar.
-
+```
 
diff --git a/Markdown/09_Reflexion_FAIR.md b/Markdown/09_Reflexion_FAIR.md
@@ -3,7 +3,7 @@
 Die Übung zu den FAIR-Prinzipien hat verdeutlicht, dass die untersuchten Daten weniger gut abschließen. Das heißt nicht, dass sie nicht von guter Qualität sind. Die meisten unbefriedigenden Antworten ergeben sich aus der Tatsache, dass die Daten nicht eigenständig veröffentlicht sind. Wäre das geschehen, gäbe es eine Verlinkung zur Textpublikation (dem Bericht), es gäbe einen URI/PID und sicher auch Metadaten, die beschrieben, was in den Tabellen zu finden wäre. Da die Datentabellen in diesem Beispiel wie an den Bericht "angehängt" und nicht als eigenständige Forschungsdaten publiziert sind, schneiden sie in diesem Test eher unbefriedigend ab. Sie sind tatsächlich schwer zu finden, wenn man nicht weiß, dass sie zum Bildungsbericht gehören. Sie sind aber zugänglich. Die Interoperabilität ist mit dem gegebenen XSLX-Format nur bedingt gegeben - auch, wenn es sich dabei um ein gängiges Format handelt. Und da die Daten nicht mit einer eigenen Lizenz versehen sind, erschwert sich ihre Nachnutzung.
 
 `````{admonition} Merke
-:class: tip
+:class: hinweis
 Die FAIR-Prinzipien decken nur einen Teil dessen ab, was sich im Forschungsdatenmanagement als best practice etabliert hat. Darüber hinaus hängt der Grad der FAIRness von Daten nicht notwendigerweise mit ihrer Qualität zusammen. 
 `````
 

diff --git a/Markdown/10_Qualitätskriterien.md b/Markdown/10_Qualitätskriterien.md
@@ -2,7 +2,7 @@
 # Qualitätskriterien
 
 ```{admonition} Lernziel: Sicherstellen der Qualität von Datensätzen
-:class: keypoints
+:class: lernziele
 - Die Anwendenden wissen, auf welchen Portalen passende Datensätze zu finden sind.
 - Die Anwendenden kennen Qualitätskriterien von Datensätzen und können diese auf neue Datensätze anwenden.
 ```  
@@ -38,10 +38,10 @@ Die inhaltliche und kontextuelle Qualität von Daten und Metadaten kann anhand v
 
 - **Zugänglichkeit:** Die Daten können auf einfache Weise abgerufen werden. Außerdem besteht eine permanente Verlinkung aller Referenzen und Links (z.B. mittels Verwendung permanenter URIs) {cite}`behkamal_metrics-driven_2014,vetro_open_2016,pipino_data_2002,vaddepalli_taxonomy_2023`.
 
-**Weitere Informationen**
-
+```{admonition} Weitere Informationen
+:class: seealso
 Zur Steigerung der Qualität von CSV-Dateien haben das Fraunhofer FOKUS und die Pumacy Technologies AG im Rahmen des NQDM-Projektes (Normentwurf für qualitativ hochwertige Daten und Metadaten) eine <a href="https://cdn0.scrvt.com/fokus/19c04efdafe63fe4/edbc85cd796a/Checkliste_NQDM_CSV.pdf" target="_blank">Checkliste</a> erarbeitet {cite}`bruns_checkliste_2019`. 
-
+```
 
 ## Qualitätsmerkmale für Statistikdaten
 
@@ -61,9 +61,9 @@ Im Rahmen des Verhaltenskodex für europäische Statistiken der Europäischen Un
 
 
 `````{admonition} Was fällt Ihnen an den beiden Auflistungen auf?
-:class: tip
+:class: exercise
 ````{admonition} Lösung
-:class: dropdown
+:class: solution, dropdown
 Zum einen überschneiden sich einige Aspekte in den Listen. So erwähnen beide beispielsweise die Genauigkeit, die Aktualität oder die Zuverlässigkeit.
 
 Zum anderen finden sich hier alle Stichworte wieder, die Sie bereits von den FAIR-Prinzipien kennen. Diesbezüglich zu nennen sind z. B. die Angabe von Metadaten nach domänenspezifischen Standards, die Auffindbarkeit, die Zugänglichkeit, die Interoperabilität (hier als Vergleich- und Kombinierbarkeit) und auch die Wiederverwendbarkeit (hier als Transparenz, Verständlichkeit, Vertrauenswürdigkeit).

diff --git a/Markdown/14_Reflexion_Qualität.md b/Markdown/14_Reflexion_Qualität.md
@@ -9,7 +9,7 @@ Nichtsdestotrotz sollte es das Ziel sein, Daten nach bestem Wissen und Gewissen
 
 
 `````{admonition} Tipp
-:class: tip
+:class: keypoint
 In der Regel ist es hilfreich sich vorzustellen, welche Angaben zu einem Datensatz man selbst gerne vorfinden würde. Erfahre ich aus dem Datensatz beispielsweise, ob ich ihn nutzen darf?
 
 Ein gutes Datenmanagement erleichtert nicht nur potentiellen Nachnutzenden, sondern auch Ihren Kolleg:innen und vielleicht sogar Ihnen selbst die zukünftige Arbeit mit diesen Daten, denn vor allem wenn die Erhebung oder Bearbeitung bereits eine Weile zurück liegt, sind Kontextinformationen oft nicht mehr aus dem Kopf abrufbar. 

diff --git a/Markdown/15_Datenzitierung.md b/Markdown/15_Datenzitierung.md
@@ -2,7 +2,7 @@
 # Forschungsdaten zitieren
 
 ```{admonition} Lernziel: Datenzitierung und PID
-:class: keypoints
+:class: lernziele
 - Die Lernenden kennen die allgemein anerkannten Methoden der Datenzitierung.
 - Die Lernenden sind in der Lage, persistente Identifikatoren zu nennen und zu erkennen.
 ``` 
@@ -33,7 +33,7 @@ Wenn Sie Daten selbst zur Verfügung stellen, sollten Sie alle Beteiligten benen
 
 
 ```{admonition} Weitere Informationen
-:class: tip
+:class: seealso
 Zusätzliche Informationen zum Thema Datenzitierung finden Sie auf
 - der Informationsplattform <a href="https://forschungsdaten.info/themen/finden-und-nachnutzen/zitieren-von-daten/" target="_blank">forschungsdaten.info</a>
 - der Webseite von <a href="https://forschungsdaten.info/themen/finden-und-nachnutzen/zitieren-von-daten/" target="_blank">Auffinden, Zitieren, Dokumentieren</a> von ZBW, Gesis und RatSWD

diff --git a/Markdown/16_Linked-Data.md b/Markdown/16_Linked-Data.md
@@ -21,6 +21,8 @@ Der Metadatenstandard "Data Catalogue Vocabulary Application Profile" (DCAT-AP)
 
 Für die Referenzierung von Literatur und Onlinepublikationen wird das Digital Object Identifier Schema (DOI) genutzt {cite}`berners-lee_linked_2006`.  
 
-**Weitere Informationen** 
+```{admonition} Weitere Informationen
+:class: seealso
 
 Weitere Informationen zum Thema Linked Date erhalten Sie u. a. auf der Webseite von <a href="https://web-archive.southampton.ac.uk//openorg.ecs.soton.ac.uk/wiki/Linked_Data_Basics_for_Techies.html" target="_blank">Open Org</a>, der digitalen Bildungsplattform des Hasso-Plattner-Instituts (<a href="https://open.hpi.de/courses/semanticweb2016" target="_blank">openHPI</a>) und auf <a href="https://data.europa.eu/en/training/elearning/introduction-linked-data" target="_blank">European Data</a>, einem Angebot der EU.
+```
diff --git a/Markdown/18_Reflexion_Identifikatoren.md b/Markdown/18_Reflexion_Identifikatoren.md
@@ -3,6 +3,6 @@
 Persistente Identifikatoren sind quasi das Rückgrat wissenschaftlichen Arbeitens in der digitalen Welt. Durch das eindeutige Bezeichnen von Publikationen, Daten und Urheber:innen erleichtert sich das Nachnutzen, Zitieren und Verlinken von (Forschungs-)Ergebnissen erheblich und ermöglicht vorher nicht gekannte Synergien.
 
 `````{admonition} Haben Sie sich bereits eine ORCID zugelegt?
-:class: tip
+:class: keypoint
 Mit einer ORCID können Sie sich zweifelsfrei Ihren Publikationen und Forschungsergebnissen zuordnen. So ist eindeutig, dass genau Sie die Person sind, von der die Daten stammen. Eine <a href="https://orcid.org/register" target="_blank">Registrierung</a> lässt sich innerhalb von wenigen Minuten umsetzen. Wie das aussehen kann, können Sie am Ende dieser Fallstudie im Kapitel [Danksagung](Danksagung) ansehen.
 `````
diff --git a/Markdown/19_Alt_Datenmanipulation.md b/Markdown/19_Alt_Datenmanipulation.md
@@ -2,7 +2,7 @@
 # Einleitung: Datenmanipulation
 
 ```{admonition} Verifizierung und Aufbereitung
-:class: keypoints 
+:class: lernziele 
 - Die Lernenden kennen Qualitätsprobleme von Daten und können Fehler und Lücken in den Daten identifizieren und beheben.
 - Die Lernenden kennen Methoden der Datenaufbereitung und können diese anwenden.
 ```  

diff --git a/Markdown/19_Datenmanipulation.md b/Markdown/19_Datenmanipulation.md
@@ -2,7 +2,7 @@
 # Einleitung: Datenmanipulation
 
 ```{admonition} Lernziel: Verifizierung und Aufbereitung
-:class: keypoints 
+:class: lernziele 
 - Die Lernenden kennen Qualitätsprobleme von Daten und können Fehler und Lücken in den Daten identifizieren und beheben.
 - Die Lernenden kennen Methoden der Datenaufbereitung und können diese anwenden.
 ```  

diff --git a/Markdown/20_Alt_Datenstruktur.md b/Markdown/20_Alt_Datenstruktur.md
@@ -18,8 +18,10 @@ Beispielhafte simple Form der Datennormalisierung:
 ![](_images/Normalisierung_Tabelle.png)  
 *Abbildung nach Niklas Lang{cite}`noauthor_what_2023`*
 
+```{admonition} Weitere Informationen
+:class: seealso
 Weitere Informationen erhalten Sie im Blog <a href="https://databasecamp.de/daten/normalisierung" target="_blank">Data Base Camp</a>, von dem wir die obige Grafik nachgenutzt haben.  
-
+```
 
 
 (Tidy_data)=

diff --git a/Markdown/20_Datenstruktur.md b/Markdown/20_Datenstruktur.md
@@ -2,8 +2,8 @@
 
 Die Struktur eines Datensatzes prägt maßgeblich dessen maschinelle Lesbarkeit und Auswertungsmöglichkeiten. Für eine effiziente Datenmanipulation bedarf es eines gut strukturierten Datensatzes. In den meisten Fällen haben Sie jedoch nicht nur einen Datensatz, sondern ganz viele. Daher kommt folgende Frage auf:
 
-```{note}
-:class: tip
+```{admonition} Frage
+:class: lernziele
 Worauf sollte bei einer guten Datenorganisation und -strukturierung geachtet werden? 
 ```
 
@@ -18,8 +18,10 @@ Beispielhafte simple Form der Datennormalisierung:
 ![](_images/Normalisierung_Tabelle.png)  
 *Abbildung nach Niklas Lang{cite}`noauthor_what_2023`*
 
+```{admonition} Weitere Informationen
+:class: seealso
 Weitere Informationen erhalten Sie im Blog <a href="https://databasecamp.de/daten/normalisierung" target="_blank">Data Base Camp</a>, von dem wir die obige Grafik nachgenutzt haben.  
-
+```
 
 
 (Tidy_data)=
@@ -43,13 +45,15 @@ Durch Einhaltung dieser Struktur entsteht eine Tabelle, die eine schnelle, einfa
 Beispiel für keine Tidy-Data-Struktur:
 ![](_images/tidy_data_schlecht.png) 
 
-*** 
-**Quiz:**
+
+````{admonition} Quiz
+:class: exercise
 
 Die obige abgebildete Raw-Data-Tabelle weist mehrere Mängel auf und entspricht nicht den Maßstäben einer Tidy-Data-Struktur. Können Sie alle Fehler finden? 
 
 
-Antworten:
+```{admonition} Lösung
+:class: solution, dropdown
 - (1)	Inkonsistenz
 
 - (2)	Zellen enthalten mehr als nur einen Inhalt
@@ -63,8 +67,9 @@ Antworten:
 - (6)	Es werden Berechnungen durchgeführt
   
 - (7) Es werden optische Hervorhebungen verwendet
-
-*** 
+```
+````
+
 Nach Wickham (2014) sind die häufigsten Fehler im Aufbau von Datensätzen folgende:
 
 - Spaltenüberschriften sind keine vernünftigen Variablennamen sondern numerische Werte.
@@ -74,6 +79,7 @@ Nach Wickham (2014) sind die häufigsten Fehler im Aufbau von Datensätzen folge
 - Eine einzelne Beobachtungseinheit wird wiederholt in mehreren Datensätzen gespeichert.
 
 
-```{note}
+```{admonition} Hinweis
+:class: hinweis
 Nun stellt sich bei Ihnen sicherlich die Frage, wie es um unser Raw-Data-Set des Statistischen Bundesamtes steht? Weist dieses eine vorbildliche Struktur auf? Diese Frage wird in der folgenden Lerneinheit [Übung: Arbeiten mit CSV-Dateien in R](Übung_csv) beantwortet.
 ```
diff --git a/Markdown/21_Alt_Einstieg_R.md b/Markdown/21_Alt_Einstieg_R.md
@@ -24,7 +24,7 @@ Die folgenden Übungen sind auf der Basis von R 4.4.1 entwickelt worden und wurd
 ------------------------------------------------------------------------
 
 ```{admonition} Eine Anleitung für die ersten Schritte mit R Studio finden Sie hier: 
-:class: tip, dropdown
+:class: hinweis, dropdown
 ## Erste Schritte in R-Studio
 
 **Neues R Skript anlegen**  
@@ -152,7 +152,7 @@ data_csv <- read.csv2(choose.files(),header = FALSE)
 ```
 
 `````{admonition} Tipp
-:class: tip
+:class: keypoint
 Wenn Sie die Bedeutung und Syntax eines Befehls besser verstehen wollen, empfielt es sich, diesen Befehl im Handbuch nachzuschlagen. Hierzu setzen Sie ein `?` vor den Befehl Ihres Interesses.
 `````
 
@@ -343,6 +343,7 @@ erreichen.
 
 
 `````{admonition} Hinweis
+:class: hinweis
 Je nach Einstellung von RStudio kommt dieses Problem ggf. nicht auf und Umlaute werden korrekt angezeigt.
 `````
 
@@ -520,6 +521,7 @@ edit(Tabellendaten)
 ```
 
 ```{admonition} Achtung!
+:class: caution
 Es empfiehlt sich auf Befehle zur manuellen Bearbeitung zu verzichten, da die Änderungen nicht im **R Skript** oder der **Console** angezeigt und somit **nicht nachvollzogen** werden können!  
 ```
 
@@ -580,7 +582,7 @@ passend. Die Variable “Angestelltenzahl_2020” wird jedoch auch als
 bestimmte Auswertungen nicht möglich sind und Fehler entstehen können.  
 
 `````{admonition} Tipp
-:class: tip
+:class: keypoint
 Im *Environment* Fenster können Sie die Variablenklassen ebenfalls schnell einsehen.
 `````
 
@@ -640,6 +642,7 @@ max(Tabellendaten$Angestelltenzahl_2020, na.rm = TRUE)
 
 
 `````{admonition} Wichtig!
+:class: hinweis
 Überprüfen Sie immer die Art der Variablenklasse, welche **R** Ihren Daten zuweist und ändern Sie dies gegebenenfalls, um Fehler zu vermeiden.
 `````
 
@@ -726,6 +729,7 @@ anders möglich.
 
 
 ```{admonition} Wichtig!
+:class: hinweis
 Wenn Sie Daten generieren, strukturieren Sie diese immer gut. Dies erleichtert Ihnen selbst, aber auch allen anderen, die Ihre Daten verwenden, das Arbeiten! Eine gute Struktur von Daten liefert der Tidy-Data Ansatz (s. Kapitel [Tidy Data](Tidy_data)).
 ```
 

diff --git a/Markdown/21_Einstieg_R.md b/Markdown/21_Einstieg_R.md
@@ -89,7 +89,7 @@ data_csv <- read.csv2(choose.files(),header = FALSE)
 ```
 
 `````{admonition} Tipp
-:class: tip
+:class: keypoint
 Wenn Sie die Bedeutung und Syntax eines Befehls besser verstehen wollen, empfielt es sich, diesen Befehl im Handbuch nachzuschlagen. Hierzu setzen Sie ein `?` vor den Befehl Ihres Interesses.
 `````
 
@@ -280,6 +280,7 @@ erreichen.
 
 
 `````{admonition} Hinweis
+:class: hinweis
 Je nach Einstellung von RStudio kommt dieses Problem ggf. nicht auf und Umlaute werden korrekt angezeigt.
 `````
 
@@ -457,11 +458,12 @@ edit(Tabellendaten)
 ```
 
 ```{admonition} Achtung!
+:class: caution
 Es empfiehlt sich auf Befehle zur manuellen Bearbeitung zu verzichten, da die Änderungen nicht im **R Skript** oder der **Console** angezeigt und somit **nicht nachvollzogen** werden können!  
 ```
 
 ````{admonition} Zur Fehlerkontrolle. Den kompletten Code der Übung finden Sie hier: 
-:class: tip, dropdown
+:class: hinweis, dropdown
 ```
 #TidyVerse Package Installation
 install.packages("tidyverse")

diff --git a/Markdown/22_Alt_Übung_Reproduzierbarkeit.md b/Markdown/22_Alt_Übung_Reproduzierbarkeit.md
@@ -2,7 +2,7 @@
 # Übung: Reproduzierbarkeit Nationaler Bildungsbericht
 
 ```{admonition} Reproduzierbarkeit und Interpretation
-:class: keypoints
+:class: lernziele
 - Die Lernenden kennen Techniken der Datenanalyse und können diese anwenden.
 - Die Lernenden können geeignete Verfahren zur Lösung einer Fragestellung ausmachen.
 - Die Lernenden können Daten in verwertbare Informationen umwandeln.
@@ -14,7 +14,7 @@
 In dem vorangegangenen Kapitel wurden Sie  mit ersten Grundbausteinen im Arbeiten mit **R** vertraut gemacht.  Diese Fähigkeiten können Sie nutzen, um die *Reproduzierbarkeit* von Grafiken, Daten, etc. zu überprüfen.
 
 `````{admonition} Doch was genau ist eigentlich Reproduzierbarkeit?
-:class: tip
+:class: keypoint
 Der Begriff Reproduzierbarkeit umschreibt in der Wissenschaft die Möglichkeit, durch Verwenden der gleichen Ausgangsdaten und Auswertungsmethoden auf die gleichen Ergebnisse zu produzieren {cite}`noauthor_reproducibility_2019`.
 `````
 
@@ -29,6 +29,7 @@ befindet sich auf der Seite 259 folgende Abbildung:
 Wenn Sie nun das Kreisdiagramm für *"Hochschulen insgesamt"* und *"Personen"* auf Reproduzierbarkeit überprüfen möchten, benötigen Sie hierfür die Daten aus der Primärquelle. Hierzu müssen Sie nun selbst recherchieren und versuchen, die Ausgangsdaten zu finden. 
 
 ```{admonition} Achtung!
+:class: caution
 Der Bildungsbericht verweist auf einzelne Excel-Dateien als Datenbasis (Hier: "Tab. H1-9web"), welche gleichzeitig mit dem Bildungsbericht veröffenlticht werden. Eine gute wissenschaftliche Praxis verlangt jedoch, dass Sie die jeweilige Primärquelle verwenden und nicht die verlinkten Sekundärquellen. 
 ```
 

diff --git a/Markdown/22_Übung_Auswertung.md b/Markdown/22_Übung_Auswertung.md
@@ -6,7 +6,7 @@
 In der vorangegangenen Übung wurden Sie mit Ansätzen zur Organisation und Strukturierung von CSV-Dateien vertraut gemacht. Der folgende Abschnitt baut auf dem Code der letzten Übung auf und thematisiert Auswertungsmöglichkeiten von CSV-Dateien in R mit Fokus auf Untergruppierungen und Filterfunktionen.
 
 ````{admonition} Den Code für die Übung: Arbeiten mit CSV-Dateien in R finden Sie hier: 
-:class: tip, dropdown
+:class: hinweis, dropdown
 ```
 #TidyVerse Package Installation
 install.packages("tidyverse")
@@ -90,7 +90,7 @@ passend. Die Variable “Angestelltenzahl_2020” wird jedoch auch als
 bestimmte Auswertungen nicht möglich sind und Fehler entstehen können.  
 
 `````{admonition} Tipp
-:class: tip
+:class: keypoint
 Im *Environment* Fenster können Sie die Variablenklassen ebenfalls schnell einsehen.
 `````
 
@@ -150,6 +150,7 @@ max(Tabellendaten$Angestelltenzahl_2020, na.rm = TRUE)
 
 
 `````{admonition} Wichtig!
+:class: hinweis
 Überprüfen Sie immer die Art der Variablenklasse, welche **R** Ihren Daten zuweist und ändern Sie dies gegebenenfalls, um Fehler zu vermeiden.
 `````
 
@@ -236,6 +237,7 @@ anders möglich.
 
 
 ```{admonition} Wichtig!
+:class: hinweis
 Wenn Sie Daten generieren, strukturieren Sie diese immer gut. Dies erleichtert Ihnen selbst, aber auch allen anderen, die Ihre Daten verwenden, das Arbeiten! Eine gute Struktur von Daten liefert der Tidy-Data Ansatz (s. Kapitel [Tidy Data](Tidy_data)).
 ```
 
@@ -591,7 +593,7 @@ head(Tabelle_Insgesamt_Sortiert)
     ## 15     Wissenschaftliche und kuenstlerische Mitarbeiter                205387   Wissenschaftliches und künstlerisches Personal     Hauptberuflich
 ```
 ````{admonition} Zur Kontrolle, den kompletten Code der Übung finden Sie hier: 
-:class: tip, dropdown
+:class: hinweis, dropdown
 ```
 #TidyVerse Package Installation
 install.packages("tidyverse")