Diesen aiMOOC als Battle spielen: Deutsch, Klasse 7-8, G-Niveau

Neuronale Netze als Modell verstehen

Einleitung

Ein künstliches neuronales Netz ist ein mathematisches Modell, das aus vielen miteinander verbundenen Recheneinheiten besteht. Es kann aus Beispieldaten statistische Muster lernen und diese Muster auf neue Daten anwenden. Dabei ist wichtig: Ein neuronales Netz denkt nicht wie ein Mensch. Es verarbeitet Zahlen, passt Gewichte an und berechnet Ausgaben. Wenn wir im Kurs Wörter wie „lernen“, „erkennen“ oder „entscheiden“ verwenden, sind sie technisch gemeint.

Dieser aiMOOC richtet sich besonders an Klasse 7 und ist für etwa 1–2 Unterrichtsstunden ausgelegt. Du lernst nicht nur Begriffe, sondern untersuchst selbst kleine Datensätze, rechnest mit einem vereinfachten künstlichen Neuron, analysierst Fehler und Datenbias und beurteilst, wann Menschen die Verantwortung behalten müssen.

Am Ende kannst Du …

Neuronale Netze als mathematische Modelle erklären und von biologischen Nervennetzen unterscheiden.
Eingaben, Gewichte, Bias-Term und Aktivierungsfunktion in einem einfachen Modell erläutern.
Training als schrittweises Anpassen von Parametern anhand von Beispielen erklären.
statistische Mustererkennung von menschlichem Verstehen unterscheiden.
Datenbias, unpassende Merkmale und unausgewogene Trainingsdaten an Beispielen erkennen.
Ergebnisse eines Modells kritisch prüfen und begründete Urteile über faire und sichere Nutzung formulieren.

Unterrichtsfahrplan für 1–2 Unterrichtsstunden

Phase	Zeit	Ziel	Aktivität
Aktivierung und Diagnose	5–10 Min.	Vorwissen und Fehlvorstellungen sichtbar machen	Aussagen bewerten, begründen und später erneut prüfen
Technisches Grundmodell	20–25 Min.	Eingaben, Gewichte, Summe, Bias-Term und Aktivierung verstehen	„Menschlicher Taschenrechner“ mit kleinem Datensatz
Vernetzung und Training	15–20 Min.	Schichten, Fehler und Gewichtsänderung nachvollziehen	Mini-Experiment mit veränderten Merkmalen und Trainingsbeispielen
Anwendung, Bias und Medienkritik	15–25 Min.	Grenzen, Quellen, Fairness und Verantwortung beurteilen	Fallbeispiel Kommentarfilter und Videoanalyse
Selbstkontrolle und Transfer	10–20 Min.	Wissen auf neue Situationen übertragen	Quiz, Lückentext, Lernkontrolle und Reflexion

Aktivierung und Diagnose

Bewerte zunächst jede Aussage mit „stimmt“, „stimmt nicht“ oder „unsicher“ und notiere einen Grund. Vergleiche Deine Antworten am Ende des Kurses erneut.

Diagnosefrage: Welche dieser Aussagen klingt für Dich am überzeugendsten – und woran würdest Du prüfen, ob sie stimmt?

Vom biologischen Vorbild zum mathematischen Modell

Ein Modell ist eine Vereinfachung

Ein Modell bildet nicht alles ab, was in der Wirklichkeit vorkommt. Es hebt bestimmte Eigenschaften hervor, damit wir etwas untersuchen, erklären oder berechnen können. Eine Straßenkarte zeigt zum Beispiel Wege, aber nicht jedes Blatt an jedem Baum. Genauso ist ein künstliches Neuron keine Kopie einer Nervenzelle.

Eine biologische Nervenzelle ist ein lebendes System mit komplexen chemischen und elektrischen Vorgängen. Ein künstliches Neuron ist dagegen eine mathematische Rechenvorschrift. Die Ähnlichkeit liegt vor allem in der Idee: Mehrere Signale gehen hinein, werden unterschiedlich stark berücksichtigt und führen zu einer Ausgabe.

Wichtige Modellregel: Aus einer Ähnlichkeit darfst Du nicht schließen, dass zwei Dinge dasselbe sind. Ein künstliches neuronales Netz kann deshalb sehr leistungsfähig sein, ohne menschliche Gedanken, Gefühle, Absichten oder Bedeutungen zu besitzen.

Das künstliche Neuron

Ein vereinfachtes künstliches Neuron bekommt Zahlen als Eingaben $x_{1}, x_{2}, ...$ . Jede Eingabe wird mit einem Gewicht $w_{1}, w_{2}, ...$ multipliziert. Ein zusätzlicher Bias-Term $b$ verschiebt die Grenze, ab der eine bestimmte Ausgabe wahrscheinlicher wird.

Die zentrale Rechnung lautet:

$z = x_{1} \cdot w_{1} + x_{2} \cdot w_{2} + ... + b$

Danach wird $z$ durch eine Aktivierungsfunktion in eine Ausgabe umgewandelt:

$a = φ (z)$

Für ein sehr einfaches Schulmodell genügt eine Schwelle: Wenn $z > 0$ , gibt das Neuron Klasse A aus; sonst Klasse B.

Merke: Das künstliche Neuron „weiß“ nicht, was die Zahlen bedeuten. Die Bedeutung geben Menschen durch die Wahl der Daten, Merkmale und Zielklassen vor.

Mini-Experiment 1: Du bist das künstliche Neuron

Wir bauen absichtlich ein stark vereinfachtes Modell, das zwischen handschriftlicher 1 und 7 unterscheiden soll. Statt echter Pixelbilder verwenden wir nur zwei Merkmale:

$x_{1}$ : Ein diagonaler Hauptstrich ist erkennbar. Ja = 1, Nein = 0.
$x_{2}$ : Ein Querstrich ist erkennbar. Ja = 1, Nein = 0.

Wir setzen $w_{1} = 1$ , $w_{2} = 2$ und $b = - 1,5$ . Das Modell berechnet also:

$z = 1 \cdot x_{1} + 2 \cdot x_{2} - 1,5$

Wenn $z > 0$ , sagt das Modell „7“. Sonst sagt es „1“.

Beispiel	$x_{1}$ diagonal	$x_{2}$ Querstrich	Richtige Klasse	Modellrechnung	Ausgabe
A	1	1	7	$1 + 2 - 1,5 = 1,5$	7
B	1	0	7	$1 + 0 - 1,5 = - 0,5$	1
C	0	0	1	$0 + 0 - 1,5 = - 1,5$	1
D	1	0	1	$1 + 0 - 1,5 = - 0,5$	1

Beobachtung: B und D haben im vereinfachten Modell exakt dieselben Eingabewerte, aber unterschiedliche richtige Klassen. Kein bloßes Verändern der Gewichte kann diese beiden Beispiele zuverlässig trennen.

Schlussfolgerung: Manchmal liegt ein Fehler nicht an „schlechten Gewichten“, sondern an zu groben oder unpassenden Merkmalen. Das Modell braucht dann zusätzliche Informationen, zum Beispiel Formdetails oder direkt viele Pixelwerte.

Experiment: Erfinde ein drittes Merkmal $x_{3}$ , das B und D unterscheiden könnte. Begründe, warum es hilfreich wäre.

Vernetzte Neuronen und Schichten

Eingabeschicht, verborgene Schichten, Ausgabeschicht

Viele künstliche Neuronen können zu einem Netz verbunden werden. Häufig werden drei Rollen unterschieden:

Eingabeschicht: nimmt Zahlenwerte auf, zum Beispiel Pixelhelligkeiten.
Verborgene Schichten: kombinieren Zwischenergebnisse und bilden daraus weitere Zahlenmuster.
Ausgabeschicht: erzeugt die für die Aufgabe benötigte Ausgabe, zum Beispiel Werte für mehrere Klassen.

Ein Netz mit mehreren verborgenen Schichten kann sehr komplexe Zusammenhänge abbilden. Das bedeutet aber nicht automatisch, dass es die Welt „versteht“. Es berechnet eine Funktion mit vielen einstellbaren Parametern.

Aktivierungsfunktionen: Warum nicht nur addieren?

Aktivierungsfunktionen sorgen dafür, dass ein Netz nicht nur lineare Kombinationen hintereinander ausführt. Moderne Netze verwenden häufig Funktionen wie ReLU. Für Klasse 7 genügt die Idee: Eine Aktivierungsfunktion bestimmt, wie stark ein berechneter Zwischenwert weitergegeben wird.

Mathematischer Blick: Eine Aktivierungsfunktion ist eine normale Funktion. Damit verbindet sich das Thema direkt mit Funktionen, Koordinatensystem und dem Lesen von Graphen.

Ein anschauliches Bildklassifikationsmodell

Die folgende freie Grafik zeigt ein stark vereinfachtes Modell, das Merkmale wie Form und Struktur mit Ausgaben verbindet. Solche Darstellungen sind hilfreich, solange wir sie nicht mit einer vollständigen Beschreibung realer Bildnetze verwechseln.

Medienkritische Frage: Welche Details lässt die Grafik weg? Zum Beispiel echte Pixelzahlen, sehr viele Gewichte, Trainingsschritte, Fehlermaße und die Größe des Datensatzes.

Wie ein neuronales Netz trainiert wird

Training bedeutet Parameter anpassen

Beim überwachten Lernen gibt es Beispiele mit bekannten Zielwerten. Vereinfacht läuft ein Trainingsschritt so:

Das Netz bekommt ein Trainingsbeispiel als Zahlen.
Es berechnet eine Ausgabe.
Die Ausgabe wird mit dem Zielwert verglichen.
Eine Verlustfunktion beschreibt, wie groß der Fehler ist.
Ein Optimierungsverfahren verändert Gewichte und Bias-Terme so, dass der Fehler kleiner werden soll.
Dieser Ablauf wird mit vielen Beispielen wiederholt.

Bei vielen Netzen wird dafür Backpropagation verwendet. Für Klasse 7 musst Du die Ableitungen dahinter noch nicht rechnen. Entscheidend ist die Idee: Der Fehler wird genutzt, um zu bestimmen, welche Parameter in welche Richtung verändert werden sollen.

Die Grafik verdeutlicht, wie sich bei einem einfachen Perzeptron eine Trennlinie durch zusätzliche Trainingsbeispiele verändern kann. Reale neuronale Netze können wesentlich komplexere Grenzen lernen.

Training, Validierung und Test

Ein Modell sollte nicht nur Beispiele auswendig passend machen. Es soll auch bei neuen, ähnlichen Daten funktionieren. Deshalb werden Daten häufig in getrennte Gruppen aufgeteilt:

Trainingsdaten: dienen zum Anpassen der Gewichte.
Validierungsdaten: helfen beim Vergleichen von Modellvarianten.
Testdaten: prüfen am Ende, wie gut das Modell auf zuvor nicht verwendeten Beispielen arbeitet.

Wenn ein Modell auf Trainingsdaten sehr gut ist, aber bei neuen Daten deutlich schlechter, spricht man von Überanpassung.

Quellenkritischer Merksatz: Die Aussage „99 Prozent Genauigkeit“ ist ohne Angaben zum Datensatz, zur Testmethode und zu den Fehlerarten kaum aussagekräftig.

Nicht jede Mustererkennung ist ein neuronales Netz

Maschinelles Lernen umfasst viele Verfahren. Die folgende Grafik zeigt zum Beispiel eine lineare Klassifikationsgrenze eines Support-Vector-Verfahrens und kein neuronales Netz.

Das ist wichtig für Medienkompetenz: Wenn in einem Artikel „KI“ steht, solltest Du nicht automatisch an neuronale Netze denken.

Statistische Mustererkennung ist nicht menschliches Verstehen

Zwei verschiedene Bedeutungen von „erkennen“

Im Alltag bedeutet „Ich erkenne einen Freund“ oft mehr als das Zuordnen eines Bildes. Du verbindest Erinnerungen, Beziehungen, Situation, Sprache und Bedeutung miteinander.

Ein neuronales Netz führt technisch etwas anderes aus: Es verarbeitet Zahlen und erzeugt daraus nach gelernten Parametern neue Zahlen. Diese Ausgabe kann sehr passend sein, aber aus der passenden Ausgabe allein folgt kein menschliches Verstehen.

Frage	Neuronales Netz	Mensch
Was wird verarbeitet?	numerische Repräsentationen	Wahrnehmung in Verbindung mit Erfahrung, Sprache, Zielen und Situation
Was bedeutet „lernen“?	Parameter werden anhand von Daten angepasst	kann Wissen, Bedeutung, Strategien und soziale Erfahrungen umfassen
Kann eine korrekte Ausgabe ohne echtes Begreifen entstehen?	ja	ebenfalls möglich, aber Menschen können zusätzlich erklären, begründen und Bedeutung reflektieren
Hat das System eigene schulische oder moralische Ziele?	nein, Ziele werden von Menschen vorgegeben	Menschen können eigene Ziele bilden und Verantwortung übernehmen

Sprachkritik: Formulierungen wie „die KI will“, „die KI weiß“ oder „die KI versteht“ können nützlich abkürzen, aber sie können auch vermenschlichen. Frage deshalb: Welche konkrete Rechenoperation oder Modellleistung steckt hinter dem Wort?

Video zur visuellen Vertiefung

Das folgende Video von 3Blue1Brown erklärt Schichten und mathematische Grundideen sehr anschaulich. Es ist englischsprachig, aber die Visualisierungen können auch ohne jedes Wort verstanden werden.

Arbeitsauftrag: Stoppe nach der Einführung der Schichten. Beschreibe in eigenen Worten, was in der Visualisierung eine „Verbindung“ bedeutet. Vermeide dabei die Wörter „denken“ und „verstehen“.

Kleine Datensätze lesen und hinterfragen

Mini-Experiment 2: Daten können gut aussehen und trotzdem schief sein

Stell Dir vor, ein Modell soll für eine Schul-App handschriftliche Ziffern erkennen. Im Trainingsdatensatz kommen fast nur Siebenen mit Querstrich vor.

Trainingsgruppe	Anzahl Beispiele	Siebenen mit Querstrich	Siebenen ohne Querstrich
Datensatz A	100	48	2
Datensatz B	100	25	25

Aufgabe: Welcher Datensatz ist für verschiedene Schreibweisen von „7“ wahrscheinlich robuster? Begründe nicht nur mit „mehr“ oder „weniger“, sondern mit der Vielfalt der Beispiele.

Ein Modell aus Datensatz A kann lernen, dass der Querstrich sehr wichtig ist. Trifft es später auf eine Region oder Lerngruppe, in der die 7 häufig ohne Querstrich geschrieben wird, kann die Fehlerquote steigen.

Das ist ein Beispiel für Datenbias oder eine unpassende Stichprobe. Der Fehler ist nicht „böse Absicht“ des Modells. Er entsteht aus dem Zusammenspiel von Datenauswahl, Merkmalen, Zieldefinition und Training.

Datenvisualisierung: Muster sind sichtbar, aber nicht automatisch Ursachen

In einem Streudiagramm können Gruppen oder Muster sichtbar werden. Aber ein sichtbares Muster erklärt noch nicht, warum es existiert. Statistik zeigt Zusammenhänge; für Ursachen braucht man zusätzliche Belege und eine gute Untersuchung.

Transfer: Wenn ein Modell feststellt, dass zwei Merkmale oft gemeinsam auftreten, darf es daraus nicht automatisch schließen, dass das eine das andere verursacht.

Realistische Anwendung: Kommentarfilter für eine Schülerzeitung

Eine digitale Schülerzeitung möchte Kommentare automatisch vorsortieren. Ein Modell soll Beiträge markieren, die wahrscheinlich beleidigend sind. Die Redaktion entscheidet anschließend selbst, ob ein Kommentar wirklich gegen Regeln verstößt.

Kommentar	Menschliche Einordnung im Beispiel	Modellausgabe	Analyse
„Mega stark, danke!“	unauffällig	unauffällig	korrekt
„Du bist wirklich dumm.“	beleidigend	beleidigend	korrekt
„Das war krank gut!“	positiv gemeint	beleidigend	Fehlalarm
„Kannst du bitte aufhören?“	vom Kontext abhängig	unauffällig	Kontext fehlt

Warum ist das schwierig? Sprache hängt von Kontext, Ironie, Jugendsprache, Dialekt und Beziehungen zwischen Personen ab. Ein Modell kann statistische Sprachmuster finden, aber es hat nicht automatisch den vollständigen sozialen Kontext.

Fairnessfrage: Wenn im Trainingsdatensatz vor allem formelles Standarddeutsch vorkommt, könnten umgangssprachliche oder regionale Formulierungen häufiger falsch markiert werden. Deshalb sollte die Redaktion Fehler nach Gruppen und Sprachstilen prüfen, nicht nur eine einzige Gesamtgenauigkeit.

Human Agency: Das Modell darf hier ein Werkzeug sein, aber die Verantwortung für Regeln, Beschwerden und endgültige Entscheidungen bleibt bei Menschen.

Bias, Fairness, Sicherheit und Verantwortung

Vier typische Ursachen problematischer Ergebnisse

Unausgewogene Daten: Bestimmte Fälle kommen kaum vor.
Ungeeignete Merkmale: Das Modell bekommt Informationen, die für die eigentliche Aufgabe nicht genügen oder problematisch sind.
Unzuverlässige Zielwerte: Menschen haben Trainingsbeispiele uneinheitlich oder voreingenommen beschriftet.
Veränderte Umgebung: Das Modell wird in einer Situation eingesetzt, die anders ist als die Trainingssituation.

Fairness bedeutet nicht einfach, dass jedes Modell überall exakt gleich oft richtig liegen muss. Welche Fehler besonders schwer wiegen, hängt vom Einsatz ab. Deshalb müssen Menschen Ziele, Folgen und betroffene Gruppen offen diskutieren.

Sicherheitscheck vor dem Einsatz

Nutze für schulische KI-Anwendungen diese fünf Fragen:

Zweck: Welches konkrete Problem soll das Modell lösen?
Daten: Woher stammen die Daten und welche Fälle fehlen?
Fehler: Welche Fehlentscheidungen sind möglich und wer trägt die Folgen?
Kontrolle: Kann ein Mensch Ergebnisse prüfen, widersprechen und korrigieren?
Transparenz: Ist verständlich, dass es sich um eine Modellschätzung und nicht um eine sichere Wahrheit handelt?

Quellenkritik und Medienanalyse

Eine Quelle über KI prüfen

Bei Videos, Artikeln und Social-Media-Posts über KI solltest Du nicht nur fragen, ob sie spannend wirken. Prüfe:

Wer hat die Quelle erstellt und welche fachliche Rolle ist erkennbar?
Werden Daten, Beispiele oder Quellen genannt?
Wird klar zwischen Modell, Messwert und menschlicher Deutung unterschieden?
Werden Grenzen und Fehler erwähnt oder nur Erfolge gezeigt?
Nutzt die Quelle vermenschlichende Wörter wie „denken“, „fühlen“ oder „wissen“, ohne sie zu erklären?

Video als Quelle kritisch lesen

Das folgende deutschsprachige Video gibt einen Überblick über neuronale Netze. In seiner Beschreibung wird ausdrücklich auf ein Ergänzungsvideo mit Korrekturen hingewiesen. Genau das ist ein gutes Beispiel dafür, warum Quellenkritik nicht beim Abspielen endet: Auch Beschreibung, Datum, Korrekturen und Autorenschaft gehören zur Quelle.

Arbeitsauftrag zur Medienanalyse: Notiere eine fachliche Aussage aus dem Video und prüfe sie mit einer zweiten Quelle, zum Beispiel dem Wikipedia-Artikel zum künstlichen neuronalen Netz. Schreibe anschließend, ob beide Quellen dasselbe meinen oder unterschiedliche Vereinfachungen verwenden.

Häufige Fehlvorstellungen korrigieren

Fehlvorstellung	Präzisere Aussage
„Ein neuronales Netz ist ein digitales Gehirn.“	Es ist ein mathematisches Modell, das historisch von biologischen Ideen inspiriert wurde, aber kein biologisches Gehirn nachbildet.
„Viele Schichten bedeuten automatisch Verstehen.“	Mehr Schichten erhöhen die Ausdrucksmöglichkeiten des Modells, beweisen aber kein menschliches Bedeutungsverstehen.
„Wenn Training erfolgreich war, ist das Modell fertig.“	Es muss mit neuen Daten geprüft und im Einsatz beobachtet werden.
„Mehr Daten sind immer besser.“	Qualität, Vielfalt, Relevanz und Beschriftung sind genauso wichtig wie Menge.
„Hohe Gesamtgenauigkeit bedeutet Fairness.“	Eine gute Durchschnittszahl kann verdecken, dass bestimmte Gruppen oder Situationen deutlich mehr Fehler erleben.
„95 Prozent Modellwert bedeutet 95 Prozent Wahrheit.“	Ein Ausgabewert ist eine Modellgröße. Ob er als Wahrscheinlichkeit gut kalibriert ist und zur realen Situation passt, muss geprüft werden.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	Beispielaufgabe
Informatik	Algorithmen, Daten, Modelle, Eingabe–Verarbeitung–Ausgabe	Erkläre einen Trainingsschritt ohne Vermenschlichung.
Mathematik	Gewichtete Summen, Funktionen, Koordinaten, Statistik	Berechne die Ausgabe eines künstlichen Neurons und verändere ein Gewicht.
Deutsch	Bedeutung, Metaphern, Sprachmodelle, Quellenkritik	Analysiere die Wörter „lernen“, „wissen“ und „verstehen“ in einem Medienbeitrag.
Geschichte	Entwicklung von der McCulloch-Pitts-Zelle über das Perzeptron zu heutigen Netzen	Erkläre, warum historische Modelle oft einfacher als moderne Systeme waren.
Kunst	Bildmerkmale, Stil, Muster und visuelle Kategorien	Entwirf zwei Bildserien, die einen Klassifikator absichtlich herausfordern.
Ethik	Verantwortung, Fairness, Folgen von Fehlern	Begründe, wann ein Mensch eine Modellentscheidung überprüfen muss.
Gemeinschaftskunde	Regeln, Teilhabe, Macht und Entscheidungen in digitalen Systemen	Diskutiere, wer über Kriterien eines automatischen Filters entscheiden sollte.
Medienbildung	Quellenbewertung, anthropomorphe Sprache, Datenkompetenz	Vergleiche zwei Erklärvideos nach Transparenz und Quellenangaben.

Historischer Kurzblick

1943 beschrieben Warren McCulloch und Walter Pitts ein stark vereinfachtes mathematisches Neuronenmodell. 1957 stellte Frank Rosenblatt das Perzeptron vor. Später wurden mehrschichtige Netze und Trainingsverfahren wie Backpropagation wichtig. Heute sind neuronale Netze eine zentrale Modellfamilie im maschinellen Lernen, aber nicht die einzige.

Geschichtskompetenz: Technische Entwicklungen entstehen nicht plötzlich. Modelle werden vorgeschlagen, kritisiert, verbessert und in neue technische Möglichkeiten eingebettet. Deshalb ist „die KI“ keine einzelne Erfindung.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Ein Modell verwechselt eine 7 ohne Querstrich mit einer 1. Was ist die beste erste Vermutung? (Die gewählten Merkmale oder Trainingsdaten bilden diese Schreibweise möglicherweise schlecht ab.) (!Das Modell hat absichtlich falsch entschieden.) (!Jede 7 muss einen Querstrich haben.) (!Neuronale Netze können keine Zahlen erkennen.)

Zwei Beispiele haben im Modell exakt dieselben Eingabewerte, aber unterschiedliche Zielklassen. Was folgt daraus? (Mit diesen Merkmalen kann das Modell die beiden Fälle nicht zuverlässig unterscheiden.) (!Man muss nur alle Gewichte verdoppeln.) (!Die Aktivierungsfunktion muss entfernt werden.) (!Die beiden Zielklassen sind automatisch falsch.)

Ein neuronales Netz liefert für ein Bild eine passende Klasse. Was darfst Du daraus sicher schließen? (Das Modell hat eine Ausgabe berechnet, die zu seinen gelernten Mustern passt.) (!Das Modell versteht das Bild wie ein Mensch.) (!Das Modell kennt die Absicht der fotografierenden Person.) (!Das Modell kann seine Antwort immer begründen.)

Ein Trainingsdatensatz enthält fast nur eine einzige Schreibweise der Ziffer 7. Welche Maßnahme verbessert die Prüfung auf Datenbias am ehesten? (Verschiedene Schreibweisen gezielt ergänzen und getrennt auswerten.) (!Nur die Trainingszeit verlängern.) (!Alle Testdaten in Trainingsdaten umwandeln.) (!Die Fehler nicht nach Schreibweisen untersuchen.)

Ein Kommentarfilter markiert Jugendsprache viel häufiger als problematisch. Welche Frage ist besonders wichtig? (Ob die Trainingsdaten verschiedene Sprachstile ausreichend enthalten.) (!Ob das Programm einen bunten Hintergrund hat.) (!Ob die Kommentare alphabetisch sortiert sind.) (!Ob das Modell möglichst viele Schichten besitzt.)

Warum braucht man Testdaten, die beim Training nicht verwendet wurden? (Um zu prüfen, ob das Modell auch auf neue Beispiele sinnvoll überträgt.) (!Damit das Modell die Testdaten auswendig lernt.) (!Damit keine Gewichte mehr nötig sind.) (!Damit jede Ausgabe automatisch fair wird.)

Welche Aussage beschreibt den Bias-Term b in einem künstlichen Neuron am besten? (Er verschiebt die gewichtete Summe und damit die Aktivierungsgrenze.) (!Er ist eine Liste aller Trainingsbilder.) (!Er ist die menschliche Meinung über das Ergebnis.) (!Er löscht automatisch fehlerhafte Daten.)

Eine Quelle schreibt: „Die KI weiß, was auf dem Bild passiert.“ Welche Reaktion ist am sinnvollsten? (Prüfen, welche konkrete Modellleistung mit dem Wort wissen gemeint ist.) (!Die Formulierung wörtlich übernehmen.) (!Annehmen, dass das System menschliches Bewusstsein besitzt.) (!Nur auf die Zahl der Aufrufe schauen.)

Ein Modell hat insgesamt 95 Prozent Genauigkeit. Was solltest Du zusätzlich wissen? (Auf welchen Daten getestet wurde und welche Arten von Fehlern auftreten.) (!Nur den Namen des Modells.) (!Nur die Zahl der Schichten.) (!Nur die Dateigröße des Programms.)

Wann ist Human Agency bei einem schulischen KI-System besonders gut umgesetzt? (Wenn Menschen Ergebnisse prüfen, widersprechen und Entscheidungen verantworten können.) (!Wenn das Modell jede Entscheidung automatisch endgültig trifft.) (!Wenn niemand weiß, welche Daten verwendet werden.) (!Wenn Fehler nur als technische Details behandelt werden.)

Memory

Eingabe	Zahlenwert, der in ein Modell hineingeht
Gewicht	Stärke des Einflusses einer Eingabe
Bias-Term	Verschiebung der Aktivierungsgrenze
Aktivierungsfunktion	Rechenregel für die Weitergabe eines Zwischenwerts
Trainingsdaten	Beispiele zum Anpassen der Parameter
Testdaten	neue Beispiele zur unabhängigen Prüfung
Datenbias	systematische Schieflage durch Auswahl oder Struktur der Daten

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Eingabeschicht	nimmt Merkmale als Zahlenwerte auf
Verborgene Schicht	kombiniert Zwischenergebnisse
Ausgabeschicht	liefert Werte für die Zielaufgabe
Training	passt Gewichte anhand von Fehlern an
Test	prüft das Modell an zuvor nicht verwendeten Beispielen

Kreuzworträtsel

Perzeptron	Wie heißt ein frühes einfaches Modell eines künstlichen Neurons?
Gewicht	Welcher Parameter bestimmt den Einfluss einer Eingabe?
Eingabe	Wie heißt ein Zahlenwert, der in das Modell hineingeht?
Muster	Was findet ein trainiertes Modell statistisch in Daten?
Training	Wie heißt der Prozess, bei dem Parameter anhand von Beispielen angepasst werden?
Fairness	Welcher Begriff fragt danach, ob Folgen und Fehler angemessen verteilt sind?

LearningApps

Lückentext

Ein künstliches neuronales Netz verarbeitet Daten in Form von

.

Jede Eingabe kann durch ein

unterschiedlich stark berücksichtigt werden.

Ein künstliches Neuron berechnet zunächst eine gewichtete

.

Eine Aktivierungsfunktion bestimmt, wie ein Zwischenwert

wird.

Beim Training werden Parameter anhand von

angepasst.

Mit Testdaten prüft man, ob ein Modell auf

Beispiele übertragen kann.

Eine unausgewogene Datenauswahl kann zu

führen.

Eine passende Modellausgabe ist kein Beweis für menschliches

.

Offene Aufgaben

Leicht

Neuronales Netz zeichnen: Zeichne ein kleines Netz mit drei Eingaben, zwei verborgenen Neuronen und einer Ausgabe. Beschrifte Eingabe, Gewicht und Ausgabe.
Metaphern prüfen: Sammle drei Sätze aus Medien, in denen KI „denkt“, „weiß“ oder „versteht“. Formuliere jeden Satz technisch genauer.
Gewichte verändern: Wähle im Ziffernbeispiel ein Gewicht und sage voraus, wie sich eine Erhöhung auf die Ausgaben auswirkt. Prüfe dann durch Rechnung.
Fehler finden: Erfinde zwei Eingaben, bei denen ein zu einfaches Modell wahrscheinlich scheitert, und erkläre warum.

Standard

Mini-Datensatz gestalten: Erstelle acht Beispiele für zwei Klassen. Achte bewusst auf unterschiedliche Varianten und markiere, welche Fälle im Training leicht fehlen könnten.
Kommentarfilter untersuchen: Entwickle fünf schulgeeignete Beispielsätze, die wegen Ironie, Jugendsprache oder Kontext für einen automatischen Filter schwierig sein könnten.
Quellenvergleich: Vergleiche zwei Erklärquellen zu neuronalen Netzen. Prüfe Autorenschaft, Belege, Vereinfachungen, Vermenschlichung und Fehlerhinweise.
Fairness prüfen: Lege für ein fiktives Modell zwei Gruppen von Testfällen an und vergleiche, ob die Fehler ähnlich verteilt sind. Erkläre Grenzen Deiner Auswertung.

Schwer

Merkmalsdesign: Verbessere das Ziffernmodell durch mindestens zwei zusätzliche Merkmale. Begründe, welche neuen Fälle dadurch unterscheidbar werden.
Entscheidungssystem bewerten: Entwirf Regeln dafür, wann ein schulischer KI-Filter automatisch markieren darf und wann zwingend ein Mensch prüfen muss.
Modellkritik: Nimm eine Werbeaussage wie „Unsere KI versteht Texte“ und schreibe eine fachlich präzise Gegenanalyse mit mindestens drei Prüffragen.
Erklärvideo planen: Plane ein 90-sekündiges Video, das neuronale Netze erklärt, ohne sie als Gehirn oder denkendes Wesen darzustellen. Baue eine Visualisierung, ein Rechenbeispiel und eine Grenze des Modells ein.

Lernkontrolle

Transfer auf Bilderkennung: Ein Modell erkennt rote Äpfel sehr gut, grüne Äpfel aber häufig nicht. Erkläre zwei mögliche Ursachen und schlage für jede Ursache eine passende Untersuchung vor.
Unbekanntes Beispiel: Ein neuronales Netz soll zwischen zwei Tierarten unterscheiden. Nenne drei Informationen, die Du über Trainings- und Testdaten brauchst, bevor Du eine hohe Genauigkeit überzeugend findest.
Fehlvorstellung korrigieren: Jemand sagt: „Das Netz hat gelernt, was eine 7 wirklich ist.“ Formuliere eine technisch präzisere Aussage und begründe sie.
Quellenurteil: Ein Video verspricht „100 Prozent faire KI“, nennt aber weder Datensatz noch Testmethode. Beurteile die Aussage mit mindestens drei Kriterien.
Human Agency: Ein System möchte automatisch Schülerbeiträge sperren. Entwickle einen Ablauf, der Modellvorschlag, menschliche Prüfung, Einspruch und Dokumentation sinnvoll verbindet.
Mathematischer Transfer: Erkläre, wie eine Änderung eines Gewichts die gewichtete Summe und damit möglicherweise die Klassifikation verändert. Verwende ein selbstgewähltes Zahlenbeispiel.

Lernnachweis

Für einen Lernnachweis zu diesem Thema solltest Du zeigen können:

Du kannst ein künstliches Neuron mit Eingaben, Gewichten, Bias-Term und Aktivierungsfunktion erklären.
Du kannst eine einfache gewichtete Summe berechnen und die Wirkung einer Parameteränderung begründen.
Du kannst erklären, warum mehrere Neuronen in Schichten verbunden werden.
Du kannst Training, Validierung und Test in ihrer Funktion unterscheiden.
Du kannst an einem neuen Beispiel erkennen, ob Merkmale oder Trainingsdaten wahrscheinlich zu Fehlern beitragen.
Du kannst statistische Mustererkennung von menschlichem Bedeutungsverstehen unterscheiden.
Du kannst Bias- und Fairnessfragen an einem Anwendungsszenario untersuchen.
Du kannst eine KI-bezogene Medienquelle nach Autorenschaft, Belegen, Grenzen und Sprache beurteilen.
Du kannst begründen, wann menschliche Kontrolle und Einspruchsmöglichkeiten notwendig sind.

OERs zum Thema

Weiterführende freie Quellen:

Hinweis zu Medien: Die eingebundenen Wikimedia-Commons-Dateien stehen unter den jeweils auf ihrer Dateiseite angegebenen freien Lizenzen oder Freigaben. Prüfe bei Weiterverwendung immer Urheberangabe, Lizenz und mögliche Bedingungen wie Namensnennung oder Weitergabe unter gleichen Bedingungen.

Verknüpfte Lernbereiche

Neuronale Netze als Modell verstehen

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache