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

Bilderzeugende KI verstehen

Einleitung

Bilderzeugende KI verstehen bedeutet mehr, als spektakuläre KI-Bilder anzuschauen. In diesem Lernkurs für Klasse 7 lernst Du, wie bildgenerierende KI grundsätzlich funktioniert, warum ihre Ergebnisse glaubwürdig wirken und trotzdem falsch oder verzerrt sein können und wie Du synthetische Bilder verantwortungsvoll prüfst. Der Kurs ist für etwa 1–2 Unterrichtsstunden angelegt und verbindet Informatik, Deutsch, Mathematik, Geschichte, Kunst, Ethik, Gemeinschaftskunde und Medienbildung.

Am Ende kannst Du die Grundidee eines bildgenerierenden Modells erklären, neue Beispiele analysieren, typische Fehlvorstellungen korrigieren und begründet entscheiden, ob ein Bild als Beleg taugt oder weiterverbreitet werden sollte.

Wichtig: Einzelne sichtbare Merkmale wie ungewöhnliche Hände, Schriftfehler oder Schatten können Hinweise sein, aber niemals einen sicheren Beweis liefern. Entscheidend sind Herkunft, Kontext, Quellen, Provenienz und ein transparentes Urteil über Unsicherheit.

Das Bild oben ist ein Beispiel für KI-generierte Kunst. Für die Medienanalyse zählt nicht nur, wie es aussieht, sondern auch, woher es stammt und wie seine Entstehung dokumentiert ist.

Lernziele

Nach dem Kurs kannst Du erklären, dass ein bildgenerierendes Modell normalerweise nicht einfach ein fertiges Bild aus dem Internet „heraussucht“. Du kannst die vereinfachte Idee eines Diffusionsmodells erklären, den Einfluss von Prompt, Zufall und Trainingsdaten beschreiben und zwischen Bildinhalt und Bildherkunft unterscheiden. Du kannst außerdem mögliche Verzerrungen untersuchen, Darstellungen realer Menschen verantwortungsvoll beurteilen und synthetische Medien mit Quellenkritik prüfen.

Aktivierung und Diagnose

Stell Dir vor, in einem Klassenchat erscheint ein spektakuläres Bild mit der Nachricht: „Das ist heute Morgen direkt vor unserer Schule passiert!“ Es gibt keine erkennbare Originalquelle.

Erster Eindruck: Was würdest Du spontan glauben und warum?
Fehlende Informationen: Welche Angaben fehlen Dir für ein belastbares Urteil?
Beweis oder Hinweis: Welche sichtbaren Merkmale wären höchstens Hinweise?
Handlungsentscheidung: Würdest Du das Bild sofort weiterleiten? Begründe.

Eine gute medienkritische Antwort darf lauten: „Ich weiß noch nicht genug.“

Was ist bildgenerierende KI?

Generative KI erzeugt neue Inhalte wie Texte, Bilder, Audio oder Videos. Ein Text-zu-Bild-System bekommt beispielsweise die Anweisung: „Eine rote Fahrradwerkstatt bei Nacht als Schulbuchillustration.“ Diese Eingabe heißt Prompt.

Das System übersetzt Wörter nicht einfach direkt in Pixel. Text wird in mathematische Repräsentationen überführt und steuert einen generativen Prozess. Viele bekannte Bildgeneratoren nutzen Diffusionsmodelle oder verwandte Verfahren.

Von Trainingsdaten zum Modell

Beim Maschinellen Lernen wird ein Modell anhand vieler Beispiele trainiert. Es lernt statistische Zusammenhänge: Welche Formen, Farben, Texturen und Anordnungen treten häufig gemeinsam auf? Welche Bildmerkmale passen häufig zu welchen sprachlichen Beschreibungen?

Das Ergebnis sind sehr viele mathematische Parameter. Sie beeinflussen, welche Strukturen das Modell bei neuen Eingaben erzeugt.

Die Grafik zeigt vereinfacht ein künstliches neuronales Netz. Reale Bildmodelle sind wesentlich größer und komplexer. Für das Grundverständnis reicht: Viele Zahlen werden so angepasst, dass das Modell Muster in Daten verarbeiten kann.

Die Grundidee der Diffusion

Vereinfacht kannst Du Dir ein Diffusionsmodell so vorstellen:

Verrauschen: Trainingsbilder werden schrittweise mit Zufallsrauschen verändert.
Lernen: Das Modell übt, verrauschte Zustände in Richtung strukturierter Bildzustände zu verändern.
Wiederholen: Dieser Vorgang wird mit sehr vielen Beispielen durchgeführt.
Generieren: Bei der Bilderzeugung kann der Prozess mit Zufallsrauschen beginnen.
Textsteuerung: Ein Prompt beeinflusst, welche Bildmerkmale wahrscheinlicher werden.

Die Zwischenstufen verdeutlichen: Das fertige Bild erscheint nicht in einem einzigen „magischen“ Schritt.

Mathematik: Bilder als Zahlen

Ein digitales Graustufenbild kann vereinfacht als Raster aus Zahlen dargestellt werden:

35	40	45
80	120	90
160	180	170

Rauschen bedeutet vereinfacht, dass solche Zahlen durch zufällige Veränderungen gestört werden. Echte Modelle rechnen komplexer und häufig in komprimierten Repräsentationen. Der mathematische Grundgedanke bleibt aber: Zufall verändert Werte, das Modell lernt statistisch, strukturiertere Zustände vorherzusagen.

So entstehen Bezüge zu Wahrscheinlichkeit, Zufall, Vektor und Matrix.

Latenter Raum

Viele Bildmodelle arbeiten nicht in jedem Schritt direkt mit allen Pixeln. Bilder können zunächst in eine kompaktere mathematische Darstellung übersetzt werden. Diese wird oft latenter Raum genannt. Danach wird die veränderte Darstellung wieder in ein sichtbares Bild zurückübersetzt.

Für Klasse 7 musst Du nicht jedes Element der Grafik kennen. Entscheidend ist: Text, Bildrepräsentation und ein lernendes Netz wirken zusammen.

Was macht ein Prompt?

Ein Prompt ist mehr als ein Suchbegriff. Wörter wie „Nacht“, „Nahaufnahme“, „Aquarell“ oder „von oben“ beeinflussen die Bildgenerierung. Trotzdem kontrolliert der Prompt nicht jedes Pixel. Zufall spielt weiterhin eine Rolle.

Bei manchen Systemen steuert eine Seed-Zahl den Startzustand des Zufalls. Gleicher Prompt und gleicher Seed können unter bestimmten technischen Bedingungen zu sehr ähnlichen Ergebnissen führen.

Gute Prompt-Arbeit ersetzt aber kein eigenes Denken. Entscheidend ist, ob Du Ziele formulierst, Ergebnisse prüfst, Fehler erkennst, Entscheidungen begründest und Verantwortung übernimmst.

Typische Fehlvorstellungen

„Die KI googelt ein Bild und kopiert es.“ – Ein generatives Modell erzeugt normalerweise neue Bilddaten auf Grundlage gelernter statistischer Muster. Fragen nach Trainingsdaten, Ähnlichkeiten und Urheberrecht bleiben trotzdem wichtig.

„Wenn die Hände korrekt sind, ist das Bild echt.“ – Moderne Systeme können Hände überzeugend darstellen. Echte Fotos können zugleich ungewöhnlich aussehen.

„Ein KI-Detektor beweist sicher, dass ein Bild künstlich ist.“ – Detektoren können sich irren. Ihre Ergebnisse sind Hinweise, keine unumstößlichen Beweise.

„Keine Metadaten bedeutet Fake.“ – Metadaten können beim Speichern, Hochladen, Bearbeiten oder Screenshotten verloren gehen.

„Ein realistisches Bild beweist ein Ereignis.“ – Ein Bild ist nur ein Teil einer Behauptung. Ort, Zeit, Quelle und unabhängige Bestätigung müssen ebenfalls geprüft werden.

Auch ein sauber gestaltetes KI-Bild kann sachlich falsche Aussagen oder Beschriftungen enthalten.

Warum Erkennungstricks nicht reichen

Zu viele Finger, seltsame Ohren, falsche Schatten oder unlesbare Schrift können Hinweise sein. Sie sind jedoch keine sichere Methode. Generatoren werden verbessert, Bilder können nachbearbeitet werden und echte Fotos können ebenfalls ungewöhnlich wirken.

Darum ist die stärkere Frage: Welche Belege sprechen für die behauptete Herkunft und den behaupteten Kontext?

Der HKQP-Check

Für diesen Kurs verwenden wir den HKQP-Check als Unterrichtshilfe:

Schritt	Leitfragen
Herkunft	Wer hat das Bild zuerst veröffentlicht? Gibt es eine nachvollziehbare Originalquelle?
Kontext	Wann und wo soll das Bild entstanden sein? Passt die Bildunterschrift?
Quellen	Bestätigen voneinander unabhängige seriöse Quellen das Ereignis?
Provenienz	Gibt es Metadaten, dokumentierte Bearbeitungsschritte oder Herkunftsnachweise?

Ergänze immer: Wie sicher ist mein Urteil? Gute Quellenkritik kennt Zwischenstufen wie „unklar“, „wahrscheinlich“, „nicht ausreichend belegt“ oder „durch mehrere Quellen bestätigt“.

Rückwärtssuche und Kontextprüfung

Eine Bilderrückwärtssuche kann frühere Fundstellen eines Bildes sichtbar machen. Wenn ein angeblich aktuelles Foto bereits Jahre vorher in einem anderen Zusammenhang auftauchte, ist das ein starkes Warnsignal. Eine Rückwärtssuche beweist jedoch nicht automatisch, ob ein Bild KI-generiert wurde.

Provenienz und Content Credentials

Technische Standards wie C2PA können Informationen über Ursprung und Bearbeitungsgeschichte digitaler Medien bereitstellen. Solche Herkunftsinformationen werden häufig als Content Credentials bezeichnet.

Vorhandene Herkunftsdaten: Sie können ein hilfreiches Vertrauenssignal sein.
Fehlende Herkunftsdaten: Sie beweisen nicht, dass ein Bild falsch ist.
Herkunft ist nicht Wahrheit: Ein echtes Foto kann mit einer falschen Bildunterschrift verbreitet werden.
Kontext bleibt notwendig: Provenienz ergänzt Quellenkritik, ersetzt sie aber nicht.

Bias und Fairness

Bias bezeichnet hier systematische Verzerrungen. Bildmodelle lernen aus Daten, in denen gesellschaftliche Häufigkeiten, Stereotype und historische Ungleichheiten enthalten sein können.

Wenn bestimmte Berufe in Trainingsdaten überwiegend mit bestimmten Geschlechtern, Hautfarben oder Altersgruppen verknüpft sind, kann ein Modell solche Muster übernehmen oder verstärken.

Eine gute Bias-Analyse fragt:

Repräsentation: Wer wird gezeigt und wer fehlt?
Rollenbilder: Welche Personen werden mit Macht, Technik, Fürsorge oder Armut verbunden?
Bildsprache: Welche Körper, Kleidungsstile und Orte erscheinen als „normal“?
Promptwirkung: Welche Wörter verändern die Darstellung?
Vergleich: Wiederholen sich Muster über mehrere Bilder hinweg?

Bias sollte nicht aus einem einzigen Beispiel abgeleitet werden. Vergleiche mehrere Ergebnisse.

Reale Personen verantwortungsvoll darstellen

Bei realen Menschen gelten besonders hohe Anforderungen an Persönlichkeitsrecht, Fairness und Verantwortung.

Einwilligung: Erzeuge oder verbreite keine täuschend echten KI-Darstellungen realer Mitschülerinnen, Mitschüler, Lehrkräfte oder anderer Privatpersonen ohne ausdrückliche Zustimmung.
Keine Bloßstellung: Nutze KI nicht, um Personen lächerlich zu machen, zu sexualisieren oder einzuschüchtern.
Kennzeichnung: Synthetische Darstellungen sollten klar als solche erkennbar sein.
Fiktion statt Täuschung: Für Übungen sind fiktive Personen meist die sicherere Wahl.
Verantwortung: Auch wenn ein Tool etwas technisch erlaubt, bleibt die ethische Entscheidung beim Menschen.

In der Europäischen Union gelten seit August 2026 Transparenzpflichten des AI Act für bestimmte KI-generierte oder manipulierte Inhalte. Für Deepfakes sieht Artikel 50 grundsätzlich Offenlegungspflichten vor, wobei der rechtliche Kontext entscheidend ist.

Geschichte: Manipulation ist älter als KI

Bildmanipulation gab es lange vor generativer KI. Fotografien wurden retuschiert, montiert, zugeschnitten oder in neue Zusammenhänge gestellt.

Das historische Beispiel zeigt, wie Personen in der Sowjetunion nachträglich aus Fotografien entfernt wurden. Neu an heutiger KI sind unter anderem Geschwindigkeit, Zugänglichkeit und Skalierung synthetischer Medien.

Im Geschichtsunterricht folgt daraus: Bilder sind Quellen, aber Quellen müssen nach Urheber, Entstehungszeit, Zweck, Bearbeitung und Überlieferung untersucht werden.

Kunst: Werkzeug, Autorenschaft und Gestaltung

In Kunst kann bildgenerierende KI Ideen sichtbar machen oder Varianten erzeugen. Eine künstlerische Aufgabe bleibt aber mehr als das Drücken auf „Generieren“.

Absicht: Welche eigene Idee verfolgst Du?
Auswahl: Warum wählst Du gerade dieses Ergebnis?
Bearbeitung: Was veränderst Du selbst?
Transparenz: Welche Teile wurden mit KI erzeugt?
Verantwortung: Werden reale Personen und Gruppen fair dargestellt?

Deutsch: Bildunterschriften verändern Bedeutung

Dasselbe Bild kann mit verschiedenen Überschriften völlig unterschiedlich wirken. Deshalb solltest Du zwischen Beobachtung, Behauptung, Interpretation und Wertung unterscheiden.

Frage: Was sehe ich tatsächlich? Was behauptet der Begleittext zusätzlich? Welche Belege fehlen?

Gemeinschaftskunde und Ethik

Synthetische Bilder können politische und gesellschaftliche Debatten beeinflussen. Sie können Aufmerksamkeit, Empörung oder Mitgefühl auslösen und als scheinbare Belege für Ereignisse verbreitet werden.

Demokratiebildung bedeutet deshalb auch, begründet zu vertrauen. Prüfe: Wem könnte ein Bild schaden? Wer profitiert von der Behauptung? Werden Gruppen stereotyp dargestellt? Welche Unsicherheit muss offengelegt werden?

Realistische Anwendungssituation: Das Bild im Klassenchat

Im Klassenchat erscheint ein realistisches Bild einer fiktiven Schulleiterin vor einem Schild: „Ab morgen Handys für alle verboten – auch in Pausen.“ Eine unbekannte Person schreibt: „Sie hat das heute angekündigt.“

Herkunft prüfen: Wer hat das Bild zuerst veröffentlicht?
Kontext prüfen: Gibt es Datum, Ort und weitere Aufnahmen?
Quellen vergleichen: Gibt es eine offizielle Mitteilung der Schule oder unabhängige Zeugen?
Provenienz prüfen: Gibt es Hinweise zur Bearbeitung oder synthetischen Erzeugung?
Schaden bedenken: Was könnte durch ungeprüftes Weiterleiten passieren?
Entscheiden: Teile erst, wenn die Behauptung ausreichend belegt ist.

Eine verantwortliche Antwort wäre: „Ich kann die Behauptung noch nicht bestätigen. Das Bild allein reicht nicht. Ich prüfe zuerst die Originalquelle und eine offizielle Mitteilung.“

Medienanalyse

Situation	Zentrale Frage	Möglicher Fehler
KI-Bild mit Nachrichtenszene	Gibt es unabhängige Belege für das Ereignis?	Realismus wird mit Wahrheit verwechselt
Echtes Foto mit falscher Bildunterschrift	Passt Ort und Zeitpunkt wirklich?	Echter Inhalt wird falsch kontextualisiert
Bearbeitetes historisches Foto	Was wurde wann und warum verändert?	Bearbeitung wird verschwiegen
KI-Bild mit stereotypen Rollen	Welche Gruppen werden wie dargestellt?	Bias wird übernommen oder verstärkt

Transparenz bei eigener KI-Nutzung

Wenn Du selbst KI-Bilder nutzt, dokumentiere möglichst:

Zweck: Wofür wurde das Bild erstellt?
Kennzeichnung: Ist KI-Beteiligung deutlich?
Prompt: Welche zentrale Anweisung wurde verwendet?
Auswahl: Warum wurde dieses Ergebnis gewählt?
Bearbeitung: Was wurde verändert?
Grenzen: Was darf aus dem Bild nicht als Tatsache geschlossen werden?

Video: KI, Fake News und Deepfakes

Achte besonders darauf, ob zwischen sichtbaren Hinweisen und belastbarer Quellenprüfung unterschieden wird.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Warum reicht ein realistisches Aussehen nicht aus, um die Echtheit eines Bildes zu beweisen? (Auch synthetische oder manipulierte Bilder können realistisch wirken) (!Echte Fotos sind immer unscharf) (!Digitale Bilder sind grundsätzlich falsch) (!Nur gedruckte Bilder können echt sein)

Was beschreibt die Grundidee eines Diffusionsmodells am besten? (Ein Modell lernt schrittweise Rauschen zu verarbeiten und daraus Bildstrukturen zu erzeugen) (!Ein Modell sucht nur ein fertiges Bild in einer Datenbank) (!Ein Modell malt jedes Bild nach festen Handregeln) (!Ein Modell arbeitet ohne mathematische Berechnungen)

Welche Aussage über sichtbare KI-Fehler ist am sinnvollsten? (Sie können Hinweise sein aber sind kein sicherer Beweis) (!Sie beweisen immer eine KI-Erzeugung) (!Sie kommen in echten Fotos niemals vor) (!Sie machen Quellenprüfung überflüssig)

Wozu dient eine Bilderrückwärtssuche besonders? (Sie kann frühere Fundstellen und andere Kontexte sichtbar machen) (!Sie beweist automatisch welches KI-Modell benutzt wurde) (!Sie repariert manipulierte Bilder) (!Sie zeigt immer den Namen der abgebildeten Person)

Was bedeutet Bias bei bildgenerierender KI? (Systematische Verzerrungen können aus Daten und Systementscheidungen entstehen) (!Jedes KI-Bild enthält absichtlich eine politische Botschaft) (!Bias bedeutet nur einen technischen Bildfehler) (!Bias entsteht ausschließlich durch schlechte Internetverbindungen)

Welche Information gehört zur Provenienz eines digitalen Bildes? (Informationen über Ursprung und Bearbeitungsgeschichte) (!Nur die Lieblingsfarbe des Betrachters) (!Nur die Anzahl sichtbarer Personen) (!Nur die Bildschirmgröße)

Wie solltest Du mit einer täuschend echten KI-Darstellung einer realen Mitschülerin umgehen? (Nicht ohne Einwilligung erzeugen oder verbreiten) (!Sofort veröffentlichen wenn sie lustig aussieht) (!Als echt kennzeichnen damit sie glaubwürdiger wirkt) (!Die Herkunft absichtlich verschweigen)

Warum können zwei Bilder aus demselben Prompt unterschiedlich aussehen? (Zufallswerte und Generierungsschritte können unterschiedliche Ergebnisse erzeugen) (!Prompts werden grundsätzlich ignoriert) (!Jedes Bild wird aus einer Suchmaschine kopiert) (!Bildmodelle können keine Texte verarbeiten)

Was ist beim HKQP-Check wichtiger als ein einzelner Bildfehler? (Herkunft Kontext Quellen und Provenienz gemeinsam zu prüfen) (!Nur auf Hände zu schauen) (!Nur die Bildgröße zu kontrollieren) (!Nur die Hintergrundfarbe zu vergleichen)

Was ist eine gute Reaktion auf ein ungeprüftes spektakuläres Bild im Klassenchat? (Die Behauptung zunächst nicht weiterverbreiten und Quellen prüfen) (!Das Bild sofort an möglichst viele Personen schicken) (!Alle sichtbaren Details automatisch für wahr halten) (!Die Bildunterschrift ohne Prüfung übernehmen)

Memory

Diffusionsmodell	Schrittweise Erzeugung aus Rauschen
Prompt	Sprachliche Steuerung der Bildgenerierung
Provenienz	Herkunft und Bearbeitungsgeschichte
Bias	Systematische Verzerrung
Rückwärtssuche	Frühere Fundstellen eines Bildes prüfen
Seed	Startwert für Zufall
Kontextprüfung	Ort Zeit und Begleitbehauptung untersuchen
Transparenz	KI-Nutzung nachvollziehbar offenlegen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Herkunft	Originalquelle und Erstveröffentlichung prüfen
Kontext	Ort Zeit und Bildunterschrift vergleichen
Quellen	Unabhängige Bestätigungen suchen
Provenienz	Entstehungs- und Bearbeitungsgeschichte untersuchen
Bias	Verzerrte oder stereotype Darstellung analysieren
Einwilligung	Reale Personen verantwortlich behandeln

Kreuzworträtsel

Diffusion	Welches Modellprinzip arbeitet vereinfacht mit Verrauschen und Entrauschung?
Prompt	Wie heißt eine textliche Anweisung an einen Bildgenerator?
Provenienz	Wie nennt man die dokumentierte Herkunft eines Mediums?
Kontext	Was musst Du neben dem Bildinhalt prüfen etwa Ort und Zeitpunkt?
Verzerrung	Welches deutsche Wort beschreibt einen möglichen Bias?
Transparenz	Wie heißt das Prinzip KI-Nutzung nachvollziehbar offenzulegen?

LearningApps

Lückentext

Viele bildgenerierende Systeme arbeiten mit einem

oder verwandten Verfahren. Beim Training werden statistische

gelernt. Bei einer vereinfachten Diffusion spielt

eine wichtige Rolle. Eine textliche Anweisung heißt

. Die dokumentierte Herkunft eines Mediums nennt man

. Ein sichtbarer Bildfehler ist höchstens ein

. Systematische Verzerrungen werden als

bezeichnet. Bei Darstellungen realer Menschen ist die

besonders wichtig. Vor dem Weiterleiten solltest Du unabhängige

prüfen.

Offene Aufgaben

Leicht

Bildbeschreibung ohne Urteil: Wähle ein frei nutzbares KI-Bild von Wikimedia Commons. Notiere fünf Beobachtungen und drei Behauptungen, die Du aus dem Bild allein nicht ableiten kannst.
HKQP-Karte: Gestalte eine Merkkarte mit Herkunft, Kontext, Quellen und Provenienz. Ergänze zu jedem Punkt eine Prüffrage.
Fehlvorstellungen korrigieren: Erkläre, warum ungewöhnliche Hände kein sicherer KI-Beweis sind.
Prompt und Wirkung: Formuliere drei neutrale Prompts für dieselbe fiktive Szene und markiere Wörter, die Perspektive oder Stimmung beeinflussen.

Standard

Bias-Vergleich: Vergleiche mehrere KI-Bilder eines neutralen Themas und dokumentiere wiederkehrende Darstellungsmuster.
Historische Bildmanipulation: Vergleiche historische Fotomanipulation mit moderner KI-Manipulation. Nenne zwei Gemeinsamkeiten und zwei Unterschiede.
Quellenprüfung im Team: Untersuche ein von der Lehrkraft bereitgestelltes Bild mit dem HKQP-Check und dokumentiere jeden Prüfschritt.
Transparente Bildnutzung: Entwirf eine Kennzeichnung für ein Schulplakat, aus der klar hervorgeht, welche Bildteile mit KI erzeugt wurden.

Schwer

Medienforensik ohne Detektor-Abkürzung: Analysiere ein umstrittenes Bild mit mindestens drei verschiedenen Quellentypen und trenne Beobachtung, Indiz, Beleg und Unsicherheit.
Mathematisches Rauschmodell: Zeige mit kleinen Zahlenmatrizen, wie Zufallsrauschen Bildwerte verändert, und erkläre die Grenzen dieser Vereinfachung.
Ethikrat für synthetische Medien: Entwickle Regeln für eine Schülerzeitung zu Einwilligung, Kennzeichnung, Bias, Quellenprüfung und Korrekturen.
Transferfall: Erfinde ein neues realistisches Szenario, in dem ein KI-Bild eine falsche Behauptung stützen könnte, und entwickle einen Prüfplan.

Lernkontrolle

Transfer Diffusion: Eine Person behauptet, ein Bildgenerator suche nur passende Bildteile im Internet zusammen. Erkläre, warum das die Grundidee eines Diffusionsmodells verfehlt, und formuliere eine bessere Erklärung.
Begründetes Urteil: Ein Bild sieht künstlich aus, besitzt aber nachvollziehbare Herkunftsdaten und wird von mehreren seriösen Quellen bestätigt. Begründe, warum das Aussehen allein nicht entscheidet.
Gegenbeispiel: Ein realistisches Bild besitzt keine Metadaten. Entwickle zwei mögliche Erklärungen und zeige, warum daraus kein sicherer Schluss folgt.
Bias und Fairness: Ein Generator zeigt bei „erfolgreiche Führungskraft“ fast immer denselben Personentyp. Entwickle eine Untersuchung, mit der Du prüfen könntest, ob ein systematisches Muster vorliegt.
Reale Person: Beurteile die Idee, eine Lehrkraft täuschend echt in einer erfundenen Situation darzustellen, mit mindestens drei Kriterien und schlage eine sichere Alternative vor.
Quellenkonflikt: Zwei Webseiten bewerten dasselbe Bild unterschiedlich. Beschreibe, wie Du Autorität, Primärquellen, Datum und Belege vergleichen würdest.

Lernnachweis

Für einen Lernnachweis ist wichtig:

Technisches Verständnis: Du erklärst Training, Rauschen, schrittweise Generierung und Textsteuerung vereinfacht korrekt.
Quellenkritik: Du wendest Herkunfts-, Kontext-, Quellen- und Provenienzprüfung auf neue Beispiele an.
Unsicherheitskompetenz: Du formulierst, wie sicher oder unsicher ein Urteil ist.
Biasanalyse: Du untersuchst mögliche systematische Verzerrungen anhand mehrerer Beispiele.
Verantwortung: Du behandelst Darstellungen realer Personen mit Einwilligung, Fairness und Transparenz.
Human Agency: Du erklärst, welche Entscheidungen beim Menschen bleiben.
Transfer: Du kannst typische Fehlvorstellungen korrigieren und auf neue Medienbeispiele übertragen.

Selbstkontrolle und Reflexion

Erklären: Wie würdest Du einem Kind aus Klasse 5 in vier Sätzen erklären, wie ein Diffusionsmodell grundsätzlich Bilder erzeugt?
Prüfen: Welche drei Schritte würdest Du vor dem Weiterleiten eines spektakulären Bildes durchführen?
Verantworten: Welche Regel ist Dir beim Erzeugen oder Verwenden von Bildern realer Personen am wichtigsten und warum?

Ein gutes Lernziel ist erreicht, wenn Du bei einem unbekannten Beispiel nicht nur fragst „Ist das KI?“, sondern zuerst: „Welche Behauptung wird mit diesem Bild gemacht und wie kann ich sie prüfen?“

Weiterführende Quellen

Wikipedia: Text-zu-Bild-Generator – Überblick zu Text-zu-Bild-Systemen.
Wikipedia: Maschinelles Lernen – Grundlagen von Training und Modellen.
Wikimedia Commons: AI-generated images – frei zugängliche Beispiele mit Lizenzangaben.
C2PA Specifications – Standard zu Herkunft und Authentizität digitaler Medien.
NIST: Reducing Risks Posed by Synthetic Content – Überblick zu Provenienz, Wasserzeichen und Erkennung.
Landesmedienzentrum Baden-Württemberg: Fake News erkennen – Quellen- und Bildprüfung.
Bundeszentrale für politische Bildung: Fake-Bilder erkennen – medienpädagogische Vertiefung.
EU AI Act Service Desk: Artikel 50 – Transparenzpflichten für bestimmte KI-generierte oder manipulierte Inhalte.

OERs zum Thema

Verknüpfte Lernbereiche

Bilderzeugende KI 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