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

Sprachmodelle verstehen

Einleitung

Sprachmodelle verstehen ist ein Lernkurs für die Schule mit Schwerpunkt Klasse 7. Du untersuchst nicht nur, was ein Sprachmodell kann, sondern vor allem, wie es aus Textmustern Vorhersagen berechnet, warum es überzeugend klingende Fehler erzeugen kann und wie Du seine Ausgaben kritisch prüfst.

Ein Sprachmodell ist zunächst ein mathematisches Modell für Folgen von Sprache. Moderne große Sprachmodelle verarbeiten Texte in kleinen Einheiten, sogenannten Tokens, wandeln diese in Zahlenrepräsentationen um und berechnen aus dem bisherigen Kontext Wahrscheinlichkeiten für mögliche Fortsetzungen. Viele textgenerierende Modelle erzeugen Text dann Schritt für Schritt: Sie bestimmen eine Verteilung für das nächste Token, wählen daraus ein Token aus und wiederholen den Vorgang.

Wichtigster Merksatz dieses Kurses: Ein Sprachmodell erkennt und verarbeitet statistische Muster in Daten. Daraus folgt nicht automatisch menschliches Verstehen. Menschen verbinden Sprache zusätzlich mit Erfahrungen, Absichten, Körper, sozialen Beziehungen, Werten und Verantwortung. Ob und in welchem Sinn Maschinen „verstehen“ können, wird wissenschaftlich und philosophisch diskutiert. Für die Analyse im Unterricht trennen wir deshalb konsequent zwischen beobachtbarer Sprachproduktion und menschlichem Verstehen.

Das Bild zeigt ein stark vereinfachtes künstliches neuronales Netz. Reale große Sprachmodelle bestehen aus sehr vielen Rechenschritten und Parametern, doch das Grundprinzip bleibt: Zahlen werden verarbeitet, gewichtet und so verändert, dass das Modell bei Trainingsaufgaben immer bessere Vorhersagen macht.

Das Video der Sendung mit der Maus eignet sich als kurze Aktivierung: Achte darauf, welche Beispiele zeigen, dass KI aus vorhandenen Daten Muster ableitet.

Lernziele

Nach dem Kurs kannst Du die zugrunde liegende Idee eines Sprachmodells mit einem einfachen Wahrscheinlichkeitsmodell erklären, an einem kleinen Datensatz selbst Vorhersagen berechnen, die Begriffe Token, Training, Parameter, Embedding und Attention altersgerecht erläutern, statistische Mustererkennung von menschlichem Verstehen unterscheiden, mögliche Fehler und Verzerrungen erkennen, KI-Aussagen mit Quellen prüfen und begründet entscheiden, wann ein Sprachmodell hilfreich ist und wann ein Mensch die Verantwortung behalten muss.

Zeitplan für 1–2 Unterrichtsstunden

Phase	Kernweg für etwa 45 Minuten	Vertiefung für etwa 90 Minuten
Aktivierung	5 Minuten: Vermutungen sammeln	8 Minuten: Diagnose mit Begründungen
Einfaches Modell	10 Minuten: Mini-Datensatz und Wahrscheinlichkeiten	15 Minuten: Vorhersage-Experiment und Zufall
Technisches Prinzip	15 Minuten: Token, Training, Transformer	25 Minuten: Embeddings, Attention und Visualisierungen
Anwendung	10 Minuten: Quellencheck	20 Minuten: Quellencheck plus Bias-Analyse
Abschluss	5 Minuten: Merksatz und Exit-Ticket	12 Minuten: Selbstkontrolle, Reflexion und Transfer

Aktivierung und Diagnose

Stell Dir drei Systeme vor: eine Suchmaschine, ein Taschenrechner und ein Sprachmodell. Welche dieser Aussagen würdest Du welchem System zuordnen?

Vorhersage: „Dieses System berechnet aus dem bisherigen Text, welche Fortsetzung wahrscheinlich ist.“
Quelle: „Dieses System zeigt Dir im Idealfall Dokumente, die Du selbst öffnen und prüfen kannst.“
Rechnen: „Dieses System führt nach festgelegten Rechenregeln eine Rechnung aus.“
Verstehen: „Dieses System kann flüssig formulieren, ohne dass daraus folgt, dass es die Welt wie ein Mensch versteht.“

Notiere zuerst Deine Vermutung. Begründe anschließend mindestens eine Zuordnung. Es geht bei der Diagnose nicht um eine Note, sondern darum, welche Vorstellungen Du bereits mitbringst.

Das technische Grundprinzip

Schritt 1: Text wird in Tokens zerlegt

Computer arbeiten nicht direkt mit Bedeutungen wie Menschen. Text wird zunächst in kleinere Einheiten zerlegt. Solche Einheiten heißen Tokens. In unserem vereinfachten Modell sind ganze Wörter Tokens. Reale Systeme verwenden häufig Wortteile, Satzzeichen oder andere Zeichenfolgen.

Beispiel:

Eingabe	Vereinfachte Tokenfolge
Die Katze schläft.	Katze \| schläft \| .
Unwahrscheinlichkeit	wahrscheinlich \| keit

Die genaue Zerlegung hängt vom jeweiligen Tokenizer ab. Deshalb ist ein Token nicht immer dasselbe wie ein Wort.

Schritt 2: Ein Mini-Sprachmodell zählt Muster

Nimm diesen kleinen Trainingsdatensatz. Für unser Experiment betrachten wir Wörter als Tokens.

Satz	Trainingsbeispiel
A	Die Katze schläft
B	Die Katze schnurrt
C	Die Katze schläft
D	Der Hund schläft
E	Die Katze jagt

Nach der Folge Die Katze kommen in den vier passenden Sätzen folgende Wörter vor:

Mögliches nächstes Wort	Häufigkeit	Vereinfachte Wahrscheinlichkeit
schläft	zweimal	50 Prozent
schnurrt	einmal	25 Prozent
jagt	einmal	25 Prozent

Dieses sehr kleine Modell „weiß“ nicht, was eine Katze ist. Es verwendet nur gezählte Muster. Trotzdem kann es eine plausible Fortsetzung erzeugen.

Experiment: Schreibe die vier Fortsetzungen auf vier Zettel: zweimal „schläft“, einmal „schnurrt“, einmal „jagt“. Ziehe blind einen Zettel. Wiederhole das zehnmal. Du simulierst damit eine einfache zufällige Auswahl entsprechend der beobachteten Häufigkeiten.

Mathematischer Bezug: Die Wahrscheinlichkeit wird hier als relative Häufigkeit geschätzt. Für „schläft“ gilt in diesem Mini-Beispiel: 2 passende Fälle von 4, also 2/4 = 1/2 = 50 Prozent.

Schritt 3: Mehr Kontext verändert die Vorhersage

Ein Modell, das nur ein Wort betrachtet, kann leicht in die Irre gehen. Betrachte:

„Sie setzte sich auf die Bank und fütterte Enten.“
„Sie ging zur Bank und hob Geld ab.“

Das Wort Bank hat je nach Kontext unterschiedliche Zusammenhänge. Moderne Sprachmodelle berücksichtigen viele vorherige Tokens gleichzeitig. Dadurch können sich ihre internen Repräsentationen abhängig vom Kontext verändern.

Schritt 4: Wörter und Wortteile werden zu Zahlenrepräsentationen

Ein Sprachmodell wandelt Tokens in Zahlenvektoren um. Solche gelernten Repräsentationen werden häufig Embeddings genannt. Tokens, die in ähnlichen sprachlichen Zusammenhängen vorkommen, können im gelernten Zahlenraum ähnliche Beziehungen aufweisen.

Die Grafik zeigt vereinfacht, wie Wörter als Punkte beziehungsweise Vektoren dargestellt werden können. Die Darstellung ist kein Wörterbuch im Kopf der Maschine, sondern eine mathematische Repräsentation gelernter Beziehungen.

Schritt 5: Ein neuronales Netz passt viele Gewichte an

Beim Training erhält das Modell viele Textbeispiele. Eine typische Trainingsaufgabe lautet vereinfacht: Welches Token folgt als Nächstes? Das Modell gibt Wahrscheinlichkeiten aus. Ein Fehlermaß zeigt, wie weit die Vorhersage vom tatsächlich folgenden Token entfernt war. Ein Optimierungsverfahren verändert daraufhin viele Zahlenwerte im Modell, die Parameter oder Gewichte heißen. Dieser Prozess wird sehr oft wiederholt.

Ein vereinfachter Ablauf:

Schritt	Was geschieht?
Eingabe	Text wird in Tokens zerlegt.
Zahlen	Tokens werden in Vektoren umgewandelt.
Verarbeitung	Viele Schichten kombinieren und verändern die Vektoren.
Vorhersage	Das Modell berechnet Wahrscheinlichkeiten für mögliche nächste Tokens.
Training	Parameter werden so angepasst, dass passende Fortsetzungen wahrscheinlicher werden.

Schritt 6: Transformer und Attention

Viele moderne Sprachmodelle beruhen auf der Transformer-Architektur. Ein wichtiger Baustein ist Attention. Vereinfacht gesprochen berechnet das Modell dabei, welche anderen Token-Repräsentationen für die aktuelle Verarbeitung besonders stark gewichtet werden sollen.

In einem Attention-Block entstehen unter anderem sogenannte Query-, Key- und Value-Repräsentationen. Aus Vergleichen zwischen Query und Keys werden Gewichte berechnet. Mit diesen Gewichten werden Informationen aus Values kombiniert. In Klasse 7 reicht als Kernidee: Das Modell gewichtet Beziehungen im Kontext, statt nur starr Wort für Wort zurückzuschauen.

Achtung vor einer Fehlvorstellung: Ein hohes Attention-Gewicht ist kein Beweis dafür, dass das Modell ein Wort bewusst „beachtet“ oder eine menschliche Erklärung für seine Entscheidung besitzt.

Diese vollständige Transformer-Darstellung ist deutlich komplexer als unser Mini-Modell. Nutze sie wie eine Landkarte: Du musst nicht jedes Kästchen auswendig kennen. Wichtig sind Token-Repräsentationen, wiederholte Verarbeitungsschichten, Attention und die Berechnung einer Ausgabe.

Das Video von Terra X Lesch & Co eignet sich besonders zur Vertiefung. Für den Unterricht können Ausschnitte genutzt werden: einfache Sprachmodelle ab etwa Minute 1, Tokens und Training ab etwa Minute 12 sowie die Frage nach „Verstehen“ ab etwa Minute 16.

Schritt 7: Aus Zahlen werden Wahrscheinlichkeiten

Am Ende eines Vorhersageschritts erhält das Modell für viele mögliche nächste Tokens Werte. Eine Funktion wie Softmax kann solche Werte in eine Wahrscheinlichkeitsverteilung umwandeln.

Ein Modell muss nicht immer das wahrscheinlichste Token nehmen. Je nach Einstellung kann die Auswahl mehr oder weniger zufällig erfolgen. Dadurch können auf dieselbe Eingabe unterschiedliche Formulierungen entstehen.

Der gesamte Ablauf in einer Zeile

Text	→	Tokens	→	Vektoren	→	Transformer mit Attention	→	Wahrscheinlichkeiten	→	nächstes Token	→	Wiederholung

Kurzform: Sprachmodelle erzeugen Text, indem sie aus gelerntem Datenmaterial und aktuellem Kontext Wahrscheinlichkeiten für Fortsetzungen berechnen.

Mustererkennung ist nicht menschliches Verstehen

Ein Sprachmodell kann eine Erklärung über Vulkane formulieren, einen Dialog fortsetzen oder einen Gedichtstil nachahmen. Diese Fähigkeiten zeigen, dass das Modell komplexe Muster verarbeiten kann. Sie beweisen für sich genommen jedoch nicht menschliches Verstehen.

Ein Mensch kann einen Satz mit eigenen Erlebnissen, Zielen, sozialen Regeln und Verantwortung verbinden. Ein Sprachmodell verarbeitet dagegen numerische Repräsentationen und berechnet Ausgaben nach seinem Training und seiner aktuellen Eingabe. Wenn ein Modell schreibt „Ich denke“, ist das zunächst eine erzeugte Textform. Aus dieser Formulierung allein darfst Du keine menschlichen Gefühle oder Absichten ableiten.

Prüffrage: Wenn ein Papagei einen Satz korrekt wiederholt, bedeutet das automatisch, dass er dieselben Gedanken wie die Sprecherin oder der Sprecher hatte? Die Analogie ist nicht perfekt, hilft aber dabei, zwischen passender Äußerung und nachgewiesenem Verstehen zu unterscheiden.

Typische Fehlvorstellungen korrigieren

Fehlvorstellung 1: „Ein Sprachmodell sucht jede Antwort im Internet.“ – Nein. Ein trainiertes Modell kann Text aus seinen Parametern erzeugen. Manche Anwendungen besitzen zusätzlich eine Suchfunktion, aber das ist ein eigener Schritt.
Fehlvorstellung 2: „Wenn die Antwort flüssig klingt, ist sie wahr.“ – Nein. Sprachmodelle optimieren plausible Fortsetzungen, nicht automatisch Wahrheit.
Fehlvorstellung 3: „Ein Token ist immer ein Wort.“ – Nein. Tokens können auch Wortteile, Satzzeichen oder andere Zeichenfolgen sein.
Fehlvorstellung 4: „Das Modell speichert einfach alle Texte wie eine Bibliothek.“ – Zu einfach. Beim Training werden viele Parameter angepasst. Bestimmte Textstücke können dennoch memorisiert werden; daraus folgt aber nicht, dass das Modell eine normale Dokumentdatenbank ist.
Fehlvorstellung 5: „Attention bedeutet Bewusstsein.“ – Nein. Attention ist ein mathematischer Gewichtungsmechanismus.
Fehlvorstellung 6: „Eine KI-Antwort ist eine Quelle.“ – Nein. Eine Ausgabe ist zunächst eine Behauptung oder Darstellung, die Du mit überprüfbaren Quellen abgleichen musst.
Fehlvorstellung 7: „Wenn viele Daten genutzt werden, verschwindet Bias automatisch.“ – Nein. Verzerrungen können aus Daten, Auswahl, Modellzielen und Anwendung entstehen.

Warum Sprachmodelle überzeugend falsch liegen können

Ein Modell kann eine sprachlich sehr passende Fortsetzung erzeugen, obwohl der Inhalt falsch ist. Solche erfundenen oder unbelegten Aussagen werden häufig als Halluzinationen bezeichnet. Das kann falsche Zahlen, erfundene Zitate, nicht existierende Bücher oder scheinbar genaue Quellen betreffen.

Der Grund liegt im Grundprinzip: Die Trainingsaufgabe belohnt gute Vorhersagen von Sprachmustern. Wahrheit, Aktualität und Quellenbeleg sind zusätzliche Anforderungen, die nicht allein aus flüssigem Text folgen.

Merksatz: Plausibilität ist kein Beweis.

Quellenkritik: Die Drei-Prüfungen-Methode

Wenn ein Sprachmodell eine überprüfbare Behauptung macht, kannst Du drei Prüfungen durchführen:

Quellenprüfung: Gibt es eine konkrete, auffindbare Quelle? Wer hat sie veröffentlicht?
Belegprüfung: Steht die behauptete Information tatsächlich in dieser Quelle?
Vergleichsprüfung: Bestätigt mindestens eine weitere geeignete Quelle die Aussage oder gibt es begründeten Widerspruch?

Bevorzuge bei Fachfragen Primärquellen, Behörden, wissenschaftliche Einrichtungen, Schulbücher oder sorgfältig redigierte Fachmedien. Bei Wikipedia lohnt sich ein Blick in die Einzelnachweise und Versionsgeschichte.

Realistische Anwendungssituation: Schulzeitung

Die Redaktion einer Schulzeitung möchte einen Artikel über KI im Unterricht schreiben. Ein Sprachmodell liefert folgenden Absatz:

Fiktive KI-Antwort für die Übung: „Eine bundesweite Studie des Instituts für Lernstatistik aus dem Jahr 2025 zeigt, dass 83 Prozent aller Siebtklässler mit KI bessere Noten erhalten.“

Du sollst den Satz nicht sofort übernehmen.

Prüfpunkt	Deine Aufgabe
Behauptung	Markiere, was genau behauptet wird.
Quelle	Prüfe, ob das genannte Institut und die Studie auffindbar sind.
Originalbeleg	Suche nach dem Originaltext statt nach Wiederholungen der Behauptung.
Vergleich	Suche eine zweite seriöse Quelle zum Thema.
Urteil	Entscheide: belegt, unbelegt, falsch oder noch unklar.

Wenn Du die genannte Quelle nicht findest, ist das kein Beweis, dass jede Aussage falsch ist. Aber Du darfst die konkrete Zahl nicht als belegt darstellen. Transparenz bedeutet dann zum Beispiel: „Für diese Zahl wurde kein überprüfbarer Beleg gefunden.“

Bias und Fairness

Bias bedeutet hier eine systematische Verzerrung. Trainingsdaten stammen aus von Menschen erzeugten Texten und können gesellschaftliche Ungleichheiten, Stereotype oder einseitige Perspektiven enthalten. Zusätzlich können Datenauswahl, Modelltraining, Sicherheitsregeln und Einsatzkontext neue Verzerrungen erzeugen.

Betrachte dieses absichtlich vereinfachte Beispiel:

Trainingsaussage	Anzahl
„Der Ingenieur erklärt den Plan.“	achtmal
„Die Ingenieurin erklärt den Plan.“	zweimal

Ein sehr einfaches Häufigkeitsmodell würde männliche Formen häufiger vorhersagen. Daraus folgt nicht, dass Ingenieure „typischer“ männlich sein sollten. Es zeigt nur, dass Datenverteilungen gesellschaftliche Muster spiegeln können.

Fairness-Fragen: Wer ist im Datensatz häufig vertreten? Wer fehlt? Welche Gruppen könnten benachteiligt werden? Welche Folgen hätte eine falsche Entscheidung? Wer kann widersprechen oder eine Entscheidung korrigieren?

Bei Entscheidungen mit großen Folgen – zum Beispiel über Noten, Bewerbungen, Gesundheit, Kredite oder Rechte – darf ein Sprachmodell nicht einfach die menschliche Verantwortung ersetzen.

Human Agency: Du bleibst handelnde Person

Human Agency bedeutet, dass Menschen Ziele setzen, Entscheidungen prüfen und Verantwortung behalten. Ein sinnvoller KI-Einsatz unterstützt Dein Denken, statt es zu ersetzen.

Ziel setzen: Entscheide zuerst selbst, was Du lernen, prüfen oder gestalten willst.
Eigenleistung: Formuliere zunächst eigene Ideen, Vermutungen oder Lösungswege.
KI gezielt einsetzen: Nutze ein Sprachmodell zum Gegenlesen, für Gegenargumente, Erklärvarianten oder Fragen.
Prüfen: Kontrolliere Fakten, Quellen und mögliche Verzerrungen.
Entscheiden: Übernimm nur, was Du begründen kannst.
Transparenz: Kennzeichne KI-Unterstützung, wenn Schule, Aufgabe oder Publikation das verlangen.
Datenschutz: Gib keine sensiblen persönlichen Daten von Dir oder anderen in öffentliche KI-Dienste ein.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	Beispiel
Informatik	Algorithmen, Daten, neuronale Netze, Transformer	Ein Mini-Sprachmodell selbst aus Häufigkeiten bauen
Deutsch	Sprache, Wortwahl, Textsorten, Stil, Argumentation	Zwei KI-Texte auf Präzision und Belege vergleichen
Mathematik	relative Häufigkeit, Wahrscheinlichkeit, Verteilungen	Wahrscheinlichkeiten für nächste Wörter berechnen
Geschichte	Quellenkritik, technische Entwicklung, historische Narrative	Eine KI-Aussage zu einem historischen Ereignis mit Quellen prüfen
Kunst	generative Gestaltung, Autorschaft, Stil, Originalität	Menschliche und KI-gestützte Gestaltung reflektieren
Ethik	Verantwortung, Fairness, Menschenwürde, Transparenz	Entscheiden, welche Aufgaben nicht automatisiert werden sollten
Gemeinschaftskunde	Öffentlichkeit, Macht, politische Meinungsbildung	Prüfen, wie automatisch erzeugte Texte Debatten beeinflussen können
Medienbildung	Quellenprüfung, Desinformation, Datenschutz, Medienanalyse	Behauptungen, Quellen und Interessen systematisch untersuchen

Medienanalyse

Wenn Du einen KI-generierten Text liest, achte nicht nur auf Fakten, sondern auch auf die Darstellung:

Sicherheitston: Klingt der Text sicherer, als die Belege erlauben?
Auswahl: Welche Perspektiven werden genannt und welche fehlen?
Emotionalisierung: Werden Wörter benutzt, die Angst, Begeisterung oder Empörung verstärken?
Quellenstatus: Sind Quellen konkret, auffindbar und passend?
Interessen: Könnte ein Anbieter, eine Institution oder eine Person ein Interesse an einer bestimmten Darstellung haben?
Unsicherheit: Kennzeichnet der Text Wissenslücken oder tut er so, als sei alles eindeutig?

Diese Fragen gelten nicht nur für KI-Texte, sondern auch für Posts, Nachrichten, Werbung, Videos und menschliche Texte.

Vertiefung für besonders Interessierte

Ein einfaches N-Gramm-Modell betrachtet nur kurze Folgen von Tokens. Ein Transformer kann wesentlich längere Zusammenhänge verarbeiten. Trotzdem bleibt die Grundidee der Vorhersage nützlich: Aus Kontext werden Wahrscheinlichkeiten für mögliche Fortsetzungen berechnet.

Das englischsprachige Video von 3Blue1Brown zeigt große Sprachmodelle mit anschaulichen mathematischen Animationen. Es eignet sich als freiwillige Vertiefung oder für Ausschnitte in leistungsstärkeren Lerngruppen.

Quellen und Mediennachweise

Die Commons-Dateien besitzen freie Lizenzen oder entsprechend freie Freigaben, die auf den jeweiligen Dateibeschreibungsseiten genannt sind. Für eingebettete Videos gelten die Nutzungsbedingungen und Lizenzen der jeweiligen Anbieter.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt das Grundprinzip eines textgenerierenden Sprachmodells am besten? (Es berechnet aus Kontext Wahrscheinlichkeiten für mögliche Fortsetzungen) (!Es durchsucht bei jedem Wort automatisch das gesamte Internet) (!Es speichert jeden gelesenen Satz unverändert in einer Tabelle) (!Es denkt vor jeder Antwort wie ein Mensch über seine Erfahrungen nach)

Warum ist ein Token nicht immer dasselbe wie ein Wort? (Ein Token kann auch ein Wortteil oder Satzzeichen sein) (!Ein Token ist immer genau ein vollständiger Satz) (!Ein Token ist nur eine Bilddatei) (!Ein Token ist ausschließlich eine Zahl zwischen null und zehn)

Was geschieht beim Training eines Sprachmodells vereinfacht? (Parameter werden so angepasst, dass passende Vorhersagen wahrscheinlicher werden) (!Alle Trainingssätze werden alphabetisch sortiert) (!Das Modell erhält menschliche Gefühle) (!Jede mögliche Frage bekommt eine fest gespeicherte Antwort)

Welche Aussage zu Attention ist richtig? (Attention gewichtet Beziehungen zwischen Repräsentationen im Kontext) (!Attention beweist, dass ein Modell bewusst denkt) (!Attention ist nur eine Suchmaschine) (!Attention ersetzt die Tokenisierung vollständig)

Warum kann ein Sprachmodell falsche Fakten erzeugen? (Sprachliche Plausibilität und Wahrheit sind nicht dasselbe) (!Weil jedes Sprachmodell grundsätzlich keine Grammatik kennt) (!Weil Wahrscheinlichkeiten nur bei Bildern funktionieren) (!Weil Modelle ausschließlich zufällige Buchstaben ausgeben)

Was ist bei einer KI-generierten Quellenangabe sinnvoll? (Die Quelle öffnen und prüfen, ob sie existiert und die Aussage belegt) (!Die Quellenangabe übernehmen, weil sie wissenschaftlich klingt) (!Nur die Länge des Links prüfen) (!Die Quelle ignorieren und nur auf flüssige Sprache achten)

Was bedeutet Bias im Zusammenhang mit KI am ehesten? (Eine systematische Verzerrung in Daten, Modell oder Anwendung) (!Eine besonders schnelle Internetverbindung) (!Eine zufällige Rechtschreibkorrektur) (!Eine Garantie für faire Entscheidungen)

Welche Aussage trennt Mustererkennung und menschliches Verstehen sinnvoll? (Eine passende Textausgabe beweist allein kein menschliches Verstehen) (!Jeder grammatisch richtige Satz beweist Bewusstsein) (!Statistische Modelle haben automatisch dieselben Erfahrungen wie Menschen) (!Menschen und Sprachmodelle lernen in jeder Hinsicht identisch)

Was stärkt Human Agency beim Einsatz von Sprachmodellen? (Du setzt Ziele selbst, prüfst Ergebnisse und behältst die Entscheidung) (!Du übernimmst jede Ausgabe ohne Prüfung) (!Du gibst möglichst viele persönliche Daten ein) (!Du lässt das Modell allein über wichtige Konsequenzen entscheiden)

Im Mini-Datensatz folgt nach Die Katze zweimal schläft, einmal schnurrt und einmal jagt. Welche Schätzung passt für schläft? (50 Prozent) (!25 Prozent) (!75 Prozent) (!100 Prozent)

Memory

Token	Textbaustein der maschinellen Verarbeitung
Training	schrittweises Anpassen von Modellparametern
Embedding	gelernte Zahlenrepräsentation
Attention	Gewichtung von Beziehungen im Kontext
Bias	systematische Verzerrung
Halluzination	plausibel klingende unbelegte Erfindung
Quelle	überprüfbarer Ursprung einer Information
Human Agency	menschliche Zielsetzung und Verantwortung

Drag and Drop

Ordne die richtigen Begriffe zu.	Funktion
Tokenisierung	Text in kleinere Einheiten zerlegen
Embedding	Tokens als Zahlenvektoren darstellen
Attention	Kontextbeziehungen gewichten
Training	Modellparameter mit Beispielen anpassen
Quellenkritik	Behauptungen mit Belegen prüfen
Biasanalyse	systematische Verzerrungen untersuchen

Kreuzworträtsel

Token	Wie heißt eine kleine Verarbeitungseinheit eines Sprachmodells?
Embedding	Wie heißt eine gelernte Zahlenrepräsentation für Tokens?
Attention	Wie heißt der Mechanismus zur Gewichtung von Kontextbeziehungen?
Training	Wie heißt die Phase, in der Modellparameter angepasst werden?
Bias	Wie heißt eine systematische Verzerrung mit vier Buchstaben?
Quelle	Was solltest Du für eine überprüfbare Behauptung suchen?

LearningApps

Lückentext

Ein Sprachmodell verarbeitet Text in kleinen Einheiten, die

heißen.

In unserem Mini-Modell wird die Wahrscheinlichkeit durch relative

geschätzt.

Reale Sprachmodelle verwenden gelernte Zahlenrepräsentationen, sogenannte

.

Beim Training werden viele Modellparameter schrittweise

.

Ein wichtiger Baustein moderner Transformer heißt

.

Attention gewichtet Beziehungen zwischen Elementen im

.

Eine flüssige Antwort ist noch kein Beweis für ihre

.

Eine erfundene oder unbelegte KI-Aussage wird häufig als

bezeichnet.

Systematische Verzerrungen werden als

bezeichnet.

Eine KI-Ausgabe ist zunächst keine überprüfte

.

Bei wichtigen Entscheidungen soll die menschliche

erhalten bleiben.

Wer KI verantwortungsvoll nutzt, prüft Belege und schützt persönliche

.

Offene Aufgaben

Leicht

Mini-Sprachmodell: Erfinde sechs kurze Sätze mit demselben Satzanfang. Zähle, welche Wörter als Fortsetzung vorkommen, und berechne einfache Wahrscheinlichkeiten.
Token-Detektiv: Zerlege fünf Wörter oder Sätze auf zwei verschiedene plausible Arten in Tokens. Erkläre, warum echte Tokenizer anders zerlegen können.
Fehlvorstellungs-Poster: Gestalte ein kleines Poster mit drei Aussagen nach dem Muster „Mythos – Korrektur – Begründung“.
Quellenampel: Nimm drei Aussagen aus einem KI-Text und markiere sie als grün, gelb oder rot je nachdem, wie gut sie belegt sind. Begründe jede Farbe.

Standard

Wahrscheinlichkeits-Experiment: Baue mit Papierkarten ein kleines Zufallsmodell für Wortfortsetzungen. Führe mindestens 30 Ziehungen durch und vergleiche beobachtete Häufigkeiten mit den erwarteten Wahrscheinlichkeiten.
Medienanalyse: Vergleiche einen menschlich verfassten und einen KI-unterstützten Erklärungstext. Untersuche Sicherheitston, Quellen, Auslassungen und sprachliche Wirkung.
Bias-Labor: Entwirf zwei kleine Datensätze zum gleichen Thema, bei denen eine Gruppe unterschiedlich stark vertreten ist. Erkläre, wie sich die Vorhersagen eines einfachen Häufigkeitsmodells verändern könnten.
Schulzeitungs-Check: Lass Dir von einem Sprachmodell nur dann helfen, wenn es in Deiner Schule erlaubt ist. Prüfe anschließend drei überprüfbare Aussagen mit Originalquellen und dokumentiere jeden Prüfschritt.

Schwer

Transformer-Erklärvideo: Produziere ein höchstens zweiminütiges Erklärvideo, das Tokens, Embeddings, Attention und nächste-Token-Vorhersage mit einer eigenen Analogie verbindet. Nenne auch eine Grenze Deiner Analogie.
Fairness-Debatte: Entwickle eine Fallstudie, in der ein Sprachmodell über eine folgenreiche Schulentscheidung beraten soll. Formuliere Pro- und Contra-Argumente und entscheide, welche Rolle der Mensch behalten muss.
Historischer Faktencheck: Wähle eine historische Frage. Sammle eine KI-Antwort, zwei geeignete Quellen und eine Beurteilung, welche Teile belegt, unklar oder falsch sind.
Modellvergleich ohne Marken: Vergleiche zwei verschiedene Sprachmodelle mit denselben drei Aufgaben. Entwickle Kriterien für Faktentreue, Transparenz, Unsicherheitsangaben, Bias und Nutzbarkeit und ziehe ein begründetes Urteil.

Lernkontrolle

Transfer Mini-Datensatz: Du erhältst einen neuen Datensatz mit zehn Sätzen. Entwickle daraus selbst eine nächste-Wort-Vorhersage und erkläre, welche Grenzen Dein Modell hat.
Fehlerdiagnose: Eine Person sagt: „Das Modell hat eine Quelle genannt, also muss die Antwort stimmen.“ Widerlege die Aussage mit einem nachvollziehbaren Prüfverfahren.
Kontextanalyse: Erkläre an einem mehrdeutigen Wort, warum längerer Kontext eine Vorhersage verändern kann. Übertrage die Idee auf ein eigenes Beispiel.
Bias-Urteil: Beurteile einen Datensatz, in dem eine gesellschaftliche Gruppe kaum vorkommt. Beschreibe mögliche Folgen und mindestens zwei Gegenmaßnahmen.
Human-Agency-Entscheidung: Entscheide für drei Situationen – Hausaufgabenhilfe, Bewerbungsauswahl und medizinische Diagnose – welche Rolle ein Sprachmodell übernehmen darf und welche nicht. Begründe die Unterschiede.
Medienkompetenz-Transfer: Entwirf eine Checkliste, mit der eine andere Klasse einen KI-generierten Nachrichtentext auf Belege, Perspektiven, Aktualität und sprachliche Manipulation prüfen kann.

Lernnachweis

Für einen überzeugenden Lernnachweis solltest Du zeigen, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und anwenden kannst.

Du kannst das Prinzip der nächsten-Token-Vorhersage mit einem kleinen Datensatz erläutern.
Du kannst eine einfache bedingte Wahrscheinlichkeit aus Häufigkeiten bestimmen.
Du kannst erklären, warum Token, Embedding, Parameter und Attention verschiedene Funktionen haben.
Du kannst statistische Mustererkennung von menschlichem Verstehen unterscheiden.
Du kannst mindestens zwei typische Fehlvorstellungen korrigieren.
Du kannst eine KI-Behauptung mit konkreten Quellen prüfen.
Du kannst Bias erkennen und mögliche Folgen für Fairness beschreiben.
Du kannst begründen, warum Menschen bei wichtigen Entscheidungen Verantwortung behalten müssen.
Du kannst transparent angeben, wie und wofür Du ein Sprachmodell eingesetzt hast.

OERs zum Thema

Verknüpfte Lernbereiche

Sprachmodelle 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