Deepfakes kritisch beurteilen
Deepfakes kritisch beurteilen
Deepfakes kritisch beurteilen
Einleitung
Ein Video sieht echt aus. Eine Stimme klingt vertraut. Eine Person scheint etwas gesagt zu haben, das sofort Empörung auslöst. Trotzdem kann der erste Eindruck täuschen. Deepfakes sind mit Künstlicher Intelligenz erzeugte oder veränderte Bild-, Audio- oder Videoinhalte, die reale Personen, Gegenstände, Orte oder Ereignisse überzeugend nachahmen können. Gleichzeitig kann auch ein echtes Video irreführend werden, wenn es gekürzt, aus einem anderen Zusammenhang übernommen oder mit einer falschen Überschrift versehen wird.
In diesem Lernkurs trainierst Du deshalb nicht, Deepfakes anhand angeblich „sicherer Tricks“ zu erraten. Du lernst stattdessen, Herkunft, Kontext, Quellen, technische Hinweise und Gegenbelege systematisch zu prüfen. Dein Ziel ist ein begründetes Urteil: Was ist belegt? Was ist unklar? Welche Beweise fehlen noch? Und welche Folgen hätte es, wenn Du einen Inhalt ungeprüft weiterverbreitest?
Der Kurs richtet sich besonders an Klasse 7 und ist für etwa eine bis zwei Unterrichtsstunden angelegt. Er verbindet Informatik, Deutsch, Mathematik, Geschichte, Kunst, Ethik, Gemeinschaftskunde und Medienbildung.
Lernziele
Nach dem Kurs kannst Du zwischen einem technisch erzeugten oder veränderten Deepfake und einer irreführenden Kontextualisierung unterscheiden. Du kannst erklären, warum einzelne sichtbare Auffälligkeiten oder automatische Deepfake-Detektoren keine sicheren Beweise liefern. Du kannst die Herkunft eines Mediums untersuchen, Kontextinformationen vergleichen, unabhängige Bestätigungen suchen, technische Provenienzhinweise einordnen und Unsicherheit offen benennen. Außerdem kannst Du die Darstellung realer Personen unter Gesichtspunkten wie Einwilligung, Menschenwürde, Fairness und möglichem Schaden beurteilen.
Unterrichtsrahmen für 45 bis 90 Minuten
| Phase | Richtzeit | Ziel |
|---|---|---|
| Aktivierung und Diagnose | 5–10 Minuten | Erste Vermutungen von belegten Urteilen unterscheiden |
| Verständliche Einführung | 10–15 Minuten | Deepfakes, synthetische Medien und Kontextmanipulation verstehen |
| Technischer Einblick | 10–15 Minuten | Neuronale Netze, Generierung, Detektoren und Provenienz einordnen |
| BELEG-Prüfung | 15–20 Minuten | Herkunft, Kontext und Quellen systematisch prüfen |
| Anwendungssituation | 10–20 Minuten | Ein realistisches Klassenchat-Beispiel untersuchen |
| Selbstkontrolle und Transfer | 5–10 Minuten | Urteil begründen, Unsicherheit benennen und Handlungsregeln formulieren |
Bei nur einer Unterrichtsstunde können die historische Vertiefung, das mathematische Detektor-Beispiel und Teile der offenen Aufgaben als Erweiterung genutzt werden.
Aktivierung: Dein erster Eindruck ist nur eine Hypothese
Stell Dir vor: Im Klassenchat erscheint ein zwölf Sekunden langes Video. Darin sagt angeblich die Schulleitung: „Morgen fällt der Unterricht wegen der Hitze aus.“ Das Video wurde von einem unbekannten Account weitergeleitet. Unter dem Clip schreiben mehrere Personen: „Das sieht total echt aus.“
Beurteile zunächst nicht, ob das Video echt oder gefälscht ist. Notiere stattdessen drei Informationen, die Dir noch fehlen. Überlege danach: Welche dieser Informationen könntest Du unabhängig vom Video überprüfen?
Eine gute Diagnose beginnt mit einem Perspektivwechsel: Die Frage lautet nicht nur „Sieht das echt aus?“, sondern vor allem „Woher kommt es, in welchem Zusammenhang steht es und welche überprüfbaren Belege stützen die Behauptung?“
Was ist ein Deepfake?
Das Wort Deepfake verbindet „Deep Learning“ mit „Fake“. Im engeren Sinn bezeichnet es Medien, die mit Methoden des maschinellen Lernens erzeugt oder verändert wurden. Dazu gehören beispielsweise Gesichtstausch, veränderte Lippenbewegungen, künstlich erzeugte Stimmen und vollständig synthetische Bilder oder Videos.
Wichtig ist die Abgrenzung: Nicht jede digitale Täuschung ist ein Deepfake. Ein echtes Video, das mit einer falschen Bildunterschrift verbreitet wird, kann genauso irreführend wirken. Ein alter Clip kann als angeblich aktuelles Ereignis ausgegeben werden. Ein Ausschnitt kann entscheidende Sätze davor oder danach weglassen. Quellenkritik muss deshalb mehr prüfen als nur die Pixel.
Das Video des Bundesamts für Sicherheit in der Informationstechnik bietet einen Einstieg in das Thema. Prüfe auch bei Erklärvideos die Aktualität: Technische Möglichkeiten entwickeln sich schnell, und ältere Erkennungshinweise können an Aussagekraft verlieren.
Wie entstehen synthetische Medien?
Viele Deepfake-Verfahren verwenden künstliche neuronale Netze. Vereinfacht gesagt lernen solche Modelle statistische Muster aus vielen Beispielen. Sie speichern nicht einfach einzelne Bilder wie in einem Fotoalbum, sondern passen sehr viele Rechenparameter so an, dass sie Strukturen in Daten modellieren können.
Ein möglicher Ansatz sind Generative Adversarial Networks, kurz GANs. Dabei erzeugt ein Generator künstliche Beispiele, während ein Diskriminator lernt, echte von erzeugten Beispielen zu unterscheiden. Beide Modelle verbessern sich im Training gegeneinander. Moderne synthetische Medien können außerdem mit anderen Modellklassen erzeugt werden, etwa mit Diffusionsmodellen. Dort wird vereinfacht beschrieben gelernt, aus stark verrauschten Daten schrittweise strukturierte Inhalte zu rekonstruieren beziehungsweise zu erzeugen.
Für Deine Quellenprüfung ist nicht entscheidend, jedes technische Detail nachrechnen zu können. Wichtig ist: Neue Verfahren können ältere typische Fehler vermeiden. Deshalb sind Listen wie „Achte immer auf falsches Blinzeln“ oder „Hände verraten jede KI“ keine verlässlichen Beweisregeln. Sichtbare Auffälligkeiten können einen Verdacht auslösen, aber sie müssen durch Herkunfts-, Kontext- und Quellenprüfung ergänzt werden.
Warum Erkennungstricks nicht genügen
Ein komprimiertes echtes Video kann merkwürdige Bildkanten erzeugen. Schlechte Beleuchtung kann Haut unnatürlich wirken lassen. Automatische Untertitel können Lippenbewegungen falsch erscheinen lassen. Umgekehrt können hochwertige synthetische Medien kaum sichtbare Fehler enthalten.
Das führt zu einer wichtigen Regel: Ein Artefakt ist ein Hinweis, kein Urteil. Wer allein wegen eines seltsamen Details eine reale Person öffentlich der Täuschung beschuldigt, kann selbst Fehlinformation verbreiten.
Auch automatische Detektoren sind nicht unfehlbar. Sie werden mit bestimmten Beispielen trainiert und können bei neuen Generierungsverfahren, starker Kompression, ungewohnten Aufnahmebedingungen oder anderen Datenverteilungen schlechter funktionieren. Ein Detektorwert sollte deshalb wie ein weiteres Beweisstück behandelt werden, nicht wie ein endgültiger Richter.
Mathematik: Warum 90 Prozent Trefferquote täuschen können
Betrachte ein Gedankenexperiment, keinen echten Messwert. In einer Sammlung von 100 Videos sind 10 tatsächlich Deepfakes und 90 echt. Ein Detektor erkennt 90 Prozent der Deepfakes korrekt und stuft außerdem 90 Prozent der echten Videos korrekt als echt ein.
| Tatsächlicher Zustand | Anzahl | Ergebnis des Detektors |
|---|---|---|
| Deepfake | 10 | 9 werden als Deepfake markiert, 1 wird übersehen |
| Echt | 90 | 81 werden korrekt als echt erkannt, 9 werden fälschlich als Deepfake markiert |
Der Detektor markiert also insgesamt 18 Videos als verdächtig. Davon sind nur 9 tatsächlich Deepfakes. Unter den markierten Videos liegt der Anteil echter Deepfakes in diesem Beispiel bei 50 Prozent. Das zeigt: Eine einzelne Prozentzahl zur „Genauigkeit“ reicht nicht. Du musst auch berücksichtigen, wie häufig das Gesuchte vorkommt und welche Arten von Fehlern gemacht werden. Das ist eine Verbindung zu Wahrscheinlichkeit, Prozentrechnung und Statistik.
Bias: Wer oder was wird systematisch verzerrt?
Bias bedeutet eine systematische Verzerrung. Bei Deepfakes und ihrer Erkennung kann Bias an mehreren Stellen auftreten.
| Ebene | Beispiel | Kritische Frage |
|---|---|---|
| Trainingsdaten | Bestimmte Aufnahmebedingungen oder Personengruppen kommen häufiger vor als andere | Für welche Daten wurde das Modell tatsächlich geprüft? |
| Detektor | Ein Erkennungssystem funktioniert auf bekannten Testdaten besser als auf neuen Medien | Ist die angegebene Genauigkeit auf meinen Fall übertragbar? |
| Plattform und Auswahl | Besonders emotionale Inhalte werden häufiger geteilt | Warum sehe ich gerade dieses Beispiel? |
| Menschliche Wahrnehmung | Eine Behauptung passt zu meiner bisherigen Meinung | Suche ich auch nach Gegenbelegen? |
Fairness bedeutet deshalb auch, ein technisches Ergebnis nicht vorschnell auf eine Person zu übertragen. Ein unsicherer Detektorwert ist kein Beweis dafür, dass jemand gelogen oder manipuliert hat.
Die BELEG-Prüfung
Nutze bei verdächtigen Bildern, Audios und Videos die folgende Reihenfolge. Sie zwingt Dich dazu, nicht beim ersten Eindruck stehen zu bleiben.
| Schritt | Leitfrage | Mögliche Belege |
|---|---|---|
| B – Behauptung | Was wird genau behauptet? | Wortlaut, Überschrift, eingeblendeter Text |
| E – Erstquelle und Entstehung | Wo erschien der Inhalt zuerst und wer veröffentlichte ihn? | ursprünglicher Beitrag, Kanal, Urheber, Originaldatei |
| L – Lage und Kontext | Wann, wo und in welchem Zusammenhang entstand der Inhalt? | Datum, Ort, längere Fassung, frühere Veröffentlichungen |
| E – Externe Bestätigung | Bestätigen voneinander unabhängige vertrauenswürdige Quellen die Behauptung? | offizielle Mitteilung, seriöse Berichte, Primärquellen |
| G – Gesamturteil | Was ist gut belegt, was bleibt unsicher und welche Handlung folgt daraus? | begründetes Urteil mit Unsicherheitsangabe |
Herkunft prüfen: Provenienz statt Bauchgefühl
Provenienz bezeichnet die nachvollziehbare Entstehungs- und Bearbeitungsgeschichte eines Mediums. Bei einer Herkunftsprüfung kannst Du nach dem ursprünglichen Upload suchen, frühere Versionen vergleichen, den Account oder Herausgeber prüfen und feststellen, ob das Material bereits an anderer Stelle veröffentlicht wurde.
Bei einer Originaldatei können Metadaten zusätzliche Hinweise enthalten, etwa Aufnahmezeit, Gerät oder Bearbeitungssoftware. Aber auch hier gilt: Metadaten können fehlen, verändert werden oder beim Hochladen auf Plattformen verloren gehen. Fehlende Metadaten beweisen daher nichts.
Ein neuerer Ansatz sind kryptografisch abgesicherte Herkunftsinformationen wie Content Credentials nach dem C2PA-Standard. Solche Angaben können dokumentieren, mit welchem Werkzeug ein Medium erstellt oder verändert wurde und ob die zugehörigen Herkunftsdaten nachträglich manipuliert wurden. Auch ein gültiger Herkunftsnachweis beweist jedoch nicht automatisch, dass jede Aussage im Inhalt wahr ist. Und das Fehlen solcher Daten beweist umgekehrt keinen Deepfake.
Kontext prüfen: Auch echte Medien können täuschen
Ein Video kann technisch vollständig echt sein und trotzdem falsche Vorstellungen erzeugen. Prüfe deshalb, ob Datum, Ort, Anlass und vollständiger Verlauf zur Behauptung passen. Suche nach einer längeren Version. Prüfe markante Sätze in anderen Quellen. Vergleiche, ob unabhängige Berichte dieselbe Situation beschreiben.
Für Deutsch ist besonders interessant, wie Überschriften, Bildunterschriften und Wortwahl Deine Deutung lenken. Ein Satz wie „Skandal: Schulleitung gesteht …“ setzt bereits einen Deutungsrahmen, bevor Du den Clip gesehen hast. Trenne deshalb Inhalt und Behauptung über den Inhalt.
Quellen vergleichen und lateral lesen
Quellenkritik bedeutet nicht, lange auf einer einzigen Seite zu bleiben. Verlasse die Quelle und prüfe, was andere über sie sagen. Suche nach der ursprünglichen Veröffentlichung, nach unabhängigen Berichten und nach möglichen Korrekturen. Achte darauf, ob mehrere Seiten wirklich unabhängig voneinander recherchiert haben oder nur dieselbe Meldung kopieren.
Datei:Fact-Checking by Jananie Kulandaivelu for the Wikimedia Foundation.webm
Eine gute Prüfung sammelt nicht möglichst viele Links, sondern möglichst aussagekräftige, voneinander unabhängige Belege.
Geschichte: Wenn ein Deepfake offen gekennzeichnet ist
Synthetische Medien sind nicht automatisch Täuschung. Sie können beispielsweise in Kunst, Satire, Barrierefreiheit oder historischer Vermittlung eingesetzt werden, wenn ihre künstliche Natur transparent gemacht wird und Quellen nachvollziehbar bleiben.
Das Terra-X-History-Format „Deepfake Diaries“ nutzt offen gekennzeichnete Deepfake-Technik für eine historische Darstellung. Für Geschichte entsteht daraus eine spannende Quellenfrage: Die Darstellung kann sich auf historische Briefe, Schriften oder andere Dokumente stützen, aber das synthetisch erzeugte Interview selbst ist keine historische Primärquelle. Prüfe deshalb, welche Aussagen aus Quellen stammen, wie sie ausgewählt wurden und wo Inszenierung beginnt.
Kunst und Gestaltung: Wirkung ist nicht gleich Wahrheit
In Kunst und visueller Kommunikation lernst Du, dass Perspektive, Licht, Schnitt, Ton, Montage und Farbgestaltung die Wirkung eines Mediums formen. Synthetische Medien erweitern diese Gestaltungsmöglichkeiten. Das macht sie weder automatisch gut noch schlecht.
Entscheidend sind unter anderem Zweck, Kennzeichnung und mögliche Folgen. Eine klar gekennzeichnete künstlerische Verfremdung kann legitim sein. Eine täuschende Darstellung, die einer realen Person Aussagen oder Handlungen unterschiebt, kann dagegen ihre Würde, Sicherheit oder ihren Ruf verletzen.
Ethik: Reale Menschen sind kein Rohmaterial ohne Folgen
Wenn reale Gesichter oder Stimmen verwendet werden, sind Einwilligung, Privatsphäre und möglicher Schaden zentral. Besonders bei Mitschülerinnen und Mitschülern gilt: Lade ihre Bilder oder Stimmen nicht ohne Zustimmung in KI-Dienste hoch. Erzeuge oder verbreite keine demütigenden, sexualisierten oder rufschädigenden Darstellungen. Teile problematische Fakes nicht „nur zum Spaß“ weiter, weil jede Weitergabe den Schaden vergrößern kann.
Wenn Du auf einen schädigenden Deepfake über eine reale Person stößt, verbreite ihn nicht weiter. Hole Unterstützung bei einer vertrauenswürdigen erwachsenen Person, der Schule oder einer geeigneten Beratungs- beziehungsweise Meldestelle. Betroffene Personen verdienen Schutz und dürfen nicht zusätzlich durch neugieriges Weiterleiten belastet werden.
Gemeinschaftskunde: Deepfakes, Öffentlichkeit und Demokratie
In politischen Debatten können synthetische Medien eingesetzt werden, um Aussagen zu erfinden, Vertrauen zu erschüttern oder Unsicherheit zu erzeugen. Gleichzeitig wäre es ebenfalls gefährlich, echte Belege pauschal mit dem Satz „Das ist bestimmt KI“ abzuwerten. Dieses Problem wird manchmal als Lügner-Dividende beschrieben: Schon die bloße Existenz glaubwürdiger Fälschungen kann als Ausrede genutzt werden, echte Aufnahmen anzuzweifeln.
Seit August 2026 gelten in der Europäischen Union Transparenzpflichten des AI Acts für bestimmte KI-generierte Inhalte; dazu gehören auch Kennzeichnungspflichten rund um Deepfakes. Für Dich bleibt trotzdem wichtig: Eine Kennzeichnung hilft, ersetzt aber nicht die Quellenprüfung.
Medienbildung: Was ist der stärkste Beleg?
Ordne Hinweise nicht danach, wie spektakulär sie wirken, sondern danach, wie stark sie eine Behauptung stützen.
| Beleg | Typische Aussagekraft | Warum? |
|---|---|---|
| Offizielle Primärquelle plus unabhängige Bestätigung | Stark | Herkunft und Behauptung lassen sich von mehreren Seiten prüfen |
| Nachvollziehbare Provenienz- oder Signaturdaten | Stark für die Entstehungsgeschichte | Sie können Veränderungen und Herkunft dokumentieren, aber nicht automatisch die Wahrheit einer Aussage |
| Originaldatei mit passenden Metadaten | Mittel | Nützlich, aber Metadaten können fehlen oder verändert werden |
| Automatischer Deepfake-Detektor | Mittel bis schwach | Ergebnis hängt von Modell, Daten und Aufnahmebedingungen ab |
| Merkwürdiges Blinzeln, Hände oder Bildfehler | Schwach | Kann auch durch Kompression, Licht oder normale Aufnahmefehler entstehen |
| „Viele Kommentare sagen, es sei fake“ | Sehr schwach | Popularität ist kein Beweis |
Realistische Anwendungssituation: Alarm im Klassenchat
Am Abend wird ein kurzes Video weitergeleitet. Eine Person, die wie die Schulleiterin aussieht, sagt angeblich, die Schule bleibe am nächsten Tag geschlossen. Der Clip stammt aus einem neu angelegten Account. Eine längere Version ist nicht verlinkt. Auf der offiziellen Schulwebseite steht zunächst nichts dazu. Einige Minuten später veröffentlicht die Schule dort ausdrücklich, dass der Unterricht regulär stattfindet.
Arbeite mit der BELEG-Prüfung.
| Prüffrage | Deine Beobachtung | Stärke des Belegs |
|---|---|---|
| Was behauptet der Clip genau? | ||
| Wo liegt die früheste auffindbare Quelle? | ||
| Welche Kontextangaben fehlen? | ||
| Welche unabhängige oder offizielle Quelle kann die Behauptung bestätigen oder widerlegen? | ||
| Welche technischen Hinweise gibt es und wie sicher sind sie? | ||
| Was ist Dein Gesamturteil? |
Eine verantwortungsvolle Entscheidung könnte lauten: Nicht weiterleiten, solange die Herkunft unklar ist; offizielle Mitteilungen prüfen; bei widersprüchlichen Angaben die Schule direkt über bekannte Kontaktwege verifizieren. Entscheidend ist nicht, ob Du im Gesicht einen „Deepfake-Fehler“ entdeckst, sondern welche überprüfbaren Belege vorliegen.
Selbstkontrolle: Formuliere ein belastbares Urteil
Nutze für Dein Abschlussurteil diese Satzstruktur:
Behauptung: Was soll das Medium zeigen oder beweisen?
Belege dafür: Welche überprüfbaren Informationen stützen die Behauptung?
Belege dagegen: Welche überprüfbaren Informationen widersprechen ihr?
Unsicherheit: Was konnte nicht geklärt werden?
Urteil: Wie wahrscheinlich oder vertrauenswürdig ist die Behauptung nach jetzigem Stand?
Handlung: Würdest Du den Inhalt teilen, zurückhalten, kennzeichnen, melden oder weiter prüfen? Begründe Deine Entscheidung.
Ein gutes Urteil darf lauten: „Noch unklar.“ Quellenkritik bedeutet nicht, immer sofort eine endgültige Antwort zu haben.
Expert*innen-Perspektive zum Umgang mit Deepfakes
Achte beim Anschauen besonders darauf, ob Empfehlungen auf einzelne Bildfehler setzen oder auf einen umfassenderen Umgang mit Herkunft, Kennzeichnung, Kontext und Weiterverbreitung. Vergleiche die Aussagen anschließend mit Deiner BELEG-Prüfung.
Fächerübergreifende Bezüge
| Fach | Schwerpunkt | Leitfrage |
|---|---|---|
| Informatik | Neuronale Netze, Generierung, Metadaten, Provenienz, Detektoren | Was kann Technik leisten und wo liegen ihre Grenzen? |
| Deutsch | Sprache, Framing, Argumentation, Quellenvergleich | Wie beeinflusst die Formulierung unsere Deutung? |
| Mathematik | Prozentrechnung, Fehlerquoten, bedingte Wahrscheinlichkeit | Was bedeutet eine Detektorquote wirklich? |
| Geschichte | Quellenarten, Rekonstruktion, Inszenierung | Ist eine synthetische Darstellung selbst eine historische Quelle? |
| Kunst | Bildwirkung, Montage, Gestaltung | Wie erzeugen technische und ästhetische Mittel Glaubwürdigkeit? |
| Ethik | Einwilligung, Würde, Verantwortung, Schaden | Was darf technisch möglich sein, wenn reale Menschen betroffen sind? |
| Gemeinschaftskunde | Desinformation, Demokratie, Öffentlichkeit, Regulierung | Wie schützen Transparenz und Quellenkritik öffentliche Debatten? |
| Medienbildung | Verifikation, Quellenkritik, Human Agency | Wie bleibst Du handlungsfähig, ohne Dich auf automatische Urteile zu verlassen? |
Quellen und Vertiefung
| Quelle | Nutzen im Kurs |
|---|---|
| Wikipedia: Deepfake | Überblick zu Begriff, Technik und Anwendungsfeldern |
| Bundesamt für Sicherheit in der Informationstechnik: Deep Fakes – Threats and Countermeasures | Technische Einordnung, Gegenmaßnahmen und Grenzen automatischer Erkennung |
| klicksafe: Deep Fake. Deep Impact. | Unterrichtsmaterial ab etwa Klasse 7/8 zu Chancen, Risiken und Informationskompetenz |
| Europäische Kommission: AI Act | Aktueller Überblick zu Transparenzpflichten für KI-generierte Inhalte |
| C2PA Specifications | Technischer Hintergrund zu Herkunftsnachweisen und Content Credentials |
Die eingebundenen Wikimedia-Commons-Medien sind frei lizenziert; die genauen Lizenz- und Namensnennungsbedingungen findest Du jeweils auf der Dateibeschreibungsseite. Bei YouTube-Videos gelten die Bedingungen der jeweiligen Anbieter; sie werden hier nur eingebettet.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Welcher Schritt liefert die stärkste Grundlage für ein Urteil über einen verdächtigen Clip? (Herkunft Kontext und unabhängige Belege gemeinsam prüfen) (!Nur auf die Augenbewegungen achten) (!Nur einen Deepfake Detektor verwenden) (!Die Zahl der Kommentare vergleichen)
Ein Detektor meldet eine hohe Deepfake Wahrscheinlichkeit. Welche Schlussfolgerung ist angemessen? (Das Ergebnis ist ein Hinweis und muss mit weiteren Belegen geprüft werden) (!Der Clip ist damit sicher gefälscht) (!Die gezeigte Person hat sicher gelogen) (!Weitere Quellen sind unnötig)
Ein Video ist technisch echt aber mit einem falschen Datum beschriftet. Was zeigt dieses Beispiel? (Auch echter Inhalt kann durch falschen Kontext irreführen) (!Nur KI kann Medien manipulieren) (!Metadaten sind immer vollständig) (!Echte Videos brauchen keine Quellenprüfung)
Was bedeutet ein gültiger Herkunftsnachweis am ehesten? (Er kann die Entstehungs und Bearbeitungsgeschichte nachvollziehbarer machen) (!Er beweist automatisch jede Aussage im Medium) (!Er garantiert dass niemand das Medium missversteht) (!Er ersetzt jede unabhängige Quelle)
Warum sind auffällige Hände oder ungewöhnliches Blinzeln kein sicherer Deepfake Beweis? (Solche Auffälligkeiten können auch andere technische oder natürliche Ursachen haben) (!Weil Deepfakes grundsätzlich keine Bildfehler haben) (!Weil nur Audiodateien gefälscht werden können) (!Weil echte Kameras immer perfekte Bilder erzeugen)
Was ist im Klassenchat bei einem unbestätigten Alarmvideo die verantwortungsvollste erste Handlung? (Nicht weiterleiten und die Behauptung über verlässliche Quellen prüfen) (!Sofort an möglichst viele Gruppen schicken) (!Die gezeigte Person öffentlich beschuldigen) (!Nur nach lustigen Bildfehlern suchen)
In einem Gedankenexperiment werden 9 echte Deepfakes und 9 echte Videos als Deepfake markiert. Wie groß ist der Anteil tatsächlicher Deepfakes unter den 18 Markierungen? (50 Prozent) (!90 Prozent) (!10 Prozent) (!100 Prozent)
Wann kann eine synthetische historische Darstellung verantwortungsvoll eingesetzt werden? (Wenn ihre künstliche Natur transparent ist und die verwendeten Quellen nachvollziehbar sind) (!Wenn niemand erfährt dass sie synthetisch ist) (!Wenn die Darstellung besonders echt aussieht) (!Wenn auf historische Quellen vollständig verzichtet wird)
Welche Aussage beschreibt Bias am besten? (Eine systematische Verzerrung kann Daten Modelle Auswahl oder menschliche Wahrnehmung betreffen) (!Bias bedeutet immer einen absichtlichen Betrug) (!Bias betrifft nur Computer und niemals Menschen) (!Bias verschwindet sobald ein Modell groß genug ist)
Welche Regel ist beim Umgang mit Darstellungen realer Personen besonders wichtig? (Einwilligung möglichen Schaden und transparente Kennzeichnung berücksichtigen) (!Reale Gesichter dürfen ohne Rücksicht verwendet werden) (!Eine lustige Absicht verhindert jeden Schaden) (!Weiterleiten ist unproblematisch wenn andere es schon getan haben)
Memory
| Provenienz | Entstehungs- und Bearbeitungsgeschichte eines Mediums |
| Kontext | Zeit Ort Anlass und Zusammenhang |
| Korroboration | Unabhängige Bestätigung durch weitere Quellen |
| Metadaten | Technische Zusatzinformationen zu einer Datei |
| Bias | Systematische Verzerrung |
| Unsicherheit | Offen benannter Restzweifel |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Behauptung | Zuerst genau benennen was ein Medium angeblich zeigt |
| Erstquelle | Früheste auffindbare Veröffentlichung und Urheber prüfen |
| Kontext | Zeit Ort Anlass und vollständigen Zusammenhang klären |
| Bestätigung | Unabhängige vertrauenswürdige Quellen vergleichen |
| Gesamturteil | Belege Unsicherheit und Handlung nachvollziehbar zusammenführen |
...
Kreuzworträtsel
| Provenienz | Wie heißt die nachvollziehbare Herkunfts- und Bearbeitungsgeschichte eines Mediums? |
| Kontext | Welcher Begriff bezeichnet Zeit Ort Anlass und Zusammenhang eines Inhalts? |
| Metadaten | Wie heißen technische Zusatzinformationen zu einer Datei? |
| Quellenkritik | Wie heißt die systematische Prüfung von Herkunft Aussage und Glaubwürdigkeit? |
| Transparenz | Welcher Begriff beschreibt das offene Kennzeichnen künstlicher oder bearbeiteter Inhalte? |
| Bias | Wie heißt eine systematische Verzerrung in Daten Modellen oder Wahrnehmung? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- BELEG-Prüfung: Gestalte eine kleine Karte oder ein Plakat mit den fünf BELEG-Schritten und je einer eigenen Prüffrage für den Klassenchat.
- Quellenkritik: Wähle einen harmlosen Online-Clip aus einer seriösen Quelle und dokumentiere, wie Du Urheber, Datum, Ort und ursprüngliche Veröffentlichung findest.
- Medienethik: Formuliere fünf Klassenregeln für den verantwortungsvollen Umgang mit Bildern und Stimmen realer Personen.
- Kontextanalyse: Nimm eine neutrale Fotografie und erfinde zwei unterschiedliche Bildunterschriften. Erkläre anschließend, wie die Überschriften die Wahrnehmung verändern, ohne das Bild selbst zu verändern.
Standard
- Statistik: Erfinde ein eigenes Zahlenbeispiel mit echten und gefälschten Medien sowie Fehlalarmen eines Detektors. Berechne, wie viele Markierungen tatsächlich stimmen, und erkläre die Aussage in eigenen Worten.
- Geschichte: Analysiere einen Ausschnitt aus einer offen gekennzeichneten historischen KI-Rekonstruktion und trenne Darstellung, historische Quelle und Interpretation voneinander.
- Quellenvergleich: Erstelle eine Quellenkarte zu einer überprüfbaren Behauptung mit Erstquelle, zwei unabhängigen Bestätigungen, möglichem Gegenbeleg und Deinem vorläufigen Urteil.
- Redaktionskonferenz: Spielt in einer Gruppe eine Nachrichtenredaktion. Entscheidet anhand eines unbestätigten Clips, welche Prüfungen vor einer Veröffentlichung nötig sind und wer welche Aufgabe übernimmt.
Schwer
- Prüfprotokoll: Entwickle ein schulisches Prüfprotokoll für verdächtige Bild-, Audio- und Videoinhalte. Begründe, warum technische Detektoren darin nur eine Teilrolle spielen.
- Bias-Analyse: Entwirf einen Testplan, mit dem Du untersuchen würdest, ob ein fiktiver Deepfake-Detektor unter verschiedenen Aufnahmebedingungen gleich zuverlässig arbeitet. Formuliere auch Grenzen Deines Tests.
- Gemeinschaftskunde: Verfasse eine begründete Empfehlung an eine Schülerzeitung, wie synthetische Medien gekennzeichnet, geprüft und gegebenenfalls nicht veröffentlicht werden sollten.
- Erklärmedium: Produziere ein kurzes Plakat, Audio oder Video zum Satz „Nicht raten – belegen!“. Verwende nur eigene, freie oder ausdrücklich erlaubte Medien und keine täuschenden Darstellungen realer Personen.
|
|
Lernkontrolle
- Begründetes Urteil: Du erhältst einen kurzen Clip, einen Screenshot des Accounts, eine offizielle Mitteilung und einen Detektorwert. Formuliere ein Urteil, in dem Du die Belege nach Stärke ordnest und Unsicherheit ausdrücklich benennst.
- Kontexttransfer: Ein Video ist nachweislich echt, wird aber mit einem falschen Ort verbreitet. Erkläre, warum eine reine Deepfake-Erkennung das Problem nicht lösen würde und welche Prüfung stattdessen nötig ist.
- Detektorbewertung: Ein System wird mit „95 Prozent Genauigkeit“ beworben. Nenne mindestens drei zusätzliche Informationen, die Du brauchst, bevor Du seiner Einschätzung vertraust, und begründe jede.
- Historische Darstellung: Beurteile, unter welchen Bedingungen eine synthetische Darstellung einer historischen Person für Unterricht oder Museum sinnvoll sein kann und wann sie problematisch würde.
- Fairness: Ein Klassenmitglied wird wegen eines angeblich gefälschten Videos beschuldigt. Entwickle eine Vorgehensweise, die sowohl die Wahrheitssuche als auch den Schutz der betroffenen Person berücksichtigt.
- Transfer: Formuliere eine allgemeine Regel für den Umgang mit stark emotionalisierenden Medieninhalten und begründe, warum sie auch außerhalb des Deepfake-Themas nützlich ist.
Lernnachweis
Für einen Lernnachweis solltest Du zeigen können, dass Du nicht nur Begriffe kennst, sondern eine nachvollziehbare Prüfung durchführen kannst.
- Herkunftsprüfung: Du kannst Erstquelle, Urheber und Entstehungsweg eines Mediums untersuchen.
- Kontextprüfung: Du kannst Zeit, Ort, Anlass, vollständige Fassung und abweichende Beschriftungen vergleichen.
- Quellenbewertung: Du kannst unabhängige Belege von bloßen Wiederholungen derselben Behauptung unterscheiden.
- Technikverständnis: Du kannst erklären, warum generative Modelle überzeugende synthetische Medien erzeugen und warum Detektoren Fehler machen können.
- Statistische Urteilskompetenz: Du kannst Trefferquote, Fehlalarm und Grundhäufigkeit in einem einfachen Zahlenbeispiel unterscheiden.
- Biasanalyse: Du kannst systematische Verzerrungen in Daten, Modellen, Auswahl und eigener Wahrnehmung erkennen.
- Ethik: Du kannst Einwilligung, Menschenwürde, möglichen Schaden und Fairness bei Darstellungen realer Personen berücksichtigen.
- Urteilskompetenz: Du kannst Belege gewichten, Unsicherheit nennen und ein begründetes Gesamturteil formulieren.
- Handlungskompetenz: Du kannst entscheiden, wann Du einen Inhalt nicht weiterleitest, weiter prüfst, kennzeichnest oder Unterstützung suchst.
OERs zum Thema
Verknüpfte Lernbereiche
Der Kurs verbindet technische, sprachliche, mathematische, historische, gestalterische und gesellschaftliche Perspektiven. Im Zentrum steht die Fähigkeit, synthetische Medien nicht über Bauchgefühl, sondern über nachvollziehbare Belege zu beurteilen.