Klassifikation mit KI verstehen
Klassifikation mit KI verstehen
Klassifikation mit KI verstehen
Zielgruppe: Klasse 7, mit fächerübergreifenden Bezügen zu Informatik, Mathematik, Deutsch, Ethik, Gemeinschaftskunde, Medienbildung, Kunst und Geschichte.
Dauer: etwa 45 bis 90 Minuten. Für eine Unterrichtsstunde können die Vertiefungen gekürzt werden; für zwei Unterrichtsstunden können Experiment, Fallanalyse und Transfer vollständig bearbeitet werden.
Leitidee: Eine KI-Klassifikation ordnet neue Eingaben Klassen zu, weil ein Modell statistische Muster aus Beispielen gelernt hat. Das ist nicht dasselbe wie menschliches Verstehen. Du lernst deshalb nicht nur, wie Klassifikation technisch funktioniert, sondern auch, wie Daten, Fehler, Quellen, Interessen, Bias und menschliche Entscheidungen das Ergebnis beeinflussen.
Einleitung
Stell Dir vor, ein Computerprogramm soll Fotos in die Klassen „Katze“ und „Hund“ einordnen, Nachrichten als „Spam“ oder „kein Spam“ kennzeichnen oder erkennen, ob ein Gegenstand eher in Papier-, Kunststoff- oder Metallmüll gehört. Solche Aufgaben heißen Klassifikationsaufgaben. Ein System erhält eine Eingabe und gibt eine von mehreren möglichen Klassen aus.
Bei vielen heutigen KI-Systemen wird die Zuordnungsregel nicht vollständig von Menschen als Liste von Wenn-dann-Regeln vorgegeben. Stattdessen wird ein maschinelles Lernverfahren mit Beispielen trainiert. Bei überwachtem Lernen besitzen die Trainingsbeispiele bereits bekannte Zielklassen, sogenannte Labels. Das Lernverfahren passt ein mathematisches Modell so an, dass es die Muster in diesen Beispielen möglichst gut nutzen kann.
Wichtig ist die Unterscheidung: Ein Klassifikationsmodell kann statistische Zusammenhänge sehr gut erkennen, ohne die Welt so zu verstehen wie ein Mensch. Es kennt keine Bedeutung im menschlichen Sinn, hat keine eigenen Erfahrungen und kann nicht allein beurteilen, ob eine Entscheidung fair, angemessen oder moralisch richtig ist. Genau deshalb gehören Quellenkritik, Medienkompetenz, Ethik und menschliche Verantwortung zu einem guten Verständnis von KI.
Lernziele
Nach dem Kurs kannst Du erklären, was bei einer KI-Klassifikation technisch geschieht. Du kannst die Begriffe Merkmal, Label, Trainingsdaten, Modell, Testdaten, Vorhersage und Fehler sinnvoll verwenden. Du kannst an einem kleinen Datensatz selbst eine einfache Klassifikationsregel entwickeln und prüfen.
Du kannst außerdem erklären, warum gute Ergebnisse auf Trainingsdaten noch kein Beweis für gute Ergebnisse in der Wirklichkeit sind. Du erkennst typische Ursachen für Fehler, etwa unpassende Merkmale, zu wenige Beispiele, unausgewogene Daten oder fehlerhafte Labels. Du kannst zwischen hoher statistischer Trefferquote und menschlichem Verstehen unterscheiden und begründete Urteile dazu formulieren, wann KI-Klassifikation hilfreich, riskant oder unfair sein kann.
Unterrichtsplan für 1–2 Stunden
| Phase | ca. 45 Minuten | ca. 90 Minuten | Ziel |
|---|---|---|---|
| Aktivierung und Diagnose | 5 Minuten | 10 Minuten | Vorwissen und Fehlvorstellungen sichtbar machen |
| Technische Einführung | 10 Minuten | 15 Minuten | Merkmale, Labels, Training und Vorhersage verstehen |
| Mini-Experiment | 10 Minuten | 20 Minuten | Klassifikation selbst durchführen und testen |
| Fehler, Bias und Medienanalyse | 10 Minuten | 20 Minuten | Grenzen, Datenqualität und Fairness untersuchen |
| Anwendung und Urteil | 5 Minuten | 15 Minuten | realistische Entscheidungssituation bewerten |
| Selbstkontrolle und Transfer | 5 Minuten | 10 Minuten | Verständnis sichern und auf neue Fälle übertragen |
Aktivierung und Diagnose
Bevor Du die technische Erklärung liest, entscheide bei den folgenden Aussagen zunächst spontan, ob Du ihnen zustimmst. Begründe jeweils kurz. Am Ende des Kurses überprüfst Du Deine ersten Antworten noch einmal.
- „Wenn eine KI ein Bild richtig als Hund klassifiziert, weiß sie, was ein Hund ist.“ Notiere, was für oder gegen diese Aussage spricht.
- „Eine Trefferquote von 95 Prozent bedeutet automatisch, dass ein System gut und fair ist.“ Überlege, welche Informationen noch fehlen.
- „Wenn Trainingsdaten aus der Vergangenheit stammen, sind sie objektiv.“ Suche mindestens einen Grund, warum das problematisch sein kann.
- „Der Mensch ist bei KI-Klassifikation überflüssig, sobald das Modell gut genug ist.“ Nenne eine Situation, in der menschliche Kontrolle wichtig bleibt.
Technisches Grundprinzip
Von Beispielen zu Klassen
Bei einer Klassifikation gibt es mindestens zwei Klassen, zum Beispiel „Papier“ und „Kunststoff“. Ein Objekt wird nicht direkt als Ganzes in eine Rechenformel gesteckt. Das System verarbeitet messbare oder berechnete Merkmale. Bei einem Bild können solche Merkmale beispielsweise Helligkeiten, Kanten, Formen oder durch ein neuronales Netz gelernte Bildmuster sein. Bei Texten können Wortbestandteile, Wortfolgen oder mathematische Repräsentationen von Textabschnitten eine Rolle spielen.
Für den Einstieg genügt ein einfacheres Modell: Wir beschreiben jedes Objekt durch wenige Merkmale, beispielsweise „glänzt stark“ und „lässt sich leicht knicken“. Zu jedem Trainingsbeispiel kennen wir bereits das richtige Label.
| Trainingsbeispiel | glänzt stark | leicht knickbar | Label |
|---|---|---|---|
| Zeitung | nein | ja | Papier |
| Schreibpapier | nein | ja | Papier |
| Kunststofffolie | ja | ja | Kunststoff |
| Kunststoffdeckel | ja | nein | Kunststoff |
| Karton | nein | eher ja | Papier |
Aus diesen Beispielen könnte ein sehr einfaches Modell die Regel ableiten: Wenn ein Gegenstand stark glänzt, ist Kunststoff wahrscheinlicher; wenn er matt und gut knickbar ist, ist Papier wahrscheinlicher. Ein echtes maschinelles Lernverfahren kann solche Grenzen mathematisch anpassen, statt die Regel als deutschen Satz zu formulieren.
Das Bild zeigt das Grundproblem einer binären Klassifikation: Datenpunkte verschiedener Klassen liegen in einem Merkmalsraum. Eine Entscheidungsgrenze versucht, die Klassen zu trennen. Punkte in ungünstigen Bereichen können falsch zugeordnet werden.
Training und Vorhersage sind zwei verschiedene Phasen
Training bedeutet: Das Lernverfahren sieht viele Beispiele mit bekannten Labels und passt Parameter des Modells an. Vorhersage oder Inference bedeutet: Das fertige Modell erhält ein neues Beispiel, dessen Label es noch nicht kennt, und berechnet eine Zuordnung.
Diese Trennung ist zentral. Wenn ein Modell nur die Trainingsbeispiele auswendig „wiedererkennt“, ist wenig gewonnen. Es soll auf neue, bisher ungesehene Beispiele verallgemeinern.
Das Video führt in überwachtes Lernen ein. Prüfe beim Anschauen bewusst: Wo wird von Trainingsdaten gesprochen? Wo von einem Modell? Wo wird getestet, ob das Gelernte auf neue Fälle übertragbar ist?
Ein einfaches mathematisches Modell
Für Klasse 7 reicht ein vereinfachtes Punktmodell. Angenommen, wir wollen zwei Sorten von Spielsteinen anhand zweier Merkmale unterscheiden:
Merkmal A: rund = 1, nicht rund = 0
Merkmal B: gestreift = 1, nicht gestreift = 0
Ein Modell berechnet einen Wert:
Punktzahl = 2 · Merkmal A + 1 · Merkmal B − 1
Ist die Punktzahl größer oder gleich 1, sagt das Modell „Klasse Rot“ voraus. Sonst sagt es „Klasse Blau“ voraus.
| Objekt | Merkmal A | Merkmal B | Rechnung | Vorhersage |
|---|---|---|---|---|
| Objekt 1 | 1 | 1 | 2 · 1 + 1 · 1 − 1 = 2 | Klasse Rot |
| Objekt 2 | 0 | 1 | 2 · 0 + 1 · 1 − 1 = 0 | Klasse Blau |
| Objekt 3 | 1 | 0 | 2 · 1 + 1 · 0 − 1 = 1 | Klasse Rot |
Die Zahlen 2 und 1 heißen hier Gewichte. Sie bestimmen, wie stark ein Merkmal in die Entscheidung eingeht. Die Zahl −1 verschiebt die Entscheidungsgrenze. In echten Modellen können sehr viel mehr Parameter vorkommen. Das Grundprinzip bleibt aber ähnlich: Eingaben werden mathematisch verarbeitet und führen zu einer Ausgabe.
Ein Perzeptron ist ein historisch wichtiges, einfaches Modell für eine binäre Klassifikation. Mehrere Eingaben werden gewichtet, zusammengeführt und durch eine Entscheidungsfunktion in eine Ausgabe überführt.
Wie Lernen eine Grenze verändert
Beim Training wird geprüft, ob Vorhersagen zu den bekannten Labels passen. Ist eine Vorhersage falsch, verändert der Lernalgorithmus Parameter. Wiederholt sich dieser Vorgang über viele Beispiele, kann sich die Entscheidungsgrenze schrittweise verbessern.
Die Visualisierung zeigt, wie eine lineare Trennlinie durch zusätzliche Trainingsbeispiele angepasst werden kann. Sie ist ein gutes Gegenmittel gegen die Fehlvorstellung, ein KI-System „bekomme die richtige Antwort einfach gesagt“. Entscheidend ist, dass ein mathematischer Lernprozess Parameter an Beispielen verändert.
Interaktives Experiment: Du bist der Klassifikator
Du arbeitest mit einem kleinen erfundenen Datensatz. Ziel ist nicht, eine perfekte KI nachzubauen, sondern das Prinzip zu verstehen.
Wir möchten unbekannte Fantasietiere in die Klassen Movo und Tari einordnen. Jedes Tier wird nur durch zwei Merkmale beschrieben: Ohrlänge und Schwanzlänge.
| Tier | Ohrlänge in cm | Schwanzlänge in cm | Label |
|---|---|---|---|
| A | 2 | 3 | Movo |
| B | 3 | 4 | Movo |
| C | 4 | 3 | Movo |
| D | 8 | 7 | Tari |
| E | 9 | 8 | Tari |
| F | 7 | 9 | Tari |
Nun kommen neue Tiere:
| neues Tier | Ohrlänge | Schwanzlänge |
|---|---|---|
| X | 3 | 5 |
| Y | 8 | 8 |
| Z | 6 | 6 |
Experiment: Zeichne ein Koordinatensystem. Trage die Trainingsbeispiele ein. Markiere Movo und Tari mit unterschiedlichen Symbolen. Zeichne anschließend eine mögliche Trennlinie. Ordne X, Y und Z zu.
Beobachtung: X und Y liegen wahrscheinlich deutlich näher an jeweils einer Klasse. Z liegt ungefähr zwischen den Gruppen. Hier wird sichtbar, dass manche Fälle leichter und andere unsicherer zu klassifizieren sind.
Transferfrage: Was würde passieren, wenn fast alle Movo-Beispiele nur aus einem sehr kleinen Bereich stammen? Ein Modell könnte dann lernen, dass zufällige Besonderheiten dieses Bereichs zur Klasse gehören. Genau deshalb ist die Auswahl der Trainingsdaten wichtig.
Von zwei Merkmalen zu vielen Merkmalen
Das Iris-Datenset ist ein bekanntes Beispiel aus Statistik und maschinellem Lernen. Es beschreibt Blüten anhand mehrerer Messwerte. In einer Streudiagramm-Matrix kannst Du sehen, dass bestimmte Gruppen in manchen Merkmalskombinationen besser voneinander getrennt sind als in anderen.
Frage Dich bei der Grafik: Welche Achsen scheinen die Gruppen besonders gut zu trennen? Welche Gruppen überlappen? Schon diese Beobachtung zeigt, dass die Wahl geeigneter Merkmale einen großen Einfluss auf Klassifikation hat.
Testdaten: Kann das Modell wirklich verallgemeinern?
Ein häufiger Fehler wäre, ein Modell mit Daten zu trainieren und danach genau dieselben Daten zur Bewertung zu benutzen. Dann könnte ein Modell sehr gut aussehen, obwohl es neue Fälle schlecht behandelt.
Deshalb trennt man Daten typischerweise in verschiedene Teile. Trainingsdaten werden zum Lernen verwendet. Testdaten bleiben während des Trainings verborgen und werden erst danach zur Prüfung genutzt. In größeren Projekten gibt es oft zusätzlich Validierungsdaten.
Der Kern der Frage lautet: Funktioniert die gelernte Regel auch auf neuen Beispielen?
Fehler sind nicht alle gleich
Bei einer binären Klassifikation entstehen vier grundlegende Fälle. Beispiel: Ein Filter soll entscheiden, ob eine Nachricht Spam ist.
| Wirklichkeit | Vorhersage | Ergebnis | Bedeutung |
|---|---|---|---|
| Spam | Spam | richtig positiv | Spam wird erkannt |
| kein Spam | kein Spam | richtig negativ | normale Nachricht wird korrekt durchgelassen |
| kein Spam | Spam | falsch positiv | normale Nachricht wird fälschlich blockiert |
| Spam | kein Spam | falsch negativ | Spam rutscht durch |
Eine solche Übersicht heißt Konfusionsmatrix. Sie hilft zu verstehen, welche Fehler auftreten. Das ist wichtiger als nur eine einzige Trefferquote zu nennen.
Beispiel: Ein System prüft 100 Nachrichten. 95 davon sind normale Nachrichten und 5 sind Spam. Ein nutzloses Modell, das immer „kein Spam“ sagt, erreicht trotzdem 95 richtige Entscheidungen von 100. Die hohe Trefferquote klingt gut, obwohl das System keinen einzigen Spam erkennt. Deshalb muss eine Bewertung zur Aufgabe passen.
Statistik ist nicht menschliches Verstehen
Ein Klassifikationsmodell verarbeitet Eingaben nach mathematischen Regeln. Es kann dabei sehr komplexe Muster erfassen. Trotzdem solltest Du seine Leistung nicht automatisch mit menschlichem Verstehen gleichsetzen.
Ein Mensch kann bei einem Bild oder Text zusätzlich nach Absicht, Bedeutung, Situation, Ironie, Geschichte, Beziehungen und Folgen fragen. Ein statistisches Modell erzeugt seine Klassifikation auf Grundlage gelernter Muster und der Informationen, die im System verarbeitet werden. Es hat dadurch nicht automatisch menschliche Erfahrung, Verantwortung oder moralisches Urteil.
Ein gutes Erklärungsmodell lautet daher:
Daten → Merkmale oder gelernte Repräsentationen → Modell → Vorhersage → menschliche Prüfung und Folgen
Nicht:
Daten → KI versteht alles → richtige Entscheidung
Auch ein künstliches neuronales Netz besteht aus mathematischen Operationen und veränderbaren Parametern. Seine Bezeichnung ist biologisch inspiriert, bedeutet aber nicht, dass es wie ein menschliches Gehirn denkt oder empfindet.
Typische Fehlvorstellungen korrigieren
| Fehlvorstellung | Bessere Erklärung |
|---|---|
| „Die KI weiß, was die Dinge wirklich sind.“ | Das Modell berechnet eine Zuordnung aus Mustern in Daten. Ob diese Zuordnung sinnvoll ist, hängt von Aufgabe, Daten, Modell und Anwendung ab. |
| „Viele Daten machen ein Modell automatisch fair.“ | Auch sehr große Datensätze können einseitig, fehlerhaft oder gesellschaftlich verzerrt sein. |
| „95 Prozent Sicherheit heißt, dass die Antwort zu 95 Prozent wahr ist.“ | Ein ausgegebener Wahrscheinlichkeits- oder Konfidenzwert ist ein Modellwert. Ob er zuverlässig kalibriert ist, muss geprüft werden. |
| „Wenn das Training funktioniert, funktioniert die KI überall.“ | Andere Kameras, Sprachen, Altersgruppen, Regionen oder Situationen können die Datenverteilung verändern. |
| „Ein Fehler beweist, dass KI nutzlos ist.“ | Entscheidend sind Art, Häufigkeit und Folgen der Fehler sowie der Vergleich mit sinnvollen Alternativen. |
| „Der Mensch ist immer objektiver.“ | Auch Menschen haben Vorurteile und machen Fehler. Verantwortlicher Einsatz vergleicht Stärken und Schwächen von Mensch und Technik. |
Bias: Wenn Daten die Welt schief abbilden
Bias bedeutet in diesem Zusammenhang eine systematische Verzerrung. Sie kann an mehreren Stellen entstehen.
| Stelle | Beispiel | mögliche Folge |
|---|---|---|
| Datenauswahl | Eine Bilderkennung wird fast nur mit Fotos bei Tageslicht trainiert. | Bei schlechtem Licht steigt die Fehlerquote. |
| Labels | Menschen bewerten dieselben Texte unterschiedlich. | Das Modell lernt widersprüchliche oder voreingenommene Zuordnungen. |
| Merkmale | Ein wichtiges Merkmal fehlt, ein unwichtiges erhält zu viel Gewicht. | Die Entscheidungsregel wird unpassend. |
| Zielgröße | Erfolg wird nur durch eine leicht messbare Zahl definiert. | Andere wichtige Ziele werden übersehen. |
| Einsatzumgebung | Das Modell wird in einer anderen Gruppe verwendet als im Training. | Bestimmte Personen oder Situationen können häufiger falsch bewertet werden. |
Bias ist nicht nur eine technische Frage. Er kann gesellschaftliche Folgen haben. Wenn Klassifikation über Werbung, Lernangebote, Bewerbungen, Kredite oder Sicherheitskontrollen mitentscheidet, muss gefragt werden, wer von Fehlern betroffen ist und wer die Entscheidung anfechten kann.
Realistische Anwendungssituation: Automatische Moderation
Eine Schulplattform möchte beleidigende Kommentare automatisch erkennen. Ein Modell klassifiziert Beiträge in „unbedenklich“ und „möglicherweise problematisch“.
Das klingt zunächst nützlich. Doch Sprache ist kontextabhängig. Ironie, Zitate, Jugendwörter oder Diskussionen über diskriminierende Begriffe können zu Fehlklassifikationen führen. Ein Beitrag, der eine Beleidigung kritisiert, enthält möglicherweise dasselbe Wort wie ein beleidigender Beitrag. Statistische Muster allein reichen deshalb nicht für jedes Urteil.
Stell Dir folgende Situation vor: Das System markiert den Satz „Das Wort X ist beleidigend und sollte nicht gegen Menschen benutzt werden“ als problematisch, weil es das Wort X erkannt hat.
Technische Frage: Welche Merkmale könnte das Modell zu stark gewichtet haben?
Sprachliche Frage: Welche Rolle spielen Satzbedeutung, Zitat und Kontext?
Ethische Frage: Darf ein automatisches System den Beitrag sofort löschen?
Gemeinschaftskundliche Frage: Welche Regeln, Beschwerdemöglichkeiten und Verantwortlichkeiten wären nötig?
Medienbildungsfrage: Welche Informationen über das System sollten Nutzerinnen und Nutzer erhalten?
Ein verantwortlicher Entwurf könnte vorsehen, dass das System riskante Beiträge nur markiert, eine Begründung oder Hinweise bereitstellt und bei strittigen Fällen eine menschliche Überprüfung ermöglicht.
Human Agency: Menschen behalten Handlungsmöglichkeiten
Human Agency bedeutet hier: Menschen sollen KI-Systeme nicht nur passiv hinnehmen. Sie sollen Entscheidungen verstehen, hinterfragen, korrigieren und gegebenenfalls ablehnen können.
Für den verantwortlichen Einsatz von Klassifikation sind daher Fragen wichtig: Wer legt die Klassen fest? Wer sammelt die Daten? Wer entscheidet, welche Fehler besonders schlimm sind? Wer kontrolliert das System? Wer kann Einspruch einlegen? Wer trägt Verantwortung?
Je größer die Folgen einer Klassifikation sind, desto weniger sollte eine einzelne automatische Vorhersage als unangreifbares Urteil behandelt werden.
Quellenkritik und Medienanalyse
KI-Ergebnisse erscheinen häufig als klare Zahl, Kategorie oder Empfehlung. Das kann objektiver wirken, als es ist. Verwende deshalb einen Klassifikations-Check.
| Prüffrage | Warum sie wichtig ist |
|---|---|
| Was genau wird klassifiziert? | Eine unklare Aufgabe führt zu unklaren Ergebnissen. |
| Welche Klassen gibt es? | Klassen sind von Menschen festgelegte Kategorien und können wichtige Unterschiede übersehen. |
| Woher kommen die Trainingsdaten? | Herkunft und Auswahl bestimmen, welche Muster lernbar sind. |
| Wer hat die Labels vergeben? | Labels können Fehler, Unsicherheit oder Werturteile enthalten. |
| Welche Gruppen oder Situationen fehlen? | Fehlende Fälle können später häufiger falsch klassifiziert werden. |
| Wie wurde getestet? | Ergebnisse auf echten, neuen Testdaten sind aussagekräftiger als Ergebnisse auf Trainingsdaten. |
| Welche Fehlerarten treten auf? | Unterschiedliche Fehler können sehr unterschiedliche Folgen haben. |
| Wird Unsicherheit gezeigt? | Eine Klassifikation sollte nicht sicherer wirken, als sie ist. |
| Wer profitiert und wer trägt Risiken? | Technik hat soziale und politische Folgen. |
| Kann ein Mensch widersprechen? | Transparenz und Beschwerdemöglichkeiten stärken Selbstbestimmung. |
Medienvergleich
Sieh Dir den folgenden Beitrag zum KI-Einsatz in der Schule an. Trenne beim Anschauen drei Ebenen: Beobachtung, Bewertung und Behauptung über Technik.
Notiere anschließend, welche Aussagen durch konkrete Beispiele gestützt werden und bei welchen Aussagen Du zusätzliche Quellen bräuchtest. Prüfe außerdem, ob ein Beispiel für Klassifikation vorkommt oder ob andere KI-Anwendungen gemeint sind. Der Begriff „KI“ ist sehr weit und sollte nicht automatisch mit Klassifikation gleichgesetzt werden.
Urteile begründen statt nur dafür oder dagegen zu sein
Eine gute Bewertung von KI sollte nicht nur „KI ist gut“ oder „KI ist schlecht“ lauten. Besser ist ein begründetes Urteil, das Aufgabe, Daten, Fehler, Folgen und Alternativen berücksichtigt.
Nutze dafür das Schema:
Behauptung → Beleg → Gegenargument → Abwägung → Urteil
Beispiel: „Ein automatischer Filter kann Lehrkräfte bei einer ersten Sichtung unterstützen, weil er große Mengen schnell prüfen kann. Er sollte aber problematische Inhalte nicht allein endgültig löschen, weil Sprache mehrdeutig ist und Fehlentscheidungen Folgen für Schülerinnen und Schüler haben können. Daher ist eine Kombination aus technischer Vorprüfung, Transparenz und menschlicher Entscheidung sinnvoller.“
Nutze das Video nicht als fertige Antwort. Achte stattdessen darauf, welche Argumente Jugendliche und Erwachsene verwenden, wie sie KI beschreiben und ob technische Behauptungen von Werturteilen getrennt werden.
Fächerübergreifende Bezüge
Informatik
In Informatik geht es um Daten, Algorithmen, Modelle, Training, Testen, Fehlerraten und die Grenzen automatischer Entscheidungen. Ein besonderer Schwerpunkt liegt auf der Frage, wie Eingaben in Merkmale übersetzt und wie daraus Klassen vorhergesagt werden.
Mathematik
In Mathematik kannst Du Klassifikation mit Koordinatensystemen, Abständen, Anteilen, Prozenten und Wahrscheinlichkeiten verbinden. Eine Trefferquote ist ein Anteil richtiger Vorhersagen. Eine Entscheidungsgrenze kann als Linie oder Fläche im Merkmalsraum verstanden werden.
Deutsch
In Deutsch wird interessant, dass sprachliche Klassifikation nicht nur von einzelnen Wörtern abhängen darf. Mehrdeutigkeit, Ironie, Zitate, Argumentationsstruktur und Kontext zeigen, warum Textanalyse anspruchsvoll ist. Beim Quellencheck übst Du außerdem, Behauptungen von Belegen und Bewertungen zu unterscheiden.
Ethik
In Ethik stehen Fairness, Verantwortung, Transparenz und die Folgen von Fehlentscheidungen im Mittelpunkt. Technische Genauigkeit beantwortet nicht automatisch die Frage, ob ein Einsatz gerecht oder angemessen ist.
Gemeinschaftskunde
In Gemeinschaftskunde geht es um Macht, Regeln, Rechte und Beteiligung. Wer darf automatisierte Systeme einsetzen? Welche Informationen müssen Betroffene erhalten? Wie kann man Entscheidungen anfechten? Solche Fragen werden besonders wichtig, wenn KI-Klassifikationen Lebenschancen beeinflussen.
Medienbildung
In Medienbildung untersuchst Du, wie KI-Ausgaben dargestellt werden. Ein grüner Haken, ein Prozentwert oder eine Kategorie kann Sicherheit vortäuschen. Medienkompetenz bedeutet, die Herkunft, Grenzen und Interessen hinter solchen Darstellungen zu prüfen.
Kunst
In Kunst kannst Du untersuchen, welche visuellen Merkmale ein System bei Bildern benutzt und wie stark diese von menschlicher Bildwahrnehmung abweichen. Du kannst auch eigene Bildserien erstellen, die einen Klassifikator gezielt verwirren oder Grenzfälle sichtbar machen.
Geschichte
In Geschichte lässt sich vergleichen, wie Menschen schon lange Informationen ordnen und klassifizieren: in Archiven, Bibliotheken, Verwaltung, Naturkunde oder Statistik. Moderne KI automatisiert Teile solcher Zuordnungen, doch die Auswahl von Kategorien bleibt weiterhin eine menschlich geprägte Entscheidung.
Vertiefung: Klassifikation mit neuronalen Netzen
Viele moderne Bild-, Audio- und Textklassifikatoren verwenden künstliche neuronale Netze. Dabei werden Merkmale nicht immer von Menschen einzeln festgelegt. Das Netz kann während des Trainings interne Repräsentationen lernen, die für die Aufgabe nützlich sind.
Das macht das Verfahren leistungsfähig, aber nicht magisch. Die Gewichte des Netzes werden mathematisch verändert, um einen Fehlerwert zu verringern. Die Ausgabe bleibt eine berechnete Vorhersage.
Ein tiefes Netz kann Millionen oder Milliarden Parameter besitzen. Für das Grundverständnis genügt aber die gleiche Kette:
Eingabe → mathematische Verarbeitung → gelernte Parameter → Klassenausgabe
Der technische Maßstab lautet nicht „Denkt es wie ein Mensch?“, sondern beispielsweise „Wie gut generalisiert das Modell auf geeignete Testdaten, welche Fehler macht es und wie zuverlässig funktioniert es im vorgesehenen Einsatz?“
Mini-Labor: Grenze verschieben
Zeichne auf kariertem Papier ein Koordinatensystem. Trage zehn Punkte ein: fünf Kreise links unten und fünf Dreiecke rechts oben. Zeichne eine Trennlinie, die möglichst viele Punkte korrekt trennt.
Verschiebe anschließend einen Kreis weit nach rechts oben. Prüfe, ob Deine bisherige Linie noch sinnvoll ist. Danach verschiebe zwei weitere Kreise. Was passiert?
Dieses Experiment zeigt drei Dinge: Erstens hängt ein Modell von seinen Beispielen ab. Zweitens können einzelne ungewöhnliche Datenpunkte eine Regel beeinflussen. Drittens gibt es nicht immer eine perfekte Trennlinie.
Die Aufgabe lässt sich erweitern: Lass eine andere Person die Punkte setzen, ohne Dir vorher zu sagen, welche Regel dahintersteht. So erlebst Du, wie ein Lernverfahren nur aus Beispielen Muster erschließen muss.
Sicherheit und verantwortlicher KI-Einsatz
Für schulische Experimente solltest Du möglichst keine privaten Fotos, echten Namen, Gesundheitsdaten oder andere sensible Informationen verwenden. Verwende stattdessen erfundene Daten, frei lizenzierte Medien oder bewusst unpersönliche Beispiele.
Wenn ein Online-Dienst zum Experimentieren genutzt wird, prüfe vorher, welche Daten hochgeladen werden, wie lange sie gespeichert bleiben und ob ein Konto nötig ist. Technisches Lernen soll nicht davon abhängen, dass Du unnötig persönliche Daten preisgibst.
KI-Ergebnisse sind Hilfsmittel. Besonders bei Entscheidungen über Menschen sollten sie Anlass für weitere Prüfung sein, nicht Ersatz für begründetes Denken.
Rückkehr zur Diagnose
Lies Deine vier Antworten aus der Aktivierung noch einmal. Korrigiere mindestens eine Aussage so, dass sie technisch genauer wird.
Ein mögliches Muster für eine gute Korrektur lautet:
Vorher: „Die KI erkennt einen Hund.“
Genauer: „Das trainierte Klassifikationsmodell ordnet das Bild anhand gelernter statistischer Muster der Klasse Hund zu. Die Zuordnung kann richtig sein, ohne dass das System einen Hund so versteht wie ein Mensch.“
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was beschreibt eine KI-Klassifikation am besten? (Ein Modell ordnet Eingaben anhand gelernter Muster vorgegebenen Klassen zu) (!Ein Modell beweist die Bedeutung einer Eingabe) (!Ein Computer speichert nur alle Trainingsdaten unverändert) (!Eine KI ersetzt jede menschliche Entscheidung)
Was ist ein Label beim überwachten Lernen? (Die bekannte Zielklasse eines Trainingsbeispiels) (!Die Geschwindigkeit des Computers) (!Die Farbe der Benutzeroberfläche) (!Die Anzahl aller Merkmale)
Warum verwendet man Testdaten? (Um zu prüfen ob das Modell auf neue ungesehene Beispiele verallgemeinert) (!Um dem Modell die richtigen Antworten während des Tests zu verraten) (!Um die Trainingsdaten möglichst oft zu kopieren) (!Um jedes Beispiel automatisch richtig zu machen)
Welche Aussage trennt Mustererkennung und menschliches Verstehen am besten? (Ein Modell kann statistische Muster nutzen ohne Bedeutung wie ein Mensch zu verstehen) (!Ein Modell versteht automatisch jede Ursache hinter einem Muster) (!Ein Modell besitzt durch Training eigene Lebenserfahrungen) (!Ein Modell trifft moralische Urteile ohne menschliche Werte)
Was kann Bias in einem Klassifikationssystem verursachen? (Einseitige oder fehlerhafte Trainingsdaten) (!Ein besonders großes Display) (!Eine schnelle Internetverbindung) (!Eine alphabetische Dateiliste)
Was bedeutet ein falsch positives Ergebnis bei einem Spamfilter? (Eine normale Nachricht wird fälschlich als Spam eingestuft) (!Eine Spamnachricht wird korrekt als Spam erkannt) (!Eine normale Nachricht wird korrekt durchgelassen) (!Eine Spamnachricht wird als normale Nachricht eingestuft)
Warum kann eine hohe Trefferquote allein irreführend sein? (Bei unausgeglichenen Klassen kann ein nutzloses Modell trotzdem oft richtig liegen) (!Trefferquoten können grundsätzlich nie berechnet werden) (!Jede hohe Trefferquote beweist menschliches Verstehen) (!Eine Trefferquote misst nur die Rechengeschwindigkeit)
Was ist ein Merkmal in einem Klassifikationsmodell? (Eine Information über eine Eingabe die das Modell für die Zuordnung nutzt) (!Die endgültige moralische Bewertung des Ergebnisses) (!Der Name der Person die das Modell programmiert) (!Eine Garantie für eine richtige Vorhersage)
Was bedeutet ein hoher Konfidenzwert eines Modells? (Das Modell bewertet seine gewählte Ausgabe nach seinem Rechenverfahren als besonders passend) (!Die Vorhersage ist sicher wahr) (!Das Modell hat menschliche Gewissheit) (!Alle anderen Quellen sind falsch)
Welche Maßnahme stärkt Human Agency bei wichtigen KI-Entscheidungen? (Betroffene können Ergebnisse nachvollziehen prüfen und anfechten) (!Automatische Entscheidungen werden grundsätzlich geheim gehalten) (!Fehler werden nicht dokumentiert) (!Menschen dürfen Ergebnisse niemals korrigieren)
Memory
| Trainingsdaten | Beispiele zum Lernen |
| Label | Bekannte Zielklasse |
| Merkmal | Messbare Eingabeeigenschaft |
| Modell | Gelernte Zuordnungsregel |
| Testdaten | Ungesehene Beispiele zur Prüfung |
| Bias | Systematische Verzerrung |
| Konfusionsmatrix | Übersicht verschiedener Vorhersagefehler |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Bedeutung |
|---|---|
| Trainingsphase | Muster aus gelabelten Beispielen lernen |
| Vorhersagephase | Neues Beispiel einer Klasse zuordnen |
| Merkmal | Eingabe durch eine relevante Eigenschaft beschreiben |
| Label | Bekannte Zielklasse angeben |
| Testdatensatz | Modell an ungesehenen Beispielen prüfen |
| Menschliche Kontrolle | Folgen prüfen und Entscheidungen korrigierbar halten |
Kreuzworträtsel
| Merkmal | Wie heißt eine Eigenschaft einer Eingabe, die ein Modell für die Zuordnung nutzen kann? |
| Training | Wie heißt die Phase, in der ein Modell aus Beispielen lernt? |
| Modell | Wie heißt die gelernte mathematische Struktur, die Vorhersagen erzeugt? |
| Klasse | Wie heißt eine Zielgruppe, der ein Beispiel zugeordnet wird? |
| Testdaten | Wie heißen ungesehene Beispiele, mit denen die Verallgemeinerung geprüft wird? |
| Verzerrung | Welcher deutsche Begriff beschreibt eine systematische Schieflage in Daten oder Ergebnissen? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Klassifikation im Alltag: Suche drei Beispiele, bei denen Menschen oder Computer Dinge in Klassen einordnen. Beschreibe jeweils Eingabe, mögliche Klassen und Zweck der Einteilung.
- Merkmale: Wähle zwei Sorten von Alltagsgegenständen und notiere drei Merkmale, mit denen man sie unterscheiden könnte. Markiere ein Merkmal, das leicht zu Fehlentscheidungen führen könnte.
- Fehlvorstellungen über KI: Formuliere eine typische Aussage wie „Die KI weiß das“ um, sodass sie technisch genauer zwischen Mustererkennung und menschlichem Verstehen unterscheidet.
- Konfusionsmatrix: Erfinde ein Beispiel mit zwei Klassen und beschreibe je einen richtig positiven, richtig negativen, falsch positiven und falsch negativen Fall.
Standard
- Trainingsdaten: Erstelle einen kleinen Datensatz mit mindestens zwölf erfundenen Beispielen und zwei Merkmalen. Teile ihn in Trainings- und Testdaten und entwickle eine einfache Klassifikationsregel.
- Bias in Daten: Verändere Deinen Datensatz absichtlich so, dass eine Klasse deutlich seltener vorkommt. Prüfe, wie sich eine einfache Regel dadurch verändern kann, und erkläre die Gefahr.
- Medienanalyse: Vergleiche zwei Beiträge über KI. Trenne technische Aussagen, Werturteile, Beispiele und unbelegte Behauptungen. Formuliere anschließend drei Fragen, die Du den Autorinnen oder Autoren stellen würdest.
- Visualisierung: Gestalte ein Plakat oder eine Infografik mit der Kette Daten → Merkmale → Modell → Vorhersage → Prüfung. Füge an jeder Stelle eine mögliche Fehlerquelle ein.
Schwer
- Fairness: Untersuche eine fiktive KI, die Bewerbungen in „einladen“ und „nicht einladen“ klassifiziert. Entwickle Kriterien, mit denen Du prüfen würdest, ob verschiedene Gruppen fair behandelt werden.
- Entscheidungsgrenze: Zeichne zwei unterschiedliche Punktmengen im Koordinatensystem. Entwickle jeweils eine Trennlinie und beschreibe Fälle, die nahe an der Grenze besonders unsicher sind.
- Human Agency: Entwirf Regeln für ein schulisches KI-System, bei dem Betroffene eine automatische Klassifikation nachvollziehen, widersprechen und eine menschliche Prüfung verlangen können.
- KI und Gesellschaft: Produziere eine kurze Audio- oder Videoreportage zur Frage „Wann darf eine Klassifikation nur beraten und wann dürfte sie entscheiden?“ Nutze mindestens zwei Perspektiven und kennzeichne überprüfbare Fakten und eigene Bewertungen getrennt.
|
|
Lernkontrolle
- Transfer: neue Klassifikationsaufgabe: Eine App soll Pflanzenblätter in drei Arten einordnen. Entwirf einen sinnvollen Trainings- und Testplan. Begründe, welche Unterschiede bei Licht, Kameras, Blattalter und Hintergrund berücksichtigt werden sollten.
- Fehlerfolgen vergleichen: Vergleiche einen falsch positiven und einen falsch negativen Fehler bei einem Spamfilter und bei einer medizinischen Vorprüfung. Erkläre, warum dieselbe Fehlerart je nach Anwendung unterschiedlich schwer wiegen kann.
- Datenkritik: Ein Modell erreicht im Test 98 Prozent Genauigkeit, wurde aber nur mit Fotos aus einem einzigen Studio geprüft. Beurteile, wie überzeugend diese Zahl für den Einsatz auf Schulhöfen ist.
- Bias erkennen: Ein Sprachmodell zur Erkennung beleidigender Kommentare markiert Beiträge einer bestimmten Jugendgruppe deutlich häufiger. Entwickle mindestens drei mögliche technische oder datenbezogene Erklärungen und einen Plan zur Überprüfung.
- Muster und Verstehen: Erkläre an einem selbst gewählten Beispiel, wie ein System eine Klassifikation korrekt ausgeben kann, ohne die Situation wie ein Mensch zu verstehen.
- Begründetes Urteil: Entscheide, ob eine Schule ein automatisches Moderationssystem einsetzen sollte. Formuliere ein Urteil mit Bedingungen, Gegenargument und Schutzmaßnahmen statt eines einfachen Ja oder Nein.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst. Du solltest die Idee der Klassifikation an einem neuen Beispiel erklären, einen kleinen Datensatz lesen, Merkmale und Labels unterscheiden und nachvollziehen können, wie aus Trainingsdaten eine Entscheidungsregel entsteht.
Du solltest außerdem zeigen können, wie ein Modell mit ungesehenen Testdaten geprüft wird, warum Trefferquoten allein nicht immer genügen und wie unterschiedliche Fehlerarten sichtbar gemacht werden. Zu einem vollständigen Lernnachweis gehört auch, dass Du statistische Mustererkennung von menschlichem Verstehen unterscheidest.
Besonders wichtig ist ein begründetes Urteil: Du sollst Datenquellen, mögliche Verzerrungen, betroffene Personen, Unsicherheit und menschliche Kontrollmöglichkeiten berücksichtigen. Eine gute Leistung verbindet daher technisches Verständnis mit Quellenkritik, Fairness, Transparenz und verantwortlichem Handeln.
OERs zum Thema
Die folgenden Wikipedia-Artikel bieten weiterführende Informationen zu Klassifikationsverfahren und maschinellem Lernen:
Die im Kurs eingesetzten Abbildungen stammen aus Wikimedia Commons. Die jeweils gültige freie Lizenz oder Gemeinfreiheit findest Du auf der Dateibeschreibungsseite des betreffenden Mediums.
Medien- und Quellenhinweise
Das Workflow-Diagramm eignet sich, um Daten, Verarbeitung, Modellierung und Bewertung als zusammenhängenden Prozess zu betrachten.
Diese weiterführende Darstellung zeigt, dass moderne Verfahren Repräsentationen beziehungsweise Merkmale teilweise selbst lernen können. Für Klasse 7 genügt die Grundidee: Das Modell erhält Rohdaten, bildet daraus mathematische Darstellungen und nutzt diese für eine Aufgabe wie Klassifikation.
Bei allen Medien gilt: Ein Diagramm ist ein Modell der Wirklichkeit. Prüfe, was vereinfacht wird, welche Begriffe vorausgesetzt werden und welche Aspekte fehlen.
Reflexion und Transfer
Beantworte zum Abschluss drei Fragen in ganzen Sätzen:
- Was ist der wichtigste Unterschied zwischen einer gelernten statistischen Klassifikation und menschlichem Verstehen?
- An welcher Stelle eines Klassifikationssystems können Menschen besonders stark Einfluss nehmen: bei Klassen, Daten, Labels, Merkmalen, Bewertung oder Einsatzregeln? Begründe.
- Welche Information würdest Du von einem Anbieter verlangen, bevor Du einem Klassifikationssystem bei einer wichtigen Entscheidung vertraust?
Formuliere danach einen Merksatz mit höchstens 25 Wörtern.
Ein fachlich guter Merksatz enthält die Idee: KI-Klassifikation lernt statistische Zuordnungen aus Daten; ihre Ergebnisse müssen an neuen Daten geprüft und bei wichtigen Folgen menschlich bewertet werden.
Verknüpfte Lernbereiche