Muster erkennen wie eine KI
Muster erkennen wie eine KI
Muster erkennen wie eine KI
Einleitung
Menschen entdecken überall Muster: in einem Rhythmus, in einer Zahlenfolge, in Tierfellen, in Wörtern, in Bildern oder im Wetter. Auch viele Systeme der Künstlichen Intelligenz arbeiten mit Mustern. Sie suchen dabei nicht nur nach sichtbaren Wiederholungen wie „rot – blau – rot – blau“, sondern nach Zusammenhängen in Daten, zum Beispiel danach, welche Merkmale bei bestimmten Bildern, Texten oder Geräuschen häufig gemeinsam auftreten.
In diesem Lernkurs erfährst Du, wie eine KI aus Beispielen lernen kann, wie sie neue Fälle einordnet und warum ihre Ergebnisse trotzdem falsch oder unfair sein können. Du wirst selbst zur „Papier-KI“: Du untersuchst Trainingsbeispiele, entwickelst Regeln, testest sie an unbekannten Fällen, vergleichst verschiedene Entscheidungen und verbesserst Dein Modell.
Am Ende sollst Du erklären können, was Mustererkennung bei einer KI bedeutet, wie maschinelles Lernen mit Trainings- und Testdaten funktioniert und warum Menschen Ergebnisse einer KI prüfen müssen.
Beobachtungsauftrag: Schau Dir die Darstellung zunächst nur wenige Sekunden an. Welche Regel oder Wiederholung vermutest Du? Vergleiche anschließend mit einer anderen Person. Habt Ihr dasselbe Muster gesehen?
Zielgruppe, Zeit und Voraussetzungen
Der Kurs richtet sich besonders an Klasse 5 und benötigt keine technischen Vorkenntnisse. Er ist für etwa 60 bis 90 Minuten gedacht und kann auf eine Unterrichtsstunde gekürzt oder auf zwei Unterrichtsstunden verteilt werden.
| Phase | Zeit | Aktivität |
|---|---|---|
| Aktivierung und Diagnose | 10 Minuten | Muster finden, Vermutungen erklären, Vorwissen sichtbar machen |
| Einführung | 15 Minuten | Von Beispielen zu Merkmalen, Training und Vorhersage |
| Papier-KI | 20 Minuten | Daten sortieren, Regeln entwickeln, Testfälle prüfen |
| Anwendung und Fairness | 20 Minuten | Schulbeispiel untersuchen, Fehler und Verzerrungen entdecken |
| Selbstkontrolle und Transfer | 15 bis 25 Minuten | Quiz, Reflexion, neue Beispiele und Fehlvorstellungen |
Du brauchst Papier oder Karten, Stifte und optional ein digitales Endgerät für die eingebetteten Medien. Für die Kernaktivitäten ist kein KI-Dienst und kein Benutzerkonto notwendig.
Lernziele
Nach dem Kurs kannst Du:
- Muster erkennen: Regelmäßigkeiten, Ähnlichkeiten und wichtige Merkmale in Daten beschreiben.
- Lernen aus Beispielen: erklären, dass viele KI-Systeme anhand von Trainingsdaten ein Modell anpassen und dieses an neuen Daten getestet werden kann.
- Einordnen: neue Fälle begründet einer Kategorie zuordnen und Unsicherheit benennen.
- Fehler prüfen: erklären, warum zu wenige, einseitige oder falsch beschriftete Beispiele zu schlechten Ergebnissen führen können.
- Fair entscheiden: erkennen, wann ein Muster für eine Entscheidung ungeeignet oder unfair ist.
- KI-Ergebnisse prüfen: Quellen, Belege und mögliche Fehler kontrollieren, statt einer Ausgabe nur wegen ihres sicheren Tons zu vertrauen.
- Selbst entscheiden: KI als Werkzeug nutzen, ohne eigenes Denken und Verantwortung abzugeben.
Aktivierung und Diagnose
Musterblitz
Betrachte diese Folgen. Ergänze jeweils das nächste Element und begründe Deine Entscheidung.
- Kreis – Dreieck – Kreis – Dreieck – ...
- 2 – 4 – 6 – 8 – ...
- klatschen – stampfen – klatschen – stampfen – ...
- Haus – Maus – Laus – ...
Wichtig ist nicht nur Deine Lösung, sondern Deine Begründung. Schon bei einfachen Folgen zeigt sich: Menschen schließen aus wenigen Beispielen auf eine Regel. Manchmal sind sogar mehrere Regeln möglich. Genau deshalb braucht ein lernendes System genügend passende Beispiele und eine gute Prüfung.
Natur als Musterlabor
Muster findest Du nicht nur in Schulaufgaben. Streifen, Waben und spiralige Anordnungen können in der Natur auffallen. Solche sichtbaren Muster sind ein guter Einstieg, aber KI-Muster können auch viel weniger offensichtlich sein.
Auftrag: Beschreibe bei jedem Bild mindestens zwei Merkmale, die Du erkennen kannst. Unterscheide dabei zwischen Beobachtung und Deutung. „Viele schwarze und weiße Streifen“ ist eine Beobachtung. „Die Streifen dienen bestimmt nur der Tarnung“ wäre bereits eine Deutung, die geprüft werden müsste.
Was bedeutet Mustererkennung bei KI?
Mustererkennung bedeutet, in Daten Regelmäßigkeiten, Ähnlichkeiten oder Unterschiede zu finden. In der Informatik werden solche Merkmale genutzt, um neue Eingaben zu erkennen oder in Kategorien einzuordnen.
Ein Beispiel: Ein System soll Bilder von Äpfeln und Bananen unterscheiden. Menschen könnten sofort an Farbe und Form denken. Ein lernendes System bekommt viele beschriftete Beispiele und passt seine internen Einstellungen so an, dass bestimmte Merkmalskombinationen häufiger mit „Apfel“ und andere häufiger mit „Banane“ zusammenpassen.
Dabei ist wichtig: Die KI versteht einen Apfel nicht automatisch so wie Du. Sie verarbeitet Daten und berechnet Zusammenhänge. Ein gutes Ergebnis bedeutet daher nicht, dass das System ein menschliches Verständnis, Absichten oder Alltagserfahrungen besitzt.
Videoauftrag: Notiere während des Videos drei Aussagen: eine darüber, was KI kann, eine über das Lernen aus Daten und eine über eine Grenze oder Gefahr. Vergleiche anschließend, ob die Aussagen im Video belegt oder nur vermutet werden.
Die vier Schritte einer einfachen Lern-KI
Für Klasse 5 reicht zunächst dieses Modell:
- Beispiele sammeln: Menschen wählen passende Daten aus.
- Training: Das System sucht Zusammenhänge zwischen Merkmalen und den gewünschten Ergebnissen.
- Testen: Neue, vorher nicht benutzte Beispiele zeigen, ob das Gelernte auch außerhalb der Trainingsdaten funktioniert.
- Prüfen und entscheiden: Menschen bewerten Fehler, Fairness und Folgen und entscheiden, ob und wofür das System eingesetzt werden soll.
Die Abbildung zeigt einen technischeren Ablauf der Mustererkennung. Für unseren Kurs kannst Du ihn vereinfacht lesen als: Daten hinein – wichtige Merkmale betrachten – Ergebnis zuordnen – Ergebnis prüfen.
Training ist nicht Auswendiglernen
Stell Dir vor, Du lernst nur fünf ganz bestimmte Bilder von Katzen auswendig. Wenn später eine Katze aus einem anderen Blickwinkel auftaucht, hilft reines Auswendiglernen wenig. Ein gutes Modell soll aus Beispielen so lernen, dass es auch neue passende Fälle bearbeiten kann. Das nennt man Generalisierung.
Das gelingt aber nicht automatisch. Ein Modell kann eine falsche Abkürzung lernen. Wenn zum Beispiel auf allen Trainingsbildern von Katzen zufällig ein rotes Kissen liegt, könnte das System „rotes Kissen“ für ein wichtiges Katzenmerkmal halten. Dann würde es bei neuen Bildern leicht scheitern.
Merkmale: Was ist wichtig und was nur Zufall?
Ein Merkmal ist eine Eigenschaft, die für eine Aufgabe betrachtet wird. Bei Bildern können das zum Beispiel Formen, Kanten oder Farbverteilungen sein. Bei Texten können Wortfolgen, Schreibweisen oder Satzmuster eine Rolle spielen. Bei Geräuschen können Tonhöhen und zeitliche Veränderungen wichtig sein.
Aber nicht jedes häufige Merkmal ist sinnvoll. Ein Zusammenhang in den Trainingsdaten kann zufällig sein oder aus einer einseitigen Datenauswahl entstehen.
Merksatz: Eine KI kann Muster finden. Menschen müssen prüfen, ob das gefundene Muster für die Aufgabe sinnvoll, zuverlässig und fair ist.
Ein Blick in ein künstliches neuronales Netz
Manche heutigen KI-Systeme verwenden künstliche neuronale Netze. Die folgende Grafik zeigt stark vereinfacht Schichten aus miteinander verbundenen Recheneinheiten.
Das Bild ist kein Foto eines Gehirns. Ein künstliches neuronales Netz ist ein mathematisches Modell. Der Name ist von biologischen Nervennetzen inspiriert, aber ein solches System arbeitet nicht wie ein menschliches Gehirn und besitzt dadurch nicht automatisch Bewusstsein.
Bei komplexen Bildsystemen können intern Darstellungen entstehen, die von einfachen Bildmerkmalen zu immer komplexeren Kombinationen reichen. Die nächste Abbildung veranschaulicht diese Idee.
Die Papier-KI: Lernen ohne Computer
Jetzt spielst Du selbst ein lernendes System. Arbeite zu zweit oder in einer kleinen Gruppe.
Trainingsrunde
Eine Fantasiewelt enthält zwei Arten von Symbolwesen: Lumis und Noris. Du bekommst diese Trainingsdaten:
| Beispiel | Form | Oberfläche | Größe | Beschriftung |
|---|---|---|---|---|
| A | rund | gepunktet | klein | Lumi |
| B | rund | gepunktet | groß | Lumi |
| C | oval | gepunktet | klein | Lumi |
| D | eckig | gestreift | klein | Nori |
| E | eckig | gestreift | groß | Nori |
| F | dreieckig | gestreift | klein | Nori |
Auftrag: Formuliert eine möglichst einfache Regel, mit der Ihr Lumis und Noris unterscheiden könnt. Markiert, welche Merkmale Ihr benutzt und welche Ihr ignoriert.
Testdaten
Nun kommen unbekannte Fälle:
| Testfall | Form | Oberfläche | Größe |
|---|---|---|---|
| G | rund | gestreift | klein |
| H | eckig | gepunktet | groß |
| I | oval | gepunktet | groß |
Ordnet G, H und I ein. Gebt zu jeder Entscheidung an:
- Welche Regel Ihr verwendet habt.
- Wie sicher Ihr seid.
- Welches zusätzliche Trainingsbeispiel Euch helfen würde.
Jetzt zeigt sich das Problem: Die Trainingsdaten erlauben mehrere mögliche Regeln. Form und Oberfläche passen in den Beispielen immer gemeinsam zur Beschriftung. Bei G und H widersprechen sich diese Hinweise. Aus den Daten allein wisst Ihr deshalb nicht sicher, welches Merkmal entscheidend sein soll.
KI-Kompetenz: Wenn Daten mehrere Erklärungen zulassen, ist Unsicherheit normal. Eine verantwortliche Entscheidung benennt diese Unsicherheit, statt sie zu verstecken.
Verbesserungsschleife
Erfindet vier zusätzliche Trainingsbeispiele, mit denen man herausfinden könnte, ob Form oder Oberfläche wichtiger ist. Tauscht Eure neuen Datensätze mit einer anderen Gruppe.
Prüft anschließend: Hat der neue Datensatz wirklich geholfen? Oder habt Ihr nur Beispiele erfunden, die Eure erste Vermutung bestätigen?
Das ist eine einfache Form von Datenkritik: Gute Daten sollen nicht nur zahlreich sein, sondern die Aufgabe sinnvoll abdecken.
Muster in verschiedenen Fächern
Informatik
In Informatik geht es darum, Daten zu verarbeiten, Regeln und Modelle zu entwickeln und Systeme zu testen. Beim maschinellen Lernen werden Trainingsbeispiele genutzt, um ein Modell anzupassen. Besonders wichtig ist die Trennung von Trainingsdaten und Testdaten. Würde man nur mit denselben Beispielen testen, mit denen das System gelernt hat, könnte man leicht eine zu gute Leistung vortäuschen.
Mathematik
In Mathematik erkennst Du Muster in Zahlenfolgen, geometrischen Figuren, Symmetrien und Tabellen. Dabei lernst Du auch etwas Wichtiges für KI: Eine beobachtete Regel ist zunächst eine Vermutung. Sie muss an weiteren Beispielen geprüft werden.
Beispiel: Aus 3, 6, 9, 12 vermutest Du vielleicht „immer plus 3“. Diese Regel ist plausibel, aber erst weitere Daten zeigen, ob sie für die gestellte Aufgabe tatsächlich gemeint ist.
Deutsch
In Deutsch findest Du Muster in Reimen, Satzbau, Wortarten, Endungen und Erzählformen. Sprachmodelle nutzen sehr viele statistische Muster aus Textdaten, um passende Fortsetzungen zu erzeugen. Eine flüssige Formulierung ist aber kein Beweis dafür, dass eine Aussage wahr ist.
Medienregel: Je wichtiger eine Behauptung ist, desto wichtiger ist die Prüfung an verlässlichen Quellen.
Naturwissenschaften
In Biologie, Physik und anderen Naturwissenschaften werden Beobachtungen gesammelt, geordnet und verglichen. Muster können dabei auf Zusammenhänge hinweisen. Wissenschaftlich entscheidend ist aber, ob eine Vermutung durch weitere Beobachtungen, Messungen oder Experimente gestützt wird.
Ein Muster ist also ein Startpunkt für Fragen, nicht automatisch eine fertige Erklärung.
Kunst
In Kunst spielen Wiederholung, Rhythmus, Symmetrie, Variation und Kontrast eine große Rolle. Du kannst Muster absichtlich brechen, um Aufmerksamkeit zu erzeugen. Damit unterscheidet sich künstlerisches Arbeiten von einer reinen Klassifikationsaufgabe: Nicht jede Abweichung ist ein Fehler. Manchmal ist gerade sie die kreative Idee.
Kunst- und Denkauftrag: Suche in der Abbildung nach einer Regel. Entwirf danach selbst ein 3-mal-3-Muster, bei dem ein Feld fehlt. Tausche es mit einer anderen Person und vergleicht Eure Begründungen.
Ethik und Medienbildung
Nicht jede gut erkennbare Regel darf für jede Entscheidung verwendet werden. Das ist eine zentrale Frage der Ethik.
Angenommen, eine Schule möchte mit einer KI vorhersagen, wer für eine Robotik-AG geeignet ist. Die Trainingsdaten stammen nur aus früheren Jahren. Damals nahmen vor allem Kinder teil, die schon zu Hause Erfahrung mit Technik hatten.
Wenn das System daraus lernt, dass frühere Technik-Erfahrung das wichtigste Merkmal ist, könnte es andere interessierte Kinder systematisch schlechter bewerten. Das wäre problematisch: Die alten Daten spiegeln nicht nur Fähigkeiten, sondern auch frühere Chancen wider.
Faire Regel: Bei Entscheidungen über Menschen müssen Zweck, Daten, Kriterien und Folgen besonders kritisch geprüft werden. Eine KI-Ausgabe darf Verantwortung nicht ersetzen.
Realistische Anwendungssituation: Die Schulbibliothek
Die Schulbibliothek möchte neue Bücher schneller vorsortieren. Ein KI-System soll vorschlagen, ob ein Buch eher zu Sachbuch oder Erzählung gehört. Es nutzt Informationen wie Titelwörter, Klappentext und bisherige Beispiele.
Das System meldet für ein neues Buch: „Sachbuch – 82 Prozent“.
Der Titel lautet „Abenteuer im Weltall“, der Klappentext erzählt aber eine erfundene Geschichte über zwei Kinder auf einer Raumstation.
Dein Entscheidungsauftrag
Entscheide, wie die Bibliothek handeln sollte.
- Übernimmt sie die KI-Empfehlung sofort?
- Welche Informationen sollten Menschen zusätzlich prüfen?
- Welche Merkmale könnten das System getäuscht haben?
- Welche neuen Trainingsbeispiele könnten helfen?
- Wie sollte mit Büchern umgegangen werden, die zu mehreren Kategorien passen?
Eine gute Lösung könnte lauten: Die KI darf eine Vorsortierung vorschlagen. Ein Mensch prüft aber mindestens Titel, Klappentext und die eigentliche Art des Buches. Mehrdeutige Fälle bekommen eine zusätzliche Kennzeichnung oder werden manuell eingeordnet.
Hier zeigt sich Human Agency: Das System liefert einen Hinweis. Menschen entscheiden über Zweck, Regeln und Folgen.
Fehler verstehen statt nur zählen
Wenn ein KI-System zehn Bilder prüft und zwei falsch einordnet, ist nicht nur die Zahl der Fehler interessant. Frage zusätzlich:
- Welche Fälle wurden verwechselt?
- Haben die Trainingsdaten ähnliche Fälle enthalten?
- Waren Beschriftungen korrekt?
- Gibt es Gruppen oder Situationen, bei denen das System besonders oft scheitert?
- Welche Folgen hätte ein Fehler?
Ein Fehler bei einer Spielempfehlung ist anders zu bewerten als ein Fehler bei einer medizinischen oder schulischen Entscheidung. Je größer die möglichen Folgen, desto strenger müssen Prüfung und menschliche Kontrolle sein.
Drei typische Datenprobleme
Zu wenige Beispiele: Das Modell sieht zu wenig Vielfalt und kann neue Fälle schlecht einordnen.
Einseitige Beispiele: Bestimmte Varianten fehlen. Das Modell lernt ein verzerrtes Bild der Aufgabe.
Falsche Beschriftungen: Wenn Trainingsbeispiele falsch zugeordnet sind, lernt das System aus falschen Vorgaben.
Darum gilt: Mehr Daten sind nicht automatisch besser. Entscheidend sind passende, vielfältige und sorgfältig geprüfte Daten.
Typische Fehlvorstellungen korrigieren
„Eine KI denkt genau wie ein Mensch.“
Nein. Viele KI-Systeme verarbeiten Daten mit mathematischen Verfahren. Sie können Leistungen zeigen, die intelligent wirken, ohne die Welt so zu erleben oder zu verstehen wie Menschen.
„Wenn die KI sehr sicher klingt, stimmt die Antwort.“
Nein. Sprachlich überzeugende oder mit hoher Wahrscheinlichkeit ausgegebene Antworten können falsch sein. Behauptungen müssen an geeigneten Quellen oder Daten geprüft werden.
„Viele Trainingsdaten machen eine KI automatisch fair.“
Nein. Eine große Datenmenge kann trotzdem einseitig, veraltet oder falsch beschriftet sein.
„Ein gefundenes Muster erklärt die Ursache.“
Nein. Ein Zusammenhang zeigt zunächst nur, dass Dinge gemeinsam auftreten. Ob eines das andere verursacht, muss gesondert untersucht werden.
„Wenn eine KI gut sortiert, kann sie jede ähnliche Aufgabe lösen.“
Nein. Ein Modell wird für bestimmte Aufgaben und Daten entwickelt. Gute Leistung in einem Bereich garantiert keine gute Leistung in einem anderen.
Videoauftrag: Höre besonders darauf, wie Daten und Beispiele beim Lernen einer KI vorkommen. Notiere anschließend einen Satz nach dem Muster: „Eine KI kann ..., aber daraus folgt nicht automatisch, dass ...“
Sicher und verantwortungsvoll arbeiten
Für diesen Kurs brauchst Du keine persönlichen Daten. Verwende bei eigenen Experimenten Fantasiedaten, Gegenstände, Pflanzen, gezeichnete Formen oder öffentlich geeignete Materialien.
- Lade keine privaten Fotos von Mitschülerinnen oder Mitschülern in unbekannte KI-Dienste hoch.
- Teile keine Passwörter, Adressen oder andere persönliche Informationen.
- Prüfe, wer ein KI-Werkzeug anbietet und welche Daten verarbeitet werden.
- Nutze KI-Vorschläge als Ausgangspunkt zum Denken, nicht als Ersatz für Deine eigene Entscheidung.
- Frage bei wichtigen Ergebnissen nach Quellen oder überprüfe sie unabhängig.
- Sage offen, wenn KI bei einer Aufgabe beteiligt war, wenn dies für die Bewertung oder Zusammenarbeit wichtig ist.
Selbstkontrolle: Kannst Du wie eine KI prüfen?
Erkläre die folgenden fünf Sätze jeweils mit einem eigenen Beispiel.
- Ein Muster ist eine erkennbare Regelmäßigkeit oder ein Zusammenhang in Daten.
- Trainingsdaten beeinflussen, welche Zusammenhänge ein Modell lernen kann.
- Testdaten sollen zeigen, ob ein Modell mit neuen Fällen zurechtkommt.
- Eine Vorhersage kann falsch sein, auch wenn sie sicher wirkt.
- Menschen bleiben für den sinnvollen und fairen Einsatz von KI verantwortlich.
Wenn Du zu jedem Satz ein neues Beispiel findest und eine mögliche Fehlannahme nennen kannst, hast Du die Kernidee verstanden.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Eine Bilder-KI wurde nur mit roten Äpfeln trainiert. Nun soll sie einen grünen Apfel erkennen. Was ist die beste Vermutung? (Sie könnte Schwierigkeiten haben, weil wichtige Vielfalt in den Trainingsdaten fehlt) (!Sie muss den grünen Apfel sicher erkennen, weil alle Äpfel gleich sind) (!Sie wird automatisch nach dem Geschmack des Apfels fragen) (!Sie kann niemals Bilder verarbeiten)
Warum sollte ein Testdatensatz andere Beispiele enthalten als der Trainingsdatensatz? (Damit geprüft wird, ob das Modell auch mit neuen Fällen zurechtkommt) (!Damit das Training absichtlich vergessen wird) (!Damit alle Testfälle leichter sind) (!Damit keine Fehler mehr möglich sind)
Eine KI ordnet Bücher nach Titelwörtern. Ein Roman heißt Lexikon der Drachen. Was solltest Du tun? (Die Einordnung zusätzlich am Inhalt oder Klappentext prüfen) (!Den Titel immer als eindeutigen Beweis verwenden) (!Die KI-Ausgabe ohne Prüfung übernehmen) (!Das Buch automatisch löschen)
Welche Aussage beschreibt ein sinnvolles Merkmal? (Eine Eigenschaft, die für die konkrete Aufgabe hilfreich sein kann) (!Jede Information, die zufällig vorhanden ist) (!Nur eine Zahl größer als hundert) (!Immer der Name einer Person)
Ein System macht bei einer bestimmten Gruppe deutlich mehr Fehler. Was ist der wichtigste nächste Schritt? (Daten, Kriterien und Fehlerverteilung genauer untersuchen) (!Das Ergebnis geheim halten) (!Nur die Gesamtzahl der richtigen Antworten betrachten) (!Alle Fehler als unvermeidbar akzeptieren)
Warum ist ein gefundenes Muster noch kein Beweis für eine Ursache? (Weil gemeinsames Auftreten nicht automatisch bedeutet, dass das eine das andere verursacht) (!Weil Muster nur in Kunst vorkommen) (!Weil Daten grundsätzlich keine Informationen enthalten) (!Weil Ursachen immer zufällig sind)
Was ist bei einer KI-Empfehlung für eine Schulentscheidung besonders wichtig? (Menschen prüfen Zweck, Daten, Fairness und mögliche Folgen) (!Die KI darf allein entscheiden, wenn sie schnell ist) (!Nur alte Daten dürfen verwendet werden) (!Die Empfehlung muss geheim bleiben)
Eine Sprach-KI formuliert eine Antwort sehr flüssig. Was folgt daraus? (Die Aussage sollte trotzdem auf Richtigkeit und Quellen geprüft werden) (!Die Aussage ist dadurch automatisch wahr) (!Die KI hat die Situation sicher wie ein Mensch verstanden) (!Quellen sind dann nicht mehr nötig)
Welche Datensammlung eignet sich besser zum Lernen verschiedener Blattformen? (Eine vielfältige Sammlung mit unterschiedlichen passenden Beispielen) (!Viele Kopien desselben einzelnen Blattes) (!Nur Bilder mit starkem Schatten) (!Nur Bilder aus genau einem Blickwinkel)
Welche Rolle sollte ein Mensch beim verantwortlichen KI-Einsatz behalten? (Ziele setzen, Ergebnisse prüfen und Verantwortung für Entscheidungen übernehmen) (!Nur den Startknopf drücken) (!Jede Ausgabe ungeprüft weitergeben) (!Die eigenen Gründe nicht mehr erklären)
Memory
| Trainingsdaten | Beispiele zum Anpassen eines Modells |
| Testdaten | Unbekannte Fälle zur Überprüfung |
| Merkmal | Für die Aufgabe betrachtete Eigenschaft |
| Generalisierung | Gelernte Zusammenhänge auf neue Fälle anwenden |
| Klassifikation | Einordnung in eine Kategorie |
| Verzerrung | Systematische Schieflage in Daten oder Ergebnissen |
| Fairness | Möglichst gerechte Behandlung ohne sachfremde Benachteiligung |
| Quellenprüfung | Aussagen mit verlässlichen Belegen kontrollieren |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Training | Das Modell wird mit Beispielen angepasst |
| Test | Neue Fälle prüfen die Übertragbarkeit |
| Merkmal | Eine für die Aufgabe betrachtete Eigenschaft |
| Vorhersage | Das Modell gibt für einen neuen Fall ein Ergebnis aus |
| Kontrolle | Menschen prüfen Fehler, Sinn und Folgen |
Kreuzworträtsel
| Muster | Wie nennt man eine erkennbare Regelmäßigkeit in Daten? |
| Daten | Woraus bestehen Trainingsbeispiele in verarbeitbarer Form? |
| Merkmal | Wie heißt eine betrachtete Eigenschaft eines Beispiels? |
| Training | Wie heißt die Phase, in der ein Modell aus Beispielen angepasst wird? |
| Fairness | Welcher Begriff steht für möglichst gerechte Behandlung? |
| Prognose | Wie nennt man eine Vorhersage über einen neuen Fall? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Musterjagd: Fotografiere oder zeichne fünf unpersönliche Muster aus Schule, Natur oder Alltag und beschreibe jeweils die Regelmäßigkeit.
- Zahlenmuster: Erfinde drei Zahlenfolgen. Lass eine andere Person die Regel vermuten und erkläre anschließend, ob mehrere Regeln möglich wären.
- Wortdetektiv: Sammle zehn Wörter mit einer gemeinsamen sprachlichen Eigenschaft und formuliere eine Regel, mit der jemand neue passende Wörter erkennen könnte.
- Musterkunst: Gestalte ein Bild mit einer klaren Wiederholung und brich das Muster an genau einer Stelle. Erkläre, wie schnell Menschen die Abweichung finden.
Standard
- Papier-KI: Erfinde zwei Fantasieklassen und mindestens zwölf Trainingskarten mit drei Merkmalen. Tausche den Datensatz und teste, ob andere dieselbe Regel lernen.
- Fehlerforscher: Baue absichtlich einen einseitigen Trainingsdatensatz und zeige an drei Testfällen, welche Fehler dadurch entstehen können.
- Bibliotheksprüfung: Entwickle für die Schulbibliothek ein Verfahren, bei dem eine KI vorsortiert, Menschen aber kritische oder mehrdeutige Fälle prüfen.
- Mediencheck: Nimm eine sachliche KI-Aussage oder einen automatisch erzeugten Text und überprüfe mindestens zwei überprüfbare Behauptungen an unabhängigen, geeigneten Quellen.
Schwer
- Fairness-Test: Entwirf ein Beispiel für eine schulische KI-Entscheidung und untersuche, welche Merkmale sachlich relevant, welche nur bequem und welche unfair wären.
- Datensatz-Redaktion: Entwickle Kriterien für einen ausgewogenen Bilddatensatz zu Pflanzen, Gegenständen oder gezeichneten Symbolen. Begründe, welche Vielfalt enthalten sein muss.
- Erklärvideo: Produziere ein kurzes Erklärvideo mit den Begriffen Training, Test, Merkmal, Fehler und menschliche Kontrolle. Verwende ein selbst erfundenes Beispiel statt eines Markennamens.
- KI-Regelwerk: Formuliere mit Deiner Gruppe sechs Klassenregeln für verantwortlichen KI-Einsatz. Ordnet jede Regel einem Ziel zu: Sicherheit, Transparenz, Fairness, Quellenkritik, Selbstständigkeit oder Datenschutz.
|
|
Lernkontrolle
- Transfer: Neue Daten: Eine KI soll Tierstimmen erkennen, wurde aber fast nur mit Aufnahmen aus ruhigen Räumen trainiert. Erkläre, was bei Aufnahmen im Wald passieren könnte und wie Du den Datensatz verbessern würdest.
- Transfer: Falsches Merkmal: Ein System erkennt Sporttaschen angeblich sehr gut, achtet aber hauptsächlich auf den Hallenboden im Hintergrund. Erkläre, warum die Trainingsleistung trotzdem hoch sein kann und wie Du den Fehler entdecken würdest.
- Transfer: Mehrdeutigkeit: Zwei Gruppen entwickeln aus denselben wenigen Trainingsbeispielen unterschiedliche Regeln. Erkläre, warum beide zunächst plausibel sein können und welche neuen Daten bei der Entscheidung helfen würden.
- Transfer: Fairness: Eine Schule möchte eine KI nutzen, um Förderangebote vorzuschlagen. Entwickle mindestens vier Fragen, die vor dem Einsatz zu Daten, Kriterien, Fehlern und Folgen beantwortet werden müssen.
- Transfer: Quellenkritik: Eine KI behauptet eine überraschende naturwissenschaftliche Tatsache ohne Quelle. Beschreibe Schritt für Schritt, wie Du die Aussage prüfen würdest, bevor Du sie in einem Referat verwendest.
- Transfer: Human Agency: Nenne eine Aufgabe, bei der KI sinnvoll unterstützen kann, und eine Entscheidung, die nicht einfach an ein KI-System abgegeben werden sollte. Begründe den Unterschied.
Reflexion
Vervollständige schriftlich oder im Gespräch:
- Früher dachte ich über KI-Mustererkennung ..., jetzt denke ich ...
- Ein KI-Ergebnis würde ich besonders gründlich prüfen, wenn ...
- Ein Datensatz ist nicht automatisch gut, nur weil ...
- Bei einer Entscheidung über Menschen sollte KI ...
- Meine wichtigste Frage an ein KI-Ergebnis lautet ...
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe aufsagst, sondern Zusammenhänge erklären und auf neue Situationen übertragen kannst.
- Du kannst mit eigenen Worten erklären, was ein Muster in Daten ist.
- Du kannst Training und Test unterscheiden.
- Du kannst an einem Beispiel erklären, wie eine KI neue Fälle klassifiziert oder eine Vorhersage erzeugt.
- Du kannst mindestens zwei Ursachen für KI-Fehler benennen und passende Verbesserungen vorschlagen.
- Du kannst erklären, warum Korrelation nicht automatisch Ursache bedeutet.
- Du kannst eine mögliche Verzerrung oder Unfairness in einem Datensatz erkennen.
- Du kannst begründen, wann menschliche Kontrolle besonders wichtig ist.
- Du kannst eine KI-Aussage mit geeigneten Quellen überprüfen.
- Du kannst deutlich machen, welche Entscheidung Du selbst getroffen hast und wie KI höchstens unterstützt hat.
- Du kannst die Fehlvorstellungen „KI denkt wie ein Mensch“, „viel Daten sind immer gut“ und „sicher klingend bedeutet wahr“ korrigieren.
OERs zum Thema
Der folgende Wikipedia-Artikel vertieft das Thema Mustererkennung.
Zusätzlich eignen sich die Artikel Maschinelles Lernen, Künstliche Intelligenz, Klassifikation und Künstliches neuronales Netz zur Vertiefung.
Die in diesem Kurs eingebundenen Bilder stammen aus Wikimedia Commons. Ihre jeweiligen Dateiseiten enthalten Angaben zu Urheberschaft und freien Lizenzen.
Für Lehrkräfte: Didaktische Hinweise
Der Kurs ist bewusst so angelegt, dass Lernende nicht zuerst ein fertiges KI-Werkzeug bedienen, sondern die grundlegende Idee selbst handelnd nachvollziehen. Dadurch wird verhindert, dass „KI-Kompetenz“ auf das Schreiben von Eingaben für einzelne Produkte reduziert wird.
Die Papier-KI macht drei zentrale Punkte sichtbar: Erstens können aus wenigen Beispielen mehrere Regeln abgeleitet werden. Zweitens hängen Ergebnisse stark von der Auswahl und Beschriftung der Trainingsdaten ab. Drittens entsteht Verantwortung nicht im Modell, sondern bei den Menschen, die Zweck, Daten und Einsatz entscheiden.
Für eine einzelne Unterrichtsstunde können die Abschnitte Aktivierung, Einführung, Papier-KI und Reflexion verwendet werden. Für zwei Stunden empfiehlt sich zusätzlich die Anwendungssituation Schulbibliothek, der Fairness-Teil und eine offene Aufgabe.
Bei digitalen Erweiterungen sollte auf Datenschutz, Altersfreigaben und schulische Vorgaben geachtet werden. Die Kernziele des Kurses lassen sich vollständig ohne Anmeldung bei einem KI-Dienst erreichen.
Verknüpfte Lernbereiche
Fächerübergreifende Bezüge
| Fach | Verbindung zum Thema |
|---|---|
| Informatik | Daten, Merkmale, Modelle, Training, Test und Klassifikation |
| Deutsch | Sprachmuster, Textprüfung, Quellenkritik und begründetes Erklären |
| Mathematik | Zahlenfolgen, Regeln, Wahrscheinlichkeiten und Prüfen von Vermutungen |
| Naturwissenschaften | Beobachtung, Datensammlung, Hypothesen, Messung und Unterschied zwischen Zusammenhang und Ursache |
| Kunst | Muster, Symmetrie, Rhythmus, Variation und bewusstes Brechen von Regeln |
| Ethik | Fairness, Verantwortung, angemessene Kriterien und Folgen von Entscheidungen |
| Medienbildung | Quellenprüfung, Datenschutz, Transparenz und verantwortlicher KI-Einsatz |