Die Druckversion wird nicht mehr unterstützt und kann Darstellungsfehler aufweisen. Bitte aktualisiere deine Browser-Lesezeichen und verwende stattdessen die Standard-Druckfunktion des Browsers.

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

Vorhersagen mit KI verstehen

Einleitung

Vorhersagen mit KI verstehen bedeutet nicht, eine „magische Zukunftsmaschine“ zu verstehen. KI-Systeme erzeugen Vorhersagen, indem sie in Daten statistische Muster finden und diese auf neue Eingaben anwenden. Das kann sehr nützlich sein – etwa für Spamfilter, Wetterdaten, Verkehrsprognosen oder Empfehlungen. Aber eine hohe Wahrscheinlichkeit ist keine Gewissheit, und eine überzeugend klingende Ausgabe ist kein Beweis für menschliches Verstehen.

Dieser Lernkurs richtet sich besonders an die Klasse 7 und ist für etwa 1–2 Unterrichtsstunden (ca. 45–90 Minuten) gedacht. Du lernst das technische Grundprinzip an kleinen Datensätzen kennen, prüfst einfache Vorhersagen selbst, untersuchst Fehler und Verzerrungen, analysierst Medienaussagen über KI und begründest, wann Menschen einer Vorhersage vertrauen dürfen – und wann nicht.

Leitfrage: Wie kann ein Computer aus Beispielen eine Vorhersage für einen neuen Fall berechnen, obwohl er die Welt nicht so versteht wie ein Mensch?

Lernziele

Am Ende kannst Du

Maschinelles Lernen als Lernen statistischer Muster aus Daten erklären und vom menschlichen Verstehen unterscheiden.
Trainingsdaten, Merkmale, Zielwerte, Modell, Testdaten und Vorhersage in einem einfachen Ablauf zuordnen.
Klassifikation und Regression an neuen Beispielen unterscheiden.
eine einfache Vorhersage mit einem kleinen Datensatz nachvollziehen und ihre Unsicherheit begründen.
erklären, warum Testdaten, Datenqualität und Repräsentativität wichtig sind.
eine Genauigkeitsangabe kritisch prüfen und typische Fehlvorstellungen über KI korrigieren.
Bias und mögliche Benachteiligungen erkennen sowie faire Verbesserungen vorschlagen.
Quellen, Medienberichte und KI-Aussagen mit Fragen nach Herkunft, Daten, Methode, Interessen und Folgen untersuchen.
begründen, warum bei wichtigen Entscheidungen menschliche Verantwortung, Transparenz und Widerspruchsmöglichkeiten nötig sind.

Ablauf für 1–2 Unterrichtsstunden

Phase	Zeit	Aktivität	Ziel
Aktivierung und Diagnose	5–10 Min.	Vier Aussagen zu KI-Vorhersagen einschätzen	Vorwissen und Fehlvorstellungen sichtbar machen
Einführung	10–15 Min.	Daten → Training → Modell → Test → Vorhersage	Technisches Grundprinzip verstehen
Mini-Experiment	15–20 Min.	Fahrrad-Datensatz auswerten und neue Fälle schätzen	Mustererkennung praktisch nachvollziehen
Fehler, Bias und Medienanalyse	15–25 Min.	Genauigkeitsfalle, verzerrte Daten und Schlagzeilen prüfen	Quellenkritik, Fairness und Urteilskompetenz
Selbstkontrolle und Transfer	10–20 Min.	Quiz, Lückentext, offene Transferaufgabe	Verständnis sichern und auf neue Fälle übertragen

Aktivierung und Diagnose

Entscheide zunächst bei jeder Aussage: stimmt, stimmt teilweise oder stimmt nicht. Begründe Deine Entscheidung mit einem Satz.

„Wenn eine KI 90 % Sicherheit anzeigt, ist die Aussage zu 90 % wahr.“
„Eine KI-Vorhersage entsteht immer aus Daten oder aus Regeln, die Menschen festgelegt haben.“
„Wenn Trainingsdaten einseitig sind, kann auch die Vorhersage einseitig werden.“
„Eine KI versteht Wörter, Bilder und Situationen genauso wie ein Mensch.“

Diagnose-Hinweis: Die vierte Aussage ist eine typische Fehlvorstellung. Moderne KI kann äußerst leistungsfähige Muster in Sprache, Bildern oder Zahlen verarbeiten. Das technische Verfahren beruht jedoch auf berechneten Repräsentationen, Wahrscheinlichkeiten und gelernten Parametern. Eine menschlich klingende Antwort beweist kein menschliches Erleben, keine Absicht und kein alltagsweltliches Sinnverstehen.

Das Grundprinzip: Aus Beispielen werden Vorhersagen

Beim überwachten Lernen erhält ein System viele Beispiele. Zu jedem Beispiel gehören Merkmale und ein bekannter Zielwert. Während des Trainings werden Modellparameter so verändert, dass die Ausgaben zu den bekannten Zielwerten möglichst gut passen. Danach prüft man das Modell mit Beispielen, die es beim Training nicht gesehen hat. Erst dann lässt sich beurteilen, ob es auch auf neue Fälle sinnvoll verallgemeinert.

Ein einfacher Ablauf lautet:

Daten sammeln: Beispiele müssen zur späteren Anwendung passen.
Merkmale wählen: Welche Informationen darf und soll das Modell verwenden?
Trainieren: Das Modell passt interne Parameter an, um Fehler auf Trainingsbeispielen zu verringern.
Testen: Unbekannte Testdaten zeigen, wie gut das Modell verallgemeinert.
Vorhersagen: Neue Eingaben werden durch das trainierte Modell verarbeitet.
Prüfen: Menschen kontrollieren Fehler, Folgen, Fairness und Einsatzgrenzen.

Merksatz: Ein Modell speichert nicht einfach „die Zukunft“. Es schätzt für einen neuen Fall ein Ergebnis auf Grundlage gelernter statistischer Zusammenhänge.

Drei wichtige Arten von Vorhersagen

Klassifikation bedeutet: Das Modell ordnet einen neuen Fall einer Klasse zu. Ein Spamfilter schätzt zum Beispiel „Spam“ oder „kein Spam“.

Regression bedeutet: Das Modell schätzt eine Zahl, zum Beispiel die Anzahl erwarteter Fahrräder am Schulradständer oder den Energieverbrauch eines Gebäudes.

Wahrscheinlichkeitsverteilung bedeutet: Ein Modell bewertet mehrere mögliche nächste Ausgaben. Bei Sprachmodellen werden für mögliche nächste Token Wahrscheinlichkeiten berechnet. Moderne Sprachmodelle nutzen dafür sehr große neuronale Netze und komplexe Kontexte. Ein kleines Wortzähl-Beispiel im Unterricht ist daher nur ein Modell der Grundidee, nicht eine vollständige Nachbildung eines heutigen Sprachmodells.

Mini-Experiment 1: Vorhersage mit einem kleinen Datensatz

Eine Schule möchte abschätzen, wie viele Fahrräder morgens am Radständer stehen werden, um Platz zu planen. Für sechs vergangene Schultage liegen vereinfachte Daten vor.

Tag	Temperatur	Regen	Fahrräder am Radständer
A	12 °C	nein	60
B	15 °C	nein	75
C	18 °C	nein	90
D	18 °C	ja	42
E	21 °C	nein	105
F	15 °C	ja	30

Wir bauen bewusst ein sehr einfaches Nachbarschaftsmodell: Für einen neuen Tag suchen wir vergangene Tage, die bei Regen und Temperatur möglichst ähnlich sind. Für 17 °C und keinen Regen sind die trockenen Tage mit 15 °C und 18 °C besonders ähnlich. Deren Werte sind 75 und 90 Fahrräder. Der Mittelwert ist 82,5. Das Modell könnte also ungefähr 83 Fahrräder vorhersagen.

Wichtig: Die Zahl 83 ist keine Gewissheit. Vielleicht gibt es eine Klassenfahrt, einen Defekt an der Fahrradstraße oder einen besonderen Aktionstag. Solche Informationen fehlen im Datensatz.

Experimentiere selbst

Schätze mit demselben Verfahren die Zahl für 20 °C und keinen Regen. Notiere, welche Vergleichstage Du auswählst.
Schätze die Zahl für 16 °C und Regen. Begründe, welche Zeilen besonders ähnlich sind.
Ergänze einen erfundenen neuen Trainingstag „19 °C, kein Regen, 20 Fahrräder“. Wie stark verändert dieser ungewöhnliche Wert Deine Schätzung?
Diskutiere, ob „Temperatur“ und „Regen“ genügen. Welche zusätzlichen Merkmale könnten sinnvoll sein, ohne unnötig personenbezogene Daten zu sammeln?

Transferfrage: Ein Mensch kann wissen, dass am Wandertag kaum jemand zur Schule fährt. Das Modell kennt diesen Grund nur dann, wenn eine passende Information als Merkmal vorhanden ist. Daran erkennst Du den Unterschied zwischen statistischer Musterverarbeitung und menschlichem Kontextwissen.

Wie ein Modell „lernt“

Bei vielen Verfahren werden während des Trainings Parameter verändert. Ein Parameter ist eine Zahl im Modell, die beeinflusst, wie stark bestimmte Eingaben die Ausgabe verändern. Ziel ist es, den Vorhersagefehler auf Trainingsdaten zu verkleinern. Bei einem linearen Modell können das zum Beispiel Gewichte einer Rechenformel sein. Bei neuronalen Netzen gibt es sehr viele solcher Gewichte.

Die Kreise und Verbindungen in der Grafik sind keine biologischen Gehirnzellen. Ein künstliches neuronales Netz ist ein mathematisches Rechenmodell. Es verarbeitet Zahlen in Schichten. Der Name wurde durch biologische Nervennetze inspiriert, aber daraus folgt nicht, dass ein solches Modell wie ein menschliches Gehirn denkt oder fühlt.

Training ist nicht gleich Verstehen

Wenn ein Modell aus vielen Beispielen lernt, kann es Muster entdecken, die für Menschen schwer zu sehen sind. Trotzdem gilt:

Ein Modell kann eine richtige Vorhersage machen, ohne den Gegenstand menschlich zu begreifen.
Ein Modell kann sehr sicher wirken und trotzdem falsch liegen.
Ein Modell kann zufällige oder unerwünschte Zusammenhänge lernen.
Ein Modell kann keine Information berücksichtigen, die nicht in geeigneter Form in Eingabe, Daten oder Systemkontext vorkommt.
Verantwortung für den Einsatz bleibt bei Menschen und Institutionen.

Eine hilfreiche Sprachregel lautet deshalb: Sage eher „Das Modell schätzt …“ oder „Das System berechnet …“ als „Die KI weiß …“.

Generalisieren statt Auswendiglernen

Ein gutes Modell soll nicht nur die Trainingsbeispiele perfekt nachmachen. Es soll bei neuen Fällen funktionieren. Wenn ein Modell die Trainingsdaten zu genau auswendig lernt und dabei zufällige Besonderheiten übernimmt, nennt man das Überanpassung.

Gedankenexperiment: Ein Modell erkennt Hunde nur auf Fotos mit grünem Rasen und Katzen nur auf Fotos mit Sofas. Im Training ist es fast perfekt. Bei einem Hund auf einem Sofa versagt es. Dann hat es möglicherweise den Hintergrund statt des Tieres als Abkürzung gelernt. Solche unerwünschten Abkürzungen werden oft als Shortcut Learning beschrieben.

Mini-Experiment 2: Die 90-Prozent-Falle

Ein Spamfilter wird mit 100 Nachrichten getestet. Davon sind 90 normale Nachrichten und 10 Spam-Nachrichten. Das Modell macht etwas völlig Nutzloses: Es sagt bei allen 100 Nachrichten „kein Spam“.

Tatsächlicher Typ	Anzahl	Als Spam erkannt	Als kein Spam erkannt
Normale Nachricht	90	0	90
Spam	10	0	10

Das Modell liegt bei 90 von 100 Nachrichten richtig. Seine Accuracy beträgt also 90 %. Trotzdem findet es keine einzige Spam-Nachricht.

Mathematik-Verbindung: Eine Prozentzahl allein reicht nicht. Du musst fragen, welche Arten von Fehlern vorkommen. Bei manchen Anwendungen ist ein übersehener Fall viel folgenreicher als ein Fehlalarm.

Medienkritik: Wenn eine Überschrift „KI ist zu 90 % genau“ meldet, fehlen wichtige Informationen: Wie groß war der Test? Welche Fälle kamen vor? Waren die Gruppen ausgewogen? Was gilt als richtig? Welche Fehlerarten gab es? Wurde mit unabhängigen Testdaten geprüft?

Bias: Wenn Daten Schieflagen weitertragen

Bias bedeutet im KI-Kontext eine systematische Verzerrung. Sie kann aus vielen Quellen entstehen: aus einseitigen Trainingsdaten, ungeeigneten Merkmalen, problematischen Zieldefinitionen, Messfehlern oder Entscheidungen darüber, welche Fälle überhaupt gesammelt wurden.

Beispiel Schule: Ein Modell soll vorhersagen, welche Lernenden zusätzliche Unterstützung brauchen. Es nutzt unter anderem „Anzahl digital abgegebener Hausaufgaben“. Wer zu Hause zeitweise keinen zuverlässigen Geräte- oder Internetzugang hat, könnte dadurch fälschlich als „wenig engagiert“ erscheinen. Das Problem liegt nicht in einer bösen Absicht des Modells, sondern in der Bedeutung und Auswahl der Daten.

Fairness-Check in fünf Fragen

Wer ist in den Daten vertreten – und wer fehlt?
Welche Merkmale werden benutzt, und sind sie für das Ziel wirklich angemessen?
Welche Fehler treffen welche Personen oder Gruppen besonders stark?
Kann eine betroffene Person eine Entscheidung verstehen und widersprechen?
Wer trägt am Ende Verantwortung?

Bei wichtigen Entscheidungen über Menschen sollte ein Modell nicht einfach allein entscheiden. Transparenz, menschliche Aufsicht, Datenschutz, Fairness und eine Möglichkeit zur Korrektur sind besonders wichtig.

Quellenkritik und Medienanalyse

Stell Dir folgende erfundene Schlagzeile vor:

„Neue KI sagt mit 95 % Genauigkeit voraus, wer später erfolgreich wird.“

Bevor Du sie glaubst oder weiterverbreitest, prüfe:

Quelle: Wer veröffentlicht die Behauptung? Forschungseinrichtung, Unternehmen, Zeitung, Influencer oder Werbeseite?
Begriff: Was bedeutet „Erfolg“ überhaupt, und wer hat diese Definition gewählt?
Daten: Von wem stammen die Daten, aus welchem Zeitraum und aus welchem Land oder Umfeld?
Test: Wurde das Modell an unabhängigen Daten geprüft?
Fehler: Welche falschen Vorhersagen gibt es, und wen treffen sie?
Interessen: Wer profitiert von der Darstellung?
Transparenz: Sind Methode, Grenzen und Unsicherheiten nachvollziehbar?
Folgen: Was passiert, wenn Menschen die Vorhersage wie eine Tatsache behandeln?

Quellenkritik aus Geschichte trifft Datenkritik: Historische Quellen sind nie einfach „die Vergangenheit selbst“. Sie wurden von bestimmten Menschen in bestimmten Situationen erstellt und können Lücken haben. Ähnlich sind Datensätze keine neutrale Kopie der Wirklichkeit. Sie sind ausgewählte, gemessene und kategorisierte Ausschnitte.

Fächerübergreifende Perspektiven

Informatik

Du untersuchst Algorithmen, Trainingsdaten, Modelle, Testdaten, Klassifikation, Regression und neuronale Netze. Entscheidend ist die Trennung zwischen Training und Anwendung: Beim Training werden Parameter angepasst; bei der Anwendung, oft Inferenz genannt, verarbeitet das fertige Modell neue Eingaben.

Mathematik

Mittelwerte, Prozentangaben, Streudiagramme, Abstände und Fehlermaße helfen, Vorhersagen zu verstehen. Die 90-Prozent-Falle zeigt, dass eine Kennzahl ohne Kontext täuschen kann. In höheren Klassen kannst Du daraus Konfusionsmatrizen, Präzision und Trefferquote ableiten.

Deutsch

Bei Sprach-KI lohnt sich eine genaue Wortwahl. „Die KI weiß“ klingt stärker als „das Modell berechnet eine wahrscheinliche Fortsetzung“. Untersuche außerdem, wie Überschriften mit Wörtern wie „beweist“, „weiß“, „sicher“ oder „revolutionär“ Erwartungen erzeugen. Formuliere sachlichere Alternativen.

Geschichte

Vergangene Daten spiegeln historische Bedingungen wider. Wer aus alten Daten die Zukunft ableitet, kann frühere Ungleichheiten oder Auswahlfehler fortschreiben. Quellenkritische Fragen wie „Wer hat diese Information erstellt?“, „Was fehlt?“ und „Für welchen Zweck?“ sind daher auch für Datensätze nützlich.

Kunst

Bei generativer Bild-KI entstehen Bilder aus gelernten visuellen Mustern. Ein realistischer Stil ist kein Beweis dafür, dass das dargestellte Ereignis stattgefunden hat. Prüfe Herkunft, Bildkontext, mögliche Bearbeitung und Nutzungsrechte. Diskutiere außerdem Autorschaft, Stilübernahme und die Bedeutung menschlicher Gestaltung.

Ethik

Frage nicht nur: „Kann das System vorhersagen?“, sondern auch: „Soll es das in dieser Situation?“ Relevante Werte sind Fairness, Privatsphäre, Sicherheit, Selbstbestimmung, Transparenz und menschliche Verantwortung.

Gemeinschaftskunde

Wenn Behörden, Schulen oder Unternehmen algorithmische Systeme einsetzen, entstehen Fragen nach Regeln, Rechenschaft und demokratischer Kontrolle. Wer darf entscheiden? Wer erklärt die Entscheidung? Wie kann man widersprechen? Welche Daten dürfen verwendet werden?

Medienbildung

Eine KI-Ausgabe ist eine Quelle, die geprüft werden muss. Vergleiche Behauptungen mit unabhängigen, verlässlichen Quellen. Achte auf fehlende Belege, erfundene Zitate, künstlich erzeugte Bilder, unsichere Wahrscheinlichkeiten und die Vermischung von Werbung und Information.

Sicher und verantwortlich experimentieren

Verwende für Schulversuche möglichst erfundene, öffentliche oder anonymisierte Daten statt persönlicher Daten aus der Klasse.
Sammle keine sensiblen Angaben, nur weil sie technisch leicht verfügbar sind.
Behandle eine Modellvorhersage als Hinweis, nicht als automatische Entscheidung.
Prüfe wichtige Aussagen mit unabhängigen Quellen.
Dokumentiere, welche Daten und Regeln Dein Experiment verwendet.
Benenne Unsicherheit und mögliche Fehler offen.
Lass Betroffene bei folgenreichen Entscheidungen nicht ohne Erklärung oder Widerspruchsmöglichkeit.

Human Agency bedeutet hier: Du sollst wichtige Ziele, Bewertungen und Entscheidungen nicht blind an ein System abgeben. Menschen müssen entscheiden können, ob, wie und mit welchen Grenzen eine KI-Vorhersage genutzt wird.

Die UNESCO betont bei KI unter anderem Transparenz, Fairness, Nichtdiskriminierung, Medien- und Informationskompetenz sowie menschliche Aufsicht. Diese Grundideen passen zu einem verantwortlichen Umgang mit Vorhersagesystemen.

Typische Fehlvorstellungen korrigieren

Fehlvorstellung	Bessere Erklärung
„KI kennt die Zukunft.“	Ein Modell schätzt neue Fälle aus gelernten Mustern; die Zukunft bleibt unsicher.
„90 % Genauigkeit bedeutet, dass jede einzelne Vorhersage zu 90 % wahr ist.“	Eine Gesamtkennzahl beschreibt Testergebnisse; für einen Einzelfall braucht man weitere Informationen.
„Viele Daten sind automatisch gute Daten.“	Daten können unpassend, veraltet, einseitig, fehlerhaft oder unfair ausgewählt sein.
„Wenn ein Modell im Training perfekt ist, ist es besonders gut.“	Perfektes Training kann Überanpassung bedeuten; entscheidend sind neue Testfälle.
„Wenn ein Text menschlich klingt, versteht das System ihn wie ein Mensch.“	Sprachliche Plausibilität entsteht durch gelernte Muster und Wahrscheinlichkeiten; sie beweist kein menschliches Sinnverstehen.
„Ein Computer ist neutral.“	Systeme übernehmen Ziele, Daten, Messmethoden und Entscheidungen aus ihrer Entwicklung und Nutzung.

Medien und weiterführende Quellen

Die folgenden Medien wurden passend zum Lernziel ausgewählt. Die eingebundenen Wikimedia-Commons-Dateien sind frei nach den jeweils angegebenen Lizenzen nutzbar; der KI-Campus kennzeichnet die verwendeten Videos als CC BY-SA 4.0.

Wikimedia Commons: Machine learning workflow de.svg – Ablauf des maschinellen Lernens, CC BY-SA 4.0/GFDL.
Wikimedia Commons: Artificial neural network.svg – vereinfachtes künstliches neuronales Netz, CC BY-SA 3.0/GFDL.
Wikimedia Commons: Linear regression.svg – Datenpunkte und Regressionsgerade, gemeinfrei.
Wikimedia Commons: Overfitting.svg – Visualisierung von Überanpassung, CC BY-SA/GFDL.
Wikimedia Commons: KI Einordnung.svg – Einordnung von KI-Methoden, CC BY-SA 4.0.
KI-Campus: ML explained – frei lizenziertes Videoangebot zu maschinellem Lernen.
UNESCO: Recommendation on the Ethics of Artificial Intelligence – Grundsätze unter anderem zu Transparenz, Fairness, Medienkompetenz und menschlicher Aufsicht.
Wikipedia: Maschinelles Lernen – Überblick zu Verfahren und Grundbegriffen.
Wikipedia: Algorithmic Bias – Überblick zu systematischen Verzerrungen algorithmischer Systeme.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt eine KI-Vorhersage am besten? (Eine aus gelernten Mustern berechnete Schätzung für einen neuen Fall) (!Eine sichere Information über die Zukunft) (!Eine menschliche Erinnerung des Computers) (!Eine zufällige Antwort ohne Bezug zu Daten)

Wozu dienen Testdaten? (Sie prüfen das Modell an Beispielen, die nicht zum Training verwendet wurden) (!Sie machen jede Vorhersage automatisch richtig) (!Sie ersetzen die Trainingsdaten vollständig) (!Sie zeigen nur, ob der Computer eingeschaltet ist)

Was ist eine Klassifikation? (Die Zuordnung eines Falls zu einer Klasse) (!Die Berechnung ausschließlich einer Temperatur) (!Die Speicherung aller Trainingsdaten als Bild) (!Die Übersetzung eines Textes ohne Modell)

Was bedeutet Regression im maschinellen Lernen? (Die Schätzung eines Zahlenwerts) (!Die sichere Bestimmung der Zukunft) (!Die Aufteilung eines Textes in Absätze) (!Die Löschung fehlerhafter Daten)

Warum kann eine Genauigkeit von 90 Prozent irreführend sein? (Weil verschiedene Fehlerarten und unausgewogene Testdaten verborgen bleiben können) (!Weil Prozentwerte bei Computern nie erlaubt sind) (!Weil 90 Prozent immer dasselbe wie 50 Prozent bedeutet) (!Weil Testdaten grundsätzlich unwichtig sind)

Was ist Überanpassung? (Ein Modell passt sehr gut zu Trainingsdaten, aber schlecht zu neuen Fällen) (!Ein Modell verarbeitet zu wenige Zahlen pro Sekunde) (!Ein Modell wird von mehreren Menschen benutzt) (!Ein Modell hat besonders große Bildschirme)

Was kann Bias in einem KI-System verursachen? (Einseitige Daten oder ungeeignete Merkmale) (!Eine klare Dokumentation der Daten) (!Ein unabhängiger Test mit passenden Fällen) (!Eine begründete menschliche Kontrolle)

Welche Aussage trennt KI-Mustererkennung am besten von menschlichem Verstehen? (Eine plausible Ausgabe beweist kein menschliches Sinnverstehen) (!Ein Modell fühlt automatisch, sobald es Sprache erzeugt) (!Ein Modell kennt immer den Grund für seine Vorhersage) (!Ein Modell besitzt automatisch Alltagserfahrungen)

Welche Frage gehört zur Quellenkritik bei einer KI-Schlagzeile? (Welche Daten, Tests und Interessen stehen hinter der Behauptung) (!Welche Schriftfarbe hat die Überschrift) (!Wie schnell wurde die Seite geöffnet) (!Wie viele Symbole enthält das Logo)

Was ist bei einer folgenreichen KI-Vorhersage über Menschen besonders wichtig? (Menschliche Verantwortung, Transparenz und eine Möglichkeit zur Korrektur) (!Die Vorhersage ohne Prüfung sofort umzusetzen) (!Möglichst viele persönliche Daten zu sammeln) (!Unsicherheit nicht zu erwähnen)

Memory

Trainingsdaten	Beispiele, aus denen ein Modell Muster lernt
Merkmal	Eingabeeigenschaft eines Datenfalls
Zielwert	bekannte gewünschte Ausgabe im Training
Testdaten	zurückgehaltene Beispiele für die Prüfung
Modell	gelernte mathematische Zuordnung von Eingaben zu Ausgaben
Bias	systematische Verzerrung von Ergebnissen
Inferenz	Anwendung des trainierten Modells auf neue Eingaben

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Trainingsdaten	Beispiele mit bekannten Ergebnissen
Training	Parameter werden an Beispielen angepasst
Modell	gelernte mathematische Struktur
Test	Prüfung an unbekannten Beispielen
Vorhersage	Ausgabe für einen neuen Fall

Kreuzworträtsel

Training	Wie heißt die Phase, in der Modellparameter an Beispielen angepasst werden?
Testdaten	Wie heißen zurückgehaltene Beispiele zur unabhängigen Prüfung?
Merkmal	Wie heißt eine Eingabeeigenschaft eines Datenfalls?
Modell	Wie heißt die gelernte mathematische Struktur für Vorhersagen?
Regression	Wie heißt die Vorhersage eines Zahlenwerts?
Bias	Wie heißt eine systematische Verzerrung von Ergebnissen?

LearningApps

Lückentext

Beim überwachten Lernen lernt ein Modell aus

. Eine Eingabeeigenschaft heißt

. Die bekannte gewünschte Ausgabe im Training heißt

. Nach dem Training sollte das Modell mit bisher ungesehenen

geprüft werden. Die Zuordnung eines neuen Falls zu einer Klasse heißt

. Die Schätzung eines Zahlenwerts heißt

. Wenn ein Modell Trainingsbeispiele zu stark auswendig lernt, spricht man von

. Eine systematische Verzerrung kann als

bezeichnet werden. Eine hohe Wahrscheinlichkeit ist keine

. Bei folgenreichen Anwendungen bleibt die

bei Menschen und Institutionen.

Offene Aufgaben

Leicht

KI-Sprache prüfen: Suche in einem kurzen Medienbeitrag drei Formulierungen wie „KI weiß“, „KI entscheidet“ oder „KI versteht“ und schreibe jeweils eine technisch genauere Alternative.
Vorhersage-Comic: Zeichne in sechs Bildern den Weg Daten → Training → Modell → Test → neue Eingabe → Vorhersage und ergänze bei jedem Bild einen Satz.
Mini-Datensatz: Erfinde sechs harmlose Datenzeilen zu einem Schulthema, zum Beispiel Temperatur und Getränkeverkauf, und markiere Merkmale sowie Zielwert.
Fehlerdetektiv: Erkläre an einem eigenen Beispiel, warum eine richtige Vorhersage nicht beweist, dass ein Modell die Situation menschlich verstanden hat.

Standard

Nachbarschaftsmodell: Verwende den Fahrrad-Datensatz für zwei neue Tage, berechne nachvollziehbare Schätzungen und erkläre, welche Information Dein Modell nicht kennt.
Mediencheck KI: Untersuche eine reale Schlagzeile über KI nach Quelle, Datengrundlage, Test, Fehlerarten, Interessen und Folgen. Trenne belegte Aussagen von Vermutungen.
Bias-Audit: Entwirf für ein fiktives Schulmodell eine Checkliste mit mindestens sechs Fragen zu Repräsentativität, Merkmalen, Fehlerfolgen, Datenschutz und Widerspruchsmöglichkeiten.
Interview: Befrage eine Lehrkraft, eine Person aus der IT oder eine andere fachkundige Person dazu, wo Vorhersagesysteme eingesetzt werden. Prüfe anschließend mindestens eine Aussage mit einer zweiten Quelle.

Schwer

Genauigkeit ist nicht genug: Erfinde eine Testtabelle mit mindestens zwei Fehlerarten und zeige rechnerisch, wie eine hohe Gesamtgenauigkeit trotzdem ein schlechtes Modell verbergen kann.
Historische Daten kritisch lesen: Vergleiche einen historischen Quellenbestand mit einem Trainingsdatensatz. Zeige mindestens drei Gemeinsamkeiten bei Auswahl, Lücken, Perspektive und möglicher Verzerrung.
Kunst und KI-Provenienz: Analysiere ein frei verwendbares KI- oder Computergrafikbild. Dokumentiere Quelle, Lizenz, Entstehungskontext und mögliche Fehlinterpretationen als „Beweisfoto“.
Regeln für faire Vorhersagen: Entwerft in einer Gruppe fünf Regeln für den Einsatz eines KI-Vorhersagesystems an einer Schule und begründet jede Regel aus Sicht von Fairness, Transparenz, Datenschutz und Human Agency.

Lernkontrolle

Transfer Klassifikation oder Regression: Eine Stadt möchte gleichzeitig die Zahl der Fahrräder morgen schätzen und entscheiden, ob zusätzliche Abstellplätze geöffnet werden. Ordne beide Teilprobleme einem Vorhersagetyp zu und begründe.
Fehlvorstellung korrigieren: Jemand sagt: „Das Modell hat gestern richtig vorhergesagt, also versteht es den Schulalltag.“ Widerlege die Aussage mit mindestens zwei technischen Argumenten und einem Beispiel.
Datensatz beurteilen: Ein Modell zur Vorhersage von Busverspätungen wurde nur im Sommer trainiert. Beurteile, was im Winter schiefgehen könnte, und plane einen besseren Test.
Fairness-Fall: Ein Lernmodell nutzt die Zahl digitaler Abgaben als Maß für Engagement. Analysiere mindestens zwei mögliche Verzerrungen und schlage eine verantwortungsvollere Nutzung vor.
Medienurteil: Eine Nachricht behauptet „KI erkennt Falschmeldungen mit 92 % Genauigkeit“. Formuliere mindestens fünf Rückfragen, die Du vor einem begründeten Urteil stellen musst.
Modell verbessern: Beim Fahrrad-Beispiel tritt an Sportfesttagen ein großer Fehler auf. Entscheide, ob Du neue Daten, ein neues Merkmal oder eine andere Modellidee brauchst, und begründe die Wahl.

Reflexion und Transfer

Beantworte zum Abschluss drei Sätze schriftlich:

Vor diesem Kurs dachte ich über KI-Vorhersagen …
Jetzt kann ich erklären, dass …
Bei einer neuen KI-Vorhersage werde ich zuerst prüfen …

Transfer auf neue Beispiele: Wenn Du künftig eine Empfehlung, Risikobewertung, automatische Sortierung, Prognose oder generierte Aussage siehst, frage: Welche Daten? Welches Ziel? Welcher Test? Welche Unsicherheit? Welche Folgen? Wer bleibt verantwortlich?

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du

das Schema Daten → Training → Modell → Test → Vorhersage in eigenen Worten erklären kannst.
Merkmale, Zielwert, Trainingsdaten und Testdaten an einem neuen Beispiel korrekt bestimmst.
Klassifikation und Regression unterscheiden und begründen kannst.
eine einfache Vorhersage aus einem kleinen Datensatz nachvollziehbar herleitest.
erklären kannst, warum Testleistung wichtiger ist als perfekte Anpassung an Trainingsdaten.
mindestens eine Genauigkeitsangabe kritisch interpretierst und nach Fehlerarten fragst.
Bias-Ursachen und mögliche Folgen an einem neuen Fall erkennst.
statistische Mustererkennung klar von menschlichem Sinnverstehen unterscheidest.
Quellen und Medienaussagen zu KI mit nachvollziehbaren Kriterien prüfst.
für einen verantwortlichen Einsatz Fairness, Datenschutz, Transparenz, Sicherheit und menschliche Verantwortung begründest.

OERs zum Thema

Verknüpfte Lernbereiche

Vorhersagen mit KI verstehen

aiMOOC-Projekte

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache