KI entzaubern mit Sensordaten - aiMOOC

Einleitung

KI entzaubern mit Sensordaten bedeutet: Du lernst Künstliche Intelligenz nicht als geheimnisvolle Zauberei kennen, sondern als nachvollziehbaren technischen Prozess. In einer Zukunftswerkstatt Schule sammelst Du mit Sensoren reale Daten, bereitest sie auf, trainierst ein einfaches maschinelles Lernmodell, testest die Ergebnisse und reflektierst die Folgen für Datenschutz, Ethik, Medienbildung und Demokratie. So wird sichtbar, dass KI keine magische Instanz ist, sondern ein algorithmisches System, das mit Daten, Regeln, Entscheidungen und menschlicher Verantwortung arbeitet.

{{#ev:youtube| https://www.youtube.com/watch?v=rV7pnt42pt8 |500|center}}

Der aiMOOC verbindet Making, Informatik, Technik, Kreativität, Medienkompetenz und Zukunftskompetenz. Er eignet sich für Schule, Ausbildung, Studium, Projektunterricht, MINT-Lernen und fächerübergreifende Unterrichtsprojekte. Besonders hilfreich ist das Thema, weil Sensordaten aus der unmittelbaren Umgebung stammen: Licht, Temperatur, Bewegung, Lautstärke, Luftfeuchtigkeit oder Beschleunigung können gemessen werden. Dadurch verstehst Du, wie aus Beobachtungen Daten werden, wie Daten Muster enthalten können und warum ein KI-Modell immer kritisch geprüft werden muss.

Was bedeutet KI entzaubern?

Künstliche Intelligenz wird oft mit beeindruckenden Anwendungen verbunden: Chatbots schreiben Texte, Bilderkennungsprogramme sortieren Fotos, Navigationssysteme schlagen Wege vor und Sprachassistenten reagieren auf gesprochene Befehle. Der Begriff wirkt dadurch manchmal übermächtig. Entzaubern heißt nicht, KI kleinzureden. Es heißt, ihre Funktionsweise so zu untersuchen, dass Du Chancen, Grenzen und Risiken einschätzen kannst.

Im Unterricht kann dieses Entzaubern gelingen, wenn Du selbst einen kleinen Datenprozess durchläufst. Du formulierst eine Frage, wählst passende Sensoren, misst Daten, dokumentierst den Kontext, prüfst Messfehler, ordnest Daten mit Labels, trainierst ein Modell und vergleichst Vorhersagen mit der Realität. Dabei erkennst Du: Ein Modell ist kein Wissen an sich, sondern eine berechnete Annäherung. Es kann nützlich sein, aber auch falsch, einseitig oder unpassend.

Zentrale Leitfrage dieses aiMOOCs: Wie kannst Du mit einfachen Sensoren und selbst erhobenen Daten verstehen, wie KI lernt, entscheidet und im Schulalltag verantwortungsvoll eingesetzt werden kann?

Sensoren als Brücke zwischen Welt und Daten

Ein Sensor ist ein technisches Bauteil, das Eigenschaften seiner Umgebung erfasst und in ein weiterverarbeitbares Signal umwandelt. Beispiele sind Temperatursensoren, Lichtsensoren, Beschleunigungssensoren, Mikrofone, Drucksensoren, Feuchtigkeitssensoren oder Abstandssensoren. In der Messtechnik entsteht aus einer physikalischen oder chemischen Größe ein messbarer Wert. Dieser Wert kann gespeichert, visualisiert, verglichen und für ein Lernverfahren genutzt werden.

Damit ein Sensorwert sinnvoll ist, brauchst Du immer Kontext. Ein Helligkeitswert sagt wenig, wenn Du nicht weißt, ob der Sensor am Fenster, unter einer Lampe oder in einer Tasche lag. Ein Lautstärkewert kann Hinweise auf Belastung geben, aber er darf nicht heimlich Gespräche aufzeichnen. Ein Bewegungssensor erkennt Beschleunigung, aber daraus folgt noch nicht automatisch eine eindeutige menschliche Handlung. Genau hier beginnt Datenkompetenz: Du unterscheidest Messwert, Interpretation und Schlussfolgerung.

Typische Sensordaten in Schulprojekten

Temperatur: Du kannst Raumklima, Wärmequellen und Veränderungen über den Tag untersuchen.
Helligkeit: Du kannst Lichtverhältnisse an Lernplätzen, Schatten, Tageslicht oder Bildschirmumgebungen vergleichen.
Lautstärke: Du kannst Geräuschbelastung als Pegelwert erfassen, ohne Gespräche zu speichern.
Bewegung: Du kannst mit Beschleunigungsdaten Muster wie Schütteln, Kippen oder Gehen untersuchen.
Luftfeuchtigkeit: Du kannst Zusammenhänge mit Raumklima, Pflanzen, Wetter oder Lüften betrachten.
Abstand: Du kannst Hinderniserkennung, Robotik oder automatische Steuerungen entwickeln.

Von Sensordaten zum KI-Modell

Ein KI-Modell entsteht nicht dadurch, dass ein Computer plötzlich versteht wie ein Mensch. Bei vielen schulischen Projekten geht es um Maschinelles Lernen. Dabei werden Daten genutzt, um Muster zu erkennen und Vorhersagen oder Zuordnungen zu berechnen. Bei überwachtem Lernen erhält das System Beispiele mit bekannten Ergebnissen. Diese bekannten Ergebnisse heißen Label. Ein Modell kann dann lernen, neue Daten ähnlich einzuordnen.

Ein einfaches Beispiel: Du misst mit einem Beschleunigungssensor Bewegungen. Für einige Messreihen kennzeichnest Du selbst, ob sie zu ruhig liegen, schütteln oder kippen gehören. Danach trainierst Du ein Modell, das neue Messreihen einer dieser Klassen zuordnet. Das Modell kennt aber nicht die Bedeutung von Bewegung wie ein Mensch. Es vergleicht Zahlenmuster. Deshalb muss geprüft werden, ob die Daten vielfältig genug sind, ob Messfehler vorliegen und ob die gewählten Klassen sinnvoll sind.

Datenpipeline im Überblick

Fragestellung: Du formulierst eine untersuchbare Frage, zum Beispiel: Kann ein Sensor erkennen, ob ein Gegenstand geschüttelt oder gekippt wurde?
Datenerhebung: Du misst Werte mit Sensoren und dokumentierst Ort, Zeit, Gerät und Bedingungen.
Datenbereinigung: Du entfernst offensichtliche Fehler, prüfst Ausreißer und vereinheitlichst Formate.
Datenlabel: Du ordnest Beispieldaten passenden Klassen zu und begründest Deine Entscheidung.
Training: Du nutzt die gelabelten Daten, damit ein Modell Muster berechnen kann.
Test: Du prüfst mit neuen Daten, ob das Modell brauchbare Vorhersagen macht.
Evaluation: Du untersuchst Fehler, Verzerrungen, Grenzen und mögliche Verbesserungen.
Reflexion: Du bewertest, ob der Einsatz fair, transparent, sicher und datensparsam ist.

KI, Maschinelles Lernen und Deep Learning einordnen

Künstliche Intelligenz ist ein breites Feld der Informatik. Maschinelles Lernen ist ein Teilbereich davon. Deep Learning ist wiederum ein Teilbereich des maschinellen Lernens, der mit künstlichen neuronalen Netzen arbeitet. Für schulische Sensorprojekte brauchst Du nicht immer komplexe neuronale Netze. Oft reicht ein einfaches Modell, um Grundideen wie Trainingsdaten, Mustererkennung, Überprüfung und Fehleranalyse zu verstehen.

Wichtig ist: Nicht jedes digitale System ist KI. Eine feste Wenn-dann-Regel, zum Beispiel Wenn die Temperatur über 25 Grad liegt, schalte einen Ventilator ein, ist zunächst eine klassische Automatisierung. Ein lernendes System würde dagegen aus vielen Beispielen berechnen, unter welchen Bedingungen Menschen einen Raum als zu warm empfinden. Damit wird aber auch die Verantwortung größer, denn die Qualität der Daten beeinflusst die Qualität der Entscheidung.

Zukunftswerkstatt Schule

Eine Zukunftswerkstatt ist ein kreativer Lernraum, in dem Du Probleme untersuchst, Visionen entwickelst und Prototypen baust. Beim Thema KI entzaubern mit Sensordaten verbindet die Zukunftswerkstatt drei Perspektiven: Erstens verstehst Du Technik praktisch. Zweitens gestaltest Du eigene Lösungen. Drittens bewertest Du gesellschaftliche Folgen.

Drei Phasen einer Zukunftswerkstatt

Kritikphase: Du sammelst Beobachtungen und Probleme, zum Beispiel schlechte Luft, Lärm, unklare Technik oder Angst vor KI.
Fantasiephase: Du entwickelst Zukunftsideen, zum Beispiel lernfreundliche Räume, transparente KI-Assistenten oder datensparsame Sensorstationen.
Umsetzungsphase: Du baust einen Prototyp, erhebst Daten, testest ein Modell und präsentierst die Ergebnisse kritisch.

Zukunftskompetenzen im Projekt

Das Projekt fördert Future Skills, weil Du nicht nur Fakten lernst, sondern komplexe Situationen bearbeitest. Du übst Problemlösen, Kollaboration, Kommunikation, Kreativität, kritisches Denken, Datenkompetenz, Medienkompetenz, technische Bildung, ethisches Urteilen und Selbstwirksamkeit. Du erlebst, dass Zukunft nicht einfach passiert, sondern gestaltet werden kann.

Beispielprojekt: Lernfreundliches Klassenzimmer messen

In einem Projekt kann Deine Lerngruppe untersuchen, welche Bedingungen ein Klassenzimmer lernfreundlich machen. Sensoren messen Temperatur, Helligkeit, Luftfeuchtigkeit und Lautstärkepegel. Zusätzlich können Lernende mit kurzen anonymen Rückmeldungen einschätzen, ob sie sich konzentriert, müde oder gestört fühlen. Daraus entsteht ein Datensatz, der aber sorgfältig geschützt werden muss.

Mögliche Forschungsfrage

Welche Kombination aus Licht, Temperatur und Geräuschpegel passt in unserer Klasse zu einer konzentrierten Arbeitsphase?

Diese Frage ist besser als die Aussage KI erkennt gute Lernräume. Sie ist begrenzter, überprüfbarer und ehrlicher. Ein Modell kann vielleicht Muster zwischen Messwerten und Rückmeldungen finden. Es darf aber nicht behaupten, die Gefühle einzelner Menschen sicher zu kennen. Genau diese Unterscheidung ist zentral für verantwortungsvolle KI-Bildung.

Projektablauf als Unterrichtssequenz

Phase	Ziel	Methode	Lernprodukt
Einstieg	KI als Datenprozess verstehen	Video, Gespräch, Vorwissenssammlung	gemeinsame Begriffskarte
Messplanung	geeignete Sensoren auswählen	Gruppenarbeit, Messprotokoll	Forschungsfrage und Messplan
Datenerhebung	reale Sensordaten sammeln	Stationenlernen, Microcontroller, Tabelle	Rohdatensatz
Datenaufbereitung	Fehler und Kontext prüfen	Tabellenkalkulation, Diagramme	bereinigter Datensatz
Modellbildung	Muster untersuchen	einfache Klassifikation oder Entscheidungsregel	Modellbeschreibung
Test	Modell kritisch prüfen	neue Messdaten, Vergleich, Fehleranalyse	Testbericht
Reflexion	Folgen bewerten	Ethikgespräch, Datenschutzcheck	Handlungsempfehlung
Präsentation	Ergebnisse teilen	Poster, Video, Demo, Galeriegang	Prototyp und Präsentation

Making: Vom Messgerät zum Prototyp

Making bedeutet, dass Du durch Gestalten, Bauen, Ausprobieren und Verbessern lernst. In diesem aiMOOC kann ein Prototyp eine kleine Sensorstation, ein Daten-Dashboard, ein Warnsystem, ein Lernraum-Check oder ein interaktives Ausstellungsobjekt sein. Wichtig ist, dass der Prototyp nicht nur technisch funktioniert, sondern auch erklärbar ist. Andere sollen verstehen, welche Daten gesammelt werden, warum sie gesammelt werden, wie sie verarbeitet werden und wo die Grenzen liegen.

Geeignete Werkzeuge

BBC micro:bit: Geeignet für erste Sensorprojekte, Bewegung, Licht, Tasten, LEDs und einfache Programme.
Arduino: Geeignet für eigene Schaltungen mit vielen externen Sensoren.
Raspberry Pi: Geeignet für umfangreichere Projekte mit Datenspeicherung, Kameras oder Netzwerkfunktionen.
Tabellenkalkulation: Geeignet für Datensichtung, Diagramme, Mittelwerte und einfache Auswertungen.
Programmiersprache: Geeignet für eigene Auswertungen, Visualisierungen und Modelle.
Teachable Machine: Geeignet, um Grundideen des Modelltrainings anschaulich zu erproben.
Scratch: Geeignet, um Daten, Interaktion und kreative Präsentationen zu verbinden.

Datenqualität: Warum gute Daten entscheidend sind

Ein Algorithmus kann aus schlechten Daten keine verlässliche Wahrheit erzeugen. Sensoren können ungenau sein, verrutschen, falsch kalibriert sein oder durch Umgebungseinflüsse gestört werden. Auch die Auswahl der Daten ist entscheidend. Wenn Du nur bei Sonnenschein misst, kann Dein Modell Lichtverhältnisse an Regentagen schlecht einschätzen. Wenn nur eine Gruppe Daten sammelt, fehlen vielleicht andere Nutzungsweisen. Wenn Labels unklar sind, lernt das Modell uneindeutige Muster.

Häufige Datenprobleme

Messfehler: Ein Sensor misst falsch, weil er schlecht angeschlossen, beschädigt oder ungünstig platziert ist.
Ausreißer: Einzelne Werte sind extrem und müssen geprüft werden, bevor sie interpretiert werden.
Bias: Daten sind verzerrt, weil bestimmte Situationen, Gruppen oder Bedingungen fehlen.
Overfitting: Ein Modell passt zu stark zu den Trainingsdaten und funktioniert bei neuen Daten schlecht.
Scheinkorrelation: Zwei Werte treten gemeinsam auf, ohne dass der eine den anderen wirklich verursacht.
Kontextverlust: Zahlen werden ohne Informationen über Ort, Zeit und Situation interpretiert.

Datenschutz und Ethik

Sensordaten können harmlos wirken, aber trotzdem Rückschlüsse auf Menschen ermöglichen. Bewegungsdaten können Aktivität zeigen, Lautstärkedaten können Gruppenverhalten sichtbar machen und Standortdaten können Gewohnheiten verraten. Deshalb gilt: Sammle nur Daten, die für die Frage wirklich nötig sind. Informiere Beteiligte verständlich. Speichere so wenig wie möglich. Lösche Daten, wenn sie nicht mehr benötigt werden. Nutze nach Möglichkeit anonyme oder aggregierte Werte.

Ein besonders wichtiger Punkt ist Datenschutz durch Technikgestaltung. Ein Lautstärkesensor kann zum Beispiel nur Pegelwerte messen, ohne Gespräche aufzuzeichnen. Ein Bewegungsprojekt kann Gegenstände statt Personen untersuchen. Ein Lernraum-Dashboard kann Durchschnittswerte anzeigen, ohne einzelne Lernende zu bewerten. Eine faire Zukunftsschule nutzt Technik nicht zur Überwachung, sondern zur gemeinsamen Gestaltung guter Lernbedingungen.

Ethische Leitfragen

Transparenz: Können alle Beteiligten verstehen, welche Daten gesammelt und verarbeitet werden?
Freiwilligkeit: Gibt es eine faire Möglichkeit, nicht teilzunehmen?
Datensparsamkeit: Werden nur notwendige Daten erhoben?
Fairness: Werden Gruppen oder Personen durch die Dateninterpretation benachteiligt?
Verantwortung: Wer entscheidet, was mit den Ergebnissen geschieht?
Erklärbarkeit: Kann das Modell so erklärt werden, dass Lernende es kritisch prüfen können?

Fehlerkultur: Wenn das Modell falsch liegt

Ein falsches Ergebnis ist im Lernprozess wertvoll. Wenn ein Modell eine Bewegung falsch erkennt oder eine Raumsituation falsch einordnet, kannst Du untersuchen, warum. Vielleicht waren die Trainingsdaten zu ähnlich, die Sensorposition ungünstig oder die Klassen schlecht gewählt. Vielleicht wurde eine menschliche Bewertung zu stark vereinfacht. Fehlerkultur bedeutet, Fehler nicht zu verstecken, sondern systematisch zu nutzen.

In einer guten Präsentation zeigst Du deshalb nicht nur Erfolgsergebnisse. Du erklärst auch Unsicherheiten, Fehlklassifikationen und Grenzen. Das ist wissenschaftlicher und ehrlicher als eine perfekte Demo, die nur unter idealen Bedingungen funktioniert. KI wird dadurch entzaubert, weil sichtbar wird: Modelle sind Werkzeuge, keine unfehlbaren Autoritäten.

Unterrichtsideen für verschiedene Fächer

Das Thema ist fächerübergreifend. In Informatik geht es um Daten, Algorithmen und Modelle. In Physik geht es um Messgrößen, Sensorprinzipien und Messfehler. In Mathematik geht es um Diagramme, Mittelwerte, Streuung, Korrelation und Wahrscheinlichkeiten. In Deutsch oder Politische Bildung können Argumentationen, Präsentationen und ethische Debatten entstehen. In Kunst oder Design können interaktive Installationen, Datenvisualisierungen und Zukunftsszenarien gestaltet werden.

Beispielhafte Projektideen

Schulklima: Entwickle eine Sensorstation für Temperatur, Licht und Luftfeuchtigkeit und leite Empfehlungen für Lernräume ab.
Lärmbelastung: Erstelle eine datensparsame Ampel für Geräuschpegel und diskutiere Grenzen solcher Anzeigen.
Bewegungserkennung: Trainiere ein Modell, das einfache Bewegungen eines Gegenstands unterscheidet.
Pflanzenmonitoring: Miss Feuchtigkeit und Licht für Schulpflanzen und entwickle einen Pflegeplan.
Energieeffizienz: Untersuche Licht- und Temperaturdaten, um energiesparendes Lüften und Beleuchten zu reflektieren.
Barrierefreiheit: Entwickle einen Prototyp, der mit Abstandssensoren Hindernisse erkennt.
Datenkunst: Verwandle Sensordaten in Klänge, Farben oder eine interaktive Ausstellung.
Zukunftsschule: Entwerfe ein faires Datenkonzept für eine Schule, die Technik transparent nutzt.

Begriffe kompakt

Begriff	Bedeutung im Projekt
Sensor	Gerät oder Bauteil, das eine Eigenschaft der Umgebung misst.
Sensordaten	Messwerte, die von Sensoren erzeugt, gespeichert und ausgewertet werden können.
Label	Zuordnung eines Beispiels zu einer bekannten Klasse.
Trainingsdaten	Daten, mit denen ein Modell Muster lernt.
Testdaten	Neue Daten, mit denen geprüft wird, ob ein Modell verlässlich arbeitet.
Modell	Berechnete Struktur, die Eingaben verarbeitet und Ausgaben erzeugt.
Bias	Verzerrung in Daten, Modellen oder Entscheidungen.
Evaluation	Systematische Prüfung von Qualität, Fehlern und Grenzen.
Prototyp	Vorläufiges Modell einer Lösung, das getestet und verbessert wird.
Datenschutz	Schutz personenbezogener Informationen und informationeller Selbstbestimmung.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was bedeutet es, KI mit Sensordaten zu entzaubern? (KI als nachvollziehbaren Datenprozess untersuchen) (!KI als magische Technik bewundern) (!KI ohne Daten verwenden) (!KI nur durch Werbung erklären)

Welche Aufgabe hat ein Sensor? (Eigenschaften der Umgebung erfassen) (!Texte automatisch übersetzen) (!Bilder aus Fantasie erzeugen) (!Prüfungen selbstständig benoten)

Was sind Trainingsdaten? (Daten mit denen ein Modell Muster lernt) (!Daten die nach dem Projekt gelöscht werden müssen) (!Daten ohne Zusammenhang) (!Daten die immer fehlerfrei sind)

Warum sind Labels beim überwachten Lernen wichtig? (Sie ordnen Beispieldaten bekannten Klassen zu) (!Sie verhindern jede Fehlentscheidung) (!Sie ersetzen alle Sensoren) (!Sie löschen Messfehler automatisch)

Warum muss ein KI-Modell getestet werden? (Um seine Leistung mit neuen Daten zu prüfen) (!Damit es nie wieder verändert wird) (!Damit alle Daten geheim bleiben) (!Damit Sensoren keine Werte mehr messen)

Was bedeutet Bias in einem Datensatz? (Eine Verzerrung durch unausgewogene oder einseitige Daten) (!Eine besonders hohe Messgenauigkeit) (!Ein zufälliger Dateiname) (!Ein Kabel zwischen Sensor und Computer)

Welche Aussage zum Datenschutz ist richtig? (Es sollen nur notwendige Daten erhoben werden) (!Alle Daten sollen unbegrenzt gespeichert werden) (!Sensorprojekte brauchen keine Zustimmung) (!Lautstärkeprojekte müssen Gespräche aufnehmen)

Was unterscheidet eine Wenn-dann-Regel von maschinellem Lernen? (Maschinelles Lernen berechnet Muster aus Beispielen) (!Eine Wenn-dann-Regel braucht immer ein neuronales Netz) (!Maschinelles Lernen funktioniert ohne Daten) (!Eine Wenn-dann-Regel ist immer gerechter)

Warum ist Kontext bei Sensordaten wichtig? (Weil Messwerte ohne Situation leicht falsch interpretiert werden) (!Weil Kontext Messwerte unbrauchbar macht) (!Weil Sensoren nur mit Bildern funktionieren) (!Weil KI dann keine Daten mehr braucht)

Was ist ein gutes Ergebnis einer Zukunftswerkstatt? (Ein getesteter Prototyp mit kritischer Reflexion) (!Eine fertige Lösung ohne Fehlerbericht) (!Eine geheime Datensammlung) (!Eine Präsentation ohne Nachfragen)

Memory

Sensor	Messwert
Label	Klasse
Trainingsdaten	Lernen
Testdaten	Prüfung
Bias	Verzerrung
Datenschutz	Datensparsamkeit
Prototyp	Entwurf
Evaluation	Bewertung

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Temperatursensor	Wärme
Lichtsensor	Helligkeit
Beschleunigungssensor	Bewegung
Feuchtigkeitssensor	Luftfeuchtigkeit
Abstandssensor	Distanz

...

Kreuzworträtsel

Sensor	Welches Bauteil misst Eigenschaften der Umgebung?
Daten	Was entsteht aus vielen gespeicherten Messwerten?
Modell	Wie heißt die berechnete Struktur für Vorhersagen?
Training	Wie heißt die Lernphase eines Modells?
Bias	Wie heißt eine Verzerrung in Daten oder Entscheidungen?
Ethik	Welcher Bereich fragt nach verantwortlichem Handeln?
Kalibrierung	Wie heißt das Anpassen eines Messgeräts an bekannte Werte?
Prototyp	Wie heißt ein erster testbarer Entwurf einer Lösung?

LearningApps

Lückentext

Ein Sensor erfasst Eigenschaften der Umgebung und erzeugt daraus

.

Aus vielen Messwerten können strukturierte

entstehen.

Beim überwachten Lernen werden Beispiele mit passenden

versehen.

Ein Modell lernt aus Trainingsdaten bestimmte

.

Neue Testdaten zeigen, ob das Modell gut

.

Messfehler, Ausreißer und Verzerrungen müssen kritisch

werden.

Datenschutz bedeutet, nur notwendige Daten zu

.

Eine Zukunftswerkstatt verbindet Kritik, Fantasie und

.

Ein Prototyp ist ein erster Entwurf, der getestet und

wird.

KI wird entzaubert, wenn ihre Entscheidungen nachvollziehbar

werden.

Offene Aufgaben

Leicht

Sensortagebuch: Beobachte einen Schultag lang, wo überall Sensoren vorkommen könnten. Notiere mindestens fünf Beispiele und erkläre, welche Messgröße jeweils erfasst wird.
Begriffskarte: Erstelle eine Begriffskarte zu Sensor, Daten, Label, Modell, Training, Test und Datenschutz.
Messwertvergleich: Miss mit einem einfachen Gerät oder einer App Helligkeit oder Lautstärke an drei Orten und beschreibe, warum die Werte unterschiedlich sein könnten.
KI-Erklärung: Formuliere für jüngere Lernende eine kurze Erklärung, warum KI nicht zaubert, sondern mit Daten und Regeln arbeitet.

Standard

Messplan: Entwickle eine Forschungsfrage für ein Sensorprojekt im Schulgebäude und plane Messort, Messdauer, Messgröße, Datenschutz und Auswertung.
Datenvisualisierung: Erstelle aus einer Messreihe ein Diagramm und erkläre, welche Muster sichtbar sind und welche Fragen offenbleiben.
Modelltest: Trainiere oder simuliere ein einfaches Klassifikationsmodell und dokumentiere mindestens drei richtige und drei falsche Vorhersagen.
Ethikplakat: Gestalte ein Plakat mit fünf Regeln für faire und datensparsame KI-Projekte in der Schule.

Schwer

Sensorstation: Baue in einer Gruppe eine kleine Sensorstation mit Micro Bit, Arduino oder einem ähnlichen System und dokumentiere Schaltung, Code, Messwerte und Grenzen.
Bias-Analyse: Untersuche einen selbst erhobenen Datensatz auf Verzerrungen und entwickle konkrete Verbesserungen für eine zweite Datenerhebung.
Zukunftsszenario: Entwickle ein positives und ein kritisches Szenario für KI-gestützte Lernräume im Jahr 2035 und vergleiche Chancen, Risiken und Regeln.
Ausstellung: Erstellt eine interaktive Ausstellung zum Thema KI entzaubern, in der Besucherinnen und Besucher Daten messen, ein Modell testen und eine ethische Entscheidung treffen.

type=create break=no preload=CHAT GPT TEXT HIER EINFÜGEN default= width=30 placeholder= Dein MOOC Titel buttonlabel=MOOC erstellen </inputbox>

Lernnachweis

Für den Lernnachweis erstellst Du ein kurzes Portfolio, das nicht nur fertige Ergebnisse zeigt, sondern Deinen Lernweg nachvollziehbar macht. Dein Portfolio enthält eine eigene Forschungsfrage, einen Messplan, einen kleinen Datenausschnitt, eine Visualisierung, eine Modell- oder Regelbeschreibung, eine Fehleranalyse und eine ethische Bewertung. Ergänze außerdem eine Reflexion dazu, was Du über KI, Sensordaten, Datenschutz und verantwortungsvolle Technikgestaltung gelernt hast.

Portfolio: Sammle Messplan, Datenbeispiel, Diagramm, Modellbeschreibung, Testnotizen und Reflexion in einer übersichtlichen Dokumentation.
Präsentation: Stelle Deinen Prototyp oder Dein Datenprojekt so vor, dass andere die Datenerhebung und die Grenzen des Modells verstehen.
Reflexionsbericht: Erkläre, welche Entscheidung im Projekt besonders schwierig war und wie Du sie begründet hast.

Lernkontrolle

Transferaufgabe Sensordaten: Erkläre an einem selbst gewählten Beispiel, wie aus einer realen Beobachtung ein Sensorwert, aus Sensorwerten ein Datensatz und aus dem Datensatz ein Modell entstehen kann.
Entscheidungsbewertung: Eine Schule möchte Lautstärkesensoren in Lernräumen einsetzen. Beurteile, unter welchen Bedingungen das sinnvoll, fair und datenschutzkonform sein kann.
Fehleranalyse: Ein Bewegungsmodell verwechselt häufig kippen und schütteln. Entwickle drei begründete Hypothesen für die Ursache und schlage Verbesserungen vor.
Konzeptvergleich: Vergleiche eine feste Wenn-dann-Regel mit einem lernenden Modell. Erläutere, wann welche Lösung im Schulprojekt sinnvoller wäre.
Datenethik: Entwickle ein Regelwerk für ein Sensorprojekt, das Transparenz, Freiwilligkeit, Datensparsamkeit, Löschfristen und Verantwortlichkeiten berücksichtigt.
Zukunftswerkstatt: Entwirf eine Projektidee für eine Zukunftsschule, in der Sensordaten Lernbedingungen verbessern, ohne Menschen zu überwachen.

OERs zum Thema

Links

KI entzaubern mit Sensordaten

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.