Diesen aiMOOC als Battle spielen: Deutsch, Klasse 5-6, G-Niveau

KI und Klassifikation verstehen

Einleitung

Stell Dir vor, ein Computer soll entscheiden, ob auf einem neuen Bild eher eine handgeschriebene 3 oder eine 8 zu sehen ist. Der Computer sieht dabei nicht so wie ein Mensch. Er hat kein eigenes Alltagswissen darüber, was eine Zahl bedeutet. Stattdessen verarbeitet er Daten und sucht nach Mustern, die in seinen Beispielen häufig mit einer bestimmten Klasse zusammen auftreten.

Genau darum geht es in diesem Lernkurs: Du untersuchst, wie KI bei einer Klassifikation Daten einer vorher festgelegten Klasse zuordnet. Du arbeitest mit kleinen Datensätzen, spielst selbst einen einfachen Klassifikator, testest Fehlerfälle und prüfst, warum gute Trainingsdaten wichtig sind.

Ganz wichtig: Wenn ein KI-System ein Muster erkennt und eine passende Klasse vorhersagt, bedeutet das nicht automatisch, dass es die Sache so versteht wie ein Mensch. Ein statistisches Modell kann sehr gut darin sein, Regelmäßigkeiten in Daten zu nutzen, ohne die Bedeutung, den Zweck oder den Zusammenhang menschlich zu begreifen.

Das Bild zeigt Beispiele handgeschriebener Ziffern aus dem MNIST-Datensatz. Solche Bilddaten werden häufig genutzt, um Klassifikation anschaulich zu untersuchen.

Das Video von SRF Kids erklärt altersgerecht, was Künstliche Intelligenz ist, wie sie lernen kann und welche Chancen und Grenzen damit verbunden sind.

Für wen ist dieser Kurs?

Der Kurs ist besonders für Klasse 5 geeignet und lässt sich in etwa 1–2 Unterrichtsstunden bearbeiten. Du brauchst keine technischen Vorkenntnisse und keine Programmiersprache. Wichtig sind Neugier, genaues Beobachten, Vergleichen und Begründen.

Fächerübergreifend passt der Kurs besonders zu Informatik, Deutsch, Mathematik, Naturwissenschaften, Kunst, Ethik und Medienbildung.

Das kannst Du am Ende

Klassifikation: Du kannst erklären, was Klassifikation bedeutet und Beispiele aus dem Alltag nennen.
Maschinelles Lernen: Du kannst in eigenen Worten beschreiben, wie ein Modell aus markierten Beispielen Muster lernt.
Trainingsdaten: Du kannst erklären, warum Qualität, Vielfalt und passende Beschriftungen wichtig sind.
Testdaten: Du kannst begründen, warum ein Modell mit neuen Beispielen geprüft werden muss.
Mustererkennung: Du kannst statistische Mustererkennung von menschlichem Verstehen unterscheiden.
Fehleranalyse: Du kannst typische Gründe für Fehlklassifikationen erkennen.
Fairness: Du kannst erklären, warum einseitige Daten zu unfairen oder unzuverlässigen Ergebnissen führen können.
Medienkompetenz: Du kannst KI-Ergebnisse kritisch prüfen, statt ihnen automatisch zu vertrauen.

Leitfrage

Wie kann eine KI Dinge in Klassen einordnen, obwohl sie nicht so versteht wie ein Mensch?

Aktivierung und Diagnose: Du bist der Klassifikator

Nimm acht kleine Karten oder Zettel. Zeichne darauf einfache Formen, zum Beispiel Kreise, Dreiecke und Vierecke in verschiedenen Größen, mit oder ohne Punkt in der Mitte.

Eine Person denkt sich heimlich eine Regel für zwei Klassen aus, zum Beispiel:

Klasse A: Formen mit einem Punkt in der Mitte.
Klasse B: Formen ohne Punkt in der Mitte.

Die anderen sehen zunächst nur einige bereits einsortierte Beispiele. Danach erhalten sie neue Karten und versuchen, die verborgene Regel herauszufinden.

Diagnosefragen: Woran hast Du Deine Entscheidung festgemacht? Welche Merkmale waren hilfreich? Hättest Du mit nur einem Beispiel dieselbe Regel erkannt? Was passiert, wenn plötzlich eine ganz neue Form auftaucht?

Diese Aktivität zeigt bereits das Grundproblem der Klassifikation: Aus bekannten Beispielen soll eine Regel entstehen, die auch bei neuen Beispielen möglichst gut funktioniert.

Was bedeutet Klassifikation?

Klassifikation bedeutet, etwas einer von mehreren vorgegebenen Klassen zuzuordnen. Eine Klasse ist hier eine Kategorie, zum Beispiel:

E-Mail: Spam oder kein Spam.
Foto: Katze oder Hund.
Geräusch: Vogelruf A oder Vogelruf B.
Handschrift: Ziffer 0 bis 9.
Schulbibliothek: Sachbuch, Roman oder Comic.

Menschen klassifizieren ebenfalls. Du erkennst etwa einen Hund auch dann als Hund, wenn Du genau dieses Tier noch nie gesehen hast. Dabei nutzt Du Wahrnehmung, Erfahrungen, Sprache, Begriffe und Weltwissen.

Ein maschineller Klassifikator arbeitet anders. Er verarbeitet messbare Informationen aus Daten und nutzt ein gelerntes mathematisches Modell, um eine Klasse vorherzusagen.

Ein einfaches Modell des Lernens

Beim überwachten Lernen bekommt ein Lernverfahren Beispiele, bei denen die richtige Klasse bereits bekannt ist. Solche Klassenangaben nennt man oft Labels.

Schritt	Was passiert?	Beispiel
1. Daten sammeln	Es werden passende Beispiele gesammelt.	Viele Bilder handgeschriebener Ziffern.
2. Labels vergeben	Menschen oder bereits vorhandene Informationen ordnen den Beispielen die richtige Klasse zu.	Dieses Bild zeigt eine 3.
3. Trainieren	Ein Lernalgorithmus passt ein Modell so an, dass es Muster zwischen Eingaben und Labels nutzen kann.	Bestimmte Pixelmuster treten häufig bei einer 3 auf.
4. Testen	Das Modell erhält neue Beispiele, die es beim Training nicht benutzt hat.	Eine neue handgeschriebene Ziffer.
5. Vorhersagen	Das Modell gibt eine vermutete Klasse aus.	Vorhersage: 3.

Das Schaubild zeigt ein Modell des überwachten Lernens. Entscheidend ist die Trennung zwischen der Lernphase und der späteren Anwendung auf neue Eingaben.

Mini-Datensatz: Welche Klasse passt?

Betrachte diesen erfundenen Datensatz. Die Aufgabe lautet: Ein Modell soll Formen in Klasse A oder Klasse B einordnen.

Beispiel	Form	Punkt in der Mitte	Größe	Label
1	Kreis	ja	klein	A
2	Dreieck	ja	groß	A
3	Viereck	nein	klein	B
4	Kreis	nein	groß	B
5	Viereck	ja	groß	A
6	Dreieck	nein	klein	B

Welche Eigenschaft scheint hier besonders wichtig zu sein? Die Form? Die Größe? Oder der Punkt?

In diesem kleinen Datensatz lautet ein sehr einfaches Muster: Punkt vorhanden → A, kein Punkt → B.

Ein Lernverfahren soll solche Zusammenhänge aus Beispielen ableiten. In echten Aufgaben sind Datensätze meist viel größer und Muster komplizierter.

Experiment 1: Training und Test trennen

Bildet Gruppen mit drei Rollen:

Daten-Team: Erstellt zwölf Karten mit Formen und legt für jede Karte ein Label fest.
Modell-Team: Darf zunächst nur acht Karten sehen und versucht, eine Regel zu formulieren.
Test-Team: Behält vier Karten zurück und zeigt sie erst nach dem Training.

Das Modell-Team ordnet anschließend die vier unbekannten Testkarten ein. Zählt danach:

Wie viele Testkarten wurden richtig klassifiziert?
Bei welchen Karten gab es Fehler?
War die Regel zu einfach?
Waren die Trainingsbeispiele zu ähnlich?
Gab es im Test Merkmale, die im Training kaum vorkamen?

Merksatz: Wenn ein Modell nur an Beispielen geprüft wird, die es schon aus dem Training kennt, sagt das wenig darüber aus, wie gut es mit wirklich neuen Daten umgehen kann.

Warum Testdaten wichtig sind

Ein Modell kann Trainingsbeispiele sehr gut nachbilden und trotzdem bei neuen Beispielen scheitern. Deshalb teilt man Daten häufig in verschiedene Bereiche. Für diesen Kurs reichen zwei Begriffe:

Trainingsdaten: Beispiele, aus denen das Modell lernt.
Testdaten: Neue Beispiele, mit denen geprüft wird, ob das Gelernte auch außerhalb des Trainings funktioniert.

In größeren Projekten gibt es zusätzlich oft Validierungsdaten. Für die Grundidee genügt: Lernen und Prüfen sollten nicht mit denselben Beispielen verwechselt werden.

Was erkennt die Maschine eigentlich?

Ein Computer verarbeitet Daten als Zahlen. Ein Bild besteht beispielsweise aus vielen Bildpunkten, deren Helligkeits- oder Farbwerte als Zahlen dargestellt werden können. Ein Text kann in Zahlenfolgen umgewandelt werden. Auch Töne lassen sich als Messwerte darstellen.

Ein Klassifikationsmodell sucht dann nach Regelmäßigkeiten in solchen Zahlenmustern.

Das Bild zeigt ein allgemeines Mustererkennungssystem. Für Klasse 5 reicht die vereinfachte Vorstellung:

Eingabe → messbare Merkmale → gelerntes Modell → vorhergesagte Klasse

Ein Blick auf neuronale Netze

Manche Klassifikatoren verwenden künstliche neuronale Netze. Sie sind nur eine mögliche Modellart. Klassifikation kann auch mit anderen mathematischen Verfahren gelöst werden.

Bei einem neuronalen Netz werden viele einfache Rechenschritte miteinander verbunden. Während des Trainings werden Zahlenwerte im Modell angepasst. Dadurch kann das Netz lernen, bestimmte Eingabemuster stärker mit bestimmten Ausgaben zu verbinden.

Für diesen Kurs musst Du keine Formeln kennen. Wichtig ist: Auch ein neuronales Netz verarbeitet Zahlen und erlernte Zusammenhänge. Es besitzt dadurch nicht automatisch menschliches Wissen oder Bewusstsein.

Dieses vereinfachte Bild zeigt anschaulich, wie bestimmte sichtbare Merkmale mit möglichen Objektklassen verknüpft werden können.

Mustererkennung ist nicht menschliches Verstehen

Der Unterschied ist besonders wichtig:

Menschliches Verstehen	Statistische Mustererkennung eines Modells
Kann Bedeutungen mit Erfahrungen und Weltwissen verbinden.	Nutzt mathematisch gelernte Zusammenhänge in Daten.
Kann oft erklären, warum eine Situation ungewöhnlich ist.	Kann bei ungewohnten Daten überraschend falsch liegen.
Kann Ziele, Absichten und soziale Folgen berücksichtigen.	Hat keine eigenen Absichten oder menschlichen Bedürfnisse.
Kann neue Informationen bewusst in einen größeren Zusammenhang einordnen.	Verarbeitet Eingaben entsprechend seiner Architektur und seines Trainings.

Ein Modell, das Katzenbilder gut klassifiziert, weiß deshalb nicht automatisch, was es bedeutet, ein Haustier zu haben, wie sich Fell anfühlt oder warum ein Tier Schutz braucht.

Experiment 2: Der Hintergrund-Trick

Stell Dir einen Trainingsdatensatz vor:

Alle Bilder von Katzen wurden auf einem roten Hintergrund fotografiert.
Alle Bilder von Hunden wurden auf einem blauen Hintergrund fotografiert.

Ein Modell könnte lernen, dass rot stark mit Katze und blau stark mit Hund zusammenhängt. Dann zeigt man ihm eine Katze vor blauem Hintergrund.

Frage: Was könnte passieren?

Das Modell könnte die Katze falsch als Hund klassifizieren, obwohl ein Mensch die Tierart leicht erkennt. Es hat womöglich ein Abkürzungsmuster gelernt, das im Training gut funktionierte, aber nicht die gewünschte Eigenschaft beschreibt.

Das zeigt: Gute Ergebnisse im Training beweisen nicht, dass ein Modell „das Richtige verstanden“ hat.

Datenqualität: Was macht Trainingsdaten gut?

Gute Trainingsdaten sollten zur Aufgabe passen. Besonders wichtig sind:

Richtigkeit: Labels sollten möglichst korrekt sein.
Vielfalt: Relevante Varianten sollten vorkommen.
Ausgewogenheit: Wichtige Gruppen sollten nicht unbegründet fehlen.
Passung: Die Daten müssen wirklich zur späteren Anwendung passen.
Datenschutz: Persönliche Daten dürfen nicht einfach beliebig gesammelt oder weitergegeben werden.
Dokumentation: Es sollte nachvollziehbar sein, woher Daten stammen und wofür sie gedacht sind.

Fairness: Wenn Daten nicht alle gut abbilden

Stell Dir vor, ein System soll Handschriften klassifizieren, wurde aber fast nur mit einer sehr ähnlichen Schreibweise trainiert. Bei stark unterschiedlichen Handschriften kann es schlechter funktionieren.

Oder ein Bilderkennungsmodell wurde in einer bestimmten Umgebung trainiert und wird später unter ganz anderen Lichtbedingungen eingesetzt. Dann kann seine Fehlerquote steigen.

Fairness bedeutet nicht nur, dass alle dieselbe Regel bekommen. Entscheidend ist auch, ob Daten und System in der Praxis für verschiedene betroffene Gruppen zuverlässig und angemessen funktionieren.

In wichtigen Bereichen darf eine Klassifikation deshalb nicht gedankenlos übernommen werden. Menschen müssen prüfen können:

Welche Daten wurden verwendet?
Welche Fehler treten auf?
Wer könnte benachteiligt werden?
Welche Folgen hat eine falsche Entscheidung?
Kann ein Mensch widersprechen oder korrigieren?

Realistische Anwendung: Müllsortierung an der Schule

Eine Schule möchte untersuchen, ob ein Bildklassifikator dabei helfen könnte, Gegenstände auf Fotos nach den örtlichen Regeln der Mülltrennung zu sortieren.

Das ist eine realistische KI-Idee, aber keine einfache Aufgabe.

Mögliche Klassen könnten je nach örtlichem System zum Beispiel Papier, Bioabfall, Verpackung oder Restmüll sein. Welche Klasse richtig ist, hängt jedoch von den regionalen Regeln und vom Material ab. Ein Joghurtbecher kann anders behandelt werden als ein Keramikbecher. Ein beschichteter Gegenstand kann schwieriger sein als normales Papier.

Arbeitsauftrag zur Anwendung

Erstellt zunächst keine echte KI, sondern plant das System auf Papier.

Sammelt 12 ungefährliche Alltagsgegenstände oder nutzt selbst gezeichnete Karten.
Legt die Klassen nach den Regeln Eurer Schule oder Kommune fest.
Notiert zu jedem Beispiel das richtige Label.
Haltet vier Beispiele als Testdaten zurück.
Überlegt, welche sichtbaren Merkmale ein Modell nutzen könnte.
Sucht mindestens drei schwierige Fälle.
Diskutiert, welche Fehler harmlos und welche problematisch wären.
Entscheidet, an welcher Stelle ein Mensch die Entscheidung prüfen sollte.

Human Agency: Die Maschine darf ein Werkzeug sein. Menschen bestimmen Aufgabe, Daten, Regeln, Einsatzbereich und Umgang mit Fehlern.

Experiment 3: Wie verändert ein Datensatz die Vorhersage?

Nehmt wieder Formenkarten. Erstellt zwei Trainingsdatensätze:

Datensatz 1: Fast alle Kreise gehören zu Klasse A und fast alle Dreiecke zu Klasse B.

Datensatz 2: Form und Klasse sind gemischt, aber alle Karten mit Punkt gehören zu A.

Gebt beide Datensätze nacheinander einer anderen Gruppe. Diese soll jeweils eine Regel ableiten.

Vergleicht:

Welche Regel wurde nach Datensatz 1 vermutet?
Welche Regel wurde nach Datensatz 2 vermutet?
Welche Information war tatsächlich zuverlässig?
Was zeigt das über den Einfluss von Trainingsdaten?

Das Experiment macht sichtbar: Das Modell „entdeckt“ nicht automatisch eine wahre Bedeutung. Es passt sich an die Muster an, die in seinen Daten erkennbar sind.

Unsicherheit und Fehler

Viele KI-Systeme liefern nicht einfach nur eine Klasse, sondern intern Werte, die ausdrücken, wie stark verschiedene Ausgaben unterstützt werden. Solche Werte werden je nach Modell unterschiedlich berechnet. Sie sind nicht automatisch eine Garantie dafür, dass die Antwort richtig ist.

Ein Modell kann:

sehr sicher wirken und trotzdem falsch sein,
bei einem ungewohnten Beispiel unsicher sein,
auf Bildhintergründe statt auf das eigentliche Objekt reagieren,
durch schlechte oder einseitige Trainingsdaten systematisch Fehler machen.

Darum gilt: Hohe Sicherheit ist nicht dasselbe wie Wahrheit.

Kleine Mathematik: Treffer zählen

Wenn ein Modell 10 neue Testbeispiele klassifiziert und 8 davon richtig sind, kann man sagen:

8 von 10 Testbeispielen wurden richtig klassifiziert.

Das entspricht 80 Prozent.

Aber eine einzige Prozentzahl erzählt nicht die ganze Geschichte. Ein Modell kann in einer Klasse sehr gut und in einer anderen schlecht sein. Deshalb sollte man Fehler genauer ansehen.

Beispiel:

Tatsächlich	Vorhersage	Ergebnis
Katze	Katze	richtig
Hund	Katze	falsch
Hund	Hund	richtig
Katze	Hund	falsch

Mathematik-Frage: Welche Klasse wird hier häufiger verwechselt? Reicht der kleine Datensatz aus, um eine allgemeine Aussage zu machen?

Deutsch: Sprache und Begriffe genau verwenden

Im Alltag sagen Menschen oft: „Die KI weiß, dass das eine Katze ist.“ Technisch ist diese Formulierung leicht missverständlich.

Präziser wäre:

„Das Modell ordnet das Bild aufgrund gelernter Muster der Klasse Katze zu.“

Untersuche folgende Aussagen:

„Die KI versteht das Bild.“
„Das Modell erkennt statistische Muster im Bild.“
„Die KI weiß genau, warum die Katze traurig ist.“
„Das System gibt für das Bild eine bestimmte Klasse aus.“

Formuliere ungenaue Aussagen so um, dass deutlich wird, was ein Klassifikationsmodell tatsächlich tut.

Naturwissenschaften: Klassifizieren Menschen anders?

Auch in den Naturwissenschaften werden Lebewesen, Stoffe oder Gesteine klassifiziert. Dabei dienen Merkmale dazu, Gruppen zu unterscheiden.

Der wichtige Unterschied: Wissenschaftliche Klassifikationen beruhen nicht nur auf statistischer Ähnlichkeit, sondern auf begründeten Fachbegriffen, Messungen, Modellen und überprüfbarem Wissen.

Vergleiche:

Biologie: Ein Mensch untersucht Merkmale, Abstammung und wissenschaftliche Begriffe.

Bildklassifikator: Ein Modell ordnet ein Bild anhand gelernter Datenmuster einer Ausgabeklasse zu.

Kunst: Welche Merkmale machen ein Bild erkennbar?

Zeichne dasselbe Objekt drei Mal:

als sehr einfache Strichzeichnung,
mit ungewöhnlichen Farben,
teilweise verdeckt.

Tauscht die Bilder. Welche Merkmale reichen Menschen, um das Objekt noch zu erkennen?

Danach überlegt: Ein trainiertes Modell könnte bei solchen Veränderungen anders reagieren. Welche Varianten müssten in Trainingsdaten vorkommen, damit ein Bildklassifikator robuster wird?

Ethik und Medienbildung: Wer trägt Verantwortung?

Eine KI-Klassifikation kann in manchen Bereichen nur eine kleine Hilfe sein. In anderen Bereichen kann eine falsche Zuordnung große Folgen haben.

Diskutiert diese drei Fälle:

Ein Filter sortiert Urlaubsfotos nach Motiven.
Ein Lernprogramm erkennt handgeschriebene Ziffern.
Ein System soll Menschen für eine wichtige Entscheidung in Risikogruppen einteilen.

Je größer die möglichen Folgen, desto wichtiger werden Transparenz, sorgfältige Prüfung, Datenschutz, Fairness und menschliche Verantwortung.

Grundregel: Eine automatische Vorhersage ist keine automatische Wahrheit.

Videoimpuls: KI im Alltag

Achte beim Video besonders auf die Frage: Wo arbeitet KI mit Mustern aus Daten, und wo würden Menschen zusätzlich Bedeutung, Absicht oder Alltagserfahrung einbringen?

Unterrichtsplan für 1–2 Stunden

Phase	Zeit	Aktivität	Ziel
Aktivierung	5–10 Minuten	Formen klassifizieren und geheime Regel erraten	Vorwissen sichtbar machen
Einführung	10 Minuten	Klassifikation, Label, Training und Test erklären	Grundbegriffe verstehen
Experiment	15–20 Minuten	Karten-Datensatz mit Trainings- und Testdaten	Lernen aus Beispielen erfahren
Visualisierung	10 Minuten	Bilder zu Mustererkennung und Datensätzen untersuchen	Technisches Prinzip sichern
Anwendung	15–20 Minuten	Müllsortierungs-Szenario planen	Transfer und Human Agency
Reflexion	10 Minuten	Mustererkennung versus Verstehen, Fairness und Fehler	Fehlvorstellungen korrigieren
Selbstkontrolle	10–15 Minuten	Interaktive Aufgaben	Lernstand prüfen

Für eine einzelne 45-Minuten-Stunde können Aktivierung, Einführung, Experiment und kurze Reflexion kombiniert werden. Für 90 Minuten empfiehlt sich zusätzlich die Anwendungssituation mit Fairness- und Transferdiskussion.

Typische Fehlvorstellungen

Fehlvorstellung	Korrektur
„Die KI versteht jedes Bild wie ein Mensch.“	Ein Klassifikationsmodell verarbeitet Datenmuster. Menschliches Verstehen umfasst zusätzlich Bedeutung, Erfahrungen, Ziele und Kontext.
„Viele Trainingsdaten machen ein Modell automatisch fair.“	Entscheidend sind auch Auswahl, Qualität, Repräsentation und Einsatzkontext der Daten.
„Wenn das Modell im Training fast alles richtig hat, ist es gut.“	Es muss mit neuen Testdaten geprüft werden.
„Ein hoher Ausgabewert bedeutet, dass die Antwort sicher wahr ist.“	Modellwerte sind keine Wahrheitsgarantie.
„Die KI entscheidet allein.“	Menschen legen Aufgabe, Daten, Klassen, Einsatz und Regeln für den Umgang mit Ergebnissen fest.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Ein Modell ordnet neue Tierbilder nach vorher gelernten Beispielen den Klassen Katze oder Hund zu. Was ist das? (Klassifikation) (!Textübersetzung) (!Dateikomprimierung) (!Zufallszahlenerzeugung)

Warum sollte ein Modell mit neuen Testdaten geprüft werden? (Damit man sieht, ob es auch bei unbekannten Beispielen funktioniert) (!Damit das Modell nur bekannte Beispiele wiederholt) (!Damit alle Testdaten Teil des Trainings werden) (!Damit keine Fehler mehr möglich sind)

Alle Katzenbilder im Training haben roten Hintergrund. Was ist ein mögliches Problem? (Das Modell könnte den Hintergrund statt der Tierart als wichtiges Muster nutzen) (!Das Modell kann Farben grundsätzlich nicht verarbeiten) (!Das Modell versteht dadurch automatisch den Begriff Katze) (!Die Testdaten werden dadurch immer fehlerfrei)

Welche Aussage trennt Mustererkennung am besten von menschlichem Verstehen? (Ein Modell kann Datenmuster nutzen, ohne die Bedeutung menschlich zu verstehen) (!Ein Modell besitzt automatisch Alltagserfahrung) (!Ein Modell hat dieselben Absichten wie ein Mensch) (!Ein Modell versteht jede Ursache hinter seinen Daten)

Was ist ein Label beim überwachten Lernen? (Die vorgegebene richtige Klasse eines Trainingsbeispiels) (!Ein Kabel zwischen zwei Computern) (!Eine zufällige Farbe im Bild) (!Ein Passwort für das Modell)

Ein Handschriftmodell wurde fast nur mit sehr ähnlichen Schreibweisen trainiert. Was wäre sinnvoll? (Weitere vielfältige und passende Handschriften in die Daten aufnehmen) (!Alle Testdaten löschen) (!Nur noch dieselbe Handschrift verwenden) (!Jede Vorhersage ungeprüft übernehmen)

Welche Handlung stärkt menschliche Verantwortung bei einer wichtigen KI-Klassifikation? (Ergebnis prüfen und eine Korrekturmöglichkeit vorsehen) (!Jede Vorhersage automatisch als endgültig behandeln) (!Die Herkunft der Daten geheim halten) (!Fehler nicht dokumentieren)

Ein Modell erreicht bei 10 neuen Testfällen 8 richtige Ergebnisse. Welche Aussage ist angemessen? (8 von 10 Testfällen wurden richtig klassifiziert) (!Das Modell ist in jeder Situation zu 100 Prozent zuverlässig) (!Das Modell versteht alle 10 Fälle) (!Es kann künftig keinen Fehler mehr machen)

Warum können klare Klassen in der echten Welt schwierig sein? (Grenzfälle und unterschiedliche Regeln können die Zuordnung erschweren) (!Jedes Objekt gehört immer offensichtlich genau einer Klasse an) (!Menschen benötigen nie Kontext) (!Daten enthalten nie Mehrdeutigkeiten)

Was wäre ein gutes Zeichen für verantwortlichen KI-Einsatz in der Schule? (Du prüfst Datenquellen, Ergebnisse und mögliche Fehler selbst) (!Du gibst jede Entscheidung an ein Modell ab) (!Du glaubst jeder Ausgabe ohne Prüfung) (!Du verwendest persönliche Daten ohne Zustimmung)

Memory

Trainingsdaten	Beispiele zum Lernen eines Modells
Testdaten	Neue Beispiele zur Überprüfung
Label	Vorgegebene Klassenangabe
Klassifikator	Modell zur Zuordnung zu Klassen
Merkmal	Messbare Eigenschaft eines Beispiels
Fairness	Prüfung möglicher Benachteiligungen
Mustererkennung	Finden statistischer Regelmäßigkeiten in Daten

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Trainieren	Aus Beispielen Muster für ein Modell ableiten
Testen	Das Modell mit unbekannten Beispielen prüfen
Label	Vorgegebene Zielklasse eines Beispiels
Merkmal	Beobachtbare oder messbare Eigenschaft
Fehlklassifikation	Falsche Zuordnung zu einer Klasse
Human Agency	Menschen behalten Ziele, Entscheidungen und Kontrolle

Kreuzworträtsel

Training	Wie heißt die Lernphase eines Modells?
Testdaten	Wie nennt man zurückgehaltene Beispiele zur Prüfung?
Merkmal	Wie heißt eine messbare Eigenschaft eines Beispiels?
Klasse	Wohin ordnet ein Klassifikator ein Beispiel ein?
Muster	Was sucht ein Modell in vielen Daten?
Fairness	Welcher Begriff bezeichnet die Prüfung auf gerechte Behandlung?

LearningApps

Lückentext

Bei einer Klassifikation wird ein Beispiel einer

zugeordnet.

Beim überwachten Lernen enthalten Trainingsbeispiele ein bekanntes

.

Aus den Trainingsdaten lernt das Modell statistische

.

Mit unbekannten Beispielen aus den

wird die Leistung überprüft.

Ein Modell kann richtige Vorhersagen machen, ohne menschliches

zu besitzen.

Einseitige Daten können zu systematischen

führen.

Bei wichtigen Anwendungen müssen Menschen Ergebnisse kritisch

.

Eine automatische Vorhersage ist keine Garantie für

.

Selbstkontrolle: Kannst Du die Idee erklären?

Beantworte ohne nachzuschlagen:

Erkläre in drei Sätzen den Weg von Trainingsdaten zu einer Vorhersage.
Erfinde ein eigenes Beispiel mit mindestens zwei Klassen.
Nenne einen Grund, warum ein Modell bei neuen Daten scheitern kann.
Erkläre den Unterschied zwischen „ein Muster passt“ und „ich verstehe, was es bedeutet“.
Nenne eine Stelle, an der Menschen Verantwortung behalten müssen.

Wenn Du diese fünf Punkte an einem neuen Beispiel erklären kannst, hast Du die Grundidee verstanden.

Reflexion

Vervollständige drei Sätze:

Vor diesem Kurs dachte ich über KI-Klassifikation ...
Jetzt kann ich besser erklären, dass ...
Bei einer KI-Entscheidung würde ich künftig prüfen ...

Tauscht Euch zu zweit aus. Sucht eine Aussage, bei der Ihr unterschiedlich denkt, und begründet Eure Sicht.

Transfer: Neues Beispiel untersuchen

Ein System soll Fotos von Blättern drei Baumarten zuordnen.

Analysiere die Idee mit diesen Fragen:

Welche Klassen gibt es?
Welche Trainingsdaten wären nötig?
Welche Varianten sollten enthalten sein?
Welche Testdaten wären sinnvoll?
Welche Störfaktoren könnten auftreten?
Welche Fehler wären denkbar?
Versteht das Modell dadurch Biologie?
Wie könnte ein Mensch die Vorhersage überprüfen?

Übertrage dieselben Fragen danach auf ein anderes Thema Deiner Wahl.

Offene Aufgaben

Leicht

Klassifikationskarten: Gestalte zehn Karten mit Formen und zwei Klassen. Lass eine andere Person Deine Regel aus Trainingsbeispielen erschließen.
KI-Sprache prüfen: Sammle fünf Sätze über KI aus Deinem Alltag und formuliere sie so um, dass zwischen Vorhersage und menschlichem Verstehen klar unterschieden wird.
Merkmale entdecken: Wähle drei Alltagsgegenstände und notiere jeweils fünf sichtbare Merkmale, die ein Bildklassifikator möglicherweise nutzen könnte.
Fehlerfälle zeichnen: Zeichne vier Bilder, die für einen einfachen Klassifikator schwierig sein könnten, zum Beispiel verdeckt, unscharf oder ungewöhnlich gefärbt.

Standard

Mini-Datensatz: Erstelle einen Datensatz mit mindestens zwölf Beispielen, zwei Klassen und mindestens drei Merkmalen. Begründe, welche Beispiele Du als Testdaten zurückhältst.
Bias-Experiment: Entwirf absichtlich einen einseitigen Trainingsdatensatz und zeige mit Testkarten, welche falsche Abkürzungsregel daraus entstehen könnte.
Müllsortierungs-Projekt: Untersuche die örtlichen Regeln zur Mülltrennung und plane, welche Daten ein Bildklassifikator für die Schule benötigen würde.
Erklärplakat: Gestalte ein Plakat mit dem Ablauf Daten → Labels → Training → Modell → Test → Vorhersage und ergänze an jeder Stelle eine mögliche Fehlerquelle.

Schwer

Fairness-Audit: Erfinde eine Klassifikationsanwendung und prüfe systematisch, welche Personen oder Situationen in den Trainingsdaten fehlen könnten.
Testplan: Plane für einen Bildklassifikator mindestens acht Testfälle, darunter normale Fälle, Grenzfälle und bewusst ungewöhnliche Beispiele.
Mensch und Modell: Führe ein kleines Experiment durch, bei dem Menschen und ein einfacher regelbasierter Klassifikator dieselben Karten einordnen. Vergleiche nicht nur Treffer, sondern auch Begründungen.
Medienanalyse KI: Suche einen seriösen Beitrag über KI-Klassifikation, prüfe Quelle, Beispiele, Sprache und mögliche Übertreibungen und präsentiere Deine Bewertung.

Lernkontrolle

Transfer Klassifikation: Eine Schule möchte Fotos von Fundsachen automatisch in Kleidung, Schreibwaren und Trinkgefäße einteilen. Entwickle einen sinnvollen Trainings- und Testplan und begründe mindestens zwei mögliche Fehlerquellen.
Fehlvorstellung korrigieren: Jemand sagt: „Das Modell erkennt die Katze, also versteht es, was eine Katze ist.“ Erkläre präzise, warum dieser Schluss zu weit geht, und formuliere eine bessere Aussage.
Datenkritik: Ein Modell soll drei Arten von Blättern erkennen, wurde aber nur mit Fotos bei Sonnenschein trainiert. Beschreibe zwei Risiken und schlage konkrete Verbesserungen vor.
Fairness und Verantwortung: Nenne ein Beispiel, bei dem eine falsche Klassifikation kaum Folgen hat, und ein Beispiel, bei dem sie große Folgen haben könnte. Vergleiche die Anforderungen an menschliche Kontrolle.
Neue Situation: Ein Modell funktioniert im Klassenraum gut, aber draußen schlecht. Entwickle mindestens drei mögliche Erklärungen und beschreibe, wie Du sie testen würdest.
Quellenkritik: Prüfe eine Aussage wie „KI ist immer objektiv, weil Computer keine Gefühle haben.“ Widerlege oder differenziere die Aussage mithilfe des Zusammenhangs zwischen Daten, Modellen und menschlichen Entscheidungen.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe auswendig kennst, sondern die Grundidee an neuen Beispielen anwenden kannst.

Du kannst Klassifikation mit einem eigenen Beispiel erklären.
Du kannst Trainingsdaten, Labels und Testdaten sinnvoll unterscheiden.
Du kannst beschreiben, wie ein Modell aus Beispielen statistische Muster nutzt.
Du kannst erklären, warum Testdaten unbekannt sein sollten.
Du kannst mindestens zwei Ursachen für Fehlklassifikationen nennen.
Du kannst Mustererkennung klar von menschlichem Verstehen unterscheiden.
Du kannst einseitige Daten als mögliches Fairnessproblem erkennen.
Du kannst für eine reale Anwendung begründen, wo menschliche Kontrolle nötig bleibt.
Du kannst KI-Aussagen sprachlich präzise und quellenkritisch prüfen.
Du kannst einen kleinen Datensatz selbst entwerfen und seine Grenzen benennen.

OERs zum Thema

Freie Medien und Vertiefung

Die im Kurs verwendeten Wikimedia-Commons-Dateien sind frei lizenziert oder gemeinfrei. Auf den jeweiligen Dateiseiten findest Du die genauen Lizenzangaben und Urheberhinweise.

: Beispiele handgeschriebener Ziffern für Bildklassifikation.
: Deutschsprachige Darstellung zum überwachten Lernen.
: Visualisierung der Trennung von Trainings- und Testdaten.
: Deutschsprachige Darstellung eines Mustererkennungssystems.
: Vereinfachte Darstellung eines künstlichen neuronalen Netzes.
: Vereinfachtes Beispiel dafür, wie Merkmale mit Klassen verknüpft werden können.

Verknüpfte Lernbereiche

KI und Klassifikation verstehen

Fächerübergreifende Bezüge

Informatik: Daten, Algorithmen, Modelle, Training, Test und Klassifikation.
Deutsch: Präzise Sprache, Erklären, Argumentieren und Quellenkritik.
Mathematik: Merkmale vergleichen, Häufigkeiten zählen, Anteile berechnen und Fehler auswerten.
Naturwissenschaften: Merkmale, systematisches Ordnen, Beobachtung und Vergleich wissenschaftlicher Klassifikation.
Kunst: Formen, Farben, Bildmerkmale, Verfremdung und visuelle Wahrnehmung.
Ethik: Verantwortung, Fairness, Folgen automatisierter Entscheidungen und menschliche Kontrolle.
Medienbildung: KI-Ausgaben prüfen, Datenquellen hinterfragen und Technik transparent nutzen.

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache