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

Maschinelles Lernen verstehen

Zielgruppe: Schule, Schwerpunkt Klasse 7 Zeitbedarf: ca. 60–90 Minuten, mit Vertiefung bis etwa 120 Minuten Fächerübergreifend: Informatik, Mathematik, Deutsch, Geschichte, Kunst, Ethik, Gemeinschaftskunde und Medienbildung

Einleitung

Maschinelles Lernen begegnet Dir oft, ohne dass Du es direkt bemerkst: Ein E-Mail-Programm sortiert verdächtige Nachrichten aus, eine Suchmaschine ordnet Treffer, eine Foto-App gruppiert ähnliche Bilder oder ein Empfehlungssystem schlägt Inhalte vor. Hinter solchen Funktionen kann maschinelles Lernen stecken.

Die wichtigste Idee lautet: Beim maschinellen Lernen wird nicht für jeden Einzelfall eine fertige Wenn-dann-Regel von Menschen programmiert. Stattdessen bekommt ein Lernverfahren Beispieldaten und passt daraus ein mathematisches Modell an. Dieses Modell soll in neuen, noch nicht gesehenen Fällen nützliche Vorhersagen oder Zuordnungen liefern.

Das bedeutet aber nicht, dass die Maschine so versteht wie ein Mensch. Ein Modell kann statistische Regelmäßigkeiten erkennen und sehr erfolgreich mit Mustern arbeiten. Daraus folgt jedoch nicht automatisch, dass es Bedeutung, Absichten, Gefühle, Zusammenhänge oder Folgen in menschlicher Weise versteht. Genau diese Trennung zwischen statistischer Mustererkennung und menschlichem Verstehen ist ein Schwerpunkt dieses Lernkurses.

Die Abbildung zeigt vereinfacht den Ablauf beim überwachten Lernen: Aus Beispielen entsteht durch Training ein Modell, das anschließend auf neue Daten angewendet werden kann.

Medienauftrag zum Video: Notiere beim Ansehen zwei Aussagen über Daten und Modelle. Markiere außerdem eine Stelle, an der stark vereinfacht wird. Vergleiche anschließend Deine Notizen mit dem Lerntext. Ein Erklärvideo ist eine Lernhilfe, aber keine automatische Garantie dafür, dass jede Aussage vollständig oder für jeden Zusammenhang passend ist.

Lernziele

Nach dem Kurs kannst Du die Grundidee des maschinellen Lernens mit eigenen Worten erklären, ein einfaches Lernmodell an einem kleinen Datensatz nachvollziehen und zwischen Trainingsdaten, Merkmalen, Zielwerten und Vorhersagen unterscheiden. Du kannst außerdem begründen, warum ein Modell an neuen Daten geprüft werden muss, wie Bias und ungeeignete Daten entstehen können und warum eine hohe Trefferquote allein noch keine faire oder sinnvolle Entscheidung garantiert.

Besonders wichtig ist, dass Du am Ende typische Fehlvorstellungen korrigieren kannst. Dazu gehören Aussagen wie „Die Maschine versteht das Bild“, „Viele Daten sind immer gute Daten“, „Ein Computer ist automatisch objektiv“ oder „Wenn ein Modell im Training alles richtig macht, ist es besonders gut“.

Unterrichtsplan für 1–2 Stunden

Phase	Zeit	Ziel	Aktivität
Aktivierung und Diagnose	5–10 Minuten	Vorwissen und Fehlvorstellungen sichtbar machen	Behauptungen beurteilen und kurz begründen
Verständliche Einführung	10–15 Minuten	Daten, Merkmale, Labels, Training und Modell verstehen	Lerntext, Schaubild und kurzes Video
Technisches Mini-Experiment	15–20 Minuten	Mustererkennung mit kleinem Datensatz nachvollziehen	Nachbarschaftsmodell auf Fantasie-Daten
Anwendung und Bias-Analyse	15–20 Minuten	Fehler, Fairness und Quellenkritik untersuchen	Spamfilter- und Empfehlungsbeispiel
Selbstkontrolle und Transfer	10–20 Minuten	Begriffe anwenden und Fehlvorstellungen korrigieren	Quiz, Drag and Drop, Lückentext und Transferfrage
Vertiefung	zusätzlich 20–30 Minuten	Überanpassung, neuronale Netze und fächerübergreifende Perspektiven	Visualisierungen und offene Aufgaben

Aktivierung und Diagnose

Entscheide zunächst ohne Nachschlagen, ob Du den folgenden Aussagen zustimmst. Wichtig ist nicht nur Deine Entscheidung, sondern Deine Begründung.

Behauptung	Deine erste Einschätzung	Worauf müsste man achten?
Ein lernendes System braucht Beispiele oder andere Rückmeldungen.	stimmt / stimmt nicht	Welche Art von Lernen ist gemeint?
Wenn ein Modell 100 Prozent seiner Trainingsdaten richtig erkennt, funktioniert es sicher auch bei neuen Daten.	stimmt / stimmt nicht	Training oder neue Testfälle?
Ein Computer entscheidet immer neutral, weil er keine Gefühle hat.	stimmt / stimmt nicht	Daten, Ziel, Merkmale und Einsatzkontext?
Ein System kann ein Wort statistisch passend verwenden, ohne seine Bedeutung so zu verstehen wie ein Mensch.	stimmt / stimmt nicht	Mustererkennung oder menschliches Verstehen?
Mehr Daten helfen nur dann, wenn die Daten zum Problem passen und ausreichend aussagekräftig sind.	stimmt / stimmt nicht	Qualität, Auswahl und Repräsentativität?

Diagnose-Auftrag: Wähle die Behauptung, bei der Du am unsichersten bist. Am Ende des Kurses kehrst Du zu ihr zurück und formulierst eine verbesserte Begründung.

Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz und eng mit Statistik, Mathematik und Informatik verbunden. Ein Lernalgorithmus verarbeitet Daten und verändert dabei Parameter eines Modells so, dass ein bestimmtes Ziel möglichst gut erreicht wird.

Beim klassischen Programmieren formuliert ein Mensch Regeln und der Computer wendet diese Regeln auf Daten an. Beim maschinellen Lernen gibt der Mensch dagegen typischerweise Beispiele, ein Lernziel und ein Lernverfahren vor. Das Verfahren sucht dann passende mathematische Zusammenhänge.

Ein einfaches Schema lautet:

Daten + Lernverfahren → trainiertes Modell

und später:

neuer Fall + trainiertes Modell → Vorhersage

Wichtig ist: Auch beim maschinellen Lernen entscheiden Menschen sehr viel. Menschen wählen das Problem, sammeln oder erzeugen Daten, bestimmen Merkmale und Zielgrößen, wählen ein Verfahren, legen Erfolgskriterien fest, prüfen Ergebnisse und entscheiden, ob das Modell überhaupt eingesetzt werden soll.

Vier Grundbegriffe

Daten: Beobachtungen oder Beispiele, mit denen ein System arbeitet.
Merkmale: Eigenschaften eines Beispiels, die dem Modell zur Verfügung stehen, etwa Länge, Farbe, Anzahl bestimmter Wörter oder Pixelwerte.
Label: Eine bekannte Zielangabe bei überwachten Lernverfahren, etwa „Spam“ oder „kein Spam“.
Modell: Eine mathematische Struktur, deren Parameter beim Training angepasst werden und die danach Vorhersagen erzeugen kann.

Beispiel Bilderkennung

Bei der Erkennung handgeschriebener Ziffern kann jedes Bild aus vielen einzelnen Bildpunkten bestehen. Ein Lernverfahren erhält zahlreiche Beispiele mit den zugehörigen Ziffern. Es sucht mathematische Muster in den Pixelwerten, die für die Unterscheidung nützlich sind.

Die einzelnen Bilder können für Menschen leicht lesbar sein. Für das Modell sind sie zunächst Zahlenwerte. Das Modell verarbeitet nicht automatisch die Bedeutung „Das ist die Zahl Sieben“, sondern numerische Muster, die im Training mit dem Label „7“ verbunden wurden.

Denkfrage: Was könnte passieren, wenn im Training fast nur sehr ordentlich geschriebene Ziffern vorkommen, im Test aber viele ungewöhnliche Handschriften?

Mustererkennung ist nicht menschliches Verstehen

Die Unterscheidung ist zentral. Ein Modell kann beeindruckende Ergebnisse liefern, ohne dieselbe Art von Verständnis zu besitzen wie ein Mensch.

Statistische Mustererkennung	Menschliches Verstehen
verarbeitet messbare Daten und gelernte Parameter	verbindet Informationen mit Erfahrungen, Zielen, Sprache und Bedeutung
kann Ähnlichkeiten und Regelmäßigkeiten berechnen	kann Gründe erklären, Absichten deuten und Situationen in soziale Zusammenhänge einordnen
funktioniert innerhalb der Informationen, die ihm technisch zugänglich gemacht werden	kann fehlenden Kontext bemerken und gezielt nachfragen
kann sehr sicher klingende oder sehr eindeutige Ausgaben erzeugen	kann Verantwortung übernehmen und Folgen moralisch beurteilen
hat keine automatische Garantie auf Wahrheit oder Fairness	kann Quellen prüfen, Werte abwägen und Verantwortung zuschreiben

Diese Gegenüberstellung bedeutet nicht, dass Menschen immer richtig entscheiden. Menschen machen ebenfalls Fehler und haben Vorurteile. Entscheidend ist vielmehr: Die Art des Fehlers und die Art der Verarbeitung sind nicht dieselben. Deshalb sollte man weder Maschinen vermenschlichen noch Menschen für automatisch objektiv halten.

Ein technisches Mini-Modell zum Selberdenken

Wir betrachten Fantasieobjekte mit zwei messbaren Merkmalen: Länge und Breite. Die bekannten Beispiele gehören entweder zur Klasse Lumo oder zur Klasse Noro.

Beispiel	Länge	Breite	bekannte Klasse
A	2	2	Lumo
B	2	3	Lumo
C	3	2	Lumo
D	7	7	Noro
E	8	7	Noro
F	7	8	Noro

Nun kommt ein neuer Fall X mit Länge 3 und Breite 3 hinzu. Ein sehr einfaches Verfahren lautet: Suche die bekannten Beispiele, die X am ähnlichsten sind, und übernimm die häufigste Klasse in der Nachbarschaft.

Dieses Prinzip heißt k-nearest neighbors, kurz k-NN. Bei k = 3 betrachtet man drei besonders nahe Trainingsbeispiele.

Für X liegen A, B und C nahe. Alle drei sind als Lumo markiert. Das Verfahren würde X deshalb ebenfalls als Lumo einordnen.

Jetzt kommt Y mit Länge 5 und Breite 5. Dieser Fall liegt ungefähr zwischen beiden Gruppen. Schon kleine Änderungen an den Daten, am Abstand oder an der Zahl k können das Ergebnis verändern. Genau daran erkennst Du: Ein Modell „weiß“ nicht, was Lumo oder Noro wirklich bedeutet. Es folgt einer rechnerischen Regel, die aus den vorhandenen Beispielen abgeleitet wird.

Mathematische Vertiefung: Abstand = Ähnlichkeit?

Im Koordinatensystem kann man Punkte miteinander vergleichen. Ein einfacher Abstand zwischen zwei Punkten kann mit dem Satz des Pythagoras berechnet werden:

Abstand = √((x₂ − x₁)² + (y₂ − y₁)²)

Für Klasse 7 genügt es oft, Abstände zunächst am Raster zu vergleichen. Entscheidend ist die Idee: Das Modell braucht eine mathematische Definition dafür, was „ähnlich“ bedeutet.

Doch genau hier entsteht eine wichtige Frage: Ist mathematische Nähe wirklich dieselbe Art von Ähnlichkeit, die für das Problem wichtig ist? Bei Fantasieobjekten mag das funktionieren. Bei Menschen, Texten, Kunstwerken oder gesellschaftlichen Entscheidungen kann eine scheinbar einfache Ähnlichkeitsregel unangemessen sein.

Training und Test: Kann das Modell verallgemeinern?

Ein Modell sollte nicht nur die Beispiele wiedererkennen, die es bereits gesehen hat. Es soll auch bei neuen Fällen funktionieren. Deshalb trennt man Daten häufig in Trainingsdaten und Testdaten.

Mit den Trainingsdaten wird das Modell angepasst. Die Testdaten bleiben während dieses Trainings zurückgehalten. Erst danach prüft man, wie gut das Modell auf diesen unbekannten Beispielen arbeitet.

Das nennt man Generalisierung. Ein Modell generalisiert gut, wenn es aus den Trainingsbeispielen nützliche Muster gelernt hat, die auch auf neue, passende Fälle übertragbar sind.

Experiment: Verdecke bei unserem Lumo-Noro-Datensatz zunächst Beispiel C. Trainiere gedanklich nur mit A, B, D, E und F. Prüfe danach, wie Du C mit der Nachbarschaftsregel einordnen würdest. Besprecht, ob ein einzelner Testfall genügt, um ein Modell zuverlässig zu bewerten.

Überanpassung: Wenn Auswendiglernen zum Problem wird

Ein Modell kann zu stark an Besonderheiten seiner Trainingsdaten angepasst sein. Dann erreicht es dort sehr gute Werte, macht aber bei neuen Daten mehr Fehler. Dieses Problem heißt Überanpassung.

In der Abbildung folgt eine sehr unruhige Grenze den einzelnen Trainingspunkten besonders genau. Eine einfachere Grenze kann neue Fälle oft besser einordnen. Das zeigt ein Grundprinzip: Perfektes Auswendiglernen der Trainingsdaten ist nicht dasselbe wie gutes Lernen für neue Situationen.

Ein passender Vergleich aus der Schule wäre: Jemand merkt sich exakt die Lösungen von fünf Übungsaufgaben, kann aber eine leicht veränderte sechste Aufgabe nicht lösen. Ein tieferes Verständnis zeigt sich erst beim Transfer.

Klassifikation und Regression

Beim maschinellen Lernen gibt es unterschiedliche Aufgabentypen. Zwei wichtige sind Klassifikation und Regression.

Bei einer Klassifikation wird eine Klasse vorhergesagt, etwa „Spam“ oder „kein Spam“. Bei einer Regression wird ein Zahlenwert geschätzt, zum Beispiel eine Temperatur oder eine Fahrzeit.

Die Gerade in der Abbildung zeigt ein sehr einfaches Regressionsmodell. Sie versucht, einen allgemeinen Zusammenhang in vielen Datenpunkten zu beschreiben. Kein einzelner Punkt bestimmt die ganze Gerade. Auch hier geht es darum, ein Muster zu finden, das für neue Werte nützlich sein kann.

Neuronale Netze: eine Vertiefung

Viele moderne ML-Systeme verwenden künstliche neuronale Netze. Der Name ist von biologischen Nervensystemen inspiriert, aber künstliche Neuronen sind keine kleinen Gehirnzellen im Computer. Es handelt sich um mathematische Recheneinheiten.

In einem stark vereinfachten Netz werden Zahlen von einer Schicht zur nächsten weitergegeben. Verbindungen besitzen Gewichte. Beim Training werden diese Gewichte so verändert, dass die Ausgaben für die Trainingsbeispiele besser zum Lernziel passen.

Merksatz: Ein neuronales Netz ist eine mathematische Struktur zur Verarbeitung von Daten. Die Bezeichnung „neuronales Netz“ darf nicht mit einem vollständigen Modell des menschlichen Gehirns verwechselt werden.

Vertiefungsauftrag: Das Video ist mathematisch anspruchsvoller und englischsprachig. Nutze nur einen kurzen Ausschnitt oder die Visualisierungen. Suche darin Beispiele für Eingaben, Schichten, Gewichte und Ausgaben. Formuliere anschließend in zwei Sätzen, was die Animation erklärt und was sie über menschliches Denken nicht beweist.

Realistische Anwendung: Ein Spamfilter in der Schule

Stell Dir vor, das E-Mail-System einer Schule soll Nachrichten automatisch als Spam oder kein Spam sortieren. Ein trainiertes Modell könnte Merkmale verwenden wie die Anzahl bestimmter Wörter, ungewöhnlich viele Links, die Absenderadresse oder typische Zeichenfolgen.

Ein kleiner erfundener Trainingsdatensatz könnte so aussehen:

Nachricht	Wort „gratis“	viele Links	bekannte Schuladresse	Label
A	ja	ja	nein	Spam
B	nein	nein	ja	kein Spam
C	ja	nein	ja	kein Spam
D	nein	ja	nein	Spam
E	nein	nein	nein	kein Spam

Nun trifft eine echte Nachricht ein: „Gratis Eintritt für die Ausstellung unserer Partnerschule – Anmeldung über diesen Link.“ Ein einfaches Modell könnte wegen des Wortes „gratis“ und des Links misstrauisch werden. Ein Mensch kann zusätzlichen Kontext berücksichtigen: Ist die Absenderadresse echt? Wurde die Veranstaltung angekündigt? Führt der Link zur offiziellen Schulseite?

Hier zeigt sich ein wichtiger Unterschied: Ein Modell verarbeitet die Merkmale, die ihm zur Verfügung stehen. Menschen können weitere Informationen beschaffen, Quellen prüfen und bei Unsicherheit eine Entscheidung vertagen.

Fehler sind nicht alle gleich

Wenn ein Spamfilter eine harmlose Nachricht fälschlich blockiert, spricht man bei einem Zwei-Klassen-Beispiel von einer Art Fehlalarm. Wenn er echten Spam durchlässt, entsteht ein anderer Fehlertyp. Je nach Anwendung können beide Fehler unterschiedlich schwer wiegen.

Deshalb reicht die Frage „Wie oft lag das Modell richtig?“ nicht immer. Man muss zusätzlich fragen: Welche Fehler macht es? Wen betreffen sie? Welche Folgen entstehen? Gibt es eine Möglichkeit, die Entscheidung zu überprüfen oder zu korrigieren?

Eine Konfusionsmatrix hilft dabei, richtige und falsche Zuordnungen getrennt zu zählen. Für Klasse 7 genügt die Grundidee: Schaue nicht nur auf eine einzige Prozentzahl, sondern untersuche, welche Art von Fehlern vorkommt.

Datenqualität, Bias und Fairness

Ein Modell lernt nicht einfach „die Wahrheit“. Es lernt Zusammenhänge aus den Daten und dem Ziel, die Menschen für das Training gewählt haben.

Bias kann an verschiedenen Stellen entstehen:

Datenauswahl: Bestimmte Fälle fehlen oder kommen viel häufiger vor als andere.
Beschriftung: Menschen können uneinig sein oder alte Vorurteile in Kategorien übernehmen.
Merkmalsauswahl: Ein Modell bekommt Merkmale, die für das Ziel ungeeignet sind oder nur indirekt mit ihm zusammenhängen.
Lernziel: Eine leicht messbare Größe wird mit dem eigentlichen Ziel verwechselt.
Einsatzkontext: Ein Modell wird in einer Situation benutzt, für die es nicht geprüft wurde.

Ein Beispiel: Eine Schulbibliothek trainiert ein Empfehlungssystem nur mit Ausleihdaten aus einem Jahr, in dem besonders viele Fantasybücher vorhanden waren. Das System könnte daraus lernen, Fantasy immer häufiger vorzuschlagen. Dann entsteht ein Kreislauf: Was oft angeboten wird, wird oft gewählt; was oft gewählt wird, wird noch öfter empfohlen. Das System hat nicht verstanden, welche Bücher „am besten“ sind. Es hat historische Nutzungsmuster verarbeitet.

Fairness-Auftrag: Überlegt, welche Gruppen oder Interessen in den Daten der Schulbibliothek fehlen könnten. Formuliert zwei Änderungen am Datensatz oder am Empfehlungssystem, die Vielfalt und Wahlfreiheit stärken.

Quellenkritik bei KI-Ausgaben

Eine von einem KI-System erzeugte Antwort ist zunächst eine Ausgabe eines Systems, nicht automatisch eine verlässliche Quelle. Für Referate, Hausaufgaben oder Präsentationen brauchst Du nachvollziehbare Belege.

Nutze bei KI-Ausgaben fünf Prüffragen:

Urheber und Herkunft: Wer hat die ursprüngliche Information veröffentlicht?
Beleg: Gibt es eine überprüfbare Originalquelle?
Aktualität: Ist die Information noch gültig?
Kontext: Wurde etwas verkürzt, aus dem Zusammenhang gerissen oder verallgemeinert?
Gegenprüfung: Bestätigen unabhängige seriöse Quellen die zentrale Aussage?

Für die Quellenkritik gilt: Plausibel klingend ist nicht dasselbe wie belegt. Eine gute Arbeitsweise besteht darin, KI-Ausgaben als Hinweis, Suchhilfe oder Entwurf zu behandeln und wichtige Aussagen anschließend an überprüfbaren Quellen zu kontrollieren.

Als weiterführende Unterrichtsmaterialien eignen sich beispielsweise: Bundeszentrale für politische Bildung: KI-Bias und Bundeszentrale für politische Bildung: Quelle: Künstliche Intelligenz?

Medienanalyse: Was zeigt eine Visualisierung – und was lässt sie weg?

Auch Diagramme und Erklärvideos setzen Schwerpunkte. Die Grafik eines neuronalen Netzes zeigt Knoten und Verbindungen. Sie macht eine Struktur sichtbar, verschweigt aber viele Details: die konkreten Zahlenwerte, die Trainingsdaten, das Optimierungsverfahren, die Rechenleistung und die Frage, ob das Modell für seinen Zweck geeignet ist.

Eine gute Medienanalyse fragt deshalb:

Welche Aussage soll die Darstellung vermitteln?
Welche Informationen wurden vereinfacht oder weggelassen?
Welche Begriffe oder Metaphern könnten zu Fehlvorstellungen führen?
Wer hat die Darstellung erstellt und unter welcher Lizenz ist sie verfügbar?
Für welche Zielgruppe ist die Darstellung geeignet?

Medienbildungs-Transfer: Vergleiche die Darstellung „Neural network.svg“ mit dem k-NN-Schaubild. Welche Grafik könnte bei Lernenden eher den Eindruck erwecken, die Maschine „denke wie ein Gehirn“? Begründe, wie Du diesen Eindruck im Unterricht korrigieren würdest.

Human Agency, Sicherheit und Verantwortung

Maschinelles Lernen kann Entscheidungen unterstützen, sollte aber Menschen nicht automatisch die Verantwortung abnehmen. Besonders bei wichtigen Entscheidungen braucht es Möglichkeiten zum Nachfragen, Prüfen und Korrigieren.

Für schulische Experimente gelten einfache Schutzregeln:

Nutze möglichst erfundene, frei verfügbare oder anonymisierte Daten.
Lade keine vertraulichen personenbezogenen Daten in unbekannte Dienste hoch.
Nutze bei Bewertungen von Personen keine sensiblen Merkmale als Spielmaterial.
Dokumentiere, welche Daten und Regeln Du verwendet hast.
Behalte eine menschliche Prüfmöglichkeit und begründe, wer im Zweifel entscheidet.

Human Agency bedeutet hier: Du sollst ein System nicht nur bedienen, sondern seine Ausgabe prüfen, Entscheidungen begründen und selbst handlungsfähig bleiben.

Fächerübergreifende Bezüge

Informatik

In Informatik untersuchst Du Daten, Algorithmen, Modelle, Training, Test und Fehler. Besonders wichtig ist die Frage, welche Teile eines Systems von Menschen festgelegt werden und welche Parameter während des Trainings angepasst werden.

Mathematik

In Mathematik begegnen Dir Koordinatensysteme, Abstände, Prozentwerte, Mittelwerte und Diagramme. Beim k-NN-Modell wird mathematische Nähe als Ähnlichkeit verwendet. Bei der Auswertung vergleichst Du richtige und falsche Vorhersagen.

Deutsch

In Deutsch trainierst Du das genaue Formulieren, Erklären und Begründen. Bei KI-Ausgaben prüfst Du Quellen, unterscheidest Behauptung und Beleg und analysierst, wie Metaphern wie „lernen“, „denken“ oder „verstehen“ unsere Vorstellung von Technik beeinflussen.

Geschichte

In Geschichte ist Quellenkritik zentral. Historische Daten sind niemals einfach ein vollständiger Abdruck der Vergangenheit. Archive enthalten, was aufgezeichnet, gesammelt und erhalten wurde. Wenn solche Daten für Modelle verwendet werden, können alte Auswahlmechanismen und gesellschaftliche Ungleichheiten technisch weiterwirken.

Kunst

In Kunst kannst Du untersuchen, wie Bilder durch messbare Merkmale beschrieben werden. Zugleich stellst Du die Frage, ob Stil, Ausdruck oder Wirkung vollständig in messbare Daten zerlegt werden können. Bei Bilddatensätzen sind außerdem Urheberrecht, Lizenz und kulturelle Vielfalt wichtig.

Ethik

In Ethik geht es um Fairness, Verantwortung, Folgen und Menschenwürde. Ein technisch genaues Modell ist nicht automatisch gerecht. Du musst zusätzlich fragen, ob das Ziel angemessen ist, wer von Fehlern betroffen ist und wer Entscheidungen anfechten kann.

Gemeinschaftskunde

In Gemeinschaftskunde untersuchst Du, wie automatisierte Systeme öffentliche und gesellschaftliche Entscheidungen beeinflussen können. Transparenz, Kontrolle, Beteiligung und Beschwerdemöglichkeiten sind dabei wichtige demokratische Fragen.

Medienbildung

In Medienbildung lernst Du, Empfehlungssysteme, Suchergebnisse, KI-Ausgaben und Visualisierungen kritisch einzuordnen. Du prüfst Herkunft, Auswahlmechanismen, mögliche Interessen und die Frage, welche Inhalte durch Ranking sichtbar oder unsichtbar werden.

Typische Fehlvorstellungen korrigieren

Fehlvorstellung	Bessere Erklärung
„Die KI versteht das Bild.“	Das Modell verarbeitet numerische Merkmale und gelernte Muster. Eine passende Klassifikation beweist kein menschliches Bedeutungsverständnis.
„Mehr Daten sind immer besser.“	Mehr passende und vielfältige Daten können helfen. Schlechte, falsche oder einseitige Daten können Fehler verstärken.
„Computer sind neutral.“	Modelle rechnen nach mathematischen Regeln, aber Daten, Ziele, Kategorien und Einsatzbedingungen werden von Menschen gestaltet.
„100 Prozent im Training bedeutet ein perfektes Modell.“	Ein Modell kann überangepasst sein. Entscheidend ist die Leistung bei neuen, geeigneten Testdaten.
„Ein neuronales Netz funktioniert wie ein menschliches Gehirn.“	Der Name ist biologisch inspiriert. Ein künstliches neuronales Netz ist eine mathematische Struktur und kein vollständiges Gehirnmodell.
„Eine hohe Trefferquote reicht.“	Man muss Fehlerarten, betroffene Gruppen, Folgen, Datenqualität und den Einsatzkontext prüfen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt das Grundprinzip des überwachten maschinellen Lernens am besten? (Ein Modell wird mit Beispielen und bekannten Zielangaben trainiert) (!Ein Computer erhält für jeden neuen Fall eine vollständig fertige Regel) (!Ein Modell versteht automatisch die Bedeutung aller Trainingsdaten) (!Ein Computer kann ohne Daten und ohne Rückmeldung beliebige Muster lernen)

Warum werden Testdaten verwendet? (Sie prüfen das Modell an Beispielen, die beim Training nicht zur Anpassung benutzt wurden) (!Sie machen die Trainingsdaten automatisch fehlerfrei) (!Sie ersetzen die Merkmale eines Datensatzes) (!Sie sorgen dafür, dass jedes Modell fair ist)

Was ist ein Merkmal in einem Lernsystem? (Eine messbare oder codierte Eigenschaft eines Beispiels) (!Die endgültige moralische Bewertung eines Systems) (!Die Garantie für eine richtige Vorhersage) (!Ein zufälliger Name für den Lernalgorithmus)

Was bedeutet Generalisierung? (Ein Modell funktioniert auch bei neuen passenden Fällen brauchbar) (!Ein Modell speichert jedes Trainingsbeispiel wortwörtlich) (!Ein Modell verwendet nur ein einziges Beispiel) (!Ein Modell verzichtet vollständig auf Tests)

Woran kann Überanpassung erkennbar werden? (Das Modell ist im Training sehr gut, aber bei neuen Daten deutlich schlechter) (!Das Modell verwendet überhaupt keine Trainingsdaten) (!Das Modell gibt nie eine Vorhersage aus) (!Das Modell besteht nur aus einer Tabelle mit Überschriften)

Welche Aussage zu Bias ist am treffendsten? (Bias kann durch Daten, Labels, Merkmale, Ziele oder den Einsatzkontext entstehen) (!Bias entsteht nur durch einen defekten Bildschirm) (!Bias verschwindet automatisch bei großen Datenmengen) (!Bias betrifft ausschließlich handgeschriebene Ziffern)

Was zeigt ein gutes Beispiel für Human Agency? (Ein Mensch kann eine Modellentscheidung prüfen, begründen und gegebenenfalls korrigieren) (!Jede Modellentscheidung wird ungeprüft übernommen) (!Das System darf seine Datenquelle geheim halten) (!Lernende laden alle persönlichen Daten für Tests hoch)

Welche Aussage trennt Mustererkennung und menschliches Verstehen am besten? (Eine passende Vorhersage beweist nicht automatisch menschliches Bedeutungsverständnis) (!Jede statistische Ähnlichkeit ist ein Beweis für Bewusstsein) (!Ein Modell besitzt automatisch Erfahrungen wie ein Mensch) (!Menschen und Modelle verarbeiten Informationen immer auf dieselbe Weise)

Was ist bei einer KI-Ausgabe für ein Referat besonders sinnvoll? (Wichtige Aussagen mit überprüfbaren Originalquellen gegenprüfen) (!Die Ausgabe ohne Prüfung als Quelle angeben) (!Nur darauf achten, ob der Text überzeugend klingt) (!Alle Quellenangaben weglassen)

Warum kann eine hohe Gesamtgenauigkeit allein unzureichend sein? (Unterschiedliche Fehlerarten können unterschiedliche Folgen haben) (!Genauigkeit darf bei Modellen nie gemessen werden) (!Ein Modell mit hoher Genauigkeit hat keine Trainingsdaten) (!Fehler spielen nur bei handschriftlichen Ziffern eine Rolle)

Memory

Trainingsdaten	Beispiele zum Anpassen eines Modells
Testdaten	Unbekannte Beispiele zur Prüfung
Merkmal	Messbare Eigenschaft eines Beispiels
Label	Bekannte Zielangabe
Generalisierung	Übertragung auf neue passende Fälle
Überanpassung	Zu starke Anpassung an Trainingsbeispiele
Bias	Systematische Verzerrung
Human Agency	Menschliche Handlungs- und Prüfmöglichkeit

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Trainingsdaten	Beispiele, mit denen das Modell angepasst wird
Merkmale	Informationen, die dem Modell über einen Fall zur Verfügung stehen
Modell	Mathematische Struktur für Vorhersagen
Testdaten	Neue Beispiele zur unabhängigen Prüfung
Generalisierung	Erfolgreiche Anwendung auf passende unbekannte Fälle

Kreuzworträtsel

Training	Wie heißt das Anpassen eines Modells an Beispieldaten?
Merkmal	Wie heißt eine messbare Eigenschaft eines Datenbeispiels?
Modell	Wie heißt die trainierte mathematische Struktur für Vorhersagen?
Testdaten	Wie heißen zurückgehaltene Beispiele zur späteren Prüfung?
Overfitting	Wie heißt die Überanpassung mit dem englischen Fachwort?
Fairness	Welcher Begriff bezeichnet die Frage nach gerechter Behandlung?

LearningApps

Lückentext

Beim maschinellen Lernen wird aus Beispieldaten ein mathematisches

angepasst. Eine messbare Eigenschaft eines Beispiels heißt

. Bei überwachtem Lernen ist die bekannte Zielangabe ein

. Daten, die zum Anpassen verwendet werden, heißen

. Unbekannte Beispiele zur späteren Prüfung heißen

. Wenn ein Modell auch bei neuen passenden Fällen funktioniert, spricht man von

. Eine zu starke Anpassung an Trainingsbeispiele nennt man

. Systematische Verzerrungen werden häufig als

bezeichnet. Eine passende Vorhersage ist noch kein Beweis für menschliches

. Wichtige KI-Ausgaben sollten mit überprüfbaren

gegengeprüft werden.

Selbstkontrolle und Reflexion

Kehre jetzt zur Diagnose am Anfang zurück. Wähle erneut die Aussage, bei der Du am unsichersten warst. Formuliere Deine neue Erklärung nach diesem Muster:

Ich dachte zuerst … . Jetzt würde ich sagen … , weil … . Ein Beispiel dafür ist … .

Prüfe anschließend, ob Deine Erklärung die Wörter Daten, Modell, neuer Fall und Prüfung sinnvoll verwendet.

Reflexionsfrage: Welche Entscheidung würdest Du eher einem ML-System überlassen: das Sortieren von Spam oder die endgültige Entscheidung über eine wichtige schulische Chance? Begründe nicht nur mit „ja“ oder „nein“, sondern mit Fehlerfolgen, Transparenz und menschlicher Kontrolle.

Transfer: Erkennst Du die Grundidee in neuen Beispielen?

Ordne die folgenden Situationen ein und begründe jeweils, ob maschinelles Lernen wahrscheinlich sinnvoll sein könnte.

Pflanzenbestimmung: Eine App ordnet Fotos bekannten Pflanzenarten zu.
Fahrzeitprognose: Ein System schätzt aus früheren Fahrten und Verkehrsdaten eine Fahrzeit.
Schulordnung: Eine Schule beschließt, dass im Labor eine Schutzbrille getragen werden muss.
Musikempfehlung: Ein Dienst schlägt Stücke aus bisherigen Hörmustern vor.
Mathematikregel: Ein Programm berechnet die Fläche eines Rechtecks exakt mit Länge mal Breite.

Die letzten beiden Arten von Aufgaben zeigen einen wichtigen Unterschied: Nicht jedes Computerprogramm ist maschinelles Lernen. Wenn eine feste Regel das Problem direkt löst, ist ein lernendes Modell möglicherweise gar nicht nötig.

Offene Aufgaben

Leicht

Begriffe erklären: Erstelle eine Karte mit den Begriffen Trainingsdaten, Merkmal, Label, Modell und Testdaten. Verbinde die Begriffe mit Pfeilen und einem eigenen Beispiel.
Fehlvorstellung verbessern: Wähle eine typische Fehlvorstellung aus dem Kurs und gestalte ein Mini-Plakat mit „Behauptung – Problem – bessere Erklärung“.
Datensatz erfinden: Erstelle sechs Fantasieobjekte mit zwei numerischen Merkmalen und zwei Klassen. Zeichne sie in ein Koordinatensystem und erfinde einen neuen Testpunkt.
Quellencheck: Nimm eine kurze KI-Aussage zu einem Schulthema und notiere drei Möglichkeiten, wie Du sie mit seriösen Quellen prüfen würdest, ohne persönliche Daten zu verwenden.

Standard

k-NN-Experiment: Verändere beim Fantasie-Datensatz den Wert k. Untersuche einen Grenzfall und erkläre, warum sich eine Vorhersage ändern kann.
Spamfilter analysieren: Ergänze den kleinen Spam-Datensatz um drei Nachrichten. Entscheide, welche Merkmale sinnvoll sind und welche leicht zu Fehlalarmen führen könnten.
Medienanalyse: Vergleiche zwei Visualisierungen aus diesem Kurs. Untersuche, welche technische Idee sie gut zeigen und welche wichtigen Informationen jeweils fehlen.
Bibliotheks-Bias: Entwickle einen besseren Plan für das Empfehlungssystem einer Schulbibliothek. Beschreibe Daten, Fairnesskriterien, Wahlmöglichkeiten und eine Möglichkeit zum menschlichen Eingreifen.

Schwer

Testdesign: Entwirf einen Trainings- und Testplan für ein erfundenes Bilderkennungssystem. Begründe, welche Fälle unbedingt in den Test gehören und warum die Testdaten nicht zum Nachtrainieren benutzt werden sollten.
Fehlerfolgen vergleichen: Erstelle für den Spamfilter eine einfache Vier-Felder-Tabelle aus richtigen und falschen Zuordnungen. Begründe, welcher Fehler im Schulalltag problematischer sein könnte.
Fächerübergreifende Quellenkritik: Untersuche einen historischen Datensatz oder eine digitalisierte Sammlung. Frage, was dokumentiert wurde, was fehlen könnte und wie diese Lücken ein Lernmodell beeinflussen würden.
Verantwortungskonzept: Entwirf Regeln für den verantwortlichen Einsatz eines ML-Systems an einer Schule. Berücksichtige Transparenz, Datenschutz, Fairness, menschliche Kontrolle, Beschwerdemöglichkeiten und regelmäßige Tests.

Lernkontrolle

Grundidee übertragen: Erkläre an einem neuen Beispiel, wie aus Daten ein Modell entsteht und wie Du prüfen würdest, ob es auf unbekannte Fälle übertragbar ist.
Fehler diagnostizieren: Ein Modell erreicht im Training 99 Prozent, im Test aber nur 63 Prozent. Entwickle mindestens zwei plausible Erklärungen und schlage passende Untersuchungen vor.
Bias beurteilen: Ein Empfehlungssystem wurde nur mit Daten einer kleinen, sehr einheitlichen Nutzergruppe trainiert. Erkläre mögliche Folgen und entwirf mindestens zwei Verbesserungen.
Mustererkennung abgrenzen: Ein Bilderkennungsmodell ordnet 95 von 100 Testbildern richtig zu. Begründe, welche Aussagen über seine Leistung dadurch gerechtfertigt sind und welche Aussagen über menschliches Verstehen dadurch nicht belegt sind.
Quellenkritik anwenden: Eine KI-Ausgabe behauptet etwas Überraschendes über ein historisches Ereignis. Entwickle einen Prüfweg mit mindestens zwei unabhängigen Quellenarten und erkläre, warum die KI-Ausgabe selbst noch kein Beleg ist.
Verantwortung bewerten: Vergleiche den Einsatz eines ML-Systems beim Spamfiltern mit seinem Einsatz bei einer folgenreichen Personenbewertung. Begründe, warum Anforderungen an Transparenz, Prüfung und menschliche Entscheidung unterschiedlich streng sein sollten.

Lernnachweis

Für einen Lernnachweis zu Maschinelles Lernen verstehen ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst. Du solltest zeigen, dass Du Zusammenhänge erklären und auf neue Situationen übertragen kannst.

Du erklärst die Kette Daten → Training → Modell → Vorhersage → Test.
Du unterscheidest Trainingsdaten, Testdaten, Merkmale und Labels sicher.
Du kannst ein einfaches Nachbarschaftsmodell an einem kleinen Datensatz nachvollziehen.
Du erklärst Generalisierung und Überanpassung an einem eigenen Beispiel.
Du trennst statistische Mustererkennung begründet von menschlichem Verstehen.
Du analysierst mögliche Bias-Quellen in Daten, Labels, Merkmalen, Zielen und Einsatzbedingungen.
Du bewertest Fehler nicht nur nach einer Gesamtquote, sondern auch nach ihren Folgen.
Du prüfst KI-Ausgaben mit nachvollziehbaren Quellen.
Du begründest, wann menschliche Kontrolle und Einspruchsmöglichkeiten besonders wichtig sind.
Du dokumentierst bei eigenen Experimenten Daten, Annahmen und Grenzen transparent.

OERs zum Thema

Weitere frei zugängliche oder frei lizenzierte Lernmedien im Kurs sind insbesondere die eingebundenen Dateien aus Wikimedia Commons sowie das Video des KI-Campus. Bei einer Weiterverwendung solltest Du jeweils die Lizenzangaben auf der Originalseite prüfen und die geforderte Namensnennung übernehmen.

Verknüpfte Lernbereiche

Maschinelles Lernen verstehen

Zusammenfassung

Maschinelles Lernen bedeutet vereinfacht, dass ein Lernverfahren aus Beispieldaten ein mathematisches Modell anpasst. Dieses Modell soll Muster so nutzen, dass es bei neuen passenden Fällen Vorhersagen erzeugen kann. Gute Ergebnisse auf Trainingsdaten allein reichen nicht; entscheidend sind Tests mit unbekannten Daten und die Fähigkeit zur Generalisierung.

Daten sind dabei nicht neutral oder vollständig. Ihre Auswahl, ihre Labels, die verwendeten Merkmale und das Lernziel beeinflussen das Ergebnis. Deshalb gehören technische Prüfung, Bias-Analyse, Quellenkritik und Fairness zusammen.

Die wichtigste Denkregel dieses Kurses lautet: Ein System kann ein Muster erfolgreich erkennen, ohne die Bedeutung so zu verstehen wie ein Mensch. Wer maschinelles Lernen verantwortungsvoll nutzt, prüft Ergebnisse, fragt nach Daten und Grenzen, sucht belastbare Quellen und behält menschliche Handlungsmöglichkeiten.

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache