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

Wie KI hören kann

Einleitung

Wenn Menschen hören, bringen Ohr und Gehirn Schall mit Erfahrungen, Sprache, Bedeutung und Situationen zusammen. Eine KI „hört“ anders: Ein Mikrofon nimmt Schall auf, ein Computer stellt das Signal als Zahlen dar und ein trainiertes Modell sucht darin nach Mustern. Je nach Aufgabe kann es zum Beispiel ein Geräusch einer Klasse zuordnen, ein gesprochenes Wort erkennen oder Sprache in Text umwandeln. Das ist nützlich – aber nicht fehlerfrei.

In diesem Lernkurs erfährst Du nicht nur, wie KI Audiodaten verarbeitet. Vor allem lernst Du eine zentrale KI-Kompetenz: Du prüfst, unter welchen Bedingungen ein KI-Ergebnis entstanden ist, vergleichst es mit der Wirklichkeit und entscheidest selbst, ob Du ihm vertrauen kannst. Dabei achtest Du auf passende Trainingsbeispiele, faire Tests, mögliche Fehler, Datenschutz und die Folgen einer Entscheidung.

Der Kurs ist für die Klasse 5 gedacht und benötigt keine technischen Vorkenntnisse. Für die Kernfassung brauchst Du ungefähr 70 bis 90 Minuten. Eine Kurzfassung für 45 Minuten kann aus Aktivierung, Grundidee, Klassenexperiment, Anwendungssituation und Transfer bestehen.

Leitfrage: Wenn ein Computer kein menschliches Ohr und kein menschliches Gehirn hat – was bedeutet dann der Satz „Die KI hört“?

Lernziele

Nach dem Kurs kannst Du erklären, dass eine KI Schall nicht wie ein Mensch wahrnimmt, sondern digitale Audiodaten verarbeitet. Du kannst beschreiben, warum Trainingsbeispiele und Testbedingungen wichtig sind. Du kannst Fehlerquellen wie Hintergrundgeräusche, ungewohnte Stimmen oder unpassende Trainingsdaten erkennen. Du kannst ein KI-Ergebnis prüfen, seine Grenzen benennen und begründet entscheiden, ob ein Mensch das Ergebnis kontrollieren muss. Du kannst diese Prüfschritte am Ende auf eine neue Situation übertragen.

Fächerübergreifende Bezüge

Fach	Verbindung zum Thema	Handlung im Kurs
Informatik	Daten, Maschinelles Lernen, Training, Test, Klassifikation	Du simulierst ein lernendes System und untersuchst seine Fehler.
Deutsch	Gesprochene Sprache, Wörter im Kontext, automatische Untertitel	Du vergleichst gesprochene Sätze mit einer fehlerhaften Transkription und verbesserst sie begründet.
Mathematik	Zählen, Vergleichen, Anteile	Du zählst richtige Zuordnungen von zehn Testfällen und vergleichst Ergebnisse.
Naturwissenschaften	Schall, Schwingungen, Ohr und Mikrofon	Du vergleichst menschliches Hören mit technischer Schallaufnahme.
Kunst	Klanggestaltung und visuelle Muster	Du entwirfst eine Klanglandschaft oder eine eigene grafische „Klangspur“.
Ethik	Fairness, Verantwortung, Einwilligung	Du entscheidest, wann eine KI nur helfen darf und wann ein Mensch entscheiden muss.
Medienbildung	Quellenkritik, Datenschutz, automatische Untertitel	Du prüfst Ergebnisse statt sie ungeprüft zu übernehmen.

Unterrichtsablauf für 1–2 Unterrichtsstunden

Phase	Zeit	Tätigkeit	Ziel
Aktivierung	8 Minuten	Hördetektiv-Spiel	Vorwissen und Vermutungen sichtbar machen
Einführung	12 Minuten	Schall, Mikrofon, digitale Daten und Muster	Grundidee verstehen
Experiment	20 Minuten	Eine „Klassen-KI“ trainieren und testen	Training und Test unterscheiden
Anwendung	20 Minuten	Automatische Untertitel im Schulalltag prüfen	Fehler finden und begründet entscheiden
Vertiefung	15 Minuten	Fairness, Datenschutz und Fehlerrisiko	verantwortlichen KI-Einsatz beurteilen
Transfer	10 Minuten	Neue Situation selbstständig bewerten	Gelerntes übertragen

Aktivierung und Diagnose

Hördetektive ohne Technik

Eine Person erzeugt hinter einer Sichtbarriere nacheinander drei harmlose Geräusche, zum Beispiel Klatschen, Papier rascheln und mit einem Stift auf den Tisch tippen. Die Klasse notiert für jedes Geräusch eine Vermutung und einen Hinweis, der zur Entscheidung geführt hat: laut oder leise, kurz oder lang, regelmäßig oder unregelmäßig, hell oder dumpf.

Danach verändert Ihr eine Bedingung: Das gleiche Geräusch wird leiser, weiter entfernt oder zusammen mit einem zweiten Geräusch erzeugt.

Diagnosefrage: Warum wird die Entscheidung plötzlich schwieriger? Übertrage Deine Antwort auf eine KI. Was müsste sie schon kennen, damit sie trotzdem richtig zuordnet?

Die wichtige Erkenntnis lautet: Erkennen klappt nicht allein durch „Zuhören“, sondern durch Merkmale, Vergleiche und Erfahrungen.

Schall sichtbar denken

Schall breitet sich in Luft als Druckschwankung aus. Die folgende Animation zeigt das Prinzip einer Longitudinalwelle. Die Punkte sind kein „Schall“, sondern ein Modell dafür, wie Teilchen um ihre Lage schwingen, während sich eine Störung ausbreitet.

Mini-Auftrag: Zeige mit Deiner Handbewegung den Unterschied zwischen „Die Luftteilchen fliegen bis zum Ohr“ und „Die Teilchen schwingen, während sich die Welle ausbreitet“. Welche Vorstellung passt besser?

Verständliche Einführung: Vom Geräusch zur KI-Entscheidung

Schritt 1: Das Mikrofon macht aus Schall ein Signal

Ein Mikrofon ist ein Schallwandler. Vereinfacht gesagt reagiert eine bewegliche Membran auf Druckschwankungen der Luft. Daraus entsteht ein elektrisches Signal. Ein Computer kann dieses Signal anschließend digital als viele Messwerte speichern.

Wichtig: Das Mikrofon „versteht“ noch nichts. Es liefert zunächst nur ein Signal.

Denkfrage: Ein Mikrofon nimmt das Wort „Pause“ und einen Händeklatscher auf. Was hat es in beiden Fällen gemeinsam? Es wandelt Schall in ein Signal um – die Bedeutung entsteht dadurch noch nicht.

Schritt 2: Ein Computer kann Klangmuster darstellen

Ein Tonsignal verändert sich mit der Zeit. Für Menschen ist eine grafische Darstellung hilfreich, um solche Veränderungen zu untersuchen. Ein Spektrogramm zeigt, welche Frequenzbereiche zu welchen Zeitpunkten stark vertreten sind. Viele Verfahren der Audioverarbeitung nutzen solche oder andere Merkmale. Moderne KI-Systeme können Merkmale teilweise auch direkt aus Audiodaten lernen.

Beobachtungsauftrag: Suche im Bild Bereiche, die sich sichtbar unterscheiden. Du musst noch nicht wissen, welcher Bereich welchem Laut entspricht. Entscheidend ist: Ein Klang kann als Muster dargestellt und verglichen werden.

Schritt 3: KI lernt aus Beispielen

Bei maschinellem Lernen bekommt ein Modell viele Beispiele. Für eine einfache Geräuschklassifikation könnten Klassen etwa „Klatschen“, „Rascheln“ und „Hintergrund“ heißen. Zu jeder Klasse werden mehrere passende Beispiele gesammelt. Beim Training werden veränderbare Rechenparameter so angepasst, dass das Modell die Beispiele möglichst gut zuordnen kann.

Danach kommt ein entscheidender Schritt: Testen mit neuen Beispielen. Wenn nur die Trainingsbeispiele geprüft werden, weißt Du noch nicht, wie gut das Modell in einer neuen Situation funktioniert.

Merksatz: Training ist Üben mit Beispielen. Testen heißt Prüfen mit neuen Beispielen.

Schritt 4: Das Modell entscheidet nicht wie ein Mensch

Ein KI-Modell kann für verschiedene mögliche Klassen Werte berechnen und die wahrscheinlichste Zuordnung ausgeben. Ein hoher Wert ist aber kein Beweis dafür, dass das Ergebnis wirklich stimmt. Wenn die Aufnahme stark rauscht oder eine passende Klasse fehlt, kann das Modell selbstbewusst falsch liegen.

Ein einfaches künstliches neuronales Netz kann man sich als viele verbundene Rechenschritte vorstellen. Du musst die Mathematik dahinter in Klasse 5 noch nicht beherrschen. Wichtig ist die Idee: Zwischen Eingabe und Ausgabe werden Zahlen verarbeitet und gewichtet.

Nicht verwechseln: Ein Modellwert für eine Zuordnung ist keine menschliche Gewissheit.

Schritt 5: Geräuscherkennung ist nicht dasselbe wie Spracherkennung

Eine Geräuschklassifikation ordnet Audio zum Beispiel den Klassen „Klatschen“ oder „Pfeifen“ zu. Spracherkennung versucht dagegen, gesprochene Sprache in Wörter oder Text zu übertragen. Eine weitere Aufgabe wäre die Sprechererkennung, also die Frage, wer spricht. Diese Aufgaben sind verschieden.

Für unseren Schulversuch reicht die erste Aufgabe: harmlose Geräusche unterscheiden. Für Sprachaufnahmen gelten zusätzliche Datenschutzfragen, weil Stimmen persönliche Informationen enthalten können.

Schritt 6: „Hören“ bedeutet nicht automatisch „Verstehen“

Eine KI kann ein Wort korrekt als Text ausgeben und trotzdem den Sinn einer Situation nicht so verstehen wie ein Mensch. Umgekehrt kann ein Mensch aus dem Zusammenhang ein undeutlich gesprochenes Wort ergänzen, obwohl der reine Klang mehrdeutig ist.

Beispiel: Die Wörter „Meer“ und „mehr“ klingen gleich. Erst der Satz hilft beim Schreiben. Deshalb spielt bei Spracherkennung häufig auch sprachlicher Kontext eine Rolle.

Deutsch-Verbindung: Sprache besteht nicht nur aus Lauten. Satzbau, Bedeutung und Situation helfen beim Verstehen.

Vergleich: Menschliches Ohr und technisches „Hören“

Das menschliche Hören

Beim Menschen gelangen Schallwellen über Außenohr und Mittelohr zum Innenohr. In der Hörschnecke werden mechanische Schwingungen in Nervensignale umgesetzt, die im Nervensystem weiterverarbeitet werden.

Mensch	KI-System
Ohr nimmt Schall auf.	Mikrofon nimmt Schall auf.
Nervensystem verarbeitet Signale.	Computer verarbeitet digitale Audiodaten.
Erfahrungen, Aufmerksamkeit und Situation beeinflussen Wahrnehmung.	Trainingsdaten, Modell und Eingabe beeinflussen die Ausgabe.
Menschen können Bedeutung, Absicht und Situation einordnen.	Ein Modell löst die Aufgabe, für die es entwickelt und trainiert wurde.
Menschen können nachfragen und Verantwortung übernehmen.	Ein KI-System braucht Regeln dafür, wann Menschen prüfen und entscheiden.

Wichtig: Der Vergleich ist nur eine Lernhilfe. Ein Mikrofon ist kein Ohr und ein künstliches neuronales Netz ist kein menschliches Gehirn.

Medienbeobachtung

Video: Wie KI Muster lernt

Das folgende Video der Sendung mit der Maus erklärt altersgerecht die Grundidee, dass KI in Daten nach Mustern sucht. Übertrage diese Idee beim Anschauen auf Geräusche: Was wären bei Audio die „Daten“ und was wären „Muster“?

Beobachtungsauftrag: Nenne nach dem Video ein Beispiel dafür, dass ein Computer Muster verarbeiten kann, ohne die Welt genau so zu verstehen wie ein Mensch.

Video: Eine Geräusch-KI wird trainiert

Dieses englischsprachige Video zeigt ab ungefähr Minute 0:34, wie ein Modell mit Geräuschbeispielen trainiert und anschließend getestet wird. Für Klasse 5 reicht der erste Teil bis zum Training; die Programmierung danach ist optional.

Beobachtungsauftrag: Achte auf drei Dinge: Hintergrundgeräusch, mehrere Beispiele und anschließendes Testen. Warum braucht man alle drei?

Video: Sound Recognition für Lernende

Dieses kurze Beispiel zeigt eine einfache Geräuscherkennung im Umfeld von „Machine Learning for Kids“. Nutze es nicht als fertige Lösung, sondern als Beobachtungsbeispiel: Was muss ein Mensch vorbereiten, bevor die Maschine überhaupt etwas zuordnen kann?

Handlungsorientiertes Klassenexperiment

Baut eine „Klassen-KI“

Ihr simuliert ein lernendes System, ohne ein Konto anzulegen und ohne Stimmen zu speichern. Wählt drei harmlose Geräuschklassen, zum Beispiel Klatschen, Papier rascheln und Tisch tippen. Eine Gruppe ist das „Trainings-Team“, eine zweite Gruppe ist das „Modell“, eine dritte Gruppe ist das „Test-Team“.

Das Trainings-Team führt für jede Klasse mehrere Beispiele vor. Das Modell-Team notiert Merkmale, die helfen könnten: Dauer, Rhythmus, Lautstärke oder Klangfarbe. Danach erzeugt das Test-Team neue Beispiele, die nicht genau gleich klingen wie die Trainingsbeispiele.

Test	Echtes Geräusch	Vorhersage der Klassen-KI	richtig oder falsch	Beobachtung
A	Klatschen
B	Rascheln
C	Tippen
D	leises Klatschen
E	Rascheln mit Hintergrundgeräusch

Mathematik-Auftrag: Führt insgesamt zehn Tests durch. Zählt, wie viele davon richtig waren. Vergleicht zwei Durchgänge, zum Beispiel „ruhiger Raum“ und „Hintergrundgeräusch“. Wer Prozentrechnung schon kennt, kann den Anteil zusätzlich in Prozent angeben.

Informatik-Auftrag: Trennt klar zwischen Trainingsbeispielen und Testbeispielen. Warum wäre es unfair, nur die bekannten Beispiele als Test zu verwenden?

Naturwissenschafts-Auftrag: Welche Veränderung des Schalls hat die Zuordnung besonders schwierig gemacht?

Verbessern statt nur bewerten

Wenn Eure Klassen-KI Fehler macht, sagt nicht: „Die Person hat falsch geklatscht.“ Fragt stattdessen: Welche Beispiele oder Testbedingungen fehlen dem Modell? Vielleicht waren alle Trainingsbeispiele sehr laut, alle Tests aber leise. Vielleicht gab es beim Training nie Hintergrundgeräusche.

Das ist ein wichtiger Fairness-Gedanke: Ein Fehler kann zeigen, dass das System zu wenige oder zu einseitige Beispiele kennt.

Realistische Anwendungssituation: Untertitel fürs Schulvideo

Die Schülerzeitung möchte ein Video vom Schulfest veröffentlichen. Automatische Spracherkennung soll Untertitel erzeugen, damit das Video leichter verstanden werden kann. Die automatische Ausgabe enthält aber Fehler.

Gesprochener Satz: „Morgen beginnt die Theaterprobe um acht Uhr in der Aula.“

Automatische Ausgabe: „Morgen beginnt die Teerprobe um acht Uhr in der Eule.“

Zweiter gesprochener Satz: „Bitte bringt eure roten Mappen mit.“

Automatische Ausgabe: „Bitte bringt eure roten Matten mit.“

Deine Aufgabe ist nicht nur, die Wörter zu verbessern. Entscheide auch, ob automatische Untertitel ungeprüft veröffentlicht werden dürfen.

Prüffrage	Deine Beobachtung
Ist das Ergebnis sprachlich sinnvoll?
Passt es zum Zusammenhang?
Könnte ein Fehler Menschen verwirren oder bloßstellen?
Kann ein Mensch den Text vor der Veröffentlichung prüfen?
Wurde die Aufnahme mit Einwilligung erstellt?

Begründete Entscheidung: Für ein Schulvideo können automatische Untertitel eine hilfreiche erste Fassung sein. Vor der Veröffentlichung sollte ein Mensch sie prüfen und korrigieren. So bleibt die Entscheidung beim Menschen.

Warum KI sich verhören kann

Hintergrundgeräusche

Stimmen, Musik, Straßenlärm oder Hall überlagern das gewünschte Signal. Das kann die Erkennung erschweren.

Unterschiedliche Sprechweisen

Menschen sprechen unterschiedlich schnell, hoch, tief, leise oder laut. Aussprache, Dialekte, Akzente und individuelle Stimmen unterscheiden sich. Ein System muss deshalb mit vielfältigen Daten getestet werden. Wenn es bei bestimmten Gruppen häufiger scheitert, ist das ein Problem des Systems oder seines Trainings – nicht der Wert oder die Sprachfähigkeit der betroffenen Menschen.

Zu wenig passende Beispiele

Ein Modell, das nur lautes Klatschen kennt, kann leises Klatschen falsch zuordnen. Mehr Daten helfen aber nur dann, wenn die Beispiele zur Aufgabe passen und vielfältig genug sind.

Die falsche Aufgabe

Wenn ein Modell nur „Klatschen“, „Rascheln“ und „Tippen“ kennt, kann es ein Niesen nicht korrekt als „Niesen“ ausgeben. Vielleicht ordnet es das unbekannte Geräusch trotzdem einer vorhandenen Klasse zu. Darum ist die Frage wichtig: Welche Möglichkeiten kennt das Modell überhaupt?

Kontext fehlt

Gerade bei Sprache können ähnlich klingende Wörter verwechselt werden. Ein Satz oder eine Situation kann helfen, die passende Schreibweise zu bestimmen.

Fairness, Datenschutz und Verantwortung

Fair testen

Ein Modell sollte nicht nur unter den Bedingungen getestet werden, die beim Training besonders gut funktioniert haben. Wenn eine Schul-Anwendung für viele Kinder gedacht ist, müssen verschiedene realistische Stimmen, Sprechweisen, Abstände und Umgebungsgeräusche bedacht werden.

Fairnessfrage: Würdest Du ein System „gut“ nennen, wenn es bei einer Gruppe fast immer klappt, bei einer anderen aber häufig scheitert? Begründe.

Stimmen sind persönliche Daten

Eine Stimme kann Hinweise auf eine Person geben. Deshalb gilt im Unterricht: Nimm Stimmen nur auf, wenn es für die Aufgabe nötig ist, die Schule den Einsatz erlaubt und die betroffenen Personen informiert sind und zugestimmt haben. Verwende für einfache KI-Experimente lieber nicht-personenbezogene Geräusche wie Klatschen, Rascheln oder Tippen. Lade keine privaten Gespräche, Namen, Geheimnisse oder fremden Sprachaufnahmen ohne Erlaubnis hoch.

Sicherheitsregel: Für diesen Kurs ist keine Stimmerkennung nötig. Eine KI soll nicht herausfinden, welches Kind spricht.

Nicht jede KI-Entscheidung darf automatisch Folgen haben

Je größer die Folge eines Fehlers, desto wichtiger wird die menschliche Kontrolle.

Situation	Risiko bei Fehler	Sinnvolle Rolle der KI
Vogelstimmen im Schulgarten sortieren	eher gering	Vorschläge machen, die Lernende prüfen
Untertitel für ein Schulvideo erzeugen	mittel	Entwurf liefern, Mensch korrigiert vor Veröffentlichung
Nur aus einer Stimme über die Gefühle eines Kindes urteilen	hoch und unfair	nicht als alleinige Entscheidungsgrundlage verwenden
Eine Warnmeldung mit Sicherheitsfolge auslösen	hoch	nur in einem sorgfältig geprüften Gesamtsystem mit klarer menschlicher Verantwortung

Der KI-Hörcheck

Bevor Du einer Audio-KI vertraust, stelle vier Fragen:

Aufnahme: Was wurde aufgenommen und durfte es aufgenommen werden?
Beispiele: Mit welchen Arten von Beispielen wurde das System trainiert oder getestet?
Prüfung: Funktioniert es auch bei neuen Stimmen, Geräuschen und Hintergrundlärm?
Entscheidung: Welche Folgen hätte ein Fehler und wer trägt am Ende die Verantwortung?

Merksatz: KI kann Vorschläge machen. Menschen müssen prüfen, entscheiden und Verantwortung übernehmen.

Selbstkontrolle und Reflexion

Vier kurze Prüfsituationen

Situation	Deine Entscheidung	Begründung
Eine Geräusch-KI erkennt im ruhigen Raum neun von zehn Klatsch-Geräuschen richtig, im lauten Raum aber nur fünf.	weiter testen oder sofort einsetzen?
Ein automatischer Untertitel enthält einen offensichtlich falschen Namen.	übernehmen oder nachprüfen?
Für ein Experiment sollen private Sprachnachrichten aus einer Klassengruppe hochgeladen werden.	verwenden oder ablehnen?
Ein Vogelruf-Modell schlägt „Amsel“ vor, ein Mensch ist aber unsicher.	als Tatsache veröffentlichen oder als Vermutung kennzeichnen?

Selbstkontrolle: Wenn Du bei jeder Situation nicht nur „ja“ oder „nein“ sagst, sondern Trainingsbedingungen, Fehlerfolgen und menschliche Kontrolle in Deiner Begründung nennst, hast Du die zentrale Kompetenz des Kurses verstanden.

Transferaufgabe

Der Schulgarten möchte eine KI nutzen, die Vogelrufe erkennt und eine Liste beobachteter Arten erstellt. Das System wurde bisher nur mit klaren Einzelaufnahmen trainiert. Im Schulgarten hört man gleichzeitig Kinder, Wind, Verkehr und mehrere Vögel.

Entscheide selbstständig, ob die Schule die KI-Ergebnisse direkt als „Beobachtungsliste“ veröffentlichen sollte. Begründe Deine Entscheidung mit mindestens drei Punkten aus dem KI-Hörcheck. Schlage außerdem einen fairen Test vor, mit dem Ihr herausfinden könnt, ob das Modell für den Schulgarten geeignet ist.

Transferziel: Du sollst nicht wissen, welche Vogelart zu hören ist. Du sollst zeigen, dass Du eine neue KI-Situation prüfen und eine verantwortete Entscheidung begründen kannst.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Eine Geräusch-KI wurde nur mit lautem Klatschen trainiert. Was ist ein sinnvoller Test? (Sie auch mit leisem und unterschiedlich klingendem Klatschen prüfen) (!Nur die bekannten Trainingsaufnahmen noch einmal abspielen) (!Das Mikrofon ausschalten und die Ausgabe raten) (!Nur prüfen ob das Programm schnell startet)

Automatische Untertitel enthalten einen unklaren Namen. Was solltest Du vor der Veröffentlichung tun? (Den Namen mit der Originalaufnahme und einer verlässlichen Quelle prüfen) (!Den Namen ungeprüft übernehmen weil er von KI stammt) (!Alle Untertitel löschen ohne sie anzusehen) (!Den Namen durch irgendeinen anderen Namen ersetzen)

Warum trennt man Trainingsbeispiele und Testbeispiele? (Damit man sieht wie das Modell mit neuen Beispielen umgeht) (!Damit das Mikrofon lauter wird) (!Damit die Datei kleiner wird) (!Damit keine Geräusche mehr vorkommen)

Ein Modell kennt nur die Klassen Klatschen Rascheln und Tippen. Es hört ein Niesen. Was ist möglich? (Es kann das unbekannte Geräusch trotzdem einer falschen bekannten Klasse zuordnen) (!Es muss automatisch die neue Klasse Niesen erfinden) (!Es erkennt immer sicher dass es ein Mensch war) (!Es schaltet sich bei unbekannten Geräuschen immer aus)

Welche Aussage beschreibt ein Spektrogramm am besten? (Es macht sichtbar wie Frequenzanteile eines Signals sich mit der Zeit verändern) (!Es zeigt automatisch die Bedeutung eines Satzes) (!Es beweist welche Person gesprochen hat) (!Es entfernt jedes Hintergrundgeräusch)

Eine Audio-KI funktioniert bei einer Sprechweise deutlich schlechter als bei einer anderen. Welche Reaktion ist angemessen? (Die Testbedingungen und die Vielfalt der Daten untersuchen) (!Die betroffenen Menschen für den Fehler verantwortlich machen) (!Das Ergebnis trotzdem immer als fair bezeichnen) (!Weitere Tests vermeiden)

Für welches Experiment brauchst Du keine persönlichen Sprachaufnahmen? (Eine KI soll Klatschen Rascheln und Tippen unterscheiden) (!Eine KI soll einzelne Kinder an ihrer Stimme erkennen) (!Eine KI soll private Gespräche auswerten) (!Eine KI soll Namen aus Sprachnachrichten sammeln)

Warum kann Hintergrundlärm eine Spracherkennung erschweren? (Er überlagert Teile des gewünschten Audiosignals) (!Er verwandelt jedes Wort in ein Bild) (!Er macht aus einem Mikrofon einen Lautsprecher) (!Er sorgt dafür dass Sprache keine Schallwellen mehr bildet)

Welche Rolle sollte der Mensch bei wichtigen KI-Entscheidungen haben? (Er prüft das Ergebnis und übernimmt die begründete Entscheidung) (!Er folgt immer der ersten KI-Ausgabe) (!Er darf die Trainingsbedingungen nicht kennen) (!Er soll Fehler grundsätzlich ignorieren)

Ein Modell erzielt zehn von zehn Treffern mit denselben Aufnahmen die es beim Training gesehen hat. Was kannst Du daraus noch nicht sicher schließen? (Dass es auch bei neuen Aufnahmen zuverlässig funktioniert) (!Dass diese zehn bekannten Aufnahmen vorhanden sind) (!Dass das Modell eine Ausgabe erzeugen kann) (!Dass die Aufnahmen abgespielt wurden)

Memory

Mikrofon	wandelt Schall in ein elektrisches Signal
Spektrogramm	zeigt Frequenzmuster über die Zeit
Trainingsdaten	Beispiele zum Lernen
Testdaten	neue Beispiele zum Prüfen
Klassifikation	Zuordnung zu einer Kategorie
Menschenkontrolle	prüft Folgen und entscheidet verantwortlich

Drag and Drop

Ordne die richtigen Begriffe zu.	Aufgabe im Ablauf
Mikrofon	nimmt Schall auf
Digitalisierung	macht das Signal für den Computer als Zahlen verarbeitbar
Training	nutzt Beispiele zum Anpassen des Modells
Test	prüft das Modell mit neuen Beispielen
Menschliche Entscheidung	bewertet Folgen und übernimmt Verantwortung

Kreuzworträtsel

Mikrofon	Welches Gerät wandelt Luftschall in ein elektrisches Signal um?
Wellen	Als was breitet sich Schall in Luft aus?
Muster	Wonach sucht ein lernendes System in vielen Beispielen?
Training	Wie heißt die Lernphase eines Modells mit Beispielen?
Spektrogramm	Wie heißt eine Zeit-Frequenz-Darstellung eines Signals?
Datenschutz	Welcher Bereich ist bei Sprachaufnahmen besonders wichtig?

LearningApps

Lückentext

Ein

wandelt Schall in ein elektrisches Signal um. Ein Computer kann ein Audiosignal anschließend als digitale

verarbeiten. Beim maschinellen Lernen bekommt ein Modell viele passende

für seine Aufgabe. Ob es auch mit neuen Beispielen zurechtkommt, untersucht man beim

. Ein

kann sichtbar machen, wie sich Frequenzanteile eines Signals mit der Zeit verändern. Hintergrundgeräusche können eine Erkennung

. Automatische Untertitel sollten vor einer Veröffentlichung von einem

geprüft werden. Bei Sprachaufnahmen musst Du außerdem auf Einwilligung und

achten.

Offene Aufgaben

Leicht

Geräuschetagebuch: Sammle zehn Geräusche aus einem Schultag, ohne Personen heimlich aufzunehmen, und ordne sie selbst erfundenen Klassen zu. Begründe zwei schwierige Zuordnungen.
Klangbild: Zeichne drei Geräusche als grafische Muster aus Linien, Punkten und Flächen und erkläre, welche sichtbaren Merkmale für laut, leise, kurz oder lang stehen.
Untertitel prüfen: Erfinde einen kurzen Schulsatz und zwei glaubhafte Fehler, die eine automatische Spracherkennung machen könnte. Lass eine andere Person erklären, wie der Kontext beim Korrigieren hilft.
KI-Hörcheck: Wende die vier Prüffragen auf eine Sprachsuche oder automatische Untertitel an, ohne persönliche Daten einzugeben.

Standard

Klassen-KI: Trainiere mit Deiner Gruppe eine menschlich simulierte Geräusch-KI auf drei Klassen und dokumentiere mindestens zehn neue Tests.
Fehlertest: Vergleiche dieselbe Geräuschklassifikation unter zwei Bedingungen, zum Beispiel ruhig und mit Hintergrundgeräusch, und erkläre den Unterschied.
Faire Daten: Plane einen Datensatz für die Erkennung von drei Schulgeräuschen. Erkläre, warum verschiedene Lautstärken, Abstände und Räume vorkommen sollten.
Medienkritik: Untersuche automatische Untertitel eines altersgerechten Videos. Markiere drei Stellen, die Du besonders sorgfältig prüfen würdest, und erkläre Deine Kriterien.

Schwer

Entscheidungsmatrix: Vergleiche drei Einsatzideen für Audio-KI in der Schule nach Nutzen, Fehlerrisiko, Datenschutz und notwendiger Menschenkontrolle.
Experiment planen: Entwickle einen fairen Test für eine Geräusch-KI, bei dem Trainings- und Testbeispiele sauber getrennt sind und mindestens eine Störbedingung vorkommt.
Ethikrat: Formuliere eine Schulregel dafür, wann Audio-KI eingesetzt werden darf und wann nicht. Begründe die Regel mit Fairness, Datenschutz und Folgen möglicher Fehler.
Transferprojekt: Wähle eine neue Anwendung wie Vogelrufe, Instrumente oder Maschinenklänge. Entwirf Training, Test und menschliche Kontrolle und entscheide begründet, ob die KI nur beraten oder selbst handeln dürfte.

Lernkontrolle

Transfer Fall A: Eine KI soll in der lauten Sporthalle gesprochene Mannschaftsnamen für eine Anzeigetafel erkennen. Plane einen Test, der zeigt, ob sie für diesen Ort geeignet ist, und begründe mindestens drei Testbedingungen.
Transfer Fall B: Ein System erkennt bei manchen Kindern Wörter deutlich schlechter als bei anderen. Erkläre zwei mögliche Ursachen im System oder Datensatz und formuliere eine faire Reaktion der Schule.
Entscheidung begründen: Automatische Untertitel erreichen in einer Probe neun von zehn korrekten Sätzen. Entscheide, ob sie ungeprüft veröffentlicht werden dürfen, und beziehe die Folgen des einen Fehlers in Deine Begründung ein.
Datenwahl: Zwei Gruppen trainieren eine Geräusch-KI. Gruppe A nutzt hundert fast gleiche Aufnahmen aus demselben Raum. Gruppe B nutzt weniger, aber vielfältige Beispiele aus mehreren realistischen Bedingungen. Vergleiche, welche Gruppe wahrscheinlich den besseren Test vorbereitet hat und warum.
Menschenkontrolle: Erfinde eine Audio-KI-Anwendung mit geringem Risiko und eine mit hohem Risiko. Erkläre, wie sich dadurch die notwendige menschliche Kontrolle verändert.
Neue Situation: Eine Bibliothek möchte eine KI einsetzen, die erkennt, ob es im Leseraum „zu laut“ ist. Erkläre, welche Begriffe zuerst geklärt, welche Daten erhoben und welche Fairness- und Datenschutzfragen beantwortet werden müssen, bevor über einen Einsatz entschieden wird.

Lernnachweis

Für einen guten Lernnachweis zu „Wie KI hören kann“ ist wichtig, dass Du nicht nur Begriffe nennst, sondern Deine Entscheidungen nachvollziehbar begründest.

Du erklärst den Weg vom Schall über das Mikrofon zu digitalen Audiodaten in eigenen Worten.
Du unterscheidest Training und Test und begründest, warum neue Testbeispiele nötig sind.
Du beschreibst mindestens drei Ursachen für Fehlzuordnungen bei Audio-KI.
Du wertest ein kleines Testergebnis aus und vergleichst Bedingungen.
Du prüfst eine konkrete Anwendung auf Fairness, Datenschutz und mögliche Folgen von Fehlern.
Du erklärst, wann ein KI-Ergebnis nur ein Vorschlag sein sollte und wann menschliche Kontrolle zwingend wichtig ist.
Du überträgst den KI-Hörcheck selbstständig auf eine neue Situation und triffst eine begründete Entscheidung.

OERs zum Thema

Der Wikipedia-Artikel zur Spracherkennung bietet eine fachliche Vertiefung. Ein zweiter Artikel erklärt das Spektrogramm als Darstellung von Frequenzen über die Zeit.

Die verwendeten Abbildungen stammen aus Wikimedia Commons. Über die jeweilige Dateiseite kannst Du Urheberangaben und Lizenzbedingungen prüfen. Das ist selbst ein Teil von OER- und Quellenkompetenz.

Verknüpfte Lernbereiche

Wie KI hören kann

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache