Ethik der Künstlichen Intelligenz

Aktives Lernen funktioniert besonders gut bei diesem Thema, weil ethische Fragen zu KI nicht nur theoretisch bleiben dürfen. Die Schülerinnen und Schüler brauchen konkrete Erfahrungen mit Bias in Daten oder Fehlentscheidungen von Algorithmen, um Verantwortungsfragen wirklich zu verstehen und eigene Urteile zu bilden.

• Klasse 12
• Informatik Oberstufe: Von Algorithmen zur vernetzten Gesellschaft
• 4 Aktivitäten
• 35 Min.–60 Min.

Lernziele

1. Analysieren Sie Fallbeispiele, um spezifische ethische Probleme im Zusammenhang mit KI-Bias und Diskriminierung zu identifizieren.
2. Bewerten Sie die Angemessenheit verschiedener Ansätze zur Gewährleistung von Transparenz und Erklärbarkeit in KI-Systemen.
3. Entwickeln Sie Argumente zur Zuweisung von Verantwortung bei Fehlentscheidungen von KI-Systemen unter Berücksichtigung verschiedener Akteure.
4. Vergleichen Sie die ethischen Implikationen von KI-Anwendungen in verschiedenen Sektoren wie dem Gesundheitswesen und der Strafjustiz.

Rollenspiel

⏱ 45 Min.·Kleingruppen

Rollenspiel: KI-Fehlentscheidung

Schüler übernehmen Rollen wie KI-Entwickler, Geschädigter und Regulierer in einem Szenario mit diskriminierender KI. Sie debattieren Verantwortung und Lösungen. Plenum reflektiert Lernergebnisse.

Vorbereitung & Details

Wer trägt die Verantwortung, wenn eine KI eine Fehlentscheidung trifft?

Moderationstipp: Beim Rollenspiel 'KI-Fehlentscheidung' achten Sie darauf, dass jede Rolle klar definierte Interessen hat, damit die Diskussion nicht zu abstrakt wird.

Setup: Spielfläche oder entsprechend angeordnete Tische für das Szenario

Materials: Rollenkarten mit Hintergrundinfos und Zielen, Szenario-Briefing

• Anwenden
• Analysieren
• Bewerten
• Sozialbewusstsein
• Selbstwahrnehmung

Fishbowl-Diskussion

⏱ 50 Min.·Kleingruppen

Bias-Jagd: Dataset-Analyse

Gruppen erhalten Trainingsdatenbeispiele und identifizieren Vorurteile. Sie simulieren Algorithmen und prognostizieren Auswirkungen. Ergebnisse werden in einer Galeriewalk-Runde präsentiert.

Vorbereitung & Details

Wie können Vorurteile in Trainingsdaten zu diskriminierenden Algorithmen führen?

Moderationstipp: Bei der Bias-Jagd lassen Sie die Gruppen zunächst unvoreingenommen die Daten analysieren, bevor sie Hypothesen formulieren.

Setup: Innenkreis mit 4–6 Stühlen, umgeben von einem Außenkreis

Materials: Diskussionsimpuls oder Leitfrage, Beobachtungsbogen

• Analysieren
• Bewerten
• Sozialbewusstsein
• Selbstwahrnehmung

Debatte

⏱ 60 Min.·Ganze Klasse

Debatte: KI-Transparenz

Klasse teilt sich in zwei Teams für und gegen volle Erklärbarkeit von KI. Jede Seite bereitet Argumente, moderiert Debatte folgt. Abschließende Abstimmung und Reflexion.

Vorbereitung & Details

Beurteilen Sie die Notwendigkeit von Transparenz und Erklärbarkeit in KI-Systemen.

Moderationstipp: In der Pro-Contra-Debatte halten Sie die Zeitvorgaben strikt ein, um die Konzentration auf die Argumente zu lenken.

Setup: Zwei sich gegenüberstehende Teams, Sitzplätze für das Publikum

Materials: Thesenkarte für die Debatte, Recherche-Dossier für jede Seite, Bewertungsbogen für das Publikum, Stoppuhr

• Analysieren
• Bewerten
• Erschaffen
• Selbststeuerung
• Entscheidungsfähigkeit

Fishbowl-Diskussion

⏱ 35 Min.·Partnerarbeit

Karusell-Diskussion: Key Questions

Stationen zu den Leitfragen. Paare rotieren, ergänzen Notizen und bauen Argumente aus. Plenum fasst zentrale Erkenntnisse zusammen.

Vorbereitung & Details

Wer trägt die Verantwortung, wenn eine KI eine Fehlentscheidung trifft?

Moderationstipp: Bei der Karussell-Diskussion sorgen Sie dafür, dass jede Gruppe eine klare Frage erhält, die sie in der Rotation beantworten kann.

Setup: Innenkreis mit 4–6 Stühlen, umgeben von einem Außenkreis

Materials: Diskussionsimpuls oder Leitfrage, Beobachtungsbogen

• Analysieren
• Bewerten
• Sozialbewusstsein
• Selbstwahrnehmung

Dieses Thema unterrichten

Dieses Thema verlangt eine Balance zwischen emotionaler Ansprache und sachlicher Analyse. Vermeiden Sie es, die Schülerinnen und Schüler mit zu vielen technischen Details zu überfordern, und konzentrieren Sie sich stattdessen auf die ethischen Implikationen. Nutzen Sie reale Fälle als Ausgangspunkt, da sie die Relevanz des Themas verdeutlichen. Forschung zeigt, dass Schülerinnen und Schüler besonders gut lernen, wenn sie selbst aktiv werden und ihre Perspektiven in einer sicheren Umgebung austauschen können.

Was Sie erwartet

Erfolgreiches Lernen zeigt sich darin, dass die Klasse nicht nur über KI-Ethik diskutiert, sondern konkrete Probleme benennt, unterschiedliche Perspektiven einnimmt und Lösungsansätze entwickelt. Die Schülerinnen und Schüler sollen in der Lage sein, ihre Positionen mit Beispielen zu begründen und die Komplexität von Verantwortung zu erkennen.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Bei der Bias-Jagd 'Dataset-Analyse' hören manche Schüler, dass KI neutral sei und Vorurteile nur ein technisches Problem sind.

Was Sie stattdessen lehren sollten

Während der Bias-Jagd 'Dataset-Analyse' lenken Sie die Aufmerksamkeit auf die konkreten Daten, indem Sie die Gruppen auffordern, nach Mustern zu suchen, die Diskriminierung nahelegen. Fragen Sie gezielt nach Herkunft der Daten und möglichen Verzerrungen in der Auswahl.

Häufige Fehlvorstellung

Im Rollenspiel 'KI-Fehlentscheidung' vertreten einige Schüler die Meinung, dass nur die Entwickler Verantwortung tragen.

Was Sie stattdessen lehren sollten

Während des Rollenspiels 'KI-Fehlentscheidung' fordern Sie die Schüler auf, in ihren Rollen nach weiteren Verantwortungsträgern zu suchen. Stellen Sie gezielt Fragen wie 'Was könnte der Nutzer tun?' oder 'Welche Rolle spielt die Gesellschaft?'.

Häufige Fehlvorstellung

In der Pro-Contra-Debatte 'KI-Transparenz' glauben einige, dass Transparenz die Effizienz von KI-Systemen stark beeinträchtigt.

Was Sie stattdessen lehren sollten

Während der Pro-Contra-Debatte 'KI-Transparenz' lassen Sie die Schüler konkrete Beispiele für Transparenzmaßnahmen sammeln und deren Auswirkungen auf die Effizienz diskutieren. Fragen Sie nach Trade-offs und alternativen Lösungen.

Ideen zur Lernstandserhebung

Diskussionsfrage

Nach dem Rollenspiel 'KI-Fehlentscheidung' teilen Sie die Klasse in Kleingruppen auf und geben jeder Gruppe einen Fallbericht. Die Gruppen diskutieren die ethischen Probleme und Verantwortungsfragen, präsentieren ihre Ergebnisse und Sie bewerten die Qualität der Argumentation und die Berücksichtigung unterschiedlicher Perspektiven.

Lernstandskontrolle

Nach der Bias-Jagd 'Dataset-Analyse' geben Sie jedem Schüler eine Karte mit der Frage: 'Nennen Sie ein Beispiel für KI-Bias aus Ihrer Analyse und erklären Sie, wie es zu Diskriminierung führen kann. Welche Maßnahme könnte helfen, dieses Problem zu mildern?'

Gegenseitige Bewertung

Während der Pro-Contra-Debatte 'KI-Transparenz' lassen Sie die Schüler anonym kurze Argumentationen verfassen. Tauschen Sie die Texte paarweise aus und bewerten Sie die Argumentation anhand der Kriterien Klarheit und Relevanz der Beispiele. Geben Sie konstruktives Feedback.

Erweiterungen & Unterstützung

• Fordern Sie schnelle Schüler auf, während des Rollenspiels eine fiktive Pressemitteilung zu verfassen, die die KI-Fehlentscheidung kommentiert.
• Bei Schwierigkeiten in der Bias-Jagd bieten Sie eine vorbereitete Liste mit möglichen Bias-Quellen an, die die Schüler überprüfen können.
• Für vertiefte Exploration lassen Sie die Klasse eine fiktive KI-Politik für die Schule entwickeln, die ethische Grundsätze berücksichtigt.

Schlüsselvokabular

KI-Bias	Systematische Verzerrungen in den Ergebnissen eines KI-Systems, die oft aus unausgewogenen oder vorurteilsbehafteten Trainingsdaten resultieren.
Algorithmische Diskriminierung	Ungerechte oder nachteilige Behandlung von Personen oder Gruppen durch KI-Algorithmen, die auf Merkmalen wie Rasse, Geschlecht oder sozialem Status basiert.
Erklärbarkeit (Explainability)	Die Fähigkeit, die Entscheidungen und Vorhersagen eines KI-Systems für Menschen verständlich zu machen.
Verantwortungszuweisung	Der Prozess der Bestimmung, wer für die Handlungen oder Ergebnisse eines KI-Systems haftbar gemacht werden kann, z. B. Entwickler, Betreiber oder Nutzer.
Transparenz	Der Grad, in dem die Funktionsweise, die Datenquellen und die Entscheidungsprozesse eines KI-Systems offengelegt und nachvollziehbar sind.