Informatik · Klasse 12 · Informatik und Gesellschaft · 2. Halbjahr

Maschinelles Lernen und Neuronale Netze

Die Schülerinnen und Schüler verstehen die Funktionsweise neuronaler Netze und die Prinzipien des maschinellen Lernens.

• KMK Bildungsstandards
• KMK: Sekundarstufe II - Interagieren und Reflektieren
• KMK: Sekundarstufe II - Beurteilen und Bewerten

Über dieses Thema

Die digitale Ethik befasst sich mit den moralischen Fragen einer zunehmend automatisierten Welt. In der 12. Klasse reflektieren Schüler über die Zukunft der Arbeit: Welche Berufe verschwinden, welche entstehen neu und welche menschlichen Kompetenzen bleiben unersetzlich? Dies ist ein Kernaspekt der KMK-Kompetenz 'Interagieren und Reflektieren'. Die Lernenden setzen sich mit der algorithmischen Optimierung des Lebens auseinander, von Social-Media-Feeds bis hin zu Scoring-Systemen.

Ein weiterer Schwerpunkt ist der Einfluss der ständigen Verfügbarkeit auf das Sozialverhalten und die psychische Gesundheit. Im Kontext der deutschen Geschichte (Überwachungserfahrungen) wird besonders kritisch hinterfragt, wie viel Macht wir Algorithmen über unser Privatleben einräumen wollen. Dieses Thema lebt von kontroversen Diskussionen, Rollenspielen und der Analyse aktueller Trends. Es fordert die Schüler heraus, ihre eigene Rolle als digitale Bürger aktiv zu gestalten und ethische Maßstäbe für die Technik von morgen zu entwickeln.

Leitfragen

1. Wie unterscheidet sich maschinelles Lernen von klassischer algorithmischer Programmierung?
2. Erklären Sie die Funktionsweise eines künstlichen Neurons und eines einfachen neuronalen Netzes.
3. Analysieren Sie die Bedeutung von Trainingsdaten für die Leistung von KI-Modellen.

Lernziele

• Vergleichen Sie die Funktionsweise eines künstlichen Neurons mit der eines biologischen Neurons.
• Analysieren Sie die Rolle von Trainingsdaten bei der Optimierung der Leistung eines einfachen neuronalen Netzes.
• Erklären Sie die Unterschiede zwischen überwachtem, unüberwachtem und bestärkendem Lernen.
• Bewerten Sie die ethischen Implikationen des Einsatzes von KI-gestützten Systemen in Entscheidungsprozessen.
• Entwerfen Sie ein einfaches neuronales Netz zur Lösung eines Klassifizierungsproblems.

Bevor es losgeht

Grundlagen der Programmierung (Kontrollstrukturen, Datentypen)

Warum: Ein grundlegendes Verständnis von Variablen, Schleifen und Bedingungen ist notwendig, um die Funktionsweise von Algorithmen und die Implementierung von Neuronen nachvollziehen zu können.

Mathematische Grundlagen (Lineare Algebra, Funktionen)

Warum: Kenntnisse über Vektoren, Matrizen und grundlegende Funktionen sind für das Verständnis der mathematischen Operationen innerhalb eines künstlichen Neurons und der Backpropagation unerlässlich.

Schlüsselvokabular

Künstliches Neuron (Perzeptron)	Eine mathematische Funktion, die Eingaben empfängt, diese mit Gewichten multipliziert, eine Aktivierungsfunktion anwendet und eine Ausgabe erzeugt. Es ist die grundlegende Einheit eines neuronalen Netzes.
Aktivierungsfunktion	Eine Funktion, die auf die gewichtete Summe der Eingaben eines Neurons angewendet wird, um die Ausgabe zu bestimmen und Nichtlinearität einzuführen. Beispiele sind Sigmoid, ReLU oder Tanh.
Trainingsdaten	Datensätze, die verwendet werden, um ein maschinelles Lernmodell zu trainieren. Sie bestehen typischerweise aus Eingabedaten und den dazugehörigen korrekten Ausgaben (bei überwachtem Lernen).
Überwachtes Lernen	Ein Lernansatz, bei dem das Modell anhand von gelabelten Daten trainiert wird, um eine Zuordnung von Eingaben zu Ausgaben zu lernen.
Backpropagation	Ein Algorithmus zur Berechnung der Gradienten der Kostenfunktion in Bezug auf die Gewichte eines neuronalen Netzes, der für das Training verwendet wird.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Digitalisierung bedeutet einfach nur, dass alles schneller geht.

Was Sie stattdessen lehren sollten

Digitalisierung verändert die Machtstrukturen und sozialen Normen grundlegend. Durch die Analyse von Plattformökonomien erkennen Schüler, dass es um neue Geschäftsmodelle und die Kontrolle über Daten geht, nicht nur um Geschwindigkeit.

Häufige Fehlvorstellung

Ethik ist in der Informatik nur 'schönes Beiwerk'.

Was Sie stattdessen lehren sollten

Ethische Fehlentscheidungen können zu massiven rechtlichen und wirtschaftlichen Schäden führen. In Fallstudien zu gescheiterten IT-Projekten lernen Schüler, dass ethische Reflexion ein notwendiger Teil des Risikomanagements ist.

Ideen für aktives Lernen

Simulierte Gerichtsverhandlung: Der Algorithmus auf der Anklagebank

Ein fiktiver Algorithmus zur Personalvorauswahl wird wegen Diskriminierung angeklagt. Schüler spielen Richter, Anwälte und Zeugen (Betroffene, Entwickler), um die ethischen Fallstricke automatisierter Entscheidungen zu beleuchten.

60 Min.·Ganze Klasse

Museumsgang: Arbeitswelt 2050

Schüler entwerfen Visionen für Berufe der Zukunft auf Postern. Sie müssen begründen, welche Tätigkeiten automatisiert werden und wo menschliche Empathie oder Kreativität unverzichtbar bleiben, gefolgt von einem Rundgang mit kritischem Feedback.

45 Min.·Kleingruppen

Ich-Du-Wir (Denken-Austauschen-Vorstellen): Das Recht auf Offline-Zeit

Lernende reflektieren einzeln über ihren digitalen Konsum und die Erwartung ständiger Erreichbarkeit. Sie diskutieren in Paaren, ob es gesetzliche Regelungen für ein 'Recht auf Nichterreichbarkeit' geben sollte und wie dies technisch/gesellschaftlich umsetzbar wäre.

30 Min.·Partnerarbeit

Bezüge zur Lebenswelt

• Autonomes Fahren: Systeme wie Waymo oder Tesla nutzen neuronale Netze, um Objekterkennung (Fußgänger, andere Fahrzeuge) und Routenplanung in Echtzeit zu ermöglichen, basierend auf riesigen Mengen an Sensordaten.
• Medizinische Diagnostik: KI-Systeme, die auf neuronalen Netzen basieren, analysieren medizinische Bilder wie Röntgenaufnahmen oder MRTs, um Anomalien wie Tumore zu erkennen und Radiologen bei der Diagnose zu unterstützen, wie es beispielsweise bei Google Health der Fall ist.
• Empfehlungssysteme: Plattformen wie Netflix oder Spotify verwenden neuronale Netze, um personalisierte Empfehlungen für Filme oder Musik basierend auf dem bisherigen Nutzerverhalten zu generieren.

Ideen zur Lernstandserhebung

Diskussionsfrage

Stellen Sie die Frage: 'Welche ethischen Bedenken ergeben sich, wenn ein KI-System über die Kreditwürdigkeit einer Person entscheidet?' Lassen Sie die Schüler in Kleingruppen diskutieren und anschließend die wichtigsten Punkte im Plenum vorstellen. Achten Sie auf die Nennung von Bias in Trainingsdaten und mangelnder Transparenz.

Kurze Überprüfung

Geben Sie den Schülern eine Tabelle mit Beispielen für verschiedene Lernansätze (z.B. Spam-Filter, Clustering von Kundendaten, Schachcomputer). Bitten Sie sie, für jedes Beispiel zu identifizieren, ob es sich um überwachtes, unüberwachtes oder bestärkendes Lernen handelt und kurz zu begründen, warum. Dies prüft das Verständnis der grundlegenden Lernarten.

Lernstandskontrolle

Jeder Schüler erhält ein Kärtchen. Darauf soll er/sie ein einfaches Szenario beschreiben (z.B. Erkennung von Katzenbildern), für das ein neuronales Netz trainiert werden könnte. Anschließend soll er/sie angeben, welche Art von Daten (Eingabe, Ausgabe) für das Training benötigt würden und welche Aktivierungsfunktion für die letzte Schicht geeignet sein könnte (z.B. Sigmoid für binäre Klassifikation).

Häufig gestellte Fragen

Was ist digitale Ethik?

Sie untersucht, wie wir uns in der digitalen Welt verhalten sollten und welche Werte (wie Freiheit, Gerechtigkeit, Privatsphäre) wir in die Gestaltung von Technik einfließen lassen müssen. Es geht darum, Technik menschengerecht zu machen.

Wie verändert KI die Zukunft der Arbeit?

Routineaufgaben (sowohl körperlich als auch geistig) werden zunehmend automatisiert. Wertvoller werden Kompetenzen wie kritisches Denken, komplexe Problemlösung, soziale Intelligenz und die Fähigkeit, mit KI-Werkzeugen kreativ zusammenzuarbeiten.

Warum ist aktives Lernen für ethische Themen so wichtig?

Ethik lässt sich nicht auswendig lernen. Durch Debatten und Rollenspiele müssen Schüler unterschiedliche Perspektiven einnehmen und ihre eigenen Werte gegen Gegenargumente verteidigen. Das schult das Urteilsvermögen viel tiefer als das bloße Lesen von Fallbeispielen.

Was bedeutet 'Filterblase' und warum ist sie ethisch relevant?

Algorithmen zeigen uns oft nur Inhalte, die unsere Meinung bestätigen. Das kann zur Radikalisierung führen und den gesellschaftlichen Diskurs erschweren. Die ethische Frage ist, ob Plattformen verpflichtet sein sollten, uns auch mit gegensätzlichen Meinungen zu konfrontieren.