Maschinelles Lernen und Neuronale Netze

Aktives Lernen eignet sich besonders für dieses Thema, weil die Schülerinnen und Schüler durch konkrete Auseinandersetzung mit ethischen Dilemmata und zukünftigen Szenarien die abstrakten Konzepte des maschinellen Lernens greifbar machen können. Die Kombination aus kritischer Reflexion und praktischen Methoden wie Rollenspielen oder Zukunftsprognosen fördert eine nachhaltige Verknüpfung von technischem Wissen und ethischer Urteilsfähigkeit.

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

Lernziele

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

Simulierte Gerichtsverhandlung

⏱ 60 Min.·Ganze Klasse

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.

Vorbereitung & Details

Wie unterscheidet sich maschinelles Lernen von klassischer algorithmischer Programmierung?

Moderationstipp: Während des Mock Trials darauf achten, dass die Schüler die Rollen nicht nur spielen, sondern auch die Argumentationsstruktur analysieren und auf reale Algorithmen übertragen.

Setup: Tische sind wie in einem Gerichtssaal angeordnet

Materials: Rollenkarten, Beweismittel-Pakete, Urteilsbogen für die Schöffen

• Analysieren
• Bewerten
• Erschaffen
• Entscheidungsfähigkeit
• Sozialbewusstsein

Museumsgang

⏱ 45 Min.·Kleingruppen

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.

Vorbereitung & Details

Erklären Sie die Funktionsweise eines künstlichen Neurons und eines einfachen neuronalen Netzes.

Moderationstipp: Beim Gallery Walk gezielt Fragen stellen, die die Schüler dazu anregen, ihre eigenen Berufsvorstellungen mit den prognostizierten Veränderungen zu vergleichen.

Setup: Wandflächen oder Tische entlang der Raumwände

Materials: Plakatpapier oder Posterwände, Marker, Haftnotizen für Feedback

• Verstehen
• Anwenden
• Analysieren
• Erschaffen
• Beziehungsfähigkeit
• Sozialbewusstsein

Ich-Du-Wir (Denken-Austauschen-Vorstellen)

⏱ 30 Min.·Partnerarbeit

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.

Vorbereitung & Details

Analysieren Sie die Bedeutung von Trainingsdaten für die Leistung von KI-Modellen.

Moderationstipp: Beim Think-Pair-Share die Schüler auffordern, ihre Argumente für das Recht auf Offline-Zeit mit konkreten Beispielen aus ihrem Alltag zu belegen.

Setup: Standard-Klassenzimmer; die Lernenden wenden sich dem Sitznachbarn zu

Materials: Diskussionsimpuls (projiziert oder gedruckt), Optional: Notizblatt für die Partnerarbeit

• Verstehen
• Anwenden
• Analysieren
• Selbstwahrnehmung
• Beziehungsfähigkeit

Dieses Thema unterrichten

Erfahrene Lehrkräfte setzen bei diesem Thema auf einen problemorientierten Ansatz, der technische Grundlagen mit ethischen und gesellschaftlichen Fragestellungen verknüpft. Wichtig ist es, den Unterricht so zu gestalten, dass die Schülerinnen und Schüler nicht nur Wissen aufnehmen, sondern aktiv reflektieren und gestalten. Vermeiden Sie reine Frontalpräsentationen über KI-Technologien – stattdessen sollten Sie die Lernenden selbst in die Rolle von Entwicklern, Ethikern oder Betroffenen versetzen.

Was Sie erwartet

Erfolgreiches Lernen zeigt sich darin, dass die Schülerinnen und Schüler nicht nur die Funktionsweise von Algorithmen erklären, sondern auch deren gesellschaftliche Auswirkungen fundiert diskutieren und eigene Positionen begründen können. Sie erkennen, dass ethische Entscheidungen im Entwicklungsprozess von KI-Systemen systematisch berücksichtigt werden müssen.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Während des Think-Pair-Share zum Recht auf Offline-Zeit könnte die Aussage fallen: 'Digitalisierung bedeutet einfach nur, dass alles schneller geht.'

Was Sie stattdessen lehren sollten

Nutzen Sie die Gelegenheit, um gemeinsam mit den Schülern zu analysieren, wie Algorithmen wie Social-Media-Feeds unsere Aufmerksamkeit steuern und welche Machtstrukturen dadurch entstehen. Fordern Sie die Schüler auf, konkrete Beispiele aus ihrer eigenen Nutzung zu nennen und zu diskutieren, wie diese die Geschwindigkeit der Informationsverarbeitung beeinflussen.

Häufige Fehlvorstellung

Während des Gallery Walk zur Arbeitswelt 2050 könnte die Aussage fallen: 'Ethik ist in der Informatik nur 'schönes Beiwerk'.'

Was Sie stattdessen lehren sollten

Lenken Sie die Aufmerksamkeit der Schüler auf die Fallbeispiele aus gescheiterten IT-Projekten, die im Rahmen des Gallery Walks präsentiert werden. Fordern Sie sie auf, zu überlegen, welche ethischen Fehlentscheidungen zu diesen Misserfolgen geführt haben könnten und wie ein verantwortungsvoller Entwicklungsprozess hätte aussehen können.

Ideen zur Lernstandserhebung

Diskussionsfrage

Nach dem Mock Trial 'Der Algorithmus auf der Anklagebank' stellen Sie die Frage: 'Welche ethischen Bedenken ergeben sich, wenn ein KI-System über die Kreditwürdigkeit einer Person entscheidet?' Lassen Sie die Schüler die wichtigsten Punkte vorstellen und achten Sie darauf, dass sie konkrete Beispiele aus dem Trial aufgreifen und auf Bias in Trainingsdaten oder mangelnde Transparenz hinweisen.

Kurze Überprüfung

Während des Gallery Walk 'Arbeitswelt 2050' geben Sie den Schülern eine Tabelle mit Beispielen für verschiedene Berufe (z.B. LKW-Fahrer, Datenanalyst, Altenpfleger). Bitten Sie sie, für jeden Beruf zu identifizieren, ob er durch Automatisierung bedroht sein könnte, und kurz zu begründen, welche menschlichen Kompetenzen in diesem Beruf unersetzlich bleiben.

Lernstandskontrolle

Nach dem Think-Pair-Share 'Das Recht auf Offline-Zeit' erhält jeder Schüler ein Kärtchen, auf dem er ein Szenario beschreibt, in dem ein Algorithmus die Freizeitgestaltung beeinflusst. Anschließend soll er angeben, welche Daten der Algorithmus benötigt und welche ethischen Probleme damit verbunden sein könnten.

Erweiterungen & Unterstützung

• Fordern Sie Schülerinnen und Schüler auf, ein eigenes Szenario zu entwickeln, in dem ein neuronales Netz in einer konkreten Anwendung eingesetzt wird, und die damit verbundenen ethischen Herausforderungen zu analysieren.
• Für Schüler, die Schwierigkeiten haben, bieten Sie eine vereinfachte Version des Mock Trials an, bei der sie zunächst nur eine Seite vorbereiten und die Argumente der Gegenpartei vorgegeben bekommen.
• Vertiefen Sie das Thema, indem Sie eine Exkursion zu einem Unternehmen organisieren, das KI-Systeme entwickelt, oder einen Gastvortrag eines Informatikers mit ethischem Schwerpunkt einplanen.

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.