Anwendungsfelder und Grenzen von KIAktivitäten & Unterrichtsstrategien
Aktives Lernen funktioniert hier besonders gut, weil Schülerinnen und Schüler durch direkte Interaktion mit KI-Systemen deren Stärken und Schwächen konkret erleben. Die Kombination aus praktischen Tests, Diskussionen und Reflexion ermöglicht es ihnen, abstrakte Konzepte wie Bias oder Halluzinationen greifbar zu machen.
Lernziele
- 1Analysieren Sie die Funktionsweise von Large Language Models (LLMs) anhand von Beispielen wie Textgenerierung und Übersetzung.
- 2Bewerten Sie die Stärken und Schwächen von Computer-Vision-Systemen bei der Bilderkennung und Objekterkennung.
- 3Vergleichen Sie die ethischen Implikationen von KI-Anwendungen in Bereichen wie Medizin und autonomem Fahren.
- 4Kritisieren Sie die potenziellen Risiken von KI-Systemen, einschließlich Bias in Trainingsdaten und der Problematik von 'Halluzinationen'.
- 5Synthetisieren Sie Argumente zur Frage, ob Maschinen jemals echtes Bewusstsein entwickeln können, basierend auf aktuellen Forschungsergebnissen.
Möchten Sie einen vollständigen Unterrichtsentwurf mit diesen Lernzielen? Mission erstellen →
Prompt-Engineering: LLM-Testen
Schüler erhalten Szenarien und erstellen Prompts für ein LLM wie ChatGPT. Sie vergleichen Ausgaben, identifizieren Halluzinationen und optimieren Prompts iterativ. Abschließend teilen Gruppen Erkenntnisse.
Vorbereitung & Details
Können Maschinen jemals echtes Verständnis oder Bewusstsein entwickeln?
Moderationstipp: Fordern Sie die Schüler auf, während des Prompt-Engineerings bewusst unklare oder mehrdeutige Anweisungen zu testen, um Halluzinationen gezielt zu provozieren.
Setup: Podiumstisch an der Stirnseite, Auditorium-Bestuhlung für die Klasse
Materials: Recherche-Dossiers für Experten, Namensschilder für die Panel-Teilnehmer, Arbeitsblatt zur Fragenvorbereitung für das Publikum
Computer-Vision-Challenge: Bildanalyse
Nutzen Sie Tools wie Teachable Machine: Schüler trainieren Modelle mit eigenen Bildern, testen auf Bias und vergleichen Genauigkeit. Diskutieren Sie Grenzen in Präsentationen.
Vorbereitung & Details
Wie verändern generative KIs den kreativen Prozess und das Urheberrecht?
Moderationstipp: Lassen Sie die Computer-Vision-Challenge mit Bildern beginnen, die aus ungewöhnlichen Perspektiven oder mit verzerrten Farben aufgenommen wurden, um Bias und Limitierungen direkt sichtbar zu machen.
Setup: Podiumstisch an der Stirnseite, Auditorium-Bestuhlung für die Klasse
Materials: Recherche-Dossiers für Experten, Namensschilder für die Panel-Teilnehmer, Arbeitsblatt zur Fragenvorbereitung für das Publikum
Debatte: KI-Grenzen
Teilen Sie Klasse in Pro- und Contra-Teams zu Thesen wie 'KI ersetzt Kreativität'. Jede Seite bereitet Argumente vor, inklusive Urheberrechtsbeispiele, und moderiert eine offene Runde.
Vorbereitung & Details
Wo liegen die physikalischen und energetischen Grenzen moderner KI-Systeme?
Moderationstipp: Beginnen Sie die Debatte mit einer klaren Zeitvorgabe für jede Sprecherin und jeden Sprecher, um strukturierte Argumentationen zu fördern und Abschweifungen zu vermeiden.
Setup: Zwei sich gegenüberstehende Teams, Sitzplätze für das Publikum
Materials: Thesenkarte für die Debatte, Recherche-Dossier für jede Seite, Bewertungsbogen für das Publikum, Stoppuhr
Energie-Rechner: KI-Kosten
Schüler recherchieren Verbrauch von Modellen wie GPT-4, berechnen CO2-Fußabdruck mit Online-Tools und vergleichen mit Haushaltsgeräten. Erstellen Infografiken.
Vorbereitung & Details
Können Maschinen jemals echtes Verständnis oder Bewusstsein entwickeln?
Moderationstipp: Zeigen Sie den Energie-Rechner als konkretes Beispiel, wie hohe Rechenlasten zu physikalischen und ökologischen Grenzen führen, bevor die Schüler selbst rechnen.
Setup: Podiumstisch an der Stirnseite, Auditorium-Bestuhlung für die Klasse
Materials: Recherche-Dossiers für Experten, Namensschilder für die Panel-Teilnehmer, Arbeitsblatt zur Fragenvorbereitung für das Publikum
Dieses Thema unterrichten
Unterrichten Sie dieses Thema am besten durch eine Mischung aus Hands-on-Erfahrungen und gezielten Reflexionsphasen. Vermeiden Sie es, KI-Systeme als 'intelligent' oder 'objektiv' zu beschreiben, sondern betonen Sie ihre datenbasierte Funktionsweise. Nutzen Sie die Aktivitäten, um Schülerinnen und Schüler zu ermutigen, kritische Fragen zu stellen und eigene Schlussfolgerungen zu ziehen.
Was Sie erwartet
Erfolgreiches Lernen zeigt sich darin, dass Schülerinnen und Schüler nicht nur definieren können, was KI leistet, sondern auch gezielt Grenzen benennen und kritisch hinterfragen. Sie erkennen, dass KI-Systeme trotz beeindruckender Leistungen grundlegende Einschränkungen haben, die menschliche Urteilsfähigkeit nicht ersetzen.
Diese Aktivitäten sind ein Ausgangspunkt. Die vollständige Mission ist das Erlebnis.
- Vollständiges Moderationsskript mit Lehrkraft-Dialogen
- Druckfertige Schülermaterialien, bereit für den Unterricht
- Differenzierungsstrategien für jeden Lerntyp
Vorsicht vor diesen Fehlvorstellungen
Häufige FehlvorstellungWährend der Aktivität 'Prompt-Engineering: LLM-Testen' könnte der Eindruck entstehen, KI-Modelle würden Inhalte wirklich verstehen.
Was Sie stattdessen lehren sollten
Nutzen Sie die Prompts aus dieser Aktivität, um gezielt nach widersprüchlichen oder erfundenen Informationen zu fragen. Diskutieren Sie anschließend in der Klasse, warum die KI trotz korrekter Antworten kein echtes Verständnis haben kann.
Häufige FehlvorstellungWährend der Aktivität 'Computer-Vision-Challenge: Bildanalyse' könnte angenommen werden, dass Computer Vision fehlerfreie Ergebnisse liefert.
Was Sie stattdessen lehren sollten
Fordern Sie die Schüler auf, Bilder mit ungewöhnlichen Winkeln, Lichtverhältnissen oder Bias-behafteten Darstellungen zu analysieren. Lassen Sie sie systematisch Fehler dokumentieren und deren Ursachen diskutieren.
Häufige FehlvorstellungWährend der Aktivität 'Energie-Rechner: KI-Kosten' könnte die Annahme entstehen, dass KI keine physikalischen Grenzen hat.
Was Sie stattdessen lehren sollten
Nutzen Sie den Energie-Rechner, um konkrete Beispiele für Quantenlimits und Energieverbrauch zu berechnen. Diskutieren Sie, wie diese Grenzen die Entwicklung von KI beeinflussen und welche Alternativen es gibt.
Ideen zur Lernstandserhebung
Nach der Aktivität 'Debatte: KI-Grenzen' teilen Sie die Klasse in Kleingruppen auf und geben jeder Gruppe drei Fallstudien vor. Die Gruppen identifizieren Vorteile und Risiken der beschriebenen KI-Anwendung und präsentieren ihre Ergebnisse im Plenum.
Während der Aktivität 'Prompt-Engineering: LLM-Testen' bitten Sie die Schüler, auf einer Karteikarte zwei Sätze zu schreiben, die erklären, was eine 'Halluzination' bei einem LLM ist, und einen Satz, der eine mögliche Strategie zur Vermeidung beschreibt.
Nach der Aktivität 'Computer-Vision-Challenge: Bildanalyse' stellen Sie eine Reihe von kurzen Multiple-Choice- oder Richtig/Falsch-Fragen, um das Verständnis grundlegender Konzepte wie Bias oder die Funktionsweise von Computer Vision zu überprüfen.
Erweiterungen & Unterstützung
- Fordern Sie Schüler auf, eigene Prompts zu entwickeln, die gezielt Halluzinationen auslösen, und dokumentieren Sie die Ergebnisse in einer Tabelle.
- Geben Sie Schülern mit Schwierigkeiten vorab strukturierte Prompt-Beispiele, die sie anpassen können, um erste Erfolge zu erzielen.
- Vertiefen Sie die Debatte, indem Sie historische Beispiele für KI-Fehler analysieren und diskutieren, welche gesellschaftlichen Folgen diese hatten.
Schlüsselvokabular
| Large Language Model (LLM) | Ein KI-Modell, das darauf trainiert ist, menschliche Sprache zu verstehen und zu generieren, oft basierend auf riesigen Textdatensätzen. |
| Computer Vision | Ein Bereich der KI, der es Computern ermöglicht, visuelle Informationen aus Bildern oder Videos zu 'sehen' und zu interpretieren. |
| Generative KI | KI-Systeme, die in der Lage sind, neue Inhalte wie Texte, Bilder oder Musik zu erstellen, anstatt nur vorhandene Daten zu analysieren. |
| Bias (in KI) | Systematische Verzerrungen in den Ergebnissen eines KI-Systems, die oft aus unausgewogenen oder vorurteilsbehafteten Trainingsdaten resultieren. |
| Halluzination (KI) | Wenn ein KI-Modell, insbesondere ein LLM, falsche oder unsinnige Informationen als Fakten präsentiert. |
Vorgeschlagene Methoden
Planungsvorlagen für Informatik Oberstufe: Komplexe Systeme und Theoretische Grundlagen
Mehr in Künstliche Intelligenz und Machine Learning
Einführung in Künstliche Intelligenz
Die Schülerinnen und Schüler lernen die Definition, Geschichte und Anwendungsbereiche der KI kennen.
2 methodologies
Grundlagen des Machine Learning
Die Schülerinnen und Schüler verstehen die Konzepte von überwachtem, unüberwachtem und bestärkendem Lernen.
2 methodologies
Lineare Regression und Klassifikation
Die Schülerinnen und Schüler lernen grundlegende Machine Learning-Modelle wie lineare Regression und logistische Regression kennen.
2 methodologies
Grundlagen neuronaler Netze
Modellierung biologischer Lernprozesse durch Perzeptrone und Backpropagation.
3 methodologies
Deep Learning und Convolutional Neural Networks (CNNs)
Die Schülerinnen und Schüler lernen Deep Learning-Architekturen und CNNs für Bilderkennung kennen.
2 methodologies
Bereit, Anwendungsfelder und Grenzen von KI zu unterrichten?
Erstellen Sie eine vollständige Mission mit allem, was Sie brauchen
Mission erstellen