Aktivität 01
Tool-Exploration: Teachable Machine nutzen
Schüler öffnen Teachable Machine online und trainieren ein Modell zur Erkennung von Gesten mit Webcam-Bildern. Sie sammeln je 20 Bilder pro Klasse, testen das Modell und notieren Erfolgsraten. In der Reflexion diskutieren sie, warum zusätzliche Daten helfen.
Erklären Sie, wie eine Maschine aus Daten lernen kann, ohne explizit programmiert zu werden.
ModerationstippLassen Sie während der Tool-Exploration mit Teachable Machine bewusst Zeit für Fragen zu den Trainingsprozessen, um die algorithmische Logik zu vertiefen.
Worauf zu achten istGeben Sie den Schülern zwei kurze Datensätze (z.B. Wetterdaten mit Temperaturen und Niederschlagswerten, Bildbeschreibungen mit Labels). Bitten Sie sie, für jeden Datensatz zu entscheiden, ob er eher für überwachtes oder unüberwachtes Lernen geeignet ist, und begründen Sie ihre Wahl kurz.
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→· · ·
Aktivität 02
Gruppen-Simulation: Manuelles Mustertraining
Gruppen sortieren Karten mit Tierbildern in Trainings- und Teststapel. Sie erstellen Regeln basierend auf Merkmalen wie Fellfarbe, dann testen sie mit neuen Bildern. Abschließend vergleichen sie mit einem echten ML-Modell.
Analysieren Sie die Bedeutung von Trainingsdaten für die Leistung eines KI-Modells.
ModerationstippBeobachten Sie während der Gruppen-Simulation, wie Schüler ihre Karten sortieren, um gezielt nach falschen Zuordnungen zu fragen und das Konzept des Mustertrainings zu klären.
Worauf zu achten istZeigen Sie ein Bild von verschiedenen Tieren (z.B. Hunde, Katzen, Vögel). Fragen Sie die Schüler: 'Wenn wir dies als Trainingsdaten für ein KI-Modell verwenden würden, welche Art von Daten wären das (gelabelt oder ungelabelt)? Wie könnte ein Modell lernen, die Tiere zu unterscheiden?'
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→· · ·
Aktivität 03
Daten-Challenge: Vorhersage aus Zahlen
Paare erhalten Tabellen mit Wetterdaten und prognostizieren Regenwahrscheinlichkeit. Sie experimentieren mit verschiedenen Trainingsdaten und messen Genauigkeit. Gemeinsam visualisieren sie Ergebnisse in einer Tabelle.
Differentiieren Sie zwischen überwachtem und unüberwachtem Lernen.
ModerationstippFordern Sie in der Daten-Challenge die Schüler auf, ihre Vorhersagen zu begründen, um den Zusammenhang zwischen Datenmustern und Modellverhalten zu verdeutlichen.
Worauf zu achten istStellen Sie die Frage: 'Stellen Sie sich vor, Sie trainieren ein KI-Modell, um Spam-E-Mails zu erkennen. Welche Art von Daten würden Sie benötigen und warum ist die Qualität dieser Daten entscheidend für die Leistung des Modells?' Leiten Sie eine kurze Klassendiskussion.
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→· · ·
Aktivität 04
Klassendiskussion: Bias-Detektion
Die Klasse betrachtet ein trainiertes Modell mit voreingenommenen Daten. Jeder testet es individuell, teilt Ergebnisse und diskutiert Anpassungen. Ziel ist die Erkennung von Ungenauigkeiten durch unbalancierte Daten.
Erklären Sie, wie eine Maschine aus Daten lernen kann, ohne explizit programmiert zu werden.
ModerationstippLenken Sie in der Klassendiskussion über Bias bewusst die Aufmerksamkeit auf die Herkunft der Trainingsdaten, um die Relevanz von Diversität zu betonen.
Worauf zu achten istGeben Sie den Schülern zwei kurze Datensätze (z.B. Wetterdaten mit Temperaturen und Niederschlagswerten, Bildbeschreibungen mit Labels). Bitten Sie sie, für jeden Datensatz zu entscheiden, ob er eher für überwachtes oder unüberwachtes Lernen geeignet ist, und begründen Sie ihre Wahl kurz.
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→Einige Hinweise zum Unterrichten dieser Einheit
Erfahrene Lehrkräfte beginnen mit einfachen, greifbaren Beispielen, bevor sie komplexe Erklärungen geben, um Fehlvorstellungen frühzeitig zu begegnen. Sie vermeiden technische Details, die von der Kernidee ablenken, und nutzen stattdessen visuelle Analogien wie das Sortieren von Karten, um abstrakte Konzepte zu veranschaulichen. Wichtig ist, immer wieder auf die Datenqualität hinzuweisen, da Schüler oft glauben, dass mehr Daten automatisch bessere Ergebnisse liefern.
Erfolgreiches Lernen zeigt sich, wenn Schülerinnen und Schüler erklären können, wie Trainingsdaten die Genauigkeit eines Modells beeinflussen und warum Qualität wichtiger ist als Quantität. Sie sollten zudem in der Lage sein, zwischen überwachtem und unüberwachtem Lernen zu unterscheiden und konkrete Beispiele dafür zu nennen.
Vorsicht vor diesen Fehlvorstellungen
Während der Gruppen-Simulation mit Karten-Sortierung, achten Sie darauf, ob Schüler annehmen, die Maschine beobachte das Lernverhalten wie ein Mensch.
Nutzen Sie die Sortierungsphase, um explizit zu fragen: 'Was passiert hier mit den Karten? Wie entscheidet die Simulation, ob eine Karte richtig sortiert ist?' und vergleichen Sie dies mit der statistischen Anpassung von Parametern.
Während der Daten-Challenge mit variierenden Datensätzen, beobachten Sie, ob Schüler glauben, dass mehr Zahlen immer zu besseren Vorhersagen führen.
Fordern Sie die Schüler auf, Datensätze mit Fehlern oder Redundanzen zu analysieren und zu erklären, warum diese das Modell verschlechtern – etwa durch gezielte Fragen wie: 'Was passiert, wenn wir diese drei falschen Werte entfernen?'
Während der Tool-Exploration mit Teachable Machine, hören Sie, ob Schüler annehmen, maschinelles Lernen erfolge ohne Programmierung.
Zeigen Sie im Anschluss an die Nutzung des Tools die grundlegenden Code-Strukturen (z.B. einfache Klassifizierung mit if-else-Anweisungen), um den Unterschied zwischen Algorithmen-Implementierung und Parameteroptimierung zu verdeutlichen.
In dieser Übersicht verwendete Methoden