Informatik · Klasse 8 · Künstliche Intelligenz und Gesellschaft · 2. Halbjahr

Neuronale Netze: Inspiration aus der Biologie

Die Schülerinnen und Schüler erhalten einen vereinfachten Einblick in die Funktionsweise neuronaler Netze.

• KMK Bildungsstandards
• KMK: Sekundarstufe I - Informatiksysteme verstehen
• KMK: Sekundarstufe I - Strukturieren und Modellieren

Über dieses Thema

Neuronale Netze ziehen ihre Inspiration aus der Biologie, genauer aus der Funktionsweise biologischer Neuronen im Gehirn. Ein biologisches Neuron nimmt Signale über Dendriten auf, verarbeitet sie im Zellkörper und leitet sie bei Überschreitung einer Schwelle über das Axon weiter. Künstliche Neuronen modellieren dies vereinfacht: Gewichtete Eingaben werden summiert, und eine Aktivierungsfunktion erzeugt die Ausgabe. Schülerinnen und Schüler der Klasse 8 erhalten so einen Einblick, wie diese Bausteine zu Netzen mit mehreren Schichten kombiniert werden, um Muster in Daten zu erkennen.

Die Lernziele orientieren sich an den KMK-Standards für die Sekundarstufe I: Schüler erklären die Analogie zwischen biologischen und künstlichen Neuronen, analysieren Mustererkennung in komplexen Daten und beurteilen Potenziale sowie Grenzen einfacher Netze. Im Kontext der Unit 'Künstliche Intelligenz und Gesellschaft' fördert dies das Verständnis von Informatiksystemen und Modellierungsfähigkeiten. Schüler sehen, wie Training Gewichte anpasst, um Vorhersagen zu verbessern, etwa bei der Klassifikation von Bildern.

Aktives Lernen ist hier besonders wirksam, weil abstrakte Prozesse durch handfeste Modelle und Simulationen konkret werden. Wenn Schüler Neuronen mit Alltagsmaterialien nachbauen oder einfache Netze in Software testen, verstehen sie kausale Zusammenhänge intuitiv und entdecken Grenzen selbstständig.

Leitfragen

1. Erklären Sie die Analogie zwischen biologischen Neuronen und künstlichen Neuronen.
2. Analysieren Sie, wie ein neuronales Netz Muster in komplexen Daten erkennen kann.
3. Beurteilen Sie die Grenzen und Potenziale einfacher neuronaler Netze.

Lernziele

• Erklären Sie die Analogie zwischen der Signalverarbeitung in biologischen Neuronen und künstlichen Neuronen.
• Analysieren Sie, wie die gewichtete Summe von Eingaben und die Aktivierungsfunktion die Ausgabe eines künstlichen Neurons bestimmen.
• Demonstrieren Sie anhand eines einfachen Beispiels, wie mehrere Schichten künstlicher Neuronen Muster in Daten erkennen können.
• Bewerten Sie die Fähigkeit einfacher neuronaler Netze zur Mustererkennung im Vergleich zu ihrer Anfälligkeit für Fehler bei neuen Daten.

Bevor es losgeht

Grundlagen der Datenverarbeitung und Algorithmen

Warum: Schüler müssen verstehen, wie Daten repräsentiert und einfache Verarbeitungsschritte (wie Summation) ausgeführt werden, um künstliche Neuronen zu begreifen.

Einführung in die Informatiksysteme

Warum: Ein grundlegendes Verständnis davon, wie Computer Programme ausführen und mit Daten interagieren, ist hilfreich, um die Idee eines 'Netzwerks' von Verarbeitungseinheiten zu erfassen.

Schlüsselvokabular

Biologisches Neuron	Eine Nervenzelle im Gehirn, die elektrische und chemische Signale empfängt, verarbeitet und weiterleitet.
Künstliches Neuron (Perzeptron)	Ein mathematisches Modell, das die Funktion eines biologischen Neurons vereinfacht nachbildet und Eingaben verarbeitet, um eine Ausgabe zu erzeugen.
Gewichte	Numerische Werte, die die Stärke der Verbindung zwischen Neuronen in einem künstlichen neuronalen Netz bestimmen und während des Trainings angepasst werden.
Aktivierungsfunktion	Eine mathematische Funktion, die entscheidet, ob und wie stark ein künstliches Neuron 'feuert', basierend auf der Summe seiner gewichteten Eingaben.
Schichten	Gruppen von künstlichen Neuronen in einem neuronalen Netz, die typischerweise in einer Eingabeschicht, einer oder mehreren versteckten Schichten und einer Ausgabeschicht angeordnet sind.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Neuronale Netze denken wie Menschen.

Was Sie stattdessen lehren sollten

Netze sind mathematische Modelle ohne Bewusstsein, sie optimieren nur Gewichte basierend auf Daten. Aktive Simulationen helfen, da Schüler selbst berechnen und sehen, dass Ausgaben deterministisch sind, nicht kreativ.

Häufige Fehlvorstellung

Ein Netz erkennt Muster sofort ohne Training.

Was Sie stattdessen lehren sollten

Training passt Gewichte iterativ an Fehlern an. Hands-on-Anpassungen von Modellen zeigen Schülern, warum Daten und Iterationen essenziell sind, und widerlegen den Irrtum durch eigene Experimente.

Häufige Fehlvorstellung

Mehr Schichten bedeuten immer bessere Ergebnisse.

Was Sie stattdessen lehren sollten

Tiefe Netze brauchen mehr Daten und Rechenleistung, sonst overfitten sie. Gruppendiskussionen zu Modelltests verdeutlichen Grenzen und fördern nuanciertes Denken.

Ideen für aktives Lernen

Modellbau: Papier-Neuron

Jede Gruppe bastelt ein Modell eines künstlichen Neurons aus Karton: Dendriten als Eingaben mit Gewichten, Zellkörper als Summierer, Axon als Ausgabe. Testen Sie mit Zahlenkarten, ob die Schwelle erreicht wird. Diskutieren Sie die Ergebnisse.

30 Min.·Kleingruppen

Planspiel: Einfaches Netz mit Würfeln

Verteilen Sie Würfel als Eingaben und Karten mit Gewichten. Paare berechnen schrittweise die Ausgaben eines Zweischicht-Netzes für Muster wie gerade/ungerade Zahlen. Passen Sie Gewichte manuell an, um das Netz zu 'trainieren'.

25 Min.·Partnerarbeit

Klassen-Demo: Vorhersage-Spiel

Projektieren Sie ein einfaches Netz auf die Tafel. Die Klasse gibt kollektiv Eingaben ein und berechnet gemeinsam die Ausgabe für Bildklassifikation. Variieren Sie Daten, um Lernprozesse zu zeigen.

35 Min.·Ganze Klasse

Programmier-Challenge: Neuron in Scratch

Individuen programmieren ein einzelnes Neuron in Scratch mit Variablen für Gewichte und Eingaben. Testen Sie mit zufälligen Werten und notieren Sie Anpassungen für bessere Vorhersagen.

40 Min.·Einzelarbeit

Bezüge zur Lebenswelt

• Bilderkennungssysteme in Smartphones, wie sie von Unternehmen wie Apple (Face ID) und Google (Google Lens) entwickelt werden, nutzen neuronale Netze, um Gesichter, Objekte und Texte auf Fotos zu identifizieren.
• Sprachassistenten wie Alexa von Amazon oder Siri von Apple verwenden neuronale Netze, um gesprochene Sprache zu verstehen und auf Anfragen zu reagieren, indem sie Muster in akustischen Signalen erkennen.
• Empfehlungssysteme auf Plattformen wie Netflix oder Spotify analysieren das Nutzerverhalten mit Hilfe neuronaler Netze, um personalisierte Film- oder Musikvorschläge zu generieren.

Ideen zur Lernstandserhebung

Kurze Überprüfung

Stellen Sie den Schülern drei Karten mit den Begriffen 'Biologisches Neuron', 'Künstliches Neuron' und 'Gewicht'. Bitten Sie sie, auf jeder Karte einen Satz zu schreiben, der die Funktion des jeweiligen Begriffs in der Signalverarbeitung erklärt.

Diskussionsfrage

Teilen Sie die Klasse in Kleingruppen auf. Geben Sie jeder Gruppe ein einfaches Szenario (z.B. Erkennung von Katzenbildern). Bitten Sie die Gruppen, zu diskutieren und zu notieren, wie ein einfaches neuronales Netz mit mehreren Schichten dieses Muster erkennen könnte und welche Herausforderungen dabei auftreten könnten.

Lernstandskontrolle

Lassen Sie die Schüler auf einem Zettel zwei Dinge notieren: 1. Eine Analogie, die sie verwenden würden, um die Funktionsweise eines künstlichen Neurons jemandem zu erklären, der keine Vorkenntnisse hat. 2. Eine konkrete Anwendung, bei der sie vermuten, dass neuronale Netze eine Rolle spielen.

Häufig gestellte Fragen

Was ist die Analogie zwischen biologischen und künstlichen Neuronen?

Biologische Neuronen verarbeiten Signale über Synapsen mit Schwellenwerten, künstliche summieren gewichtete Eingaben und aktivieren Ausgaben. Diese Vereinfachung erlaubt Schülern, Netze als modulare Systeme zu verstehen. Praktische Modelle machen die Parallelen greifbar und verbinden Biologie mit Informatik.

Wie erkennen neuronale Netze Muster in Daten?

Durch Vorwärtspropagation fließen Eingaben durch Schichten, Gewichte bestimmen die Ausgabe. Im Training minimieren Algorithmen Fehler rückwärts. Schüler lernen dies, indem sie kleine Netze manuell trainieren und sehen, wie Anpassungen Genauigkeit steigern, etwa bei Zahlen- oder Bildmustern.

Wie hilft aktives Lernen beim Verständnis neuronaler Netze?

Aktive Methoden wie Bastelmodelle oder Simulationen wandeln Abstraktes in Konkretes um. Schüler berechnen selbst Ausgaben, passen Gewichte an und entdecken Mustererkennung durch Trial-and-Error. Das stärkt Modellierfähigkeiten, reduziert Fehlvorstellungen und macht Lernen motivierend, da Erfolge sofort sichtbar sind.

Welche Grenzen haben einfache neuronale Netze?

Einfache Netze brauchen viele Daten zum Training, verarbeiten keine komplexen Hierarchien gut und overfitten leicht. Schüler beurteilen dies, indem sie Modelle mit variierenden Datensätzen testen. So verstehen sie, warum moderne KI tiefe Netze und große Rechenpower einsetzt.