Neuronale Netze: Inspiration aus der Biologie

Aktive Lernformen passen besonders gut zu diesem Thema, weil Schülerinnen und Schüler die abstrakten Konzepte von Signalverarbeitung und Netztopologien konkret greifen und selbst nachvollziehen können. Durch das Bauen, Simulieren und Programmieren entwickeln sie ein intuitives Verständnis, das theoretische Erklärungen allein nicht leisten können.

• Klasse 8
• Digitale Welten Gestalten: Informatik
• 4 Aktivitäten
• 25 Min.–40 Min.

Lernziele

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

Concept-Mapping

⏱ 30 Min.·Kleingruppen

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.

Vorbereitung & Details

Erklären Sie die Analogie zwischen biologischen Neuronen und künstlichen Neuronen.

Moderationstipp: Während des Papier-Neuron-Baus achten Sie darauf, dass jeder Schüler zunächst die drei Hauptbestandteile (Dendriten, Zellkörper, Axon) klar benennt, bevor er mit dem Verbinden beginnt.

Setup: Tische für große Papierformate oder Wandflächen

Materials: Begriffskarten oder Haftnotizen, Plakatpapier, Marker, Beispiel für eine Concept Map

• Verstehen
• Analysieren
• Erschaffen
• Selbstwahrnehmung
• Selbststeuerung

Planspiel

⏱ 25 Min.·Partnerarbeit

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'.

Vorbereitung & Details

Analysieren Sie, wie ein neuronales Netz Muster in komplexen Daten erkennen kann.

Moderationstipp: Beim Würfel-Netz verteilen Sie vorab vorbereitete Würfel mit unterschiedlichen Augenzahlen, damit die Summation und Aktivierungsfunktion direkt sichtbar werden.

Setup: Flexibler Raum für verschiedene Gruppenstationen

Materials: Rollenkarten mit Zielen und Ressourcen, Spielwährung oder Token, Rundenprotokoll

• Anwenden
• Analysieren
• Bewerten
• Erschaffen
• Sozialbewusstsein
• Entscheidungsfähigkeit

Concept-Mapping

⏱ 35 Min.·Ganze Klasse

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.

Vorbereitung & Details

Beurteilen Sie die Grenzen und Potenziale einfacher neuronaler Netze.

Moderationstipp: Beim Vorhersage-Spiel wechseln Sie bewusst die Rollen (Spieler, Netz, Daten), um den deterministischen Charakter von Netzen erlebbar zu machen.

Setup: Tische für große Papierformate oder Wandflächen

Materials: Begriffskarten oder Haftnotizen, Plakatpapier, Marker, Beispiel für eine Concept Map

• Verstehen
• Analysieren
• Erschaffen
• Selbstwahrnehmung
• Selbststeuerung

Concept-Mapping

⏱ 40 Min.·Einzelarbeit

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.

Vorbereitung & Details

Erklären Sie die Analogie zwischen biologischen Neuronen und künstlichen Neuronen.

Moderationstipp: In der Scratch-Challenge gehen Sie von einzelnen Schülern aus, die ihre Lösung präsentieren, bevor Sie gemeinsam den Code analysieren – so erkennen alle die Logik hinter den Blöcken.

Setup: Tische für große Papierformate oder Wandflächen

Materials: Begriffskarten oder Haftnotizen, Plakatpapier, Marker, Beispiel für eine Concept Map

• Verstehen
• Analysieren
• Erschaffen
• Selbstwahrnehmung
• Selbststeuerung

Dieses Thema unterrichten

Der beste Einstieg ist das biologische Neuron als Ausgangspunkt, weil die Schülerinnen und Schüler diese Struktur aus dem Biologieunterricht kennen. Vermeiden Sie zu früh den Fokus auf Mathematik oder Code – stattdessen sollte das Verständnis der Signalweiterleitung im Vordergrund stehen. Forschung zeigt, dass Schülerinnen und Schüler abstrakte Konzepte wie Gewichtung besser verstehen, wenn sie sie zunächst als 'Stärke der Weiterleitung' begreifen, bevor sie die mathematische Darstellung einführen.

Was Sie erwartet

Nach diesen Aktivitäten sollten die Schülerinnen und Schüler erklären können, wie ein künstliches Neuron funktioniert, warum Gewichte wichtig sind und wie mehrere Neuronen zu einem Netz zusammengeschaltet werden. Erfolg zeigt sich darin, dass sie die Analogie zwischen biologischen und künstlichen Neuronen selbstständig herstellen und auf neue Beispiele übertragen können.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Während des Papier-Neuron-Modells hören Sie möglicherweise Aussagen wie 'Das Netz versteht etwas'.

Was Sie stattdessen lehren sollten

Lenken Sie die Aufmerksamkeit auf den deterministischen Prozess: Fordern Sie die Schüler auf, konkrete Zahlen für die Eingaben zu wählen und das Ergebnis schriftlich festzuhalten, um zu zeigen, dass keine 'Intelligenz', sondern nur Berechnung stattfindet.

Häufige Fehlvorstellung

Während der Simulation mit dem Würfel-Netz könnte die Annahme entstehen, das Netz erkenne Muster ohne vorheriges Training.

Was Sie stattdessen lehren sollten

Fordern Sie die Schüler auf, die Gewichte (Augenzahlen der Würfel) manuell anzupassen und zu dokumentieren, wie sich die Ausgabe verändert – so wird sichtbar, dass erst die iterative Anpassung zum Erfolg führt.

Häufige Fehlvorstellung

Während der Klassen-Demo zum Vorhersage-Spiel könnte der Eindruck entstehen, mehr Schichten führen automatisch zu besseren Ergebnissen.

Was Sie stattdessen lehren sollten

Nutzen Sie die Demo, um bewusst ein zu komplexes Netz zu testen und die Fehlerquote zu besprechen. Fragen Sie die Klasse, welche Datenmenge für ein solches Netz nötig wäre und warum dies in der Praxis oft nicht umsetzbar ist.

Ideen zur Lernstandserhebung

Kurze Überprüfung

Nach dem Papier-Neuron-Bau sammeln Sie die Modelle ein und bitten die Schüler, auf der Rückseite kurz zu notieren, wie ihr Neuron ein Signal verarbeitet – die Modelle selbst dienen als visuelle Prüfung der korrekten Struktur.

Diskussionsfrage

Während der Simulation mit den Würfeln hören Sie den Gruppen zu und notieren sich, welche Schüler erklären können, warum die Gewichte angepasst werden müssen. Diese Beobachtungen können Sie im Anschluss zur Besprechung nutzen.

Lernstandskontrolle

Nach der Scratch-Challenge lassen Sie die Schüler auf einem Zettel eine Analogie aufschreiben, die sie verwenden würden, um einem Freund das künstliche Neuron zu erklären – so überprüfen Sie, ob die Grundidee verstanden wurde.

Erweiterungen & Unterstützung

• Fordern Sie schnelle Schüler auf, ihr Papier-Neuron um ein zweites Neuron zu erweitern und die Verbindung zwischen beiden zu erklären.
• Unterstützen Sie schwächere Schüler beim Würfel-Netz, indem Sie vorab eine Tabelle mit möglichen Summen und Aktivierungsergebnissen vorbereiten, die sie zum Abgleichen nutzen können.
• Vertiefen Sie mit interessierten Gruppen die Rolle der Aktivierungsfunktion, indem sie verschiedene Funktionen (z.B. Treppenfunktion vs. Sigmoid) in Scratch implementieren und vergleichen.

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.