Wie Maschinen lernenAktivitäten & Unterrichtsstrategien
Aktive Lernformen helfen Schülern, das abstrakte Konzept des maschinellen Lernens greifbar zu machen, indem sie den Unterschied zwischen starren Regeln und flexiblen Mustern durch eigenes Handeln erleben. Durch das Ausprobieren und Reflektieren von Algorithmen und trainierten Modellen wird der Lernprozess nachvollziehbar und bleibt im Gedächtnis haften.
Lernziele
- 1Vergleichen Sie die Funktionsweise eines klassischen Algorithmus mit der eines lernenden Modells anhand von Beispielen.
- 2Analysieren Sie, wie die Qualität und Quantität von Trainingsdaten die Vorhersagegenauigkeit eines lernenden Systems beeinflussen.
- 3Bewerten Sie, ob ein lernendes System kreative Ergebnisse erzeugt oder lediglich Muster aus Trainingsdaten repliziert.
- 4Erklären Sie den Unterschied zwischen einem Trainingsdatensatz und einem Modell in Bezug auf maschinelles Lernen.
Möchten Sie einen vollständigen Unterrichtsentwurf mit diesen Lernzielen? Mission erstellen →
Paarbeit: Programmierung vs. Lernen vergleichen
Paare erhalten Karten mit Beispielen für klassische Regeln (z. B. Verkehrsampel) und lernende Systeme (z. B. Sprachassistent). Sie sortieren und begründen den Unterschied in einer Tabelle. Abschließend präsentieren sie ein Beispiel pro Kategorie.
Vorbereitung & Details
Erklären Sie den Unterschied zwischen einem Algorithmus und einem Modell im Kontext von KI.
Moderationstipp: Während der Paarbeit 'Programmierung vs. Lernen vergleichen' achten Sie darauf, dass die Schülerinnen und Schüler konkrete Beispiele aus ihrem Alltag nutzen, um die Unterschiede zu veranschaulichen.
Setup: Gruppentische mit Zugang zu Quellenmaterialien
Materials: Quellensammlung, Arbeitsblatt zum Forschungszyklus, Leitfaden zur Fragestellung, Vorlage für die Ergebnispräsentation
Gruppenexperiment: Trainingsdaten testen
Kleine Gruppen kuratieren zwei Datensätze (gute vs. biased Daten) für eine einfache Klassifikation, z. B. Früchte sortieren. Sie simulieren Training mit Scratch oder Online-Tools und vergleichen Vorhersagegenauigkeit. Protokoll der Ergebnisse.
Vorbereitung & Details
Analysieren Sie, wie die Qualität der Trainingsdaten das Ergebnis einer KI beeinflusst.
Moderationstipp: Beim Gruppenexperiment 'Trainingsdaten testen' geben Sie den Gruppen gezielte Fragen zur Reflexion, z.B. 'Was passiert, wenn wir die Datenmenge halbieren?' oder 'Warum führt ein kleiner Datensatz zu Fehlern?'.
Setup: Gruppentische mit Zugang zu Quellenmaterialien
Materials: Quellensammlung, Arbeitsblatt zum Forschungszyklus, Leitfaden zur Fragestellung, Vorlage für die Ergebnispräsentation
Klassenrunde: Kreativität debattieren
Ganze Klasse diskutiert Key Questions anhand von KI-Beispielen wie DALL-E. Jede Schülerin oder jeder Schüler notiert Argumente für 'kreativ' oder 'imitierend'. Moderierte Abstimmung und Zusammenfassung.
Vorbereitung & Details
Beurteilen Sie, ob Computer kreativ sein können oder nur Muster imitieren.
Moderationstipp: In der Klassenrunde 'Kreativität debattieren' sorgen Sie dafür, dass jede Schülerin und jeder Schüler mindestens einmal zu Wort kommt, indem Sie gezielt nachfragen, wer eine andere Meinung hat.
Setup: Gruppentische mit Zugang zu Quellenmaterialien
Materials: Quellensammlung, Arbeitsblatt zum Forschungszyklus, Leitfaden zur Fragestellung, Vorlage für die Ergebnispräsentation
Individuelle Aufgabe: Modell aufbauen
Jede Schülerin oder jeder Schüler erstellt einen kleinen Datensatz (z. B. Wettervorhersagen) und testet mit Teachable Machine. Reflexion: Wie ändern sich Ergebnisse bei Datenänderung? Einreichen als Screenshot mit Notizen.
Vorbereitung & Details
Erklären Sie den Unterschied zwischen einem Algorithmus und einem Modell im Kontext von KI.
Moderationstipp: Bei der individuellen Aufgabe 'Modell aufbauen' stellen Sie sicher, dass alle Schülerinnen und Schüler die Möglichkeit haben, ihr Modell zu präsentieren und die Funktionsweise zu erklären.
Setup: Gruppentische mit Zugang zu Quellenmaterialien
Materials: Quellensammlung, Arbeitsblatt zum Forschungszyklus, Leitfaden zur Fragestellung, Vorlage für die Ergebnispräsentation
Dieses Thema unterrichten
Erfahrene Lehrkräfte beginnen mit konkreten, alltagsnahen Beispielen, um das abstrakte Thema zugänglich zu machen. Sie vermeiden zu technische Erklärungen und setzen stattdessen auf visuelle Darstellungen und praktische Experimente. Ein wichtiger Fokus liegt darauf, die Schülerinnen und Schüler durch gezielte Fragen zum Nachdenken anzuregen und ihre Beobachtungen zu strukturieren.
Was Sie erwartet
Erfolgreiches Lernen zeigt sich darin, dass Schülerinnen und Schüler klar zwischen klassischen Algorithmen und lernenden Systemen unterscheiden können und die Bedeutung von Datenqualität und -menge für das Ergebnis begreifen. Sie sollen in der Lage sein, Beispiele zu benennen und einfache Modelle nachzuvollziehen.
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 Paarbeit 'Programmierung vs. Lernen vergleichen' beobachten Sie, ob Schülerinnen und Schüler die Idee vertreten, dass Modelle wie Menschen aus wenigen Beispielen lernen. Lenken Sie ihre Aufmerksamkeit auf den Unterschied zwischen starren Regeln und flexiblen Mustern, indem Sie sie fragten, wie viele Beispiele sie selbst bräuchten, um eine Regel zu erkennen.
Was Sie stattdessen lehren sollten
Nutzen Sie die Ergebnisse der Paarbeit, um die Abhängigkeit von Datenmengen zu demonstrieren. Zeigen Sie den Schülerinnen und Schülern, wie ein Modell mit zu wenigen Daten scheitert, und lassen Sie sie die konkreten Fehler analysieren.
Häufige FehlvorstellungWährend der Paarbeit 'Programmierung vs. Lernen vergleichen' achten Sie darauf, ob Schülerinnen und Schüler Algorithmen und trainierte Modelle gleichsetzen. Fordern Sie sie auf, die Unterschiede in der Funktionsweise zu beschreiben, z.B. durch den Vergleich eines festen Rezepts mit einem trainierten Geschmackssensor.
Was Sie stattdessen lehren sollten
Verwenden Sie die Beispiele aus der Paarbeit, um den dynamischen Lernprozess zu verdeutlichen. Lassen Sie die Schülerinnen und Schüler in ihren Notizen die Unterschiede zwischen einem festen Algorithmus und einem trainierten Modell herausarbeiten.
Häufige FehlvorstellungWährend des Gruppenexperiments 'Trainingsdaten testen' beobachten Sie, ob Schülerinnen und Schüler annehmen, dass mehr Daten immer zu besseren Ergebnissen führen. Stellen Sie gezielte Fragen, z.B. 'Warum führt eine große Menge an biased Daten zu schlechten Vorhersagen?'
Was Sie stattdessen lehren sollten
Nutzen Sie die Experimente mit manipulierten Datensätzen, um die Bedeutung von Datenqualität zu betonen. Lassen Sie die Schülerinnen und Schüler die Auswirkungen von biased Daten auf die Modellleistung dokumentieren und diskutieren.
Ideen zur Lernstandserhebung
Nach der Paarbeit 'Programmierung vs. Lernen vergleichen' erhalten die Schülerinnen und Schüler zwei kurze Beschreibungen: A) Ein Kochrezept, das Schritt für Schritt erklärt, wie man einen Kuchen backt. B) Die Beschreibung, wie ein Programm lernt, Katzen auf Bildern zu erkennen, indem es tausende von Katzenbildern analysiert. Die Schülerinnen und Schüler notieren auf dem Ticket, welche Beschreibung einen klassischen Algorithmus und welche ein lernendes System darstellt und begründen ihre Antwort.
Während des Gruppenexperiments 'Trainingsdaten testen' stellen Sie die Frage: 'Stellen Sie sich vor, ein lernendes System soll lernen, Kunstwerke zu bewerten. Welche Art von Trainingsdaten würden Sie verwenden und welche Probleme könnten durch die Auswahl dieser Daten entstehen?' Die Schülerinnen und Schüler diskutieren in Kleingruppen und präsentieren ihre Überlegungen zur Datenqualität und potenziellem Bias.
Nach der individuellen Aufgabe 'Modell aufbauen' zeigen Sie ein einfaches Beispiel für einen klassischen Algorithmus (z.B. eine Sortierfunktion für Zahlen) und ein einfaches Beispiel für ein lernendes System (z.B. eine Funktion, die anhand von Merkmalen zwischen Äpfeln und Birnen unterscheidet). Die Schülerinnen und Schüler notieren auf einem Blatt Papier die Hauptunterschiede in der Funktionsweise.
Erweiterungen & Unterstützung
- Fordern Sie schnelle Schülerinnen und Schüler auf, ein eigenes Mini-Modell zu entwerfen, das zwischen zwei Objekten unterscheidet, z.B. zwischen Hunden und Katzen.
- Für Schülerinnen und Schüler, die Schwierigkeiten haben, bereiten Sie ein Arbeitsblatt mit Schritt-für-Schritt-Anleitungen für das Experiment 'Trainingsdaten testen' vor.
- Vertiefen Sie das Thema mit einer Rechercheaufgabe: Die Schülerinnen und Schüler recherchieren, wie maschinelles Lernen in einem Bereich ihrer Wahl eingesetzt wird und präsentieren ihre Ergebnisse.
Schlüsselvokabular
| Algorithmus | Eine schrittweise Anleitung oder ein Regelwerk zur Lösung eines Problems oder zur Ausführung einer Aufgabe. Klassische Algorithmen sind fest programmiert. |
| Modell (Maschinelles Lernen) | Eine mathematische Struktur, die aus Trainingsdaten lernt, um Muster zu erkennen und Vorhersagen zu treffen. Es ist das Ergebnis eines Lernprozesses. |
| Trainingsdaten | Eine Sammlung von Beispielen, die einem lernenden System präsentiert werden, damit es Muster erkennen und daraus lernen kann. |
| Mustererkennung | Die Fähigkeit eines Systems, wiederkehrende Strukturen oder Regelmäßigkeiten in Daten zu identifizieren. |
| Bias (in Daten) | Systematische Verzerrungen oder Ungleichgewichte in den Trainingsdaten, die zu unfairen oder falschen Ergebnissen des lernenden Systems führen können. |
Vorgeschlagene Methoden
Planungsvorlagen für Digitale Welten Gestalten: Informatik und Gesellschaft
Mehr in Künstliche Intelligenz und Maschinelles Lernen
Einführung in Künstliche Intelligenz
Die Schülerinnen und Schüler definieren KI und unterscheiden zwischen starker und schwacher KI sowie deren Anwendungsbereichen.
2 methodologies
Grundlagen des Maschinellen Lernens
Die Schülerinnen und Schüler lernen die Konzepte von überwachtem und unüberwachtem Lernen kennen und identifizieren Anwendungsbeispiele.
2 methodologies
Neuronale Netze verstehen
Die Schülerinnen und Schüler erhalten eine vereinfachte Darstellung der Funktionsweise von Neuronen und Schichten in einem Netzwerk.
2 methodologies
Anwendungen von KI im Alltag
Die Schülerinnen und Schüler identifizieren und analysieren verschiedene KI-Anwendungen in ihrem Alltag (z.B. Sprachassistenten, Empfehlungssysteme).
2 methodologies
Ethik und Bias in der KI
Die Schülerinnen und Schüler untersuchen Vorurteile in Algorithmen und die Verantwortung beim Einsatz von KI.
3 methodologies
Bereit, Wie Maschinen lernen zu unterrichten?
Erstellen Sie eine vollständige Mission mit allem, was Sie brauchen
Mission erstellen