Computingeducation

Recode, Remix, Design

Wed, 25 Mar 2026 10:00:00 GMT

Kunst Codieren durch visuelle Programmierung mit Snap!

Die Ausstellung Recode. Remix. Design ist eine Hommage an die Pioniere der frühen Computerkunst der 60er-Jahre. Mit seinen Exponaten knüpft der Unterrichtstechnologe und Mediendidaktiker Joachim Wedekind bewusst an deren Arbeiten an. Dabei interpretiert und und transformiert er ihre Themen mit den Technologien der Gegenwart.

Bereits Anfang der 80er Jahre hat Joachim Wedekind dieProgrammiersprache Logo kennen gelernt. Für einen Studienbrief Schildkrötengrafik im Rahmen eines Fortbildungsprojekts zum Thema Lehren und Lernen mit dem Computer entwickelte er zum ersten Mal Programme für Logo-Grafiken mit ihrer ganz eigenen Ästhetik. Bei der späteren Beschäftigung mit der frühen Computerkunst entdeckte er dann überraschende Parallelen der Bildeigenschaften:

Bei beiden finden sich typische Grafikelemente wie Linien und Polygonzüge, Quadrate, Kreise und Ellipsen, sowie Linien und Schraffuren.Die Bildeigenschaften sind jeweils geprägt durch einfache Grundelemente und deren Wiederholung und Variation sowie vom gelenkten Zufall für die Kennwerte.

Das war die Grundlage für die Codierte Kunst von Joachim Wedekind, zu Beginn mit dem Recoding prägender Beispiele, gefolgt vom Remixing und schließlich dem Design eigener ästhetischer Objekte.

Den Begriff Codierte Kunst macht zweierlei deutlich: Erstens liegen ihr immer Algorithmen zugrunde. Zweitens müssen diese Algorithmen in einer Programmiersprache ausformuliert, also codiert werden. Leider sind die Algorithmen der frühen Computerkunst fast nie dokumentiert worden und so bleiben meist nur die Bilder selbst als Vorlagen. Für Joachim Wedekind hat sich dabei ein Vorgehen bewährt, das sich an Frieder Nakes Prinzip Think the Image, Don’t Make It! orientiert:

Am Anfang steht immer die genaue Analyse einer Bildvorlage oder einer selbst entwickelten Bildidee. Welche Grundelemente sind enthalten (Punkte, Linien, Flächen und deren Kombination), welche Farben und welche sich wiederholenden Muster und Strukturen sind erkennbar? Welche Operationen werden auf sie angewendet (z. B. geometrische Transformationen, Wiederholungen, Variationen) und welche Rolle spielt der Zufall?

Im zweiten Schritt ist genau zu beschreiben, wie die Bildelemente und die Bildstruktur erstellt werden sollen, d. h. wir benötigen eine algorithmische Beschreibung. Oft ist dies einfach, in anderen Fällen kann es eine hohe Hürde sein. In dieser Phase sind auch die Kenngrößen zu definieren, wie die Anzahl und Positionierung sowie die Größe, Ausrichtung und Farbe der grafischen Elemente.

Gemäß dem Motto Erst denken, dann programmieren! ist die Programmierung der letzte Schritt, damit die Umsetzung von Maschinen ausgeführt werden kann. Joachim Wedekind hat als Werkzeug die visuelle Programmierumgebung Snap! verwendet. Seine Programme stellt er als freie Lernmaterialien zur Verfügung, mit dem Dritte experimentieren können.

Vertiefende Informationen zum Thema finden Sie in seinem Buch Codierte Kunst (J. Wedekind, 2018) und auf den folgenden Seiten zu den Exponaten der Ausstellung, jeweils mit Basisinformationen und dem zugehörigen Programcode:

TINAs Lernreise

Mon, 15 Sep 2025 10:10:55 GMT

Zentrale Konzepte Großer Sprachmodelle

Große Sprachmodelle (LLMs) sind die Grundlage moderner Anwendungen, aber gleichzeitig sind sie für Laien zu komplex, um sie zu verstehen.

Anhand des fiktiven Modells TINA stellen wir wichtige LLM-Konzepte wie Tokenisierung, Worteinbettung und Aufmerksamkeit vor. Indem wir TINAs „Trainingspfad“ vom allgemeinen Vortraining bis hin zu einem universellen KI-Assistenten verfolgen, präsentieren wir LLM-Konzepte auf zugängliche und ansprechende Weise.

Das Poster kann hier heruntergeladen werden.

Eine Vorabversion des begleitenden Lehr-Lern-Materials mit ausführlichen Erläuterungen und Übungen kann hier heruntergeladen werden.

Künstliche Intelligenz ist kein Werkzeug

Fri, 12 Sep 2025 10:00:00 GMT

Warum Bildung über Anwendungskompetenzen hinausgehen muss!

Der Diskurs um Künstliche Intelligenz in der Bildung begleitet spätestens seit der Veröffentlichung von ChatGPT Unterrichtspraxis, Wissenschaft und Bildungspolitik. Damit werden sowohl große Erwartungen und Heilsversprechen (etwa Individualisierung und Entlastung) als auch Ängste und Untergangsszenarien (etwa Substituierung und der Verfall von Basiskompetenzen) verbunden – häufig verkürzt auf den Einsatz von Chatbots wie ChatGPT und Co. In diesem Artikel wollen wir diesen Diskurs fundieren und herausarbeiten, dass die Veränderungen für unsere Gesellschaft wie Bildung deutlich über den Einsatz von solchen Werkzeugen hinausgehen. Dazu werden wir uns zunächst damit auseinandersetzen, was “Künstliche Intelligenz” eigentlich ist und welche Auswirkungen die technologischen Innovationen der letzten Jahre auf unsere Gesellschaft haben, um darauf aufbauend Anforderungen an Allgemeinbildung abzuleiten.

Dies ist das Manuskript des in der Ausgabe Lehren und Lernen in Zeiten Künstlicher Intelligenz der Zeitschrift bildung+ Schule postdigital (Vol. 1, No. 2, S. 6-11) erschienenen Beitrags Künstliche Intelligenz ist kein Werkzeug

Künstliche Intelligenz – eine Annäherung

Selbst für Expert:innen ist es nicht einfach zu definieren, was KI ist. Einen breit genutzten Vorschlag formulierte Elaine Rich bereits 1983: “KI ist die Wissenschaft, die der Frage nachgeht, wie man Computer dazu bringen kann, Dinge zu tun, die Menschen im Moment noch besser können.” Aus diesem Definitionsansatz lassen sich drei wesentliche Feststellungen ableiten:

KI ist die Wissenschaft,…

(1) Erstens handelt es sich bei “Künstlicher Intelligenz” um ein Forschungsgebiet innerhalb der Informatik und verwandten Feldern wie der Mathematik – und nicht etwa um eine Bezeichnung für einen konkreten Chatbot oder ein digitales Werkzeug. Wenn Computer Verfahren dieses Forschungsgebiets nutzen, sprechen wir in der Informatik häufig von KI-Systemen, KI-Anwendungen, o.ä. – und eben nicht von “einer Künstlichen Intelligenz” oder gar “Künstlichen Intelligenzen”. In der informatischen Bildung ist uns diese Unterscheidung wichtig, um auch auf Ebene der (Fach-)Sprache einer Anthropomorphisierung vorzubeugen (Waite et al., 2024): Jedes (KI-)System ist stets von Menschen zu einem bestimmten Zweck gestaltet worden, den es mal mehr, mal weniger gut erfüllt – und auf den es begrenzt ist. Die kritische Reflexion menschlicher Ziele und Interessen hinter den entsprechenden Systemen sowie ihrer Limitationen ist essentiell für einen mündigen Umgang (GI, 2025). Solche Systeme sind weiterhin modular aufgebaut und nutzen nur für bestimmte Probleme Verfahren der KI, neben zahlreichen anderen Ansätzen der Informatik.

…die der Frage nachgeht, wie man Computer dazu bringen kann, Dinge zu tun, die Menschen […] besser können.

(2) Zweitens geht es in diesem Forschungsgebiet weniger um künstliche Intelligenz (also Intelligenz, die künstlich ist), sondern vielmehr darum, menschliche Fähigkeiten durch entsprechende Verfahren nachzubilden, etwa Sprache zu verstehen, Bilder zu erkennen, Feedback zu geben oder allgemein Probleme zu lösen. Ziel ist es, dass Computer vergleichbare (oder gar bessere) Ergebnisse als wir Menschen auf Basis unserer Intelligenz erzeugen. Obwohl bestimmte Verfahren wie künstliche neuronale Netze suggerieren, dass KI-Systeme sich an menschlichen Prozessen orientieren, dienen Biologie und Psychologie lediglich vereinzelt und als sehr allgemeine Inspiration und haben keine direkten Bezüge zur Umsetzung in einem Computer. Computer sind nicht intelligent, sie können nicht denken, sie simulieren lediglich durch ihre Ausgaben, sich intelligent verhalten zu können – oftmals auf beeindruckende Weise, die uns solchen Systemen gar weitere menschliche Eigenschaften wie Verständnis und Einfühlungsvermögen zuschreiben lassen. Dazu kommen im Feld der KI insbesondere stochastische und heuristische Ansätze zum Einsatz, mit denen sich bestimmte Probleme besser als durch andere Ansätze der Informatik lösen lassen (siehe z.B: Seegerer et al., 2020). Allerdings besteht in Konsequenz zumeist kein Anspruch auf Korrektheit oder Vollständigkeit und zumindest für viele dieser Ansätze häufig keine Möglichkeit, Ausgaben transparent nachzuvollziehen.

… die Menschen im Moment noch besser können.

(3) Drittens geht aus obigem Definitionsansatz hervor, dass sich durchaus ändert, was unter Künstlicher Intelligenz verstanden wird. Dies zeigt sich auch in der bewegten Geschichte der KI. Im Unterschied zu den KI-Systemen, denen wir im Alltag begegnen, besitzt das Forschungsgebiet eine sehr lange Tradition. Als Ursprung gilt gemeinhin das Dartmouth Summer Research Project on Artificial Intelligence im Jahr 1956, in dem auch der englische Begriff (und in Folge seine bis heute umstrittene deutsche Übersetzung als Künstliche Intelligenz, s.o.) geprägt wurde. Viele der heutigen Verfahren bauen auf Ideen und Konzepten auf, die bereits in den 50er und 60er Jahren entwickelt wurden. Neben einem kurzen “KI-Sommer” im Bereich sog. wissensbasierter Ansätze wie Expertensystemen in den 80er Jahren konnten lange Zeit nur sehr ausgewählte praktische Anwendungen realisiert werden (“KI-Winter”). Dies änderte sich spätestens mit Beginn der 2010er Jahre (also lange vor dem Hype um generative KI) durch zwei entscheidende Entwicklungen. Einerseits steht inzwischen die nötige Rechenpower für viele der rechenintensiven KI-Verfahren zur Verfügung. Zum Vergleich: Während der Landecomputer der Apollo-Mission der ersten Mondlandung ungefähr so leistungsstark wie die erste Nintendo-Konsole von 1983 war, haben schon moderne Haushaltscomputer die mehr als 200.000-fache Rechenleistung. Die zweite ausschlaggebende Entwicklung ist die digitale Transformation und die daraus resultierende Verfügbarkeit gigantischer Datenmengen. Die Erfolge der KI der letzten 15 Jahre beruhen insbesondere auf datenbasierten Ansätzen (maschinelles Lernen), die umfangreiche Daten als Voraussetzung haben. Immer dann, wenn wir einen Social-Media-Beitrag verfassen oder liken, ein Video auf Youtube abspielen, ein Captcha beantworten, etwas online kaufen oder unsere IoT-Waschmaschine nutzen, generieren wir solche Daten, die den aktuellen KI-Sommer vorantreiben und auch die jüngsten Entwicklungen im Bereich generativer KI erst ermöglichen. Über diese lange Geschichte haben sich die “Dinge”, mit denen sich die KI auseinandersetzt, deutlich entwickelt. So würden wir einen Heizungsthermostat (vgl. McCarthy, 1979), Routenplanung oder Schachcomputer (DeepBlue vs. Kasparov 1997) heute nicht mehr unbedingt als KI-System bezeichnen, sind Computer schließlich schon längst in der Lage, diese “Dinge” besser zu tun. Dieses Phänomen wird auch als AI effect bezeichnet und von Rodney Brooks wie folgt zusammengefasst: “Every time we figure out a piece of it, it stops being magical; we say, ‘Oh, that’s just a computation’”¹. Vergleichsgröße sind hierbei immer menschliche Fähigkeiten, etwa von Expert:innen (im Schachspielen, Kommunizieren oder Verfassen von Texten). Analog sorgt es häufig für Ungläubigkeit, dass zahlreiche der prädiktiven oder analytischen KI-Verfahren in aktuellen KI-Systemen, etwa Clustering-Algorithmen oder Lineare Regression, tatsächlich der Künstlichen Intelligenz / dem maschinellen Lernens zugerechnet werden – ist es doch “nur Stochastik” (s.o.). Und wer weiß: Vielleicht werden wir in einigen Jahren, wenn unsere Begeisterung der Möglichkeiten so langsam der Gewohnheit der Nutzung weicht, auch Chatbots wie ChatGPT, Gemini und Co. nicht mehr als KI-System bezeichnen, schließlich sind auch auch diese generativen KI-Systeme “just computation” und keine Magie oder Intelligenz?²

Zusammenfassend bleibt festzuhalten: ChatGPT und Co. sind keine “Künstliche Intelligenz”, sondern Anwendungen oder Systeme, die verschiedene Verfahren aus dem durchaus traditionsreichen Forschungsgebiet der Künstlichen Intelligenz nutzen, um intelligentes Verhalten (im Sinne eines Vergleichs mit menschlichen Fähigkeiten) zu simulieren. Solche Anwendungen und Systeme mit Einfluss auf unsere Lebenswelt sind dabei aber lange nicht auf Ansätze der generativen KI beschränkt, sondern zahlreiche weitere Verfahren und Ansätze der KI (die wir gemeinhin ggf. als “gar nicht intelligent genug für KI” einordnen würden) prägen unser Leben in vielfältiger Hinsicht.

Von technologischer Innovation zu gesellschaftlicher Veränderung

Durch die rasante technologische Entwicklung der letzten Jahre ergeben sich mehr und mehr Anwendungsfälle, in denen KI-Systeme in unserer Lebenswelt tatsächlich “Dinge” besser, zumindest ähnlich gut oder, ökonomisch betrachtet, ausreichend wenig schlechter als Menschen “tun” können. Dies bedeutet weitreichende Veränderungen für unsere Gesellschaft und Kultur, da damit zunehmend Aufgaben automatisiert werden können. Die Entwicklungen der KI verschärfen damit einen Trend der digitalen Transformation, der bereits in den vergangenen Jahrzehnten zahlreiche Lebens- und Arbeitsbereiche erfasst hat. Schon 1982 beschreibt Klaus Haefner ein grundlegendes Prinzip unserer Welt: Alles, was ökonomisch betrachtet automatisierbar ist, wird automatisiert werden (Automatisierung des Automatisierbaren; Döbeli Honegger, 2016). Neu ist nun, dass diese Entwicklung auch zahlreiche Aufgaben und Felder betrifft, von denen wir noch vor ein paar Jahren überzeugt waren, dass eine mögliche Automatisierung noch in ferner Zukunft liege – etwa der Umgang mit Sprache durch Large Language Models (LLMs). Die entsprechenden Auswirkungen betreffen etwa in unserer Arbeitswelt nun (im Gegensatz zu vergangenen Entwicklungen) verstärkt auch Hochqualifizierte (IAB, 2024). Neben der Arbeitswelt sind vielfältige weitere Bereiche unseres Zusammenlebens betroffen: Wie recherchieren wir Informationen? Wie wird uns vorgeschlagen, welcher Social-Media-Beitrag, welche Playlist oder welcher Film uns gefallen könnte – und welche Auswirkungen hat das auf die entsprechende Industrie? Wie werden wissenschaftliche Erkenntnisse gewonnen? Welche regulatorischen Rahmenbedingungen sollten gelten, wenn KI-Systeme Entscheidungen über unser Leben treffen, etwa bei Bewerbungsprozessen oder der Kreditvergabe? Und natürlich auch: Wie und was lehren und lernen wir? Hierbei geht es lange nicht nur um die Nutzung von digitalen Werkzeugen und Systemen in unserem Alltag, sondern eine wesentlich grundlegende Veränderung unseres Zusammenlebens.

Wie bei zahlreichen weiteren Innovationen vor der KI, sei es das Internet, Suchmaschinen oder das iPhone, sind technologische Entwicklungen (inkl. entsprechender Systeme und Werkzeuge) also zwar notwendige Grundlage, die eigentliche Transformation ist aber keine technologische, sondern eine weitreichende gesellschaftliche und kulturelle. Dabei bestehen zahlreiche Interdependenzen zwischen technologischem Fortschritt und gesellschaftlich-kulturellen Veränderungen.

Bildung und Künstliche Intelligenz: Mehr als Anwenderschulung für ChatGPT und Co.

Auch für Bildung verschärfen die Entwicklungen im Gebiet der Künstlichen Intelligenz digitalisierungsbedingte Veränderungen. So stellt sich die Frage, welche Kompetenzen jede und jeder benötigt, um in einer (nun nicht mehr “nur”) digitalen (sondern “auch”) zunehmend durch KI-Systeme geprägten Welt für ihr weiteres Leben als mündige Bürger:innen vorbereitet zu werden.

Vergleichbar zu vergangenen Innovationen lässt sich erneut an vielen Stellen ein Trend hin zu “Anwendungskompetenzen” feststellen. So wie Schüler:innen und Lehrkräfte in der Vergangenheit etwa für den Umgang mit der Microsoft Word Version 2003, den Umgang mit dem Overheadprojektor oder die Bedienung einer konkreten IPad-App geschult wurden, gelten “Prompting-Skills” nun häufig als Antwort auf die KI-bedingten Veränderungen unserer Welt. Dabei zeigen die Erfahrungen der letzten Jahrzehnte deutlich: Ein Lernen, das sich primär auf den Umgang mit spezifischen Anwendungen und Produkt- (Hartmann et al., 2006) oder gar Versionswissen (Döbeli Honegger, 2023) konzentriert, erweist sich als wenig nachhaltig und rasch überholt – und damit nicht allgemeinbildend im Sinne der Aufgabe von Schule und Bildung: Anwendungen und digitale Werkzeuge verändern sich mit solch hoher Geschwindigkeit, dass ein solcher rein anwendungsorientierter Ansatz Schüler:innen eben nicht auf die nächsten 20, 30 oder 40 Jahre ihres Lebens vorbereitet – eindrucksvoll demonstriert durch obige Beispiele und nicht zuletzt die aktuelle Entwicklungen im Bereich LLMs, wodurch viele “Prompting-Leitfäden” einer Halbwertszeit von tlw. wenigen Monaten haben. Mit der Dagstuhl-Erklärung (GI, 2016) betonen Informatikdidaktik und Medienpädagogik, dass erst ein holistischer Blick, der sowohl technologische („Wie funktioniert das?“), gesellschaftlich-kulturelle („Wie wirkt das?“) und anwendungsorientierte Perspektive („Wie nutze ich das?“) vereint, dem Anspruch an Bildung bzgl. einer Mündigkeit für das Leben in der digitalen Welt genügen kann. Für die Entwicklungen der Künstlichen Intelligenz ist daher etwa die die Vermittlung der zugrunde liegenden informatischer Konzepte wesentlich³, die auch für das dynamischen Gebiet der KI Schüler:innen wie Lehrkräften nachhaltig das Erschließen von Phänomenen in ihrem zukünftigen Lebens- und Arbeitswelt ermöglicht (Michaeli et al., 2023; Touretzky et al, 2023) – und über ein reines Verstehen und eine reflektierte Nutzung hinaus zum aktiven Mitgestalten unserer Welt befähigt.

Weiterhin verkennt die reduzierte Sicht auf reine Anwendung von Systemen und Werkzeugen die im letzten Abschnitt beschriebene, wesentlich grundlegendere Transformation unserer Gesellschaft, die weit über die Nutzung von konkreten Anwendungen und Werkzeugen hinausgeht. Gesellschaft, Kultur, aber auch Wissenschaft verändern sich und beeinflussen (fachliche) Bildung. Für alle Schulfächer bedingen digitalisierungsbezogene Entwicklungen etwa Veränderungen in den Inhalten, Methoden und Werkzeugen der jeweils zugrunde liegenden Bezugswissenschaften (Seegerer, 2021) – nicht nur in den Naturwissenschaften, sondern explizit auch in den Geistes- und Gesellschaftswissenschaften, vlg. etwa die Digital Humanities. Simulationen und Datenanalysen werden (neben Theorie und Experiment) als drittes bzw. viertes Standbein von Wissenschaften bezeichnet. Diese Veränderungen müssen in den jeweiligen Schulfächern aufgegriffen und Lehrkräfte entsprechend qualifiziert werden. Dafür bedarf es jeweils einer fachspezifischen Perspektive, die deutlich über allgemeine fachunabhängige Anwendungskompetenzen hinaus geht (GFD; 2018). Genauso bedarf es etwa einer Aushandlung von notwendigen Basiskompetenzen (Reinmann, im Druck) und Kompetenzen, die aufgrund des zunehmenden Automatisierungspotenzials (s.o.) möglicherweise an Bedeutung für die Allgemeinbildung verlieren oder gewinnen.

Zusammenfassend ist also festzustellen: Künstliche Intelligenz ist kein Werkzeug – auch wenn entsprechende Verfahren in vielen Werkzeugen, Anwendungen und Systemen mit umfangreichem Einfluss auf unsere Lebens- und Arbeitswelt sowie Bildung auf teilweise beeindruckende Weise genutzt werden. Insbesondere ist aber der Einfluss der digitalen Transformation (inklusive der Entwicklungen im Bereich der KI, die diese Transformation verschärfen und beschleunigen) auf unsere Gesellschaft und Kultur viel umfangreicher und grundlegender, als nur eine Veränderung der Anwendungen, die wir nutzen. Die Antwort von Bildung darf daher keine reine “Anwenderschulung” sein, sondern muss insbesondere auch technologische Grundlagen und gesellschaftliche-kulturelle Auswirkungen in den Blick nehmen, um diesen Veränderungen gerecht zu werden. Schließlich ist es das Ziel von Bildung, Lernende zu befähigen, die KI-bedingten Veränderungen nicht nur zu verstehen und kritisch zu reflektieren, sondern sie aktiv mitzugestalten.

Literatur

Döbeli Honegger, B. (2023). ChatGPT–der iPhone-Moment des maschinellen Lernens. info, 7(23), 1.

Döbeli Honegger, B. (2016). Mehr als 0 und 1. Schule in einer digitalisierten Welt. Bern: hep. mehrals0und1.ch

GFD. (2018). Fachliche Bildung in der digitalen Welt – Positionspapier der Gesellschaft für Fachdidaktik. https://www.fachdidaktik.org/wordpress/wp-content/uploads/2018/07/GFD-Positionspapier-Fachliche-Bildung-in-der-digitalen-Welt-2018-FINAL-HP-Version.pdf

GI (2016). Dagstuhl-Erklärung: Bildung in der digital vernetzten Welt. Gesellschaft für Informatik e.V. (GI). https://dagstuhl.gi.de/dagstuhl-erklaerung

GI (2025). Bildungsstandards Informatik für die Sekundarstufe I – Empfehlungen der Gesellschaft für Informatik e. V. (GI), 2025, doi: 10.18420/rec2025_052

Hartmann, W., Näf, M., & Reichert, R. (2006). Informatikunterricht planen und durchführen. Berlin, Heidelberg: Springer Berlin Heidelberg.

KMK (2021). Lehren und Lernen in der digitalen Welt. Ergänzung zur Strategie der Kultusministerkonferenz »Bildung in der digitalen Welt«: Beschluss der Kultusministerkonferenz vom 09.12.2021. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2021/2021_12_09-Lehren-und-Lernen-Digi.pdf

IAB: Institut für Arbeitsmarkt und Berufsforschung der Bundesagentur für Arbeit (2024). IABKurzbericht Nr. 5 – Aktuelle Analysen aus dem Institut für Arbeitsmarkt- und Berufsforschung. https://doku.iab.de/kurzber/2024/kb2024-05.pdf

McCarthy, J. (1979). Ascribing Mental Qualities to Machines (No. STANCS79725).

Michaeli, T., Romeike, R., Seegerer, S. (2023). What students can learn about artificial intelligence—recommendations for K‑12 computing education. In: IFIP World Conference on Computers in Education. Springer Nature, Cham, S 196–208

Reinmann, G. (Preprint). Generative KI in Studium und Lehre: Die Bedeutung fachlichen Wissen für kritisches Denken. https://gabi-reinmann.de/wp-content/uploads/2025/07/Preprint-Wissen-kritisches_Denken-KI.pdf

Seegerer, S. (2021). Informatik für alle–Beitrag und exemplarische Ausgestaltung informatischer Bildung als Grundlage für Bildung in der digitalen Transformation (Doctoral dissertation).

Seegerer, S., Michaeli, T., & Romeike, R. (2020). So lernen Maschinen! LOG IN - Informatische Bildung und Computer in der Schule (pp. 27-31), 40 (193/194). https://computingeducation.de/proj-ml-uebersicht/

SWK (2022). Digitalisierung im Bildungssystem: Handlungsempfehlungen von der Kita bis zur Hochschule. Gutachten der Ständigen Wissenschaftlichen Kommission der Kultusministerkonferenz (SWK). https://www.swk-bildung.org/content/uploads/2024/02/SWK-2022-Gutachten_Digitalisierung.pdf

Touretzky, D., Gardner-McCune, C., Seehorn, D. (2023) Machine learning and the five big ideas in AI. Int J Artif Intell Educ 33(2):233–266

Waite, J., Garside, B., Whyte, R., Kirby, D., & Sentance, S. (2024). Experience AI: Introducing AI/ML to Grade 6–8 students in the UK. In Proceedings of the 2024 17th International Conference on Informatics in Schools (ISSEP’24), Budapest, Hungary (pp. 28-30).

https://www.wired.com/2002/03/everywhere/
↩
Es gibt u.a. vor diesem Hintergrund die Forderung, den Begriff “Künstliche Intelligenz” gänzlich zu vermeiden, vgl.: https://gmls.phsz.ch/GMLS/WarumWirDenBegriffKIVermeiden
↩
im Rahmen von verpflichtendem Informatikunterricht für alle Schüler:innen (SWK, 2022) sowie informatischer Grundbildung für Lehrkräfte aller Fächer (KMK, 2021)
↩

Lehramtsstudium Informatik

Mon, 14 Jul 2025 10:00:00 GMT

Studium Lehramt Informatik: Zukunft gestalten – digital und kreativ

Informatikunterricht bedeutet nicht nur Programmieren lernen, sondern aktiv die digitale Gesellschaft verstehen und mitgestalten. Als Informatiklehrkraft bist du Vermittler digitaler Kompetenzen, kreativen Denkens und verantwortungsvollen Handelns – Fähigkeiten, die heute wichtiger sind denn je.

Das Lehramtsstudium Informatik an der Freien Universität Berlin und an der TU München verbindet fundierte fachwissenschaftliche Inhalte mit aktuellen Themen der informatischen Bildung wie Computational Thinking, Data Literacy, Kreativität, ethische Reflexion und kritisches Denken im digitalen Kontext. Hier lernst du, Schülerinnen und Schüler dabei zu unterstützen, souverän und kreativ mit digitalen Technologien umzugehen.

In folgendem Video erhältst du spannende Einblicke, warum sich das Studium des Lehramts Informatik lohnt – und wie du als zukünftiger Lehrer den Unterschied machst:

Gestalte jetzt deine Zukunft und die digitale Gesellschaft aktiv mit – studiere Lehramt Informatik an der FU Berlin oder der TUM!

Data Cases

Tue, 11 Mar 2025 10:00:00 GMT

Was ist eine Datenfallstudie?

Datenfallstudie ist eine handlungsorientierte, lernendenzentrierte Lehr-Lern-Methode. Sie ermöglicht es, Schülerinnen und Schülern ausgewählte Datenpraktiken und -konzepte in vorbereiteten Szenarien nachzuvollziehen, kriteriengeleitet zu bewerten und zu erstellen. Entsprechend dem Ziel der schulischen Bildung zum Thema “Künstliche Intelligenz” werden Schülerinnen und Schülern in datenbasierter Urteils- und Problemlösekompetenz gefördert. Dazu gehört, dass sie

die Schritte der Datenverarbeitung entlang des Lebenszyklus von Daten in KI-Systemen identifizieren,
Datenverarbeitungsergebnisse beschreiben,
diese vor dem Hintergrund des Domainwissens bewerten,
Datenflüsse modifizieren und eigene erstellen.

Bestandteile einer Datenfallstudie

Zentrale Bestandteile einer Datenfallstudie sind:

Beschreibung einer Problemsituation aus einem für Schülerinnen und Schüler persönlich relevanten Kontext,
ein realer dokumentierter, alltagsrelevanter, auf die Situation ausgerichteter, ggf. didaktisch angereicherter Datensatz, an dem ausgewählte Datenkonzepte und -praktiken sinnstiftend und fachgerecht angewendet werden können,
eine vollständig oder teilweise ausgearbeitete Datenanalyse in Form eines Datenflusses mit Aufgaben zur Beschreibung und begründeten Bewertung der Datenverarbeitungsergebnisse sowie Aufgaben zur Modifikation und Erweiterung des Datenflusses, einschließlich Ideen für weiterführende Datenanalysen,
eine in Aufgabenstellungen explizit eingebettete Sammlung von Fachinformationen,
Informationsmaterial zum Datenanalysewerkzeug und zur Interpretation der Ergebnisse,
Optional - mehrstufiges Hilfematerial, Lernkontrollen, Übungen.

Architekturen einer Datenfallstudie

Für ihren schulischen Einsatz wird die Datenfallstudie in drei Architekturen realisiert: top-down, bottom-up und puzzleartig.

Die Bottom-up-Datenfallstudie (e.g. Datenfallstudie 2 “Schutz der tasmanischen Abalone”) ist für Einzelarbeit geeignet und bietet eine geleitete Einführung in ein bestimmtes Thema (e.g., Exploration der Daten). Besonders leistungsstarke und interessierte SuS sowie Lehrkräfte profitieren von dieser Variante.
Die Top-down-Datenfallstudie eignet sich besonders dann, wenn der Fokus auf den Konzepten und Phasen des Datenlebenszyklus liegen soll.
Die puzzleartige Datenfallstudie eignet sich besonders für den Einsatz dann, wenn abstrakte Datenkonzepte wie Datenfluss vermittelt, sinnstiftend kommuniziert und kooperativ gelernt werden soll.

Schritte zur Durchführung einer Datenfallstudie

Bei der Arbeit an einer Datenfallstudie durchlaufen Schülerinnen und Schüler meist folgende Schritte:

Vorbereitung der Arbeitsumgebung,
Kennenlernen der problematischen Situation und der Zielsetzung,
Sinnstiftende Partner- / Gruppenarbeit an Aufgaben,
Fachliche Sicherung der Erkenntnisse,
Optional: Reflexion der Datenverarbeitungsschritte im Datenfluss.

Das Lernprodukt ist ein schriftliches Protokoll mit Erkenntnissen aus der Datenanalyse und der Bewertung der KI-Modelle.

Datenfallstudie ist eine komplexe Lernform, die ausreichend Zeit im Unterricht erfordert. Die minimale Bearbeitungsdauer beträgt in unserer Variante eine Doppelstunde. Datenfallstudien eignen sich für heterogene Lerngruppen. Während ihres Einsatzes sollten jedoch das Datenflusskonzept und einfache Debuggingstrategien explizit behandelt werden. Lehrkräfte sollen sich vertieftes Wissen über die Domäne des Datensatzes aneignen, um die Sicherung der Erkenntnisse aus den Datenfallstudien in Plenumsphasen zu leiten.

Vorbereitung einer Datenfallstudie

Sie benötigen die Open Source Data Mining Software Orange3, um unsere Datenfallstudien bearbeiten zu können. Wenn Sie noch nie mit Orange3 gearbeitet haben, sehen Sie sich das Video “Einführung in Orange3” an.

Datenfallstudie 1: “Die Luftqualität in Berlin”

Freund von Sofia, Marc, hat Asthma. „Weißt du, Sofia, ich kann in der Stadt immer schlechter atmen!“, klagte er gestern in der Kantine. Sofia ist Datenwissenschaftlerin und will Marc helfen. Sie möchte eine Trendanalyse der Luftqualität in der Nachbarschaft von Marc durchführen. Ziel der Analyse ist es, anhand von realen Daten aus der Frankfurter Allee in Berlin, wo Marc wohnt, Trends in der Luftqualität der letzten Jahre zu erkennen, grafisch darzustellen und zu analysieren. Sofia möchte herausfinden, ob sich die Luftqualität in der Nachbarschaft von Marc in letzter Zeit verschlechtert hat.

In dieser Datenfallstudie werden folgende Datenkonzepte und Datenpraktiken behandelt:

Trendanalyse
Streudiagramm (Scatter Plot)
Liniendiagramm (Line Plot)

Schülerinnen und Schüler lernen …

… einen Datensatz auf fehlende Werte, Minimal- und Maximalwerte zu überprüfen.
… Linien- und Streudiagramme zu beschreiben und zu interpretieren.
… die Phasen eines exemplarischen Datenanalyseprozesses zu beschreiben.

Material

Gesamtdownload der Datenfallstudie

Im Ordner finden Sie:

Beschreibung der problematischen Situation, in der sich Marc befindet,
einen realen didaktisch angereicherter Datensatz zur Luftqualität des Berliner Luftgütemessnetzes von 1993 bis 2025,
eine vollständig ausgearbeitete Datenanalyse in Form eines Datenflusses in Orange3,
Arbeitsblätter mit Aufgaben zur Beschreibung und begründeten Bewertung der Datenverarbeitungsergebnisse sowie Aufgaben zur Modifikation und Erweiterung des Datenflusses,
eine in Aufgabenstellungen explizit eingebettete Sammlung von Fachinformationen zum Thema “Luftqualität”,
Hilfekarten zum Data Mining Tool Orange3 und zur Interpretation der Ergebnisse
Erwartungshorizont

Durchführung

Planen Sie genügend Zeit im Unterricht für die Arbeit an dieser Datenfallstudie ein. Wenn die Arbeitsumgebung bereits eingerichtet ist, durchlaufen die Schülerinnen und Schüler die folgenden Schritte:

Kennenlernen der problematischen Situation (10 Minuten)
Bearbeiten der Aufgaben in Partnerarbeit (60 – 80 Minuten)
Fachliche Sicherung der Erkenntnisse und Reflexion der Datenverarbeitungsschritte im Datenfluss (15 Minuten)

Das Lernprodukt dieser Datenfallstudie ist ein schriftliches Protokoll mit Erkenntnissen aus der Datenanalyse.

Tipps & Tricks

Weitere Daten zur Luftqualität in Berlin finden Sie auf der Internetseite Berliner Luftgütemessnetz. Auch viele andere Städte in Deutschland veröffentlichen Daten zur Luftqualität! Informieren Sie sich, ob auch Ihre Stadt Daten zum Download anbietet.

Sie können mit Ihren Schülerinnen und Schülern auch selbst Feinstaubdaten erfassen! Wie das geht, erklärt Ihnen Sofia aus unserem Erklärvideo.

Olari, V., Lambert, L., Pfeiler, S., Dengg, J. & Romeike, R. (2025). Heft 1: Die Luftqualität in Berlin. In Olari, V. & Romeike, R. (Hrsg.), Data Cases: Datenfallstudien für den Informatikunterricht zum Thema Daten und Künstliche Intelligenz. Freie Universität Berlin, Computing Education Research Group. ISSN 3052-833X. https://computingeducation.de/proj-datacases/

Datenfallstudie 2: “Schutz der tasmanischen Abalone”

Tasmanische Abalonen sind beeindruckende Meeresschnecken, die an den Küsten Australiens leben. Sie haben auffällige, schimmernde Schalen und gehören zu den heute lebenden Fossilien, deren Geschichte bis in die Kreidezeit vor etwa 70 Millionen Jahren zurückreicht. Doch seit Jahren gehen die Wildbestände dramatisch zurück. Einige Arten stehen heute auf der Roten Liste. Gründe dafür sind die Umweltveränderungen aufgrund des Klimawandels sowie die Überfischung. Da das Alter der Meeresschnecken nicht leicht zu bestimmen ist, wird beim Fang häufig nicht unterschieden, ob es sich um junge oder erwachsene Tiere handelt.

In dieser Bottom-up-Datenfallstudie nutzten Schülerinnen und Schüler die Methoden der Datenexploration, um den Unterschied zwischen Jungtieren und erwachsenen Tieren anhand ihrer äußeren Merkmalen (Länge, Breite, Höhe) zu untersuchen. Diese Aufgabe ist knifflig, denn der Datensatz enthält einen Twist! Damit können die Schülerinnen und Schüler lernen, wie wichtig es ist, Daten zu hinterfragen und Auffälligkeiten in Daten auf den Grund zu gehen.

In dieser Datenfallstudie werden folgende Datenkonzepte und Datenpraktiken behandelt:

Datenexploration
Auffälligkeiten in einem Datensatz (unplausibler Wertebereich)
Statistische Kennzahlen (Mittelwert, Median, Modalwert)
Boxplot

Schülerinnen und Schüler lernen …

… Beteiligte zu identifizieren, die an oder von dem Ergebnis der Datenanalyse betroffen sind.
… Auffälligkeiten in einem Datensatz zu identifizieren und zu beseitigen.
… statistische Kennzahlen (Mittelwert, Median, Modalwert, minimale und maximale Werte) anzuzeigen und zu interpretieren.
… Boxplots zu erstellen und zu interpretieren.
… nummerische Merkmale in einem Datensatz zu transformieren.

Material

Gesamtdownload der Datenfallstudie

Im Ordner finden Sie:

Beschreibung der problematischen Situation, die in das Materail eingebettet ist,
einen realen Datensatz zu tasmanische Abalonen inklusive Dokumentation,
eine vollständig ausgearbeitete Datenanalyse in Form eines Datenflusses in Orange3,
Arbeitsblätter für Gruppe A und B mit Aufgaben mit eingebeteten Hilfestellungen,
Zusatzinformationen zu tasmanische Abalonen von der Tasmanischen Regierung,
Erwartungshorizont

Durchführung

Planen Sie etwa 170 Minuten im Unterricht für die Arbeit an dieser Datenfallstudie ein. Das Lernprodukt ist ein schriftliches Protokoll mit Erkenntnissen aus der Datenanalyse.

Tipps & Tricks

Sie können diese Datenfallstudie weiter ausbauen. Sie können beispielsweise Themen wie „Klassifikation” (Vorhersage der Zielvariable „sex”) oder „Regression” (Vorhersage der Zielvariable „rings”) behandeln.

Olari, V., & Romeike, R. (2025). Heft 2: Schutz der tasmanischen Abalone, Version 1.0. In Olari, V. & Romeike, R. (Hrsg.), Data Cases: Datenfallstudien für den Informatikunterricht zum Thema Daten und Künstliche Intelligenz. Freie Universität Berlin, Computing Education Research Group. ISSN 3052-833X. https://computingeducation.de/proj-datacases/

Datenfallstudie 3: “Wann verschwindet der Schneeferner?”

Die Gletscher in den Bayerischen Alpen sind wichtige Zeugen des Klimawandels. Ihre Existenz und ihre kontinuierliche Beobachtung seit dem Ende des 19. Jahrhunderts ermöglichen einzigartige Studien zu den Auswirkungen des Klimawandels. In dieser puzzleartigen Datenfallstudie rekonstruieren Schülerinnen und Schüler den Datenverarbeitungsprozess, mit dem die Veränderung der Gesamtfläche des Schneeferners untersucht wird. Ziel ist es herauszufinden, wann dieser Gletscher vollständig verschwunden sein wird.

In dieser Datenfallstudie werden folgende Datenkonzepte und Datenpraktiken behandelt:

Datenfluss
Schritte des Datenlebenszyklus (Datenexploration, Datenvorbereitung, Erstellung eines Vorhersagemodells (Regression))

Schülerinnen und Schüler lernen …

… den Datenverarbeitungsprozess zu rekonstruieren.
… die Schritte und Ergebnisse in fertigen Datenflüssen zu verbalisieren.
… den Datenfluss kriteriengeleitet und dialogisch zu untersuchen.

Material

Gesamtdownload der Datenfallstudie

Im Ordner finden Sie:

Beschreibung der problematischen Situation, die in das Materail eingebettet ist,
einen realen Datensatz zur Entwicklung der Gesamtfläche von Schneeferner inklusive Dokumentation,
eine vollständig ausgearbeitete Datenanalyse in Form eines Datenflusses in Orange3,
Arbeitsblätter mit Aufgaben und Lösungen,
Legespiel Druckvorlage,
Legespiel Erwartungshorizont

Durchführung

Planen Sie 90 Minuten im Unterricht für die Arbeit an dieser Datenfallstudie ein. Das Lernprodukt ist das Spielfeld mit dem rekonstruierten Datenfluss.

Tipps & Tricks

Diese Datenfallstudie eignet sich für eine Klasse, in der die meisten Schülerinnen und Schüler über fortgeschrittene Kenntnisse zu „Orange3” verfügen. Sie berücksichtigt jedoch auch Schülerinnen und Schüler ohne oder mit wenigen Vorkenntnissen.

Olari, V., Lambert, L., Pfeiler, S., Dengg, J. & Romeike, R. (2025). Heft 3: Wann verschwindet der Schneeferner? Version 1.0. In V. Olari & R. Romeike (Hrsg.), Data Cases: Datenfallstudien für den Informatikunterricht zum Thema Daten und Künstliche Intelligenz. Freie Universität Berlin, Computing Education Research Group. ISSN 3052-833X. https://computingeducation.de/proj-datacases/

Datenfallstudie 4: “Palmer-Pinguine”

Im Jahr 2014 hat Palmer Station in der Antarktis in Zusammenarbeit mit Kristen Gorman, Tony Williams und William Fraser 344 Pinguinen aus dem Palmer Archipel ausgemessen. In der Arbeit hat das Team unter anderem die Unterschiede im Aussehen zwischen Männchen und Weibchen untersucht. Die Daten haben sie in einem Datensatz veröffentlicht. Die Aufgabe der Schülerinnen und Schülern ist es, in die Fußstapfen des Forschungsteams zu treten und eine Klassifizierung in männlich und weiblich auf der Grundlage der Körpermaße vorzunehmen.

In dieser Datenfallstudie werden folgende Datenkonzepte und Datenpraktiken behandelt:

Datenfluss
Schritte des Datenlebenszyklus (Datenexploration, Datenvorbereitung, Erstellung eines Vorhersagemodells (Klassifikation))

Schülerinnen und Schüler lernen …

… den Datenverarbeitungsprozess zu rekonstruieren.
… die Ergebnisse der Rekonstruktion in Orange3 zu überprüfen.
… die Schritte und Ergebnisse in fertigen Datenflüssen zu verbalisieren.
… den Datenfluss kriteriengeleitet und dialogisch zu untersuchen.

Material

Gesamtdownload der Datenfallstudie

Im Ordner finden Sie:

Beschreibung der problematischen Situation, die in das Materail eingebettet ist,
einen realen Datensatz zur drei Pinguinarten auf den Inseln des Palmer-Archipels in der Antarktis inklusive Dokumentation,
eine vollständig ausgearbeitete Datenanalyse in Form eines Datenflusses in Orange3,
Arbeitsblätter mit Aufgaben und Lösungen,
Legespiel Druckvorlage,
Legespiel Erwartungshorizont

Durchführung

Planen Sie 60 bis 90 Minuten im Unterricht für die Arbeit an dieser Datenfallstudie ein. Die Lernprodukte sind das Spielfeld mit dem rekonstruierten Datenfluss sowie ein schriftliches Protokoll mit Erkenntnissen aus der Datenanalyse.

Olari, V., Lambert, L., Pfeiler, S., Dengg, J. & Romeike, R. (2025). Heft 4: Palmer-Pinguine und ihr Geschlecht. Version 1.0. In V. Olari & R. Romeike (Hrsg.), Data Cases: Datenfallstudien für den Informatikunterricht zum Thema Daten und Künstliche Intelligenz. Freie Universität Berlin, Computing Education Research Group. ISSN 3052-833X. https://computingeducation.de/proj-datacases/

Sprachmodelle unplugged mit Grimms Märchen

Fri, 15 Sep 2023 10:10:55 GMT

Um Schülerinnen und Schülern Grundprinzipien großer Sprachmodelle zu demonstrieren, haben wir eine unplugged Aktivität entwickelt und erprobt. Die Schülerinnen und Schüler trainieren ein einfaches Sprachmodell (Markov-Kette) anhand der ersten Sätze von Grimms Märchen. Anschließend arbeiten sie gemeinsam an der Generierung neuer Sätze. Das Arbeitsblatt enthält auch Aufgaben zur Reflexion. Die fertig generierten Sätze werden im Plenum vorgestellt. Zur Festigung gibt es eine Lückentextübung.

Die Aktivität wird in diesem Beitrag ausführlich beschrieben: Sprachmodelle unplugged mit Grimms Märchen

Folgende Grundideen können mit der Aktivität erlebt werden:

… die Rolle des Zufalls bei der Generierung neuer Sätze,

… Training und Anwendung als verschiedene Phasen im Lebenszyklus eines Sprachmodells,

… den Einfluss des Textkorpus auf die generierten Sätze.

Informationen

Sozialform: Einzelarbeit, Arbeit in Gruppen von 3 bis 4 Schülerinnen und Schülern, Plenum

Zeitumfang: 30-45 Minuten

Erforderliche Werkzeuge & Software: Keine

Klassenstufe: 9

Materialien

Das Unterrichtsmaterial können Sie hier herunterladen.

Englische Version des Unterrichtsmaterials finden Sie hier.

Das Poster können Sie hier herunterladen.

Quanteninformatik

Thu, 09 Sep 2021 10:00:00 GMT

Quanteninformatik

Quantencomputing gilt als eine der vielversprechendsten neuen technologischen Entwicklungen - Forscherinnen und Forscher sprechen von einer „zweiten Quantenrevolution”. Das noch junge und hochkomplexe Technologiefeld der Quanteninformatik wird gleichzeitig zur Projektionsfläche für gesellschaftliche Erwartungen und Ängste: Was passiert, wenn Rechner nun innerhalb kürzester Zeit streng geheime Dokumente entschlüsseln können, deren Offenlegung Auswirkungen auf die internationale Politik haben könnten? Wie beruhigend wäre es, wenn ein Rechner Katastrophenszenarien, wie Erdbeben oder Überschwemmungen, komplex simulieren kann und wir so solchen Situationen analytisch und vorgeplant begegnen könnten?

Um über alle diese Fragen und über die komplexen Sachverhalte dahinter einen informierten gesellschaftlichen Diskurs im Sinne einer digital mündigen Gesellschaft zu führen, braucht es niedrigschwellige und breit angelegte Vermittlungskonzepte. Dabei müssen sowohl technische Grundlagen, anwendungsbezogene Erwägungen als auch gesellschaftliche Folgen reflektiert werden.

Dabei ist es wichtig, sich auf die zeitüberdauernden Aspekte der Informatik zu konzentrieren, die im zugehörigen INFOS2021-Beitrag nachgelesen werden können.

Die Unterrichtsmaterialien finden sie hier zum Download.

Als kleiner Teaser steht außerdem das Quantum Penny Flip Spiel zur Verfügung (für zwei Personen gedacht und für Handy optimiert). Gibt es eine Strategie mit der eine Person immer gewinnt? Die Hintergründe und mehr gibt’s dann im Unterrichtsmaterial.

IT2School - Module zu künstlicher Intelligenz

Wed, 08 Sep 2021 10:00:00 GMT

Künstliche Intelligenz

In Kooperation mit der Wissensfabrik haben wir im Rahmen des IT2School-Projekts vier Unterrichtsmodule zum Thema “Künstliche Intelligenz” entwickelt.

Die Materialien können entweder über das Webangebot der Wissensfabrik bezogen werden oder direkt hier heruntergeladen werden.

Modul KI-B3: Schlag den Roboter

In diesem Modul sammeln die Schülerinnen und Schüler an niederschwelligen Beispielen spielerisch Erfahrungen mit der Funktionsweise und Wirkung von KI-Systemen. Sie schlüpfen dafür in verschiedenen Spielen und „Unplugged“-Aktivitäten in die Rolle einer KI und erfahren die grundlegenden Ideen und Künstlicher Intelligenz.

Gesamtdownload des Moduls

Nach Abschluss des Teilmoduls können die Schülerinnen und Schüler…

… KI charakterisieren und Beispiele für künstliche Intelligenz aus ihrer Lebenswelt einordnen. (Was ist Künstliche Intelligenz und wo begegnet sie mir?)
…lernende und klassische KI-Ansätze gegenüberstellen. (Welche unterschiedlichen Ansätze von künstlicher Intelligenz gibt es und wie unterscheiden sie sich?)
…die grundlegenden Prinzipien von überwachtem, unüberwachtem und verstärkendem Lernen erläutern und gegebenen Problemstellungen passende Ansätze zuordnen. (Wie kann ein Computer lernen?)

Modul KI-B4: Von Daten und Bäumen

In diesem Modul wenden die Schülerinnen und Schüler KI-Methoden (vorwiegend das Lernen von Entscheidungsbäumen) aktiv auf Datenan und analysieren die gesellschaftliche Wirkung von KI-Systemen. Aufbauend auf den niederschwelligen Beispielen, die auch im Modul “Schlag den Roboter” genutzt wurden, schlüpfen die Schülerinnen und Schüler in die Rolle eines Data Scientist und erzeugen mithilfe der freien Software Orange3 Modelle, um datenbasiert Entscheidungen abzuleiten oder Vorhersagen zu treffen. Die Schülerinnen und Schüler setzen damit nicht nur KI-Methoden aktiv ein, sondern lernen auch Berufsperspektiven wie die des Data Scientist kennen und diskutieren die gesellschaftliche Wirkung, die aus dem Einsatz ihrer Modelle resultieren würde.

Gesamtdownload des Moduls

Nach Abschluss des Teilmoduls können die Schülerinnen und Schüler…

Probleme erläutern, in denen KI gewinnbringend eingesetzt werden kann. (Welche Probleme werden bereits mit KI gelöst?)
Probleme unter Nutzung von KI-Methoden lösen. (Wie kann ich KI nutzen, um Probleme zu lösen?)
Konsequenzen aus dem Einsatz von KI-Methoden diskutieren und bewerten. (Welche Konsequenzen hat der Einsatz von KI-Methoden auf uns und unsere Gesellschaft? Wo liegen die Gefahren von KI?)
Einsatzmöglichkeiten von KI-Methoden als “Werkzeug” bspw. bei der beruflichen Tätigkeit beschreiben. (Wie arbeitet ein Data Scientist? Was kann ich mit KI später (beruflich) machen?)

Modul KI-A1: Die Bananenjagd

In diesem Aufbaumodul schlüpfen die Schülerinnen und Schüler selbst in die Rolle von KI-Entwicklern. Im Gegensatz zu vielen anderen Ansätzen wenden sie dabei nicht nur vortrainierte Modelle an oder setzen existierende Bibliotheken ein, um beispielsweise ihre Daten zu klassifizieren. Stattdessen implementieren die Schülerinnen und Schüler den tatsächlichen Algorithmus, der den Computer “lernen” lässt, in einer blockbasierten Programmiersprache selbst. Damit gestalten die Schülerinnen und Schüler selbst KI-Systeme und durch den Blick “hinter die Kulissen” wird die vermeintliche “Magie” solcher Verfahren demystifiziert.

Gesamtdownload des Moduls

Nach Abschluss des Teilmoduls können die Schülerinnen und Schüler…

KI-Verfahren für überwachtes, unüberwachtes und verstärkendes Lernen in Snap! umsetzen. (Wie kann ein Computer lernen?)

Modul KI-A2: Mein persönlicher Assistent

In diesem Modul können die Schülerinnen und Schüler selbst einen (einfachen) digitalen Sprachassistenten entwickeln und gestalten. Dazu benötigen sie nur Bastelmaterialien, einen Computer mit Internetzugang und das eigene Smartphone. Das Modul zeigt, dass KI auch als kreatives Werkzeug für persönliche Projekte verwendet werden kann.

Gesamtdownload des Moduls

Nach Abschluss des Teilmoduls können die Schülerinnen und Schüler…

… KI-Modelle in Anwendungen für intelligente Assistenten nutzen. (Wie kann ich KI nutzen, um einen intelligenten Assistenten zu erschaffen?)
… die Interaktion zwischen KI-System und menschlichen Nutzern untersuchen und personale sowie gesellschaftliche Implikationen am Beispiel von intelligenten Assistenten erläutern. (Wie interagieren andere Nutzer mit einem von mir geschaffenen KI-System?)
… Mensch-KI-Interaktionsprozesse gestalten. (Wie müssen intelligente Assistenten für eine natürliche Interaktion gestaltet werden?)
… beurteilen, welche Daten von einem solchen System für den Betrieb notwendig sind und welche (z.B. aus ethischen Gründen) nicht erhoben werden sollten. (Welche Daten können und sollen von einem solchen System erfasst werden? Was verraten die Daten über mich?)

Absolventinnen und Absolventen im Lehramt Informatik in Bayern

Sun, 15 Aug 2021 10:00:00 GMT

…20 Jahre nach Einführung des Schulfaches.

Eine große Herausforderung bei der Einführung eines verpflichtenden Schulfachs Informatik stellt nach wie vor das sogenannte Henne-Ei-Problem “Schulfach vs. Lehrkräfte” dar: Ohne qualifizierte Lehrkräfte ist ein Schulfach nur schwer realisierbar, ohne Schulfach lassen sich aber nur wenige Studierende für ein Lehramtsstudium Informatik gewinnen. Typischerweise wird das Problem fehlender qualifizierter Informatiklehrkräfte daher durch umfangreiche Weiterbildungsmaßnahmen adressiert. Wie aber entwickelt sich die Zahl der angehenden Informatiklehrkräfte langfristig nach der Einführung des Schulfachs? Hierzu erlaubt der Fall Bayern aufgrund der vergleichsweise langen Tradition informatischer Bildung spannende Einblicke.

Im Folgenden findet sich ein Ausschnitt aus unserem INFOS23-Beitrag, in dem die Entwicklung der Absolvent:innen (erste und zweite Phase) im Lehramt Informatik in Bayern in den letzten 20 Jahren untersucht wurde. Die Ergebnisse zeigen, dass die Einführung des Pflichtfachs zu einem starken Anstieg der Absolvent:innenzahlen geführt hat. Allerdings hat nach wie vor die Mehrheit der Absolvent:innen die Lehrbefähigung für das Fach Informatik nachträglich im Rahmen eines stark verkürzten Erweiterungsstudiums erworben und auch 20 Jahre nach Einführung des Schulfaches bleiben Maßnahmen zur Gewinnung zusätzlicher Informatiklehrkräfte notwendig.

Weiterführende Informationen und Erfahrungen zur Nachqualifikation von Lehrkräften in Bayern finden sich bspw. hier.

Entwicklung der Absolvent:innenzahlen im Lehramt Informatik in Bayern seit 2002

Für die Diskussion um das “Henne-Ei-Problem” sowie bildungspolitische Aktivitäten im Kontext des Lehrkräftemangels in Informatik erlaubt der Fall Bayern aufgrund der vergleichsweise langen Tradition des Schulfaches spannende Einblicke. In der Ausbildung der Lehrkräfte wird hier zwischen einem vertieften Studium für das gymnasiale Lehramt (Regelstudienzeit: 9 Semester) sowie einem nicht vertieften für Real- und Mittelschulen unterschieden (Regelstudienzeit: 7 Semester). Für das Lehramt an Gymnasien werden zwei Unterrichtsfächer studiert, die möglichen Fächerkombinationen sind dabei limitiert¹. Ein entsprechendes Studienangebot besteht an 6 Universitäten und endet mit dem 1. Staatsexamen. Die Prüfung kann entweder im Frühjahr oder Herbst eines Jahres abgelegt werden. Anschließend wird der Vorbereitungsdienst mit einer Dauer von 2 Jahren absolviert, der mit dem 2. Staatsexamen abgeschlossen wird.

Als Datengrundlage für diese Untersuchung wurden vom Bayerischen Staatsministerium für Unterricht und Kultus die Absolvent:innenzahlen des 1. und 2. Staatsexamens der letzten 20 Jahre zur Verfügung gestellt, die insbesondere eine Unterscheidung zwischen dem grundständigen, d.h. regulären Studium, sowie der Erweiterung mit Informatik als “Drittfach” (etwa im Rahmen einer Weiterbildungsmaßnahme) ermöglichen. Zusätzlich wurde zur Kontextualisierung der Ergebnisse auf Daten des Bayerischen Landesamts für Statistik zurückgegriffen. Die folgende Auswertung beschränkt sich dabei auf das gymnasiale Lehramt.

Grundständiges Studium für das gymnasiale Lehramt Informatik

Betrachtet man zunächst die Entwicklung der Absolvent:innenzahlen des ersten Staatsexamens für das grundständige vertiefte Studium Lehramt Informatik (vgl. Abbildung 1), ist bereits ab Herbst 2006, also nur 2.5 Jahre nach Einführung des Faches, eine stetige Zunahme festzustellen. Ab Herbst 2008 (also etwa eine Regelstudienzeit nach der Einführung) ist bereits ein stabiles Niveau zwischen 10 und 20 Absolvent:innen pro Prüfungstermin erreicht, das auch seitdem weitgehend konstant gehalten wird (Mittelwert seit 2008: 30 Absolvent:innen pro Jahr). Der Ausreißer im Herbst 2016 hängt zeitlich mit dem durch den Wechsel von G9 auf G8 bedingten “doppelten Abiturjahrgang” 2011 zusammen. Dieser beinhaltet gleichzeitig die ersten Schüler:innen, die den eingeführten Informatikunterricht erhalten haben. Allerdings zeigt sich bisher kein signifikanter Effekt des Informatikunterrichts auf die absoluten Absolvent:innenzahlen im Lehramt Informatik.

Abbildung 1 - Absolvent:innen im Lehramt Informatik (1. Staatsexamen, grundständig, vertieft) in Bayern, Datengrundlage: StMUK

Allerdings relativiert sich die Entwicklung der Zahlen im Lehramt Informatik, wenn ein Vergleich mit den fachunabhängigen grundständigen Absolvent:innen des 1. Staatsexamens in Bayern vorgenommen wird (vgl. Abbildung 2). So ist ab 2014 ein deutlicher Rückgang zu verzeichnen. Die — absolut betrachtet — weitgehend konstante Entwicklung in der Informatik bedeutet daher einen relativen Anstieg:

Abbildung 2 - Absolvent:innen im gymnasialen Lehramt (1. Staatsexamen, grundständig, vertieft) in Bayern, Datengrundlage: StMUK, Bayerischen Landesamts für Statistik

Nach Abschluss des ersten Staatsexamens folgt für grundständig Studierende das zweijährige Referendariat (frühester Beginn 6 Monate nach Prüfungstermin im Herbst/Frühjahr), das mit dem zweiten Staatsexamen abgeschlossen wird. Zwar ermöglichen die Daten kein Matching der Personen, dennoch kann die Anzahl der Absolvent:innen des zweiten Staatsexamens mit denen des ersten Staatsexamens zwei Jahre zuvor verglichen werden, also etwa die Kohorte der Absolvent:innen des zweiten Staatsexamens 2020 mit der des ersten Staatsexamens im Herbst 2017 und Frühjahr 2018 (vgl. Abbildung 3). Neben Bewerber:innen außerhalb Bayerns² nehmen zusätzlich auch Quereinsteiger:innen (im Rahmen von Sondermaßnahmen bis 2009³) am Vorbereitungsdienst teil und legen das 2. Staatsexamen ab. Für die Jahre 2008 bis 2010 zeigen die Daten in Konsequenz der damaligen Möglichkeit zum Quereinstieg mehr Absolvent:innen des 2. als des 1. Staatsexamens für eine Kohorte. Für das Jahr 2008 (9 Absolvent:innen des 2. Staatsexamens) gibt es sogar überhaupt keine Absolvent:innen des 1. Staatsexamens zwei Jahre zuvor. Betrachtet man jedoch die letzten 10 Jahre (nach Auslauf der Sondermaßnahmen zum Quereinstieg aufgrund der zunehmenden Anzahl regulärer Absolvent:innen), liegt der Mittelwert bei 20 Absolvent:innen des 2. Staatsexamens. Im Vergleich zu den Absolvent:innen des 1. Staatsexamens ergibt sich damit ein Anteil von im Schnitt fast 25%, der entweder das Referendariat nicht (direkt) antritt oder dieses nicht zu Ende führt:

Abbildung 3 - Vergleich der Absolvent:innen des 2. Staatsexamens Informatik (Gymnasium) mit den Absolvent:innen des 1. Staatsexamens 2 Jahre zuvor im Lehramt Informatik (grundständig, vertieft), Datengrundlage: StMUK

Vergleicht man analog die Anzahl der grundständigen Absolvent:innen des ersten Staatsexamens mit den Studienanfänger:innen im Lehramt Informatik fünf Jahre und damit eine Regelstudienzeit zuvor⁴, wird ein noch wesentlich deutlicheres Missverhältnis auffällig (vgl. Abbildung 4). So stehen den in den letzten 12 Jahren mit Ausnahme des “Doppeljahrgangs” weitgehend konstanten und im Schnitt knapp unter 90 Studienanfänger:innen pro Jahr im Lehramt Informatik lediglich etwa 40 Absolvent:innen des 1. Staatsexamens fünf Jahre später gegenüber, — ohne dass hier individuelle Studienverläufe untersucht werden können. Die damit anzunehmende Abbruchquote von etwa 55% liegt deutlich über der für das fachunabhängige Lehramtsstudium (etwa 15%), aber auch über der für den Bachelor Informatik (etwa 45%):

Abbildung 4 - Vergleich der Absolvent:innen des 1. Staatsexamens in Informatik mit den Studienanfänger:innen 5 Jahre zuvor im Lehramt Informatik (grundständig, alle Schulformen), Datengrundlage: StMUK, Stifterverband

Erweiterungsstudium für das gymnasiale Lehramt Informatik

Neben dem “regulären” Studium besteht auch die Möglichkeit, das Lehramtsstudium einer Fächerverbindung um das Fach Informatik zu erweitern (“Drittfach”). Hierfür muss gemäß der Lehramtsprüfungsordnung des Landes Bayern (LPO I) kein vollständiges Fachstudium absolviert werden, sondern lediglich “mindestens 10 Leistungspunkte aus dem Gebiet der Technischen Informatik” erworben sowie “die erfolgreiche Teilnahme an einem Praktikum zur planmäßigen Entwicklung eines größeren Softwaresystems” nachgewiesen und dann das reguläre 1. Staatsexamen⁵ in Informatik erfolgreich abgelegt werden. Diese Erweiterung findet damit sowohl im Rahmen der dargestellten umfangreichen berufsbegleitenden Weiterbildungsmaßnahmen Anwendung als auch für Studierende, die ihr Staatsexamen in zwei anderen Unterrichtsfächern mit Informatik erweitern — etwa zur Erhöhung der Einstellungschancen. Im Falle einer nachträglichen Erweiterung (nach bereits abgelegtem 2. Staatsexamen in der ursprünglichen Fächerkombination) wird kein Vorbereitungsdienst abgeleistet.

Betrachtet man den zeitlichen Verlauf der Absolvent:innen eines solchen Erweiterungsstudiums (vgl. Abbildung 5), zeigt sich der Effekt der Weiterbildungsmaßnahmen, wie der SIGNAL-Maßnahme flankierend zur Einführung des Faches zwischen 2002 und 2006 oder der aktuellen Nachqualifikationsmaßnahme im Kontext der Lehrplanreform. Auch im Zeitraum zwischen diesen groß angelegten koordinierten Maßnahmen gibt es einen geringen, aber weitgehend konstanten Anteil an Absolvent:innen, die entweder als Lehrkraft im Rahmen der FLIEG-Maßnahme im eigenen Tempo und ohne Anrechnungsstunden parallel zur Berufstätigkeit oder aber im Vollzeitstudium, etwa zur Verbesserung der Einstellungschancen, das Erweiterungsstudium absolviert hat.

Abbildung 5 - Absolvent:innen im Lehramt Informatik (1. Staatsexamen, vertieft) in Bayern, Datengrundlage: StMUK

Die Daten zeigen, dass die deutliche Mehrheit der in den letzten 20 Jahren über das 1. Staatsexamen qualifizierten Gymnasiallehrkräfte ihre Lehrbefähigung Informatik auf dem Weg des Erweiterungsstudiums, insbesondere im Rahmen koordinierter Weiterbildungsmaßnahmen erworben hat. War vor der aktuellen Nachqualifikationsmaßnahme beinahe ein 50:50 Verhältnis erreicht, sind nun zwischen Frühjahr 2002 und Herbst 2022 in der grundständigen Variante 444 Absolvent:innen zu verzeichnen, denen 668 Absolvent:innen der Erweiterung gegenüberstehen. Dies unterstreicht die Bedeutung umfangreicher, qualitativ hochwertiger Weiterbildungsmaßnahmen für die Abdeckung des Informatikunterrichts.

Für das 1. Staatsexamen im Lehramt Informatik zeigt die Auswertung der vorliegenden Daten, dass die Durchfallquote bei etwa 6% liegt — und keine Unterschiede zwischen Erweiterungsstudium und grundständigem Studium festzustellen sind. Die eigentliche Examensprüfung in Informatik stellt also keine relevante Ursache für weiteren “Dropout” dar. Weiterhin haben auch die Nachqualifikationsmaßnahmen zunächst fachfremden Lehrkräften in der typischen Maßnahmendauer von 2 Jahren erfolgreich die dafür notwendigen vorwiegend fachlichen Kompetenzen vermittelt.

Ein Vergleich mit weiteren Bundesländern, Details zur Situation informatischer Bildung in Bayern inkl. der Weiterbildungsmaßnahmen sowie Implikationen dieser Auswertung finden sich im zugehörigen INFOS23-Beitrag.

Für das Lehramt an Gymnasien kann Informatik aktuell mit Mathematik, Physik, Wirtschaftswissenschaften, Biologie, Chemie oder Englisch kombiniert werden, siehe LPO.
↩
sowie potentiell bestimmte Studierende des Erweiterungsstudiums, siehe unten.
↩
Auch seit 2022 gibt es wieder eine Sondermaßnahme zum Quereinstieg, in der 10 Plätze für Bewerber:innen zu vergeben sind.
↩
Aufgrund der Datenlage hier sowohl Absolvent:innen als Studienanfänger:innen für das Lehramt Informatik aller Schulformen; Daten zu den Studienanfänger:innen liegen bis 2010 vor, dies erlaubt einen Vergleich mit den Absolvent:innen des 1. Staatsexamens bis 2015.
↩
Prüfungsbestandteile: Algorithmen und Datenstrukturen, Theoretische Informatik, Softwaretechnik, Datenbanken, Fachdidaktik, siehe LPO
↩

OER-Zeitschrift Informatische Bildung in Schulen

Sun, 15 Aug 2021 10:00:00 GMT

Zeitgemäße, gute informatische Bildung ist entscheidend, um jeden und jede zum Verstehen und Gestalten der digitalen Welt im Sinne mündiger Bürgerinnen und Bürger zu befähigen. Neben der langsamen, aber stetigen Verbreitung des Pflichtfachs Informatik in der deutschen Bildungslandschaft ist die Weiterentwicklung des Informatikunterricht (insbs. vor dem Hintergrund des jungen Schulfaches und der vielen Quereinsteiger und weitergebildeten Lehrkräfte) unerlässlich, um diese Ziele zu erreichen.

Im Jahr 2022 ist die letzte Ausgabe der LOG IN, der einzigen deutschsprachigen Zeitschrift für Lehrkräfte im Bereich der informatischen Bildung, erschienen. Im Projekt Informatische Bildung in Schulen (IBiS) wird diese wichtige Arbeit unter dem Dach des Fachausschusses Informatische Bildung an Schulen und der Fachgruppe Didaktik der Informatik der Gesellschaft für Informatik e. V. fortgeführt. Die erste Ausgabe wurde am 19. September 2023 veröffentlicht.

Zielsetzung ist die Verbreitung von Erfahrungen, Best Practices und Leuchtturmbeispielen der informatischen Bildung sowie der Transfer von wissenschaftlichen Erkenntnissen in die Schul- und Unterrichtspraxis - sowohl für den Informatikunterricht als auch darüber hinaus. Damit sollen Lehrkräfte etwa mit neuen Themen für den Informatikunterricht, praxiserprobte Unterrichtskonzepten und -materialien, Methoden, Werkzeugen sowie aktuellen Forschungsergebnissen mit Bezug auf ihre Unterrichtspraxis in Kontakt gebracht werden. Die primäre Zielgruppe der Zeitschrift sind daher Lehrkräfte aller Schulformen.

Die Zeitschrift kann einfach kostenlos digital abonniert werden und alle Artikel erscheinen unter offenen Creative-Commons-Lizenzen. Die Einreichung von Beiträgen ist durchgängig möglich.

Alle weiteren Informationen finden sich unter https://informatischebildung.de.

Agile Schule

Wed, 30 Jun 2021 10:00:00 GMT

Agile Projektarbeit macht Schule!

Die aus der Softwareentwicklung bekannte Vorgehensweise lässt sich gewinnbringend auf den Projektunterricht übertragen. Interessierte Lehrkräfte, Didaktiker und Bildungsverantwortliche finden in diesem Buch die dazu nötigen Hintergrundinformationen, Methoden und Umsetzungshinweise. Das Autorenteam liefert konkrete Praxisbeispiele und zeigt, wie Schülerinnen und Schüler durch agile Projektarbeit zum selbstorganisierten Lernen angeleitet werden können. Mehr zu diesem Projekt finden Sie im dazugehörigen Buch.

Algorithmen mit Snap!

Mon, 07 Jun 2021 15:11:55 GMT

… in der bayerischen 11. Klasse!

Im neuen Lehrplan für die 11. Klasse an bayerischen Gymnasien werden Programmierkonzepte anhand einer “geeigneten visuellen oder textbasierten Sprache” thematisiert. Snap! eignet sich besonders zur Umsetzung der Lehrplan-Inhalte: sie kombiniert eine niedrige Einstiegshürde durch Wegfall von Syntaxfehlern mit der Möglichkeit, in kurzer Zeit auch hochgradig komplexe Projekte umzusetzen. Dazu fördert sie die direkte Interaktion mit der Programmierumgebung - beispielsweise genügt ein einfacher Mausklick auf ein Skript, um es auszuführen, und laufender Programmcode kann während der Ausführung geändert werden. Aufgrund dieser Faktoren sind Schülerinnen und Schüler in der Lage, schnell lauffähige und individualisierte Lösungen für gegebene Probleme zu finden und sind dabei sehr motiviert.

Dieses Konzept ermöglicht Schülerinnen und Schülern ausgehend von ihren individuellen Interessen und Begabungen an Snap-Projekten aus den Bereichen “Grafik”, “Daten”, und “Sound” zu arbeiten. Angeleitet werden sie dabei durch Arbeitsblätter, Erklärkarten zu informatischen Konzepten, Kommmentare in den Snap!-Projekten und Videos zu jedem einzelnen Projekt.

Zur Abdeckung der Lerninhalte benutzen die Schülerinnen und Schüler die Konzepttabelle, die die Projekte und ihre Programmierkonzepte miteinander verbindet; ihre Aufgabe besteht darin, alle Konzepte zu durchdringen - unabhängig davon, in welchem Projekt bzw. Kontext sie ihnen begegnen.

Wir empfehlen vor Beginn der tatsächlichen Programmierarbeit eine Unterrichtseinheit mit einer kurzen Einführung in Snap! sowie das Abarbeiten der Snap!-Checkliste (Video). Dadurch sollen die Schülerinnen und Schüler in die Lage versetzt werden, häufiger auftretende Probleme beim Programmieren eingenständig lösen zu können.

Die folgenden 10 Doppelstunden verbringen die Schülerinnen und Schüler mit dem Programmieren und Erarbeiten der Konzepte.

Für jedes Thema gibt es ein Einstiegsprojekt, das möglichst von allen Schülerinnen und Schülern bearbeitet werden sollte. Die Einstiegsprojekte behandeln bereits nahezu alle Konzepte.

Anschließend können die Schülerinnen ihre Projekte frei wählen. Sie können dabei entweder ein Thema komplett durchlaufen oder aus jedem Themenbereich so Projekte aussuchen, dass alle Konzepte abgedeckt sind.

Stoßen sie auf ein informatisches Konzept, mit dem sie sich zuvor nicht befasst haben, nehmen sie sich eine der ausliegenden Erklärkarten, um das Konzept theoretisch nachzuvollziehen. Danach sollten sie in der Lage sein, das Konzept im Projekt umzusetzen.

Materialien

Hier sind die passenden Starterprojekte für jeden Bereich hinterlegt (Grafik | Sound | Daten).
Die Materialien zu allen Projekten finden sich im Gesamtpaket zum Download:
- Arbeitsblätter
- Informationskarten für Schülerinnen und Schüler sowie Lehrkräfte
- Erklärkarten für informatische Konzepte
Erklärvideos zu allen Projekten sind in diesen Playlists abgelegt. (Grafik | Sound | Daten)
Eine Collection mit Lösungen für alle Projekte kann hier eingesehen werden (Grafik | Sound | Daten).

Bei Fragen, Anmerkungen oder Verbesserungsvorschlägen meldet euch gerne bei Jadga Hügle oder Sven Jatzlau.

Schlag den Roboter – Maschinelles Lernen erfahren

Fri, 07 May 2021 15:11:55 GMT

Schlag den Computer im Mini-Schach (online).

Hinter den jüngsten Entwicklungen im Bereich künstliche Intelligenz stecken vor allem maschinelle Lernverfahren. Das dazugehörige Fachgebiet beschäftigt sich mit Algorithmen, die sich durch Erfahrung im Laufe der Zeit verbessern. Verstärkendes Lernen ist ein von der Psychologie inspiriertes Paradigma des maschinellen Lernens: Der Computer lernt durch Belohnung und Bestrafung in Interaktion mit seiner Umgebung eine Aufgabe zu meistern, indem er versucht, die mögliche Belohnung zu maximieren. Dieser Beitrag stellt eine Website vor, die das Prinzip des verstärkenden Lernens anhand eines Mini-Schachspiels erfahrbar macht.

Das Spiel

In diesem “Mini-Schach” übernimmt der Mensch die Rolle der Äffchen, der Computer steuert die Roboter. Mini-Schach (oder Hexapawn) geht aus einer Idee von Martin Gardner hervor, der damit bereits 1958 maschinelles Lernen erklärte.

Jede Spielfigur bewegt sich wie ein Bauer, d. h. sie kann nur vorwärts gehen und gegnerische Figuren nur diagonal schlagen. Eine Seite hat gewonnen, wenn sie es schafft

eine eigene Spielfigur an das andere Ende des Spielfeldes zu führen,
alle gegnerischen Figuren zu schlagen,
oder dafür zu sorgen, dass der Gegner in der nächsten Runde keinen Spielzug mehr ausführen kann.

Die menschliche Spielerin bzw. der menschliche Spieler beginnt. Sie bzw. er kann sich frei gemäß der Spielregeln bewegen. Danach ist der Computer an der Reihe. Dieser vergleicht das aktuelle Spielfeld mit den Zugmöglichkeiten und wählt die passende Spielsituation aus den gegebenen Möglichkeiten (rechts im Bild) aus.

Im Anschluss zieht der Computer zufällig eines der farbigen Tokens, die sich neben der jeweiligen Spielsituation befinden. Die Farbe des Tokens bestimmt, welcher Zug ausgeführt wird. Wird beispielsweise ein rotes Token gezogen, wird der Roboter dem roten Pfeil folgend bewegt.

Dieses Vorgehen wird solange wiederholt, bis ein Gewinner feststeht. Bevor eine neue Runde gespielt wird, passt der Computer nun seine Strategie wie folgt an:

Computer hat gewonnen: Ein Token in der Farbe des letzten, siegbringenden Spielzugs wird zusätzlich auf das Feld dieses Spielzugs gelegt.
Mensch hat gewonnen: Das Token, das den letzten Zug der Computer-Spielerin bzw. des Computer-Spielers bestimmt hat, wird entfernt.

Zum Ausprobieren hier klicken

Hintergrund

Zunächst wird der Computer kaum eine Chance haben zu gewinnen, da er seine Bewegungen zufällig wählt (indem ein Token gezogen wird). Je mehr Spiele der Computer beendet, desto besser wird er: Er „lernt”, welche Züge ihm zum Sieg verhelfen und welche er vermeiden sollte, da sie in der Vergangenheit in einer Niederlage endeten. So wird die Strategie des Computers schrittweise verfeinert. Da der Computer für das Verlieren bestraft und für das Gewinnen belohnt wird, sprechen wir auch von bestärkendem Lernen (Reinforcement Learning) – ein Lernen durch Belohnung und Bestrafung:

Bestrafung = Wegnehmen eines Tokens bei einem Spielzug, der zur Niederlage führte
Verstärkung = Hinzufügen eines Tokens bei einem Spielzug, der zum Sieg führte

Durch dieses Vorgehen werden bei den jeweiligen Spielzügen diejenigen Züge „aussortiert”, die Niederlagen zur Folge hatten, sodass irgendwann nur noch „gute” Züge übrig bleiben. In der Praxis würde man Strategien, die nicht zum Erfolg führen, nicht sofort eliminieren, sondern nur die Wahrscheinlichkeit ihres Auftretens verringern. So lernt die KI nach und nach, welche Strategie in welcher Situation wohl am besten geeignet ist, schließt einzelne Strategien, die nicht in jedem Fall zum Erfolg geführt haben, aber nicht sofort vollständig aus.

Ein Computer kann auf diese Weise allein durch die Kenntnis der Spielregeln oder möglicher Eingaben lernen, ein Spiel zu gewinnen. Lernt ein Computer etwa das Videospiel Super Mario zu spielen, wird er zunächst nur wahllos Eingaben tätigen. Das könnte dazu führen, dass er minutenlang nur stehen bleibt oder mehrfach in denselben Gegner hineinläuft. Er analysiert dabei die Objekte bzw. Pixel im Bild und reagiert mit Eingaben. Sein Ziel ist es, die erreichte Punktzahl im Spiel zu maximieren, die Punkte fungieren hier als Belohnung. Je weiter der Computer nach rechts vorrücken kann, desto größer fällt die positive Verstärkung aus. Mit der Zeit wird er so beispielsweise lernen, dass Springen seine Belohnung erhöht, wenn sich ein Gegner unmittelbar rechts von ihm befindet, da er durch das Überspringen des Gegners weiter im Level vorankommt. Auf diese Weise verbessert sich das Vorgehen eines KI- Systems in einem Spiel Stück für Stück, wobei das System immer versucht, seine Belohnung (oder genauer: eine bestimmte Funktion) zu maximieren.

Computer können aus Erfahrung lernen und so von rein zufälligem Handeln zu einer effizienten Spielstrategie kommen.

Übrigens lässt sich das Spiel auch analog spielen.

Exploring the world of AI

Wed, 20 Nov 2019 15:11:55 GMT

Ein MOOC als Reise durch die Welt künstlicher Intelligenz.

Heutzutage begegnen wir Künstlicher Intelligenz (KI) überall. Sie wird in unseren Smartphones und Autos verwendet und im Gesundheitswesen eingesetzt. Woher weiß unser Handy, welches Lied wir gerade hören wollen? Wie können Autos autonom fahren? Wie können Computersysteme erkennen, ob eine Person krank ist oder nicht? Klingt wie Zauberei?

Hinter Exploring the world of AI verbirgt sich ein MOOC zum Thema Künstliche Intelligenz. In diesem Kurs werden wir die Grundlagen und Ideen von KI entdecken. Gemeinsam erarbeiten wir, was Künstliche Intelligenz bedeutet, wie ein Computer lernen kann, ein Spiel zu spielen, und was symbolische KI von Maschinellem Lernen unterscheidet. Wir erkunden verschiedene Arten von Maschinellem Lernen, um vorherzusagen, ob unsere digitalen Äffchen beißen, oder um reich zu werden, indem wir im Wilden Westen auf Goldsuche gehen. Wir werfen auch einen Blick auf die sozialen Folgen Künstlicher Intelligenz und diskutieren, ob Maschinen wirklich denken können und welche Auswirkungen KI auf unsere Gesellschaft hat. Falls du KI auch an andere vermitteln möchtest, haben wir noch einige Ideen und Lehrmaterialen für dich vorbereitet. Komm mit uns auf die Reise durch die faszinierende Welt der Künstlichen Intelligenz.

Der Kurs richtet sich an Schülerinnen und Schüler, Lehrkräfte und generell alle, die sich näher mit dem Thema KI auseinandersetzen wollen. Es sind keine speziellen Vorkenntnisse erforderlich.

Link zum Kurs:

Für den einfachen und direkten Einsatz im Unterricht finden sich die Kursvideos auch auf Youtube:

Die Begleitmaterialien des Kurses finden sich hier:

So Lernen Maschinen!

Wed, 20 Nov 2019 15:11:55 GMT

Wie “lernen” Autos selbstständig autonom und dabei unfallfrei zu fahren? Wie schaffen es Computer, Krebszellen zu erkennen? Und warum weiß der Online-Shop, was ich noch kaufen möchte? Hinter den jüngsten Fortschritten im Bereich künstliche Intelligenz (KI) stecken vor allem sogenannte maschinelle Lernverfahren – Algorithmen, die sich durch Erfahrung im Laufe der Zeit verbessern, also “lernen”.

Maschinelles Lernen und KI

Maschinelles Lernen unterscheidet sich teilweise deutlich von den Algorithmen, wie sie Schülerinnen und Schüler üblicherweise im Informatikunterricht kennenlernen und bei denen man Schritt für Schritt nachvollziehen kann, wie Eingabedaten in Ausgabedaten umgewandelt werden. Es unterscheidet sich aber auch von anderen, “klassischen” (oder auch symbolischen) Ansätzen der künstlichen Intelligenz: In “klassischen” KI-Systemen wird Wissen explizit im Computer repräsentiert, beispielsweise durch Modellierung der zugrundeliegenden Fakten und Regeln. Aus dieser “Wissensbasis” können von einem “wissensverarbeitenden System” logische Schlüsse gezogen werden, um für Eingabedaten entsprechende Ausgaben abzuleiten. Beim maschinellen Lernen hingegen werden auf Basis einer typischerweise großen Menge an Daten Regeln, Verhaltensweisen oder Muster abgeleitet bzw. identifiziert – also “gelernt”. Das Gelernte wird in einem sogenannten Modell gespeichert und kann im Anschluss auf neue Daten angewendet werden. Während es bei klassischer KI also unsere Aufgabe ist, Wissen so zu modellieren, dass es explizit in einem Computersystem dargestellt und verarbeitet werden kann, müssen beim maschinellen Lernen Daten so aufbereitet und ein (allgemeines) maschinelles Lernverfahren so konfiguriert werden, dass ein Modell aus den Daten generiert werden kann.

Maschinelles Lernen wird vor allem überall dort eingesetzt, wo es aufgrund der Charakteristik des Problems nicht effizient möglich ist, das Wissen so explizit zu repräsentieren, dass es ein Computer verarbeiten kann. Wollen wir eine Katze auf einem Bild erkennen, suchen wir nach vier Pfoten, einem Fell, Schnurrhaaren, usw. Explizite Regeln für all das aufzuschreiben, ist jedoch alles andere als leicht. Wie sieht eine allgemeine Beschreibung für das Erkennen von vier Pfoten, dem Fell, Schnurrhaaren, usw. aus, die ein Computer verarbeiten kann? Außerdem haben wir in der Realität oft mit Unsicherheiten zu kämpfen, so sind vielleicht nicht immer alle vier Pfoten zu sehen. Obwohl uns Menschen solche Entscheidungen intuitiv leicht fallen, ist es schwierig bis unmöglich dieses Wissen innerhalb des Computers explizit zu repräsentieren. Ein maschinelles Lernverfahren wird auf Basis der Daten selbst Merkmale finden, die ihm beispielsweise helfen Katzen zu erkennen – nicht zwingend jene Merkmale, die wir als Menschen verwendet hätten.

Wie aber können maschinelle Lernverfahren nun auf Basis von Daten Regeln und Muster finden und damit z.B. Katzen auf Bildern erkennen? Wie können diese Zusammenhänge auf neue, unbekannte Daten übertragen werden? Kurzum: Wie lernt eine Maschine?

Diesen Fragen wollen wir in diesem Artikel nachgehen. Dabei werden wir zwischen drei Möglichkeiten (oder auch Paradigmen) unterscheiden, wie Maschinen lernen können:

mit beschrifteten Daten durch überwachtes Lernen (supervised learning)
mit unbeschrifteten Daten durch unüberwachtes Lernen (unsupervised learning)
und durch Belohnung und Bestrafung mit verstärkendem Lernen (reinforcement learning)

Im Folgenden soll uns eine Roboterfigur helfen, die verschiedenen Verfahren kennenzulernen. Der Roboter ist hierbei lediglich eine Analogie zu einem Computer, der ein maschinelles Lernverfahren ausführt.

Überwachtes Lernen (supervised learning)

Für viele Kinder ist ein Hund die erste bewusste Begegnung mit einem Tier (“ein Wauwau”). Zunächst wird ein Kind diese Bezeichnung auch auf andere Tiere mit vier Beinen anwenden, bspw. Katzen und Kühe. Durch weitere Begegnungen lernt das Kind nun, dass andere Tierarten auch andere Namen tragen, wie “Mietz Mietz” oder “Muh Muh” und kann bald auch ohne explizite Beschreibung die Tiere anhand ihrer Charakteristika zuordnen.

Vergleichbar gehen Verfahren des sogenannten überwachten Lernens vor. Beim überwachten Lernen (supervised learning) stehen eine Reihe von Daten mit entsprechenden Beschriftungen als Eingabe zur Verfügung. Ziel ist es Regeln zu finden, nach denen diesen Eingabedaten jeweils die passende Beschriftung zugeordnet werden kann. Anschließend können diese, in einem Modell erfassten Regeln dann auf beliebige neue Eingabedaten angewendet werden. Die Schritte im Folgenden beschreiben die Aktionen in folgender Abbildung (siehe auch beiliegendes Plakat!).

① Entscheidend für die Verwendung von überwachtem Lernen ist die Verfügbarkeit zahlreicher beschrifteter (oder auch “gelabelter”) Eingaben, die auch Trainingsdaten genannt werden. Das können, wie im Beispiel des Roboters, Bausteine mit der Beschriftung “A”, “B”, “C” bzw. ”D” sein oder Fotos, die mit den Beschriftungen “Katze” bzw. “Hund” versehen sind. Mit etwas Glück können wir dabei auf bestehende Datensätze zurückgreifen. Mit weniger Glück müssen wir selbst die Daten beschriften, die wir als Grundlage für unser Modell verwenden wollen.

② Aus diesen beschrifteten Eingaben stellt das Verfahren selbst Regeln auf, die die Zuordnung der Merkmale der Eingabe (z.B. der Form und Farbe von Bausteinen) und ihrer Beschriftung (z.B. “A”) möglich machen, und verfeinert diese Regeln nach und nach. Auch für die Tierbilder können durch geschickte Verfahren bspw. einfache geometrische Formen identifiziert werden, welche als Merkmale dienen. Da die Beschriftungen der Eingaben aus der Trainingsmenge bekannt sind, kann der Lernprozess “überwacht” werden: Das Verfahren erhält Rückmeldung darüber, ob und inwieweit die aufgestellten Regeln auf Basis der Merkmale die Eingabe bereits mit der richtigen Beschriftung versehen. Auf Grundlage dieser Rückmeldung werden die bisher angenommenen Regeln entsprechend angepasst, um schrittweise zu einem immer besseren Ergebnis zu kommen. Diesen Schritt nennt man auch Trainingsphase. Die Gesamtheit aller Regeln stellt das Modell (für unseren Roboter die Holzschablone) dar, das die erhaltenen Eingaben mit der richtigen Beschriftung versehen soll. Diese Regeln könnten beispielsweise explizit als Entscheidungsbaum oder implizit durch die Parameter eines neuronalen Netzes repräsentiert werden. In der Praxis ist für zufriedenstellende Ergebnisse dabei normalerweise eine große Zahl an Trainingsdaten notwendig, also z. B. mehrere Tausend Bilder von Tieren, die jeweils mit “Katze” oder “Hund” beschriftet sind.

③ Nach Abschluss des Trainings kann das Modell dazu verwendet werden, neue (vergleichbare) Eingaben zu beschriften. Der Roboter kann nun beispielsweise mithilfe seiner Schablone weiteren Bausteinen die Beschriftung A oder B zuweisen. Ein überwachtes Lernverfahren, das darauf trainiert wurde, Katzen und Hunde auf Fotos zu unterscheiden, kann nun auch dazu eingesetzt werden, unbekannte Bilder von Hunden oder Katzen zu beschriften, selbst wenn Blickwinkel oder Lichtverhältnisse des Fotos sich von den Bildern der Trainingsmenge unterscheiden. Bevor ein solches Modell aber tatsächlich zum Einsatz kommt, sollte noch seine Leistungsfähigkeit, also seine Genauigkeit, bestimmt werden. Dafür bietet es sich an, einen Teil der beschrifteten Eingaben, die ursprünglich erhalten wurden, als sogenannten Testdaten zurückzuhalten. Diese werden nun herangezogen, um zu prüfen, wie gut das Verfahren auch diese Eingaben – die bisher nicht für den Lernprozess herangezogen wurden – beschriftet. Je nach Einsatzzweck gibt man sich mit unterschiedlichen Genauigkeiten des Modells zufrieden. Für die Vorhersage, ob ein Kunde auf personalisierte Werbung klicken wird, reichen möglicherweise schon 60% korrekt beschriftete Testdaten, für die Erkennung von Bildern erwartet man eher eine Genauigkeit von 90% und mehr.

Auch wenn das Verfahren aus den konkreten Beispielen verallgemeinern kann, ist es dennoch nicht auf alle Eventualitäten vorbereitet. Im Falle unseres Roboters wird beispielsweise auch ein Halbkreis mit derselben Beschriftung versehen wie der Kreis. Woher soll der Roboter auch wissen, dass ein Halbkreis eine eigene Beschriftung erhalten sollte, wenn er doch vorher noch nie einen Halbkreis gesehen hat?

Einsatzbereiche

Ein großer Teil der kommerziell genutzten KI-Anwendungen basiert auf überwachtem Lernen. Zu den gängigen Einsatzbereichen dieses Lernparadigmas gehören Klassifikations- und die Regressionsprobleme.

Bei Klassifikationsproblemen lernt das Verfahren, wie in unserem Beispiel, Eingaben in unterschiedliche (vorgegebene) Kategorien einzusortieren, ihnen also eine Beschriftung (Label) zuzuordnen. Typische Anwendungsgebiete sind beispielsweise: Zeigt ein Foto eine Katze, einen Hund oder einen Vogel? In welche Risikokategorie fällt ein Kreditnehmer? Ist eine E-Mail als Spam einzuordnen oder nicht?

Darüber hinaus wird überwachtes Lernen bei Aufgaben eingesetzt, in denen Eingaben keine vorgegebene Beschriftung sondern ein numerischer Wert zugeordnet werden soll. Bei solchen Regressionsproblemen wird der zwischen beliebigen Eingabedaten und den als numerische Werte vorliegenden Beschriftungen ermittelte Zusammenhang herangezogen, um später einen Wert vorherzusagen. Mögliche Fragestellungen von Regressionsproblemen lauten dementsprechend: In wie vielen Wochen wird der Nutzer sein Video-Abonnement kündigen? Welchen Verkaufspreis wird ein Haus erzielen? Welchen Kursgewinn wird eine Aktie erreichen?

Unüberwachtes Lernen (unsupervised learning)

Nehmen wir drei große Haufen Legosteine und bitten drei Kinder, die Steine zu sortieren, werden die Kinder auch ohne explizite Anweisung kleine Häufchen bilden, beispielsweise gruppiert nach Farben oder Größe. Ähnlich verhält es sich bei Verfahren des unüberwachten Lernens.

Bei unüberwachtem Lernen (unsupervised learning) stehen lediglich unbeschriftete Daten als Eingabe zur Verfügung. Das Verfahren identifiziert Ähnlichkeiten und Muster in den Eingabedaten selbstständig, etwa um die Daten zu gruppieren oder Ausreißer zu finden.

Die Schritte im Folgenden beschreiben die Aktionen in folgender Abbildung.

① Für einige Probleme stehen weder eine entsprechende Zahl an beschrifteten Daten (wie bei überwachtem Lernen) noch eine Möglichkeit zur Bewertung des Verhaltens (wie bei verstärkendem Lernen) zur Verfügung. Die vorhandenen Informationen beschränken sich auf die unbeschrifteten Eingabedaten: Unser Roboter verfügt lediglich über Daten in Form eines Haufens von Bausteinen. Ein Beispiel aus der Realität könnte hier die Segmentierung von Kundengruppen für die Personalisierung von Werbung sein. Die Eingabedaten sind in diesem Fall Kunden, für die zwar Merkmale wie Alter, bisherige Käufe oder Einkommen zur Verfügung stehen, aber keine Beschriftung wie etwa “technikinteressiert“.

② Unüberwachte Lernverfahren verarbeiten nun die Eingabedaten, indem sie Ähnlichkeiten zwischen Merkmalsausprägungen identifizieren. Im Fall unseres Roboters sind die Eingaben die einzelnen Bausteine und deren Merkmale, also beispielsweise die Anzahl der Ecken. Als Annahme gilt: Je ähnlicher sich diese Merkmale sind, desto ähnlicher sind sich auch die Eingaben. Das gleiche gilt für die Merkmale der Kunden: Je ähnlicher sich Kaufverhalten, Einkommen, Alter, und so weiter sind, desto ähnlicher sind sich zwei Kunden.

③ Ähnliche Eingaben bilden so Gruppen, wie z.B. alle Vierecke für unseren Roboter. Ausreißer, wie beispielsweise der Kreis, liegen isoliert. Aus den Kundendaten ergeben sich ebenso verschiedene Gruppen. Für das Ausspielen von Werbung müssen wir uns nun die gefundenen Gruppen näher ansehen und entscheiden, welche Werbung für welche Kundengruppe angemessen ist.

Die Zuordnung der Eingaben zu Gruppen anhand ihrer Merkmalsausprägungen stellt hier das Modell dar, das mit jeder neuen Eingabe weiter angepasst wird. Im Unterschied zu überwachtem Lernen haben wir aber keine Beschriftung dieser resultierenden Gruppen, sondern lediglich die Information, welche Daten einer Gruppe zugehörig sind. Außerdem können wir die Güte des entstandenen Modells nicht objektiv beurteilen, da im Gegensatz zum überwachten Lernen keine Aussage möglich ist, ob eine getroffene Zuordnung “richtig oder falsch” ist.

Einsatzbereiche

Unüberwachtes Lernen kommt insbesondere in Situationen zum Einsatz, in denen keine beschrifteten Eingabedaten zur Verfügung stehen oder dies mit hohen Kosten verbunden wäre. Auch deshalb wird unüberwachtes Lernen manchmal zur Vorverarbeitung von Daten eingesetzt, die beispielsweise in Gruppen zugeordnet und dann für überwachtes Lernen als beschriftete Eingabedaten verwendet werden können. Gängige Einsatzbereiche sind daher das Clustern von Daten, das Finden von Anomalien oder das Identifizieren von Zusammenhängen.

Das Identifizieren verschiedener Gruppen (Cluster) aus den Eingabedaten findet auch bei Clusteranalysen oder im Topic Modelling Anwendung. Topic Modelling ist ein Ansatz, um die Themen von Textdokumenten automatisiert zu identifizieren. Dazu wird die Ähnlichkeit von Textdokumenten auf Basis der enthaltenen Wörter bestimmt. Daraus ergeben sich Gruppen von Textdokumenten mit gleichem Thema (Topic).

Das Gegenteil von Clustering stellt die Anomalieerkennung dar, bei der der Fokus – statt auf der Gruppierung von Daten – auf Ausreißern liegt. Anwendung findet das etwa in der Analyse von verdächtigem Netzwerkverkehr oder der Betrugserkennung bei Kreditkartenzahlungen.

Darüber hinaus werden unüberwachte Verfahren eingesetzt, um bisher verborgene Zusammenhänge (Assoziationen) in Daten zu finden. Beispielsweise werden beim Online-Shopping Kaufempfehlungen auf Basis des aktuellen Warenkorbs gegeben: Kunden, die teure Armbanduhren kauften, kauften in 70% der Fälle auch hochwertigen Whiskey.

Verstärkendes Lernen (reinforcement learning)

“Aua, heiß!” – Sehr schnell werden Kinder nach ihren ersten Erfahrungen mit einer Herdplatte gelernt haben, dass man diese besser nicht berühren sollte… Dabei lernen Kinder durch die direkte Rückmeldung ihrer Umwelt.

Verstärkendes Lernen (reinforcement learning) ist ein von der Psychologie inspiriertes Paradigma des maschinellen Lernens: Der Agent – ein Computerprogramm, das zu autonomen Verhalten fähig ist – lernt in Interaktion mit seiner Umwelt durch wiederholte Belohnungen oder Bestrafungen die Erfolgsaussichten seiner Aktionen besser einzuschätzen und somit seine Strategie zu optimieren.

Im Unterschied zu den beiden bereits betrachteten Paradigmen werden beim verstärkenden Lernen vorab keine großen Datenmengen (weder beschriftet noch unbeschriftet) benötigt. Der Agent verfolgt ein Ziel, das er erreichen möchte, etwa erfolgreich das Spiel Snake zu spielen, oder, im Falle unseres Roboters, eine Wiese mit ganz vielen Blumen zu bepflanzen. Was der Agent dazu jedoch erst lernen muss, ist die passende Strategie.

① Zunächst erfasst der Agent den Zustand, also die relevanten Aspekte seiner Umwelt. Für unseren Roboter ist dieser beispielsweise durch den Wachstumsstand der Blumen gegeben. Im Falle von Snake würde die Position des Futters und aller Teile des Schlangenkörpers den Zustand darstellen.

② Innerhalb seiner Umwelt kann der Agent nun Aktionen ausführen, die er je nach Zustand der Umwelt aus einer Menge verfügbarer Aktionen auswählt. Unser Roboter hat in jedem Zustand dieselben zwei möglichen Aktionen zur Auswahl: gießen oder mit dem Spaten Setzlinge pflanzen. Bei Snake kann sich die Schlange entweder nach oben, unten, rechts oder links bewegen. Durch das Ausführen einer der verfügbaren Aktionen verändert sich der Zustand der Umwelt.

③ Anschließend wird der Agent nach im Voraus festgelegten Regeln belohnt oder bestraft. Wenn unser Roboter sich im Zustand “Setzlinge bereits gepflanzt” befindet und durch die Aktion “Gießen” zum Wachstum der Setzlinge beiträgt, wird er mit einer festgelegten Anzahl Münzen belohnt. Gräbt er stattdessen mit dem Spaten die Setzlinge wieder aus, wird er bestraft und ihm werden Münzen abgenommen. Bei Snake wird etwa belohnt, wenn sich der Kopf der Schlange dem Futter nähert, und bestraft wenn die Schlange ihren eigenen Schwanz berührt. Die Art und Weise, wie Belohnung und Bestrafung vergeben werden, hat erheblichen Einfluss darauf, wie der Agent lernt. So ist es nicht undenkbar, dass ein autonomes Fahrzeug lernt lieber kein Gas zu geben, da Stehenbleiben nicht bestraft wird, die Bestrafung bei einem Unfall aber im Vergleich viel zu hoch wäre.

④ Während Belohnung den Agenten dazu verleitet, Verhalten häufiger zu zeigen, führt eine Bestrafung dazu, dass dieses Verhalten von nun an seltener an den Tag gelegt wird. Erfolgreiche Aktionen werden also “verstärkt”, ungeeignete Aktionen “verlernt”. Auf diese Art und Weise passt der Agent seine Strategie an, die in seinem Modell gespeichert wird. Wird vom Lernvorgang des Agenten gesprochen, ist damit eine Anpassung des Modells gemeint. Unser Roboter verwaltet seine Strategie über das Regal, in dem er für jeden Zustand eine aktuelle Bewertung der möglichen Aktionen pflegt.

Zunächst wird der Agent aufgrund fehlender Erfahrung dabei explorativ vorgehen und Aktionen zufällig auswählen. Durch wiederholtes Durchlaufen des Zyklus aus Zustand erfassen, Aktion auswählen und ausführen sowie Belohnung oder Bestrafung erhalten, optimiert er seine Strategie nach und nach.

Einsatzbereiche

Ein häufiger Einsatzbereich für verstärkendes Lernen sind Spiele. Der Zustand der Umgebung lässt sich relativ leicht erfassen, die beste Aktion oder der beste Zug hängt jedoch von einer Reihe von Faktoren ab. Aufgrund dieser Komplexität lässt sich also kaum ein klassischer Algorithmus finden, um auf alle Eventualitäten des Spiels reagieren zu können. In unzähligen Spielrunden und Partien lernt der Agent das entsprechende Spiel zu meistern.

Auch Roboter oder selbstfahrende Autos können mit verstärkendem Lernen trainiert werden. Hier wird man allerdings oft auf Simulationsumgebungen zurückgreifen, ehe man Roboter oder Autos in der echten Welt Erfahrungen sammeln lässt.

Ein weiterer Einsatzbereich sind Optimierungsaufgaben: Probleme, die mathematisch kaum lösbar sind und bei denen nicht klar ist, welche Strategie am besten funktionieren wird. Das könnte etwa die Steuerung der Heizung oder die Planung von Zugverbindungen sein. Bei Ersterem lernt der Agent die Heizung bei gleichzeitiger Minimierung der Heizkosten so einzustellen, dass immer die richtige Temperatur herrscht. Im zweiten Fall versucht das Verfahren eine Strategie zu entwickeln, bei der alle Verbindungen mit einer möglichst hohen Zugauslastung bedient werden können.

Maschinelles Lernen als gesellschaftliches Phänomen

Maschinelle Lernverfahren gewinnen zunehmend an Bedeutung in immer mehr Lebensbereichen und erzielen dabei erstaunliche Ergebnisse. Und das, obwohl Computer dabei kein Verständnis des Problems im eigentlichen Sinne entwickelt, sondern lediglich Muster und Regeln in Daten identifiziert haben.

Das bedeutet jedoch gleichzeitig, dass maschinelle Lernverfahren dabei auf ihren spezifischen Einsatzzweck festgelegt sind. Sollte etwa unser Roboter statt Bausteinen nun Hunde- und Katzenbilder beschriften müssen, wird er (ohne neue Trainingsdaten) hoffnungslos verloren sein.

Darüber hinaus ist der Erfolg maschineller Lernverfahren sehr abhängig von den zur Verfügung stehenden Daten, aus denen gelernt wird. Da maschinelle Lernverfahren aus einer zwar großen, aber doch begrenzten Menge an Daten lernen, übernehmen sie mögliche Verzerrungen in diesen Eingabedaten. Im Falle unseres Roboters gehen wir davon aus, dass die Verteilung der Bausteine, mit denen er trainiert wird, mit der der weiteren Bausteine übereinstimmt – eine Annahme, die in der Realität eben oft nicht zutrifft.

Ein weiterer Punkt, in dem sich maschinelle Lernverfahren von konventionellen Algorithmen unterscheiden, ist, dass getroffene Entscheidungen sehr viel schwieriger nachzuvollziehen sind, da es oft kaum möglich ist zu erkennen, welche Zusammenhänge in den Daten der Algorithmus nutzt. Wird beispielsweise die Vergabe eines Kredites auf Basis eines maschinellen Lernverfahrens verweigert, lässt sich nicht immer rekonstruieren, warum der Algorithmus dieses Ergebnis liefert, was insbesondere im Falle eines Fehlers zu weitreichenden Konsequenzen führen kann. Ein Ansatz, dieser Problematik zu begegnen, wird unter dem Begriff Explainable AI gefasst. Hier wird versucht, die Ergebnisse maschinellen Lernens nachvollziehbar zu machen.

Wenn aber vom Computer getroffene Entscheidungen nur noch schwer nachvollziehbar sind oder auf Basis verzerrter Daten getroffen werden, gehen damit auch ethische und rechtliche Fragestellungen einher, die von uns als Gesellschaft diskutiert werden müssen. Voraussetzung dafür ist, dass möglichst viele Menschen über die entsprechenden informatischen Grundlagen verfügen und die dem Phänomenbereich maschinellen Lernens zugrundeliegenden Ideen und Konzepte verstanden haben sowie deren Möglichkeiten und Grenzen einschätzen können.

Übersichtlich dargestellt sind die drei Arten wie maschinen Lernen können im Poster, das Sie hier herunterladen können:

Siehe auch:

SnAIp Part A – Reinforcement Learning in Snap!

Fri, 25 Oct 2019 10:00:00 GMT

Reinforcement Learning in Snap!

SnAIp ist ein Framework und Curriculum zur konstruktionistischen Vermittlung von maschinellem Lernen für den Unterricht. Part A beschäftigt sich mit einem der drei Paradigmen maschinellen Lernens, Reinforcement Learning:

Reinforcement Learning (Verstärkendes Lernen) ist ein Paradigma des maschinellen Lernens. Reinforcement Learning ist dabei von der Psychologie inspiriert: Der Computer lernt durch Belohnung und Bestrafung. Er lernt damit durch Interaktion mit seiner Umwelt, selbstständig eine gewisse Aufgabe zu meistern.

Lernziele

Die Schülerinnen und Schüler…

erklären, dass KI-Systeme die Welt über Sensoren wahrnehmen.
identifizieren und beschreiben die wesentlichen Bestandteile/Elemente von RL
erläutern, wie Agenten durch Reinforcement Learning lernen.
verwenden RL Algorithmen, um bestimmte Spiele in Snap! um selbstlernende Agenten zu erweitern.
vergleichen unterschiedliche Belohnungsfunktionen miteinander und treffen eine reflektierte Wahl
analysieren, wie der Lernvorgang auf technischer Ebene mit Hilfe von Q-Learning realisiert werden kann

1. Was ist Reinforcement Learning

Zur Einführung von Reinforcement Learning ganz ohne PC bietet sich die Aktivität “Krokodil-Schach” aus der Sammlung “AI Unplugged” an. Für weitere Informationen verweisen wir Sie auf AI Unplugged (deutschsprachig) bzw. CS4Fun (englischsprachig).

Nun gilt es, das Grundprinzip von Reinforcement Learning zu verdeutlichen. Den Schülerinnen und Schülern wird dafür die folgende Skizze präsentiert.

Aufgabe: Ordne den Begriffen aus dem Schaubild die passenden Elemente aus dem Spiel zu.

Wichtige Begriffe:

Agent: Als Agent bezeichnet man ein Computerprogramm, oder einen Teil eines Computerprogramms, das zu einem gewissen Grad zu “autonomen” Verhalten fähig ist. In unserem Schaubild stellt der Roboter den Agenten dar. Im Schachspiel sind die Krokodile die Agenten.
Zustand: Der Zustand ist eine Beschreibung der relevanten Umwelt des Agenten. In unserem Schaubild wird der Zustand durch den Wachstumsstand der Blumen dargestellt. Im Schachspiel ist die aktuelle Situation des Spielfelds der Zustand.
Aktionen: Als Aktion wird die Interaktion des Agenten mit seiner Umwelt bezeichnet. Je nach Zustand seiner Umwelt, wählt der Agent aus einer Menge verfügbarer Aktionen, wodurch er in einen Folgezustand gelangt und belohnt oder bestraft wird. In unserem Schaubild hat der Agent zwei mögliche Aktionen: gießen oder mit dem Spaten pflanzen. Im Schachspiel kann jeweils vorwärts gezogen werden oder diagonal geschlagen.
Belohnung: Die Belohnung ermöglicht es dem Agenten, zu lernen, indem erwünschtes Verhalten belohnt (positiv verstärkt) bzw. unerwünschtes Verhalten bestraft (negativ verstärkt) wird. In unserem Schaubild wird die Belohnung in Form von Münzen dargestellt. Im Schachspiel wird dies durch das Hinzufügen oder Entfernen der Schokolinsen belohnt oder bestraft.
Strategie: Aufgrund der Belohnung, bzw. Bestrafung für bestimmte Aktionen in bestimmten Zuständen “lernt” der Agent gewisse Verhaltensmuster. Das Ziel des Agenten ist hierbei stets, die maximale Belohnung zu erhalten. Durch wiederholtes Durchlaufen dieses Zyklus wird die Strategie des Agenten nach und nach optimiert.
Modell: Das Modell ist das “Gehirn” des Agenten. In ihm werden Zustände, Aktionen und gelernte Assoziationen gespeichert. Wird vom Lernvorgang des Agenten gesprochen, ist damit eine Anpassung des Modells gemeint. In unserem Schaubild stellt das Regal das Modell dar. Im Schachspiel ist

Materialien:

2. Einstieg in RL in Snap!

Im nächsten Schritt gilt es nun, einen “Affen”-Agenten lernen zu lassen und ihn so bei der Bananenjagd zu unterstützen! Ziel des Äffchens ist es, über das Fass zu springen

Aufgabe 1: Die Schülerinnen und Schüler erhalten eine Vorlage (Musterlösung) für das Spiel “Bananenjagd”. Dort sind alle Blöcke, die für den selbstlernenden Agenten von Relevanz sind, enthalten – allerdings nicht in der richtigen Reihenfolge. Die Aufgabe der Schülerinnen und Schüler ist es, diese in die richtige Reihenfolge zu bringen. Als Hilfestellung dient die obige Skizze.

Aufgabe 2: Die Schülerinnen und Schüler erhalten Beobachtungsaufträge: Sie sollen zunächst beschreiben, wie sie das Lernen beschreiben würden. Dabei stellen Sie fest, dass das Verhalten zunächst zufällig erscheint, der Agent im Anschluss lernt länger auf dem Boden zu bleiben, allerdings rennt das Äffchen trotzdem hin und wieder ins Fass hinein und auch der Doppelsprung ist noch ein Problem.

Weitere Aufgabe zur Binnendifferenzierung: Für schnelle Schülerinnen und Schüler kann die Aufgabe bereits weitergesponnen werden. Ihre Aufgabe ist es, das Spiel so zu verändern, dass die Fässer zwei verschiedene Größen annehmen können (Hinweis: zweites Kostüm!) und das Lernverhalten des Agenten so verbessern, dass es trotzdem alle Fässer meistern kann. Hierbei muss zum ersten Mal der Zustand angepasst werden.

Optional kann die Snap-Vorlage um ein Skript erweitert werden, das auf Tastendruck ein Fass spawnt. Damit wird das Spiel für die Schülerinnen und Schülern interaktiver.

Materialien:

3. Pimp my Game

Im nächsten Schritt sollen nun eigene Spiele um Reinforcement Learning erweitert werden. Prinzipiell lässt sich Reinforcement Learning auf jedes beliebige Spiel übertragen. Für die Auswahl eines Unterrichtsbeispiels mit SnAIp gelten jedoch einige Regeln und Einschränkungen, die weiter unten aufgeführt werden.

Aufgabe 1: Die Schülerinnen und Schüler implementieren ihr eigenes Spiel oder ihnen wird ein bereits fertig implementiertes Spiel zur Verfügung gestellt. Dieses wird nun erweitert und “gepimpt”. Dazu sollen die Schülerinnen und Schüler zunächst folgende Bestandteile modellieren und anschließend umsetzen:

mögliche Aktionen
Belohnungsfunktion
Erfassung des Zustands

Aufgabe 2: Die Schülerinnen und Schüler erhalten die Aufgabe, mit verschiedenen Belohnungsfunktionen und Zuständen zu experimentieren und deren Effekte auf das Lernverhalten zu beschreiben.

Materialien:

Regeln für die Findung geeigneter Unterrichtsbeispiele:

Regeln für die Findung geeigneter Unterrichtsbeispiele: Der Q-Learning Algorithmus ist prinzipiell auf jedes Spiel übertragbar. Die Geschwindigkeit, mit der der jeweilige Agent das erwünschte Verhalten erlernt, steht und fällt jedoch mit der Anzahl der unterschiedlichen möglichen Zustände. Es folgen drei Extrembeispiele zur Verdeutlichung: Bananenjagd/Pong: Hier werden die Zustände ausschließlich durch die Entfernung zum Fass, bzw. die Koordinaten des Balls bestimmt. Durch die Größe der Leinwand ergibt sich daher eine begrenzte Anzahl möglicher Zustände, um schnelle Lernerfolge zu erzielen. Das bedeutet für den Benutzer: bereits nach kurzer Zeit ist eine Verbesserung der Verhaltens des Agenten beobachtbar. Space Invaders: In diesem Beispiel bestimmen die Positionen der angreifenden Aliens und die Position des Raumschiffs die möglichen Zustände. Verglichen mit Bananenjagd, bzw. Pong treten hier bereits deutlich mehr Zustände auf, was sich in Form eines langsameren Lernvorgangs bemerkbar macht. Aus diesem Grund ist dieses Beispiel u.U. weniger ideal für den Unterricht. Das Problem wird in diesem Beispiel durch eine Einschränkung der Zustände gelöst - indem die Koordinaten der Aliens nicht exakt, sondern nur in bestimmten Intervallen abgefragt werden. Bomberman: In diesem Spiel wäre die Anzahl der Zustände, die für einen sinnvollen Lernvorgang benötigt wären, viel zu groß: die eigene Position, die der gegnerischen Bomber, die Stärke der Explosion, die Anzahl verfügbarer Bomben, die Positionen der einzelnen Mauern, usw. Da ein einziger Fehler zum sofortigen Spielende führen würde, lässt sich auch keiner dieser Parameter sinnvoll einschränken, bzw. begrenzen. Aus diesem Grund ist dieses Beispiel nicht für den Unterrichtseinsatz geeignet.

Zusammenfassend bestimmt also die Anzahl möglicher Zustände die Dauer des Lernvorgangs. Daraus leiten sich drei Regeln für die Auswahl eines geeigneten (Bei-)Spiels für den Unterricht ab: Im Idealfall hat ein Beispiel von vornherein eine relativ begrenzte Anzahl an Zuständen, wie etwa Pong oder die Bananenjagd. Für komplexere Beispiele, wie etwa Space Invaders, sollte versucht werden, die Anzahl an Zuständen “von Hand” zu begrenzen - das könnte hier etwa bedeuten, dass die Koordinaten der Aliens nur in Bereichen abgefragt werden. Treffen auf ein Beispiel weder 1) noch 2) zu, d.h. es gibt zu viele mögliche Zustände, die nicht sinnvoll zu begrenzen sind, ist das Beispiel für den Unterrichtseinsatz nicht geeignet, da der Lernvorgang zu lange andauern würde.

Zukunft und Vergangenheit:

Möglicherweise sind die Schülerinnen und Schüler zu diesem Zeitpunkt bereits auf folgendes Problem gestoßen:

“Wird nicht manchmal das “richtige” Verhalten bestraft? Also z.B. wenn der Schläger sich nach unten bewegt, aber den Ball trotzdem nicht erreicht?” (vgl. Abbildungen)

Tatsächlich hilft es bei solchen Beispielen dem Agenten nicht, wenn erst in dem Moment gelernt wird, in dem der Ball berührt wird. Wichtig sind die vorherigen Aktionen, die zu dieser Berührung geführt haben, da diese verstärkt oder bestraft werden müssen. Es müssen also die vorherigen Situationen, nicht nur die aktuelle, in den Lernvorgang mit einbezogen werden (“zu welchem Zeitpunkt sollte ich springen, um das Fass nicht zu berühren?”). Damit bezieht der Agent nicht nur die kurzfristige Belohnung dieser Situation in seine Entscheidung mit ein, sondern maximiert seine Belohnung langfristig

4. Blick hinter die Kulissen

Im Folgenden soll nun betrachtet werden, wie das Konzept RL in diesem Fall auf Technologie-Ebene realisiert wird: Das verwendete Verfahren nennt sich Q-Learning und arbeitet mit Tabellen als Datenstruktur. Daneben gibt es weitere, komplexere Verfahren, die beispielsweise auf neuronale Netze als Datenstruktur setzen.

Q-Learning:

Q-Learning ist ein Algorithmus, der eine Q-Tabelle erzeugt, mit der ein Agent die beste Aktion für einen Zustand findet. Der Q-Wert in der Q-Tabelle gibt an, welche Belohnung bei Durchführung dieser Aktion in der aktuellen Situation zu erwarten ist. Durch die Assoziation eines bestimmten Zustands mit einer bestimmten Belohnung lernt der Agent (= die Wahrscheinlichkeit dieses Verhalten erneut zu zeigen steigt).

Aufgabe 1: Die Schülerinnen und Schüler erhalten den Auftrag die Tabelle, die als Datenstruktur das Modell repräsentiert, anzusehen. Dies kann mit dem Block Element 1 von model erreicht werden. (Tipp: Doppelklick auf die erscheinende Tabelle fixiert diese.)

Die Schülerinnen und Schüler werden ermutigt, den Schritt- für-Schritt Debugger zu verwenden und zu beobachten, wie sich die Werte nach jedem Schritt ändern.

Aufgabe 2: Die Schülerinnen und Schüler erhalten die Aufgabe den Einfluss der Parameter Lernrate, Explorationsrate und Discountfaktor auf den Lernprozess zu untersuchen. Dazu variieren Sie einzelne Parameter und beobachten den Effekt.

Mögliche Ideen sind:

den Discountfaktor auf 0 zu setzen, dies resultiert in einem Lernen lediglich aus der aktuellen Situation.
sehr hohe und sehr niedrige Werte für die Lernrate vergleichen und dabei die Zeit messen bis ein stabiles Verhalten erworben wird.
keine zufällige Wahl der Aktionen mehr zulassen (Explorationsrate auf 0; 0,5 und 1 setzen).

Hinweise zu den Methoden

Ermittlung der Q-Werte

Der Algorithmus iteriert über die Zeilen der Tabelle und überprüft, ob irgendeine Zeile der Tabelle = dem neuen Zustand ist. Falls, ja wird diese Zeile zurückgegeben. Ansonsten wird eine neue Zeile für den Zustand erstellt, und seine Q-Werte mit 0 initialisiert. Schließlich wird die neue Zeile in die Q-Tabelle eingefügt und zurückgegeben.

Ermittlung der besten Aktion

Q-Werte für aktuellen Zustand werden abgerufen. Mit einer gewisser Wahrscheinlichkeit (Explorationsfaktor) wird eine zufällige Aktion ausgeführt, d.h. ein zufälliges Element der wird zurückgegeben. In allen anderen Fällen wird der Eintrag der Zeile mit dem höchsten Wert gesucht. Dieser Eintrag repräsentiert die am positivsten bewertete Aktion für diesen Zustand. Ist das Maximum 0, so wird zufälliges Verhalten gezeigt, d.h. eine zufällige Aktion ausgeführt und diese zurückgegeben.

Aktualisierung der Tabelle

Quelle: Q-learning Von Wikipedia, der freien Enzyklopädie (https://en.wikipedia.org/wiki/Q-learning)

Q-Tabelle: Verwaltet alle bereits bekannten Zustände und die erwarteten Belohnung bei Durchführung einer bestimmten Aktion in einem Zustand
Lernrate: Bestimmt, wie schnell neues Verhalten gelernt wird
Discountfaktor: Bestimmt, wie stark zukünftiges Verhalten gewichtet wird

Diese Formel ist im Block “update model” umgesetzt:

5. Ausblick

Lässt sich das jetzt einfach auf FIFA, Super Mario usw. übertragen?

Ja! Während es aber bei Spielen wie Pong oder Breakout noch möglich ist, eine Tabelle aller Zustände zu führen, ist dies bei komplexeren Spielen, aber auch in der realen Welt kaum mehr möglich. Bei Tic Tac Toe wären bereits 19,683 verschiedene Zustände nötig und bei Spielen wie Fifa oder League of Legends würde die Tabelle mehrere Millionen Zeilen enthalten und wäre damit so groß, dass das Training ewig dauern würde.

Solche Situationen erfordern etwas, das auch verallgemeinert und nicht mehr jede einzelne Situation lernt. An dieser Stelle kommen beispielsweise neuronale Netze als Datenstruktur ins Spiel, die etwa auch bei der Bilderkennung zum Einsatz kommen (Deep Q-Learning). Für jeden Zustand approximiert das Netz den Q-Wert für jede mögliche Aktion. Bestimmte Arten von Netzen sind zudem sehr gut darin mit Bildern umzugehen, weshalb es in diesen Fällen nicht nur möglich ist, eine Zustandsbeschreibung als Eingabe für den Algorithmus zu verwenden, sondern auch das Eingabebild, das menschliche Spieler sehen.

Mit Pixeln ist man sogar noch spieleunabhängiger, denn dann ist der Zustand bei allen Spielen gleichartig – nämlich eine zweidimensionale Sammlung von Pixeln.

Videos mit weiteren Beispielen zu Machine Learning in Videospielen:

MarI/O (genetic algorithms)
AI learns to play the World’s hardest game (genetic algorithms)
Google DeepMind’s Deep Q-learning playing Atari Breakout (Deep-Q-Learning)
AI playing Super Mario World with Deep Reinforcement Learning (Deep Reinforcement Learning)
StarCraft II Deep Reinforcement Learning Agent (Deep Reinforcement Learning)
Deep Neural Networks playing FIFA 18 (Deep Neural Networks)

Hinweise für Lehrkräfte

Warum Q-Learning?

Der Vorteil von Q-Learning ist vor allem, dass das Training bei kleinen Problemräumen sehr schnell gehen kann: Je nach gewählter Zustandsbeschreibung sind Effekte in unter drei Minuten sichtbar. Zudem kann der Q-Learning Algorithmus durch Nutzung einer Tabelle, in der Zustände und die Q-Werte für die jeweiligen Aktionen gespeichert sind, nicht nur leicht verstanden und visualisiert, sondern auch von Schülerinnen und Schülern selbst implementiert werden. Natürlich ist Q-Learning nicht auf Snap! beschränkt. Das Prinzip eignet sich auch, um auf Processing, Java oder Stride übertragen zu werden.

Wie wähle ich passende Parameter?

Tatsächlich gibt es kein richtig oder falsch für die Wahl von Lernrate, Discountfaktor, Zustand oder Belohnung. Die Schülerinnen und Schüler sind hier ein Stück weit gefordert, darüber nachzudenken, welche Informationen in ihrer Situation wichtig sind und welche Aspekte die Höhe der Belohnung bzw. Bestrafung bestimmen. Und trotz aller Überlegungen ist das Umsetzen eines Lernalgorithmus auch immer mit Experimentieren verbunden.

Material

Krokodilschach & Rollenkarten
Bananenjagd Vorlage & Lösung
Pong Vorlage (Deutsch) & Pong Vorlage (Englisch)
Pong Lösung
Breakout Lösung
Space Invaders Lösung
SnAIp-Cards
Vorlage SnAIp-Blöcke

Weiterführende Links

Gym ist eine Python-Bibliothek zur Entwicklung und zum Vergleich von Reinforcement Learning Algorithmen. Hiermit können rechenintensivere Verfahren ausprobiert werden.

SnAIp Part B – Unsupervised Learning in Snap!

Fri, 25 Oct 2019 10:00:00 GMT

Unsupervised Learning in Snap!

SnAIp ist ein Framework und Curriculum zur konstruktionistischen Vermittlung von maschinellem Lernen für den Unterricht. Part B beschäftigt sich mit einem der drei Paradigmen maschinellen Lernens, Unsupervised Learning:

Lernziele:

Die Schülerinnen und Schüler…

erläutern, wie Cluster durch Unsupervised Learning Verfahren gefunden werden können.
grenzen Unsupervised Learning von anderen Paradigmen maschinellen Lernens ab
verwenden UL Algorithmen, um Daten in Snap! zu analysieren und zu bearbeiten.
optimieren UL Algorithmen, um bessere Ergebnisse zu erhalten.

1. Was ist Unsupervised Learning

Um die Idee von Unsupervised Learning (zum Clustern von Daten) einzuführen, nutzen wir die Unplugged-Aktivität Goldrush. Dazu erhalten die Schülerinnen und Schüler die entsprechenden Materialien (Karte, Datenpunkte, Prototypen, Regeln). Unser Ziel ist es, mitten im amerikanischen Gold Rush basierend auf Meldungen von Goldfunden erfolgversprechende Punkte zum graben zu identifizieren.

Aufgabe:

Ihr habt drei Grabungsteams zur Verfügung, diese sind durch die Münzen visualisiert. Eure Aufgabe ist es, für jedes der Teams einen bestmöglichen Grabungsort festzulegen. Ein guter Grabungsort liegt möglichst zentral in einem Goldfeld.

Zur Verfügung habt ihr außerdem eine Reihe von Berichten über Goldfunde in Form von Kärtchen mit x- und y-Koordinate des Fundortes. Mischt diese Kärtchen und legt sie verdeckt als Stapel neben die Karte. Zieht nun immer ein Kärtchen, überlegt euch, wie ihr dieses verarbeitet, und legt es danach verdeckt auf den Ablagestapel.

Nachdem ihr alle Kärtchen verarbeitet habt, gebt für jedes der drei Grabungsteams x und y Koordinate des bestmöglichen Grabungsortes an!

Euch stehen keine weiteren Hilfsmittel zur Verfügung, insbesondere keine Stifte ;).

Die Schülerinnen und Schüler sollen sich nun selbst einen Algorithmus überlegen, mit dem die Ausgrabungsteams möglichst gute, d.h. zentral in Goldfeldern gelegene Grabungsorte wählen.

Als Abschluss erhalten die Schülerinnen und Schüler die Folie mit den eingezeichneten Datenpunkten, um die Prototypen mit den tatsächlichen Datenpunkten vergleichen zu können.

Die besten zwei Gruppen stellen ihren Algorithmus vor. Vermutlich wird dieser ähnlich zu folgendem Algorithmus sein:

Legt 3 Münzen, die sogenannten Prototypen, zufällig auf die Karte.
Zieht jetzt nacheinander die Datenpunkte vom Stapel. Für jeden neuen Datenpunkt:
- Bestimmt den Prototypen, der dem Datenpunkt am nächsten liegt
- Bewegt diesen Prototypen nun die Hälfte der Entfernung zum Datenpunkt in die Richtung des Datenpunkts

Der beschriebene Algorithmus ist eine Variante des Unsupervised Learning-Verfahrens Vector-Quantification. Die Prototypen repräsentieren die gefundenen Cluster in den Daten, in unserem Beispiel also die Regionen, über die besonders viele Berichte mit Goldfunden kursieren. Gegebenenfalls können die Schülerinnen und Schüler nun noch das gegebene VQ-Verfahren umsetzen, und mit ihrem Algorithmus vergleichen.

Anmerkung: Abhängig von der Reihenfolge, in der die Datenpunkte abgearbeitet werden, und der initialen Positionierung der Prototypen kann durchaus der Fall eintreten, dass die Prototypen auch für das VQ-Verfahren nicht mit den Clustern in den Daten übereinstimmen. Lassen sie die Schülerinnen und Schüler in diesem Fall mit Hilfe der Lösungsfolie analysieren, warum dies der Fall ist. Dies stellt eine Grundlage für die spätere Optimierung des Algorithmus dar!

Nach Durchführung der Aktivität sollte auf Basis der Erfahrungen der Schülerinnen und Schüler die zugrunde liegende Idee von Unsupervised Learning thematisiert und ggf. von den anderen Paradigmen Supervised und Reinforcement Learning abgegrenzt werden (vgl. auch diese Darstellung aller Lernverfahren).

Unsupervised Learning zeichnet sich dadurch aus, dass im Unterschied zu Reinforcement oder Supervised Learning nur Rohdaten als Eingabe verwendet werden. Es werden weder Belohnungen (RL) noch Label (SL) durch den Benutzenden vorgegeben. Die jeweiligen Verfahren finden dann selbstständig Muster und Ähnlichkeiten in den Daten. Hierdurch können Cluster oder Ausreißer in Datensätzen gefunden werden. Typische Anwendungsfälle sind beispielsweise die “Kunden kauften auch”-Empfehlungen in Onlineshops oder die Erkennung von verdächtigem Netzwerktraffic.

Im Falle des in der Unplugged-Aktivität genutzten VQ-Verfahrens, werden Cluster im Datensatz gefunden, indem Prototypen für die einzelnen Cluster für jeden Datenpunkt angepasst werden. Der wohl bekannteste UL-Algorithmus, “k-means”, funktioniert auf eine konzeptionell ähnliche Art und Weise.

Die Unplugged-Aktivität dient auch im weiteren Unterrichtsverlauf immer wieder als Hilfestellung, ob bei der Implementierung in Snap! oder der Analyse von Grenzfällen wie Ausreißern oder der initialen Positionierung der Prototypen und darauf aufbauend der Optimierung des Algorithmus.

Materialien

2. Unsupervised Learning in Snap!

Als nächstes wird das Goldrush-Projekt nun in Snap! umgesetzt. In der Vorlage werden bereits zufällige Cluster von Goldfunden erzeugt. Die Schülerinnen und Schüler ergänzen nun das Sprite “Prototyp” um die Umsetzung des VQ-Algorithmus entsprechend der Regeln aus der Unplugged Aktivität:

Für jeden Datenpunkt…

identifizieren sie dazu den nähesten Prototypen
und bewegen ihn die Hälfte der Distanz in Richtung des Datenpunkts

In der Vorlage werden zufällig Datenpunkte erzeugt, und die Bestimmung des nähesten Prototypen ist bereits durch einen Block vorgegeben. Die Schülerinnen und Schüler müssen also lediglich die Abfrage des nähesten Datenpunkts und das Aktualisieren der Position des jeweiligen Prototypen ergänzen.

Aufgabe

Lösung

Durch die Simulation können nun deutlich größere Datenmengen verarbeitet werden, die sich in jedem Durchlauf unterscheiden. Hierzu kann nun eine Vielzahl weiterer Experimente mit dem Verfahren durchgeführt werden:

Die Anzahl der Prototypen stimmt in unserer Unplugged-Aktivität zufälligerweise mit der Anzahl der Cluster überein. Das ist hier nicht mehr der Fall! Lassen sie die Schülerinnen und Schüler mit der Anzahl der Prototypen experimentieren! Ohne mehr Wissen über die Datengrundlage und Ziele der Datenanalyse lässt sich keine fundierte Schätzung über eine optimale Wahl der Anzahl der Prototypen abgeben.

Auch hier sollte erneut die zugrunde liegende Idee von Unsupervised Learning aufgegriffen und dessen Merkmale thematisiert werden.

Einschub: InIK und eigene Daten

Alternativ können Sie die Implementierung des Algorithmus in Snap! auch auf eigenen Daten, die zuvor mit oder durch die Schülerinnen und Schülern erhoben wurden, durchführen.

Ein einfaches Beispiel dazu wäre, Breiten- und Längengrade der Wohnorte der Schülerinnen und Schüler zu sammeln, und als csv-Datei in Snap! zu importieren. Diese können nun mit Hilfe der Snap!-Bibliothek “world map” dargestellt werden. Der VQ-Algorithmus kann nun genutzt werden, um geeignete Bushaltestellen für den Schulbus zu identifizieren, an der Implementierung des Algorithmus ändert sich dabei nichts.

Ein solches, an “Informatik im Kontext” angelehntes Vorgehen, kontextualisiert die Inhalte in der Lebenswelt der Schüler. Konzepte des Datenmanagements, wie die Erfassung, Bereinigung oder Archivierung von Daten (Data Lifecycle) sowie Methoden der Statistik und Datenanalyse, in unserem Fall Maschinelles Lernen, können hierbei aufgegriffen werden.

Materialien

Vorlage GoldRush
Lösung GoldRush
Bushaltestellenprojekt

3. Wettbewerb: Algorithmus verbessern

Im nächsten Schritt kann wollen wir nun unser maschinelles Lernverfahren verbessern. Dazu bietet sich ein Wettbewerb an: Den Schülerinnen und Schülern werden Beispieldaten via csv zur Verfügung gestellt, die als Datenpunkte eingelesen und visualisisert werden.

Die Schülerinnen haben vermutlich im Rahmen der Unplugged-Aktivität und/oder der Implementierung erste Erfahrungen mit Schwächen des simplen VQ-Algorithmus gemacht. Diese stellen nun geeignete Ausgangspunkte da. Das Material der Unplugged-Aktivität bietet sich auch für eine zunächst theoretische Analyse verschiedener Ideen zur Verbesserung an.

Mögliche Ideen zur Verbesserung des Algorithmus:

Mehrere Iterationen des Algorithmus
Zunehmende Abschwächung der Anpassung der Prototypen
Prototypen erhalten jedes mal zunehmende Priorität, wenn sie nicht bewegt werden
…

Materialien:

Beispielhafte Optimierung

4. Mehr Dimensionen

Natürlich ist das VQ bzw. Unsupervised Learning Verfahren i.A. nicht auf zwei Dimensionen beschränkt. Im Gegenteil, die Suche nach Clustern oder Ausreißern wird vorwiegend für Probleme mit mehr Variablen eingesetzt. Wir wollen uns nun auch von der 2D-Welt und unseren kartenbasierten Beispielen verabschieden, und damit auch von unserer Visualisierung. Folgende Projekte bieten sich dafür an:

Bildkomprimierung: Bei der Kompression von Grafikdateien werden häufig verschiedene ähnliche Farbtöne zu einer Farbe zusammengefasst, um Speicherplatz zu sparen. Wir wollen diese “ähnlichen Farben” nun mit Hilfe von VQ bestimmen. Die drei Farbkanäle — R, G, und B — stellen unsere Dimensionen dar. In der Vorlage werden verschiedene Pixelbilder erzeugt und die Pixel in einer Liste zur Verfügung gestellt. Analog zu den Goldfunden, wird nun für jedes Pixel der näheste Prototyp bestimmt und dessen Position angepasst. Zum Abschluss wird das Bild nun komprimiert, in dem für jedes Cluster alle zugehörigen Pixel in der Farbe des Prototypen eingefärbt werden.

Die skizzierten Projekte eignen sich darüberhinaus etwa zur Thematisierung von Abstandmaßen und der Kodierung kategorialer bzw. nicht quantitativer Daten:

Welchen “Abstand” haben Punkte im mehrdimensionalen Raum?
Wie kodiere ich kategoriale Daten wie beispielsweise Geschlecht (m,w, d) oder Wohnsituation (Mehrfamilienhaus, Einfamilienhaus, …) zur statistischen Auswertung?

Materialien:

Visualisierung Bildkompression

5. Ausblick

Gegen Ende bietet es sich an, Unsupervised Learning Verfahren abschließend mit den beiden anderen Paradigmen maschinellen Lernens, Reinforcement und Supervised Learning gegenüberzustellen. Bei Reinforcement Learning konnten wir die Güte unseres Modells darüber bestimmen, wie erfolgreich ein Agent in einem bestimmten Spiel ist. Bei Supervised Learning funktioniert das analog, wie viele Testdaten richtig bzw. falsch gelabelt werden. Während wir dort also Modelle objektiv bewerten können, ist dies bei Unsupervised Learning Verfahren schwierig. Wie sollen wir bei der Clusterung von Daten wissen, ob wir die richtigen Cluster gefunden haben? Vielleicht gibt es keine wirklichen Cluster in den Daten oder sie entsprechen nicht denen, die wir gefunden haben. Ohne das Modell in der Realität auszuprobieren, werden wir uns schwer tun, die Güte unseres Modells bewerten zu können.

Gerade daher kommt aber auch der Reiz von Unsupervised Learning: Die Algorithmen arbeiten nicht anhand von außen vorgegebener Kriterien (Labels, Belohnungsfunktion), sondern finden selbstständig Muster und Zusammenhänge in Daten, die wir Menschen so möglicherweise nie gefunden hätten!

Hinweise für Lehrkräfte

Warum VQ?

Der Vorteil von VQ ist die einfache Umsetzung, gerade für zweidimensionale Räume. Dabei ist VQ konzeptionell sehr ähnlich zu den “typischen” UL-Algorithmen wie k-means, der mit Hilfe der Mittelwerte der bisherigen Cluster arbeitet (vgl. z.B. Wie Maschinen lernen).

ML und Statistik

Gerade UL-Algorithmen eignen sich um die Ähnlichkeiten von maschinellem Lernen und Statistik zu diskutieren.

Unterstützendes Material

Goldrush Unplugged: Karte & Datenpunkte & Lösungsfolie
Goldrush Vorlage & Lösung
Bushaltestellenprojekt
Beispielhafte Optimierung
Visualisierung Bildkompression

Hilfreiche Links

Wie Maschinen lernen: Künstliche Intelligenz verständlich erklärt zu k-means

AI Unplugged

Mon, 25 Mar 2019 10:00:00 GMT

Wir ziehen künstlicher Intelligenz den Stecker!

Auf dieser Seite finden Sie alle Informationen rund um AI Unplugged. Werfen Sie einen Blick in die Begleitbroschüre (English version, Korean version) und laden Sie sich hier das passende Material herunter. /

Aktivität 1: Klassifikation mit Entscheidungsbäumen – Das Gute-Äffchen-Böse-Äffchen-Spiel

Die Schülerinnen und Schüler untersuchen, wie die Zugehörigkeit von Beispielelementen zu einer Kategorie zustande gekommen ist. Dazu entwickeln Sie in Paaren Kriterien, mit denen neue Elemente klassifiziert werden können. Im Anschluss werden die entstandenen Modelle mit neuen Beispielen getestet und die Genauigkeit der Vorhersage bestimmt.

Äffchenkarten (Druckvorlage A0)
Äffchenkarten als Präsentation (pptx)

Aktivität 2: #deeplearning – Erkennen von Bildern mit neuronalen Netzen

Die Schülerinnen und Schüler stellen den Bilderkennungsprozess eines (vereinfachten) neuronalen Netzes nach. Dabei nehmen sie die Rollen der unterschiedlichen Schichten innerhalb eines solchen Netzes ein. Sie extrahieren Merkmale aus einem Foto und klassifizieren das Bild. Dabei erkennen sie die Grenzen des Systems und überlegen, welche Modifikationen am Netz notwendig sind, um bessere Ergebnisse mit ihrem Netz zu erzielen.

Bildkarten

Aktivität 3: Reinforcement Learning – Schlag das Krokodil!

Je zwei Schülerinnen bzw. Schüler spielen eine Partie “Mini-Schach” gegeneinander. Dabei übernimmt eine Schülerin bzw. ein Schüler die Rolle eines “Papier”-Computers. Der Computer wählt seine Züge zunächst zufällig, lernt aber nach und nach mit einem Süßigkeiten-Token-System, welche Züge ihm zum Sieg verhelfen und welche in einer Niederlage enden. Mit Hilfe der Strategie, die sich auf diese Weise entwickelt, wird der Computer mit der Zeit immer besser.

Spielbrett mit Markern (Druckvorlage A4)
Züge für Computer (English version, Korean version)
Web-Version zum Ausprobieren
Sorry 🍭 Schokolinsen können wir leider nicht zum Download anbieten 🙂

Aktivität 4: Back to the Roots – Krokodil-Schach und klassische KI

Wie in Aktivität 3 spielen je zwei Schülerinnen bzw. Schüler eine Partie “Mini-Schach” gegeneinander. Dabei übernimmt eine Schülerin bzw. ein Schüler die Rolle eines “Papier”-Computers. Wird die Aktivität direkt mit der vorangehenden Reinforcement Learning-Version kombiniert, bietet es sich an, dass ein Rollentausch stattfindet. Anstatt seine Züge zufällig zu wählen, arbeitet der Computer nun jedoch nach vorgegebenen Regeln, die als Kopie zur Verfügung gestellt werden.

Spielbrett mit Markern (Druckvorlage A4, am besten für Aktivität 3 und 4 verwenden)
Regelwerk für Computer (English version, Korean version)

Aktivität 5: “Ach wie gut, dass niemand weiß, dass ich ein Computer bin!” – Der Turing-Test

Die Schülerinnen und Schüler spielen in dieser Aktivität ein Frage-Antwort-Spiel, bei dem sie allein durch das Stellen von Fragen und die Analyse der zugehörigen Antworten versuchen müssen, einen Computer von einem Menschen zu unterscheiden. Dazu nehmen zwei SchülerInnen die Rolle eines Computers und eine menschliche Rolle ein, sie werden von ihren MitschülerInnen befragt und anhand der Antworten muss die Klasse bestimmen, wer welche Rolle repräsentiert.

Fragen und Antworten Turingtest (English version)

Weitere Anregungen

Eine weitere Aktivität zu neuronalen Netzen findet sich hier: Brain in a bag
Wie Gesichtserkennung unplugged vermittelt werden kann, erläutert das australische Teacher’s magazine.
In Kürze finden Sie hier weitere Anregungen und Linktipps, bis dahin verweisen wir Sie an unsere Broschüre 🙂

Workshops

Folien zum Workshop am 14.3.2019 in Erlangen

Hilfsmittel für agilen Projektunterricht

Fri, 30 Nov 2018 10:00:00 GMT

Hilfsmittel für agilen Projektunterricht

Agile Methoden bereichern den Projektunterricht ungemein. Oft werden dabei Hilfsmittel wie Project Boards eingesetzt. Diese lassen sich zum Einen selbst erstellen. Zum Anderen fehlt aber auch oft die Zeit. Daher möchte man manchmal auf ein druckfertiges Exemplar zurückgreifen können. Genau solche Hilfsmittel möchtne wir Ihnen hier anbieten. Gerne dürfen Sie uns auch Ihre eigenen Ideen vorschlagen, setzen Sie sich dazu einfach mit uns in Verbindung.

Smerge – Versionkontrollsystem für Snap!

Sun, 25 Nov 2018 10:00:00 GMT

Versionskontrolle fürs Klassenzimmer!

Smerge ist ein Versionskontrollsystem für die blockbasierte Sprache Snap!, das Zusammenarbeit und Tinkern im Klassenzimmer ermöglicht. Es ist auf Anfängerinnen und Anfänger zugeschnitten und daher für Lehrpersonen sowie Schülerinnen und Schüler einfach zu bedienen. Wir wollten es vermeiden, einen überladenen Git-Klon zu erstellen.

How to Smerge – Unser Dachsbau

Ein Dachs arbeitet mit allen seinen Familienmitgliedern an seinem Bau, der viele Tunnel und Kammern enthält, und baut ihn über Jahre hinweg schrittweise aus.

Bei der Programmierung gehen wir genauso vor: Unser Fortschritt und die Weiterentwicklung des Programms von Version zu Version können wir auch als „Dachsbau“ präsentieren. In unserem Beispiel entwickeln wir Asteroids, das Spiel, in dem du alle Asteroiden mit deinem Raumschiff zerstören musst, bevor sie das Schiff treffen.

Aber wie kommen wir zu so einem „Dachsbau“? Wir können jede der Versionen direkt in Snap! mit einem Doppelklick öffnen. Dann können wir an unserem Projekt arbeiten, wie wir es gewohnt sind.

Um die Änderungen in Snap! zu speichern, müssen wir sie in unserem Dachsbau „posten“. Dies geschieht über den entsprechenden „Post to smerge….“ Block unter Variablen. Wir können dann zusammenfassen, was wir getan haben. So werden wir diese spezielle Version in unserem Projekt später auf smerge.org wiederfinden.

Alleine zu arbeiten ist langweilig

Ein Dachs arbeitet nicht allein an seinem Bau, sondern mit der ganzen Familie. Jeder gräbt seinen eigenen Tunnel.

Bei uns ist es genauso, wenn wir gemeinsam arbeiten. Wir teilen die Arbeit auf: Du arbeitest daran, das Raumschiff schussfähig zu machen, während ein Freund oder Teammitglied die Asteroiden durch den Weltraum fliegt.

Wie du siehst, arbeitet jeder wie sein eigener „Tunnel“!

An einem bestimmten Punkt will sich der Dachs mit seinen Familienmitgliedern treffen. Ebenso wollen wir unsere Änderungen im Projekt zusammenführen. Irgendwann wollen wir das Spiel ja auch spielen, nicht wahr?

Dazu klicken wir einfach auf den „Merge“-Button unten rechts, kreuzen alle Versionen an, die wir zusammenführen möchten, und bestätigen mit Ja.

Jetzt erhalten wir eine neue Version, in der alle Änderungen zusammengeführt wurden. Aber was passiert, wenn mehr als einer Änderungen am gleichen Skript vorgenommen hat? Wenn eine solche Situation eintritt, müssen wir manuell die Version auswählen, die wir behalten wollen:

Wir gehen zurück, wenn wir einen Fehler gemacht haben

Manchmal verlässt der Dachs einen Tunnel, z.B. wegen mangelnder Stabilität. Dann muss er in seinem Bau hin und her gehen und von einer anderen Kammer aus weiterarbeiten. Auf die gleiche Weise müssen wir manchmal auf eine ältere Version zurückgreifen, z.B. weil wir einige Fehler gemacht oder etwas ausprobiert haben, was nicht wirklich funktioniert hat. Dazu öffnen wir einfach die Version, auf die wir zurückgehen möchten, öffnen sie in Snap! durch Doppelklick und arbeiten von dort aus weiter. Auf diese Weise erhalten wir einen neuen „Tunnel“.

Entwickelt für Lehrpersonen und das Klassenzimmer

Was bietet Smerge und wie kann es beim Unterrichten helfen?

Smerge ermöglicht die Zusammenarbeit für projektbasiertes Lernen mit Snap!
Alle Daten sind immer verfügbar und werden automatisch gesichert, so dass es kein „Ich habe meine Sachen zu Hause vergessen“ oder „Mein Partner ist krank, ich kann nicht arbeiten“ mehr von Seiten der Schülerinnen und Schülern gibt.
Es können Vorlagen im Sinne von „Codeskeletten“ einrichten, mit denen Sie Ihre Schülerinnen und Schülern mit benutzerdefinierten Blöcken, einigen bereits vorhandenen Codeteilen, usw. zur Verfügung gestellt werden können.
Weitere Vorlagen können sogar via Drag & Drop hinzugefügt werden.
Der Entwicklungsprozess ist immer sichtbar, sowohl für Ihre Schülerinnen und Schüler als auch für Sie. Dies ermöglicht es, den individuellen Beitrag zu bewerten und individuelles Feedback zu geben.
Sie sehen die Versionshistorie und können Änderungen rückgängig machen und zu alten Versionen zurückkehren, was das Basteln und Tinkern in einer risikofreien Umgebung ermöglicht.

Login und Usermanagement

Wir haben bewusst keine eigenen Benutzerkonten oder ein eigenes Usermanagement. Um Ihre Projekte zu sichern, erhalten Sie stattdessen bei der Projekterstellung eine PIN und können ein Passwort festlegen. Wenn Sie Ihre E-Mail bei der Projekterstellung hinterlegen, können Sie bei Bedarf PIN und Passwort für all Ihre Projekte abrufen, falls Sie diese vergessen haben.

Smerge kann unter https://smerge.org ausprobiert werden.

Datenmanagement und Data Literacy Education

Fri, 26 Oct 2018 10:00:00 GMT

Im Rahmen des Forschungsprojektes „Big Data und Datenmanagement im Informatikunterricht“, das Ende 2013 an der Professur für Didaktik der Informatik der Universität Erlangen-Nürnberg begonnen und von Oktober 2018 bis 2021 an der Freien Universität Berlin weitergeführt wurde, sind verschiedene Ergebnisse sowohl theoretischer Natur als auch für den schulpraktischen Einsatz entstanden, die auf dieser Webseite dokumentiert werden.

Forschungsergebnisse

Im Rahmen des Projekts wird insbesondere das Fachgebiet Datenmanagement aus informatikdidaktischer Perspektive umfassend beleuchtet. Dazu wurden verschiedene Perspektiven, die das Modell der Didaktischen Rekonstruktion für den Informatikunterricht vorschlägt, untersucht. Auf diese Weise können die Anforderungen der Schülerinnen und Schüler, Lehrerinnen und Lehrer, aber auch der Gesellschaft und natürlich der Informatik gleichermaßen berücksichtigt werden.

Schlüsselkonzepte des Datenmanagements

Ein Schwerpunkte der Arbeit lag auf der fachlichen Fundierung. Dazu wurde das Fachgebiet Datenmanagement hinsichtlich seiner Schlüsselkonzepte untersucht und das von Denning erarbeitete Modell der Great Principles of Computing für dieses Fachgebiet adaptiert. Als Ergebnis entstand ein Modell, das sowohl verschiedene Kerntechnologien des Datenmanagements als auch Praktiken, die in diesem Zusammenhang von Bedeutung sind, und Entwurfsprinzipien und Mechanismen für bzw. von Datenmanagementsystemen berücksichtigen.

Modell der Schlüsselkonzepte des Datenmanagements [1]:

Die Kerntechnologien des Datenmanagements sind eine aktuelle Auswahl relevanter Forschungsgegenstände aus diesem Gebiet, die aber nicht nur in der Forschung sondern auch der Datenmanagementpraxis eine hohe Bedeutung haben und somit den zentralen Berührungspunkt zu diesem Fachgebiet dar.

Die Praktiken beschreiben zentrale Tätigkeiten im Bereich des Datenmanagements und geben gleichzeitig einen Einblick in den Datenlebenszyklus (vgl. unten). Sie geben einen Einblick in den Umgang mit Daten und betonen damit einen vollumfänglichen Blick auf die Prozesse, die in diesem Fachgebiet zentral sind, eröffnen aber auch wichtige Schnittpunkte zu anderen Fachgebieten und beispielsweise – insbesondere in den im Lebenszyklus später angesiedelten Praktiken – zu gesellschaftlichen Fragestellungen.

Die Entwurfsprinzipien des Datenmanagements beschreiben Entscheidungen, die für die Entwicklung, aber auch die Nutzung und Auswahl von Datenmanagementsystemen zentral sind: Sie stellen Eigenschaften dar, die diese Systeme zentral beeinflussen, einen Einblick in deren zentrale Eigenschaften und anhand derer verschiedene Datenmanagementsysteme unterschieden werden können.

Die Mechanismen stellen die Funktionsprinzipien der Systeme dar, die entsprechend am stärksten auf technischer Ebene angesiedelt sind. Sie beschreiben, wie verschiedene Teile eines Datenmanagementsystems zusammenwirken, um ein bestimmtes Ziel zu erfüllen.

Durch die Schlüsselkonzepte des Datenmanagements können nicht nur zentrale Aspekte des Fachgebiets knapp und verständlich dargestellt werden. Die darin dargestellten Praktiken und Prinzipien tragen jedoch auch zu einem vertieften Verständnis verschiedener Themen der Informatik bei:

Metadaten sind zentral für den Umgang mit Daten in verschiedensten Facetten beispielsweise ermöglichen diese eine Wiederauffindbarkeit der Daten, strukturieren diese und explizieren Beziehungen zu anderen Daten oder geben weitere Informationen über Daten preis (beispielsweise den Aufnahmeort eines Fotos). Metadaten sind damit in allen Praktiken des Datenmanagements relevant und stehen in Verbindung zu verschiedensten Prinzipien: Da Metadaten nie ihres Selbstzwecks wegen eingeführt werden, sondern immer mit einem bestimmten Ziel, trägt beispielsweise ein Wissen über den Mechanismus Strukturierung klar dazu bei, zu verstehen welche Aufgabe strukturierende Metadaten übernehmen und wie sie ausgeprägt sein müssen, während beispielsweise erst ein Verständnis über Repräsentation die Notwendigkeit bzw. den Sinn von administrativen Metadaten wie Dateityp expliziert.
Datenbanken sind eine zentrale Technologie zur Datenspeicherung, die in vielen verschiedenen Ausprägungen existiert. Um zu verstehen, was Datenbanken beispielsweise gegenüber einem normalen Dateisystem auszeichnet, sind beispielsweise Kenntnisse über Integrität, Konsistenz und Isolierung, aber auch über Nebenläufigkeit unabdingbar. Werden diese vier Aspekte im Kontext der Datenbanken nicht thematisiert, wird nur ein vages Bild der Datenbanken gezeichnet, das möglicherweise nicht ausreicht, um Sinn und Zweck solcher Systeme zu erkennen und diese von anderen Datenspeichern zu unterscheiden.
Verteilte Datenspeicher, von denen insbesondere Cloud-Datenspeicher heute eine allumfassende Bedeutung erlangt haben, stellen eine weitere zentrale Technologie des Datenmanagements dar. Im Umgang mit solchen Datenspeichern treten vielfältige Phänomene auf, beispielsweise bedingt durch die Synchronisation der Daten zwischen Datenquelle und Datenspeicher, die auch dem Nutzer bzw. der Nutzerin nicht verborgen bleiben. Um diese Phänomene, aber auch den Unterschied von anderen Datenspeichern und den Nutzen dieser Technologien verstehen und diese sinnvoll einsetzen zu können, ist es beispielsweise zentral zu verstehen, wie Synchronisation und Replikation funktionieren, welche Probleme beim Transport von Daten auftreten können, oder was Partitionstoleranz in einem verteilten System auszeichnet und welche Konsequenzen es nach sich zieht, wenn diese nicht sichergestellt werden kann.

Diese drei Beispiele zeigen, dass die Prinzipien des Datenmanagements insbesondere dabei helfen können, informatische Begriffe (wie Metadaten) zu verstehen und zu kontextualisieren, ein technisch korrektes Verständnis von informatischen Technologien (beispielsweise Datenbanken) zu entwickeln und Phänomene, die beim Umgang mit informatischen Technologien auftreten (wie bei verteilten bzw. Cloud-Datenspeichern), zu verstehen.

Aber auch die Praktiken des Datenmanagements können einen wichtigen Einblick in das Feld ermöglichen: Indem diese Praktiken als Lebenszyklusmodell (vgl. unten) aufgefasst werden, geben sie einen Überblick über den gesamten Prozess von der Datengewinnung über deren Speicherung, Verarbeitung, Analyse und Austausch bis hin zur Archivierung und Löschung. Dieser Prozess gibt nicht nur Schülerinnen und Schülern aber auch Lehrerinnen und Lehrern eine wichtige Orientierung, sondern kann auch dazu genutzt werden, interessante Fragestellungen zu ermitteln: Eine Orientierung von Datenmanagementunterricht an diesem Lebenszyklusmodell legt beispielsweise die Fragen nahe, woher die Daten kommen, welche Daten überhaupt gewonnen werden sollen/können, wie diese bereinigt und strukturiert werden können, wie deren Qualität sichergestellt wird, wie diese verarbeitet und analysiert werden können, wie sie (durch Visualisierung) verständlich für den Menschen gemacht werden, usw.

Datenlebenszyklusmodell:

Entwicklung eines Data-Literacy-Kompetenzmodells

Zusätzlich wurde im Rahmen dieses Projekts jedoch auch eine Grundlage für die Forschung in einem weiteren wichtigen Bereich des Umgangs mit Daten geschaffen: Während sich in der Forschung immer mehr die Entstehung eines neuen datenorientierten Forschungsparadigmas zeigt und auch in der Hochschullehre Kompetenzen in der Datenanalyse und zum Teil dem Maschinenlernen immer häufiger auch außerhalb der Informatik als relevant erachtet werden, wurde diese Data Literacy noch nicht aus Perspektive des allgemeinbildenden Schulunterrichts beleuchtet, obwohl Grundfertigkeiten und grundlegende Kompetenzen im Umgang mit Daten heute in allen Lebensbereichen immer zentraler werden und zu einer selbstbestimmten Teilhabe am gesellschaftlichen Leben beitragen können. Aus diesem Grund wurde, als Grundlage für die weitere Forschung in diesem Bereich, basierend auf empirisch geprägten Arbeiten ein Kompetenzmodell der Data Literacy mit einem Fokus auf die Sekundarstufe I/II entwickelt, dass jedoch potentiell auch für andere Bildungsniveaus anpassbar ist.

Data-Literacy-Kompetenzmodell [3]:

Unterrichtsmaterial

Als Teil des Forschungsprojektes zum Thema Datenmanagement im Informatikunterricht entstand bislang verschiedenes Material für Lehrkräfte und für den Unterricht:

Broschüre für Lehrkräfte: „Daten im Informatikunterricht In der Broschüre werden grundlegende Aspekte des gesamten Themenkomplexes Daten, Datenmanagement und Data Literacy basierend auf dem Stand der informatikdidaktischen Forschung insbesondere für Lehrkräfte zusammengefasst.

Unterrichtsreihe: Data Mining im Informatikunterricht Ein Unterrichtskonzept für drei bis vier Doppelstunden zum Thema Data Mining, das erfolgreich im Unterricht evaluiert wurde.

Tools

Für den Informatikunterricht zum Thema Daten werden verschiedene Werkzeuge benötigt. Die üblichen im Unterricht bereits eingesetzten Werkzeuge wie Datenbanken und Tabellenkalkulationsprogramme können zwar einige Aspekte des Themenbereichs verdeutlichen, reichen aber insbesondere nicht aus, wenn es um umfassendere Datenanalysen, die Vorhersage basierend auf Daten oder auch Datenschutz- und Datensicherheitsaspekte gehen soll. Aus diesem Grund wurden im Rahmen des Forschungsprojekts zwei Werkzeuge entwickelt, die geeignet sind, um weitere Aspekte des Themengebiets zu verdeutlichen:

Snap!Twitter 2.0

SnapTwitter war eine Erweiterung für die blockbasierte Programmiersprache Snap!. Diese Erweiterung hat Schülerinnen und Schülern, aber auch anderen Interessierten, eine einfache Möglichkeit geboten, in die Datenstromanalyse am Beispiel der Daten, die Twitter öffentlich zur Verfügung stellte, einzusteigen. Die Analyse konnte dabei mit Livedaten von Twitter stattfinden. Seit Version 2 war Snap!Twitter komplett im Browser nutzbar. Leider musste Snap!Twitter aufgrund der stärkeren Kommerzialisierung der API eingestellt werden, da keine finanzierbaren Zugriffsmöglichkeiten auf die entsprechenden Daten mehr zur Verfügung stehen.

Snap!DSS

Snap!DSS erweitert die blockbasierte Programmiersprache Snap!. um Fähigkeit zur umfassenderen Datenstromanalyse. Dabei geht Snap!DSS weiter als SnapTwitter und erlaubt nicht nur die Analyse dieser einen Datenquelle, sondern kann flexibel zur Verarbeitung verschiedenster Datenquellen eingesetzt und erweitert werden. Beispielsweise bietet sich eine Kombination mit der Erfassung von Sensordaten mittels einfacher Microcontroller-Boards an.

Neben diesen Eigenentwicklungen können natürlich noch weitere Werkzeuge im datenorientierten Informatikunterricht genutzt werden. Hierzu soll folgende, in der Zukunft weiter ergänzte, Liste einige Anregungen geben:

Orange

Das Datenanalysewerkzeug Orange wurde an der Universität Ljubljana zur professionellen Datenanalyse entwickelt. Da es jedoch aus der Bioinformatik stammt und eher für nicht-Informatiker ausgelegt ist, ist es dank seiner datenflussorientierten Beschreibung der Analyse und dadurch, dass es keinerlei Programmierung durch die Nutzenden nötig macht, auch für den Schulunterricht nicht zu komplex. Beispiele für die Nutzung im Unterricht finden sich im Unterrichtskonzept „Data Mining im Informatikunterricht“ (vgl. Unterrichtsmaterial)

Quellen

Die Entwicklung des Modells der Schlüsselkonzepte des Datenmanagements wird ausführlich in den Beiträgen [1,2] dargestellt. Einen kurzen Einblick in die Entwicklung des Kompetenzmodells gibt der Beitrag [3] (ein ausführlicher Beitrag befindet sich derzeit in Arbeit) sowie das Poster [4].

[1] Grillenberger, A. & Romeike, R.: Key Concepts of Data Management: An Empirical Approach, In Proceedings of the 17th Koli Calling International Conference on Computing Education Research, ACM, 2017.

[2] Grillenberger, A. & Romeike, R.: Empirische Ermittlung der Schlüsselkonzepte des Fachgebiets Datenmanagement, In Informatische Bildung zum Verstehen und Gestalten der digitalen Welt, Proceedings der 17. GI-Fachtagung Informatik und Schule, Oldenburg, 2017.

[3] Grillenberger, A. & Romeike, R.: Data Literacy und das Modell der Schlüsselkonzepte des Datenmanagements, In Data Literacy und Data Science Education: Digitale Kompetenzen in der Hochschulausbildung, 2018.

[4] Poster am Data Literacy Symposium des Stifterverbands / Hoschulforum Digitalisierung: Download (PDF)

Datenanalyse und Vorhersage mit Klassifikationsbäumen

Thu, 25 Oct 2018 10:00:00 GMT

Ein Unterrichtskonzept für die Sekundarstufe II.

Ein Unterrichtskonzept für drei bis vier Doppelstunden zum Thema Data Mining, das erfolgreich im Unterricht evaluiert wurde. Mehr Informationen dazu finden Sie auf der Webseite dataliteracy.education.

Visuelle Programmiersprachen im Unterricht

Thu, 25 Oct 2018 10:00:00 GMT

Hier ärgern wir uns nicht mit unübersichtlichen textbasierten Programmiersprachen wie Java oder Python, denn Programmieren kann hart sein - aber auch unglaublich spannend! Wir beschäftigen uns mit der Programmiersprache Snap! und programmieren Animationen, Spiele und Simulationen, sodass jeder seinen inneren Künstler - und Informatiker - finden kann!

Material

Pixelize: Pixelgrafiken in Snap! (ca. 6./7.8. Klasse)
Ant invasion: Objekte und Prototypen in Snap! (ca. 10. Klasse)
Buzzing bees: Objekte, Prototypen, Vererbung in Snap! (ca 10. Klasse)
Cryptify: Verschlüsselung in Snap! (Oberstufe)
Of nodes and edges: Rekursive Datenstrukturen (Graphen/Bäume) in Snap! (Oberstufe)

Debugging im Unterricht

Wed, 24 Oct 2018 10:00:00 GMT

Schluss mit der Turnschuhdidaktik! Unterrichtsmaterialien für das Debuggen im Unterricht.

Das Finden und Beheben von Fehlern stellt für Programmieranfänger eine große Hürde dar, die auch im Informatikunterricht oftmals zu Frustration und gar zu Abneigung führen kann. Mitunter wird dies auch zu einer großen Herausforderung für die unterrichtende Lehrkraft, die von Schüler-PC zu Schüler-PC eilt und versucht, allen möglichst gerecht zu werden.

Im Folgenden werden Materialien vorgestellt, die den Schülerinnen und Schülern relevante Kompetenzen für einen selbstständigen Umgang mit Fehlern vermitteln. Dazu gehören eine systematische Vorgehensweise statt trial-and-error sowie unterschiedliche Debuggingstrategien (siehe auch hier).

Systematisches Vorgehen

Plakat “Debuggen leicht gemacht”

exemplarisch in Greenfoot (Stride): Arbeitsblatt Aufgabe Lösung
exemplarisch in BlueJ (Java): Arbeitsblatt Aufgabe Lösung
exemplarisch in “Plain” Java: Arbeitsblatt Aufgabe Lösung
exemplarisch in Scratch: Arbeitsblatt Aufgabe Lösung

Debuggingstrategien & Werkzeuge

Print-F

SkillCard Print-F
exemplarisch in BlueJ (Java): Arbeitsblatt Aufgabe Lösung
exemplarisch in “Plain” Java: Arbeitsblatt Aufgabe Lösung

Debugger

SkillCard Debugger
exemplarisch in BlueJ (Java): Arbeitsblatt Aufgabe Lösung
exemplarisch in “Plain” Java: Arbeitsblatt Aufgabe Lösung

Heuristiken und Muster

Weitere Materialien

Präsentation vom 25.03.21 online
Legopersonas vom 8-10.19 in Fulda: 1 2 3 4 5 6

Digi4All Kompetenzen für das Unterrichten in einer digitalen Welt

Tue, 23 Oct 2018 10:00:00 GMT

Kompetenzen für das Unterrichten in einer digitalen Welt.

Ziel des Projekts Digi4All ist die Konzeption, Ausgestaltung und Implementierung eines Online-gestützten Studienangebots zur Digitalen Bildung für Lehramtsstudierende aller Fächer und Schularten. Das Projekt greift die Ziele der Zukunftsstrategie der Bayerischen Staatsregierung zum Thema „Digitale Bildung in Schule, Hochschule und Kultur“, des KMK-Schwerpunktthemas „Bildung in der digitalen Welt“, der Digitalen Strategie 2025 des BMWi und des neuen FAU-Leitbild-Konzepts „Digitalisierung in der Lehrerbildung“ auf. Durch ein innovatives Blended-Learning-Lehr-Lern-Angebot soll ein Beitrag geleistet werden, digitale Bildung in den Lehreramtsstudiengängen aller Fächer zu verankern.

Digi4All ist ein gemeinsames Projekt mit Christian Albrecht (FAU), Axel Krommer (FAU), Volker Frederking (FAU) und Jochen Koubek (Uni Bayreuth).

Der vollständige Kurs sowie weitere Informationen finden sich hier: https://digi4all.de/. Weiterhin finden sich die im Kurs verwendeten Videos auf Youtube:

Among Scarabs and Bugs: Ein Escape-Room-Spiel im alten Ägypten

Fri, 25 May 2018 10:00:00 GMT

Der Fluch des Pharao?

Prof. Heinrich W. Müller, seines Zeichens Archäoinformatiker, hat bei Ausgrabungen im Tal der Könige eine neue Grabkammer entdeckt. Dabei hat er wohl einen besonders beeindruckenden Gegenstand für seine private Sammlung mitgehen lassen… In Kairo kommt es seitdem zu vielen seltsamen Todesfällen, auffälligerweise insbesondere bei Teilnehmern der Expedition und Arbeitern, die bei den Grabungen geholfen haben…

Es liegt an euch, den Fluch des Pharaos zu beenden und den geraubten Gegenstand zurückzuerlangen!

Buchung unter: https://scarabsandbugs.debugging.education/

Die Idee

Oft begegnen wir in unserem Alltag dem Phänomen, dass etwas nicht (mehr) funktioniert: Der Kühlschrank, die Glühbirne oder eben „das Internet“. Ähnliches erleben wir im Informatikunterricht: Auch beim Programmieren „funktioniert” ständig etwas nicht. Dann müssen wir die zugrunde liegenden Fehler finden und beheben, also debuggen. Dabei ist die Informatik gar nicht so weit weg vom Alltag: Wenn „das Internet“ nicht funktioniert, kann das mehrere Ursachen haben. Wir überprüfen z.B. verschiedene Geräte im Netz, um herauszufinden, ob das Problem im Gerät selbst oder im Router zu finden ist. Genauso versuchen wir den Fehler in verschiedenen Programmcodeabschnitten zu isolieren. Wir kommentieren beispielsweise Code aus oder testen einzelne Methoden. Wenn unser gerade aufgebautes Möbelstück wieder auseinanderfällt, vollziehen wir die Anleitung erneut schrittweise nach. Genauso „tracen“ wir unseren Programmcode, bis wir das Problem und damit den Fehler gefunden haben.

Wir sehen: Unser Vorgehen und die angewandten Strategien beim Finden und Beheben von Fehlern in Code sind denen in unserem Alltag sehr ähnlich! Genau diese Fähigkeiten gilt es im Escape-Room geschickt anzuwenden, um den Fluch des Pharaos zu brechen.

Ausschnitt der Aufgaben

Im Folgenden finden Sie einen Ausschnitt der Aufgaben für den Einsatz im Unterricht, ganz im Sinne von “Debugging Unplugged”:

Tal der Könige

Der Professor hat ein neues Grab im Tal der Könige gefunden, aber leider ist die Aufzeichnung seiner Route fehlerhaft! Es haben sich 6 Fehler (Richtungen) versteckt, die gefunden und in ein Bewegungsschloss eingegeben werden müssen!

Kabelsalat

Innerhalb einer mysteriösen Box ist eine geheime Botschaft versteckt, doch leider funktioniert die Taschenlampe nicht…?

Beschreibung

Tracing-Mr-X

Um den Gegenstand zu entweden hat der Professor den Arbeitsweg des Museumsdirektors herausgefunden! An welcher U-Bahnstation steigt er immer aus?

https://tracing.debugging.education

Fensterkunst

Ein mysteriöses Zeichen an der Wand gibt Rätsel auf. Doch in der Kodierung scheinen sich 3 Fehler eingeschlichen zu haben…?

TopSecret

Um einen vertrauenswürdigen Mitarbeiter herauszufinden, bedient sich der Professor eines Tricks…

Fehlersuchbild

An beiden Enden des Raums befindet sich ein beinahe identisches Bild. Nur durch Kommunikation können die 6 Unterschiede gefunden werden und in Zahlen übersetzt werden…

Snap!Twitter

Wed, 25 Apr 2018 10:00:00 GMT

Snap!Twitter ist eine Erweiterung für die blockbasierte Programmiersprache Snap! und bringt daher alle dort vorhandenen Funktionen mit. Um zusätzlich einfache Datenanalysen zu ermöglichen, wurde Snap! hier jedoch um einige Funktionen erweitert und durch die Möglichkeit zum Zugriff auf echte Live-Twitterdaten auch eine reichhaltige Datenquelle angebunden. Weitere Informationen auf der Snap!Twitter-Webseite.

Interaktive Lego-Stadt

Thu, 26 Oct 2017 10:00:00 GMT

Die Unterrichtsidee der interaktiven LEGO-Stadt wurde auf der INFOS-Tagung 2017 vorgestellt. Materialien zu diesem Projekt werden in Kürze hier bereitgestellt.

Informatik trifft Design

Wed, 25 Oct 2017 10:00:00 GMT

3D-Druck als Kontext

Dreidimensionale Druckverfahren sind heute keine Neuheit mehr, die Industrie hat die Verfahren schon lange für sich entdeckt. Die Anwendungsgebiete sind breit gefächert, der Kreativität sind kaum Grenzen gesetzt. Wir zeigen, wie der 3D-Druck funktioniert und wie du mit einer einfachen Programmierumgebung kleine Lampenschirme, Becher, Schalen, oder Schmuck selber designen kannst. Mit LEDs bestückt werden daraus z.B. tolle leuchtende Deko-Artikel.

Dazu verwenden wir Beetleblocks, eine blockbasierte Programmierumgebung in der mit Hilfe der algorithmischen Grundstrukturen dreidimensionale Objekte programmiert werden, die anschießend als 3D-Modell exportierbar sind und mittels eines 3D-Druckers ausgedruckt werden können.

Einen Erfahrungsbericht zu einer Unterrichtssequenz von 7 Doppelstunden zum Erlernen grundlegender Programmierkenntnisse anhand des motivierenden Kontexts 3D-Druck mit Hilfe von Beetleblocks findet sich hier.

Im Folgenden finden sich die Materialien aus einem auf etwa 90 Minuten ausgelegten Workshop, in dem die Schülerinnen und Schüler nach einer kurzen Demonstration von möglichen Druckerzeugnissen wie Lampen, Anhängern und Ohrringen mit Hilfe der Hilfekarten kreativ eigene Projekte umsetzen:

Informatik in der Grundschule

Wed, 25 Oct 2017 10:00:00 GMT

Die digitale Welt gestalten.

Auf dieser Seite finden Sie alle Informationen zum Workshop Informatik in der Grundschule.

Station 1: Das Bananenklavier – Tinkern mit MakeyMakey

Leitfähigkeit testen und Bananenklavier

Station 2: CS Unplugged – Aktivitäten zu Informatik ohne Strom

Station 3: Von Bienen und Blüten… – Spinnen- bzw. Bee-Bots

Station 4: Kommunizieren mit dem Computer – Scratch

Station 5: Die Tabletmuse? – der Mikrocontroller Calliope

Pflanzenbewässerung

Happy Halloween – 3D-Druck und Programmierung

Wed, 25 Oct 2017 10:00:00 GMT

3D-Druck und Programmierung.

Unter dem Motto “Scare the kids to Computer Science” haben wir eine Reihe gruseliger Aktivitäten entwickelt, die Kindern helfen ihre Begeisterung für Informatik zu finden. In den Aktivitäten geht es darum, einen gruseligen Spinnenroboter über den Friedhof schicken, um Süßigkeiten einzusammeln, Spinnennetzschmuck zu programmieren oder die Hexenkrokodile im Schach zu schlagen.

Spinnen-Beebots auf dem Friedhof:

Gruseliger Schmuck aus dem 3D-Drucker:

Wissenschaftliches Arbeiten im Informatikunterricht

Tue, 25 Oct 2016 10:00:00 GMT

Wissenschaftliches Arbeiten im Informatikunterricht.

Im wissenschaftspropädeutischen Seminar (W-Seminar) sollen Schülerinnen und Schüler einen Einblick in wissenschaftliches Arbeiten erhalten und grundlegende fachübergreifende Kompetenzen erwerben, um für ein universitäres Studium vorbereitet zu sein.

Sowohl für Lehrkräfte als auch für Schülerinnen und Schüler ist ein solches Seminar eine große Herausforderung: Es werden selbständige Arbeit und Recherche sowie das kritische Hinterfragen von Quellen und Ergebnissen gefordert. Insbesondere die Fachwissenschaft Informatik stellt die Schülerinnen und Schüler vor spezielle Anforderungen: Die verwendete Methodik zeigt Einflüsse von formal-strukturellen (Mathematik), experimentellen (Naturwissenschaften), konstruktiven (Ingenieurwissenschaften) und empirischen (Sozialwissenschaften) Disziplinen.

Um Lehrkräfte bei der Gestaltung und Durchführung von W-Seminaren zu unterstützen haben wir als Hilfestellung eine Broschüre zusammengestellt.

Diese beinhaltet insbesondere:

Die Ergebnisse einer Auswertung über typische Schwierigkeiten, die Schülerinnen und Schüler mit W-Seminararbeiten in Informatik haben.
Vorschläge zu Rahmen- mit dazugehörigen Seminararbeitsthemen.

My Interactive Garden

Sun, 25 Oct 2015 10:00:00 GMT

Mehr dazu hier