Anregungen für die integrativen Arbeitsbereiche
Abschnittsübersicht
-
-
-
-
Aus einer Idee einen Text zu machen – das schafft eine Künstliche Intelligenz in Sekundenschnelle. Aber wie funktioniert das eigentlich? Ralph erklärt, warum eine KI viel mehr zählt, als sie schreibt. Denn erst durch das Zählen von Wörtern, Buchstaben und deren Kombinationen sammelt sie Daten – und erkennt darin schließlich Muster. So „lernt“ die KI und kann mithilfe dieser Muster neue Texte zusammenzusetzen. Die wirken fast, als hätte sie ein Mensch geschrieben…
-
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.
-
SoekiaGPT ist ein Textgenerator speziell für den Unterricht. Mit SoekiaGPT kannst Du hinter die Kulissen schauen und damit einige Grundprinzipien von Textgeneratoren wie ChatGPT kennenlernen. SoekiaGPT ist eine Lernumgebung und nimmt deshalb eine ganze Reihe von didaktischen Vereinfachungen vor. Aus diesen Gründen eignet sich SoekiaGPT nicht als Werkzeug zur Textgenerierung im Alltag. Mit SoekiaGPT kannst du aber einzelne Schritte eines Sprachmodells selbst durchspielen und verschiedene Parameter einstellen.
Auf der Seite werden zusätzlich eine Handreichung sowie ein Erklärvideo für Lehrer angeboten.
-
„Und dann?“
Um diese Frage geht es bei generativer künstlicher Intelligenz. Darum, was als nächstes kommen könnte: Das nächste Wort in einer Geschichte, der nächste Ton in einem Lied, der nächste Strich in einer Zeichnung. In diesem Beitrag zeige ich, wie man ein „Next Token Prediction“ System in Stil von ChatGPT in Snap! selber programmieren kann. Gibt man ihm ein paar Geschichten, dann lernt es, eigene Text zu schreiben. Gibt man ihm ein paar Kinderlieder, dann improvisiert es eigene Melodien, und zeichnet man ihm etwas vor, dann versucht es, selbst etwas zu kritzeln.
Man selbst lernt bei dieser Aktivität, Wörter, Musiknoten und Striche zu kodieren, in einem Datenmodell zu strukturieren, und kontextbezogen abzufragen. Das lässt sich mit zwei eigenen Funktionsblöcken, ein paar Schleifen, Variablen und Bedingungen bewerkstelligen.
-
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.
-
-
-
-
-
-
AI unplugged bietet aktuell fünf Aktivitäten, um verschiedene Grundprinzipien von KI und ML mithilfe spielerischer enaktiv-haptischer Realisierung ohne den Einsatz des Computers zu begreifen. Für den Unterricht können die Aktivitäten auch voneinander gelöst und in unterschiedlichen Jahrgangsstufen durchgeführt werden. Alle Materialien liegen auch in deutscher Sprache vor. Über den Link "German" gelangt man zu einem Anleitungsheft.
-
In Kooperation mit der Wissensfabrik hat die von Informatikdidaktikern betriebene Plattform ComputingEducation.de im Rahmen des IT2School-Projekts unter anderem vier Unterrichtsmodule zum Thema “Künstliche Intelligenz” entwickelt.
Modul KI-B3: Schlag den Roboter (Affen, Bauernschach, Goldsuche)
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.
Modul KI-B4: Von Daten und Bäumen
In diesem Modul wenden die Schülerinnen und Schüler KI-Methoden (vorwiegend das Lernen von Entscheidungsbäumen) aktiv auf Daten an 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 Orange 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.
Die Materialien können entweder über die Wissensfabrik bezogen werden oder direkt auf der Plattform ComputingEducation.de heruntergeladen bzw. online genutzt werden.
-
ML4T ist eine Ressource, die speziell für Lehrkräfte entwickelt wurde, um das Verständnis von maschinellem Lernen (ML) mithilfe interaktiver Übungen zu fördern.
Die Webseite ist in zwei Übungen unterteilt: Song Recommender und Movie Recommender.
In der Übung Song Recommender wird aufgezeigt, wie man einen Algorithmus entwickelt, der auf Basis von demografischen Merkmalen und persönlichen Vorlieben individuelle Songempfehlungen abgeben kann. Hier erfährst du, wie Daten von Einzelpersonen genutzt werden können, um basierend auf spezifischen Benutzereingaben personalisierte Songempfehlungen zu erstellen.
Die Übung Movie Recommender bietet einen Einblick in die Bewertung und Kategorisierung von Filmen nach Genres. Hier entdeckst du, wie man basierend auf bestimmten Merkmalen individuelle Filmempfehlungen erzeugt. Diese Übung führt auch in die Funktionsweise und das Training eines Perzeptrons ein, eines einfachen Modells des maschinellen Lernens. Die Übung kann auch ohne Computer durchgeführt werden.
-
Eine praxisorientierte Einführung in künstliche neuronale Netze, Gesichtserkennung und Co.
-
Im Browser kann mittels Webcam oder Upload von Dateien sehr unkompliziert ein neuronales Netz auf beliebige Gegenstände/Personen trainiert werden. Über Lernparameter oder Grafiken kann der Lernprozess verfolgt werden. Das trainierte Netz steht zum Testen im Browser zur Verfügung oder kann für die Weiterverwendung in Python oder JavaScript exportiert werden.
-
-
-
-
-
Auf den (englischsprachigen) Arbeitsblättern sind verschiedene Machine-Learning-Projekte mit Anleitungen, Beispielen und Screenshots. Einige übersetzte Unterrichtsmaterialien gibt es bei www.appcamps.de.
-
-