Bitte beachten Sie: Dieses Material dient der ersten Orientierung und ist daher bewusst vereinfacht dargestellt. Für eine fachlich vertiefte und präzisere Darstellung wenden Sie sich bitte an die Fachlehrkräfte Ihrer Schule.
In diesem Kapitel lernen die Schülerinnen und Schüler, wie lernende Systeme aus Beispielen Modelle bilden und damit Vorhersagen treffen. Sie unterscheiden zwischen festen Regeln und datenbasiertem Lernen und verstehen, warum Computer bei der Bilderkennung Unterstützung durch Menschen brauchen.
Zwei Arten von Systemen: regelbasiert vs. maschinelles Lernen
Überwachtes Lernen als Spezialfall des maschinellen Lernens: beschriftete Beispiele, Merkmale, Modell, Vorhersage; Training und Test
Computerperspektive: Bilder als Zahlenfolgen; Variabilität (Position, Blickrichtung, Helligkeit) als Herausforderung
Bedeutung der Datenaufbereitung: Rolle des Menschen beim Sammeln und Beschriften (Labeling); Aufwand und Notwendigkeit dieser Arbeit
Die Schülerinnen und Schüler…
können regelbasierte und lernende Systeme unterscheiden und den Unterschied anhand eines einfachen Beispiels erklären.
beschreiben den Ablauf des überwachten Lernens.
erklären, warum Computer Bilder als Zahlen verarbeiten und warum Variabilität die Erkennung erschwert.
können erklären, warum Menschen die Trainingsbilder beschriften (labeln) müssen und verstehen, dass maschinelles Lernen ohne diese Vorarbeit nicht funktioniert.
Wählen Sie einen der folgenden Impulse für den Einstieg in das Kapitel aus.
Der Bildimpuls zur Gesichtserkennung weckt Neugier, indem drei Fotos derselben Person (ernst, lachend, mit Brille/Hut) die Leitfrage zuspitzen: Woran erkennt ein System „Das bist du“? Die Methode schärft den Blick für stabile Merkmale und öffnet den Einstieg ins maschinelle Lernen – kurz, klar, direkt.
Blenden Sie den Bildimpuls ein, stellen Sie die Leitfrage („Woran erkennt ein System dieselbe Person?“), sammeln Sie 1–2 kurze Beobachtungen aus der Klasse ohne Diskussion (2–3 Minuten) und leiten Sie direkt zur Weblektion über.
Leitfrage: “Warum erkennt ein KI-System dich – auch wenn du lachst, eine Brille trägst oder einen Hut aufhast?”
⏱️ Gesamtdauer: 5 Minuten
Hinweis an die Klasse: Nenne nur 1–2 Dinge, die gleich bleiben (z. B. Abstände/Proportionen). Keine Diskussion, nur kurze Antworten.
Klicken Sie auf das Vorschaubild, um es als Vollbild anzuzeigen.
Fragen Sie nach: Woran erkennt ein KI-System, dass es dieselbe Person ist?
Sammeln Sie Vermutungen: Was bleibt gleich? (Impulswörter: Augenabstand, Winkel, Form von Nase oder Kinn, Proportionen.) Notieren Sie bei Bedarf 2–3 Stichworte.
Grenzen benennen: Das klappt oft, aber nicht immer – Licht, Blickwinkel oder verdeckte Teile können stören.
Leiten Sie über: „In der Weblektion seht ihr, wie KI-Systeme solche Merkmale lernen, prüfen – und warum schlechte Daten zu Fehlern führen.“
Der Alltagsimpuls zu CAPTCHA knüpft an Vertrautes an – Häkchen, Bildkacheln, Prüfungen im Hintergrund – und fragt: Woran erkennt ein System, dass du kein Roboter bist? Die Methode zeigt, dass jeder Klick Beispiele liefert, mit denen Modelle lernen und später geprüft werden – alltagsnah, einsichtig, motivierend.
Stellen Sie die Leitfrage vor („Woran erkennt ein System, dass du kein Roboter bist?“), zeigen Sie beispielhafte CAPTCHA-Varianten und lassen Sie kurze Reaktionen zu. Nennen Sie bei Bedarf, was bei den verschiedenen Typen jeweils geprüft wird – und leiten Sie dann zur Weblektion über.
Leitfrage: “Was prüft ein System, wenn du beweisen sollst, dass du kein Roboter bist? Und was passiert dann mit deinen Eingaben?”
⏱️ Gesamtdauer: 5 Minuten
Hinweis an die Klasse: Nennt nur 1–2 Beobachtungen. Keine Diskussion – es geht nur um spontane Eindrücke (z. B. „Ich muss etwas abtippen“, „Ich klicke auf Ampeln“, „Ich setze ein Häkchen“).
Klicken Sie auf das Vorschaubild, um es als Vollbild anzuzeigen.
Fragen Sie nach: Warum gibt es so viele CAPTCHA-Varianten? Was wurde bzw. wird jeweils geprüft?
Fassen Sie kurz zusammen:
Früher musste man “krumme” Buchstaben abtippen, dabei wurden nicht lesbare Bücher digitalisiert.
Im folgenden ging es darum, Dinge auf Bildern zu erkennen. So trainierte man Bilderkennung.
Heute reicht oft ein Klick, weil KI-Systeme sogar Mausbewegungen analysieren.
Transfer herstellen: In allen Fällen werden Maschinen durch die Handlungen von Menschen trainiert. Das nennt man maschinelles Lernen.
Leiten Sie über: “In der Weblektion seht ihr, wie KI-Systeme solche Merkmale lernen, prüfen – und warum schlechte Daten zu Fehlern führen.“
CAPTCHAs sollen erkennen: Handelt es sich um einen Menschen oder um ein automatisiertes Programm?
Dabei kommen unterschiedliche Verfahren zum Einsatz – nicht alle nutzen maschinelles Lernen. Die folgende Übersicht zeigt, wie die verschiedenen CAPTCHA-Typen funktionieren:
CAPTCHA-Art | Was passiert? | Lernt ein KI-System dabei mit? | Was macht der Mensch? |
|---|---|---|---|
Verzerrter Texte (klassisch) | Ein verzerrter Text muss korrekt eingegeben werden. | Nein | Löst ein visuelles Rätsel – ein KI-System nutzt die Eingabe nicht weiter. |
Zwei Wörter (reCAPTCHA v1) | Zwei Wörter erscheinen: eins ist bekannt, das andere stammt aus alten Büchern. | Ja | Trägt zur Texterkennung bei, indem unlesbare Wörter digitalisiert werden. |
Bilder auswählen (reCAPTCHA v2) | Es sollen z. B. alle Bilder mit Ampeln oder Fahrrädern angeklickt werden. | Ja | Unterstützt die KI dabei, Objekte auf Bildern zu erkennen. |
Verhaltensanalyse (reCAPTCHA v3) | Das System bewertet Mausbewegung, Klickverhalten und Timing – ohne sichtbare Abfrage. | Ja | Interagiert ganz normal mit der Seite – das Verhalten wird im Hintergrund analysiert. |
Verbindet Alltag und Technik: Fast alle Schülerinnen und Schüler kennen CAPTCHAs, in der Regel ohne zu wissen, was dahintersteckt.
Konkrete Verbindung zum Thema maschinelles Lernen: Besonders die neueren Verfahren basieren auf echten Nutzerdaten. Sie zeigen, wie KI-Systeme durch menschliche Rückmeldungen trainiert werden.
Regt zur Reflexion an: Wer trainiert hier eigentlich wen – und wozu?
Die Schülerinnen und Schüler nutzen ihre mobilen Endgeräte, um die neuen Inhalte des Kapitels zu bearbeiten.
Um Ihre Schülerinnen und Schüler bestmöglich begleiten zu können, empfiehlt es sich, die Weblektion im Vorfeld selbst zu absolvieren und sich mit allen Aufgaben vertraut zu machen.
Zur WeblektionÜber den QR-Code auf dem Arbeitsblatt, das Sie hier herunterladen können, gelangen Ihre Schülerinnen und Schüler zur Weblektion und setzen sich individuell mit dem Thema “Maschinelles Lernen” auseinander.
Klicken Sie auf das Vorschaubild, um es als Vollbild anzuzeigen.
Wählen Sie eine der folgenden Varianten für die Vertiefung der Inhalte der Weblektion im Klassenzimmer aus.
In 15 Minuten denken die Lernenden systematisch „falsch”: Sie entwerfen bewusst ein schlechtes KI-Modell – und kehren diese Ideen dann um. Die Kopfstandmethode fördert kritisches Denken, schärft den Blick für Fehlerquellen und führt spielerisch zu fundierten Qualitätskriterien.
Stellen Sie die Leitfrage vor und erläutern Sie den Ablauf der Methode (ca. 2 Minuten). Starten Sie anschließend die vier klar strukturierten Schritte mit Zeitvorgaben. Die Methode ist aktivierend, niedrigschwellig und führt zu einer gesicherten Kriterienbildung.
Leitfrage: “Woran erkennen wir, dass ein KI-Modell schlecht arbeitet? Welche Fehler kann es machen?”
Ablauf der Methode (10 Minuten):
Falsch denken (2 Min)
Jede Person nennt reihum eine Idee: Wie wird ein Modell möglichst schlecht?
Kein Zwischenruf! Nur reihum eine Idee.
Sammeln (3 Min)
Die Gruppe sortiert die Ideen: Liegt der Fehler bei den Daten? Der Beschriftung? Dem Modell?
Kein neuer Input, nur Sortierung!
Umkehren (3 Min)
Was müsste stattdessen passieren, damit das Modell gut funktioniert?
Formulieren Sie gemeinsam drei positive Kriterien.
Priorisieren (2 Min)
Welche drei Kriterien halten Sie für besonders wichtig?
Top-3 auswählen und einen kurzen Merksatz bilden.
🕒 Gesamtdauer: 10 Minuten
Klicken Sie auf das Vorschaubild, um es als Vollbild anzuzeigen.
Mögliches Tafelbild
In 40 Minuten erleben die Lernenden Klassifikation: Aus Beispielen leiten sie Merkmale ab, bauen einen einfachen Entscheidungsbaum und prüfen ihn an neuen Fällen. Durch das Äffchenspiel wird ein tieferes Verständnis gefördert, jedoch erfordert es etwas Vorbereitung. Es lohnt sich aber.
Die Lernenden erleben Klassifikation konkret. Aus Beispielen leiten sie Merkmale ab, woraus ein einfacher Entscheidungsbaum entsteht. Anschließend prüfen sie an neuen Fällen, wie gut das Modell arbeitet.
Geeignet ab Jahrgangsstufe 4, aber auch für ältere Lerngruppen als anschauliche Vertiefung zu maschinellem Lernen sehr geeignet.
Leitfrage: “Wie kann ein System nur mit Beispielen zwei Äffchen-Gruppen unterscheiden? Wie können wir prüfen, ob das zuverlässig gelingt?”
⏱️ Ablauf
Bei beiden Varianten empfehlen wir eine gemeinsame Einführung in das Thema im Plenum. Die genaue Durchführung entnehmen Sie den verlinkten Anleitungen.
⏱️ Gesamtdauer: 40+ Minuten
Die analoge Durchführung eignet sich für einen ruhigen Einstieg im Klassenraum. Zwischenergebnisse bleiben an Tafel oder Plakat sichtbar und lassen sich leicht überarbeiten. Sie erfordert jedoch mehr Vorbereitung und ermöglicht in kurzer Zeit meist weniger Beispiele.
Die digitale Durchführung ermöglicht schnelles Ausprobieren und Varianten. Testen Sie Geräte und Link im Vorfeld und sichern Sie Ergebnisse kurz, zum Beispiel mit Screenshots oder Stichpunkten.
Die Einführung zu Ziel und Begriffen erfolgt in jedem Fall im Plenum.
Maschinelles Lernen geht über überwachtes Lernen hinaus: Bei „Mensch, Maschine!” werden schlechte Züge nach Niederlagen aus dem Zugpool entfernt und verstärkendes Lernen greifbar gemacht. Die Vorbereitung ist intensiv, das Verständnis dafür nachhaltig.
Die Lernenden erleben verstärkendes Lernen (Reinforcement Learning) hautnah. Durch das analoge Brettspiel „Mensch, Maschine!” simulieren sie, wie ein Algorithmus durch negatives Feedback lernt: Nach jeder Niederlage werden schlechte Züge aus dem Zugpool entfernt. So wird die Strategie der „Maschine” Runde für Runde optimiert – ein Lernprozess, der direkt auf dem Spielbrett nachvollziehbar wird.
Geeignet ab Jahrgangsstufe 7 als greifbare Alternative zum überwachten Lernen. Das Spiel zeigt leicht und gleichzeitig eindrucksvoll, dass maschinelles Lernen mehr umfasst als nur das Lernen aus Beispieldaten.
Neben der Brettspielvariante gibt es auch eine digitale Version.
Leitfrage: „Wie kann eine “Maschine” aus Niederlagen lernen und ihre Spielstrategie verbessern? Wie verändert sich der Zugpool und warum wird die Maschine dadurch stärker?”
⏱️ Ablauf
Bei beiden Varianten empfehlen wir eine gemeinsame Einführung in das Thema im Plenum. Die genaue Durchführung entnehmen Sie den verlinkten Anleitungen.
⏱️ Gesamtdauer: 60+ Minuten
Die analoge Durchführung eignet sich für intensives Begreifen der Lernmechanik. Die Zugentfernung erfolgt physisch, der Algorithmus wird (be)greifbar. Gruppendynamik und Diskussion entstehen natürlich. Sie erfordert jedoch mehr Vorbereitung, da mehrere Spielsets vorbereitet werden müssen.
Die digitale Durchführung ermöglicht schnelleres Durchspielen. Alle können gleichzeitig spielen, Ergebnisse lassen sich einfach vergleichen. Testen Sie Geräte und Link im Vorfeld.
Die Einführung zum Konzept erfolgt in jedem Fall im Plenum.
Hier finden Sie Links zur inhaltlichen Vertiefung der Themen aus dem Kapitel sowie zu passenden Fortbildungsangeboten, die Sie auch bei der Vorbereitung unterstützen können.
Helfen Sie uns, mit Ihrer Rückmeldung den KI-Kompass 5-8 zu verbessern!
Wir freuen uns auf Ihre Anmerkungen zum Material sowie Ihre Erfahrungen bei der Durchführung im Unterricht.