Diese Seite bereitet Sie in drei kompakten Schritten auf die Durchführung der AI2Schools-Szenarien vor. Sie erfahren das Wichtigste über Machine Learning, lernen den didaktischen Ansatz kennen und wissen, worauf Sie bei Ethik und Bias achten müssen.
This page prepares you in three compact steps to deliver the AI2Schools scenarios. You'll learn the essentials of Machine Learning, get to know the pedagogical approach, and understand what to watch out for regarding ethics and bias.
⏱ Lesezeit: ca. 15 Minuten ⏱ Reading time: approx. 15 minutesKünstliche Intelligenz (KI) ist ein Sammelbegriff für Techniken, die Computern ermöglichen, Aufgaben zu erledigen, die normalerweise menschliche Fähigkeiten erfordern — etwa Muster erkennen, Sprache verarbeiten oder Vorhersagen treffen.
Artificial Intelligence (AI) is an umbrella term for techniques that enable computers to perform tasks that normally require human abilities — such as recognising patterns, processing language, or making predictions.
Machine Learning (ML) ist ein Teilbereich der KI. Die Kernidee: Statt dem Computer für jede Aufgabe genaue Regeln vorzuschreiben, lernt er selbst aus Daten.
Machine Learning (ML) is a subfield of AI. The core idea: instead of giving the computer explicit rules for every task, it learns from data on its own.
Traditionelle Programmierung
Daten + Regeln → Antwort
„Wenn Temperatur > 30°, dann: heiß"
Machine Learning
Daten + Antworten → Modell
„1000 Bilder von Katzen/Hunden → Modell unterscheidet selbst"
Traditional Programming
Data + Rules → Answer
"If temperature > 30°, then: hot"
Machine Learning
Data + Answers → Model
"1000 images of cats/dogs → model distinguishes on its own"
Drei Arten, wie Maschinen lernen
Three types of machine learning
- Supervised Learning (mit Lehrer): Das Modell bekommt Daten mit richtigen Antworten und lernt, Muster zu erkennen. → Bei AI for Oceans zeigen die SuS der KI Bilder und sagen „Fisch" oder „kein Fisch". Bei Visual Lab nutzen sie Chatbots, um Mathe-Konzepte als interaktive Web-Apps zu visualisieren.
- Supervised Learning (with a teacher): The model receives data with correct answers and learns to recognise patterns. → In AI for Oceans, students show the AI images and say "fish" or "not fish". In Visual Lab, they use chatbots to visualise maths concepts as interactive web apps.
- Unsupervised Learning (ohne Lehrer): Das Modell bekommt Daten ohne Antworten und soll selbst Gruppen oder Muster finden.
- Unsupervised Learning (without a teacher): The model receives data without answers and must find groups or patterns on its own.
- Reinforcement Learning (durch Belohnung): Das Modell probiert Aktionen aus und lernt durch Feedback, was gut funktioniert.
- Reinforcement Learning (through rewards): The model tries actions and learns through feedback what works well.
Bias: Wenn Daten Vorurteile haben
Bias: When data carries prejudice
Ein ML-Modell ist nur so gut wie seine Trainingsdaten. Wenn die Daten verzerrt, unvollständig oder vorurteilsbehaftet sind, übernimmt das Modell diese Verzerrungen — und verstärkt sie oft noch.
An ML model is only as good as its training data. If the data is biased, incomplete, or prejudiced, the model adopts these distortions — and often amplifies them.
Beispiel: Wenn eine Bild-KI nur mit Fotos von weißen Gesichtern trainiert wird, erkennt sie andere Hautfarben schlechter. Das ist kein technischer Fehler — es ist ein Datenproblem.
Example: If an image AI is only trained with photos of white faces, it recognises other skin tones less accurately. This is not a technical error — it's a data problem.
Woher kommt Bias?
Where does bias come from?
- Unvollständige Daten: Bestimmte Gruppen sind unterrepräsentiert
- Incomplete data: Certain groups are underrepresented
- Historische Vorurteile: Die Daten spiegeln bestehende Ungleichheiten wider
- Historical prejudice: The data reflects existing inequalities
- Messverzerrung: Die Art, wie Daten erhoben werden, bevorzugt bestimmte Ergebnisse
- Measurement bias: The way data is collected favours certain outcomes
Bezug zu den Szenarien: Bei AI for Oceans erleben SuS Bias direkt — sie sehen, wie ihre Trainingsdaten das Ergebnis beeinflussen. Bei Visual Lab prüfen SuS, ob KI-generierter Code mathematisch korrekt ist — und lernen, KI-Outputs kritisch zu hinterfragen.
Link to the scenarios: In AI for Oceans, students experience bias first-hand — they see how their training data influences outcomes. In Visual Lab, students check whether AI-generated code is mathematically correct — and learn to critically question AI outputs.
Concept-first, Code-second
Concept-first, Code-second
ML im Unterricht einzuführen bedeutet nicht, Programmieren zu unterrichten. Der Ansatz des AI2Schools-Projekts setzt auf:
Introducing ML in the classroom does not mean teaching programming. The AI2Schools project's approach focuses on:
- Intuition vor Implementierung — erst verstehen, dann (optional) coden
- Intuition before implementation — understand first, then (optionally) code
- Konzepte vor Algorithmen — Schüler:innen erkunden, wie Daten Entscheidungen beeinflussen
- Concepts before algorithms — students explore how data influences decisions
- Erklären vor Werkzeugen — Verständnis ist wichtiger als Tool-Kompetenz
- Explaining before tools — understanding matters more than tool proficiency
Dadurch wird ML für alle Fächer und Altersstufen zugänglich — auch dort, wo Programmieren nicht im Lehrplan steht.
This makes ML accessible across all subjects and age groups — even where programming is not part of the curriculum.
No-Code-Tools: Lernen durch Ausprobieren
No-Code Tools: Learning by doing
No-Code-Tools lassen Schüler:innen ML-Modelle trainieren und testen, ohne eine Zeile Code zu schreiben. Der Fokus liegt auf dem Beobachten und Hinterfragen des Modellverhaltens.
No-code tools let students train and test ML models without writing a single line of code. The focus is on observing and questioning model behaviour.
AI for Oceans (Code.org): Kein Account, kein Setup — Link öffnen und loslegen. SuS trainieren ein ML-Modell durch Bildklassifikation. Bias wird durch eigene Trainingsentscheidungen erlebbar. Ab Klasse 6, ca. 45 Min.
Visual Lab (UniPD): SuS bauen mit KI-Chatbots interaktive Web-Apps zu Mathe-Konzepten. Prompting, iteratives Verbessern, Peer Review. Ab Klasse 9, ca. 6 Stunden. Laptop mit Dateisystem nötig.
AI for Oceans (Code.org): No account, no setup — open the link and start. Students train an ML model through image classification. Bias becomes tangible through training decisions. From grade 6, approx. 45 min.
Visual Lab (UniPD): Students build interactive web apps about maths concepts with AI chatbots. Prompting, iterative improvement, peer review. From grade 9, approx. 6 hours. Laptop with file system required.
Drei bewährte Unterrichtsmethoden
Three proven teaching methods
- Vergleichen & Gegenüberstellen: Schüler:innen vergleichen ML-Ergebnisse mit eigenen Erwartungen. „Die KI hat das als Fisch erkannt — stimmt ihr zu?"
- Compare & Contrast: Students compare ML results with their own expectations. "The AI recognised this as a fish — do you agree?"
- Hinterfragen & Überprüfen: Modell-Ergebnisse kritisch prüfen. „Warum hat die KI hier falsch entschieden?"
- Interrogate & Verify: Critically examine model results. "Why did the AI make the wrong decision here?"
- Fehler finden & Korrigieren: Gezielt „kaputte" Trainingsdaten erzeugen und die Auswirkungen beobachten.
- Debug & Correct: Deliberately create "broken" training data and observe the effects.
Impulsfragen während der Erarbeitung
Probing questions during the activity
Nutzen Sie diese Fragen während der Arbeit mit den Szenarien:
Use these questions while students work through the scenarios:
- „Woran erkennt die KI, ob das ein Fisch ist?"
- „Was passiert, wenn du alles als Fisch markierst?"
- „Ist die KI schlau — oder hat sie nur gute Beispiele bekommen?"
- „Wo im echten Leben entscheiden Algorithmen über Menschen?"
- „Ist der Code, den die KI generiert hat, korrekt? Woher wisst ihr das?"
- „Was passiert, wenn ihr den Prompt anders formuliert?"
- "How does the AI know whether something is a fish?"
- "What happens if you mark everything as a fish?"
- "Is the AI smart — or did it just get good examples?"
- "Where in real life do algorithms make decisions about people?"
- "Is the code generated by the AI correct? How do you know?"
- "What happens if you phrase the prompt differently?"
KI im Unterricht einzusetzen erfordert ein Bewusstsein für Risiken — nicht um abzuschrecken, sondern um Schüler:innen zu mündigen Nutzer:innen zu machen.
Using AI in the classroom requires awareness of risks — not to discourage, but to empower students to become critical users.
Zentrale ethische Prinzipien
Key ethical principles
- Fairness & Bias: KI-Systeme lernen aus Daten, die Ungleichheiten enthalten können. Ergebnisse sollten immer auf Stereotypen geprüft werden.
- Fairness & Bias: AI systems learn from data that may contain inequalities. Results should always be checked for stereotypes.
- Transparenz: KI-Tools zeigen nicht, wie eine Antwort zustande kommt. Schüler:innen sollten verstehen, dass KI auf Mustern basiert, nicht auf Wissen.
- Transparency: AI tools don't show how an answer is produced. Students should understand that AI is based on patterns, not knowledge.
- Datenschutz: Keine persönlichen Daten in KI-Tools eingeben. Bei Code.org ist kein Login nötig. Bei Chatbot-Tools auf datensparsame Nutzung achten.
- Data protection: Never enter personal data into AI tools. Code.org requires no login. When using chatbot tools, ensure data-minimal usage.
- Verantwortung: Die Entscheidung trifft immer der Mensch, nicht die KI.
- Responsibility: The decision is always made by humans, not by AI.
Typische Risiken im Unterricht
Common risks in the classroom
- Halluzinationen: KI erfindet Fakten, Quellen oder Erklärungen
- Überabhängigkeit: Schüler:innen verlassen sich auf KI statt eigenes Denken
- Vermenschlichung: KI wird Absicht oder Verständnis zugeschrieben
- Stereotypen: Verzerrte Trainingsdaten führen zu verzerrten Ergebnissen
- Hallucinations: AI invents facts, sources, or explanations
- Over-reliance: Students depend on AI instead of their own thinking
- Anthropomorphism: AI is attributed with intent or understanding
- Stereotypes: Biased training data leads to biased results
Checkliste: KI verantwortungsvoll einsetzen
Checklist: Using AI responsibly
- ✓ KI-Ergebnisse als Diskussionsanlass nutzen, nicht als Wahrheit
- ✓ Schüler:innen ermutigen, Ergebnisse zu hinterfragen und zu überprüfen
- ✓ Erklären, was KI kann und was nicht
- ✓ Keine vermenschlichende Sprache verwenden („Die KI denkt...")
- ✓ Datensparsam arbeiten — keine persönlichen Infos in KI-Tools
- ✓ Eigenes Denken einfordern, nicht nur KI-Outputs abgeben lassen
- ✓ Use AI results as discussion starters, not as truth
- ✓ Encourage students to question and verify results
- ✓ Explain what AI can and cannot do
- ✓ Avoid anthropomorphic language ("The AI thinks...")
- ✓ Be data-sparse — no personal information in AI tools
- ✓ Require independent thinking, not just AI outputs
Bezug zu den AI2Schools-Szenarien
Link to the AI2Schools Scenarios
Beide Szenarien decken ethische Themen direkt ab:
Both scenarios cover ethical topics directly:
- AI for Oceans: SuS erleben, wie Trainingsdaten das Modell formen (Level 1–4), wie Bias entsteht (Level 5–6) und wo KI an Grenzen stößt (Level 7–8)
- AI for Oceans: Students experience how training data shapes the model (Levels 1–4), how bias arises (Levels 5–6), and where AI reaches its limits (Levels 7–8)
- Visual Lab: SuS prüfen KI-generierten Code auf mathematische Korrektheit, erkennen Halluzinationen und reflektieren, wann menschliche Überprüfung nötig ist
- Visual Lab: Students check AI-generated code for mathematical correctness, recognise hallucinations, and reflect on when human verification is needed
- Diskussion: Beide Szenarien enden mit einer Plenumsdiskussion zu ethischen Fragen
- Discussion: Both scenarios end with a plenary discussion on ethical questions
Ausgewählte Quellen aus dem AI2Schools Moodle-Kurs zur Vertiefung.
Selected resources from the AI2Schools Moodle course for further study.
KI & Machine Learning
AI & Machine Learning
Didaktik & Unterrichtspraxis
Pedagogy & Classroom Practice
Ethik & Recht
Ethics & Law
Vorbereitung abgeschlossen!
Preparation complete!
Sie kennen jetzt die Grundlagen von Machine Learning, den didaktischen Ansatz und die ethischen Aspekte. Sie sind bereit, die Unterrichtseinheit durchzuführen.
You now know the basics of Machine Learning, the pedagogical approach, and the ethical aspects. You are ready to deliver the lesson unit.