KI im MINT-Unterricht: Materialkompass
Übersicht
Wie können Schüler*innen KI verstehen, anwenden und programmieren lernen?
Um Lehrkräften Tools, Methoden und Anregungen an die Hand zu geben, wie sie das Thema Künstliche Intelligenz im Sach- bzw. MINT-Unterricht oder in fächerverbindenden Projekten behandeln können, bieten wir fünf digitale Unterrichtseinheiten, die von Lehrkräften für Lehrkräfte entwickelt und geprüft wurden.
Alle Einheiten und Projektideen können an Ihre individuellen Lehr- und Lerngegebenheiten angepasst werden. Die Materialien sind für Lehrkräfte mit und ohne Vorkenntnisse geeignet und stehen als Open Educational Resources unter Creative-Commons-Lizenz (CC BY-SA) kostenfrei zur Verfügung. Mehr über die von Amazon Future Engineer unterstützte Entwicklung der Materialien und die Autor*innen finden Sie auf der ausführlichen Startseite der KI-Unterrichtsmaterialien.
Besonders innovative und gut übertragbare KI-Projekte von Schulteams, die zum Finale unserer europaweiten KI-Challenge eingeladen wurden, präsentieren wir auf dieser Seite (in englischer Sprache).
Unser Materialkompass bietet eine nach Themen, Fächern und Altersstufen sortierte Übersicht über die verfügbaren Module und Projektmaterialien.
Erste Schritte mit KI und Datenanalyse
Dieses Material setzt keine Vorkenntnisse der Lehrkräfte voraus, da es eine Schritt-für-Schritt-Anleitung für praktische Unterrichtseinheiten zur Einführung in die Themen Big Data, Künstliche Intelligenz und maschinelles Lernen bietet. In den Modulen probieren 10–14-jährige Schüler*innen KI-Anwendungen für Text- und Bilderstellung aus, lernen Citizen-Science-Projekte kennen, bei denen sie Bilder für Forschungszwecke annotieren, und können über die ethischen Implikationen von KI-Anwendungen diskutieren. Das Material umfasst sechs Aktivitäten, die jeweils innerhalb einer Unterrichtsstunde oder kombiniert an einem Projekttag durchgeführt werden können.
Autor Paul Tyler (Großbritannien) stellt die Unterrichtseinheiten in dem englischsprachigen Webinar "AI in STEM Education: teaching resources for younger students" näher vor (Aufzeichnung auf YouTube verfügbar).
Hintergrundinformationen und weitere Ressourcen zu KI als Unterrichtsthema
In diesem Überblicksbeitrag zu Theorie und Praxis von KI als Bestandteil des MINT-Unterrichts finden Sie neben pädagogischen Überlegungen auch Links zu weiteren Open Educational Resources insbesondere für Lehrkräfte mit jüngeren Schüler*innen, darunter die Angebote von Code.org, Machine Learning for Kids oder dem KI-Campus.
Aus: KI-Superkräfte für die Umwelt, 6–10 Jahre:
Eine KI trainieren und testen – Mit dem Online-Tool Teachable Machine trainieren die Schüler*innen ein Machine-Learning-Modell mit Bildern von verschiedenen Abfallarten (Glas, Papier, Plastik). Das Unterrichtsmodul kombiniert das Thema Recycling mit einem einfachen Coding-Projekt auf einer visuellen Programmierplattform (Scratch, PictoBlox). Es bietet eine Vorschau auf ein bereits trainiertes Machine-Learning-Modell sowie ein Tutorialvideo für die Planung und Vorbereitung der Programmier-Aufgabe.
Aus: Erste Schritte mit KI und Datenanalyse, 10–14 Jahre:
Supermarkt-Spionen auf die Spur kommen – Einführung in das Konzept Big Data über die Analyse zweier fiktiver Supermarkt-Kassenbelege (bearbeitbare Vorlagen zum Download verfügar)
Daten würfeln – In Zweiergruppen sammeln die Schüler*innen Daten durch Würfeln und tragen sie in eine Tabelle ein (Vorlage zum Download verfügbar), die das Muster in den Daten sichtbar macht.
Mit Chatbots oder Musik- und Bildgeneratoren experimentieren – Die Schüler*innen erstellen Texte/Bilder/Musikstücke und lernen dabei, wie wichtig eine präzise Formulierung ihrer Anfrage ist und wie die von ihnen eingegebenen Informationen verfeinert werden können, um die KI-Textausgabe zu verändern. Das Material bietet Beispiele für Prompts, weiterführende Aufgaben und Quellen zur Diskussion von ethischen Fragen.
Aus: Machine Learning in der Schule, 14–18 Jahre:
Einführung in künstliche neuronale Netze: Wer hat den Untergang der Titanic überlebt? – Mit einer interaktiven Simulation des historischen Titanic-Datensatzes erkunden Schüler*innen die Funktionsweise künstlicher Neuronen: Sie können die Daten realer oder fiktiver Passagier*innen eingeben und sehen, welche Überlebenschancen ein neuronales Netz für diese Person voraussagt. Alle Texte und Übungen sind digital verfügbar und für selbstorganisiertes Lernen geeignet.
Bestärkendes Lernen am Beispiel einer interaktiven Simulation – dieses Material besteht aus einer Einführung in das Thema Reinforcement Learning, einer Anleitung mit Hintergrundwissen zur Simulation und der eigentlichen interaktiven Simulation am Beispiel einer Goldsuche in einer zweidimensionalen Gitterwelt.
Künstliche Intelligenz – Berufsorientierung, alle Altersstufen:
Wie wirkt sich KI auf aktuelle und zukünftige Berufsprofile und Berufswege aus? In unserer Auswahl an hilfreichen Materialien und Links zur Berufsorientierung (Print-Interviews, Podcasts, Videos) finden Schüler*innen interessante Ressourcen, um sich näher über Berufe mit KI und Machine Learning zu informieren.
Dieses Projekt für die Grundschule verbindet Umweltbildung mit der spannenden Welt der Künstlichen Intelligenz. In der Rolle eines Superhelden oder einer Superheldin begeben sich die Schüler*innen auf eine Mission zur Rettung des Planeten, indem sie sich aktiv mit Recycling beschäftigen und gleichzeitig die Grundlagen der KI erforschen. Dazu erlernen sie erste Schritte mit einer visuellen Programmiersprache (Scratch/PictoBlox) und einem Online-Tool für maschinelles Lernen (Teachable Machine), das recycelbare Abfälle erkennt und klassifiziert.
Autorin Cláudia Meirinhos (Portugal) stellt die Unterrichtseinheiten in einem englischsprachigen Webinar "AI in STEM Education: teaching resources for younger students" vor (Aufzeichnung auf YouTube verfügbar).
Inspirierende Beispiele aus der KI-Challenge: Auf der Suche nach der verlorenen Zeit
In diesem englischsprachigen Material wird ein interdisziplinäres Unterrichtsprojekt aus Italien vorgestellt, das Literatur, Neurowissenschaft und Programmieren verbindet. Schüler*innen der Primarstufe entwickeln hierbei einen KI-Assistenten, der Menschen mit Gedächtnisstörungen bei der Orientierung in der häuslichen Umgebung helfen soll. Das zum Finale der KI-Challenge eingeladene Team trainierte ein Machine-Learning-Modell darauf, private Räume wie Küche, Bad und Wohnzimmer anhand von Alltagsgegenständen zu erkennen.
Dieses Projekt für 14–18-jährige Schüler*innen setzt grundlegende Kenntnisse in Robotik und Programmieren mit Python voraus. Es kombiniert die Fähigkeiten maschinellen Lernens mit Technologie zur Objekterkennung, um Recycling zu erleichtern und zu fördern. Werden recycelbare Abfälle wie Glas, Plastik oder Biomüll vor eine einfache Webcam gehalten, wird das Objekt erkannt und der richtige Behälter in einem Set aus Recyclingtonnen geöffnet. Das Projekt lässt sich außerdem auf außerschulische Orte erweitern: Die Schüler*innen könnten ihr Recyclingsystem in lokalen Einrichtungen wie Seniorenheimen oder Kindergärten präsentieren und/oder installieren.
Inspirierende Beispiele aus der KI-Challenge: KI-Monitoring-Systeme für die Waldbrandprävention oder den Schutz lokaler Ökosysteme
Diese beiden mit Schüler*innen der Mittelstufe durchgeführten Unterrichtsprojekte präsentieren Möglichkeiten, lokale Umweltproblematiken zu erforschen und KI-Anwendungen zur Überwachung gefährdeter Biotope zu entwickeln. Die englischsprachigen Materialien enthalten Beschreibungen und Abbildungen zum Design maßgeschneiderter KI-Lösungen mithilfe von einfachen Programmieraufgaben und maschinellem Lernen.
Machine Learning in der Schule
Dieses Material für Schüler*innen ab 14 Jahren ist für selbstorganisiertes Lernen geeignet. Die digitalen Lerneinheiten wenden sich gleichermaßen an Lernende wie Lehrende, die sich in das Thema neuronale Netze und maschinelles Lernen einarbeiten oder ihre bisherigen Kenntnisse erweitern möchten. Viele Abschnitte enthalten interaktive Beispiele, die das Erforschen neuronaler Netze oder ihrer Bestandteile ermöglichen und veranschaulichen, wie neuronale Netze lernen, Fehler minimieren und in Anwendungen wie Textgenerierung, Bilderstellung und Audioverarbeitung eingesetzt werden.
MINT-Wissen 4.0: Mathematik – magische Geometrie
Das Projekt nutzt Methoden des forschenden Lernens und der Tandem-Programmierung, um Schüler*innen von 12 bis 16 Jahren Elemente des Mathematik-Lehrplans erarbeiten zu lassen. Mit der Machine-Learning-Erweiterung auf der PictoBlox-Programmierplattform erstellen sie ihre eigenen digitalen Lernanwendungen, indem sie Modelle trainieren, ein Programm schreiben und die Lösungen testen. Diese Aktivität beschreibt ein Beispielprojekt für die Berechnung von Volumen und Oberfläche geometrischer Körper.
Dieses Material nutzt Methoden des forschenden Lernens und der Tandem-Programmierung, um Schüler*innen von 12 bis 16 Jahren Elemente des Lehrplans der MINT-Fächer erarbeiten zu lassen. Mit der Machine-Learning-Erweiterung auf der PictoBlox-Programmierplattform erstellen sie ihre eigenen digitalen Lernanwendungen, indem sie Modelle trainieren, ein Programm schreiben und die Lösungen testen. Der gesamte Prozess lässt sich für jedes Fach und jeden Lehrinhalt adaptieren.
Chemie-Projekt: Die Farbe des Wissens
Bei dieser Aktivität erhalten die Schüler*innen Farbkarten und recherchieren zu jeder Farbe auf der Skala einen Stoff mit dem entsprechenden pH-Wert. Danach trainieren sie ein Machine-Learning-Modell, um eine digitale Lernanwendung zum Thema pH-Wert zu programmieren.
Biologie-Projekt: Abenteuer im einheimischen Ökosystem
Die Schüler*innen suchen sich in Teams ein Tier aus und recherchieren Merkmale, um einen Steckbrief zu der gewählten Tierart zu erstellen. Danach trainieren sie ein Machine-Learning-Modell, um eine digitale Lernanwendung zum Thema Tiere zu programmieren.
Ein Programmier-Beispiel für die Klassifikation von Hunden und Katzen in PictoBlox lässt sich mit dieser Tutorial-Datei in PictoBlox öffnen und ausführen. Dieses Video demonstriert Schritt für Schritt das Klassifizieren und Programmieren in PictoBlox.
Unterstützt von:
Diese Seite teilen
