Materialpaket: KI verstehen im Mathematikunterricht (Klasse 5–13)

Du suchst ein spannendes, modernes Abschlussprojekt für deine Mathematik-Klasse 13?Dieses Material ermöglicht deinen Schüler*innen, zentrale KI-Werkzeuge anzuwenden, reale Probleme zu modellieren und ihre Entscheidungen kritisch zu reflektieren.⏱️ Zeitumfang & SozialformDauer: ca. 180–270 Minuten (2–3 Unterrichtsstunden)Arbeitsform: Einzelarbeit oder Gruppenarbeit (2–3 Personen)📦 Das erwartet deine Schüler*innen🔍 Problemwahl & DatensatzAuswahl eines realen ProblemsRecherche oder Erhebung passender DatenBegründete Wahl eines geeigneten Modells📊 Modellierung & BerechnungEinsatz zentraler mathematischer KI-MethodenDurchführung von BerechnungenAuswertung und Bewertung der Ergebnisse🧩 Analyse & ReflexionMathematische Begründung der ModellentscheidungenDiskussion von Grenzen und SchwächenReflexion ethischer Aspekte von KI📝 Bericht & PräsentationSchriftliche Dokumentation der ErgebnisseOptional: Präsentation und gemeinsame Reflexion im Plenum🎯 KompetenzenDurch dieses Projekt fördern deine Schüler*innen:Mathematische Modellierung: Anwendung komplexer Konzepte auf reale ProblemeAnalytisches Denken: Kritische Bewertung von Modellen und ErgebnissenDatenkompetenz: Sicherer Umgang mit DatensätzenKritisches Reflektieren: Auseinandersetzung mit ethischen Fragen der KISelbstständiges Arbeiten: Planung und Durchführung eines ProjektsKommunikation: Klare Darstellung von Ergebnissen⚙️ Differenzierung & Einsatzmöglichkeiten🟢 Basis-VersionArbeiten mit vorgegebenen Datensätzen und ModellenFokus auf Evaluation und Reflexion🔵 ErweiterungEigene Datensätze auswählenVergleich verschiedener ModelleBegründete Entscheidung für ein Modell🧰 Enthalten: Werkzeugkasten KIEin übersichtlicher Methoden-Werkzeugkasten unterstützt die Schüler*innen bei der Auswahl und Anwendung:EntscheidungsbaumNaiver BayesLineare Regressionk-Nearest-NeighbourKonfusionsmatrixVerlustfunktionGradientenabstieg👉 Wichtig:Nicht die Anzahl der verwendeten Methoden zählt, sondern die begründete Auswahl.⭐ BewertungFokus auf Begründung und Reflexion, nicht auf das „beste“ ModellEhrliche Fehleranalyse wird ausdrücklich gewürdigtEin Bewertungsbogen ist im Material enthalten👉 Ein einfacher, gut reflektierter Ansatz ist wertvoller als ein komplexes Modell ohne Tiefe.

Klassenstufen: Q1 (11./12. Jhg.), Q2 (12./13. Jhg.)

Tauche mit deinen Schüler*innen in die spannende Welt der Künstlichen Intelligenz (KI) ein! Dieses Material zeigt euch auf spielerische Weise, wie KI aus Daten lernt und warum es so wichtig ist, diese Daten kritisch zu hinterfragen. Ihr entdeckt, wie man Häufigkeiten berechnet, Diagramme erstellt und sogar eine KI entlarvt, die sich von verzerrten Daten täuschen lässt.Dieses Material bietet dir und deinen Schüler*innen eine spannende Reise in die Welt der Daten und KI. Hier sind die Highlights: Dauer: Plane etwa 45 Minuten für diese Einheit ein. Zielgruppe: Perfekt für die 6. Jahrgangsstufe. Vorkenntnisse: Deine Schüler*innen sollten bereits Grundkenntnisse aus Kapitel 1 (Trainingsdaten, Modell, Klassifikation) sowie Brüche und Prozentrechnung mitbringen. Benötigtes Material: Du brauchst nur die beiliegenden Personenkarten (am besten laminiert), optional Taschenrechner und ein Whiteboard für die Strichliste. Interaktiver Einstieg: Beginnt mit einer echten Klassenumfrage, bevor ihr mit fiktiven Daten weiterarbeitet. Ein spannender Moment: Erst nach der KI-Vorhersage deckt ihr die Testkarten auf – so ist der Überraschungseffekt garantiert! Differenzierung leicht gemacht: Das Material bietet sowohl eine Basisversion mit vorbereiteten Tabellen und Diagrammrahmen als auch Erweiterungen für schnelle Lerner*innen, die eigene Hypothesen entwickeln oder Fehlerquoten berechnen möchten. Verbindung zum Vorwissen: Knüpft nahtlos an Kapitel 1 an und vertieft das Verständnis für KI-Modelle. Deine Schüler*innen erkennen, dass die Qualität eines Modells stark von den verwendeten Daten abhängt. Häufige Stolpersteine: Wir haben typische Schwierigkeiten berücksichtigt, zum Beispiel beim Übergang von Bruch zu Prozent. Eine gezielte Frage hilft, den abstrakten Begriff "Verzerrung" greifbar zu machen: "Welche Gruppe wurde hier vielleicht vergessen?"Nach dieser Einheit können deine Schüler*innen: Daten als Häufigkeiten und Anteile (Bruch, Prozent) darstellen und vergleichen. Wichtige Merkmale in Datensätzen erkennen, die für eine Klassifikation nützlich sind. Verstehen, dass die Qualität einer KI direkt von der Qualität ihrer Trainingsdaten abhängt. Den Begriff "Bias" (Verzerrung) in Daten erklären und seine Auswirkungen auf KI-Entscheidungen an Beispielen aufzeigen. Kritisch hinterfragen, ob Daten die Realität fair abbilden und welche Gruppen möglicherweise benachteiligt werden könnten.

Klassenstufen: 6-7. Klasse

Tauche mit deinen Schüler*innen der 10. Jahrgangsstufe in die spannende Welt der Künstlichen Intelligenz ein! Dieses Material zeigt euch in 45–60 Minuten (1–2 Unterrichtsstunden), wie KI-Modelle lernen und sich selbst optimieren. Ob in Einzel- oder Partnerarbeit – ihr entdeckt, wie man Fehler misst und Modelle Schritt für Schritt verbessert. Was deine Schüler*innen lernen: Verlustfunktion verstehen: Deine Schüler*innen lernen, wie man die "Verlustfunktion" (L = Summe der quadrierten Fehler, SSE) berechnet. Sie erkennen, dass diese Funktion ein objektives Maß für die Qualität eines linearen Modells ist. Modelle vergleichen und bewerten: Ihr vergleicht verschiedene Modelle anhand ihrer Verlustwerte und begründet, welches Modell die besten Vorhersagen liefert. Verlust als Funktion visualisieren: Deine Schüler*innen erfassen den Verlust L in Abhängigkeit der Steigung m tabellarisch und stellen ihn grafisch als Parabel dar. So sehen sie, wie sich Modellparameter auf die Qualität auswirken. Gradientenabstieg entdecken: Ihr beschreibt qualitativ die Idee des Gradientenabstiegs. Das bedeutet: Wie passt ein Modell seine Parameter (hier die Steigung m) schrittweise an, um den Verlust zu minimieren? Ethische Aspekte beleuchten: Gemeinsam reflektiert ihr kritisch, welche Konsequenzen es hat, wenn Verlustfunktionen wichtige ethische oder soziale Aspekte nicht berücksichtigen. Diese Kompetenzen erwerben oder verbessern deine Schüler*innen: Mathematische Modellierung: Sie lernen, mathematische Modelle zu bewerten und zu optimieren, indem sie die Verlustfunktion anwenden und interpretieren. Datenanalyse: Sie vergleichen Modelle objektiv anhand von Daten und treffen fundierte Entscheidungen über deren Qualität. Algorithmisches Denken: Sie verstehen die grundlegende Funktionsweise von Optimierungsalgorithmen wie dem Gradientenabstieg. Kritisches Denken & Ethik: Sie entwickeln ein Bewusstsein für die Grenzen und ethischen Implikationen von KI-Modellen und deren Verlustfunktionen. So funktioniert's im Unterricht: Dieses Material ist so aufgebaut, dass deine Schüler*innen Schritt für Schritt in das Thema eintauchen können: Einstieg ohne Vorwissen: Ihr startet mit dem Grundgedanken, dass eine KI Vorhersagen macht. Diese werden dann mit der Wirklichkeit verglichen, um ein Fehlermaß zu erhalten. Kein spezielles Vorwissen ist dafür nötig! Fehlerquadrate im Fokus: In Aufgabe 1 steht das Quadrieren der Fehler im Mittelpunkt. So sehen deine Schüler*innen, dass sich Vorzeichen nicht aufheben und größere Abweichungen stärker ins Gewicht fallen. Verlustkurve entdecken: Aufgabe 3 macht sichtbar, wie der Verlust von der Steigung m abhängt und wo das Minimum liegt. Gradientenabstieg einfach erklärt: In Aufgabe 4 lernen sie den Gradientenabstieg qualitativ über die Tal-Metapher kennen. Wichtig ist dabei die Idee der schrittweisen Verbesserung und passenden Schrittgröße. Anpassung für alle Lernenden: Du kannst das Material flexibel an die Bedürfnisse deiner Klasse anpassen: Grundlagen festigen: Für den Einstieg gibt es in Aufgabe 1 ein Rechenschema für Fehlerquadrate. In Aufgabe 3 enthält die Tabelle Zwischenschritte, und das grafische Ablesen des Minimums genügt hier völlig. Für Profis (⭐): Wer tiefer eintauchen möchte, kann den Minimumpunkt der Parabel analytisch bestimmen (Scheitelpunktformel: m* ≈ 4,98). Auch eine Diskussion über Overfitting ist möglich.

Klassenstufen: 9-10. Klasse

Du suchst spannendes Material, um Künstliche Intelligenz (KI) im Mathematikunterricht greifbar zu machen? Dieses Themenheft bietet dir einen umfassenden und didaktisch fundierten Zugang, damit deine Schüler*innen die Grundlagen der KI verstehen und mathematische Modellierungskompetenzen entwickeln. Hier sind die Highlights dieses Materials: Umfassendes Lehrerhandbuch: Du erhältst ein detailliertes Handbuch mit klaren Lernzielen, didaktischen Hinweisen und einer übersichtlichen Kapitelstruktur. Spiralcurriculum: Das Material ist logisch aufgebaut, sodass die Themen altersgerecht und aufeinander aufbauend behandelt werden – ideal für die Jahrgangsstufen 5 bis 13. Praxisnahe KI-Themen: Deine Schüler*innen entdecken KI anhand von konkreten Beispielen wie Entscheidungsbäumen, Mustererkennung und Modelloptimierung. Unplugged-Ansatz: Viele Aufgaben lassen sich auch ohne Computer bearbeiten. Das erleichtert den Zugang und fördert ein tiefes Verständnis. Fokus auf Kernkompetenzen: Das Material stärkt gezielt mathematische Modellierung, Argumentation und Problemlösung. Mit diesem Material erwerben oder verbessern deine Schüler*innen wichtige Kompetenzen: Grundlagen der Künstlichen Intelligenz verstehen: Sie lernen, wie KI-Systeme Muster erkennen, Entscheidungen treffen und Vorhersagen machen. Mathematische Modellierung anwenden: Sie entwickeln Fähigkeiten, reale Probleme mathematisch zu beschreiben, Modelle zu erstellen und kritisch zu bewerten. Daten analysieren und interpretieren: Sie üben sich im Umgang mit Daten, erkennen Zusammenhänge und identifizieren mögliche Verzerrungen (Bias). Kritische Bewertung von Modellen: Sie lernen, die Qualität von Modellen einzuschätzen, Fehler zu analysieren und Optimierungsstrategien zu entwickeln. Argumentations- und Problemlösungskompetenzen stärken: Sie diskutieren über die Auswirkungen von KI und entwickeln eigene Lösungsansätze. Relevante mathematische Konzepte nutzen: Sie wenden Konzepte aus Stochastik, Geometrie, Funktionen und Algebra im KI-Kontext an.

Klassenstufen: EF (10./11. Jhg.), Q1 (11./12. Jhg.)