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

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.)

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.)

Du möchtest deinen Schüler*innen zeigen, wie Künstliche Intelligenz wirklich lernt? Mit diesem Material tauchst du und deine Lernenden in den Gradientenabstieg ein, eine zentrale Methode des maschinellen Lernens. Ihr entdeckt Schritt für Schritt, wie Algorithmen optimale Parameter finden und welche Herausforderungen dabei entstehen können.Das lernen deine Schüler*innen: Sie vollziehen den Gradientenabstieg an einer einfachen Verlustfunktion Schritt für Schritt nach. Sie verstehen, wie die Ableitung den Weg zum steilsten Abstieg weist und begründen dies formal. Sie beobachten und erklären die Rolle der Lernrate für die Konvergenz und Divergenz des Verfahrens. Sie diskutieren über lokale Minima als Problem in neuronalen Netzen und ordnen diese ethisch ein, zum Beispiel im Kontext des CO2-Fußabdrucks von KI.So ist das Material aufgebaut: Einstieg (ca. 15 Min.): Deine Schüler*innen starten mit einer anschaulichen Metapher: Ein Ball rollt ins Tal. Sie formalisieren diesen Prozess und verstehen, wie der Ball in Richtung des steilsten Abstiegs rollt. Aufgabe 1: Iterative Berechnung (ca. 20 Min.): Hier berechnen deine Lernenden den Gradientenabstieg per Hand an einer einfachen Verlustfunktion. Eine vollständig vorgegebene Tabelle hilft ihnen dabei, die Werte einzutragen und auf drei Dezimalstellen zu runden. Aufgabe 2: Die Lernrate entscheidet (ca. 20 Min.): Deine Schüler*innen vergleichen verschiedene Lernraten und beobachten, wie diese die Konvergenz oder Divergenz des Verfahrens beeinflussen. Ein echtes Aha-Erlebnis ist garantiert, wenn eine zu große Lernrate zur Divergenz führt! Aufgabe 3: Grafisches Protokoll (ca. 15 Min.): Deine Lernenden visualisieren die Iterationsschritte auf einer Parabel. So wird der Weg zum Minimum greifbar und die Konvergenz sichtbar. Aufgabe 4 & Reflexion: Lokale Minima und Ethik (ca. 20 Min.): Eine spannende Herausforderung! Deine Schüler*innen diskutieren über lokale Minima in neuronalen Netzen und deren ethische Einordnung, zum Beispiel im Kontext des CO2-Fußabdrucks von KI-Modellen. Diese Aufgabe eignet sich auch super als Hausaufgabe.Differenzierungsmöglichkeiten: Basis: Für einen leichteren Einstieg konzentrieren sich deine Schüler*innen auf die ersten beiden Lernraten in Aufgabe 2. Die Tabelle in Aufgabe 1 ist vollständig vorstrukturiert. Erweiterung (⭐): Für fortgeschrittene Lernende gibt es in Aufgabe 4 die Möglichkeit, den Startpunkt selbst zu wählen und die Konvergenzbedingung analytisch zu begründen.Das sollten deine Schüler*innen mitbringen: Grundlagen aus den Kapiteln 1-7 des KI-Themenhefts. Kenntnisse der Ableitungsregeln (Potenzregel, Kettenregel). Den Grundbegriff des Extremwerts (Minimum). Keine Sorge, tiefere Kenntnisse neuronaler Netze sind nicht erforderlich!

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

Tauche mit deinen Schüler*innen ein in die spannende Welt der Künstlichen Intelligenz! Dieses Material macht die Grundlagen von KI greifbar und verständlich. Ihr entdeckt, wie ein Neuron funktioniert, was das Skalarprodukt damit zu tun hat und wie Entscheidungsgrenzen uns helfen, Daten zu klassifizieren. Dabei reflektiert ihr auch wichtige ethische Fragen rund um KI-Modelle.Was euch erwartet: Ihr startet mit dem Skalarprodukt, das ihr schon aus dem Matheunterricht kennt, und entdeckt es als Herzstück eines Neurons neu. Dann berechnet ihr fleißig Skalarprodukte, variiert Gewichte, um ihre Wirkung zu verstehen, und stellt Klassifikationsgrenzen grafisch dar. Das schafft eine tolle Brücke zwischen Vektorrechnung und maschinellem Lernen!Auf einen Blick: Dauer: 1-2 Unterrichtsstunden (ca. 45-90 Minuten) Klassenstufe: 11 Sozialform: Einzel- oder Partnerarbeit Voraussetzungen: Deine Schüler*innen sollten Grundlagen zu linearen Modellen und Verlustfunktionen kennen (z.B. aus Kap. 3 und 6). Auch Vektoren und das Skalarprodukt sind hilfreich. Keine Sorge, Vorwissen zu neuronalen Netzen ist nicht nötig! Benötigtes Material: Taschenrechner (optional), Lineal, Bleistift. Differenzierung: Das Material bietet dir einfache Basisaufgaben und spannende Erweiterungen. So kannst du optimal auf die Bedürfnisse deiner Lernenden eingehen. Ausblick: Dieses Kapitel bereitet deine Schüler*innen ideal auf weiterführende Themen wie Aktivierungsfunktionen und mehrschichtige neuronale Netze vor (z.B. in Kap. 8).Das lernen deine Schüler*innen:Nach dieser Einheit können deine Schüler*innen: Ein lineares Modell als Skalarprodukt darstellen und berechnen. Die Auswirkung von Gewichten auf die Modellausgabe analysieren und dominierende Merkmale erkennen. Das Konzept eines Neurons als gewichtete Summe mit Schwellenwert verstehen und es von einem biologischen Neuron abgrenzen. Klassifikationsgrenzen als Geraden im Merkmalsraum darstellen und interpretieren. Ethische Fragen zur Legitimität von Merkmalen in KI-Modellen (z.B. bei der Kreditvergabe) reflektieren.

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