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.