Mathematik: KI verstehen: Wie Maschinen lernen

00:00:04: Einfach unterrichten, der Podcast von Friedrich Plus aus dem Friedrich Verlag.

00:00:09: Wir bringen innovativen Unterricht für Lehrkräfte

00:00:12: auf den Punkt!

00:00:15: Herzlich Willkommen zu einfach unterrichten Mathematik.

00:00:18: Schön dass du wieder dabei bist.

00:00:21: Hast Du Dir schon einmal vorgestellt wie Dein Mathematikerunterricht in einer KI gestützten Zukunft aussehen könnte?

00:00:27: Vielleicht aber in Deiner?

00:00:29: SchülerInnen an individuell generierten Aufgaben erhalten automatisches Feedback oder gehen ihren eigenen Lernfahrten nach, während du vor allem erklärst, motivierst und unterstützt wenn es nötig wird.

00:00:42: Ich selbst habe mich in den letzten Jahren schon intensiv mit dem Einsatz von KI im Unterricht beschäftigt und dabei vor allem erlebt wie hilfreich KI als Tutor für SchülerInnen sein kann.

00:00:52: sie erklärt gibt direktes Feedback und liefert passende Übungsaufgaben.

00:00:57: aber heute geht es um eine ganz andere Perspektive Und ich freue mich da ganz besonders drauf, weil der Fokus nicht darauf liegen wird wie KI beim Lernen hilft sondern wie Mathematikunterricht Schülerinnen dabei unterstützen kann.

00:01:10: KI zu verstehen kritisch zu beurteilen und Entscheidungen von Algorithmen einschätzen zu können.

00:01:16: also Wie machen wir die Funktionsweise vom KI im Klassenzimmer greifbar und verständlich?

00:01:22: Wir lassen sich mathematische Ideen nutzen um digitale Mündigkeit zu fördern.

00:01:27: Genau dafür habe ich einen Gast bei mir der in diesem Feld forscht.

00:01:31: Rolf Bieler, Rolf ist Professor oder war vielmehr Professor für die Daktik der Mathematik einer Universität Paderborn und aktuell ist er Mitleiter des Projekts pro Derby.

00:01:45: Das heißt Project Data Science and Big Data in der Schule das von der Deutschen Telekom Stiftung gefördert wird und dabei begleitet er viele Unterrichtsprojekte wissenschaftlich.

00:01:55: schön dass du da bist Rolf.

00:01:57: Ja, vielen Dank Tim.

00:01:58: Dass ich Gelegenheit habe heute mit dir über diese Thematik zu sprechen.

00:02:01: Es ist sehr, dass wir auch heute gemeinsam darüber sprechen können, wie wir künstliche Intelligenz als Lerngegenstand in den Mathematikunterricht reinrücken und auch konkrete Beispiele unterricht liefern können.

00:02:16: Ich glaube, wir haben Beispiel oder du hast viel mehr Beispiele mitgebracht für die Unterstufe, Mittelstuve und Oberstupe.

00:02:22: Bevor wir in die Beispule gehen, lass uns klären warum.

00:02:25: das alles wichtig.

00:02:27: Die Zeitschrift Mathematik Lehren wird mit dem Thema hier eine ganze Ausgabe, du bist der Herausgeber.

00:02:34: Weil vor allem KI unseren Alltag verändert.

00:02:36: Empfehlungsalgorithmen bestimmen welche Filme wir sehen.

00:02:39: Chatbots formulieren Texte und medizinische Diagnosen werden von Algorithmen unterstützt.

00:02:45: Warum ist es wichtig dass Schülerinnen verstehen wie diese Systeme funktionieren?

00:02:50: Man kann's vom verschiedenen Perspektiven aus betrachten.

00:02:53: einmal sind Schüler natürlich ihr wie unmittelbar betroffen, weil sie diese Systeme nutzen.

00:03:01: im Rahmen der Nutzung von digitalen Geräten mit dem Mobilfond und so weiter werden viele Apps verwendet.

00:03:11: Die überraschende Dinge tun nämlich Musik vorzuschlagen die tatsächlich dann auch meistens oder auf dem eigenen Geschmack entspricht zu empfehlen und das ist ja alles etwas überraschend, wieso was überhaupt funktionieren kann.

00:03:31: Die Zauberei?

00:03:31: Und von daher wird die Zauberei.

00:03:35: also es wird dann immer von künstlicher Intelligenz gesprochen dass da irgendwie eine intelligente Maschine dahinter steckt und natürlich wäre es wichtig und das versuchen wir auch das etwas so entmüsstifizieren.

00:03:50: Das sind Algorithmen, die trainiert werden mit Daten und auf diese Weise lernen etwas über Vorlieben von Personen.

00:04:00: Und das dann auch entsprechend umsetzen indem sie zum Beispiel dann gucken welche anderen Personen haben ähnliche Vorliebe und was haben die anderen Personen noch für Musikstücke oder Filme gesehen?

00:04:11: Und schlagen und auf dieser Weise wird es dann vorgeschlagen dass man vielleicht auch interessant finden könnte.

00:04:20: Da stecken mathematische Methoden dahinter, die gar nicht so schwierig sind.

00:04:26: Die tatsächlich verwendet werden sind relativ schwierig und auch schwer zu vermitteln.

00:04:31: selbst in der Oberstufe ist das nicht so einfach.

00:04:35: Manches kann man so vereinfachen und erklären, sodass man eine Grundidee auf jeden Fall versteht wie etwas zustande kommen kann.

00:04:43: Und es geht ja sogar schon mit Schülern der fünften sechsten Klasse?

00:04:47: Ja, das ist natürlich eine Herausforderung.

00:04:49: Also wir haben Materialien für die Klasse V und VI entwickelt und das ist dadurch erzeugt werden worden will ich mal sagen weil in Nordrhein-Westfalen das Bundesland glaube ich was erste Bundesland hat Informatik verbindlich in klasse v und VI eingeführt Und da war auch die Frage gibt es Und da sollte auch KI in einem einfachen Sinne, ohne dass man groß programmiert den Schüler nahegebracht werden.

00:05:25: Da haben wir ein bisschen aufgebaut auf Erfahrungen.

00:05:30: KI ist das eine Thema.

00:05:31: Wir beschäftigen uns mit Data Science und Data Literacy also auch mit Umgang mit Daten die verknüpft sein können der Verknüpfung sei mit KI oder eben auch ohne KI.

00:05:44: Und da gibt es eine lange Tradition, dass man also mit Schülern mit Datenkarten arbeitet.

00:05:49: Wo dann mehrere Merkmale zum Beispiel von ihnen draufstehen und mit diesen Karten kann man dann sortieren, anordnen, klassifizieren und auf diese Weise so auch Diagramme aus den Karten zusammenbauen.

00:06:04: Das hat eine gewisse Tradition auch schon vor der Grundschule her, das sind eigentlich Multivariate-Daten, also Daten mit mehreren Merkmalen Daten Schüler nagebracht werden können, wenn sie also mit so einem Kartenmaterial anschaulich arbeiten können.

00:06:21: Zum Teil spielen die Schüler das auch nach indem Sie sich selber als Merkmalsträger verstehen und dann in der klasse zumal nennt man lebendige Statistik sich in verschiedenen Kategorien ordnen und aufstellen um auf diese Weise bestimmte statistische Übersichten über eine Gruppe zu bekommen.

00:06:42: und von dieser Idee ausgehend, das haben wir mit Lebensmittelkarten gemacht.

00:06:48: Also Karten wo Lebensmittel mit ihren Nährwertangaben notiert sind.

00:06:54: Ja das sind diese Datenkarten von denen du sprichst.

00:06:58: da sind dann Nährwettangaben von Obst Gemüse und so verschiedene Snacks drauf.

00:07:03: Genau die Idee ist kann man diese Nährwerthangaben nutzen um Lebenswillen zu klassifizieren, denen er empfehlenswert oder nicht empfehlen wird.

00:07:18: Da werden die Karten als erstes gelabelt aufgrund von Hintergrundwissen.

00:07:25: was verhält man eher für empfehnenswert?

00:07:29: Das ist auch in der KI oft so dass solche Systeme dann erstmal so wie man nennt das labeln noch mit einem bestimmten Etikett versehen werden.

00:07:40: Und dann versucht man, ein Entscheidungsverfahren zu finden, mit dem man relativ sicher also ohne viel Fehler zu machen voraussagen kann ob ein Lebensmittel empfehlenswert ist oder nicht.

00:07:54: und das sind sogenannte Entscheidungsbäume.

00:07:58: und das ist auch eine bekannte KI Methode die auch durchaus häuschiger verwendet wird.

00:08:04: Und das kann man sozusagen mit diesen Datenkarten ganz gut, mit den Schülern spielerisch nachbilden.

00:08:10: Das war am Schluss.

00:08:11: eine Regel hat wie wenn der Fettgehalt so und zu viel einen solchen Schwellenwert von der unter Größe übersteigt und dann noch die Kalorien einem bestimmten Schwellenswert überschreiten und der Zucker gereitet ist und das ist nicht empfehlenswert.

00:08:28: und so hat man mehrere Merkmale dann kombiniert um so eine Entscheidungsregel zu bauen.

00:08:37: Also man könnte jetzt zum Beispiel sagen, man nimmt den Fettanteil in einem Lebensmittel und sagt zb unter acht Gramm.

00:08:44: wenn das so ist dann ist es zum Beispiel empfehlenswert.

00:08:47: ja genau

00:08:48: also.

00:08:48: das wäre jetzt nun ein Entscheidungs.

00:08:49: Regel die du formulierst?

00:08:51: Das wäre erstmal eine einstufige Entscheidungs-Regel.

00:08:54: dann würde man das sozusagen mal proberweise so sagen und dann macht man natürlich Fehler weil man meist mit so einem einen Kriterium nicht schon gleich die aufteilen kann, in empfehlenswert nicht empfehrendswert.

00:09:09: Und dann hat man diejenigen, die jetzt einen höheren Fettanteil haben und die niedrigen.

00:09:13: das sind zwei Untergruppe und den wendet man da noch ein zweites Kriterium an zum Beispiel dann Kalorien und teilt die Gruppe dann wieder auf.

00:09:21: und wenn man die Gruppen aufteilt, dann entscheidet man sozusagen immer nach der Mehrheitssituation.

00:09:27: also wenn dann in einer untergruppe jetzt sagen wir mal empfehlenswerte Lebensmittel stecken und zwar nicht empfehlen werden, sagt man ihr seid alle empfehmenswert.

00:09:36: Ist sich bewusst das sozusagen dann Fehler von zwei gemacht wird?

00:09:41: Und wenn man dann diese Entscheidungsregel so hatte versucht mal die Schrittweise weiter zu verbessern indem man noch einmal solche Äste an den Baum anbaut.

00:09:51: Also dass man nach mehreren Stufen also mehrstufiges Entscheidungsverfahren hat was der Lebensmittel richtig einordnet.

00:10:06: Das sind die sogenannten Trainingsdaten.

00:10:08: und dann das Wichtig ist man aber, dass man prüft ob diese Entscheidungsregel auch auf neue Daten gute Ergebnisse liefert.

00:10:20: Das ist sozusagen die Grundidee.

00:10:22: Man macht es auf so einen Trainings-Daten und muss dann gucken, die Regel genauso gut ist oder vielleicht schlechter, besser.

00:10:33: Und je nachdem was daraus kommt würde man die Regel dann eventuell noch korrigieren.

00:10:38: weil der Sinn der Regel ist dass man damit auch für zukünftige Lebensmittel solche Klassifikationen relativ Fehler machen kann.

00:10:49: und deshalb ist es immer wichtig das ist eine wichtige Idee Daten die man hat zu trainieren trainieren einfach mal aufzuteilen in Trainings Testdaten zurückzulegen, damit man eine Kontrolle hat.

00:11:03: Ob man jetzt ein Entscheidungsregel entwickelt hat die nur ganz speziell auf diesen Datensatz zutrifft oder ob man eine Regel hat, die auf allgemeinere Ergültigkeit besitzt und das ist ne Praxis.

00:11:17: So wird jedes Maschinen-Learningsystem was man in der Praxis verwendet basiert auf dieser Idee dass man erst mal Trainingsdaten nimmt also und darauf ein System trainiert.

00:11:31: Und die können natürlich auch schon problematisch sein oder verfälscht, aber deswegen muss man immer Testdaten nehmen und dann womöglich wenn man das System in der Praxis anwendet nochmal Validierungsdaten später mit dazunehmen und beobachten ob die Fehler Charakteristik auch so bleiben oder sich dann bestimmte stärkere Fehler einschleichen.

00:11:54: Ja, zu diesem Artikel den ihr ja auch in der Ausgabe findet.

00:11:58: Da ist ja auch zu diesen Beitrag eben sind glaube ich auch Druckvorlagen für diese Datenkarten dabei sowie auch Tipps und so weiter wie dann eben halt wie man diese Aktivität ausweiten kann.

00:12:11: also das heißt wenn man da Interesse hat dass selber mal durchzuführen dann kann man das quasi mit den Druck vorlagen einfach schon direkt eins zu eins umsetzen.

00:12:19: Wir haben sogar reale Karten noch ein paar einige Spiele Klassensätze verfügbar, also man kann uns auch anschreiben und wenn man Glück hat, kann man noch so einen realen Klassensatz mit den Datenkarten von uns geschenkt bekommen.

00:12:34: Also wir haben etwa zweitausend solche Kartensätze im Nordrhein-Melsen fehlischen Schulen verteilt.

00:12:41: aber es sind noch einige über euch.

00:12:43: Ja, also es lohnt sich dann mal auf eure Webseite zu gehen.

00:12:46: Dann kommen wir mal zur Mittelstufe.

00:12:48: Es gibt ja ein Beispiel für die Mittelstupe in dem... in der Ausgabe, und da geht es im Artikel Wortvorschläge beim Chatten um die Welt der Sprachmodelle.

00:13:02: Er erklärt im Prinzip wie man so Modelle wie Modelle funktionieren sogenannte Ngram Modelle, so heißen sie ne?

00:13:14: Und warum die ein guter Einstieg ins Natural Language Processing sind.

00:13:20: Dazu gibt es auch dann wieder Arbeitsblätter, Präsentationsfolien.

00:13:23: Ein digitales Tour mit dem ich die Schüler experimentieren können.

00:13:28: Wie kann man dieses komplexe Thema so greifbar machen?

00:13:32: Dass auch Mittelstufen Schülerinnen das verstehen überhaupt und vielleicht kannst du uns einmal dieses Engram-Modell erklären.

00:13:37: Gut!

00:13:37: Man sagt ja manchmal Chagrippity ist ein stochastischer Papagei.

00:13:42: Das ist ein bisschen sehr vereinfacht soll aber sagen, dass Vorschläge, also Sätze sozusagen gebildet werden indem man abhängig von dem was man schon da hat guckt welche Wörter könnten in der nächsten Stufe mit großer Wahrscheinlichkeit kommen.

00:14:03: Das mal sozusagen abhängigt vom bestimmten Wort teilen oder Satzteilen.

00:14:09: Es gibt sozusagen im System eine bestimmte Statistik, welche Wörter in der realen Sprache häufig vorkommen und dann wird mit einer Wahrscheinlichkeit entschieden da ein bestimmtes Wort vorzuschlagen.

00:14:24: Und das wird jetzt hier in einem einfachen Beispiel mit wenigen Worten gewissermaßen nachsimuliert wenn man so will um das nachvollziehbar zu machen an einfachen Beispiel.

00:14:41: Und im Prinzip funktionieren alle Sprachmodelle darauf, also nach diesem Muster... Also ich meine jetzt nicht die Sprach-Modelle, die wir jetzt wie Chachi Petir so genannten, wenn wir eben halt chatten bei WhatsApp oder bei bei Nachrichten oder irgendwas dann so vorgeschlagene Wörter kommen.

00:14:59: Im Prinzip funktioniert das so, dass man sagt, man fängt einen Satz an ich liebe und dann kriegt man immer ein paar Vorschläge dich nach Wahrscheinlichkeiten und das ist dann teilweise so, da es natürlich ganz allgemeine Wahrscheinlichheiten dahinterlegt werden und Wortlisten sozusagen die möglich sind.

00:15:17: und manchmal ist es ja auch so ,dass ein System Personalisiert reagiert weil es meine eigene Chat Sprache analysiert.

00:15:27: Also ich chatte vielleicht oft mit Karin und dann wird mir das sozusagen als Person angeboten, der jetzt einen Go schicken möchte oder so.

00:15:37: Das heißt es ist nicht nur das allgemeine System sondern das System lernt auch über meine eigenen Nutzungsweisen und gibt ein gewissermaßen personalisierte Vorschläge.

00:15:50: Also das heißt immer in der Benutzung wird sozusagen werden auch die Wahrscheinlichkeiten mit mit verändert.

00:15:57: Also es lernt quasi mit dem was du so schreibst.

00:16:02: Das ist ein ganz gutes Beispiel, das kann man mit Stochastik ist ja Thema in der Schule.

00:16:07: Das kann man also mit einfachen Stochastickenntnissen eigentlich ganz gut sicher arbeiten und auch wie gesagt nachspielen.

00:16:16: Ein bisschen schwieriger wird's dann Wenn man in die älteren Klassenstufen kommt und da gibt es dann ja auch einen Beitrag bist du auf dem Arbeitsmarkt vermittelbar.

00:16:27: Was ja auch schön ist, weil es gerade für diese Altersstufen eben wirklich ein Thema ist wenn's so um Berufsorientierung geht.

00:16:38: oder der österreichische Arbeitsmarktservice.

00:16:41: also arbeiten mit diesem System Amas Versuchen sie ja die Chancen von Arbeitssuchenden zu berechnen.

00:16:49: Und hier wird in den Artikel erklärt, dass zugrunde liegende statistische Modell und die Stellen auch arbeitsblätter bereit.

00:16:59: Um Wahrscheinlichkeit um Vermittlungswahrscheinlichkeiten selbst schätzen zu können.

00:17:05: wie geht man damit im Unterricht um mit diesem Material?

00:17:09: also was ist da der Kerngedanke dahinter?

00:17:12: vielleicht muss man erstmal nochmal erläutern, was da in der Realität dahinter gestanden hat.

00:17:19: Ja

00:17:19: ich stelle mir das wahnsinnig komplex vor tatsächlich aber man kann es scheinbar runterbrechen.

00:17:23: Ja umsozigernd das zu unterbrechen bevor ich das erklären kann muss mal vielleicht noch einmal kurz sagen was ist die Problematik gewesen?

00:17:31: In Österreich hat man überlegt ein Algorithmus in den Arbeitsämtern zu implementieren, die sozusagen für einen Menschen, der dort hinkommt, der arbeitslos ist Die Vermittlungswahrscheinlichkeit berechnet.

00:17:47: Und die Idee war, zu sagen gut wenn eine geringe Vermittlungswahrscheinigkeit hat, hatte vielleicht sowieso keine Chance.

00:17:56: Dann nützt auch ne Fortbildung nichts und wenn er eine sehr hohe Vermittlungswahrscheinlichheit hat dann ist es nicht so sinnvoll weil der von alleine einen Job findet.

00:18:07: Also ist die Idee, bei mittleren Vermittlungswahrscheinlichkeiten wird ein Fortbildungsangebot gemacht um dort möglichst effektiv Leute in den Arbeitsmarkt zu bringen.

00:18:20: und dieses System das hat es wirklich gegeben.

00:18:24: Das hat sozusagen auf Daten operiert mit Eigenschaften.

00:18:34: kommen die her, welches Alter haben sie?

00:18:37: Welches Geschlecht haben diese?

00:18:38: Sind die gesunde... Ja, Religion weiß ich nicht.

00:18:42: Aber gesundheitliche Beeinträchtigungen ja oder nein.

00:18:46: und mit diesen ganzen Daten wurde dann der Algorithmus sozusagen trainiert um dann möglichst gut wenn jetzt ein neuer kommt in das System zu sagen welcher Personen oder welchen Personenkreis ähnelt dieser neue Person die dort ins Arbeitsamt kommt?

00:19:05: und dann gibt man sozusagen diese Empfehlung oder hat für diesen Personenkreis so etwas wie eine Vermittlungshäufigkeit in der Vergangenheit errechnet, das ist ja bekannt.

00:19:21: Man weiß ob sie vermittelt wurden oder nicht in einem bestimmten Zeitraum und dann kann man sagen okay wir gehen jetzt mal davon aus dass es eine ähnliche Person also hat hier auch in Zukunft die und die Vermittelungswahrscheinlichkeit.

00:19:33: Also das war sozusagen die Idee.

00:19:35: Und dann ist man sozusagen darauf gekommen, dass bestimmte Benachteiligungen...

00:19:43: Ja ich würde grad sagen es führte sicherlich zur Diskriminierung oder?

00:19:46: Ja also es ist einfach so, dass bestimmte Bevölkerungsgruppen, also Menschen mit Behinderung und in dem Frauen oder auch bestimmte Altersgruppen insbesondere ältere eine schlechtere Chance hatten in der Vergangenheit, wieder in den Arbeitsmarkt zu kommen.

00:20:02: Das sind die Daten aus der Vergange und das hat man praktisch in die Zukunft fortgeschrieben.

00:20:09: D.h.,

00:20:09: diese Diskriminierung bestimmter Versuch des Personengruppen wird mit diesem Algorithmus sozusagen in die.

00:20:26: Das ist ein kompliziertes Modell.

00:20:28: Da gibt es dann immer einen Gender- oder Behindertenfaktor, der die Wahrscheinlichkeit hoch setzt und reduziert.

00:20:36: Diese Dinge sind gewissermaßen in einem Algorithmus für die Zukunft vorgeschlagen worden.

00:20:42: Insofern wird die Diskriminierung aus der Vergangenheit praktisch in die Zukunft hervorgeführt.

00:20:50: Und das hat man sozusagen unter anderem als sehr problematisch angesehen und hat dieses System, da gibt es auch ganz viele Artikel dazu.

00:21:00: Und er hat diese System dann nie implementiert.

00:21:05: Das wird jetzt versucht.

00:21:07: einfacher wir haben versucht oder die Autoren haben versucht an die Daten irgendwie ranzukommen.

00:21:12: Das ist natürlich alles sensibel.

00:21:13: Die werden nicht rausgerückt.

00:21:16: Die Idee war deshalb, man simuliert so einen Datensatz der ähnliche Eigenschaften hat, also nicht so viele Merkmale wie beim Arbeitsamt tatsächlich verfügbar sind.

00:21:28: Sondern ein Teilmenge Altersgruppe und bestimmte andere Merkmalen um dann sozusagen das nachvollziehen zu können, wieso was passiert?

00:21:41: Und dann auch hier halt eine Diskussion zu führen.

00:21:42: ist es jetzt in Ordnung wenn jemand in der Vergangenheit schlechte Chancen hatte vermittelt werden dass man das in der Zukunft so Hand habt.

00:21:51: Und das ist natürlich politisch auch, kann man das ja so und so sehen?

00:21:56: Man kann ja sagen, man möchte gerne bestimmte Personengruppen besonders fördern, auch wenn sie in der Vergangenheit nicht so gut vermittelt waren oder man hat so einen Effizienzgedanken, der sagt dass wir es egal ich möchte meine Fortbildung in die Leute investieren wie immer das ist, die dann eine bessere Chance haben, vermittel zu werden und das sind natürlich Wertmaßstäbe.

00:22:19: Also ob ich jetzt benachteiligte besonders fördern möchte oder ob ich sage, das mache ich so weiter wie immer bisher.

00:22:27: Und darüber muss man ja sprechen sozusagen und dass wird eigentlich dadurch ganz gut für die Schülerinnen und Schülern nachvollziehbar, dass hier Entscheidungen getroffen werden, Wertentscheidung betroffen werden können oder in einem Algorithmus auch bereits Wertentsscheidungen stecken, wie man aufdecken muss indem man sich genauer damit befasst.

00:22:48: Genau und damit man das im Unterricht auch gut umsetzen kann, gibt es in dem Artikel dann auch Hinweise zu ethischen Diskussionen.

00:22:56: Und auch ein paar Hintergrundtexte zum Armas System

00:23:00: genau was ich jetzt gerade kurz erwähnt habe und es gibt vor allen Dingen ist eben wichtig.

00:23:04: Es gibt dem tatsächlich Arbeitsblätter und Datensätze und Dateien so dass das also relativ Gut wenn man sich da mit muss schon einarbeiten in die Sachen das ist klar.

00:23:16: Aber dann ist es auf jeden Fall grundsätzlich machbar, das im Unterricht auch mit den Schülerinnen und Schülern zu diskutieren.

00:23:24: Gut!

00:23:24: Dann würde ich sagen zum Schluss machen wir noch einen kurzen Blick auf ein etwas spielerisches Lernprojekt.

00:23:30: Vom Zufall zur optimalen Strategie ist ja ein Beitrag über so bestärkendes Lernen.

00:23:36: also am Beispiel einer Bauernschach-Variante erarbeiten die SchülerInnen dann wie Algorithmen durch Versuchen irrtum besser werden.

00:23:44: was macht das Thema besonders spannend?

00:23:47: Also wir haben da auch reale Spiele in das Volk gebracht, damals im Wissenschaftsjahr.

00:23:54: Die sehr gut angekommen sind.

00:23:56: also gut die Schülerinnen und Schüler versuchen natürlich erstmal selbst eine Strategie zu entwickeln Zu gewinnen Und das kann man auch machen.

00:24:11: und interessant ist dann sozusagen dass eine Maschine tatsächlich auch genauso mit dem ähnlichen Resultat zumindest nicht auf die genau dieselbe Weise, das auch eine Maschine sozusagen von den Nichts-Weiß über Strategien usw.

00:24:30: einfach dadurch die richtige Gewinnstrategie lernt, dass es so nach und nach die nicht erfolgreichen Strategien aussortiert.

00:24:39: also die Idee ist zu sagen okay erst mal sind alle Züge gleichberechtigt, wir ziehen zufällig aus der Menge der möglichen Züge und beobachten dann sozusagen mal ob man damit gewinnt oder nicht.

00:24:54: Und wenn man halt verliert, dann wird diese Möglichkeit aussortiert.

00:24:59: Man kann sich das vorstellen dass also bei jedem zu jeder Spielkonfiguration da eine Urne, so eine stochastische Urne dazu liegt wo alle möglichen züge drin sind die grundsätzlich möglich sind, vom Spielregeln her möglich sind.

00:25:13: und dann wird wenn also es einmal durchgeführt ist und nicht erfolgreich war, dann wird sozusagen aus dieser Urne eine bestimmte Option entfernt.

00:25:22: Und so wenn man das lange genug macht, dann bleiben halt bestimmte Züge übrig und mit denen kann die Maschine dann tatsächlich gewinnen.

00:25:33: Und als Mensch macht man das natürlich so ähnlich, aber nicht so systematisch.

00:25:37: Dass man sagt okay wenn ich das mache dann wird es nichts um Erfolg also mache ich nix mal was anderes und so weiter.

00:25:43: Das ist jetzt hier gut nachvollziehbar dass die Maschine das ohne irgendwas Intelligentes zu können und zu kennen einfach nach Zufall verfährt.

00:26:02: Deswegen heißt es Verstärken das Lernen, weil gewissermaßen man sieht ob das erfolgreich ist oder nicht und dann die nicht-erfolgreiche Strategie einfach aussortiert.

00:26:11: Und beim nächsten Spiel nur noch mit einer reduzierten Konfigurationsanzahl arbeitet und dann wieder was aussortieren.

00:26:20: Das ist eigentlich eine Idee dieses verstärkende Lernen.

00:26:24: Auch bei JetGPT wird das auch für bestimmte Zwecke verwendet.

00:26:28: Also werden mehrere Methoden gemischt und das verstärkende Lernen ist eine Methode, die auch häufig angewendet wird.

00:26:39: Und deswegen haben wir gedacht, dass sollte man auch mal selber erfahren, es ist Bauernstache sehr einfache Spiel gibt ja viel kompliziertere Spiele wo die Systeme so ähnlich arbeiten.

00:26:51: aber das kann man natürlich nie nachvollziehen weil das viel zu viele Möglichkeiten sind.

00:26:57: Wir haben dieses Kartenspiel entwickelt, da kann sozusagen eine mit verschiedene Rollen die Schülerinnen und Schüler einnehmen können.

00:27:07: Und eine Rolle ist ich bin die Maschine und ich handele dann so zu sagen nur ohne mal Ich schalte sozusagen mein Denken aus und handle nur nach diesen Zufallstunden.

00:27:19: strategieren das heißt man spielt dann wirklich selber Maschine Dabei, wie dann so nach und nach eben eine Gewinnstrategie entsteht.

00:27:28: Auch

00:27:29: dazu kann man das ganze Material usw.

00:27:31: wieder in der Zeitschrift, in der Ausgabe finden.

00:27:35: Man kann auch hier wieder sagen ich lad mir das runter oder ich habe das in der kopierten Version Und kann es direkt im Unterricht einsetzen.

00:27:45: Jetzt wird es Zeit dass wir das Gespräch langsam abrunden und vielleicht zu einem Fazit kommen.

00:27:51: Also wir haben ja heute vier Unterrichtsideen aus der Zeitschrift Mathematik Lehren vorgestellt, von Entscheidungsbäumen über Sprachmodelle bis hin zu algorithmischen Entscheidungen und dem verstärkenden Lernen.

00:28:05: Wolf, was sollten Lehrkräfte unbedingt beachten?

00:28:07: Wären Sie solche KI-Themen in Ihrem Unterricht integrieren?

00:28:10: Das wäre jetzt beispielsweise ein Schlusswort.

00:28:12: Sie sollten erstmal etwas nehmen für das sie sich selber begeistern und wo sie sich auch genügend Zeit nehmen, sich darin einzuarbeiten Und dann darauf vertrauen, dass die Schülerinnen und Schüler auch eigene Ideen entwickeln können.

00:28:30: Das ist nämlich bei all diesen Beispielen der Fall und sie dann durch kritische Begleitung auch gut zum Ziel geführt werden können.

00:28:37: Damit sind wir am Ende des Podcasts und ich glaube wir können Folgendes aus der Folge heute mitnehmen.

00:28:44: Mit konkreten Spielen und Aktivitäten können wir erfahrbar machen wie Maschinen lernen Entscheidungen treffen.

00:28:50: KI ist also ein Thema, das uns alle betrifft und sich sehr gut mit mathematischen Inhalten verbinden lässt.

00:28:56: Wenn Mathematikunterricht aktuelle gesellschaftliche Themen aufgreift, dann entsteht ein Verständnis dafür wie Daten, Modelle und Wahrscheinlichkeiten unseren Alltag prägen können.

00:29:07: Dieses Grundwissen stärkt unsere Schülerinnen darin Technologien kritisch zu beurteilen – sie werden auch befähigt aktiv am Diskurs über Nutzen und Risiken teilzunehmen.

00:29:19: Also Rolf!

00:29:20: Danke, dass du heute dabei warst.

00:29:23: Und danke liebe Hörerinnen, dass ihr dabei wart und das euch angehört hat!

00:29:27: Wenn es euch gefallen hat, dann hört doch auch beim nächsten Mal wieder rein, teilt eure Erfahrungen gerne mit euren Kolleginnen und bleibt neugierig.

00:29:34: Bis zum nächsten mal bei einfach unterrichten Mathematik.

00:29:38: Vielen Dank Tim!

00:29:43: Wir bringen innovativen Unterricht für Lehrkräfte

00:29:52: auf den Punkt.