Dr. Silvia Joachim

Studiendirektorin

Professur für Didaktik der Informatik

Dr. Silvia Joachim
Emil-Fischer-Str. 30

97074 Würzburg

Gebäude: (30) Mathematik West

Raum: 00.011

Telefon: +49 931 31-86952

Fax: +49 931 31-85089

E-Mail: silvia.joachim@uni-wuerzburg.de

Projekte:

Experimentiersatz KI

Bildungsprojekt "KI verstehen: unplugged und digital"

Fortbildungsinitiative "Künstliche Intelligenz"

PIZ-Fachbeirat

Sprechstunde

Sprechstunde nach Vereinbarung per E-Mail.

Experimentiersatz Künstliche Intelligenz

Für den Informatikunterricht ist KI auch als
Lerngegenstand von besonderem Interesse. Ich setze mich gezielt für die Entwicklung inklusiver Bildungsangebote ein. Der von mir entwickelte Experimentiersatz KI vermittelt anhand verschiedener Experimente den Unterschied zwischen wissens- und datenbasierten KI-Systemen sowie die Funktionsweise und die Grenzen wichtiger Algorithmen der Künstlichen Intelligenz. Er ermöglicht Lernenden mit unterschiedlichen sensorischen und sprachlichen Präferenzen eine Teilhabe.

Experimentiersatz KI

Bildungsprojekt "KI verstehen: unplugged und digital"

Ein grundlegendes Verständnis von KI-Systemen ist eine Schlüsselkompetenz für die Zukunft, die allen Lernenden zugänglich gemacht werden sollte. Um dies zu ermöglichen, entwickele ich iterativ das Bildungsprojekt "KI verstehen: unplugged und digital" und setze es als Projektkoordinatorin um.

KI verstehen: unplugged und digital

Fortbildungsinitiative KI & Angebote im Rahmen anderer Veranstaltungen

Der Lernbereich „Künstliche Intelligenz“ wurde im Schuljahr 2022/23 im Fach Informatik in der gymnasialen Oberstufe in Bayern eingeführt. Passende fachlich vertiefte Fortbildungen für Informatiklehrkräfte an Gymnasien biete ich im Rahmen der Fortbildungsinitiative KI an.

Lehrkräfte anderer Schulformen sowie Schülerinnen und Schüler erreiche ich durch entsprechende Angebote. Über unsere Konzepte berichte ich in Vorträgen auf Fachtagungen.

Termine

Ausgewählte Publikationen

Professional Development for Bavarian Computer Science Teachers: Evaluation and Effects on Attitudes Towards AI. Ehmann, Matthias; Günzel-Weinkamm, Nicole; Hennecke, Martin; Joachim, Silvia. In Informatics in Schools. Fostering Problem-Solving, Creativity, and Critical Thinking Through Computer Science Education, Bd. 15958 von Lecture Notes in Computer Science, J. Staub, A. Singla (Hrsg.), S. 68–79. Springer, Cham, 2026.
- [ Abstract ]
- [ BibTeX ]
- [ DOI ]
In the school year 2023/24, the German federal state of Bavaria started teaching artificial intelligence (AI) as a new compulsory subject in the 11th grade of grammar school computer science education. The curriculum focuses on computer science related topics of machine learning and addresses the assessment of the opportunities and risks of artificial intelligence for individuals and society. The introduction of this new subject was prepared with a professional development course for all computer science teachers at Bavarian universities. We report on the structure of the professional development course at the authors’ universities and on a study, which recorded the development of teachers’ attitudes towards AI using the “General Attitudes towards Artificial Intelligence Scale” (GAAIS). As part of the four questionnaires of our longitudinal study, we also measured the development of the teachers’ self-assessment of their competences with regard to the content to be taught in the future. As is desirable for a teacher training, teachers’ self-assessment of AI competences develops positively over the course of the training. Teachers’ attitudes towards artificial intelligence were only influenced by the training in the short term, but remained unchanged at the end of the three training days.

@inproceedings{ehmann2026professional, abstract = {In the school year 2023/24, the German federal state of Bavaria started teaching artificial intelligence (AI) as a new compulsory subject in the 11th grade of grammar school computer science education. The curriculum focuses on computer science related topics of machine learning and addresses the assessment of the opportunities and risks of artificial intelligence for individuals and society. The introduction of this new subject was prepared with a professional development course for all computer science teachers at Bavarian universities. We report on the structure of the professional development course at the authors’ universities and on a study, which recorded the development of teachers’ attitudes towards AI using the “General Attitudes towards Artificial Intelligence Scale” (GAAIS). As part of the four questionnaires of our longitudinal study, we also measured the development of the teachers’ self-assessment of their competences with regard to the content to be taught in the future. As is desirable for a teacher training, teachers’ self-assessment of AI competences develops positively over the course of the training. Teachers’ attitudes towards artificial intelligence were only influenced by the training in the short term, but remained unchanged at the end of the three training days.}, address = {Cham}, author = {Ehmann, Matthias and Günzel-Weinkamm, Nicole and Hennecke, Martin and Joachim, Silvia}, booktitle = {Informatics in Schools. Fostering Problem-Solving, Creativity, and Critical Thinking Through Computer Science Education}, editor = {Staub, Jacqueline and Singla, Adish}, keywords = {KI}, month = {09}, pages = {68–79}, publisher = {Springer}, series = {Lecture Notes in Computer Science}, title = {Professional Development for Bavarian Computer Science Teachers: Evaluation and Effects on Attitudes Towards AI}, volume = 15958, year = 2026 }
MAL-E: Understanding Text-to-Image Generation. Joachim, Silvia; Hennecke, Martin. In Proceedings of the Second Workshop on Artificial Intelligence for Artificial Intelligence Education (AI4AI Learning 2024), S. 23–32. University of Bamberg Press, Bamberg, 2025.
- [ Abstract ]
- [ BibTeX ]
- [ DOI ]
Generative AI, particularly in image generation, has attracted a lot of attention in recent years. These technologies are here to stay. Understanding how they work demystifies them, showing that they are driven by algorithms, not magic. We present a learning and experimentation module for Unplugged Text-To-Image Generation, which we have called MAL-E. It explains several key steps in the process, starting with Tokenization, Embedding, and Positional Encoding. Students learn Masked Self-Attention, an important step of the Decoder-only Transformer. They also learn about Image Components Selection and Image Assembly to produce the final image. MAL-E provides an inclusive hands-on way to understand how pre-trained neural networks and transformers create images from text prompts.

@inproceedings{joachim2025understanding, abstract = {Generative AI, particularly in image generation, has attracted a lot of attention in recent years. These technologies are here to stay. Understanding how they work demystifies them, showing that they are driven by algorithms, not magic. We present a learning and experimentation module for Unplugged Text-To-Image Generation, which we have called MAL-E. It explains several key steps in the process, starting with Tokenization, Embedding, and Positional Encoding. Students learn Masked Self-Attention, an important step of the Decoder-only Transformer. They also learn about Image Components Selection and Image Assembly to produce the final image. MAL-E provides an inclusive hands-on way to understand how pre-trained neural networks and transformers create images from text prompts.}, address = {Bamberg}, author = {Joachim, Silvia and Hennecke, Martin}, booktitle = {Proceedings of the Second Workshop on Artificial Intelligence for Artificial Intelligence Education (AI4AI Learning 2024)}, keywords = {KI}, pages = {23-32}, publisher = {University of Bamberg Press}, title = {MAL-E: Understanding Text-to-Image Generation}, year = 2025 }
KI verstehen: Der Experimentiersatz Künstliche Intelligenz. Joachim, Silvia; Hennecke, Martin; Capovilla, Dino. In Grenzen überwinden - voneinander lernen, 21. GI-Fachtagung Informatik und Schule, von Lecture Notes in Informatics, M. Grillenberger, A. Grillenberger (Hrsg.), S. 317–318. Gesellschaft für Informatik e.V., Bonn, 2025.
- [ BibTeX ]
- [ DOI ]
- [ Download ]
@inproceedings{Joachim.2025, address = {Bonn}, author = {Joachim, Silvia and Hennecke, Martin and Capovilla, Dino}, booktitle = {Grenzen überwinden - voneinander lernen, 21. GI-Fachtagung Informatik und Schule}, editor = {Grillenberger, Mareen and Grillenberger, Andreas}, keywords = {KI}, pages = {317–318}, publisher = {Gesellschaft für Informatik e.V.}, series = {Lecture Notes in Informatics}, title = {KI verstehen: Der Experimentiersatz Künstliche Intelligenz}, year = 2025 }
Förderung von KI-Kompetenzen von Informatiklehrkräften in Bayern. Ehmann, Matthias; Günzel-Weinkamm, Nicole; Hennecke, Martin; Joachim, Silvia. In Proceedings of DELFI Workshops 2024, N. Kiesler, S. Schulz (Hrsg.). Gesellschaft für Informatik e.V., 2024.
- [ BibTeX ]
- [ URL ]
- [ DOI ]
@inproceedings{ehmann2024forderung, author = {Ehmann, Matthias and Günzel-Weinkamm, Nicole and Hennecke, Martin and Joachim, Silvia}, booktitle = {Proceedings of DELFI Workshops 2024}, editor = {Kiesler, Natalie and Schulz, Sandra}, keywords = {KI}, publisher = {Gesellschaft für Informatik e.V.}, title = {Förderung von KI-Kompetenzen von Informatiklehrkräften in Bayern}, year = 2024 }
Digitalpaket „KI verstehen“ mit dem Experimentiersatz KÜNSTLICHE INTELLIGENZ. Joachim, Silvia. 2024.
- [ BibTeX ]
- [ URL ]
@manual{joachim2024digitalpaket, author = {Joachim, Silvia}, institution = {MEKRUPHY GMBH}, keywords = {KI}, title = {Digitalpaket „KI verstehen“ mit dem Experimentiersatz KÜNSTLICHE INTELLIGENZ}, year = 2024 }
Den k-Means-Algorithmus verstehen: Mit Stift & Papier und BlueJ. Andres, Daniela; Joachim, Silvia; Hennecke, Martin. In Informatische Bildung in Schulen (IBiS), 2(1), S. 44–55. 2024.
- [ Abstract ]
- [ BibTeX ]
- [ DOI ]
Dieser Praxisbeitrag stellt unterrichtliche Aktivitäten vor, um den k-Means-Algorithmus einzuführen und ihn anschließend in BlueJ zu implementieren. Anhand eines Beispieldatensatzes mit Fundkoordinaten von Pilzen können sich die Schülerinnen und Schüler die Funktionsweise des k-Means-Algorithmus selbst erschließen. Der Datensatz ist zweidimensional und klein genug, um den Algorithmus mit Stift und Papier in angemessener Zeit zu erarbeiten. Anschließend kann der Algorithmus in der den Schülerinnen und Schülern sowie Lehrkräften bekannten Umgebung BlueJ programmiert und das Ergebnis durch Einlesen einer csv-Datei mit den vorher verwendeten Fundkoordinaten verifiziert werden.

@article{andres2024kmeansalgorithmus, abstract = {Dieser Praxisbeitrag stellt unterrichtliche Aktivitäten vor, um den k-Means-Algorithmus einzuführen und ihn anschließend in BlueJ zu implementieren. Anhand eines Beispieldatensatzes mit Fundkoordinaten von Pilzen können sich die Schülerinnen und Schüler die Funktionsweise des k-Means-Algorithmus selbst erschließen. Der Datensatz ist zweidimensional und klein genug, um den Algorithmus mit Stift und Papier in angemessener Zeit zu erarbeiten. Anschließend kann der Algorithmus in der den Schülerinnen und Schülern sowie Lehrkräften bekannten Umgebung BlueJ programmiert und das Ergebnis durch Einlesen einer csv-Datei mit den vorher verwendeten Fundkoordinaten verifiziert werden.}, author = {Andres, Daniela and Joachim, Silvia and Hennecke, Martin}, journal = {Informatische Bildung in Schulen (IBiS)}, keywords = {KI}, number = 1, pages = {44–55}, title = {Den k-Means-Algorithmus verstehen: Mit Stift & Papier und BlueJ}, volume = 2, year = 2024 }
ClusterLabor: Ein Werkzeug zur interaktiven Visualisierung und Analyse von Clusteralgorithmen. Andreas, Daniela; Joachim, Silvia; Hennecke, Martin. In Informatische Bildung in Schulen, 2(2), S. 55–63. 2024.
- [ Abstract ]
- [ BibTeX ]
- [ DOI ]
In diesem Beitrag wird die Webanwendung ClusterLabor (verfügbar unter ddi.informatik.uni-wuerzburg.de) vorgestellt. ClusterLabor ermöglicht eine interaktive Visualisierung und Analyse von Clusteralgorithmen in zweidimensionalen Datensätzen. Damit können verschiedene Algorithmen hinsichtlich ihrer Ergebnisse in Abhängigkeit von der gewünschten Anzahl an Clustern verglichen werden. Anwender können aus verschiedenen Beispieldatensätzen wählen, eigene Datensätze hochladen oder Datensätze direkt durch manuelle Eingabe generieren. Zum Clustern stehen verschiedene Methoden zur Verfügung: der k-Means-Algorithmus mit Varianten wie Lloyd oder MacQueen, der k-Medoids-Algorithmus sowie hierarchische Clusteranalyse mit unterschiedlichen Distanzmaßen und Fusionierungsalgorithmen. Ein besonderer Fokus liegt dabei auf dem Unsupervised Learning, einem Bereich der Künstlichen Intelligenz (KI), bei dem Algorithmen Muster und Strukturen in unbeschrifteten Daten selbstständig erkennen. Zur Bestimmung der öptimalen" Clusterzahl k sind zudem Visualisierungen des Elbow Plots (Ellenbogendiagramms), des Average Silhouette Plots (ASW-Kurve) sowie des Dendrogramms integriert.

@article{andreas2024clusterlabor, abstract = {In diesem Beitrag wird die Webanwendung ClusterLabor (verfügbar unter ddi.informatik.uni-wuerzburg.de) vorgestellt. ClusterLabor ermöglicht eine interaktive Visualisierung und Analyse von Clusteralgorithmen in zweidimensionalen Datensätzen. Damit können verschiedene Algorithmen hinsichtlich ihrer Ergebnisse in Abhängigkeit von der gewünschten Anzahl an Clustern verglichen werden. Anwender können aus verschiedenen Beispieldatensätzen wählen, eigene Datensätze hochladen oder Datensätze direkt durch manuelle Eingabe generieren. Zum Clustern stehen verschiedene Methoden zur Verfügung: der k-Means-Algorithmus mit Varianten wie Lloyd oder MacQueen, der k-Medoids-Algorithmus sowie hierarchische Clusteranalyse mit unterschiedlichen Distanzmaßen und Fusionierungsalgorithmen. Ein besonderer Fokus liegt dabei auf dem Unsupervised Learning, einem Bereich der Künstlichen Intelligenz (KI), bei dem Algorithmen Muster und Strukturen in unbeschrifteten Daten selbstständig erkennen. Zur Bestimmung der öptimalen" Clusterzahl k sind zudem Visualisierungen des Elbow Plots (Ellenbogendiagramms), des Average Silhouette Plots (ASW-Kurve) sowie des Dendrogramms integriert.}, author = {Andreas, Daniela and Joachim, Silvia and Hennecke, Martin}, journal = {Informatische Bildung in Schulen}, keywords = {KI}, number = 2, pages = {55–63}, title = {ClusterLabor: Ein Werkzeug zur interaktiven Visualisierung und Analyse von Clusteralgorithmen}, volume = 2, year = 2024 }
Reinforcement-Learning enaktiv und inklusiv vermitteln. Joachim, Silvia; Hennecke, Martin. In Informatikunterricht zwischen Aktualität und Zeitlosigkeit, Bd. P-336 von Lecture Notes in Informatics, L. Hellmig, M. Hennecke (Hrsg.), S. 421–422. Gesellschaft für Informatik e.V., Bonn, 2023.
- [ Abstract ]
- [ BibTeX ]
- [ DOI ]
Es gibt vielfältige Unterrichtsmaterialien zum Thema Künstliche Intelligenz bzw. Reinforcement-Learning. Menschen mit körperlichen Beeinträchtigungen, wie etwa eine Sehbe- einträchtigung, benötigen eine besondere Umsetzung von Unterrichtsmaterialien. Das vorgestellte KI-Gewinnt-Spiel soll helfen, diese Lücke zu schließen.

@inproceedings{joachim2023reinforcementlearning, abstract = {Es gibt vielfältige Unterrichtsmaterialien zum Thema Künstliche Intelligenz bzw. Reinforcement-Learning. Menschen mit körperlichen Beeinträchtigungen, wie etwa eine Sehbe- einträchtigung, benötigen eine besondere Umsetzung von Unterrichtsmaterialien. Das vorgestellte KI-Gewinnt-Spiel soll helfen, diese Lücke zu schließen.}, address = {Bonn}, author = {Joachim, Silvia and Hennecke, Martin}, booktitle = {Informatikunterricht zwischen Aktualität und Zeitlosigkeit}, editor = {Hellmig, Lutz and Hennecke, Martin}, keywords = {KI}, pages = {421-422}, publisher = {Gesellschaft für Informatik e.V.}, series = {Lecture Notes in Informatics}, title = {Reinforcement-Learning enaktiv und inklusiv vermitteln}, volume = {P-336}, year = 2023 }
Enaktive Bestimmung der Hyperparameter beim Entscheidungsbaum- und k-nächste-Nachbarn-Algorithmus: Vorstellung von Materialien eines KI-Experimentierkastens. Joachim, Silvia; Hennecke, Martin. In Informatik 2023, M. Klein, D. Krupka, C. Winter, V. Wohlgemuth (Hrsg.), S. 415–418. Gesellschaft für Informatik e.V, Berlin, 2023.
- [ BibTeX ]
@incollection{joachim2023enaktive, address = {Berlin}, author = {Joachim, Silvia and Hennecke, Martin}, booktitle = {Informatik 2023}, editor = {Klein, Maike and Krupka, Daniel and Winter, Cornelia and Wohlgemuth, Volker}, keywords = {KI}, pages = {415–418}, publisher = {Gesellschaft für Informatik e.V}, series = {Lecture Notes in Informatics}, title = {Enaktive Bestimmung der Hyperparameter beim Entscheidungsbaum- und k-nächste-Nachbarn-Algorithmus: Vorstellung von Materialien eines KI-Experimentierkastens}, year = 2023 }
Experimentiersatz KÜNSTLICHE INTELLIGENZ. Joachim, Silvia. MEKRUPHY GMBH, 2023.
- [ BibTeX ]
- [ URL ]
@manual{joachim2023experimentiersatz, author = {Joachim, Silvia}, keywords = {KI}, organization = {MEKRUPHY GMBH}, title = {Experimentiersatz KÜNSTLICHE INTELLIGENZ}, year = 2023 }
Experimentiersatz KÜNSTLICHE INTELLIGENZ - Experimentierheft. Joachim, Silvia. MEKRUPHY GMBH, 2023.
- [ BibTeX ]
- [ URL ]
@manual{joachim2023experimentiersatz, author = {Joachim, Silvia}, keywords = {KI}, organization = {MEKRUPHY GMBH}, title = {Experimentiersatz KÜNSTLICHE INTELLIGENZ - Experimentierheft}, year = 2023 }
Experimentiersatz KÜNSTLICHE INTELLIGENZ - Handreichung für die Lehrkraft. Joachim, Silvia. MEKRUPHY GMBH, 2023.
- [ BibTeX ]
- [ URL ]
@manual{joachim2023experimentiersatz, author = {Joachim, Silvia}, keywords = {KI}, organization = {MEKRUPHY GMBH}, title = {Experimentiersatz KÜNSTLICHE INTELLIGENZ - Handreichung für die Lehrkraft}, year = 2023 }