English Intern
  • Der Seitenkopf zeigt ein dekoratives Bild des Experimentierkastens.
Professur für Didaktik der Informatik

KI Experimentiersatz

Das Bild zeigt den zusammengepackten Experimentiersatz KI. Zu erkennen sind die Pilze mit ihren fühlbaren Merkmalen und die Legeplatten, in denen die Pilze einrasten.

Der 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 wurde von Dr. Silvia Joachim im Rahmen ihrer Forschungstätigkeit an der Professur für Didaktik der Informatik in Kooperation mit dem Lehrstuhl für Pädagogik bei Sehbeeinträchtigungen und inklusiver Pädagogik entwickelt und ist das zentrale Element des Bildungsprojekts "KI verstehen - unplugged und digital". 

Publikation: "KI verstehen: Der Experimentiersatz KI"

Dr. Silvia Joachim - Projekte & Publikationen

Bildungsprojekt: KI verstehen - unplugged und digital

Eigenschaften

  • multifunktionale Elemente für mehrere KI-Algorithmen in einem einzigen Set
  • unplugged-Ansatz, unterstützt durch gedruckte und digitale Materialien
  • geeignet für verschiedene Bildungsstufen
  • konzipiert für den Einsatz in Schulen, Universitäten und der Fortbildung von Lehrkräften
  • vermittelt die Kernkonzepte von KI-Systemen
  • regt zum kritischen Nachdenken über Chancen und Grenzen von KI-Systemen an
  • gründlich erprobt und von Lehrkräften, Studierenden und Schülerinnen und Schülern für gut befunden
  • farbenfrohe Elemente
  • wesentliche Merkmale sind zusätzlich fühlbar
  • Spielbretter ermöglichen festen Halt 
  • geeignet für blinde und sehbehinderte Schülerinnen und Schüler
  • realisiert mit MEKRUPHY GMBH

Inklusion

Der Experimentiersatz KI folgt dem Prinzip des Universal Design for Learning und ermöglicht Lernenden mit unterschiedlichen sensorischen und sprachlichen Präferenzen eine gleichberechtigte Teilhabe.  

Experimentieranleitungen

Das Experimentierheft KI sowie die Handreichung für Lehrkräfte sind erschienen bei der MEKRUPHY GMBH und beinhalten folgende Themen:

  • „KI-Gewinnt“ – ein Lernspiel
  • Der Entscheidungsbaum-Algorithmus
  • Der k-nächste-Nachbarn-Algorithmus
  • Das Perzeptron und Delta-Lern-Regel
  • Trennlinien
  • Zusatzexperimente: Greedy-Algorithmus, Codierung

Exklusiv in unseren Fortbildungen sind zudem Experimentieranleitungen zu folgenden Themen verfügbar:

  • KI Basics – Entscheidungsbaum verstehen
  • Neuronale Netze
  • Unsupervised Learning
  • Wissensbasierte Systeme mit Prolog
Das Bild das Spiel KI-Gewinnt. Es basiert auf dem NIM-Spiel. Die Spielsteine habe tastbare Vertiefungen für die Wertigkeiten. Die Spielsteine werden in eine Legeplatte gesetzt, damit ein sinnvoller Aufbau möglich wird.

Wie funktioniert maschinelles Lernen?

Das KI-Gewinnt-Spiel ermöglicht sowohl einen spielerischen Weg zum Verständnis des Reinforcement Learning, als auch ein Erleben des Unterschiedes zwischen dem wissensbasierten Ansatz und dem datenbasierten Ansatz (maschinelles Lernen) von KI-Systemen.

Das Bild zeigt ein Koordinatensystem mit fühlbaren Koordinaten und weiteren Markierungen. Auf dem Koordinatensystem stehen eine Pilze.

Wie lernt ein KI-System ob ein Pilz giftig oder essbar ist?

Für den k-nächste-Nachbarn-Algorithmus gibt es mehrere Differenzierungsmöglichkeiten. Mit den in den Kastendeckel gravierten Labeln der Trainingsdaten (stetige Attribute) steht eine taktile Möglichkeit zur Verfügung, den k-nächste-Nachbarn-Algorithmus ohne Zirkel und Lineal durch Abzählen von Löchern nachzuvollziehen.  

Dieses Koordinatensystem ist auch die Grundlage für das Perzeptron mit Delta-Lernregel und der graphischen Bestimmung des Entscheidungsbaums.

Auf dem Bild ist die Legeplatte für den Entscheidungsbaum zu stehen. Es sind bereits einige der Pilze entsprechend den fühlbaren Eigenschaften angeordnete. Mit kleinen Plättchen sind die Entscheidungsmöglichkeiten tastbar markiert.

Wie funktioniert der Entscheidungsbaum-Algorithmus?

Der Entscheidungsbaum-Algorithmus für die binären Attribute kann sowohl enaktiv erfahren als auch bspw. mit Hilfe der Entropie als Maß für den Informationsgehalt rechnerisch durchgeführt werden. Die Verwendung von Validierungsdaten ermöglicht eine Optimierung des Hyperparameters Baumhöhe. Der Datensatz ist so gewählt, dass ohne Verwendung des Algorithmus ein niedrigerer Entscheidungsbaum gefunden werden kann, um die Grenzen eines Greedy-Algorithmus zu thematisieren. 

Diese Binärbaumplatte kann auch einen Stammbaum oder eine Inferenzmaschine beim wissensbasierten Ansatz oder Graphendurchläufe, Suchalgorithmen und neuronale Netze visualisieren.

Evaluation

Der bewusst gewählte „unplugged“-Zugang wurde unter Variation des Anspruchsniveaus vom Kindergarten bis zur Oberstufe des Gymnasiums und der universitären Lehre sowie mit blinden Menschen erfolgreich erprobt. Bei Fortbildungen ist er auf überaus positives Feedback von Lehrenden und Lernenden gestoßen. In einer Evaluation nach längerem Einsatz an den Schulen bestätigen Lehrkräfte eine hohe Motivation und ein gutes Verständnis der Lernenden. Der Experimentiersatz leistet daher einen wichtigen Beitrag zur Unterstützung des Unterrichts.

Neben bereits online verfügbaren Zusatzmaterialien werden aktuell die neu entwickelten Erweiterungen zum Schwerpunkt neuronale Netze erprobt. Sie umfassen auch Experimente zu Data Literacy, zum Gradientenabstieg, zur Flächenfärbung und zur generativen KI. Sie sollen in Kürze Bestandteil des Experimentiersatzes werden.