KI verstehen - unplugged und digital

Die Verwendung von KI-Systemen hat in den letzten Jahren große Aufmerksamkeit auf sich gezogen. Ein Verständnis dafür, wie die zugrundeliegenden informatischen Prozesse funktionieren, hilft Chancen und Risiken von KI-Systemen kompetent einschätzen können und bildet die Basis, um selbst KI-Systeme mitgestalten zu können. Das Bildungsprojekt "KI verstehen - unplugged und digital" will Lernende dazu befähigen, die zugrundeliegenden Konzepte von KI-Systemen zu verstehen. Lernende sollen ihre digitale Zukunft reflektiert und mündig mitgestalten können! Das zentrale und verbindende Element ist dabei der Experimentiersatz KI.

Das dekorative Bild zeigt Kinderhände bei der Arbeit mit dem Entscheidungsbaum.

Ein Bildungsprojekt, das KI und Inklusion zusammen denkt

Ein grundlegendes Verständnis von KI-Systemen ist eine zentrale Zukunftskompetenz, die allen Lernenden zugänglich gemacht werden sollte – unabhängig von Alter, Vorwissen oder individuellen Voraussetzungen. Mit dem Anspruch auf ein verpflichtendes Unterrichtsfach Informatik geht auch der Anspruch aller Schülerinnen und Schüler auf geeignete Unterrichtsmaterialien einher. Das verstärkt die Notwendigkeit zur Entwicklung geeigneter Materialien. Unser didaktisches Konzept sieht ein Zusammenspiel von Fortbildungen, haptischen Materialien und E-Learning in diesem Sinne vor. Unser Angebot setzt daher nicht allein auf textuelle Erklärmodelle oder digitale Formate. Vielmehr sollen Lernende zentrale Prinzipien handelnd und spielerisch erleben und ggf. anschließend in digitale Lern- oder Programmierumgebungen übertragen.

Experimentiersatz Künstliche Intelligenz

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 enthält haptische Materialien (Spielsteine, plastische Pilze und Legeplatten). Diese sind so gestaltet, dass sie für verschiedene Lerninhalte und Anspruchsniveaus benutzt werden können. Insbesondere können damit die an Gymnasien in Bayern verpflichtend von allen Schülerinnen und Schüler zu erlernenden Algorithmen behandelt werden. Der Experimentiersatz Künstliche Intelligenz mit Handreichung und Experimentieranleitungen ist bei der MEKRUPHY GMBH erschienen.

Experimentiersatz KI

Ein dekoratives Bild zeigt den Veranstaltungsraum für die Lehrerfortbildungen mit den Lernmaterial und Verpflegung für die Teilnehmer.

Fortbildungsinitiative KI & Wissenstransfer

Der Lernbereich „Künstliche Intelligenz“ wurde im Schuljahr 2022/23 im Fach Informatik in der gymnasialen Oberstufe in Bayern eingeführt. Wir engagieren uns im Rahmen der Fortbildungsinitiative Künstliche Intelligenz Bayern und bieten fachlich vertiefte Fortbildungen für Informatiklehrkräfte an Gymnasien an. Dank des Experimentiersatzes KI können die dort erworbenen Kenntnisse dann im Unterricht und Kollegium weitergegeben werden, insbesondere um einen Multiplikatoreffekt in der Schulfamilie anzustoßen.

Lehrkräfte anderer Schulfromen, Schülerinnen und Schüler erreichen wir durch passende Angebote. Zudem berichten wir über unsere Konzepte durch Vorträgen auf Fachtagungen.

Fortbildungstermine

Didaktische Materialien zum Verstehen von KI-Konzepten

Die Vermittlung von Konzepten der Künstlichen Intelligenz erfordert spezielle didaktische Materialien. Sie sollen komplexe Inhalte anschaulich und handlungsorientiert zugänglich machen. Im Rahmen von "KI verstehen - unplugged und digital" entstehen zahlreiche digitale Materialen die in den nachfolgenden Kästchen beschrieben sind. Anleitungen zu diesen Tools finden Sie in den verlinkten Publikationen oder in unseren Fortbildungen.

k-Means

Ein Artikel in der "Informatischen Bildung in Schule (IBIS)" beschreibt eine Einführungsmöglichkeit mit Stift & Papier und eine Möglichkeit der Implementation des k-Means-Algorithmus mit Visualisierung in BlueJ (13. Jahrgangsstufe des bayerischen Gymnasiums).

Artikel
Arbeitsblätter (PDF)
Lösung für die Arbeitsblätter(PDF)
Vorlage für BlueJ (ZIP-Archiv)
Lösungsmöglichkeit in BlueJ (ZIP-Archiv)

ClusterLabor

In der "Informatische Bildung in Schulen (ibis)" ist ein Konzept zur Umsetzung des k-Means-Algorithmus erschienen (13. Jahrgangsstufe des bayerischen Gymnasiums). Der Artikel erläutert insbesondere ClusterLabor - ein Werkzeug zur interaktiven Visualisierung und Analyse von Clusteralgorithmen im 2-Dimensionalen.

Artikel in der IBIS
ClusterLabor

ClusterSteps

ClusterSteps ist der "kleine Bruder" von ClusterLabor und ermöglicht die enaktiven Erforschung verschiedener Clusteralgorithmen im 1-Dimensionalen. ClusterSteps kann im Unterricht als Hinführung zur ClusterLabor genutzt werden.

ClusterSteps
ClusterSteps mit k-Means-Algorithmus
ClusterSteps mit k-Medoid-Algorithmus
ClusterSteps mit hierarchischem Clustern

MAL-E

MAL-E erklärt in mehreren Schritten den Prozess zwischen einem Prompt und der Generierung eines Bildes. Das Material ist fachlich eher anspruchsvoll. MAL-E wird in Kürze auch in haptischer Form im Experimentiersatz KI Plus (MEKRUPHY GMBH) erscheinen.

Artikel

NetVisard

Auf der INFOS 2023 wurde Netvisard von Daniela Andres vorgestellt. NetVisard ist ein Werkzeug zum Erstellen, Visualisieren und Trainieren neuronaler Netze. Der Artikel gibt zudem eine Einblick in die grundlegende Funktionalitäten des Programms und die Anwendungsmöglichkeiten in der bayerischen Oberstufe.

Artikel
NetVisard

Kurs „KI verstehen“ im OpenWueCampus

Zahlreiche weitere Materialien, insbesondere die Links zu unseren Taskcards, finden Sie im OpenWueCampus. Diese ermöglichen es grundlegende KI-Algorithmen auf unterschiedlichem Schwierigkeitsniveau zu vermitteln und sind so zur Binnendifferenzierung, für unterschiedliche Jahrgangsstufen und Schularten, sowie für die Lehre an der Universität geeignet. Einen Zugang erhalten Sie bei Teilnahme an unseren Präsenzfortbildungen an der Universität.

Kurs "KI verstehen"

Foto: Hemmerich

Projektkoordination

Frau Dr. Silvia Joachim ist promovierte Studiendirektorin mit den Fächern Informatik, Mathematik und Physik und koordiniert seit 2022 das Bildungsprojekts "KI verstehen - unplugged und digital" an der Professur für Didaktik der Informatik der JMU Würzburg.

Dr. Silvia Joachim

Aktuelle 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, Vol. 15958 of Lecture Notes in Computer Science, J. Staub, A. Singla (eds.), pp. 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), pp. 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, of Lecture Notes in Informatics, M. Grillenberger, A. Grillenberger (eds.), pp. 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 (eds.). 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 }
ClusterLabor: Ein Werkzeug zur interaktiven Visualisierung und Analyse von Clusteralgorithmen. Andreas, Daniela; Joachim, Silvia; Hennecke, Martin. In Informatische Bildung in Schulen, 2(2), pp. 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 }
Den k-Means-Algorithmus verstehen: Mit Stift & Papier und BlueJ. Andres, Daniela; Joachim, Silvia; Hennecke, Martin. In Informatische Bildung in Schulen (IBiS), 2(1), pp. 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 }
Reinforcement-Learning enaktiv und inklusiv vermitteln. Joachim, Silvia; Hennecke, Martin. In Informatikunterricht zwischen Aktualität und Zeitlosigkeit, Vol. P-336 of Lecture Notes in Informatics, L. Hellmig, M. Hennecke (eds.), pp. 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 (eds.), pp. 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 }