Die Allgegenwärtigkeit von KI für unsere Schülerinnen und Schüler benötigt neue Unterrichts- und Lernstandserhebungsmethoden.
Ich stelle in diesem Artikel eine Unterrichtssequenz vor, die versucht, die fünf Dimensionen von Lernen und KI (vgl. Falck 2021) in Sequenz zu vereinen.
Mit den einzelnen Abschnitten werden auch die Unterrichtsmaterialien in Form eines Akkordeons zur Verfügung gestellt. Die Materialien können unter der cc-Lizenz cc by 4.0 verwendet werden.
Lernen ohne KI
Wie in jedem projektorientierten Unterricht in NwT beginnt auch diese Einheit mit der Qualifizierungsphase der Schülerinnen und Schüler. Ich wählte folgende Methodik:
- Film zum Einstieg: Ich wählte den Brückenfilm auf Sesam (sesam.lmz-bw.de) mit den zugehörigen Arbeitsblättern. Es kann hierbei jeder beliebige Film zum Einstieg genutzt werden. Die Schülerinnen und Schüler mussten während des Filmes die Arbeitsblätter ausfüllen. Diese wurden nach Ende des Films im Lehrer-Schüler-Gespräch gesichert.
- weitere Qualifizierung und Vertiefung in zwei Readern: Die Schülerinnen und Schüler haben von mir zwei Reader bekommen, die Grundlagen der Statik vermittelten. Diese haben Sie durchgearbeitet und mit mir am Schluss diskutiert.
Diese Qualifizierungsphase war völlig ohne KI-Einsatz. Alle Fragen und Aufgaben konnten mit Hilfe des Inhaltes im Film und auf den Readern gelöst werden.
Qualifizierungsphase - Lernen ohne KI
Die Reader I und II für die Qualifizierung völlig ohne KI können im Downloadbereich heruntergeladen werden. Sie sind in diesem Akkordeon einzeln verlinkt.
Wie funktionieren KI-Chat-Bots war die nächste Aufgabe - Lernen über KI
In diesem Lernabschnitt wurde mit Hilfe einer Moodle-Textseite die Funktion von LargeLanguageModels (LLMS) von den Schüerinnen und Schüern erarbeitet. Das große darüberstehende Lernziel war, die Schwächen eines KI-ChatBots zu verstehen und zu reflektieren. Die Textseite ist im Akkordeon nachlesbar, die passenden Arbeitsblätter werden in dieses Akkordeon ebenfalls eingefügt.
Funktionsweise eines LargeLanguageModels - Lernen über KI>
LLM-Models (Funktion einer KI)
In dieser Lerneinheit lernst Du mit KI (für den persönlichen und schulischen Nutzen) zu arbeiten.
Diese Seite gibt Dir Einblick, wie die Technologie hinter KI (Large Language Model) funktioniert.
Wie genau funktioniert ein Large Language Model?
Architektur und Training
Die obere Grafik verdeuticht nochmals die Struktur, wie LLMs aufgebaut sind.
Large Language Models (LLMs) funktionieren durch komplexe statistische Berechnungen und maschinelles Lernen, um natürliche Sprache zu verarbeiten und zu generieren. Hier sind die Hauptaspekte ihrer Funktionsweise:
LLMs basieren auf neuronalen Netzwerken mit Transformer-Architektur. Sie werden in mehreren Schritten trainiert:
- Unüberwachtes Lernen: Das Modell wird mit unstrukturierten Daten trainiert, um Beziehungen zwischen Wörtern und Konzepten herzustellen.
- Überwachtes Lernen: Das Modell wird mit strukturierten Daten und Prompts (=Befehle an die KI im Chat gestellt) trainiert, um Konzepte genauer zu identifizieren.
- Reinforcement Learning: Fehlerhafte Datensätze werden identifiziert und korrigiert.
Die Trainingsprozesse sind in der Grafik Trainingsprozess von LLMs nochmals übersichtlich dargestellt.
Verarbeitung und Generierung
Bei der Textverarbeitung wandelt das LLM die Eingabe in Token um und führt mathematische Berechnungen durch, um Beziehungen zwischen den Token zu ermitteln. Der Selbstaufmerksamkeitsmechanismus ermöglicht es dem Modell, den gesamten Kontext eines Satzes zu berücksichtigen.
LLMs arbeiten mit Wahrscheinlichkeiten, indem sie Wort für Wort die wahrscheinlichste Fortsetzung eines Textes ermitteln. Sie nutzen dabei Millionen oder Milliarden von Parametern, die als eine Art "Erinnerung" fungieren.
Komponenten
Ein LLM besteht aus mehreren Schichten:
- Wiederkehrende Ebene: Interpretiert Wörter in Reihenfolge
- Einbettungsebene: Erfasst semantische und syntaktische Bedeutung
- Feedforward-Ebene: Transformiert Eingabeeinbettungen
- Aufmerksamkeitsebene: Fokussiert auf relevante Informationen
Quellen
- Maier, F.; Mearian, L. (2024). Large Language Models erklärt: Was sind LLMs?. Artikel in Computerwoche online. Internet.https://www.computerwoche.de/article/2823883/was-sind-llms.html. Abruf: 04.12.2024
- Wuttke, L. (2023). Large Language Model: Einblicke in die wichtigsten Konzepte und Beispiele. Internet. https://datasolut.com/was-ist-ein-large-language-model/. Abruf: 04.12.2024
- Safar, M. (2024). Large Language Models - Grundlagen KI-getriebener Kommunikation. Internet. https://weissenberg-group.de/was-ist-ein-large-language-model/. Abrum: 04.12.2024
- buzwoo.de (2024). Wie funktionieren Large Language Models? Die Grundlagen erklärt. Internet. https://www.buzzwoo.de/blog/wie-funktionieren-large-language-models-die-grundlagen-erklaert. Abruf: 04.12.2024
- Weil, S. (2024). Large Language Model. Internet. https://de.wikipedia.org/wiki/Large_Language_Model. Abruf: 04.12.2024
- Siebert, J.; Kelbert, P. (2024). Wie funktionieren LLMs? Ein Blick ins Innere großer Sprachmodelle. Internet. https://www.iese.fraunhofer.de/blog/wie-funktionieren-llms/. Abruf: 04.12.2024
Optimierung der Brückenbaukonstruktion - Lernen durch KI und Lernen trotz KI
Die Schülerinnen und Schüler haben nun bis jetzt folgendes gelernt:
- Lernen ohne KI - Qualifizierung für Statik
- Lernen über KI - Ein Exkurs brachte den Schülerinnen und Schülern bei, wie ChatBots funktionieren und haben eine höhere Sensibilisierung für die Arbeit mit KI gebracht. Eine realistische Einschätzung des Nutzens von KI im Schulkontext sollte nun von den Schülerinnen und Schülern geleistet werden.
Im diesem Lernabschnitt lernen die Schülerinnen und Schüler mit KI.
Die Schülerinnen und Schüler sollten nun ihre ohne KI entwickelte Brückenbaukonstruktion der KI selbst sehr gut beschreiben und über einen Prompt die Optimierung der Brücke auf folgende Kriterien durchführen:
- 40 cm sollten überspannt werden
- 10 kg muss sie tragen
- archetektonisch sollte sie anspruchsvoll sein (Das bloße Aneinanderreihen von Schaschlikspießen ist nicht erlaubt)
Im Bruchtest wird der Quotient aus der absoluten Traglast der Brücke und dem Eigengewicht der Brücke gerechnet. Der größere Quotient gewinnt.
Die Brückenkonstruktion vor und die Konstruktion nach der KI-Optimierung mussten technisch im Maßstab von 1:4 gezeichnet und über eine Moodleaufgabe zur Bewertung hochgeladen werden.
Im Akkordeon finden sich wieder die Arbeitsblätter zum Download.
Optimierung der Brückenkonstruktion - Lernen durch und trotz KI
Das AB, mit der die Optimierung der Brücke durchgeführt wird ist hier zum Download verlinkt.
weitere interessante Artikel
- KI als Assistenz - chemische Mechansimen
- KI im Biologiekurs - ein Beispiel zur Implementierung von KI in der Oberstufe
Quellen
- Brinda et al. (2016). Dagstuhl-Erklärung: Bildung in der digital vernetzten Welt. Internet: https://dagstuhl.gi.de/dagstuhl-erklaerung. Abruf 13.01.2025
- Falck, J. (2021). Künstliche Intelligenz in der Schule. Reflexionen zwischen Faszination und Überforderung. Internet. https://joschafalck.de/ki-in-der-schule/. Abruf am 13.12.2024.
