Thema: Maschinelles Lernen

Klassenstufe 5-7

ML 5-7 (W1): Beschreiben der Grundprinzipien Maschinellen Lernens anhand alltagsnaher Beispiele. Schüler verstehen erste Konzepte Maschinellen Lernens wie das Erkennen von Mustern, das Lernen aus Beispielen und einfache Modellbildung. Dadurch wird ein technisches Grundverständnis gefördert und ein Einstieg in die Funktionsweise intelligenter Systeme ermöglicht.
ML 5-7 (W2): Unterscheiden zwischen menschlichem und Maschinellem Lernen in einfachen Kontexten. Durch die Auseinandersetzung mit Unterschieden zwischen biologischem und künstlichem Lernen entwickeln Schüler ein erstes Bewusstsein für die besonderen Eigenschaften maschineller Systeme und deren Grenzen.
ML 5-7 (V): Benennen typischer Anwendungen Maschinellen Lernens im Alltag und Erklären ihrer Funktionen. Schüler lernen, wie Sprachassistenten, Videoempfehlungen oder Sortierfunktionen durch Maschinelles Lernen funktionieren. Dies fördert ein reflexives Verständnis für Technologien, denen sie im Alltag begegnen.
ML 5-7 (Aw1): Identifizieren einfacher Entscheidungsprozesse von intelligenten Systemen und Reflektieren über mögliche Fehlerquellen. Schüler erkennen, dass Maschinen aus unvollständigen oder fehlerhaften Daten falsche Schlüsse ziehen können. Dies sensibilisiert sie für Grenzen maschineller Systeme und deren Abhängigkeit von der Qualität der Daten.
ML 5-7 (Aw2): Aufzeigen einfacher ethischer Fragestellungen in Bezug auf maschinelle Entscheidungen. Die Beschäftigung mit Verantwortung und Kontrolle fördert ein erstes Verständnis für ethische Implikationen, etwa wenn Maschinen Entscheidungen mit Konsequenzen für Menschen treffen.

Klassenstufe 8-10

ML 8-10 (Al1): Analysieren der grundlegenden Lernarten im Maschinellen Lernen und deren Einsatzmöglichkeiten. Schüler verstehen und vergleichen überwachtes, unüberwachtes und bestärkendes Lernen in unterschiedlichen Anwendungskontexten. Dies fördert konzeptuelles Wissen über algorithmische Verfahren.
ML 8-10 (Al2): Erläutern des Zusammenhangs zwischen Datenqualität, Modellgüte und möglichen Verzerrungen. Schüler erkennen, wie unvollständige oder verzerrte Daten zu fehlerhaften Ergebnissen führen. Sie entwickeln so ein kritisches Bewusstsein für Fairness und Genauigkeit in datenbasierten Systemen.
ML 8-10 (Al3): Beschreiben der Rolle von Trainings-, Validierungs- und Testdaten in der Modellbildung. Durch die Auseinandersetzung mit verschiedenen Datensätzen und deren Funktionen wird das Verständnis für den Aufbau und die Bewertung von ML-Modellen vertieft.
ML 8-10 (Al4): Analysieren ethischer und gesellschaftlicher Auswirkungen algorithmischer Entscheidungen. Schüler reflektieren über die Konsequenzen automatisierter Entscheidungen in Alltagssituationen (z. B. Bewerbung, Online-Shopping) und entwickeln ein ethisches Problembewusstsein.
ML 8-10 (B): Reflektieren über Chancen und Risiken maschineller Lernsysteme im Alltag. Anhand konkreter Beispiele bewerten Schüler Nutzen und mögliche Gefahren intelligenter Systeme – etwa im Bereich Datenschutz, Automatisierung oder Konsumverhalten.

Sekundarstufe II (Klassenstufe 11-13)

ML 11-13 (Al): Unterscheiden komplexer Lernverfahren und Bewerten ihrer Anwendung in sensiblen Bereichen. Schüler analysieren den Einsatz Maschinellen Lernens z. B. in Medizin, Strafverfolgung oder Bildung und reflektieren die Auswirkungen auf Menschen und Gesellschaft.
ML 11-13 (B): Bewerten der Modellarchitektur und Feature-Selektion im Hinblick auf Fairness, Transparenz und Generalisierbarkeit. Durch das Verständnis komplexer Modellierungsentscheidungen entwickeln Schüler eine kritische Perspektive auf technische Parameter und deren ethische Relevanz.
ML 11-13 (E1): Diskutieren gesellschaftlicher Machtverhältnisse im Zusammenhang mit datengetriebenen Entscheidungssystemen. Schüler setzen sich mit Fragen digitaler Gerechtigkeit, Diskriminierung und Verantwortung auseinander und entwickeln argumentativ fundierte Haltungen zu den Herausforderungen algorithmischer Systeme.
ML 11-13 (E2): Integrieren des technischen, ethischen und gesellschaftlichen Wissens zur Beurteilung aktueller Entwicklungen im Bereich Maschinellen Lernens. Diese Kompetenz ermöglicht es Schülern, komplexe Zusammenhänge interdisziplinär zu erfassen und fundierte Bewertungen zu technologischen Zukunftsfragen vorzunehmen.