Intelligenz (ganzheitlich) ist die Hauptfunktion des menschlichen Gehirns, um kognitive Funktionen bereitzustellen, die einem Lebewesen das Überleben in einer feindlichen Umgebung ermöglichen.
Intelligenz (kommerziell) wird benötigt, um Aufgaben zu erledigen, die von geistigen Arbeitern ausgeführt werden.
1000 andere: …
Künstliche Intelligenz
eine Software kann bis zu einem gewissen Grad geistige Arbeit, kognitive Aufgaben leisten.
Analogie
Ein künstliches Herz ersetzt ein menschliches Herz. Ja/Nein
KI in der Praxis
Eine Maschine kann bis zu einem gewissen Grad kognitive Aufgaben leisten. Dafür muss eine cognitive Kette durchlaufen werden:
Using a dataset of 41.3 million research papers across [MINT]…. Scientists who engage in AI-augmented research publish 3.02 times more papers, receive 4.84 times more citations, and become research project leaders 1.37 years earlier than those who do not.
Wie gut ist KI wirklich in der Lage, kognitive Aufgaben zu erfüllen. Ein Test.
Rätsel
Du kommst an eine Weggabelung und weißt nicht, ob der linke oder der rechte Weg zu Deinem Ziel führt. Glücklicherweise ist gleich in der Nähe ein Haus, deren Bewohner Du fragen kannst.
In dem Haus wohnen drei Brüder.
Einer sagt immer die Wahrheit,
einer lügt immer, und der
dritte lügt manchmal und manchmal nicht.
Du weißt aber nicht, wer der drei Brüder wer ist.
Du darfst zwei beliebige Fragen stellen, um herauszufinden, wohin du gehen musst, um Dein Ziel zu erreichen. Eine Frage darfst Du nur an jeweils einen der drei Brüder richten; aber nicht notwendigerweise an den selben.
KI Foundation-Modelle wie GPT-4 agieren vorwiegend als System 1, das Muster erkennt und schnell Antworten generiert.
KI Reasoning-Modelle wie OpenAI o3 zeigen dagegen System-2-ähnliches Verhalten, indem sie durch strukturierte Prompts zu überlegteren und logischeren Schlussfolgerungen gelangen.
GPT-5 und zukünftige Modelle werden versuchen beide Systeme integrieren, um sowohl schnelle als auch tiefgründige kognitive Fähigkeiten zu bieten.
Zhong-Zhi Li et. al: From System 1 to System 2: A Survey of Reasoning Large Language Models
Wir denken System 1
Aufgabe 1
Ein Schläger und ein Ball kosten 1,10 Dollar. Der Schläger kostet einen Dollar mehr als der Ball. Wie viel kostet der Ball?
Ich bevorzuge die KI Bewertung 2: “gut” bis “sehr gut”:
Antwort.
Ich bevorzuge die KI Bewertung 2: “gut” bis “sehr gut”:
II.
Sprache & Logik & Wissensrepräsentation
Sprache
Sprache ist ein zentrales Element menschlicher Kognition und Kommunikation. Wissen, Bedeutung und Logik sind eng mit Sprache verbunden. Verschiedene Theorien erklären diese Beziehungen (sehr) unterschiedlich.
Denker
Grundidee von Sprache
Ursprung von Bedeutung
Rolle der Logik
Grenzen
Ludwig Wittgenstein (1889–1951)
Sprache ist ein Werkzeug sozialer Praxis; Bedeutung entsteht im Gebrauch.
Bedeutung ist Gebrauch im Kontext, nicht innerlich oder objektiv.
Logik ist Teil der Sprachspiele – eine Regel sozialer Verständigung.
Fehlende Erklärung kognitiver Prozesse; keine formale Struktur.
Marvin Minsky (1927–2016)
Sprache ist ein Symbolsystem zur Repräsentation von Wissen.
Bedeutung entsteht durch Relationen zwischen Symbolen und gespeicherten Konzepten.
Logik ist operatives Instrument zur Regelung von Schlussfolgerungen.
Sprache ist eine angeborene kognitive Struktur mit Universalgrammatik.
Bedeutung folgt aus der mentalen Grammatik und ihrer logischen Form.
Logik ist Teil der geistigen Architektur, Ausdruck rationaler Strukturen.
Vernachlässigt Erfahrung, Variation und sozialen Gebrauch.
Geoffrey Hinton (geb. 1947)
Sprache ist ein Netzwerk von Mustern; Wissen entsteht aus statistischen Beziehungen.
Bedeutung ist relational – Produkt von Korrelationen in Daten.
Logik ist emergent, entsteht aus gelernten Regularitäten.
Fehlendes Weltwissen („Grounding“), keine Intentionalität.
Sprachmodelle: Symbole
Sprachen werden formal-logisch modelliert, z. B. in Prolog, einer logischen Programmiersprache, die versucht, Wissen und Schlussfolgerungen darzustellen.
% Anna ist das Kind von Bernd.ist_kind_von(anna, bernd).% Bernd ist das Kind von Carla.ist_kind_von(bernd, carla).% X ist das Enkelkind von Z, wenn X das Kind von Y ist und Y das Kind von Z.ist_enkel_von(X,Z) :- ist_kind_von(X,Y), ist_kind_von(Y,Z).% Ist Anna das Enkelkind von Carla??- ist_enkel_von(anna, carla).% Antwort: Ja.
Sprachmodelle: N-gramme
Sprachen werden statistisch modelliert, z. B. mit N-Grammen, die die Wahrscheinlichkeit von Wortfolgen basierend auf Trainingsdaten erfassen.
Mir geht es gut und ….
Mir geht es gut und[ wie] ….
Mir geht es gut und wie[ geht] ….
Mir geht es gut und wie geht[ es] ….
Mir geht es gut und wie geht es[ dir] ….
Mir geht es gut und wie geht es dir[.]
Statistischer Papagei
Arbeitsauftrag: Generiert in Gruppen mit Hilfe des N-Gramm Modells von Huggingface mögliche Satzfortsetzungen auf Englisch:
Es gibt verschiedene philosophische und kognitive Ansätze zur Rolle der Logik in Sprache und Denken:
Denkschule
Rolle der Logik
Stellung zu Sprache
Rationalistisch / Symbolisch (Chomsky, Minsky)
Logik ist zentrale Voraussetzung von Sprache und Denken.
Sprache folgt angeborenen oder formalisierten logischen Strukturen.
Empirisch / Konnektionistisch (Hinton)
Logik ist sekundär und entsteht aus Erfahrung und Datenmustern.
Sprache kann Logik „lernen“, statt sie vorauszusetzen.
Philosophisch-pragmatisch (Wittgenstein)
Logik ist Teil des Sprachgebrauchs; sie gilt innerhalb eines Sprachspiels.
Sprache erzeugt Logik – nicht umgekehrt.
Logisches Denken
Menschen und KI-Modelle (z. B. ChatGPT) nutzen unterschiedliche Formen logischen Schließens:
- Deduktiv: vom Allgemeinen auf den Einzelfall schließen
- Induktiv: aus Beispielen auf Regeln schließen
- Abduktiv: die wahrscheinlichste Erklärung finden
Testet ChatGPT mit denselben Aufgaben –
und diskutiert: Wie „logisch“ denkt die KI wirklich?
Ergebnis: Log. Denken
KI versus Mensch. Was fällt auf?
Die Reihe
‘>’ steht für 0
‘v’ steht für 1
Wir haben also 4-stellige Bit-Zeilen (wie Binärzahlen):
‘> > > >’ → 0000 → Dezimal 0
‘> > > v’ → 0001 → Dezimal 1
‘> > v >’ → 0010 → Dezimal 2
Man sieht: Die Zahlen zählen einfach im Binärsystem hoch: 0, 1, 2, …
Die nächste Zahl wäre dann: 3 im Dezimalsystem; 0011 im Binärsystem:
0 0 1 1 → ‘> > v v’
Darum muss das Fragezeichen ein ‘v’ sein.
Die Hüte
Wenn Carla zwei weisse Hüte sieht, weiss sie dass der Rest schwarze Hüte sein müssen. Sie schliesst also auf einen schwarzen Hut für sich selbst.
Nr.
Anna
Bernd
Carla
1
◼️
◼️
◼️
2
◻️
◼️
◼️
3
◼️
◻️
◼️
4
◼️
◼️
◻️
5
◼️
◻️
◻️
6
◻️
◼️
◻️
7
◻️
◻️
◼️
Kann Carla nur aus den Aussagen der anderen beiden auf die Farbe ihres Hutes schliessen?
Der verschwundene Test
Die naheliegendste Erklärung ist:
Die Mathetests sind nicht gestohlen worden, sondern durch den Wind vom Schreibtisch aus dem Fenster geweht worden.
Also: Kein Diebstahl, sondern ein „Papier-Desaster“ durch das übers Wochenende offene Fenster.
Wissenrepräsentation
Neben Sprache und Logik ist die Wissenrepräsentation ein zentraler Aspekt menschlicher und künstlicher Kognition.
Klassisch speichern wir Wissen mittels Sprache. Maschinen nutzen dagegen oft strukturelle Repräsentationen wie
Tabbellen (Excel, SQL, etc.),
Netzwerke (Graphen, soziale Netzwerke, etc.) oder
Konzeptdiagramme (Mindmaps, Concept Maps, etc.),
um Wissen zu organisieren und Schlussfolgerungen zu ermöglichen. Mit LLMS können wir nun auch natürliche Sprache als flexible und dynamische Form der Wissensrepräsentation nutzen.
Konzeptdiagramme
Ziel:
Mit einem Konzeptdiagramm als Wissensrepresentation lassen sich zentrale Begriffe und Zusammenhänge einer Geschichtsaufgabe erfassen und vergleichen.
So werden inhaltliche Schwerpunkte und Denkstrukturen sichtbar.
Arbeitsauftrag:
Analysiert die beiden Schülerlösungen (A und B) zur Karikatur „Nationalsozialistische Rüstkammer“ (1935).
Markiert im Konzeptdiagramm die zentralen Begriffe und Verbindungen für A und B.
Vergleicht anschließend die beiden Diagramme: Was stimmt überein? Welche Begriffe fehlen?
Diskutiert: Welche Stärken und Schwächen seht Ihr in den jeweiligen Analysen?
Lernen ermöglicht auf verschiedenen Ebenen kognitive Aufgaben zu erledigen. Sowohl beim Menschen als auch bei KI-Systemen.
Ebene
Was dort gelernt wird
Wie das Lernen abläuft
Typisches Beispiel
Wahrnehmen
Muster, Unterschiede, Aufmerksamkeit
Perzeptives Lernen – feineres Erkennen durch Erfahrung
Was sagt mir das Bild, der Text, die Situation?
Antizipieren
Hypothesen, Erwartungen, Modelle
Konzeptuelles Lernen – mentale Modelle anpassen
Wie funktioniert das? Wie geht es weiter? Was bedeutet das?
Handeln
Routinen, motorische oder kognitive Fertigkeiten
Prozedurales Lernen – durch Übung und Feedback
Wie führe ich eine Aufgabe aus?
Reflektieren
Strategien, Denkweisen, Metakognition
Selbstreguliertes Lernen – Lernen über das Lernen
Lernende fragt sich: „Warum hat das nicht funktioniert?“
Literatur:
Illeris, K. - Lernen verstehen: Bedingungen erfolgreichen Lernens. Yan LeCun, Yoshua Bengio, Geoffrey Hinton – Deep Learning to learn representations of data with multiple levels of abstraction Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J - Building Machines That Learn and Think Like People
Was ist Lernen?
Beim Lernen geht es nicht darum Wissen zu speichern, sondern es sollen Denkzyklen - Wahrnehmung, Antizipation, Handlung und Reflexion - immer besser durchlaufen werden. Das ist der Kern des kompetenzorientierten Lernens hin zur Expertise und der Pfad zu Künstlichen Allgemeinen Intelligenzen (KAI/AGI).
graph LR
%% --- main cycle ---
A["Wahrnehmen<br><small>Information aufnehmen,<br/> Muster erkennen</small>"] --> B["Antizipieren<br><small>Vorhersagen <br/>Modelle bilden</small>"]
B --> C["Handeln<br><small>Umsetzen, ausprobieren, <br/> reagieren</small>"]
C --> D["Reflektieren<br><small>Feedback integrieren, <br/> Strategien anpassen</small>"]
D --> A
%% --- subgraph pinned to the right ---
subgraph W["Lernziele"]
direction TB
W1["Reproduktion/Intuition/Klassifikation"]
W2["Tieferes Verstehen/Transfer"]
W3["Handlungsstrategien"]
W4["Erkenntnis/Metakognition"]
end
%% --- invisible anchors to fix layout ---
A -.-> W1
B -.-> W2
C -.-> W3
D -.-> W4
%% --- styling for readability ---
classDef wissenStyle fill:#f2f2f2,stroke:#999,stroke-width:1px,color:#000;
class W,W1,W2,W3,W4 wissenStyle;
Lernen Schwierigkeitsgrade
Nicht nur Menschen auch KI-Systemen bewältigen Lernaufgaben unterschiedlich leicht. Hier ein Vergleich von Maschinellem Lernen und menschlicher LernTaxonomie.
Anderson, L. W., & Krathwohl, D. R. – A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. Russell, S., & Norvig, P. – Artificial Intelligence: A Modern Approach.
Aus Worten werden Vektoren (embeddings) erzeugt die wiederum von neuronalen Netzen wie LLMs/GPTs interpretiert und zu einem finalen Embeddings (Vektor) umgewandelt werden.
GPT: General Pre-trained Transformer
Large Language Model
Hat man erstmals ein Model das ein Wort vorhersagen kann, so wird daraus ein Text…
Modelle zeigen überraschende Eigenschaften die unvorhersehbar auftauchen
Beyond the Imitation Game: Quantifying and extrapolating the capabilities of language models: 444 Authors, 2024
LLMs: Chess Leaderboard
Da Schach ein stark regelbasiertes Spiel ist (System 2), ist es erstaunlich, dass LLMs so gut abschneiden. Es zeigt, dass LLMs komplexe, regelbasierte Aufgaben erlernen können.
Erste Untersuchungen über KI/Mensch Zusammenarbeit
758 consultants
4867 software developers
sehen 25-40% Zunahme der Produktivität: skales with detached (-), delegating (+) or immersive usage (++)
KI in der Forschung
Ein Team von Wissenschaftlern hat eine chemische KI entwickelt, die in der Lage ist, Moleküle zu entwerfen, die auf dem Mars Sauerstoff produzieren könnten. Dazu hat sie Marsproben analysiert und zerlegt, mehr als 3,7 Millionen mögliche Moleküle für die Spaltung von Wasser und die Bildung von Sauerstoff auf dem Roten Planeten identifiziert und die 234 besten Kandidaten durch Synthese charakterisiert. Dies würde etwa 2.000 Jahre menschlicher Arbeit erfordern, schreiben die Autoren der Studie.
University of Science and Technology of China
ICT Arbeitsmarkt
Nicole Helmer, Vice President & Global Head of Development Learning bei SAP
Neben dem unbestreitbaren Bedarf an einer verantwortungsvollen KI-Entwicklung und einer breiten KI-Kompetenz in sämtlichen IT-Berufen müssenalle Mitarbeitenden ihre übergeordneten Fähigkeiten wie kritisches Denken, Kreativität und komplexes Problemlösen verbessern.
Study: “The Transformational Opportunity of AI on ICT Jobs”: Accenture,Cisco, Eightfold, Google, IBM, Indeed, Intel, Microsoft and SAP.
“So haben unter den untersuchten Schülerinnen und Schülern 73 %, unter den betrachteten Studierenden 78 %, bereits generative KI für die Text- und/oder Bildgenerierung genutzt.”
“…. Auchkonkrete Unterrichtskonzepte und -materialienfür die Thematisierung der Toolnutzung sind gefragt. Die Ergebnisse dieserStudie [über Deepl/LEO Nutzung]legen nahe, dass es sinnvoll wäre, die Lernenden dieser Stufe im kritischen Umgang mit Übersetzungstools zu schulen, um sie gewinnbringender und lernförderlicher in der fremdsprachigen Kommunikation einzusetzen.”
ChatBots sind keine didaktischen/pädagogischen Tutoren!
Sie nehmen Anstrengung ab.
Sie setzen kompetente KI Dialogpartner voraus.
Sie haben keinen vorher definierten Lernprozess bzw. Lehrverhalten.
Es gibt keine Qualitätskontrolle durch die Lehrperson, schon gar nicht live.
KI Bots im Schulumfeld
Vergleichsstudie an 1000 Lernenden:
Prüfungsvorbereitung mit und ohne KI Chatbots
Unterschiedliche Hausaufgaben zur Mathe Prüfungsvorbereitung
Gruppe 1: Basis - traditionell
Gruppe 2: +48% - ChatGPT
Gruppe 3: +127% - einfacher sokratischer GPT-Tutor (nicht adaptiv)
Prüfung über den Lernstoff
ChatGPT Gruppen sind schlechter als die traditionelle Gruppe
GTP-Tutor Gruppe erzielt gleiche Ergebnisse wie die traditionelle Gruppe
Student:innen & KI?
Anthropic Education Report: How University Students Use Claude AI
Students primarily use AI systems for creating (using information to learn something new) and analyzing (taking apart the known and identifying relationships), such as creating coding projects or analyzing law concepts. This aligns with higher-order cognitive functions on Bloom’s Taxonomy.
This raises questions about ensuring students don’t offload critical cognitive tasks to AI systems.
Comparing the percentage of Claude.ai student conversations that are related to an National Center for Education Statistics in 1 Mio dialogues.
Was sagt die Forschung?
Bai, L., Liu, X., Su, J. (2023). ChatGPT: The cognitive effects on learning and memory. Brain 1: e30. DOI: 10.1002/brx2.30. – Überblicksarbeit zu möglichen Auswirkungen von ChatGPT auf Lernen und Gedächtnis; warnt vor Übernutzung und betont die Bedeutung der Aufrechterhaltung kritischer Denkfähigkeiten.
Lee, H-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects. In CHI ’25 Proceedings. DOI: 10.1145/3706598.3713778. – Umfrage unter Wissensarbeitern; stellt fest, dass hohes Vertrauen in KI mit weniger eigenem kritischen Denken einhergeht, und diskutiert Verschiebungen bei kognitiven Arbeitsprozessen “GenAI shifts the nature of critical thinking toward information verification, response integration, and task stewardship”.
Toma, R. B., Yánez-Pérez, I. (2024). Effects of ChatGPT use on undergraduate students’ creativity: A threat to creative thinking? Discover Artificial Intelligence 4(74). DOI: 10.1007/s44163-024-00172-x. – Empirische 10-Wochen-Studie; findet keine signifikante Verringerung der Kreativitätsleistung durch ChatGPT, über die Hälfte der Probanden verbesserte sich sogar im Kreativitätstest.
Lee, B. C. et al. (2024). An empirical investigation of the impact of ChatGPT on creativity. Nature Human Behaviour 8: 1356–1366. DOI: 10.1038/s41562-024-01953-1. – Fünf Experimente zu Alltagskreativität; ChatGPT-Unterstützung führt zu kreativeren Ideen, die von Experten höher bewertet wurden als ohne KI. ChatGPT vereint diverse Konzepte zu neuartigen Lösungen, was dessen Nutzen als Kreativitätswerkzeug unterstreicht.
Zhai, X., Wibowo, S. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: a systematic review. Smart Learning Environments 11(1): 27. DOI: 10.1186/s40561-024-00316-7. – Systematisches Review zu Übernutzung von KI in Bildung; stellt fest, dass unkritische KI-Nutzung kritisches Denken, Entscheidungsfindung und analytisches Denken beeinträchtigen kann.
Dahmani, L., Bohbot, V. D. (2020). Habitual use of GPS negatively impacts spatial memory during self-guided navigation. Scientific Reports 10: 6310. DOI: 10.1038/s41598-020-62877-0. – Zeigt am Beispiel Navigation: intensive Nutzung externer Hilfen (GPS) korreliert mit verschlechterter Hirnleistung (räumliches Gedächtnis) und sogar Abnahme hippocampaler Funktion über die Zeit. Steht exemplarisch für neuroplastische “Kosten” von Technologieabhängigkeit.
aus https://werde.kulturprofi.dguv.de/blog/posts/neurologische-und-kognitive-auswirkungen-von-ki-chatbots/
KI Nutzung
Mit KI können wir auf sehr unterschiedliche Weise umgehen.
Lernende können:
Sich Bilden: Sie erzeugen auf Augenhöhe zusammen mit KI neue Inhalte und Ideen und bauen so Kompetenzen auf
Optimieren: Sie automatisieren den Umgang mit Information/Wissen mithilfe von KI
Reproduzieren: Sie übernehmen KI generierte Inhalte ohne dass sie diese verstehen oder hinterfragen
KI bewusste Pädagogik
Es braucht Methodik um die Vorteile von KI pädagogisch zu nutzen. KI:
bringt Kapazität für individuelle Förderung
ermöglicht Schöpfungstiefe durch komplexere Aufgabenstellungen
fördert Durchdringung durch direkten Start an der Kompetenzgrenze
zielt auf tiefes Wissen durch Vernetzung von Wissen und Kompetenzen
motiviert durch lebensnahes, exploratives Lernen von komplexen Zusammenhängen
DALL·E 3: Education as Exploration
Das bedeutet eine enge Lernbegleitung durch Lehrpersonen und Tools
Ansprüche 21 Jahrhundert
Der Kompetenzbegriff nach Weinert
Kompetenzen bezeichnen „die bei Individuen verfügbaren oder durch sie erlernbaren kognitiven Fähigkeiten und Fertigkeiten, um bestimmteProbleme zu lösen, sowie die damit verbundenen …Bereitschaften, damit die Problemlösungen invariablen Situationenerfolgreich und verantwortungsvoll genutzt werden können.“
Quellen: Weinert (Hrsg.) Leistungsmessungen in Schulen; 2001; Google Banana Nano
Epistemisches KI Tutoring
Eine individuelle mittels KI unterstützte Lernsituation kreiert intrinsische Motivation bei den Lernenden, Kompetenzen aufzubauen und zu erproben.
AFS Flugagentur - Leipzig - Markranstädt - Flugsimulator - Airbus A320 - Professional
Epistemisches KI Tutoring
Epistemisches KI Tutoring is angelehnt an „Common Standards for Rigor and Relevance in Teaching Academic Subjects“ von Fred M. Newmann, M. Bruce King und Dana L. Carmichael
Die Autor*innen schlagen vor, dass „authentischer Unterricht“ Aufgaben umfasst, die:
den Aufbau von Wissen (nicht nur bloßes Abrufen) erfordern,
ChatGPT ist nicht wirklich gut in Kreuzworträtseln. Wir auch nicht. Gemeinsam schaffen wir es vielleicht.
Aufgabe
1 - Sammlungsaffiner Sehenswerturteiler 2 - Schmiegt sich, letztendlich damenhaft, an Wüstenregionen 3 - Passt zwischen Jung und Fahrt, auch wenn die gar nicht so weit geht 4 - Ungewöhnlich sichtbares Obst? Vergleichsweise Wohlgehüteter! 5 - Auf manch legerer <6 senkrecht> werden ihre Achtel in die Runde gegeben 6 - Wäre 2025 angemessen für Schweitzers 150. Oder Kehlmanns 50, 7 - Tierische Ausgrenzung 8 - Sterben müssen bleibe mir <3 senkrecht>, doch tot sein – das ist mir … (Epicharm) 9 - Der ganze Mai liegt in ihren Zeichen, Wörtern, Sätzen, Seiten 10 - Soziale Bewegungform 11 - Darin treffen sich die Größten der Großen zum Ballspielen, aber nur kurz 12 - Ende der Welt, mit dem Wolfgang Amadeus’ Vater mitunterschrieb 13 - Mahnmal der Verwundbarkeit
Herausforderungen und Potentiale für die Lehrperson
Herausforderungen werden zu Potentiale
KI begleitete Lernende
Zukünftige Lehrpersonen werden vor der Herausforderung stehen, dass sich Ihre Schüler.innen zunehmend von KI-Tools unterstützen lassen.
Wie finden wir Wege sicherzustellen, dass KI-unterstützte Lernende tiefgreifende Kompetenzen entwickeln?
Google Gemini
Wie schreibt KI/Mensch?
KI generierte Texte sind aus relativ grossen Versatzstücken (5-10 Worte) aus dem Web zusammengesetzt. Das kann man messen !? Bei Muttersprachlern ist das anders. Aber, fremdsprachige Texte sind auch oft aus solchen Versatzstücken zusammengesetzt.
AI AS HUMANITY’S SALIERI: QUANTIFYING LINGUISTIC CREATIVITY OF LANGUAGE MODELS VIA SYSTEMATIC ATTRIBUTION OF MACHINE TEXT AGAINST WEB TEXT Ximing Lu et. al
Kompetenzsimulation
Auch wenn Bildungsansätze nicht optimal laufen, erwarten wir aber immer noch einen Kompetenzaufbau. Mit KI kann das anders aussehen: Bildung als Simulation von Kompetenz!?
KI bewusste Aufgaben
These
“Die Tendenz zu eng umrissenen Aufgaben und dem Vermitteln von klaren Lösungsschemata (”Rezepten”) macht die Schüler:innen und ihre Aufgaben anfällig für die KI-Automatisierung.”
“Um die Motivation zum eigenen Denken zu steigern, müssen wir daher weg von rezeptbasierten Aufgaben hin zu solchen, die Urteilsvermögen, ethische Abwägung und individuellen Transfer verlangen. Dies erfordert eine didaktische Wende.”
Diskussion
Diskussion im Plenum
Wie seht Ihr das?
Ihr unterstützt diese These:
Was tun?
Wie können wir sicherstellen, dass Schüler*innen nicht nur Kompetenzen simulieren, sondern sie auch wirklich erwerben?
Arbeit mit KI auf Augenhöhe: Schüler.innen bringen sich als denkende Subjekte ein.
Starke Lernbegleitung durch Lehrpersonen
Wissen über KI und deren Grenzen
Bewusstheit ob Lernende oder KI welchen Beitrag zum Ergebnis geleistet hat
Motiviert Reflexion der SUS über Ihren Lernprozess (was habe ich wirklich gelernt)
Bewusstsein der LP das Arbeitsergebnisse der Lernenden mit KI erstellt werden
KI bewusstes Aufgaben-Design führt zur gerechteren Beurteilung
Beurteilung von Lernprozessen und nicht nur von Ergebnissen
Mit KI auf Augenhöhe 1/2
Wir wählen schlecht an KI delegierbare Aufgaben:
KI kann nur schwer abschätzen, was nicht in ihren Trainingsdaten vorkommt: Unbekanntes / Letzte Klassenfahrt / Schlussfolgern über dort erlebtes
KI scheitert bei schlecht spezifiziertem Kontext: Lerndende müssen schlecht spezifizierte Aufgaben konkretisieren
KI ist nicht gut darin, „echt persönliche“ Merkmale zu erzeugen: Lerndende müssen ihre eigenen Erfahrungen, Meinungen, Gefühle einbringen
KI ist gibt oft keine gut begründete Auswahl zwischen gleichwertigen Optionen: Sie liefert oft „balanced“ Antworten oder falsch priorisierte Optionen.
KI ist schlecht im Schlussfolgern über lange Ketten: Lerndende müssen komplexe Schlussfolgerungen selbst erarbeiten.
1. Geschichtsverständnis
Aufgabe: Prompte ChatGPT, wie unten und beurteile die Antwort:
Hilf mir bei dieser Schulaufgabe: „Welche Rolle spielte die sogenannte Kollektivvereinbarung von Olten im Oktober 1918 für die Verschärfung der Spannungen vor dem Landesstreik? Gib eine differenzierte Einschätzung.“
Welche Aussagen macht ChatGPT? Wie faktisch korrekt ist die Antwort? Du kannst Dir von KI helfen lassen, aber Achtung das kann falsch sein!?
Aufgabe: Prompte ChatGPT, wie unten und beurteile die Antwort:
Hilf mir bei dieser Schulaufgabe: "In einem trockenen Savannengebiet wurde der „Solarfuchs“ entdeckt.
Laut einem Fachartikel lebt er in Symbiose mit Chloroplasten in seiner Haut und
deckt dadurch etwa 80 % seines Energiebedarfs durch Photosynthese.
- Erkläre, wie sich sein Verdauungssystem im Vergleich zu anderen Säugetieren verändert haben könnte.
- Vergleiche den Energiegewinn durch Photosynthese mit dem Energiegewinn durch Nahrungsaufnahme?"
Welche Aussagen macht ChatGPT? Wie faktisch korrekt ist die Antwort? Du kannst Dir von KI helfen lassen, aber Achtung das kann falsch sein!?
Aufgabe: Prompte ChatGPT, wie unten und beurteile die verschiedenen Antworten:
Frage 1:
"Bitte hilf mir mein Schwerpunktfach auszuwählen. Ich möchte Musiker werden."
Frage 2:
"Du bist eine Lehrperson und ein.e Schüler.in in der 9ten Klasse fragt Dich. "Bitte hilf mir mein Schwerpunktfach auszuwählen. Ich möchte Musiker werden."
Wie unterscheiden sich die Antworten? Welche erfordert mehr Kompetenz von den Lernenden? Warum?
Wir haben ein schwieriges Mathematikproblem. ChatGPT soll uns dabei helfen. ChatGPT stösst an seine Grenzen. Wir auch. Wir probieren es gemeinsam.
Aufgabe
Nina hat einen Kreis mit 20 Punkten in 20 gleich lange Kreisbögen geteilt. Sie zeichnet alle Sehnen ein, die zwei dieser Punkte verbinden. Wie viele dieser Sehnen sind länger als der Radius, aber kürzer als der Durchmesser des Kreises?
Wie nutzen wir KI im Unterricht um Kompetenzen aufzubauen.
Wir können Fachdidaktische Inhalte mit KI besser/tiefer vermitteln.
Wir können das Erlernen von Kompetenzen durch KI erleichtern.
Wir können transversale Kompetenzen durch KI fördern.
Wie können wir die Motivation zum eigenen Denken durch KI steigern?
…..
Aufgabe:
Entwerfen Sie in Gruppen von 2-3 Personen eine Unterrichtsidee mit KI-Unterstützung um Kompetenzen aufzubauen. Wählen sie eine konkrete Zielrichtung.
Gruppe 1,2
Unterrichtsidee 1
Unterrichtsidee 2
Gruppe 3,4
KI-Unterrichtsidee 3
KI-Unterrichtsidee 4
Gruppe 5,6
KI-Unterrichtsidee 5
KI-Unterrichtsidee 6
VI.
Forschung: KI Lernbegleitung mit didaktischem Konzept
Welches Tutorverhalten?
Mit KI können wir sehr unterschiedliche Lernansätze verfolgen.
Prüfend
Prüft Kenntnisse schrittweise, gibt Tipps, reagiert bewertend
Lösend
Liefert fertige Lösung und Lösungsweg in einer Antwort
Erklärend
Liefert strukturierte Lösung in Schritten, checkt Verständnis
Sokratisch
Steuert Lernweg durch suggestive Fragen in Richtung eines vordefinierten Ablaufs
Epistemisch
Gibt Feedback, Strukturhilfen zum eigenen entdecken, lässt den Lösungsweg offen
KI sollte alle diese Lehrverhalten unterstützen können, aber vor allem einen Weg Richtung epistemische Tutoring bereiten, um so nachhaltig höheres Denken bzw. lebensnahe Kompetenzen aufzubauen.
Scaffolding Anforderungen
Es ergeben sich sehr unterschiedliche Scaffolding Anforderungen an die KI.
Prüfend
Kein Scaffolding
Lösend
Kein Scaffolding
Erklärend
Gerüst zum Verstehen
Sokratisch
Gerüst zum Lösen
Epistemisch
Gerüst zum Weg Finden
Damit verbunden ist eine sehr unterschiedliche Anforderung an Rollendefinition, Monitoring und Qualitätssicherung.
Jin Wang & Wenxiang Fan – The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis
VI.
KI Regulierung und Datenschutz
EU AI Act - High-Risk AI
recital (56) – AI systems used in educationor vocational training, in particular
for determining access or admission,
for assigning persons to educational and vocational training institutions or programmes at all levels,
for evaluating learning outcomes of persons,
for assessing the appropriate level of education
for an individual and materially influencing the level of education and training that individuals will receive or will be able to access or
for monitoring and detecting prohibited behaviour of students during tests
Viele AI/IT Anbieter haben Ihre Data Policy angepasst um Nutzerdaten für Training zu verwenden. Es gibt aber grosse Unterschiede in den Kontrollmöglichkeiten.
AI, ‘Alien Intelligenz’, ist gekommen um zu bleiben. Wir - Lehr- und Lernende - müssen lernen, wie wir sie pädagogisch sinnvoll einsetzen können, um geistige Fähigkeiten zu stärken, statt sie zu schwächen.
