In dieser Unterrichtseinheit beschäftigen sich die Schüler*innen mit dem Thema Mülltrennung und Recycling. Sie arbeiten zunächst in kleinen Gruppen, um verschiedene Abfallprodukte manuell zu sortieren. Anschließend vergleichen sie ihren Sortierprozess mit dem einer KI, indem sie ein analoges Sortierspiel nutzen, dass grundlegende Strukturen eines neuronalen Netzwerks abbildet. So wird veranschaulicht, wie sich die Lernprozesse von Mensch und Maschine unterscheiden und wie KI Muster erkennt, um Abfall richtig zu sortieren.
Ziel der Einheit ist es, dass die Schüler*innen verstehen, wie eine KI aus Daten und Informationen lernt, unterschiedliche Objekte zu erkennen, um z.B. verschiedene Arten von Müll in die richtigen Recycling-Kategorien zu sortieren. Um den Lernprozess einer KI besser zu verstehen, bilden die Schüler*innen die Abläufe eines einfachen neuronalen Netzes mithilfe eines Spiels ab und vergleichen diese mit ihrer eigenen Art des Lernens.
Die Schüler*innen lernenSicherheit
Problemlösung
Starte die Unterrichtseinheit, indem du mit den Schüler*innen über die wichtige Bedeutung der Mülltrennung und Recyclingprozesse sprichst. Du kannst mit einer provozierenden Frage oder einer interessanten Statistik beginnen, z. B. „Wusstet ihr, dass jede Person durchschnittlich X kg Müll pro Jahr produziert?“. Erkläre kurz, warum richtige Mülltrennung wichtig für die Umwelt und die Gemeinschaft ist. Sammle dann mit den Schüler*innen ein paar Fakten über das lokale Recyclingsystem, um festzustellen, wie die Mülltrennung bei euch funktioniert.
Nach der Einführung stellst du den Ablauf der Unterrichtsstunde vor: Zuerst sortieren die Schüler*innen den Müll, den sie mitgebracht haben, manuell. Danach schauen sie sich an, wie eine KI die Mülltrennung angeht. Erkläre, dass sie dabei die Unterschiede zwischen ihrer eigenen Lernweise und der Lernweise von KI-Technologien erkunden werden.
Nachdem alle Gegenstände sortiert wurden, frage die Schüler*innen, wie sie bei der Einordnung vorgegangen sind. Woher wussten sie, wie sie richtig sortieren sollten? Auf welche wichtigen Merkmale haben sie geachtet, um zu entscheiden, welche Gegenstände in welche Kategorie gehören? Falls es Schwierigkeiten gab – was hat die Zuordnung herausfordernd gemacht?
Antworten könnten sein: 1) Sie wissen, wie man richtig Müll trennt, weil sie es über die Zeit von ihren Eltern oder in der Schule gelernt haben, 2) sie können Stoffe wie Plastik und Papier anhand des Aussehens und der Haptik unterscheiden, und 3) neben Haptik und Aussehen haben ihnen andere Merkmale, wie das Gewicht des Gegenstandes, geholfen, die richtige Kategorie zu bestimmen.
Wir Menschen lernen, indem wir die Welt um uns herum erfahren – wir sehen, hören, fühlen und probieren Dinge aus. Wenn wir lernen, wie der Müll getrennt werden soll, achten wir zum Beispiel auf die Größe der Gegenstände, fühlen das Material oder beobachten, wie andere den Müll sortieren. Mit der Zeit merken wir uns diese Details und können Müllarten einordnen, auch wenn sie mal ein bisschen anders aussehen.
KI lernt anders. Sie erlebt die Welt nicht so wie wir. Stattdessen analysiert sie unzählige Beispiele, wie Tausende von Bildern von Abfallgegenständen, und entdeckt darin Muster. So kann KI lernen, Dinge wie Papier und Plastik zu erkennen und voneinander zu unterscheiden. Dafür braucht sie allerdings zuerst sehr viele vorsortierte/gelabelte Beispiele, um es zu verstehen. Während Menschen also durch Erfahrungen und verschiedene Sinneseindrücke lernen, lernt KI, indem sie Muster in großen Datenmengen erkennt.
Mit dem richtigen Training können Maschinen und KI uns helfen, Müll deutlich schneller zu sortieren, als wir es manuell könnten. Dadurch wird die Mülltrennung effizienter und es kann in kürzerer Zeit mehr Abfall verarbeitet werden. Damit das möglich ist, muss die KI jedoch durch Training erst lernen, Sortierkriterien zu verstehen und Muster zu erkennen.
Was ist ein neuronales Netzwerk?
Ein neuronales Netzwerk in der KI ist ein System, das dem menschlichen Gehirn nachempfunden ist und Informationen in verschiedenen Schichten verarbeitet, um Muster zu erkennen und Entscheidungen zu treffen. Es lernt aus Daten, indem es die Verbindungen zwischen seinen Schichten anpasst, sodass es seine Vorhersagen oder Klassifikationen mit der Zeit verbessern kann.
Bevor das Spiel beginnt, stelle sicher, dass du Arbeitsblatt B ausgedruckt und die Bilder der verschiedenen Gegenstände ausgeschnitten hast. Jede Gruppe benötigt einen Satz Bilder und zusätzlich eine Kopie der Tabelle.
Spielanleitung
| Rund? | Rechteckig? | Weiß? | |
|---|---|---|---|
| Papier | Nein | Ja | Ja |
| Plastik | Ja | Nein | Ja |
| Glas | Ja | Nein | Nein |
Reflektiert anhand der Fragen kurz das Spiel:
Während des Spiels werden die Schüler*innen wahrscheinlich wenig Schwierigkeiten haben, die Abfallgegenstände korrekt anhand ihrer Form und Farbe zu erkennen, was den Eindruck erweckt, dass ihr KI-Sortiersystem perfekt funktioniert.
Um die Reflexion über die Leistung des Bilderkennungsmodells etwas anzukurbeln, frage die Schüler*innen, ob sie irgendwelche Probleme mit dem Modell feststellen und wo die Grenzen des Systems liegen könnten. Diskutiert gemeinsam, ob dieses Modell auch dazu in der Lage wäre, alle Abfallgegenstände zu identifizieren, die sie für die erste Aufgabe mit in die Klasse gebracht haben.
Die Schüler*innen werden feststellen, dass es mit dem bestehenden Sortiermodell nicht möglich ist, alle Gegenstände und Abfallarten zu identifizieren, da Kunststoff beispielsweise nicht immer transparent ist und auch farbig sein kann, während Glas nicht immer farbig ist.
Eine weitere Herausforderung für das Modell ist auch, dass Abfall in jeder Form vorkommen kann und einige Gegenstände nur schwer anhand der Form zu identifizieren sind. Das unterstreicht die Notwendigkeit, zusätzliche Merkmale im neuronalen Netzwerk zu berücksichtigen. Überlege mit den Schüler*innen, welche anderen Kategorien (z.B. Grad der Reflektion, etc.) die KI berücksichtigen müsste, um das Sortiermodell zu verbessern.
Um die Genauigkeit des Sortiermodells zu testen, kannst du den Gruppen nach einer kurzen Testphase des Spiels zusätzliche Bilder geben, die entweder nicht in die Kategorien passen, die das Netzwerk erkennen kann (Papier, Plastik, Glas), oder die Merkmale aufweisen, die eine klare Klassifizierung nicht zulassen (Mischprodukte). Dies hilft den Schüler*innen zu verstehen, dass ein neuronales Netzwerk mehr Schichten benötigt, um für alle Arten von Abfall- und Recyclingkategorien richtig zu funktionieren.
Alle Bilder in diesem Kurs wurden mit KI oder Canva kreiert.
