2. Gute Praxis & Unterrichtsbeispiele 2.1 Einführung Kapitel 1 hat erläutert, wann KI hilft, wo sie schadet und welche Regeln gelten. Dieses Kapitel zeigt, wie sich diese Grundsätze im Unterrichtsalltag umsetzen lassen. Die Beispiele sind nach Unterrichtsfächern gegliedert, von Biologie, Englisch als Fremdsprache, bis hin zu Geschichte und Mathematik. Im Laufe des Projekts kommen weitere Fächer hinzu. Jedes Beispiel greift eine Situation aus dem Unterrichtsalltag auf und zeigt, wie KI eingesetzt werden kann, was die Lehrkraft tut und welche Herausforderungen und Risiken dabei auftreten können. Die Beispiele wenden drei zentrale Grundsätze aus Kapitel 1 an: KI sollte eigenständige Denk- und Lernprozesse unterstützen, statt sie zu ersetzen; Lehrkräfte sollten über grundlegende KI-Kompetenzen verfügen, bevor sie KI im Unterricht einsetzen; und die Rahmenbedingungen für den KI-Einsatz müssen vor Beginn der Aufgabe geklärt sein. Der Begriff „gute Praxis“ sollte hier nicht als Nachweis wissenschaftlich belegter Wirksamkeit verstanden werden. Die Praktiken, von denen Lehrkräfte in ganz Europa berichten, sind vielversprechende Ansätze, keine allgemeingültigen oder wissenschaftlich überprüften Handlungsempfehlungen. Betrachten Sie jedes Beispiel als Ausgangspunkt: Probieren Sie es aus, passen Sie es an Ihre Klasse an und prüfen Sie es anhand der Regeln Ihrer Schule. Eine Checkliste fasst die Fragen zusammen, die Sie sich vor dem Einsatz von KI im Unterricht stellen sollten. Mit dem integrierten Tag-System oben links können Sie nach verschiedenen Fächern suchen und zwischen Unterrichtsbeispielen und Fortbildungsangeboten unterscheiden. Abb. 1: „Beispiel Tag-System“ 2.2 Biologie: Vibe-Coding-Simulationen im Unterricht Räuber-Beute-Dynamik (Lotka-Volterra-Modell) Fach: Biologie · Klassenstufe: 9 (14–15 Jahre) · Dauer: 1 Doppelstunde (90 Min.) · KI: Lernen MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-TL-2b (AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung): „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“ AF-FC-2b (AI foundations and applications × Facilitating Learners' (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung): „Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“ Am Ende der Stunde können die Schülerinnen und Schüler: die wichtigsten Variablen (Beutepopulation, Räuberpopulation) und Parameter (Wachstumsrate, Prädationsrate, Umwandlungseffizienz, Sterberate) des Lotka-Volterra-Modells beschreiben; Hypothesen zur Populationsdynamik mithilfe einer interaktiven Simulation aufstellen und testen; eine bestehende Simulation um zusätzliche Ebenen ökologischer Komplexität erweitern (z. B. eine Umweltkapazität, eine zweite Art, einen saisonalen Faktor), indem sie strukturierte Prompts für ein KI-Sprachmodell formulieren; die Annahmen und Grenzen des Modells kritisch bewerten (Wissenschaftsverständnis/Nature of Science), einschließlich der Frage, warum das Einführen von Zufälligkeit oder eines zusätzlichen Faktors es destabilisieren kann. Kernbotschaft: Die Schülerinnen und Schüler müssen nicht von Grund auf programmieren. Es genügt, eine bestehende Simulation zu lesen und zu testen und dann ein Sprachmodell zu nutzen, um Schritt für Schritt eine Ebene ökologischer Realitätsnähe hinzuzufügen, um ein echtes Verständnis eines dynamischen biologischen Modells aufzubauen – und, früher oder später, selbst herauszufinden, wo genau dieses Modell an seine Grenzen stößt. Abb. 1: „Räuber-Beute-Dynamik (Lotka-Volterra-Modell)“ (KI-generiertes Bild, ChatGPT GPT Image 2) Inhalt Mathematische Modelle und Computersimulationen sind in der Ökologie besonders wertvolle Werkzeuge, da sie hochkomplexe Systeme durch mathematische Gleichungen ausdrücken können. Das ermöglicht es, Experimente in silico durchzuführen und Hypothesen am Modell zu testen – in Situationen, in denen ein echtes Experiment zu teuer, zu langsam, ethisch schwierig oder schlicht gefährlich wäre. Eine reale Räuberpopulation zu manipulieren, ist zum Beispiel selten eine Option. Gleichzeitig ist jedes Modell zwangsläufig eine Vereinfachung der Realität, und genau darin liegen seine Schwächen: reale Ökosysteme sind weitaus komplexer, als ein Modell jemals vollständig erfassen könnte. Das Lotka-Volterra-Modell ist ein klassisches Beispiel für eine solche Vereinfachung, angewandt auf die Räuber-Beute-Dynamik. Es bildet das System über zwei Zustandsvariablen ab (die Größe der Beute- und der Räuberpopulation) sowie vier Parameter (die intrinsische Wachstumsrate der Beute, den Koeffizienten der Prädationsrate, die Fortpflanzungsrate des Räubers pro erbeuteter Beute und die Sterberate des Räubers). Unter seinen idealisierten Annahmen sagt das Modell anhaltende, periodische Schwankungen voraus, bei denen Veränderungen der Räuberpopulation denen der Beutepopulation zeitlich nachfolgen. Dieses Verhalten entsteht durch einen Rückkopplungskreislauf: Wächst die Beutepopulation, steht den Räubern mehr Nahrung zur Verfügung, wodurch die Räuberpopulation wachsen kann. Die verstärkte Prädation lässt dann die Beutepopulation sinken, was die Nahrungsgrundlage der Räuber verringert und zu einem Rückgang der Räuberpopulation führt. Mit weniger Räubern kann sich die Beutepopulation erholen, und der Zyklus beginnt von Neuem. Um diesen sauberen Zyklus zu erzeugen, trifft das Modell mehrere starke Annahmen. Es ist deterministisch (dieselben Startwerte erzeugen immer exakt dieselbe Kurve); es ist ein geschlossenes Zwei-Arten-System, das jeden abiotischen Faktor (Temperatur, Niederschlag, Jahreszeit) und jeden weiteren biotischen Faktor (Nahrungspflanzen der Beute, eine dritte Art, Krankheit) ausschließt; und es lässt das Wachstum jeder Population ausschließlich von der Größe der jeweils anderen Population abhängen. Reale Populationen erfüllen diese Annahmen selten. Geburten, Todesfälle und Begegnungen unterliegen dem Zufall, und eine stochastische (zufallsbasierte) Version desselben Modells neigt dazu, vom sauberen Zyklus abzuweichen, und kann sogar kollabieren (z. B. wenn die Räuberpopulation ausstirbt) – in Fällen, in denen die deterministische Version eine stabile Schwingung vorhersagt. Ebenso genügt oft schon das Hinzufügen eines einzigen fehlenden Faktors (z. B. eine temperaturabhängige Wachstumsrate oder eine Begrenzung der eigenen Nahrungsgrundlage der Beute), um den sauberen Zwei-Variablen-Zyklus zu durchbrechen. Das ist kein Makel, der vor den Schülerinnen und Schülern verborgen werden sollte, sondern die zentrale wissenschaftstheoretische Lektion dieser Aktivität. Ein Modell kann echten Nutzen haben und dennoch eine bewusst enge Annäherung an die Realität sein – und es gut zu nutzen bedeutet, genau zu wissen, welche Faktoren es außer Acht lässt. In der Hauptaktivität dieser Stunde entdecken die Schülerinnen und Schüler dies selbst, indem sie versuchen, genau solche Faktoren hinzuzufügen. Unterrichtsverlauf Phase Zeit Aktivität Einstieg 8 Min. Die Lehrkraft zeigt einen unbeschrifteten Graphen einer realen Räuber-Beute-Datenreihe (z. B. Luchs/Hase); die Schülerinnen und Schüler beschreiben das Muster und stellen erste Hypothesen auf. Input 12 Min. Die Lehrkraft stellt die Variablen und Parameter des Modells anhand eines einfachen Diagramms vor (keine Differentialgleichungen erforderlich). Erkundung 15 Min. Die Schülerinnen und Schüler testen ihre Hypothesen paarweise an einer vorgefertigten HTML-Simulation und halten ihre Beobachtungen fest. Erweiterung 35 Min. In Paaren durchlaufen die Schülerinnen und Schüler 2–3 Runden von vorhersagen → prompten → testen → diagnostizieren (Leitfragen unten); dabei bitten sie das Sprachmodell jedes Mal, eine weitere Ebene ökologischer Realitätsnähe zur Simulation hinzuzufügen (eine Begrenzung der Nahrungsgrundlage der Beute, eine zweite Art, einen saisonalen/abiotischen Faktor), bis der saubere Zwei-Variablen-Zyklus sichtbar zusammenbricht. Reflexion 20 Min. Klassengespräch, geleitet von Fragen wie: In welcher Runde hörte die Simulation auf, einen sauberen, sich wiederholenden Zyklus zu erzeugen? Was lässt das ursprüngliche Modell bewusst aus, und warum? Was macht es zu einer nützlichen Vereinfachung statt einfach nur falsch zu sein? Leitfragen: Komplexität schrittweise aufbauen Die Paare bearbeiten so viele der folgenden Runden, wie die 35 Minuten zulassen (die meisten schaffen zwei; die dritte ist eine Erweiterung für schnelle Paare). Jede Runde folgt demselben Vier-Schritte-Zyklus: Runde 1 — die Nahrungsgrundlage der Beute begrenzen (eine Umweltkapazität): Vorhersagen: Bevor Sie mit dem Prompten beginnen, fragen Sie sich: Was erwarten Sie für den Zyklus, wenn sich das Wachstum der Beute verlangsamt, sobald die Population groß wird, statt unbegrenzt weiterzuwachsen? Skizzieren Sie die erwartete Kurve. Prompten: Bitten Sie die KI, eine maximale nachhaltige Beutepopulation in die Simulation einzubauen und in eigenen Worten zu erklären, wie sie die Wachstumsgleichung dafür verändert hat. Testen & vergleichen: Führen Sie die neue Simulation mit denselben Startwerten wie zuvor aus. Vergleichen Sie die vorherige Simulation mit der neuen: Wie haben sich die Variablen verändert? Warum? Diagnostizieren: Welche Annahme des ursprünglichen Modells (unbegrenzte Nahrung für die Beute) haben Sie gerade entfernt? Ist dieser Faktor biotisch oder abiotisch? Runde 2 — einen weiteren (biotischen oder abiotischen) Faktor hinzufügen: Vorhersagen: Wenn nun eine dritte Art mit der Beute um Nahrung konkurriert oder sie ebenfalls erbeutet, oder wenn das Wachstum der Beute nun von der Temperatur abhängt – was erwarten Sie für den ursprünglichen Zwei-Arten-Zyklus? Prompten: Wählen Sie einen weiteren Faktor und formulieren Sie einen Prompt, der die KI bittet, ihn als neue, mit den bestehenden Variablen verknüpfte Variable hinzuzufügen — geben Sie genau an, wie er mit der Beute- oder Räuberpopulation interagieren soll. Testen & vergleichen: Beobachten Sie die Simulation über mehrere Zyklen. Bleibt der ursprüngliche Zwei-Arten-Rhythmus erhalten, wird er verzerrt, oder verschwindet er? Diagnostizieren: Das ursprüngliche Modell nahm an, dass jede Population nur von der anderen abhängt. Stimmt das nach dieser Runde noch? Welche reale ökologische Beziehung stellt Ihr neuer Faktor dar? Optionale Runde 3 — Zufälligkeit einführen: Vorhersagen: Wenn ein Parameter (z. B. die Prädationsrate) nicht mehr fest ist, sondern bei jedem Zeitschritt zufällig aus einem Bereich gezogen wird, was erwarten Sie für die langfristige Stabilität der Populationen? Prompten: Bitten Sie die KI, einen konstanten Parameter durch einen zufälligen Wert zu ersetzen und zu verfolgen, ob eine der beiden Populationen den Wert null erreicht. Testen & vergleichen: Führen Sie die Simulation mehrmals mit denselben Einstellungen aus. Erhalten Sie jedes Mal dasselbe Ergebnis? Bricht jemals eine der Populationen zusammen? Diagnostizieren: Warum kann derselbe „durchschnittliche“ Parameterwert hier manchmal zum Aussterben führen, obwohl das deterministische Modell das nie vorhergesagt hat? Abschlussfrage (für die Reflexionsphase): In welcher Runde hörte die Simulation auf, einen sauberen, sich wiederholenden Zyklus zu erzeugen — und was sagt Ihnen das darüber, wie viele reale Faktoren das ursprüngliche Lotka-Volterra-Modell auslassen muss, um lösbar und leicht interpretierbar zu bleiben? Materialien Ein Laptop pro Schülerpaar, mit Browser Zugang zu einer KI-Chat-Oberfläche über das Internet, oder ein lokal installiertes Modell, falls der Internetzugang an der Schule eingeschränkt ist Vorgefertigte HTML-Räuber-Beute-Simulation (einzelne Datei, Schieberegler für ausgewählte Parameter) Eine kurze Prompting-/Arbeitsblattvorlage für die Runden „Komplexität schrittweise aufbauen“ (vorhersagen → prompten → testen → diagnostizieren) Leitfragen für die Erkundungsphase und die wissenschaftstheoretische Reflexion (Zweck des Modells vs. Grenzen des Modells) 2.3 Englisch als Fremdsprache Kommunikative Angemessenheit im Englischen Fach: Englisch als Fremdsprache  ·  Klassenstufe: 9 (Alter 14–15)  ·  Dauer: 1 Doppelstunde (90 Min.)  ·  KI: Lernen MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Schüler-/Lernendenebene AF-TL-2b (AI foundations and applications × Teaching & Learning, Level 2 – Reflective Implementation): „Lehrkräfte können Unterrichtselemente so gestalten, dass der KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der erzeugten Inhalte eingebettet ist.“ AF-FC-2b (AI foundations and applications × Facilitating Learners' (AI) Digital Competence, Level 2 – Reflective Implementation): „Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Kompetenzen zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Tools angepasst werden.“ Am Ende der Stunde können die Schüler:innen: zwischen grammatikalisch korrektem und kontextuell angemessenem Englisch unterscheiden Unterschiede in Wortschatz, Ton und Register in verschiedenen kommunikativen Situationen erkennen strukturierte Prompts formulieren, die Adressat:in, Zweck, Kontext, Sprachniveau und Ton festlegen KI-generierte Sprache vergleichen und unangemessene oder unnatürliche Formulierungen erkennen KI-generierte Sprache anhand ihres eigenen Sprachgefühls überarbeiten prüfen, ob eine KI-generierte Antwort den Vorgaben eines Prompts entspricht. Zentrale Botschaft: KI kann flüssiges und grammatikalisch korrektes Englisch erzeugen, aber das macht die Sprache nicht automatisch natürlich oder für eine bestimmte Situation angemessen. Indem sie Adressat:in, Zweck und Kontext eines KI-generierten Gesprächs verändern, lernen die Schüler:innen, KI-Vorschläge zu bewerten und mit ihrem eigenen Sprachwissen die endgültigen Entscheidungen zu treffen. Abb. 1: „Kommunikative Angemessenheit im Englischen“ (KI-generiertes Bild, ChatGPT GPT Image 2) Inhalt Erfolgreiche Kommunikation in einer Fremdsprache erfordert mehr, als grammatikalisch korrekte Sätze zu bilden. Sprecher:innen passen ständig Wortschatz, Satzbau, Höflichkeit und Ton an Adressat:in, Zweck und Kontext der Kommunikation an. Dieselbe Absicht kann daher je nachdem, wer mit wem spricht, auf sehr unterschiedliche Weise ausgedrückt werden. Eine Bitte gegenüber einer engen Freundin oder einem engen Freund kann kurz und informell ausfallen, während dieselbe Bitte gegenüber einer Lehrkraft, einem Arbeitgeber oder einer fremden Person meist einen anderen Wortschatz, höflichere Strukturen und einen anderen Grad an Formalität erfordert. Diese Unterschiede gehören zum Register, das beschreibt, wie sich Sprache je nach sozialer und kommunikativer Situation verändert. Für Sprachlernende kann Register schwer zu erkennen sein, da ein Satz grammatikalisch korrekt sein kann und trotzdem in einem bestimmten Kontext unnatürlich oder unangemessen klingt. Lehrbuchbeispiele bieten oft klare Unterscheidungen zwischen formeller und informeller Sprache, während reale Kommunikation weitaus flexibler ist. Alter, Beziehung zwischen den Sprechenden, kulturelle Erwartungen, Kommunikationsmedium und kommunikativer Zweck können die verwendete Sprache beeinflussen. Eine Nachricht, die in einem Gespräch zwischen Jugendlichen natürlich klingt, kann in einer E-Mail an eine Lehrkraft zu informell wirken, während ein in einer E-Mail passender Ausdruck im Gespräch unnatürlich steif wirken könnte. Generative KI-Tools eignen sich gut, um diese Unterschiede zu erkunden. Indem einzelne Elemente eines Prompts verändert werden – etwa die Beziehung zwischen den Sprechenden, das Sprachniveau, der Zweck oder der Grad an Formalität – können Lernende mehrere Versionen derselben kommunikativen Situation erzeugen und vergleichen, wie sich die Sprache verändert. Gleichzeitig ist KI-generierte Sprache nicht automatisch verlässlich, nur weil sie flüssig klingt. Ein Modell kann Sprache erzeugen, die zu formell, repetitiv, kulturell unpassend, nicht mit dem angeforderten Niveau vereinbar oder nicht vollständig mit den Vorgaben des Prompts abgestimmt ist. Generative KI arbeitet zudem probabilistisch, das heißt, ähnliche Prompts können zu unterschiedlichen Formulierungen führen. Diese Einschränkung steht im Zentrum der Aktivität, statt vor den Lernenden verborgen zu werden. KI ist dann am nützlichsten, wenn Schüler:innen ihre Ausgaben als Sprachmaterial zur Analyse behandeln, statt sie als fertige Antwort zu übernehmen. In dieser Stunde untersuchen die Schüler:innen zunächst, wie sich das Register je nach Kommunikationskontext verändert, und nutzen anschließend ein Sprachmodell, um jeweils eine kommunikative Variable zu verändern. Sie vergleichen die entstandenen Dialoge, erkennen, welche sprachlichen Entscheidungen funktionieren und welche nicht, und überarbeiten Teile der Ausgabe selbst. Auf diese Weise üben die Schüler:innen sowohl kommunikative Kompetenz im Englischen als auch praktische KI-Kompetenz: klare Anweisungen geben, prüfen, ob diese befolgt wurden, und mit dem eigenen Sprachgefühl entscheiden, ob das Endergebnis angemessen ist. Unterrichtsverlauf Phase Zeit Aktivität Einstieg 10 Min. Die Lehrkraft zeigt zwei kurze Nachrichten, die dieselbe Bitte äußern, z. B. eine an eine Freundin/einen Freund und eine an eine Lehrkraft gerichtete. Die Schüler:innen erkennen Unterschiede in Wortschatz, Höflichkeit und Ton und vermuten, wer welche Nachricht geschrieben haben könnte. Input 10 Min. Die Lehrkraft führt die Konzepte Adressat:in, Zweck, Kontext und Register ein. Gemeinsam erkennen die Schüler:innen Merkmale von formellem und informellem Englisch und diskutieren, warum grammatikalisch korrekte Sprache nicht zwangsläufig angemessene Sprache ist. Erkundung 15 Min. In Partnerarbeit untersuchen die Schüler:innen einen kurzen, KI-generierten Dialog zu einer Alltagssituation. Sie identifizieren nützliche Ausdrücke und markieren alles, was unnatürlich, zu formell, zu informell oder für ihr Sprachniveau ungeeignet klingt. Anpassung 35 Min. Die Schüler:innen bearbeiten 2–3 Runden nach dem Schema Vorhersagen → Prompten → Vergleichen → Diagnostizieren. In jeder Runde verändern sie einen Aspekt des Kommunikationskontexts und bitten die KI, den Dialog anzupassen. Reflexion 20 Min. Die Schüler:innen vergleichen ihre Versionen und diskutieren, welche Veränderungen die Sprache am stärksten beeinflusst haben. Sie erkennen, wo die KI die Anweisungen gut befolgt hat, wo nicht, und welche Ausdrücke sie selbst ändern würden. Leitfragen: Komplexität steigern Paare bearbeiten so viele der folgenden Runden wie es die 35-minütige Anpassungsphase erlaubt. Die meisten Paare sollten zwei Runden abschließen, die dritte kann als Erweiterung genutzt werden: Runde 1 — Beziehung zwischen den Sprechenden verändern: Vorhersagen: Stellt euch vor, dieselbe Bitte wird gegenüber einer engen Freundin/einem engen Freund und gegenüber einer Lehrkraft geäußert. Was erwartet ihr, dass sich ändert? Denkt an Wortschatz, Begrüßungen, Satzbau und Höflichkeit. Prompten: Bittet die KI, den Dialog für eine andere Beziehung zwischen den Sprechenden umzuschreiben. Zum Beispiel: Schreibe dieses Gespräch zwischen zwei Freund:innen als Gespräch zwischen einer Schülerin/einem Schüler und einer Lehrkraft um. Behalte die Bedeutung bei, verwende aber höfliches, natürliches Englisch, das für ein B1-Niveau geeignet ist. Vergleichen: Vergleicht den ursprünglichen und den neuen Dialog. Identifiziert mindestens drei sprachliche Veränderungen. Diagnostizieren: Hat die KI nur einzelne Wörter verändert, oder auch Satzbau, Begrüßungen, Bitten und Abschlussformeln? Welche Änderungen sind angemessen? Gibt es etwas, das ihr selbst anders formulieren würdet? Runde 2 — Kommunikativen Zweck verändern: Die Schüler:innen verändern nun, was eine sprechende Person erreichen möchte. Zum Beispiel: nach Informationen fragen → sich beschweren eine Einladung annehmen → höflich ablehnen um Hilfe bitten → um Erlaubnis bitten informelles Gespräch → formelle Bitte Vorhersagen: Welche Sprache erwartet ihr, dass sich ändert, wenn sich der Zweck des Gesprächs ändert? Prompten: Erstellt einen detaillierteren Prompt, der Folgendes enthält: sprechende Person + Situation + Zweck + Sprachniveau + Ton Zum Beispiel: Erstelle einen kurzen Dialog auf B1-Niveau zwischen einer Kundin/einem Kunden und einer angestellten Person eines Cafés. Die Person hat die falsche Bestellung erhalten und möchte das Problem höflich lösen. Verwende natürliches Alltagsenglisch und begrenze den Dialog auf acht Zeilen. Vergleichen: Prüft, ob der generierte Dialog jedem Teil der Anweisung entspricht. Diagnostizieren: Wählt einen gut funktionierenden Ausdruck und einen, den ihr umschreiben würdet. Begründet eure Wahl. Optionale Runde 3 — Einschränkungen hinzufügen und die KI herausfordern: Die Schüler:innen machen ihre Anweisungen spezifischer. Zum Beispiel: Schreibe das Gespräch für zwei 15-Jährige um. Halte das Englisch auf B1-Niveau. Mach es freundlich und natürlich, aber vermeide Slang. Behalte denselben kommunikativen Zweck bei. Vorhersagen: Welche Teile des vorherigen Dialogs erwartet ihr, dass sich ändern? Prompten: Bittet die KI, die überarbeitete Version zu erstellen. Vergleichen: Prüft die Antwort gegen jede Anforderung im Prompt. Diagnostizieren: Welche Anweisungen hat die KI erfolgreich befolgt? Welche hat sie ignoriert oder anders interpretiert? Abschlussfrage (für die Reflexionsphase): An welchem Punkt erforderte die Veränderung der Kommunikationssituation mehr, als nur einzelne Wörter zu ersetzen, und was sagt das über erfolgreiche Kommunikation in einer anderen Sprache aus? Anschließend: Wenn ein KI-generierter Dialog grammatikalisch korrekt ist, wie könnt ihr entscheiden, ob er für diese konkrete Situation tatsächlich angemessen und natürlich ist? Materialien Ein Laptop oder Tablet pro Schülerpaar mit Browser Zugang zu einer zugelassenen KI-Chat-Oberfläche über das Internet oder ein lokal installiertes Modell, falls der Internetzugang an der Schule eingeschränkt ist Ein kurzer Ausgangsdialog auf ungefähr B1-Niveau Eine kurze Prompt-/Arbeitsblattvorlage für die Anpassungsrunden (Vorhersagen → Prompten → Vergleichen → Diagnostizieren) Eine Checkliste zur Sprachbewertung, die Bedeutung, Grammatik, Wortschatz, Register, Natürlichkeit und Erfüllung der Anweisungen abdeckt Von der Lehrkraft vorbereitete Beispiele für formelle und informelle Kommunikation Ein kurzer Leitfaden zur KI-Nutzung, der die Schüler:innen daran erinnert, keine personenbezogenen Daten einzugeben und KI-generierte Sprache als Material zur Analyse und Verbesserung zu behandeln, nicht als Musterlösung 2.4 Sozialkunde: KI, Medien und Wirklichkeit Können wir alles glauben, was wir sehen? Fach: Sozialkunde · Klassenstufe: 5 (10–11 Jahre) · Dauer: 1 Doppelstunde (90 Min.) · KI: Lehren ÜBER KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler   EA-FC-2a (ETHICS OF AI × FACILITATING LEARNERS’ AI DIGITAL COMPETENCE, Stufe 2 – Reflektierte Umsetzung)   „Lehrkräfte können Lernaktivitäten umsetzen, die das ethische Urteilsvermögen der Lernenden im Umgang mit KI entwickeln, und können diese methodisch begründen.“ Am Ende der Stunde können die Schülerinnen und Schüler:   in einfachen Worten erklären, was generative KI mit Texten und Bildern machen kann; zwischen Information, Meinung und künstlich erzeugten Inhalten unterscheiden; Hinweise erkennen, die ein Bild, einen Text oder eine Behauptung verdächtig oder unzuverlässig erscheinen lassen; erklären, warum eine KI-erzeugte Antwort oder ein KI-erzeugtes Bild nicht automatisch wahr ist; Wege benennen, Informationen zu überprüfen, bevor man sie annimmt oder weitergibt; darüber sprechen, wie KI Kommunikation, Medien und den Alltag der Menschen beeinflussen kann; die eigene Meinung zum verantwortungsvollen Umgang mit KI-erzeugten Inhalten begründen; Kernbotschaft: KI kann überzeugende Texte und Bilder erzeugen, aber überzeugend bedeutet nicht wahr. Bevor wir etwas glauben oder weitergeben, müssen wir fragen, woher es stammt, welche Belege es stützen und ob wir es an anderer Stelle überprüfen können. Inhalt Künstliche Intelligenz wird zunehmend Teil der alltäglichen Kommunikation. KI-Systeme können Texte, Bilder und andere Inhalte erzeugen, die aussehen können, als wären sie von einem Menschen erstellt worden. Das schafft neue Möglichkeiten, aber auch neue Herausforderungen dafür, wie Menschen Informationen verstehen und bewerten. Für Schülerinnen und Schüler in diesem Alter ist die wichtige Frage nicht unbedingt, wie KI technisch funktioniert, sondern wie KI-erzeugte Inhalte Menschen und Gesellschaft beeinflussen können. Die Stunde führt KI über eine vertraute soziale Situation ein: über Informationen, denen man im Alltag begegnet. Die Lehrkraft zeigt Beispiele für Texte und Bilder und bittet die Schülerinnen und Schüler zu entscheiden, ob der Inhalt echt, bearbeitet oder KI-erzeugt ist. Der Schwerpunkt liegt nicht darauf, ihnen beizubringen, KI perfekt zu erkennen. Tatsächlich ist eine der zentralen Schlussfolgerungen der Stunde, dass das äußere Erscheinungsbild allein kein verlässlicher Weg ist, um festzustellen, ob etwas wahr ist. Stattdessen lernen die Schülerinnen und Schüler einen einfachen Prüfablauf: STOPP → HINTERFRAGEN → PRÜFEN → VERGLEICHEN → ENTSCHEIDEN Die Aktivität knüpft an den Schwerpunkt des Sozialkunde-Lehrplans an, kritisches Denken zu entwickeln, Belege zu analysieren, Meinungen zu bilden und zu äußern sowie das soziale Umfeld zu erforschen. Der Lehrplan nennt ausdrücklich die Rolle und den Einfluss der Medien als eines der vorgeschlagenen gesellschaftlichen Themen für die 5. Klasse. Er ermutigt Lehrkräfte außerdem ausdrücklich dazu, rationales und kritisches Denken zu fördern, indem Fragen gestellt werden, die Begründungen erfordern, indem Belege untersucht, Daten analysiert werden, die Schlussfolgerungen stützen oder infrage stellen, und indem unterschiedliche Deutungen berücksichtigt werden. Wichtig ist dabei: Die Schülerinnen und Schüler interagieren während der Stunde nicht selbst mit einem KI-System. Die Lehrkraft bedient das KI-Werkzeug und präsentiert der Klasse ausgewählte Ausgaben. Die Rolle der Schülerinnen und Schüler besteht darin, die Inhalte zu beobachten, zu hinterfragen, zu vergleichen und zu bewerten. Unterrichtsverlauf Phase Zeit Aktivität Einführung 10 Min. Die Lehrkraft zeigt zwei oder drei Bilder oder kurze Texte zu einer vertrauten Situation. Die Schülerinnen und Schüler entscheiden für sich: Ist das echt? Woher weißt du das? Input 15 Min. Die Lehrkraft führt KI in altersgerechter Sprache ein: was generative KI kann und warum KI-erzeugte Inhalte überzeugend wirken können. Demonstration 15 Min. Die Lehrkraft nutzt ein KI-Werkzeug live, um auf Grundlage eines einfachen Prompts ein Bild oder einen kurzen Text zu erzeugen. Die Schülerinnen und Schüler beobachten, wie schnell der Inhalt entstehen kann, und besprechen, was die KI tatsächlich hervorbringt. Untersuchung 30 Min. Die Gruppen erhalten mehrere Beispiele für Informationen und Inhalte. Sie nutzen eine Prüf-Checkliste und entscheiden, was sie für glaubwürdig halten, was sie hinterfragen und was sie weiter überprüfen würden. Reflexion 20 Min. Klassengespräch: Können wir einem Bild trauen, nur weil es echt aussieht? Und wie ist es bei einem Text? Wer trägt die Verantwortung, wenn wir falsche Informationen erstellen oder verbreiten? Leitfragen: Die Schülerinnen und Schüler arbeiten die folgenden Situationen gemeinsam mit der Lehrkraft durch. Die KI wird ausschließlich von der Lehrkraft bedient. 1. Runde 1 — STOPP: Nicht sofort glauben Die Lehrkraft zeigt den Schülerinnen und Schülern ein KI-erzeugtes Bild einer vertrauten Situation — zum Beispiel eine scheinbar realistische Fotografie eines ungewöhnlichen Ereignisses in Slowenien. Bevor irgendetwas aufgelöst wird, beantworten die Schülerinnen und Schüler: Sieht dieses Bild echt aus? Was bringt dich zu dieser Einschätzung? Welche Details lassen es glaubwürdig wirken? Gibt es etwas, das ungewöhnlich aussieht? Die Lehrkraft löst auf, dass das Bild mit KI erzeugt wurde, und erklärt kurz, wie generative KI realistisch wirkende Bilder erstellen kann. Was hat uns glauben lassen, dass das Bild echt ist? Haben wir nach Belegen gesucht oder einfach dem vertraut, was wir gesehen haben? Könnte jemand ein solches Bild nutzen, um andere Menschen in die Irre zu führen? Diagnose: Die Schülerinnen und Schüler erkennen den Unterschied zwischen „Das sieht echt aus“ und „Ich habe Belege dafür, dass das echt ist“. Kernidee: Ein realistisches Erscheinungsbild ist kein Beweis dafür, dass etwas wahr ist. 2. Runde 2 — HINTERFRAGEN: Wer hat es erstellt und warum? Die Lehrkraft präsentiert einen kurzen KI-erzeugten Text im Nachrichtenstil. Zum Beispiel bittet die Lehrkraft ein KI-System, einen kurzen Artikel über ein erfundenes Ereignis an einer slowenischen Schule zu verfassen. Die Schülerinnen und Schüler interagieren nicht mit der KI. Stattdessen analysieren sie die Ausgabe. Wer hat das geschrieben oder erstellt? Woher stammt die Information angeblich? Nennt der Text eine Quelle? Liefert er Belege? Können wir die Information überprüfen? Warum könnte jemand solche Informationen veröffentlichen wollen? Klingt der Text sicher, obwohl wir nicht wissen, ob er stimmt? Die Schülerinnen und Schüler entdecken, dass ein Text selbstsicher, informativ und überzeugend klingen kann und ihm dennoch eine verlässliche Quelle oder Belege fehlen. Kernidee: Eine selbstsicher klingende Antwort ist nicht zwangsläufig eine richtige Antwort. 3. Runde 3 — PRÜFEN & VERGLEICHEN: Überprüfen wir es Die Lehrkraft stellt eine erfundene Behauptung vor: „In Slowenien wurde eine neue Regel eingeführt: Schülerinnen und Schüler dürfen samstags keine Mobiltelefone mehr benutzen.“ Die Aussage ist bewusst einfach und plausibel genug, um die Schülerinnen und Schüler dazu anzuregen, darüber nachzudenken, wie sie sie überprüfen würden. Die Schülerinnen und Schüler sollen nicht einfach mit „wahr“ oder „falsch“ antworten. Sie müssen stattdessen eine Überprüfungsstrategie entwickeln. Wo würdest du diese Information überprüfen? Wen könntest du fragen? Würdest du einem Beitrag in sozialen Medien vertrauen? Würdest du nur eine Quelle prüfen oder mehrere? Was würde als guter Beleg gelten? Welcher Quelle würdest du eher vertrauen? Was würde dich dazu bringen, deine Meinung zu ändern? Anschließend zeigt die Lehrkraft, wie sich die Behauptung mithilfe verschiedener Arten von Quellen überprüfen ließe. Die Schülerinnen und Schüler erkennen, dass das Überprüfen von Informationen ein Prozess ist und nicht einfach die Entscheidung, ob sich etwas „wahr anfühlt“. 4. Optionale Runde — KI gegen Mensch Die Lehrkraft fragt ein KI-System: „Warum ist es wichtig, das kulturelle Erbe zu bewahren?“ - Die KI erzeugt eine kurze Antwort. Die Schülerinnen und Schüler formulieren anschließend eigenständig ihre eigene Antwort ohne KI. Die Klasse vergleicht beide. Was hat die KI gut beantwortet? Was fehlt? Gibt die KI Informationen wieder, eine Meinung oder beides? Kennt die KI unser lokales Umfeld so gut wie wir? Welche Antwort wäre nützlicher, um unser lokales Kulturerbe vorzustellen? Kann eine KI-erzeugte Antwort unser eigenes Denken ersetzen? Das knüpft an den Schwerpunkt des Lehrplans auf kulturelles Erbe an, an das Verständnis der Schülerinnen und Schüler für Vergangenheit und Gegenwart sowie an ihre Fähigkeit, eigene Standpunkte zu erklären und zu begründen. Abschlussaktivität: eine Klassenregel entwickeln Am Ende der Stunde erstellen Lehrkraft und Klasse gemeinsam ein einfaches Plakat für den Klassenraum: 5 FRAGEN, BEVOR WIR ETWAS TEILEN STOPP Muss ich das sofort glauben? HINTERFRAGEN Wer hat das erstellt oder veröffentlicht? PRÜFEN Wo kann ich die Information überprüfen? VERGLEICHEN Sagen andere verlässliche Quellen dasselbe? ENTSCHEIDEN Habe ich genug Belege, um es zu glauben oder zu teilen? Das Plakat ist das zentrale praktische Ergebnis der Stunde. Abschlussfrage: Wenn ein Computer ein Bild oder einen Text erzeugen kann, der völlig echt aussieht – was sollten wir tun, bevor wir es glauben oder mit anderen Menschen teilen? Materialien ein Computer und ein Beamer für die Lehrkraft; Zugang zu einem LLM-/KI-Werkzeug, das von der Lehrkraft bedient wird; 2–3 vorbereitete KI-erzeugte Bilder und Texte; mehrere Beispiele für echte und erfundene Informationen; ein Arbeitsblatt STOPP → HINTERFRAGEN → PRÜFEN → VERGLEICHEN → ENTSCHEIDEN; verschiedene Quellen, die die Schülerinnen und Schüler zur Überprüfung nutzen können; eine Tafel oder ein Plakat für die Erarbeitung der Klassenregel „5 Fragen, bevor wir etwas teilen“. Die Rolle der Lehrkraft und die Rolle der Schülerinnen und Schüler Ein zentrales Gestaltungsprinzip dieser Stunde ist, dass der KI-Einsatz von der Lehrkraft gesteuert wird. Lehrkraft Schülerinnen und Schüler Bedient das KI-Werkzeug. Beobachten die KI-Ausgabe. Erstellt ausgewählte Beispiele. Stellen Fragen zum Inhalt. Zeigt, wie KI Texte und Bilder erzeugt. Benennen Gründe, Informationen zu vertrauen oder sie zu hinterfragen. Liefert Beispiele und Gegenbeispiele Vergleichen verschiedene Quellen. Macht Überprüfungsstrategien vor Entwickeln eine eigene Überprüfungsstrategie. Leitet die Diskussion Erklären und begründen ihre Schlussfolgerungen. Macht die Grenzen von KI sichtbar. Reflektieren über verantwortungsvolles Teilen von Informationen. Die Schülerinnen und Schüler lernen also über die Fähigkeiten, Grenzen und gesellschaftlichen Folgen von KI, ohne selbst Zugang zu einem KI-System zu benötigen. 2.5 Fächerübergreifend: KI-gestützte Unterrichtsplanung KI-gestützte Unterrichtsgestaltung Fach: Fortbildung von Lehrkräften · Zielgruppe: Lehrkräfte · Dauer: 1 Workshop (90 Min.) · KI: Lehren MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Lernenden AF-DR-2b (AI Foundations and Applications × Digital Resources, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Strategien des Promptens, der Iteration und der Verfeinerung einsetzen, um nutzbare KI-erzeugte Ressourcen zu erhalten.“   AF-TL-2b (AI Foundations and Applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“ Am Ende der Einheit können die Teilnehmenden: einen strukturierten Prompt formulieren, um eine Lernaktivität für das eigene Fachgebiet zu erstellen; eine KI-erzeugte Aktivität hinsichtlich pädagogischer Relevanz, fachlicher Richtigkeit und Eignung für die Zielgruppe bewerten; Elemente KI-erzeugten Materials erkennen, die eine Überprüfung oder Anpassung durch Menschen erfordern; eine erste KI-Ausgabe durch Prompten, Iteration und manuelle Überarbeitung verbessern; KI in eine Unterrichtsstunde integrieren und dabei eine klare pädagogische Rolle für Lehrkraft und Lernende wahren. Kernbotschaft: Generative KI kann die Unterrichtsvorbereitung beschleunigen, aber eine brauchbare Lernaktivität entsteht selten aus einem einzigen Prompt. Wirksame KI-gestützte Unterrichtsgestaltung ist ein iterativer Prozess, in dem Lehrkräfte das pädagogische Ziel festlegen, Ideen erzeugen, die Ausgabe bewerten, sie verfeinern und die endgültigen didaktischen Entscheidungen selbst treffen. Abb. 1: „KI-gestützte Unterrichtsgestaltung“ (KI-generiertes Bild, ChatGPT GPT Image 2) Inhalt Generative KI kann Lehrkräfte bei vielen Aufgaben der Unterrichtsvorbereitung unterstützen: beim Entwickeln von Aktivitätsideen, beim Anpassen von Materialien an unterschiedliche Lerngruppen, beim Erstellen von Beispielen und Fragen oder beim Vorschlagen alternativer Erklärwege für ein Thema. Die lettische Fallstudie Datorium zeigt diesen praxisnahen Ansatz zur Entwicklung der KI-Kompetenz von Lehrkräften: Zunächst machen sich die Lehrkräfte mit KI und ihren Einsatzmöglichkeiten in der Bildung vertraut, dann gehen sie zu praktischem Ausprobieren, Unterrichtsplanung, Leistungsbewertung und der Entwicklung differenzierter Materialien über. Auf die Anwendung im Unterricht folgen Reflexion und Rückmeldung, sodass der KI-Einsatz Teil eines iterativen professionellen Lernprozesses wird und nicht eine einmalige technische Übung bleibt. Der Nutzen generativer KI für die Unterrichtsgestaltung hängt stark von den Informationen und Vorgaben ab, die die Lehrkraft bereitstellt. Eine Anfrage wie „Erstelle eine Unterrichtsstunde zum Klimawandel“ überlässt die meisten pädagogischen Entscheidungen dem KI-System. Ein stärker strukturierter Prompt kann Fach, Alter der Lernenden, Vorwissen, Lernziel, Dauer, Unterrichtsmethode, verfügbare Ressourcen und erwartetes Lernprodukt benennen. Diese Angaben garantieren keine gute Stunde, aber sie geben der Lehrkraft mehr Kontrolle darüber, was die KI hervorbringt, und machen das entstandene Material leichter am angestrebten Lernziel überprüfbar. Selbst ein detaillierter Prompt kann Material hervorbringen, das fachlich falsch, pädagogisch schwach, für die verfügbare Unterrichtszeit unrealistisch oder für eine bestimmte Lerngruppe ungeeignet ist. KI schlägt mitunter Aktivitäten vor, ohne die Dynamik im Klassenzimmer zu berücksichtigen, setzt Ressourcen voraus, die nicht verfügbar sind, erzeugt Aufgaben, die das angegebene Lernziel gar nicht erfassen, oder liefert Inhalte, die überzeugend wirken, aber einer fachlichen Überprüfung bedürfen. Deshalb sollte KI-erzeugtes Unterrichtsmaterial als Entwurf und nicht als fertiges Lehrmaterial behandelt werden. Der zentrale Lernprozess in dieser Aktivität besteht daher nicht einfach darin zu lernen, wie man einen „guten Prompt“ schreibt. Die Lehrkräfte durchlaufen wiederholt den Zyklus festlegen → prompten → bewerten → verfeinern → überprüfen. Sie beginnen mit einem realen Lernziel aus dem eigenen Unterrichtskontext, lassen sich von der KI eine Aktivität vorschlagen, bewerten das Ergebnis anhand pädagogischer Kriterien, verfeinern den Prompt, wo nötig, und nehmen schließlich eigene Änderungen vor, bevor die Aktivität als unterrichtstauglich gilt. Das entspricht dem Schwerpunkt der Fallstudie Datorium auf praktischem Ausprobieren, gemeinsamer Entwicklung, Anwendung im Unterricht und Reflexion – und belässt zugleich die pädagogische Verantwortung und die Validierung bei der Lehrkraft. Unterrichtsverlauf Phase Zeit Aktivität Einführung 10 Min. Die Teilnehmenden benennen jeweils eine Aufgabe der Unterrichtsvorbereitung, für die KI nützlich sein könnte. Die Moderation führt KI als Assistenz bzw. Mitgestalterin ein und nicht als eigenständige Unterrichtsplanerin. Input 15 Min. Die Teilnehmenden vergleichen einen einfachen Prompt mit einem strukturierten pädagogischen Prompt und untersuchen, wie zusätzlicher Kontext die erzeugte Lernaktivität verändert. Erkundung 15 Min. Jede teilnehmende Person wählt ein reales Lernziel aus dem eigenen Fach und lässt ein Sprachmodell eine kurze Unterrichtsaktivität dazu erzeugen. Erweiterung 35 Min. Die Teilnehmenden durchlaufen zwei oder drei Runden von prompten → bewerten → verfeinern → überprüfen, fügen dabei schrittweise pädagogische Vorgaben hinzu und prüfen die entstandene Aktivität. Reflexion 25 Min. Die Teilnehmenden vergleichen ihre ursprüngliche KI-Ausgabe mit der endgültigen, unterrichtstauglichen Fassung und benennen, welche Verbesserungen durch Prompten entstanden sind und welche ihr eigenes professionelles Urteil erforderten. Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität Runde 1 — das pädagogische Ziel festlegen: Legen Sie vor dem Prompten fest: Wer sind die Lernenden? Was sollen sie wissen oder können? Welches Vorwissen bringen sie mit? Wie viel Zeit steht zur Verfügung? Was sollen die Lernenden während der Aktivität tatsächlich tun? Erzeugen Sie eine erste Aktivität und vergleichen Sie sie mit dem angestrebten Lernziel. Diagnostizieren: Hilft die Aktivität den Lernenden tatsächlich dabei, das Ziel zu erreichen, oder betrifft sie lediglich dasselbe Thema? Runde 2 — Rahmenbedingungen des Unterrichts ergänzen: Verfeinern Sie den Prompt, indem Sie realistische Bedingungen ergänzen, etwa Klassengröße, verfügbare Materialien, Stundendauer, Niveau der Lernenden, Unterrichtsmethode oder Anforderungen an Barrierefreiheit. Erzeugen Sie die überarbeitete Aktivität und vergleichen Sie sie mit der ersten Fassung. Vergleichen: Prüfen Sie, ob der erzeugte Dialog jedem Teil der Anweisung folgt. Diagnostizieren: Welche Änderungen haben die Aktivität verbessert? Welche Rahmenbedingungen des Unterrichts hat die KI weiterhin nicht berücksichtigt? Optionale Runde 3 — überprüfen und die Kontrolle zurücknehmen: Bewerten Sie die endgültige KI-erzeugte Aktivität hinsichtlich: fachlicher Richtigkeit; Passung zum Lernziel; Eignung für die Lerngruppe; realistischer Zeitplanung; Klarheit der Arbeitsanweisungen; Barrierefreiheit und Inklusion; Rollen von Lehrkraft und Lernenden. Anschließend nehmen die Teilnehmenden mindestens eine Änderung selbst vor, ohne die KI um eine Überarbeitung zu bitten. Der abschließende Vergleich lautet daher nicht „Welcher Prompt hat die beste KI-Antwort erzeugt?“ sondern vielmehr „Was musste die Lehrkraft beitragen, um aus einer KI-erzeugten Idee eine brauchbare Lernaktivität zu machen?“ Abschlussfrage (für die Reflexionsphase): An welchem Punkt erforderte die KI-erzeugte Aktivität mehr als nur einen besseren Prompt, und was sagt Ihnen das über die Rolle der Lehrkraft bei der KI-gestützten Unterrichtsgestaltung? Anschließend: Wenn eine KI-erzeugte Lernaktivität vollständig und gut strukturiert wirkt – woran können Sie entscheiden, ob sie pädagogisch tatsächlich angemessen und für den Einsatz mit Lernenden bereit ist? Materialien Ein Laptop oder Tablet pro teilnehmender Person, mit Browser Zugang zu einer freigegebenen KI-Chat-Oberfläche oder ein lokal installiertes Modell Ein reales Lernziel oder Unterrichtsthema aus dem Unterrichtskontext jeder teilnehmenden Person Eine Vorlage für strukturiertes pädagogisches Prompten Ein kurzes Arbeitsblatt für den Zyklus festlegen → prompten → bewerten → verfeinern → überprüfen Eine Bewertungs-Checkliste zu pädagogischer Relevanz, fachlicher Richtigkeit, Eignung für die Lernenden, Machbarkeit und Passung zu den Lernzielen Beispiel für einen einfachen und für einen stärker strukturierten pädagogischen Prompt 2.6 Geschichte: Rekonstruktion der Vergangenheit Ein Tag im mittelalterlichen Riga: Was können uns die Quellen wirklich sagen? Fach: Geschichte · Klassenstufe: 7 (13–14 Jahre) · Dauer: 1 Doppelstunde · KI: Lernen MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-TL-2b (AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“   AF-FC-2b (AI foundations and applications × Facilitating Learners’ (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“ Am Ende der Stunde können die Schülerinnen und Schüler: Informationen über das städtische Leben im Mittelalter aus schriftlichen, bildlichen und archäologischen Quellen entnehmen; zwischen Beleg, plausibler Schlussfolgerung und Spekulation unterscheiden; Aspekte von Handel, Handwerk und Alltagsleben im mittelalterlichen Riga erklären; Belege aus mehreren Quellen zu einer historischen Rekonstruktion zusammenführen; Prompts formulieren, die die KI dazu anhalten, ausschließlich mit den bereitgestellten historischen Belegen zu arbeiten; Informationen analysieren, um die Bedeutung verlässlicher Quellen zu verstehen. Kernbotschaft: Was gezeigt wird, ist nicht unbedingt das, was geschehen ist. Historische Rekonstruktionen verbinden Belege, plausible Schlussfolgerungen und Spekulation. Die Vergangenheit zu verstehen bedeutet, den Unterschied zu erkennen zwischen dem, was wir aus Quellen wissen, dem, was wir daraus vernünftigerweise schließen können, und dem, was hinzuerfunden wurde, um Lücken zu füllen und eine bessere Geschichte zu erzählen. Abb. 1: „Ein Tag im mittelalterlichen Riga: Was können uns die Quellen wirklich sagen?“ (KI-generiertes Bild, ChatGPT GPT Image 2) Inhalt Historikerinnen und Historiker können das Alltagsleben im Mittelalter nicht unmittelbar beobachten. Sie rekonstruieren es stattdessen aus den Spuren, die Menschen hinterlassen haben: schriftlichen Dokumenten, Gebäuden, Gegenständen, Bildern, archäologischen Funden und anderen Belegen. Unterschiedliche Quellen beantworten unterschiedliche Fragen. Eine Handelsaufzeichnung kann zeigen, welche Waren in eine Stadt gelangten, während ein archäologisches Objekt etwas darüber verraten kann, was Menschen besaßen oder benutzten. Keine dieser Quellen allein kann einen ganzen Tag im Leben eines Menschen wiederherstellen. Das mittelalterliche Riga bietet dafür eine aufschlussreiche Fallstudie. Riga entwickelte sich nach dem Beginn des 13. Jahrhunderts rasch und wurde zu einem wichtigen Knotenpunkt, der den Handel zwischen Westeuropa, Livland und weiter östlich gelegenen Gebieten verband. Gegen Ende des 13. Jahrhunderts war es zu einer bedeutenden Hansestadt geworden. Handel und Handwerk förderten das Wachstum von Kaufmanns- und Handwerksvereinigungen wie den Zünften. Moderne Medien können die Vergangenheit sehr viel vollständiger erscheinen lassen, als es die überlieferten Belege tatsächlich zulassen. KI-erzeugte Geschichtsinhalte wie Chloe VS History zeigen zum Beispiel lebendige „Zeitreise“-Szenen, in denen die Zuschauerinnen und Zuschauer scheinbar historische Schauplätze besuchen, etwa London zur Zeit der Pest. Kleidung, Straßen, Gebäude, Menschen und alltägliche Tätigkeiten werden so dargestellt, als würden sie unmittelbar beobachtet. Doch diese Szenen sind Rekonstruktionen: Manche Details mögen auf historischen Belegen beruhen, manche können plausible Schlussfolgerungen sein, andere sind spekulativ oder schlicht unzutreffend. Dasselbe Problem zeigt sich in Historienfilmen. A Knight’s Tale erschafft durch Rüstungen, Turniere, Kleidung, Architektur und soziale Rollen eine erkennbar mittelalterliche Welt und führt zugleich bewusst moderne Musik, Sprache und Verhaltensweisen ein. Der Film ist damit eine nützliche Erinnerung daran, dass etwas überzeugend historisch wirken kann, ohne genau das abzubilden, was tatsächlich geschehen ist. Generative KI funktioniert auf ähnliche Weise. Sie kann Fragmente historischer Belege zu einer stimmigen Rekonstruktion eines Tages im mittelalterlichen Riga verbinden, sie kann Lücken aber auch mit Details füllen, die in den Quellen nie vorkamen. Manche Ergänzungen mögen historisch plausibel sein, andere gehören in eine andere Region, ein anderes Jahrhundert oder eine andere soziale Gruppe. Die Schülerinnen und Schüler müssen deshalb drei Stufen der Sicherheit unterscheiden: Beleg – was historische Quellen unmittelbar stützen. Schlussfolgerung – was sich daraus vernünftigerweise ableiten lässt. Spekulation – was hinzuerfunden wurde, um die Lücken zu füllen. Unterrichtsverlauf Phase Zeit Aktivität Einstieg 10 Min. Ein mittelalterliches KI-Video von Chloe VS History ansehen. Die Schülerinnen und Schüler benennen, was es glaubwürdig macht, und hinterfragen, welche Details tatsächlich durch Belege gestützt sind. Input 10 Min. Einführung von Beleg – Schlussfolgerung – Spekulation und Übung im Unterscheiden. Erkundung 15 Min. Die Schülerinnen und Schüler analysieren Quellen zum mittelalterlichen Riga ohne KI und halten fest, was sich wirklich wissen lässt. Anwendung 1 20 Min. Die KI rekonstruiert aus begrenzten Belegen einen Tag im mittelalterlichen Riga. Die Schülerinnen und Schüler erkennen, wo sie Lücken füllt. Anwendung 2 20 Min. Weitere Quellen und strengere Prompts kommen hinzu. Die Schülerinnen und Schüler vergleichen die beiden Rekonstruktionen. Reflexion 25 Min. Die Schülerinnen und Schüler übertragen denselben kritischen Analyserahmen auf einen mittelalterlichen Historienfilm. Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität Einstieg — Zeigen Sie etwa 30–60 Sekunden des KI-erzeugten Besuchs von Chloe VS History (TikTok/Youtube) in London zur Zeit der Pest 1348: Diskussionsfrage: „Was lässt dies wie einen echten Besuch im mittelalterlichen London wirken?“ Das Problem einführen: „Woher wissen wir eigentlich, dass diese Details historisch zutreffend sind?“ Leitprinzip dieser Stunde (Die Bedeutung von Quellen) Das Problem einführen: „Woher wissen wir eigentlich, dass diese Details historisch zutreffend sind?“ Leitprinzip dieser Stunde (Die Bedeutung von Quellen) Historischer Beleg → Schlussfolgerung → Spekulation Input — Archäologisches Objekt: ein mittelalterlicher Kamm: Stellen Sie Aussagen über das Objekt bereit, die den Kategorien Beleg, Schlussfolgerung und Spekulation zugeordnet werden müssen. Beispiel: Im mittelalterlichen Riga wurde ein Knochenkamm gefunden – Beleg Manche Einwohnerinnen und Einwohner Rigas benutzten Kämme – Schlussfolgerung Die Besitzerin oder der Besitzer kämmte sich jeden Morgen vor dem Gang zum Markt – Spekulation  Erkundung — Gruppenarbeit. Quellen analysieren: 4 verschiedene Quellen über das mittelalterliche Riga. A) Riga als Hansestadt. Text aus dem Museum für Geschichte Rigas und der Seefahrt, „Riga als Teil Livlands (13.–16. Jh.)“ B) Archäologische Belege des Hansehandels. Bilder aus dem Museum für Geschichte Rigas und der Seefahrt, „Archäologische Belege des Hansehandels in Riga“. C) Liste der Ein- und Ausfuhren Rigas. Handelsangaben aus dem Museum für Geschichte Rigas und der Seefahrt, „Archäologische Belege des Hansehandels in Riga“. D) Rigas Bauvorschriften von 1293, die nach einem Stadtbrand den Bau von Holzhäusern einschränkten. Die Schülerinnen und Schüler füllen für jede Quelle ein Arbeitsblatt aus und beantworten dabei zu jeder Quelle die folgenden Fragen: Was wissen wir? Was können wir vernünftigerweise schließen? Was wissen wir weiterhin nicht? Die KI füllt die verbleibenden Lücken: Prompt für die Schülerinnen und Schüler: Beschreiben Sie ausschließlich anhand der Quellen A und B einen Morgen im mittelalterlichen Riga aus der Sicht einer jungen Stadtbewohnerin oder eines jungen Stadtbewohners. Schreiben Sie etwa 150 Wörter. Gestalten Sie die Szene anschaulich, führen Sie aber keine Informationen ein, die sich nicht vernünftigerweise aus den Quellen ableiten lassen. Die Schülerinnen und Schüler annotieren die KI-Antwort: Beleg Plausible Schlussfolgerung Nicht belegt / Spekulation Die KI überarbeitet ihr Ergebnis mit mehr Belegen: Verbesserter Prompt: Überarbeiten Sie die Rekonstruktion unter Verwendung der Quellen A–D. Geben Sie nach jedem wichtigen historischen Detail dessen Quelle an, zum Beispiel [Quelle B]. Wenn etwas nicht unmittelbar in den Quellen steht, sich aber vernünftigerweise aus ihnen ableiten lässt, schreiben Sie [Schlussfolgerung]. Entfernen Sie Details, die sich nicht belegen oder vernünftigerweise ableiten lassen. Vergleichen: Version 1 → Version 2 Finden Sie: ein Detail, das präziser geworden ist; ein Detail, das die KI entfernt hat; ein neues, durch Belege gestütztes Detail; ein Detail, das weiterhin hinterfragt werden muss. Reflexion/Wissenstransfer Zeigen Sie eine kurze, unterrichtstaugliche Szene oder ein Standbild aus A Knight’s Tale (2001) Diskussionsfrage: Was fällt Ihnen auf Grundlage der Leitprinzipien dieser Stunde als Beleg, als Schlussfolgerung und als Spekulation auf? Wenn Filmschaffende historische Details verändern, um eine bessere Geschichte zu erzählen – ist das zwangsläufig falsch? Abschließende Einzelreflexion:   Die Schülerinnen und Schüler vervollständigen: Etwas kann historisch überzeugend wirken, wenn ... Bevor ich etwas glaube, das ich in einem Historienfilm sehe, sollte ich ... Ein Historienfilm darf Details erfinden oder verändern, aber ... Materialien Beamer/interaktives Whiteboard mit Lautsprechern. Mittelalterliches KI-Video von Chloe VS History für den Einstieg. Bild eines mittelalterlichen Knochenkamms aus Riga. Mini-Arbeitsblatt Beleg – Schlussfolgerung – Spekulation. Quellenpaket zum mittelalterlichen Riga: Text zum Hansehandel, Bilder archäologischer Funde, Liste der Ein- und Ausfuhren, Bauvorschriften von 1293. Arbeitsblatt zur Quellenanalyse. Endgeräte der Schülerinnen und Schüler mit Zugang zu einem freigegebenen generativen KI-Werkzeug. Arbeitsblätter für KI-Prompts und Vergleich für Runde 1 und 2. Kurzer Clip oder Standbild aus A Knight’s Tale (2001) für die Reflexion.     2.7 Informatik / Naturwissenschaften: KI für ein echtes Schulproblem Kann KI uns helfen, den Abfall in der Schule zu trennen? Fach: Informatik/Naturwissenschaften · Klassenstufe: 7 (13–14 Jahre) · Dauer: 1 Doppelstunde · KI: Lernen MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-TL-2b (AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte verstehen die Grundprinzipien von KI und maschinellem Lernen und können sie anhand praktischer Beispiele veranschaulichen.“   AF-FC-2b (AI foundations and applications × Facilitating Learners’ (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Lernende dabei anleiten, mit KI-Werkzeugen zu experimentieren, deren Ausgaben zu testen und ihre Verlässlichkeit kritisch zu reflektieren.“ Am Ende der Stunde können die Schülerinnen und Schüler: in einfachen Worten erklären, wie ein KI-Modell aus Beispielen lernt ein einfaches Modell zur Bildklassifikation trainieren und testen Fälle erkennen, in denen das Modell falsche Ergebnisse liefert erklären, wie die Qualität der Beispiele die Leistung der KI beeinflusst das Modell auf Grundlage der Tests verbessern; • beurteilen, ob die KI-Lösung in einer realen Schulsituation nützlich und verlässlich wäre. Kernbotschaft: KI kann bei alltäglichen Problemen helfen, aber sie versteht nicht automatisch, was sie sieht. Sie lernt aus Beispielen, die Menschen bereitstellen, und ihre Ergebnisse müssen deshalb getestet und bewertet werden. Abb. 1: „Kann KI uns helfen, den Abfall in der Schule zu trennen?“ (KI-generiertes Bild, ChatGPT GPT Image 2) Inhalt Abfalltrennung ist an vielen Schulen ein alltägliches Thema. Die Schülerinnen und Schüler nutzen täglich Papier, Plastikflaschen, Lebensmittelverpackungen und andere Materialien, doch diese landen nicht immer in der richtigen Wertstofftonne. Diese vertraute Situation bietet einen einfachen Zugang dazu, wie künstliche Intelligenz funktioniert. Die Schülerinnen und Schüler untersuchen, ob ein KI-System einen Gegenstand erkennen und empfehlen könnte, in welche Wertstofftonne er gehört. Im Verlauf der Aktivität erstellen sie ein einfaches Modell zur Bildklassifikation mit Kategorien wie Papier, Plastik und Restmüll. Sie geben der KI mehrere Beispiele vor, trainieren das Modell und testen es anschließend mit neuen Gegenständen. Die Aktivität veranschaulicht ein wichtiges Prinzip des maschinellen Lernens: Die KI lernt Muster aus den Beispielen, die sie erhält. Sind die Beispiele zu ähnlich, unvollständig oder schlecht ausgewählt, kann das Modell unerwartete Ergebnisse liefern. Die Schülerinnen und Schüler erstellen daher nicht nur ein funktionierendes Modell. Sie testen es gezielt mit schwierigen Beispielen, untersuchen seine Fehler und versuchen, es zu verbessern. So stellen sie vielleicht fest, dass eine zerdrückte Plastikflasche anders eingeordnet wird als eine unbeschädigte, oder dass der Hintergrund eines Bildes das Ergebnis beeinflusst. Die Stunde verbindet ein grundlegendes KI-Konzept mit einer realen Schulsituation. Zugleich regt sie dazu an, kritisch über Verlässlichkeit und menschliche Verantwortung nachzudenken: Auch wenn ein KI-System eine Empfehlung abgibt, müssen Menschen weiterhin entscheiden, ob das Ergebnis sinnvoll ist. Unterrichtsverlauf Phase Zeit Aktivität Einstieg 10 Min. Die Lehrkraft zeigt mehrere alltägliche Abfallgegenstände und fragt, wohin sie gehören. Die Klasse diskutiert, ob KI dieselbe Entscheidung automatisch treffen könnte. Input 10 Min. Die Lehrkraft führt die Bildklassifikation ein und erklärt, dass KI aus Beispielen lernt. Das gewählte KI-Werkzeug wird kurz vorgeführt. Erkundung 20 Min. In Kleingruppen legen die Schülerinnen und Schüler Kategorien wie Papier, Plastik und Restmüll an, bereiten Beispiele vor und trainieren ihr erstes Modell. Anwendung 1 20 Min. Die Schülerinnen und Schüler testen das Modell mit neuen Gegenständen und halten fest, wo es funktioniert und wo es Fehler macht. Anwendung 2 20 Min. Die Schülerinnen und Schüler verbessern die Trainingsbeispiele, trainieren das Modell erneut und vergleichen die neuen Ergebnisse mit der ersten Fassung. Reflexion 10 Min. Die Schülerinnen und Schüler diskutieren, ob ihr KI-System für den realen Einsatz in der Schule verlässlich genug wäre und wo seine Grenzen liegen. Leitfragen: vom KI-Experiment zur Anwendung im Alltag Einstieg – Könnte KI entscheiden, wohin unser Abfall gehört? Die Lehrkraft zeigt mehrere alltägliche Gegenstände, zum Beispiel: ein Blatt Papier, eine Plastikflasche, einen Pappkarton, einen Joghurtbecher, einen Bleistift. Die Schülerinnen und Schüler entscheiden zunächst selbst, wohin jeder Gegenstand gehört. Fragen Sie dann: Könnte ein Computer dieselbe Entscheidung anhand eines Kamerabildes treffen? Woher würde er wissen, dass etwas Papier oder Plastik ist? Welche Informationen bräuchte er dafür? Könnte er jemals die falsche Entscheidung treffen? Stellen Sie die Aufgabe vor: Erstellen Sie ein KI-Modell, das Schülerinnen und Schülern hilft zu entscheiden, welche Wertstofftonne die richtige ist. Input – Wie lernt ein KI-Klassifikator? Die Lehrkraft führt ein einfaches Werkzeug zur Bildklassifikation vor. Es lassen sich drei Kategorien anlegen: Papier – Plastik – Sonstiges Erklären Sie, dass das Modell keine Definition erhält wie: „Plastik ist ein Material aus Polymeren.“ Stattdessen erhält es Beispiele und versucht, Muster zu erkennen. Fragen Sie die Schülerinnen und Schüler: Wenn wir der KI nur Plastikflaschen zeigen – wird sie dann alle Arten von Plastik verstehen? Wie viele Beispiele könnte sie brauchen? Sollten alle Fotos gleich aussehen? Was könnte passieren, wenn alle Papiergegenstände auf einem weißen Tisch fotografiert werden? Kernidee: Die Beispiele, die wir bereitstellen, beeinflussen, was die KI lernt. Erkundung – das erste Modell bauen Die Schülerinnen und Schüler arbeiten in Kleingruppen. Jede Gruppe sammelt eigene oder nutzt vorbereitete Beispiele für die drei Kategorien. Zum Beispiel: Papier Arbeitsblatt Zeitung Pappe Papiertüte Plastik Plastikflasche Plastikbecher Verpackung Sonstiges Bleistift Metallgegenstand Lebensmittelverpackung anderer Art Stoff Die Schülerinnen und Schüler trainieren ihr erstes Modell. Anschließend testen sie mehrere einfache Beispiele. Für jeden Test halten sie fest: Gegenstand → erwartetes Ergebnis → KI-Ergebnis → richtig / falsch In dieser Phase geht es noch nicht um perfekte Genauigkeit. Die Schülerinnen und Schüler sollen zunächst verstehen, wie sich das System verhält. Anwendung 1 – Versuchen Sie, die KI scheitern zu lassen Die Schülerinnen und Schüler testen das System nun mit schwierigeren Beispielen. Zum Beispiel: eine zerdrückte Plastikflasche; farbiges Papier; Pappe mit Kunststoffbeschichtung; ein Gegenstand aus einem anderen Blickwinkel; ein Gegenstand weiter entfernt von der Kamera; derselbe Gegenstand vor einem anderen Hintergrund. Fragen Sie: Welche Beispiele hat die KI richtig erkannt? Wo hat sie Fehler gemacht? Was war an diesen Beispielen anders? Könnte die KI auf Farbe oder Hintergrund reagieren statt auf den Gegenstand selbst? Welche Informationen fehlen den Trainingsbeispielen möglicherweise? Die Schülerinnen und Schüler benennen eine Schwachstelle ihres Modells. Anwendung 2 – das Modell verbessern Jede Gruppe nimmt eine oder mehrere Änderungen vor. Zum Beispiel: mehr Beispiele hinzufügen; verschiedene Papier- oder Plastikarten verwenden; Gegenstände aus mehreren Blickwinkeln fotografieren; verschiedene Hintergründe verwenden; die Anzahl der Beispiele je Kategorie ausgleichen. Die Schülerinnen und Schüler trainieren das Modell erneut und wiederholen einige ihrer früheren Tests. Sie vergleichen: Version 1 → Version 2 Fragen Sie: Hat sich das Modell verbessert? Welche Änderung hat geholfen? Gibt es weiterhin Beispiele, die es nicht verlässlich einordnen kann? Würde mehr Daten hinzuzufügen das Problem immer lösen? Wie viele Tests wären nötig, bevor man das System in der Praxis einsetzt? Reflexion – Würden wir diese KI in der Schule wirklich einsetzen? Stellen Sie eine hypothetische Situation vor: Die Schule möchte neben den Wertstofftonnen eine Kamera installieren. Die Schülerinnen und Schüler halten einen Gegenstand vor die Kamera, und die KI empfiehlt die passende Tonne. Die Schülerinnen und Schüler entscheiden, ob sie diese Idee empfehlen würden. Diskutieren Sie: Würden Sie dem aktuellen Modell vertrauen? Was könnte passieren, wenn es die falsche Antwort gibt? Sollten Schülerinnen und Schüler die Empfehlung jederzeit ignorieren dürfen? Welche zusätzlichen Tests wären nötig? Könnte die Kamera Datenschutzprobleme mit sich bringen? Wo könnte ein ähnliches KI-System außerhalb der Schule nützlich sein? Die Schülerinnen und Schüler vervollständigen: Unsere KI hat gut funktioniert, wenn … Unsere KI hatte Probleme, wenn … Bevor wir dieses System in der Praxis einsetzen, müssten wir … Abschließende Reflexionsfrage: Wenn ein KI-System eine Empfehlung abgibt – wer sollte entscheiden, ob diese Empfehlung gut genug für den Einsatz ist? Materialien Computer oder Tablet für jede Gruppe Internetverbindung Zugang zu einem einfachen KI-Werkzeug zur Bildklassifikation Webcam oder Gerätekamera Saubere Beispiele für Papier, Plastik und andere Alltagsgegenstände Alternativ vorbereitete Fotografien der Gegenstände Einfaches Arbeitsblatt zum Festhalten der Testergebnisse Beamer / interaktives Whiteboard für die Lehrkraft Optional eine vorbereitete Tabelle zum Vergleich von Version 1 und Version 2 des Modells   2.8 Mathematik: Kann die Maschine wirklich rechnen? Erste Begegnung mit KI im Mathematikunterricht der Grundschule – Spracherkennung mit der „Recheneule“ Fach: Mathematik · Klassenstufe: 2 (7–8 Jahre) · Dauer: 1 Unterrichtsstunde (50 Min.) · KI: Lernen ÜBER KI Beispiel aus der Schulpraxis: Dieses Beispiel orientiert sich an der dokumentierten Praxis der Volksschule Hagenberg im Mühlkreis (Oberösterreich), einer offiziellen KI-Pilotschule des österreichischen Bundesministeriums für Bildung. Ab der zweiten Schulstufe führen die Lehrkräfte dort KI spielerisch ein, um die Kinder auf ihre Chancen und Risiken vorzubereiten (Direktorin Martina Ketterer-Hager). Ein zentrales Element ist das Projekt digicase / DLPL, in dem die Kinder algorithmisches Denken üben – unter anderem mit dem Mathematik-Spracherkennungsspiel „Die schlaue Recheneule“, das gemeinsam mit der PH Linz entwickelt wurde. Diese Unterrichtsstunde baut eine Schulstunde rund um dieses reale Werkzeug auf. Sie schließt an die KI-Initiative des Ministeriums und den Vier-Richtungs-Kompass Verstehen, Anwenden, Reflektieren, Mitgestalten an. KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-FC-1a (AI foundations and applications × Facilitating Learners’ AI Digital Competence, Stufe 1 – Orientierendes Bewusstsein): „Lehrkräfte können die Kernkonzepte von KI zusammenfassen, die Lernende verstehen sollten, einschließlich altersgerechter Beispiele.“ AF-FC-1b (Stufe 1 – Orientierendes Bewusstsein): „Lehrkräfte können die technischen Grenzen aktueller KI-Systeme erkennen, die Lernende nachvollziehen müssen.“ Am Ende der Stunde können die Schülerinnen und Schüler: •    mit einfachen Worten sagen, dass die „Recheneule“ ein Computerprogramm ist, das versucht, ihre gesprochene Zahl zu hören, und dass sie kein Mensch ist und nicht immer versteht; •    einfache Additions- und Subtraktionsaufgaben laut mit dem Werkzeug lösen und ablesen, ob der Computer die richtige Zahl gehört hat; •    mindestens eine Sache bemerken und benennen, die die KI besser oder schlechter hören lässt (deutlich sprechen, nah am Mikrofon sein, ein ruhiger Raum); •    den Computer überprüfen: Wenn die Eule eine falsche Zahl anzeigt, selbst die richtige Antwort ermitteln und sagen, ob das Kind oder der Computer den Fehler gemacht hat. Kernbotschaft: Die Kinder benutzen das Werkzeug nicht nur – sie beobachten es. Indem sie ihre Rechenaufgaben laut mit der „Recheneule“ lösen und sehen, wann sie die richtige Zahl hört und wann sie durcheinanderkommt, machen Zweitklässlerinnen und Zweitklässler ihre allererste Entdeckung über KI: Sie ist eine hilfreiche, aber unvollkommene Maschine, und das Kind ist weiterhin dasjenige, das die richtige Antwort kennt. Damit wird der Grundstein für eine lebenslange Gewohnheit gelegt: prüfen statt einfach nur vertrauen. Abb. 1: „Erste Begegnung mit KI im Mathematikunterricht der Grundschule – Spracherkennung mit der ‚Recheneule‘“ (KI-generiertes Bild, ChatGPT GPT Image 2) Inhalt Kleine Kinder begegnen künstlicher Intelligenz lange bevor sie sie erklären können: Sprachassistenten zu Hause, Kameras, die Gesichter finden, Apps, die ihre Sätze vervollständigen. Das österreichische KI-Basiscurriculum und die KI-Initiative des Ministeriums betonen beide, dass KI-Kompetenz früh und spielerisch beginnen sollte, und dass sie ebenso in die Grundschule gehört wie in spätere Schulstufen. Die Volksschule Hagenberg im Mühlkreis, eine KI-Pilotschule, macht genau das: Ab der zweiten Schulstufe führen ihre Lehrkräfte KI über Spiele ein, mit dem Projekt digicase / DLPL im Mittelpunkt, damit die Kinder ein erstes, konkretes Gespür dafür entwickeln, was diese Maschinen können und was nicht. Die „Recheneule“ ist eines dieser Spiele, und sie passt perfekt in den Mathematikunterricht. Sie nutzt Spracherkennung – eine Form von KI – damit ein Kind eine Zahl laut aussprechen kann und das Programm versucht, sie zu erkennen und in einer Rechnung zu verwenden. Das Werkzeug ist bewusst einfach gehalten und, wie seine Entwicklerinnen und Entwickler anmerken, noch experimentell: Ob es richtig hört, hängt vom Mikrofon ab, davon, wie deutlich das Kind spricht, und davon, wie ruhig der Raum ist. Für ein siebenjähriges Kind ist das kein Mangel, den man verbergen müsste, sondern der eigentliche Kern der Stunde. Wenn die Eule die falsche Zahl anzeigt, kann das Kind mit eigenen Augen sehen, dass die schlaue Maschine nicht verstanden hat — und dass es selbst sehr wohl weiß, dass drei plus vier sieben ergibt. Das macht das Werkzeug für das Lehren ÜBER KI in diesem Alter so wertvoll. Die Kinder sollen nicht verstehen, wie Spracherkennung im Inneren funktioniert; sie sollen sie beobachten, sie durch deutliches Sprechen und Nähe zum Mikrofon besser zum Laufen bringen und bemerken, wann sie scheitert. In der Sprache des KI-Basiscurriculums ist das der erste Schritt vom Verstehen (eine Maschine hört zu, kein Mensch) zum Reflektieren (sie hat nicht immer recht, und ich kann sie überprüfen). Die Lehrkraft hält dabei die Mathematik im Vordergrund: Es geht weiterhin um die Rechenaufgabe, und die Eule ist eine spielerische Partnerin, deren Antworten das Kind zu überprüfen lernt. In dieser Stunde sagen die Kinder vorher, ob die Eule sie hören wird, probieren es aus, schauen sich an, was sie anzeigt, und sprechen darüber, warum sie sich manchmal irrt — eine einfache, altersgerechte Fassung des Zyklus vorhersagen → ausprobieren → prüfen → besprechen, der sich durch alle diese Beispiele zieht. Ziel ist eine erste, fröhliche Erfahrung mit KI als nützlicher Helferin, die trotzdem einen Menschen braucht, der sie überprüft. Unterrichtsverlauf Phase Zeit Aktivität Aufwärmen 8 Min. Im Sitzkreis fragt die Lehrkraft, wo die Kinder schon einmal erlebt haben, dass eine Maschine einer Stimme „zuhört“ (Telefon, Lautsprecher, Tablet). Gemeinsam halten sie eine einfache Erkenntnis fest: Ein Computer kann versuchen, uns zu hören, aber er ist kein Mensch und kann Fehler machen. Zeigen 7 Min. Die Lehrkraft führt die „Recheneule“ einmal am großen Bildschirm vor: Sie spricht eine Zahl deutlich aus und nuschelt dann eine andere, sodass die Klasse sieht, wie die Eule erst richtig und dann falsch hört. Die Klasse rät, woran das liegt. Ausprobieren (in Paaren) 20 Min. Zu zweit an einem Tablet mit Headset wechseln sich die Kinder ab: Eines sagt das Ergebnis einer einfachen Rechnung laut (z. B. „drei plus vier“ → sagt „sieben“), das andere schaut, welche Zahl die Eule anzeigt, und setzt auf einem einfachen Blatt ein Häkchen bei einem Smiley (richtig gehört) oder einem neutralen Gesicht (falsch gehört). Prüfen 8 Min. Bei jedem „falsch gehört“ ermittelt das Paar selbst die richtige Antwort und entscheidet gemeinsam: Hat das Kind es falsch gesagt oder hat die Eule es falsch gehört? Sie kreisen ein, wer den Fehler gemacht hat. Besprechen 7 Min. Zurück im Sitzkreis: Was hat der Eule geholfen, uns zu hören? (deutlich sprechen, nah dran sein, leise sein). Wussten wir die richtige Antwort auch dann noch, wenn die Eule falsch lag? Wer bestimmt über die Rechnung – die Eule oder wir? Leitfragen: vorhersagen → ausprobieren → prüfen → besprechen Die Paare arbeiten diese kurzen Runden während der Phase „Ausprobieren“ durch. Die Formulierungen sind bewusst einfach gehalten, damit die Lehrkraft sie laut vorlesen kann; jüngere oder schnellere Paare können mehr Runden machen. 1.    Runde 1 – wird die Eule mich hören? Vorhersagen: Bevor du sprichst: Glaubst du, dass die Eule deine Zahl diesmal hört? Daumen hoch oder Daumen runter. Ausprobieren: Sag dein Ergebnis laut und deutlich, nah am Mikrofon. Prüfen: Schau dir die Zahl an, die die Eule anzeigt. Ist es deine Zahl? Setz ein Häkchen beim Smiley (ja) oder beim neutralen Gesicht (nein). Besprechen: Wenn es falsch war – was könnten wir ändern? Lauter sprechen? Langsamer? Leiser im Raum sein? 2.    Runde 2 – wer hat den Fehler gemacht? Vorhersagen: Du kennst das Ergebnis der Rechnung zuerst im Kopf. Was müsste die Eule anzeigen? Ausprobieren: Sag das Ergebnis. Beobachte die Eule. Prüfen: Wenn die Eule eine andere Zahl anzeigt, rechnet selbst nach. Was ist die richtige Antwort? Besprechen: Haben wir es falsch gesagt oder hat die Eule es falsch gehört? Kreist auf eurem Blatt das Kind oder die Eule ein. 3.    Runde 3 (Erweiterung) – absichtlich schwer machen: Vorhersagen: Was passiert, wenn wir flüstern oder sprechen, während jemand anderes redet? Hört die Eule uns dann noch? Ausprobieren: Probiert es einmal flüsternd und einmal mit etwas Lärm aus – einfach zum Schauen. Prüfen: Hat die Eule mehr Zahlen falsch verstanden, als es schwieriger war? Zählt die neutralen Gesichter. Besprechen: Was braucht die Eule also von uns, damit sie gut funktioniert? Sagt es in einem Satz. Abschlussfrage (für die Phase „Besprechen“): Wussten wir die richtige Antwort auch dann, wenn die Eule die falsche Zahl angezeigt hat? Wer muss die Rechnung also überprüfen — der Computer oder wir? Anschließend: Die Eule ist schlau, aber sie kann sich verhören. Wo könnte eine schlaue Maschine sonst noch etwas falsch machen – und was könnten wir immer tun, um es zu überprüfen? Materialien Ein Tablet (oder Computer) pro Paar mit funktionierendem Mikrofon; ein Headset pro Tablet wird dringend empfohlen, da die Entwicklerinnen und Entwickler des Werkzeugs darauf hinweisen, dass Mikrofonqualität und ein ruhiger Raum entscheidend sind. Das Mathematik-Spracherkennungsspiel „Recheneule“ aus dem Projekt digicase / DLPL (dlpl.at), im Browser geöffnet; Mikrofonzugriff erlaubt. Ein großer Bildschirm oder Beamer für die Vorführung durch die Lehrkraft. Ein sehr einfaches Arbeitsblatt pro Paar: Zeilen mit Ankreuzfeldern für Smiley / neutrales Gesicht und einem kleinen Feld „Kind oder Eule?“ zum Einkreisen für den Prüfschritt. Eine kurze Liste vorbereiteter Rechenaufgaben auf dem Niveau der Klasse (Addition und Subtraktion im Zahlenraum bis 20), damit die Mathematik im Mittelpunkt bleibt. Eine ruhige Ecke oder weit auseinander gestellte Sitzplätze, damit die Spracherkennung die besten Chancen hat zu funktionieren. 2.9 Programmieren: Unterstützung bei ausgewählten Aufgaben Programmieren lernen, ohne dass die KI den Code schreibt Fach: Programmieren · Klassenstufe: 9 (14–15 Jahre) · Dauer: 1 Doppelstunde (90 Min.) · KI: Unterstützung MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-TL-2b (AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“   AF-FC-2b (AI foundations and applications × Facilitating Learners’ (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung):   „Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“   Am Ende der Stunde können die Schülerinnen und Schüler: KI für wiederkehrende oder unterstützende Aufgaben beim Programmieren einsetzen, etwa zum Einrücken des Codes oder zum Schreiben von Kommentaren ein KI-Modell um Verbesserungsvorschläge für den Code bitten, ohne den Code selbst erzeugen zu lassen, und so den eigenen Kenntnisstand selbst einschätzen ein KI-Modell kritisch bewerten, wenn sie es fragen, wie es den vorgelegten Code optimieren würde Kernbotschaft: Wer die Ergebnisse eines Modells bewerten will, muss die Grundlagen des Programmierens kennen. Schülerinnen und Schüler, die mit dem Programmieren beginnen, sollten KI-Modelle daher für unterstützende und wiederkehrende Aufgaben rund um das Programmieren nutzen, nicht aber, um Code erzeugen zu lassen. Sie können das Modell außerdem nach möglichen Verbesserungen im Code fragen und so ihre eigenen Programmierfähigkeiten überprüfen. Abb. 1: „Programmieren lernen, ohne dass die KI den Code schreibt“ (KI-generiertes Bild, Google Gemini 3.6 Thinking) Inhalt Der Programmierunterricht verändert sich in einem Umfeld, in dem KI-Systeme Code erzeugen, erklären und überprüfen können. Diese Werkzeuge eröffnen neue Lernmöglichkeiten, bringen aber auch eine wichtige pädagogische Herausforderung mit sich: Die Schülerinnen und Schüler brauchen ausreichende Programmierkenntnisse, um beurteilen zu können, ob ein KI-erzeugter Vorschlag korrekt, effizient oder für die gestellte Aufgabe überhaupt relevant ist. Ohne ein grundlegendes Verständnis von Programmierkonzepten übernehmen sie möglicherweise fehlerhafte Lösungen, übersehen Fehler oder erkennen bessere Alternativen nicht. Deshalb bleibt das Erlernen der Programmiergrundlagen unverzichtbar, auch wenn KI-Werkzeuge zur Verfügung stehen. In einführenden Programmierkursen sollte KI als Lernunterstützung und nicht als Ersatzprogrammiererin positioniert werden. Die Schülerinnen und Schüler können KI sinnvoll für wiederkehrende oder einfache Aufgaben nutzen, die den kognitiven Aufwand des Programmierenlernens nicht verringern. Dazu gehören das Formatieren und Einrücken von Code, das Erzeugen von Dokumentationskommentaren, das Erklären von Fehlermeldungen, das Zusammenfassen von Syntaxregeln oder Hilfen dabei, den Zweck bestimmter Programmierkonstrukte zu verstehen. Diese Einsatzformen erlauben es ihnen, die Aufmerksamkeit auf die zugrunde liegende Logik, die Algorithmen und die Problemlöseprozesse zu richten, die für Programmierkompetenz zentral sind. Eine weitere produktive Nutzung von KI ist das Code-Review. Statt ein KI-Modell um eine Lösung zu bitten, schreiben die Schülerinnen und Schüler zuerst ihren eigenen Code und lassen das Modell anschließend mögliche Verbesserungen benennen. Die KI schlägt vielleicht klarere Variablennamen, eine bessere Codestruktur, weniger Redundanz, bessere Lesbarkeit oder alternative Vorgehensweisen vor, die die Schülerinnen und Schüler eigenständig bewerten können. Damit wird die KI zu einer Feedback-Partnerin: Die Lernenden können ihre eigenen Überlegungen mit externen Vorschlägen vergleichen und Stärken und Schwächen ihrer Lösungen einschätzen. KI-erzeugtes Feedback sollte jedoch nicht unkritisch übernommen werden. Modelle empfehlen mitunter Änderungen, die unnötig oder ineffizient sind oder auf falschen Annahmen über den Zweck des Codes beruhen. Ein zentrales Ziel dieser Stunde ist es deshalb, die Fähigkeit zu entwickeln, KI-Vorschläge kritisch zu bewerten. Die Schülerinnen und Schüler lernen, ein KI-Modell nicht nur danach zu fragen, welche Verbesserungen es vorschlägt, sondern auch danach, warum es diese Änderungen für sinnvoll hält. Indem sie die Begründung des Modells mit etablierten Programmierprinzipien vergleichen, können sie beurteilen, ob die vorgeschlagene Optimierung den Code tatsächlich verbessert oder lediglich eine andere Entwurfsentscheidung darstellt. Diese Stunde behandelt KI als Werkzeug, das Reflexion, Selbsteinschätzung und die Verbesserung der Codequalität unterstützt – und nicht als Werkzeug zur Codeerzeugung. Die Schülerinnen und Schüler üben, eigene Programme zu schreiben, KI für unterstützende Aufgaben einzusetzen, Rückmeldung zu ihrer Arbeit einzuholen und die Qualität der erhaltenen Antworten kritisch zu analysieren. Das übergeordnete Ziel ist, dass sie sowohl bessere Programmiererinnen und Programmierer als auch informiertere Nutzerinnen und Nutzer von KI-Systemen werden. Unterrichtsverlauf Phase Zeit Aktivität Einführung 10 Min. Die Lehrkraft zeigt zwei kurze Codelösungen für dasselbe Problem: eine von einer Schülerin oder einem Schüler geschriebene und eine von einem KI-Modell erzeugte. Die Klasse diskutiert, welche Lösung klarer, effizienter oder leichter verständlich erscheint. Input 10 Min. Die Lehrkraft stellt angemessene Einsatzformen von KI im Programmierunterricht vor und betont die Unterscheidung zwischen unterstützenden Aufgaben, Code-Review und Codeerzeugung. Erkundung 15 Min. Die Schülerinnen und Schüler bearbeiten paarweise eine kleine Programmieraufgabe und bestimmen, welche Teilaufgaben sinnvoll an eine KI-Assistenz abgegeben werden können und welche in ihrer eigenen Verantwortung bleiben sollten. Verbesserungszyklus 35 Min. Die Schülerinnen und Schüler schreiben ihre eigene Lösung und durchlaufen 2 bis 3 Runden von schreiben → fragen → bewerten → überarbeiten, wobei sie KI nur für unterstützende Aufgaben und Verbesserungsvorschläge einsetzen. Reflexion 20 Min. Klassengespräch über Nutzen und Grenzen von KI-Feedback mit dem Schwerpunkt darauf, wie die Schülerinnen und Schüler entschieden haben, ob Vorschläge wertvoll waren oder nicht.   Leitfragen: Komplexität schrittweise aufbauen Die Schülerinnen und Schüler bearbeiten während des 35-minütigen Verbesserungszyklus so viele Runden, wie die Zeit zulässt. Jede Runde folgt demselben Vier-Schritte-Ablauf: schreiben → fragen → bewerten → überarbeiten Runde 1 — KI für unterstützende Aufgaben nutzen Schreiben: Bearbeiten Sie eine kurze Programmieraufgabe eigenständig. Fragen: Bitten Sie die KI um Unterstützung bei einer nicht-programmierenden Aufgabe rund um den Code, zum Beispiel: die Einrückung verbessern, Kommentare erzeugen, eine Fehlermeldung erklären, beschreiben, was eine Funktion tut. Bewerten: Beschreibt die Erklärung der KI den Code zutreffend? Sind die erzeugten Kommentare nützlich und verständlich? Überarbeiten: Übernehmen Sie hilfreiche Änderungen und stellen Sie dabei sicher, dass die Programmlogik vollständig Ihre eigene Arbeit bleibt. Runde 2 — Verbesserungsvorschläge einholen Schreiben: Sehen Sie Ihr fertiges Programm durch und markieren Sie Stellen, die sich verbessern ließen. Fragen: Holen Sie Verbesserungsvorschläge ein, ohne die KI den Code neu schreiben zu lassen. Zum Beispiel: „Nenne drei Möglichkeiten, die Lesbarkeit und Wartbarkeit dieses Programms zu verbessern, aber liefere keinen Ersatzcode.“ Bewerten: Welche Vorschläge erscheinen wertvoll? Welche hätten kaum Auswirkungen auf das Programm? Überarbeiten: Setzen Sie die Verbesserungen um, denen Sie zustimmen, und testen Sie, ob sich das Programm weiterhin korrekt verhält. Runde 3 — Optimierungsratschläge kritisch bewerten Schreiben: Wählen Sie einen Abschnitt Ihres Codes aus, der eine wiederkehrende Aufgabe erledigt oder Schleifen verwendet. Fragen: Holen Sie Optimierungsvorschläge ein und verlangen Sie von der KI eine Begründung ihrer Empfehlungen. Beispiel-Prompt: „Erkläre, wie dieser Code optimiert werden könnte und warum jede vorgeschlagene Optimierung Leistung oder Lesbarkeit verbessern würde. Liefere den optimierten Code nicht.“ Bewerten: Sind die vorgeschlagenen Optimierungen tatsächlich sinnvoll? Welche sind klar begründet? Welche wirken unnötig oder schwer zu rechtfertigen? Überarbeiten: Entscheiden Sie, welche Empfehlungen Sie umsetzen, und begründen Sie Ihre Entscheidung.   Reflexionsfragen: Welche KI-Vorschläge waren für die Verbesserung Ihres Codes am nützlichsten? Gab es Vorschläge der KI, denen Sie nicht zugestimmt haben? Warum? Woran haben Sie festgemacht, ob eine Optimierung lohnenswert war? Wann ist KI im Programmierprozess am hilfreichsten? Welche Programmieraufgaben sollten weiterhin von den Schülerinnen und Schülern selbst erledigt werden? Warum sind Programmierkenntnisse nötig, um KI-erzeugtes Feedback zu bewerten? Wie können Schülerinnen und Schüler vermeiden, beim Programmierenlernen zu abhängig von KI-Werkzeugen zu werden?   Abschlussfrage (für die Reflexionsphase): Wie viel Programmierwissen ist nötig, um zu beurteilen, ob ein KI-Vorschlag ein Programm tatsächlich verbessert – und welche Risiken entstehen, wenn Nutzerinnen und Nutzer sich auf KI-erzeugte Ratschläge verlassen, ohne den Code selbst zu verstehen?   Materialien Ein Laptop pro Schülerpaar mit einer Programmierumgebung Zugang zu einer KI-Chat-Assistenz oder einem lokal betriebenen Sprachmodell Eine kurze Programmieraufgabe, die dem Kenntnisstand der Schülerinnen und Schüler entspricht Ein Arbeitsblatt zum Zyklus schreiben → fragen → bewerten → überarbeiten Reflexionsfragen mit Fokus auf KI-Kompetenz und kritische Bewertung Optional Codebeispiele, die gute und schlechte Programmierpraxis veranschaulichen 2.10 Kunst: Fingerabdrücke des Stils Wessen Pinsel, wessen Stimme? Merkmale von Kunstschaffenden mit KI erkennen Fach: Kunst & Literatur  ·  Klassenstufe: 9 (14–15 Jahre)  ·  Dauer: 1 Doppelstunde  ·  KI: Lernen MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-TL-2b (AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung): „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“ AF-FC-2b (AI foundations and applications × Facilitating Learners' (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung): „Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“ Am Ende der Stunde können die Schülerinnen und Schüler: •     beobachtbare Stilmerkmale in Gemälden und Gedichten benennen (z. B. Farbe, Pinselführung, Komposition; Wortwahl, Bildsprache, Rhythmus); •     zwischen einem beobachteten Merkmal, einem wiederkehrenden Stilmuster und einer spekulativen Zuschreibung unterscheiden; •     charakteristische Elemente des Stils bestimmter Kunstschaffender oder Dichterinnen und Dichter erklären; •     Belege aus mehreren Werken zu einem „Stilprofil“ einer schaffenden Person zusammenführen; •     Prompts formulieren, die die KI dazu anhalten, ihre Stilanalyse mit Bezug auf konkrete Werke zu begründen; •     KI-erzeugte Stilbeschreibungen analysieren, um die Gefahr von Übergeneralisierung und Fehlzuschreibung zu verstehen. Kernbotschaft: Einen „Stil“ wiederzuerkennen ist nicht dasselbe, wie ihn zu verstehen. KI kann oberflächliche Muster über viele Werke hinweg erkennen, doch eine echte stilistische Handschrift von einem zufälligen Merkmal oder einer erfundenen Deutung zu unterscheiden, erfordert weiterhin menschliches Urteilsvermögen, das sich auf reale Werke stützt.   Inhalt Kunsthistorikerinnen und Kunsthistoriker sowie Literaturwissenschaftlerinnen und Literaturwissenschaftler haben nur selten unmittelbaren Zugang zu den Absichten einer schaffenden Person. Stattdessen rekonstruieren sie deren „Stil“, indem sie viele Werke vergleichen: Pinselstrich, Farbe und Komposition in der Malerei oder Wortwahl, Bildsprache und Rhythmus in der Lyrik. Ein einzelnes Gemälde oder Gedicht kann auf eine Vorliebe hindeuten, aber erst ein Muster, das sich über mehrere Werke hinweg wiederholt, macht aus dieser Vorliebe ein echtes Merkmal. Vincent van Gogh bietet dafür eine aufschlussreiche Fallstudie. In rund einem Jahrzehnt intensiven Schaffens entwickelte er sofort erkennbare Merkmale: dicken Farbauftrag (Impasto), kurze, gerichtete Pinselstriche und kräftige, oft komplementäre Farbkontraste. Weil diese Merkmale in Hunderten von Gemälden wiederkehren, können Fachleute sie als echte stilistische Handschrift beschreiben und nicht als einmalige Entscheidung. KI-Bildwerkzeuge können heute in Sekunden überzeugende Bilder „im Stil von Van Gogh“ erzeugen. Diese Bilder geben oft wiedererkennbare Oberflächenmerkmale wieder – wirbelnde Pinselführung, gelb-blaue Farbpaletten –, sie können aber auch Details übertreiben oder erfinden, die für sein tatsächliches Werk nie kennzeichnend waren, oder Merkmale einfließen lassen, die von ganz anderen Kunstschaffenden stammen. Dasselbe Problem zeigt sich bei Texten. KI-Schreibwerkzeuge können eine Dichterin wie Emily Dickinson imitieren, indem sie Oberflächenmerkmale reproduzieren – Gedankenstriche, unreine Reime, kurze Verszeilen –, ohne dabei zwangsläufig die thematischen und strukturellen Qualitäten zu erfassen, die die Forschung als wirklich kennzeichnend für ihr Werk ansieht. Die Schülerinnen und Schüler müssen deshalb drei Stufen der Sicherheit unterscheiden: Merkmal – was in einem konkreten Werk unmittelbar beobachtbar ist. Muster – ein Merkmal, das in mehreren gesicherten Werken wiederkehrt und deshalb mit gutem Grund als kennzeichnend gelten kann. Zuschreibung – eine Aussage über Bedeutung, Einfluss oder Urheberschaft, die über das hinausgeht, was die Werke selbst belegen können. Unterrichtsverlauf Phase Zeit Aktivität Einstieg 10 Min. Zwei KI-erzeugte Bilder „im Stil von Van Gogh“ zeigen – eines näher an seiner tatsächlichen Technik, eines übertrieben. Die Schülerinnen und Schüler raten, welches getreuer ist, und begründen das. Input 10 Min. Merkmal – Muster – Zuschreibung einführen und das Unterscheiden an einem Detail eines echten Gemäldes üben. Erkundung 15 Min. Die Schülerinnen und Schüler untersuchen 3–4 authentische Werke einer Person ohne KI und halten fest, welche Merkmale tatsächlich wiederkehren. Anwendung 1 20 Min. Die KI verfasst eine Stilbeschreibung auf Grundlage eines einzigen Werks oder eines knappen Prompts. Die Schülerinnen und Schüler erkennen, wo sie unbelegte Merkmale erfindet. Anwendung 2 20 Min. Weitere Werke und ein strengerer, auf Quellenangaben bestehender Prompt kommen hinzu. Die Schülerinnen und Schüler vergleichen die beiden Stilbeschreibungen. Reflexion 25 Min. Die Schülerinnen und Schüler übertragen denselben kritischen Analyserahmen auf einen umstrittenen Fall von Echtheitsprüfung oder Zuschreibung.   Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität •     Einstieg — Zeigen Sie zwei KI-erzeugte Bilder „im Stil von Van Gogh“ (eines näher an seiner echten Technik, eines übertrieben bzw. klischeehaft): ◦     Diskussionsfrage: „Was lässt dies wie einen echten Van Gogh wirken?“ ◦     Das Problem einführen: „Woher wissen wir, welche stilistischen Details für diese Person tatsächlich kennzeichnend sind?“ Leitprinzip dieser Stunde (mehrere authentische Werke vergleichen) ◦     Beobachtbares Merkmal → wiederkehrendes Muster → Zuschreibung/Deutung •     Input — Genaue Betrachtung eines echten Werks (z. B. ein Detail aus Sternennacht oder eine Strophe eines Dickinson-Gedichts): ◦     Stellen Sie Aussagen über das Werk bereit, die den Kategorien Merkmal, Muster und Zuschreibung zugeordnet werden müssen. Beispiel: ◦     In diesem Gemälde sind kurze, abgehackte Pinselstriche zu sehen – Merkmal ◦     Van Gogh verwendete in seinen späten Werken regelmäßig kurze, gerichtete Pinselstriche – Muster ◦     Er nutzte diese Pinselstriche, um seine innere emotionale Zerrissenheit auszudrücken – Zuschreibung •     Erkundung — Gruppenarbeit. Authentische Werke analysieren: 3–4 Werke derselben schaffenden Person, z. B.: A) Zwei oder drei Reproduktionen von Gemälden aus derselben Schaffensperiode. B) Detailaufnahmen, die Pinselführung oder Handschrift zeigen. C) Kurze Notizen zu Technik oder Biografie aus einer Museums- oder Literaturquelle. D) Ein kontrastierendes Werk einer anderen schaffenden Person zum Vergleich. Die Schülerinnen und Schüler füllen für jedes Werk ein Arbeitsblatt aus und beantworten dabei: Welche Merkmale beobachten wir? Welche Muster kehren über die Werke hinweg wieder? Was ist weiterhin nur unsere Deutung? •     Die KI verfasst eine Stilbeschreibung: Prompt für die Schülerinnen und Schüler: Beschreibe ausschließlich anhand dieses einen Bildes bzw. Gedichts den charakteristischen Stil der schaffenden Person in etwa 150 Wörtern. Nenne nur Merkmale, die im Werk tatsächlich sichtbar oder vorhanden sind. Die Schülerinnen und Schüler annotieren die KI-Antwort: ◦     Merkmal ◦     Plausibles Muster ◦     Nicht belegt / Zuschreibung •     Die KI überarbeitet ihr Ergebnis mit mehr Belegen: Verbesserter Prompt: Überarbeite die Stilbeschreibung unter Verwendung der Quellen A–D. Gib nach jeder stilistischen Aussage das konkrete Werk an, das sie stützt, zum Beispiel [Werk B]. Wenn eine Aussage ein übergreifendes Muster ist, das aus mehreren Werken erschlossen wurde, schreibe [Muster]. Entferne jede Aussage, die sich nicht belegen lässt. Vergleichen: Version 1 → Version 2 Finden Sie: ◦     ein Detail, das präziser geworden ist; ◦     ein Detail, das die KI entfernt hat; ◦     ein neues, durch Belege gestütztes Merkmal; ◦     eine Aussage, die weiterhin hinterfragt werden muss. •     Reflexion/Wissenstransfer Zeigen Sie ein kurzes, unterrichtstaugliches Beispiel für einen umstrittenen Fall von Echtheitsprüfung oder Gedichtzuschreibung. Diskussionsfrage: ◦     Was fällt Ihnen auf Grundlage der Leitprinzipien dieser Stunde als Merkmal, als Muster und als Zuschreibung auf? ◦     Wenn ein KI-erzeugtes Pastiche die Oberfläche eines Stils überzeugend imitiert – bedeutet das, dass es die tatsächlichen Merkmale der schaffenden Person erfasst hat? Abschließende Einzelreflexion: Die Schülerinnen und Schüler vervollständigen: 1.   Ein Stilmerkmal wird zu einem echten „Charakteristikum“, wenn … 2.   Bevor ich der Beschreibung eines Stils durch eine KI vertraue, sollte ich … 3.   KI kann die Oberfläche eines Stils imitieren, aber … Materialien •     Beamer/interaktives Whiteboard mit Lautsprechern. •     Zwei KI-erzeugte Bilder „im Stil von …“ für den Einstieg. •     Detailaufnahme oder Auszug aus einem echten Werk der gewählten Person. •     Mini-Arbeitsblatt Merkmal – Muster – Zuschreibung. •     Quellenpaket: 3–4 authentische Werke (Bilder/Gedichttexte) sowie kurze Notizen zu Technik oder Biografie. •     Arbeitsblatt zur Quellenanalyse. •     Endgeräte der Schülerinnen und Schüler mit Zugang zu einem freigegebenen generativen KI-Werkzeug (Text und/oder Bild). •     Arbeitsblätter für KI-Prompts und Vergleich für Runde 1 und 2. •     Beispiel für einen umstrittenen Fall von Echtheitsprüfung oder Zuschreibung für die Reflexion. 2.11 Technik: Vertrauen ist gut, den Schaltkreis prüfen ist besser Funktioniert das wirklich? KI-Erklärungen zu Schaltkreisen an echten Messungen überprüfen Fach: Physik / Technik (Grundlagen der Elektrotechnik)  ·  Klassenstufe: 8 (13–14 Jahre)  ·  Dauer: 1 Doppelstunde  ·  KI: Lernen MIT KI KI-bezogene Kompetenzen (DUAL.AI.TEACHer-Framework) – Lehrkräfteebene Fachspezifische Lernziele – Ebene der Schülerinnen und Schüler AF-TL-2b (AI foundations and applications × Teaching & Learning, Stufe 2 – Reflektierte Umsetzung): „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“ AF-FC-2b (AI foundations and applications × Facilitating Learners' (AI) Digital Competence, Stufe 2 – Reflektierte Umsetzung): „Lehrkräfte können Anleitungen umsetzen, die Lernenden helfen, praktische KI-Fähigkeiten zu entwickeln, wobei die Aufgaben an das Vorwissen der Lernenden und die verfügbaren KI-Werkzeuge angepasst werden.“ Am Ende der Stunde können die Schülerinnen und Schüler: •     eine einfache Reihen- oder Parallelschaltung nach einem Schaltplan auf einem Steckbrett aufbauen; •     Spannung, Stromstärke und Widerstand mit einem Multimeter messen; •     erwartete Werte mit dem ohmschen Gesetz berechnen und mit den tatsächlichen Messwerten vergleichen; •     zwischen einem Messwert, einem berechneten bzw. vorhergesagten Wert und einer KI-erzeugten Erklärung unterscheiden; •     Fehler in einem KI-erzeugten Schaltplan oder in einer KI-Erklärung erkennen, indem sie diese an echten Messungen überprüfen; •     Prompts formulieren, die die KI dazu bringen, ihre Rechenschritte offenzulegen, damit sie überprüft werden können. Kernbotschaft: Eine KI-Erklärung zu einem Schaltkreis kann vollkommen selbstsicher klingen und trotzdem falsch sein. Die einzige Möglichkeit herauszufinden, ob sich eine Schaltung tatsächlich so verhält wie behauptet, besteht darin, sie zu messen und die Zahlen an der zugrunde liegenden Physik zu prüfen – und nicht darin, selbstsicher klingendem Text zu vertrauen.   Inhalt Ingenieurinnen, Ingenieure und Physikerinnen und Physiker vertrauen niemals einfach einem Schaltplan oder einer schriftlichen Erklärung dazu, wie eine Schaltung funktioniert. Stattdessen bauen sie sie auf, messen sie und berechnen die erwarteten Werte aus den Grundgesetzen – dem ohmschen Gesetz und den kirchhoffschen Regeln. Ein Schaltplan kann auf dem Papier vollkommen richtig aussehen, aber erst eine echte Messung bestätigt, ob der Strom tatsächlich so fließt, wie behauptet wird. Eine einfache Reihenschaltung – eine Batterie, ein Widerstand und eine LED – bietet dafür eine aufschlussreiche Fallstudie. Das ohmsche Gesetz (U = I × R) sagt genau voraus, wie viel Strom bei gegebener Spannung und gegebenem Widerstand fließen sollte. Da das reale Verhalten der Bauteile leicht schwanken kann (Toleranz, Innenwiderstand, Temperatur), liegt der gemessene Strom meist nahe an der berechneten Vorhersage, ist aber nicht immer identisch mit ihr – was selbst eine nützliche Lektion über den Unterschied zwischen Modell und Wirklichkeit ist. KI-Werkzeuge können heute in Sekunden Schaltpläne und Erklärungen zum Verhalten von Schaltungen erzeugen. Diese Erklärungen klingen oft flüssig und selbstsicher und enthalten mitunter sogar eine vollständige Rechnung nach dem ohmschen Gesetz – sie können aber auch echte Fehler enthalten: einen falschen Widerstandswert, einen unterbrochenen oder unvollständigen Stromkreis, ein mit falscher Polung angeschlossenes Bauteil oder eine plausibel klingende, physikalisch aber unmögliche Aussage über den Stromfluss. Das ist eine gut dokumentierte Schwachstelle: Sprachmodelle sind keine Taschenrechner, und sie können technisch klingende Erklärungen hervorbringen, die nicht standhalten, sobald eine Schaltung tatsächlich aufgebaut und getestet wird. Ein selbstsicherer Ton ist kein Beleg dafür, dass eine technische Aussage zutrifft. Die Schülerinnen und Schüler müssen deshalb drei Stufen der Sicherheit unterscheiden: Messung – der Wert, den ein Multimeter an der real aufgebauten Schaltung tatsächlich anzeigt. Berechnung – der Wert, der sich aus dem ohmschen Gesetz bzw. den kirchhoffschen Regeln mit den bekannten Bauteilwerten vorhersagen lässt. Behauptung – das, was ein KI-Werkzeug über das Verhalten der Schaltung aussagt und was an den beiden anderen Stufen überprüft werden muss, bevor man ihm vertrauen kann. Unterrichtsverlauf Phase Zeit Aktivität Einstieg 10 Min. Eine KI-erzeugte Erklärung zu einer einfachen LED-Schaltung zeigen, die einen versteckten Fehler enthält (z. B. einen falschen Widerstandswert). Die Schülerinnen und Schüler schätzen ein, ob sie korrekt ist, und begründen das. Input 10 Min. Messung – Berechnung – Behauptung einführen und das ohmsche Gesetz an einem einfachen Rechenbeispiel üben. Erkundung 15 Min. Die Schülerinnen und Schüler bauen eine einfache Reihenschaltung auf einem Steckbrett auf und messen Spannung, Stromstärke und Widerstand ohne KI. Anwendung 1 20 Min. Die KI sagt das Verhalten der Schaltung allein anhand eines Schaltplans oder einer Beschreibung vorher bzw. erklärt es. Die Schülerinnen und Schüler vergleichen ihre Aussagen mit den eigenen Messungen und Berechnungen. Anwendung 2 20 Min. Die Schülerinnen und Schüler geben der KI exakte Bauteilwerte vor und verlangen eine schrittweise Rechnung nach dem ohmschen Gesetz. Sie vergleichen die beiden KI-Antworten. Reflexion 25 Min. Die Schülerinnen und Schüler übertragen dieselbe Überprüfungshaltung auf einen anderen Bereich, etwa auf einen KI-gestützten Fitness- oder Gesundheitsrechner.   Leitfragen: von der KI-Ausgabe zur unterrichtstauglichen Aktivität •     Einstieg — Zeigen Sie eine KI-erzeugte Erklärung zu einer einfachen LED-Schaltung, die einen versteckten Fehler enthält (z. B. einen Widerstandswert, der zu niedrig ist, um die LED zu schützen): ◦     Diskussionsfrage: „Klingt diese Erklärung richtig? Wie würden wir das tatsächlich überprüfen?“ ◦     Das Problem einführen: „Eine Erklärung kann selbstsicher klingen und trotzdem falsch sein — was würde sie als richtig oder falsch belegen?“ Leitprinzip dieser Stunde (Messung schlägt selbstsichere Formulierung) ◦     Messung → Berechnung → Behauptung (zu überprüfen) •     Input — Rechenbeispiel mit einer einfachen Reihenschaltung (Batterie, Widerstand, LED): ◦     Stellen Sie Aussagen über die Schaltung bereit, die den Kategorien Messung, Berechnung und Behauptung zugeordnet werden müssen. Beispiel: ◦     Das Multimeter zeigt 9 mA Strom durch die Schaltung an – Messung ◦     Das ohmsche Gesetz sagt für diese Bauteilwerte 9,1 mA voraus – Berechnung ◦     Die KI behauptet, diese Schaltung „funktioniert in jeder Konfiguration zuverlässig“ – Behauptung (zu überprüfen) •     Erkundung — Gruppenarbeit. Eine reale Schaltung aufbauen und messen: Materialien und Arbeitsschritte für jede Gruppe, z. B.: A) Ein Schaltplan mit einer Batterie, einem Widerstand und einer LED in Reihe. B) Ein Steckbrett, Steckbrücken und die aufgeführten Bauteile. C) Ein Multimeter und ein kurzes Merkblatt zum Messen von Spannung, Stromstärke und Widerstand. D) Eine Tabelle der Widerstandsfarbcodes und die Durchlassspannung der LED. Die Schülerinnen und Schüler füllen ein Arbeitsblatt aus und beantworten dabei: Was messen wir? Was sagt das ohmsche Gesetz voraus? Wo weichen beide voneinander ab, und wie stark? •     Die KI sagt die Schaltung vorher bzw. erklärt sie: Prompt für die Schülerinnen und Schüler: Erkläre für eine Schaltung aus einer 9-V-Batterie, einem 470-Ω-Widerstand und einer roten LED in Reihe, wie viel Strom fließen wird und warum. Zeige deinen Rechenweg. Die Schülerinnen und Schüler annotieren die KI-Antwort: ◦     Stimmt mit unserer Messung überein ◦     Stimmt mit unserer Berechnung überein ◦     Nicht belegt / muss überprüft werden •     Die KI überarbeitet ihr Ergebnis unter strengeren Vorgaben: Verbesserter Prompt: Berechne den Strom Schritt für Schritt nach dem ohmschen Gesetz neu und zeige dabei die Formel und jeden eingesetzten Wert. Nenne alle Annahmen, die du zur Durchlassspannung der LED triffst, und kennzeichne alles, was gemessen werden müsste, um es zu bestätigen. Vergleichen: Version 1 → Version 2 Finden Sie: ◦     einen Wert, der präziser geworden ist; ◦     eine Annahme, die die KI ausdrücklich benannt hat; ◦     einen Wert, der nun mit Ihrer Messung übereinstimmt; ◦     eine Behauptung, die weiterhin unabhängig überprüft werden muss. •     Reflexion/Wissenstransfer Zeigen Sie ein kurzes, unterrichtstaugliches Beispiel für eine KI-erzeugte Fitness-, Ernährungs- oder Gesundheitsberechnung (z. B. „Ihr empfohlener täglicher Kalorienbedarf beträgt …“). Diskussionsfrage: ◦     Was ist hier auf Grundlage der Leitprinzipien dieser Stunde eine Messung, was eine Berechnung und was eine Behauptung? ◦     Wenn eine KI-Antwort selbstsicher klingt und korrekt aussehende Formeln verwendet – bedeutet das, dass das Ergebnis vertrauenswürdig ist? Abschließende Einzelreflexion: Die Schülerinnen und Schüler vervollständigen: 1.   Eine technische Behauptung wird vertrauenswürdig, wenn … 2.   Bevor ich der Erklärung einer KI dazu vertraue, wie etwas funktioniert, sollte ich … 3.   KI kann bei einem technischen Vorgang selbstsicher klingen, aber … Materialien •     Beamer/interaktives Whiteboard. •     Steckbretter, Steckbrücken, Widerstände, LEDs und Batteriehalter (ein Satz pro Gruppe). •     Multimeter (eines pro Gruppe). •     Tabelle der Widerstandsfarbcodes und Merkblatt zur Durchlassspannung von LEDs. •     Mini-Arbeitsblatt Messung – Berechnung – Behauptung. •     Arbeitsblatt zum Schaltplan und Arbeitsblatt zur Quellenanalyse. •     Eine KI-erzeugte Schaltungserklärung mit einem absichtlichen Fehler für den Einstieg. •     Endgeräte der Schülerinnen und Schüler mit Zugang zu einem freigegebenen generativen KI-Werkzeug. •     Arbeitsblätter für KI-Prompts und Vergleich für Runde 1 und 2. •     Beispiel für eine KI-erzeugte Fitness- oder Gesundheitsberechnung für die Reflexion.