2.2. Biologie: Vibe-Coding-Simulationen im Unterricht

Predator–Prey DynamicsRäuber-Beute-Dynamik (Lotka–Volterra model)Lotka-Volterra-Modell)

Subject:Fach: BiologyBiologie ·  Grade:Klassenstufe: 9 (age14–15 14–15)Jahre) ·  Duration:Dauer: 1 double lessonDoppelstunde (90 min)Min.) · AI:KI: LearningLernen WITHMIT AI KI

AI-relatedKI-bezogene competenciesKompetenzen (DUAL.AI.TEACHer TEACHer-Framework) – teacher levelLehrkräfteebene

Subject-specificFachspezifische learning objectivesLernziele – student/learnerEbene levelder Schülerinnen und Schüler

AF-TL-2b (AI foundations and applications × Teaching & Learning, LevelStufe 2 – ReflectiveReflektierte Implementation)Umsetzung): „Lehrkräfte können Unterrichtselemente so gestalten, dass sie KI-Einsatz mit klaren pädagogischen Rollen und Strategien zur Überprüfung der Ausgabeelemente einbetten.“Teachers can organise lesson elements that embed AI use with clear pedagogical roles and strategies to verify the output elements.” AF-FC-2b (AI foundations and applications × Facilitating Learners’Learners' (AI) Digital Competence, LevelStufe 2 – ReflectiveReflektierte Implementation)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.“Teachers can implement guidance that helps learners developing practical AI skills, adapting the tasks to learners’ prior knowledge and the AI tools available.”

ByAm theEnde endder ofStunde thekönnen lesson,die studentsSchülerinnen can:und Schüler: describedie thewichtigsten key variablesVariablen (preyBeutepopulation, population,Räuberpopulation) predatorund population) and parametersParameter (growthWachstumsrate, rate,Prädationsrate, predationUmwandlungseffizienz, rate,Sterberate) conversiondes efficiency,Lotka-Volterra-Modells mortality rate) of the Lotka–Volterra model;beschreiben; formHypothesen andzur testPopulationsdynamik hypothesesmithilfe abouteiner populationinteraktiven dynamicsSimulation usingaufstellen anund interactive simulation;testen; extendeine anbestehende existingSimulation simulationum withzusätzliche additionalEbenen layersökologischer ofKomplexität ecological complexityerweitern (e.g.z. aB. carryingeine capacity,Umweltkapazität, aeine secondzweite species,Art, aeinen seasonalsaisonalen factor)Faktor), byindem writingsie structuredstrukturierte promptsPrompts forfür anein AIKI-Sprachmodell language model;formulieren; criticallydie evaluateAnnahmen theund model’sGrenzen assumptionsdes andModells limitationskritisch bewerten (Wissenschaftsverständnis/Nature of Science), includingeinschließlich whyder introducingFrage, randomnesswarum ordas anEinführen additionalvon factorZufälligkeit canoder destabiliseeines it.zusätzlichen Faktors es destabilisieren kann.

Take-home message:Kernbotschaft: StudentsDie don'tSchülerinnen needund toSchüler codemüssen fromnicht scratch.von ReadingGrund andauf testingprogrammieren. 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 existingseine simulation,Grenzen then using an LLM to add one layer of ecological realism at a time, is enough to build genuine understanding of a dynamic biological model — and, sooner or later, to discover for themselves exactly where that model reaches its limits.stößt.

FigAbb. 1. ImageBild generatederzeugt withmit ChatGPT (GPT Image 2), 27. August 27, 2026.

ContentInhalt

MathematicalMathematische modelsModelle andund computerComputersimulationen simulations are especially valuable toolssind in ecology,der becauseÖkologie theybesonders canwertvolle expressWerkzeuge, highlyda complexsie systemshochkomplexe throughSysteme mathematicaldurch equations.mathematische ThisGleichungen makesausdrücken itkönnen. possibleDas toermöglicht runes, experimentsExperimente in silico anddurchzuführen testund hypothesesHypothesen onam theModell modelzu testen – in situationsSituationen, wherein adenen realein experimentechtes wouldExperiment bezu tooteuer, costly,zu toolangsam, slow,ethisch ethicallyschwierig difficult,oder orschlicht outrightgefährlich dangerous.wäre. ManipulatingEine areale realRäuberpopulation predatorzu population,manipulieren, forist instance,zum isBeispiel rarelyselten 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 option.die AtRealität thesein same– time,und everyes modelgut iszu necessarilynutzen abedeutet, simplificationgenau ofzu reality,wissen, andwelche thisFaktoren ises exactlyaußer whereAcht its weaknesses lie: real ecosystems are far more complex than any model can fully capture.

The Lotka–Volterra model is a classic example of such a simplification applied to predator–prey dynamics. It represents the system using two state variables (the prey and predator population sizes) and four parameters (the prey’s intrinsic growth rate, the predation-rate coefficient, the predator’s reproduction rate per prey consumed, and the predator’s mortality rate). Under its idealized assumptions, the model predicts sustained, periodic oscillations in which changes in the predator population lag behind those in the prey population. This behavior arises from a feedback loop: as the prey population increases, more food becomes available to predators, allowing the predator population to grow. Increased predation then causes the prey population to decline, which reduces the predators’ food supply and leads to a decline in the predator population. With fewer predators, the prey population can recover, and the cycle begins again.

To produce this clean cycle, the model makes several strong assumptions. It is deterministic (the same starting values always produce exactly the same curve); it is a closed two-species system that excludes every abiotic factor (temperature, precipitation, season) and every other biotic factor (food plants for the prey, a third species, disease); and it makes each population's growth depend on nothing except the size of the other population.

Real populations rarely meet these assumptions. Births, deaths and encounters are subject to chance, and a stochastic (randomised) version of the same model tends to drift away from the clean cycle and can even collapse (e.g. the predator population dying out) in cases where the deterministic version predicts stable oscillation. Likewise, adding just a single missing factor (e.g. a temperature-dependent growth rate, or a limit on the prey's own food supply) is often enough to break the clean two-variable cycle. This is not a flaw to hide from students, it is the central Nature-of-Science lesson of the activity. A model can be genuinely useful, while still being a deliberately narrow approximation of reality and using it well means knowing exactly which factors it leaves out.lässt. In thisder lesson'sHauptaktivität maindieser activity,Stunde studentsentdecken discoverdie thisSchülerinnen forund themselvesSchüler bydies tryingselbst, toindem addsie exactlyversuchen, thesegenau kindssolche ofFaktoren factors.hinzuzufügen.

Lesson planUnterrichtsverlauf

Phase	TimeZeit	ActivityAktivität
IntroductionEinstieg	8 minMin.	TheDie teachersLehrkraft showszeigt aneinen unlabelledunbeschrifteten graphGraphen ofeiner arealen real predator–prey data seriesRäuber-Beute-Datenreihe (e.g.z. lynx/hare)B. Luchs/Hase); studentsdie describeSchülerinnen theund patternSchüler andbeschreiben formdas firstMuster hypotheses.und stellen erste Hypothesen auf.
Input	12 minMin.	TheDie teacherLehrkraft introducesstellt thedie model’sVariablen variablesund andParameter parametersdes usingModells aanhand simpleeines diagrameinfachen Diagramms vor (nokeine differentialDifferentialgleichungen equations needed)erforderlich).
ExplorationErkundung	15 minMin.	StudentsDie testSchülerinnen theirund hypothesesSchüler intesten pairsihre onHypothesen apaarweise ready-madean HTMLeiner simulationvorgefertigten andHTML-Simulation recordund theirhalten observations.ihre Beobachtungen fest.
AdaptationErweiterung	35 minMin.	In pairs,Paaren studentsdurchlaufen workdie throughSchülerinnen und Schüler 2–3 roundsRunden ofvon predictvorhersagen → promptprompten → testtesten → diagnosediagnostizieren (guidingLeitfragen questionsunten); below)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), eachbis timeder askingsaubere theZwei-Variablen-Zyklus LLMsichtbar to add one more layer of ecological realism to the simulation (a limit on the prey's food supply, a second species, a seasonal/abiotic factor) until the clean two-variable cycle visibly breaks down.zusammenbricht.
ReflectionReflexion	20 minMin.	Whole-classKlassengespräch, discussion,geleitet guidedvon byFragen questionswie: suchIn as:welcher AtRunde whichhörte rounddie didSimulation theauf, simulationeinen stopsauberen, producingsich awiederholenden clean,Zyklus repeatingzu cycle?erzeugen? WhatWas doeslässt thedas originalursprüngliche modelModell deliberatelybewusst leaveaus, out,und andwarum? why?Was Whatmacht makeses itzu aeiner usefulnützlichen simplificationVereinfachung ratherstatt thaneinfach simplynur afalsch wrongzu one?sein?

GuidingLeitfragen: questions:Komplexität layeringschrittweise complexityaufbauen

PairsDie workPaare throughbearbeiten asso manyviele ofder thefolgenden followingRunden, roundswie as time allows in thedie 35 minutesMinuten zulassen (mostdie managemeisten two;schaffen thezwei; thirddie isdritte anist extensioneine forErweiterung earlyfür finishers)schnelle Paare). EachJede roundRunde followsfolgt thedemselben same four-step cycle:Vier-Schritte-Zyklus:

1. RoundRunde 1 — limitdie theNahrungsgrundlage prey'sder foodBeute supplybegrenzen (aeine carrying capacity)Umweltkapazität):
   • Predict:Vorhersagen: BeforeBevor youSie startmit prompting,dem aksPrompten yourself:beginnen, whatfragen doSie yousich: expectWas toerwarten happenSie tofür theden cycleZyklus, ifwenn thesich prey'sdas growthWachstum slowsder downBeute onceverlangsamt, thesobald populationdie getsPopulation large,groß insteadwird, ofstatt growingunbegrenzt withoutweiterzuwachsen? limit?Skizzieren SketchSie thedie curveerwartete you expect.Kurve.
   • Prompt:Prompten: AskBitten theSie AIdie toKI, addeine amaximale maximumnachhaltige sustainable prey population to the simulation, and to explainBeutepopulation in itsdie ownSimulation wordseinzubauen howund itin changedeigenen theWorten growthzu equationerklären, towie dosie this.die Wachstumsgleichung dafür verändert hat.
   • TestTesten & compare:vergleichen: RunFühren theSie newdie simulationneue withSimulation themit samedenselben startingStartwerten valueswie aszuvor before.aus. CompareVergleichen theSie previousdie simulationvorherige withSimulation themit newder one:neuen: howWie didhaben thesich variablesdie change?Variablen Whyverändert? is that?Warum?
   • Diagnose:Diagnostizieren: WhichWelche assumptionAnnahme ofdes theursprünglichen original modelModells (unlimitedunbegrenzte foodNahrung forfür thedie prey)Beute) didhaben youSie justgerade remove?entfernt? IsIst thisdieser factorFaktor bioticbiotisch oroder abiotic?abiotisch?
2. RoundRunde 2 — addeinen anotherweiteren (bioticbiotischen oroder abiotic)abiotischen) factor:Faktor hinzufügen:
   • Predict:Vorhersagen: IfWenn anun thirdeine speciesdritte nowArt competesmit withder theBeute preyum forNahrung food,konkurriert oroder preyssie onebenfalls iterbeutet, asoder well,wenn ordas ifWachstum preyder growthBeute nownun dependsvon onder temperatureTemperatur whatabhängt do– youwas expecterwarten thisSie tofür doden toursprünglichen the original two-species cycle?Zwei-Arten-Zyklus?
   • Prompt:Prompten: ChooseWählen anotherSie factoreinen andweiteren writeFaktor aund promptformulieren askingSie theeinen AIPrompt, toder adddie itKI asbittet, aihn newals variableneue, linkedmit toden thebestehenden existingVariablen onesverknüpfte Variable hinzuzufügen — specifygeben exactlySie howgenau itan, shouldwie interacter withmit theder preyBeute- oroder predatorRäuberpopulation population.interagieren soll.
   • TestTesten & compare:vergleichen: ObserveBeobachten theSie simulationdie overSimulation severalüber cycles.mehrere DoesZyklen. theBleibt originalder two-speciesursprüngliche rhythmZwei-Arten-Rhythmus survive,erhalten, getwird distorted,er orverzerrt, disappear?oder verschwindet er?
   • Diagnose:Diagnostizieren: TheDas originalursprüngliche modelModell assumednahm eachan, populationdass dependsjede onlyPopulation onnur thevon other.der Isanderen thatabhängt. stillStimmt truedas afternach thisdieser round?Runde Whatnoch? realWelche ecologicalreale relationshipökologische doesBeziehung yourstellt newIhr factorneuer represent.Faktor dar?
3. OptionalOptionale roundRunde 3 — introduceZufälligkeit randomness:einführen:
   • Predict:Vorhersagen: IfWenn oneein parameterParameter (e.g.z. theB. predationdie rate)Prädationsrate) isnicht nomehr longerfest fixedist, butsondern drawnbei randomlyjedem withinZeitschritt azufällig rangeaus ateinem eachBereich timegezogen step,wird, whatwas doerwarten youSie expectfür fordie thelangfristige long-termStabilität stabilityder of the populations?Populationen?
   • Prompt:Prompten: AskBitten theSie AIdie toKI, replaceeinen onekonstanten constantParameter parameterdurch witheinen azufälligen randomisedWert valuezu andersetzen tound keepzu trackverfolgen, ofob whethereine eitherder populationbeiden reachesPopulationen zero.den Wert null erreicht.
   • TestTesten & compare:vergleichen: RunFühren theSie simulationdie severalSimulation timesmehrmals withmit thedenselben sameEinstellungen settings.aus. DoErhalten youSie getjedes theMal samedasselbe resultErgebnis? everyBricht time?jemals Doeseine eitherder populationPopulationen ever collapse?zusammen?
   • Diagnose:Diagnostizieren: WhyWarum cankann thederselbe same„durchschnittliche“ “average”Parameterwert parameterhier valuesmanchmal sometimeszum leadAussterben toführen, extinctionobwohl here,das whendeterministische theModell deterministicdas modelnie nevervorhergesagt predicted that?hat?

Closing questionAbschlussfrage (forfür thedie Reflect phase)Reflexionsphase): AtIn whichwelcher roundRunde didhörte thedie simulationSimulation stopauf, producingeinen asauberen, clean,sich repeatingwiederholenden cycleZyklus zu erzeugen — andund whatwas doessagt thatIhnen telldas youdarüber, aboutwie howviele manyreale real-worldFaktoren factorsdas theursprüngliche originalLotka-Volterra-Modell Lotka–Volterraauslassen modelmuss, hasum tolösbar leaveund outleicht ininterpretierbar orderzu to stay solvable and easy to interpret?bleiben?

MaterialsMaterialien

• OneEin laptopLaptop perpro studentSchülerpaar, pair,mit with a browserBrowser
• AccessZugang tozu einer KI-Chat-Oberfläche über das Internet, oder ein lokal installiertes Modell, falls der Internetzugang an LLMder chatSchule interfaceeingeschränkt via the internet, or a locally installed model if internet access is restricted at schoolist
• Ready-madeVorgefertigte HTML predator–prey simulationHTML-Räuber-Beute-Simulation (singleeinzelne file,Datei, slidersSchieberegler forfür selectedausgewählte parameters)Parameter)
• AEine shortkurze promptingPrompting-/Arbeitsblattvorlage /für worksheetdie templateRunden for„Komplexität theschrittweise “layering complexity” roundsaufbauen“ (predictvorhersagen → promptprompten → testtesten → diagnose)diagnostizieren)
• GuidingLeitfragen questionsfür fordie theErkundungsphase explorationund phasedie andwissenschaftstheoretische the Nature-of-Science reflectionReflexion (modelZweck purposedes Modells vs. modelGrenzen limits)des Modells)