DigiLLab Knowledge Hub

Anfang

In diesem letzten Kapitel wollen wir uns mit der Frage beschäftigen:

Auch wenn es viele Einsatzmöglichkeiten von KI gibt, sind nicht alle für uns sinnvoll oder wünschenswert. Außerdem gibt es Aufgaben, für die sich der Einsatz von KI im Moment weniger eignet.

Haben wir uns für einen Einsatz von KI entschieden, stellt sich dann die Frage:

Abschließend werden wir uns auch noch mit einer anderen wichtigen Frage beschäftigen:

Wann eignet sich künstliche Intelligenz?

Viele Meinungen gehen davon aus, dass künstliche Intelligenz das Potenzial hat, die Lehre und das Lernen verbessern zu können. Allerdings soll und kann KI nicht in jedem Bereich oder Aufgabenfeld eingesetzt werden.

Nachdem du jetzt verschiedene Formen von KI und einige Anwendungen von KI kennengelernt hast, hast du vermutlich schon ein paar Gedanken dazu:

Die Bewertung von Hausaufgaben durch eine KI scheint unserer Einschätzung nach, ein sehr sinnvoller Einsatzbereich für KI zu sein. Solche KI-Systeme könnten einerseits Lehrkräfte entlasten. Andererseits können solche Systeme von den Lernenden selbst genutzt werden, um jederzeit Feedback für bearbeitete Aufgaben zu bekommen.

In den meisten Lernkontexten ist es nicht möglich, dass die Lernenden jederzeit Feedback für bearbeitete Aufgaben bekommen können. Bei Hausaufgaben in der Schule beispielsweise bekommt man erst zur nächsten Unterrichtsstunde oder nach der Korrektur durch die Lehrkraft ein Feedback dazu. Es kann passieren, dass ein Fehler über einen langen Zeitraum immer wieder gemacht wird und erst nach einer langen Zeit erkannt wird. Das ist aus Sicht der Lerntheorie nicht optimal. Durch die Nutzung von KI-Systemen könnte Feedback jederzeit und sofort bereitgestellt werden.

Die Nutzung von KI zur Bewertung von Prüfungsaufgaben ist dagegen etwas schwieriger. Hier haben wir im letzten Kapitel gesehen, dass es bei Bias in den Trainingsdaten dazu kommen kann, dass bestimmte Personengruppen benachteiligt werden. Oft ist solch ein Verhalten sehr unterschwellig und nicht leicht zu entdecken. Bei der Entwicklung von KI-Systemen für die Bewertung von Prüfungsleistungen muss also besonders darauf geachtet werden, dass die Bewertung fair und transparent ist. Gelingt das, ist es eventuell möglich, die Bewertung von Prüfungsleistungen noch fairer zu machen als sie in den jetzigen Strukturen ist.

Die Möglichkeit jederzeit Feedback für die Bearbeitung von Aufgaben zu bekommen ist an sich schon ein großes Potenzial von KI. Man kann hier allerdings noch weiter denken und sich einen KI-Tutor vorstellen, der nicht nur in der Lage ist, Aufgaben zu bewerten, sondern auch vielfältige Formen von Unterstützung leisten kann, wie zum Beispiel: Lerneinheiten zur Wiederholung bereitstellen, Wissen in zeitlichen Abständen abfragen, usw. Auch hier hat KI ein großes Potenzial, denn in den meisten Lernkontexten ist eine individuelle Unterstützung durch eine Lehrkraft nur eingeschränkt möglich. Einerseits gibt es deutlich mehr Lernende pro Lehrkraft. Andererseits ist eine individuelle Unterstützung oft nur zu bestimmten Zeiten oder gar nicht möglich. KI-Systeme bieten den Vorteil, dass sie beliebig vervielfacht werden können und jederzeit verfügbar sind. Zudem ist es möglich, die Unterstützung individuell an die Lernenden anzupassen.

Allerdings gibt es auch Anwendungsmöglichkeiten von KI, die viele eher kritisch sehen.

Manche sehen in KI nicht nur eine Ergänzung zu Lehrkräften, sondern einen Ersatz von Lehrkräften. Nach dieser Vision würde der Unterricht der Zukunft von einer KI geleitet werden und menschliche Lehrkräfte hätten eine Nebenrolle oder würden komplett ersetzt. In China beispielsweise gibt es bereits solche Systeme, die vereinzelnd an Schulen im Einsatz sind und die damit werben besser zu sein als durchschnittliche Lehrkräfte. Es ist einleuchtend, worin solche KI-Systeme einen Vorteil hätten gegenüber dem traditionellen Unterricht: Zum einen hätte jeder Schüler und jede Schülerin einen eigene “KI-Lehrkraft”, die jederzeit verfügbar ist und auf die individuellen Bedürfnisse eingehen kann. Zum anderen könnte man den Unterricht weitreichend vereinheitlichen und alle Lernenden hätten Zugang zu denselben Unterrichtsformen.

Trotzdem werden solche Entwicklungen und Vorstellungen aus verschiedenen Gründen kritisch gesehen: Zum einen kann durch so einen weitreichenden Einsatz von KI der zwischenmenschliche Kontakt verloren gehen. Statt mit einer Lehrkraft zu interagieren, verbringen die SchülerInnen mehr Zeit vor einem Bildschirm in Interaktion mit der KI. Es ist fragwürdig, was das für die Entwicklung der jungen Menschen bedeutet und der Motivation fürs Lernen. Zum anderen sind heutige KI-Systeme im Vergleich zu menschlichen Lehrkräften nicht in der Lage alle Aufgaben und Verantwortungen in derselben Qualität umzusetzen. Menschliche Lehrkräfte können meistens deutlich besser die speziellen Bedürfnisse der Lernenden wahrnehmen und darauf eingehen. Genauso haben Lehrkräfte eine Reihe an Aufgaben, die weniger mit der Vermittlung von Kompetenzen und Wissen, sondern mehr mit der Erziehung von jungen Menschen zu tun haben. Heutige KI-Systeme sind für solche Aufgaben ungeeignet und es ist fragwürdig, ob sich das in naher Zukunft ändern wird.

Letztendlich spricht auch die Verarbeitung von persönlichen Daten und die Überwachung der Lernenden gegen den Einsatz von KI. Daten über die Lernenden, die für KI-Systeme oft benötigt werden, sind oft sehr persönlich. Zum Beispiel, welche Fehler gemacht wurden oder die gemessene Aufmerksamkeit. Viele von uns wollen nicht, dass solche persönliche Daten verarbeitet werden oder im schlimmsten Fall einsichtig sind für Dritte. Zudem kann das Wissen darüber, permanent von Systemen überwacht zu werden, viele von uns beunruhigen.

In China gibt es Experimente, bei denen die Aufmerksamkeit von SchülerInnen während dem Unterricht über Videokameras im Klassenzimmer und einer bildverarbeitenden KI überwacht wird. Die Lehrkraft sieht während dem Unterricht diese Daten und kann entweder einzelne SchülerInnen adressieren oder den Unterricht als Ganzes anpassen.

Ja, bis zu einem bestimmten Grad ist es möglich, die Aufmerksamkeit mithilfe von KI zu bestimmen. Allerdings sind solche Systeme nicht fehlerfrei, denn sie treffen ihre Einschätzung nur auf Grundlage der Bildinformationen, wie z.B. dem Gesichtsausdruck, der Körperhaltung, usw. Diese Merkmale können ein Anzeichen sein, können aber auch missverstanden werden. Manche Personen mit bestimmten Gesichtszügen könnten demnach fälschlicherweise oft als unkonzentriert eingestuft werden. Das könnte sowohl in der Schule als auch außerhalb negative Konsequenzen für die Person haben.

Datenbasierte oder wissensbasierte KI?

Wollen wir eine KI für eine Aufgabe entwickeln, steht man vor der Wahl: Eine datenbasierte KI oder eine wissensbasierte KI? Wir schauen uns jetzt an, welche Eigenschaften für das eine oder andere sprechen.

Maschinelles Lernen (also Verfahren, mit denen man datenbasierte KI entwickelt) und insbesondere die Variante Deep Learning werden häufig in sensationellen Medienberichten als sehr mächtig dargestellt. Das weckt die Frage:

Allein der Name verrät schon, dass man für die Entwicklung einer datenbasierten KI auch Daten braucht. Haben wir hier keine oder nicht ausreichend, ist das schon mal ein Ausschlusskriterium. Stehen allerdings geeignete Daten zur Verfügung, kann das für eine datenbasierte KI sprechen. Es gibt aber noch eine Reihe an weiteren Eigenschaften, die für eine datenbasierte KI sprechen:

Denken wir beispielsweise zurück an die Klassifizierung von Winkeln. Hier waren die Farbwerte jedes einzelnen Pixels im Bild die Eingabe für die KI. Die einzelnen Farbwerte variieren von Bild zu Bild, auch bei sehr ähnlichen Bildern. Das heißt, das System muss mit einer sehr großen Anzahl an unterschiedlichen Eingabewerten zurechtkommen. Haben wir eine solche Varianz in den Eingaben, kann sich maschinelles Lernen eignen, denn das trainierte Modell kann mit dieser Varianz umgehen. Haben wir stattdessen wenig Varianz in den Eingabedaten und damit auch nur eine geringe Anzahl an möglichen Eingaben, könnte sich eher eine wissensbasierte KI eignen, die wir mit konkreten Regeln umsetzen. Für eine wissensbasierte KI benötigen wir keine Trainingsdaten und sie ist leichter zu verstehen.

Versucht man beispielsweise Bilder von gezeichneten Winkeln mit wissensbasierten Ansätzen einzuordnen, wird es schnell kompliziert, konkrete Regeln zu finden, nach denen man entscheiden könnte. Es gibt einfach so vielfältige Arten, welche Werte die Pixel haben können, wie die Zeichnung der Winkel variieren kann und so weiter. Hier haben Verfahren des maschinellen Lernens einen Vorteil, weil das Wissen in einer langen & komplizierten Berechnung repräsentiert sein kann und nicht in menschenverständlichen Regeln vorliegen muss. Kann man dagegen die Aufgabe mit vom Menschen bereitgestellten Regeln lösen, eignet sich oft eher eine wissensbasierte KI.

Bei der Klassifizierung von Winkeln mussten wir das Modell mit einem geeigneten Trainingsdatensatz trainieren. Für die Bilder im Trainingsdatensatz musste bereits eine richtige Einordnung vorliegen, um dem Trainingsprozess zu zeigen, welches Verhalten gelernt werden soll. Außerdem musste der Trainingsdatensatz ausreichend umfangreich sein und frei von Bias sein, damit sich das Training auf die gewünschten Merkmale konzentriert. Für viele reale Problemstellungen gibt es keinen solchen Trainingsdatensatz oder die Erstellung ist mit hohem Aufwand verbunden. Ohne diesen kann keine datenbasierte KI erfolgreich trainiert werden.

Vertrauen

Wenn wir mehr KI-Systeme im Bereich Lehren & Lernen nutzen wollen, geht das nur, wenn wir den Systemen vertrauen. Egal was wir als Menschheit entwickeln, wenn das Vertrauen fehlt, ist es unwahrscheinlich, dass diese Systeme weitreichend genutzt werden.

Die Erklärbarkeit ist hier ein wichtiger Faktor. Stellen wir uns vor, wir würden von einer KI eine Bewertung für einen Aufsatz bekommen. Allerdings bekommen wir keine Erklärung, wie die Bewertung zustande gekommen ist oder was wir verbessern können.

Könnte uns die KI eine verständliche Begründung für die Bewertung geben oder uns sagen, was wir verbessern können, würde das vermutlich unser Vertrauen in die KI erhöhen.

Zum Vertrauen gehören allerdings auch noch andere Aspekte. Beispielsweise vertrauen wir Arztpersonal, da wir wissen, dass diese Menschen in Deutschland einen sehr reglementierten Bildungsweg abgeschlossen haben. Genauso würde es unser Vertrauen in KI vermutlich ebenfalls erhöhen, gäbe es Reglementierungen, wie diese KI entwickelt oder getestet wurde.

Zusammenfassung: Was haben wir gelernt?

Wir hoffen, dass dir dieser Kurs einen Einblick gegeben hat, was künstliche Intelligenz ist und wie sie im Bereich Lehren & Lernen eingesetzt werden kann. Zum Schluss wollen wir ein paar wichtige Erkenntnisse des Kurses wiederholen und du hast die Möglichkeit selbst noch einmal zu reflektieren, was du aus dem Kurs mitgenommen hast.

Wir haben einige weit verbreitete Vorstellungen von KI genannt und bei vielen erkannt, dass sie entweder nur zum Teil oder gar nicht richtig sind. Darunter zum Beispiel:

Nein, es gibt auch noch die wissensbasierte KI, die nicht aus Daten gelernt hat und auf Grundlage von Wissen arbeitet, welches vom Menschen kommt. Genauso wie die zurzeit populäre datenbasierte KI (insbesondere über das Verfahren Deep Learning) ist die wissensbasierte KI immer noch eine wichtige Form von KI, die ihren eigenen Stärken und Schwächen hat.

Nein, es gibt viele Aufgaben, welche die Fähigkeiten von heutiger KI übersteigen. Außerdem wollen wir KI vermutlich in bestimmten Bereichen nicht einsetzen.

Nein, der Mensch spielt eine große Rolle und hat eine Vielzahl an Aufgaben bei der Entwicklung von KI.

Außerdem haben wir in Grundzügen verstanden:

Es ist wichtig, sich auch an die unbeantworteten Fragen zu erinnern. Mit diesen kannst du entweder diese Lernmaterialien noch einmal wiederholen oder dich über andere Wege auf die Suche nach einer Antwort machen. Zu KI gibt es einige hochwertige Angebote, die frei im Internet zur Verfügung stehen.