Kann KI in der Schule eine Rolle spielen?
Künstliche Intelligenz (KI) ist ein heiß diskutiertes Thema in der heutigen Welt und hat auch Einfluss auf den Schulunterricht. In diesem Blogbeitrag werden wir uns mit verschiedenen Aspekten von KI im Schulunterricht beschäftigen, wie zum Beispiel Textgeneration, Bilderstellung und -manipulation, Übersetzungen und Audio-Files.
- Textgeneration durch künstliche Intelligenz
1.1. Chatsysteme
1.2. Urheberrecht für diese Texte
1.2. Quelltext und Programmierung - Bilderstellung durch künstliche Intelligenz
2.1. Neue Bilder durch verbale Beschreibung
2.2. Urheberrecht für diese Bilder - Bildmanipulation durch künstliche Intelligenz
3.1. Hintergrund entfernen, Objekte entfernen
3.2. Gesichter tauschen durch FaceSwap
3.3. Bilder in verschiedene Stile umwandeln - DeepFake-Videos
- Übersetzungen durch künstliche Intelligenz
- Audio-Files: Spurentrennung durch künstliche Intelligenz
- Wie funktioniert künstliche Intelligenz
7.1. Expertensysteme
7.2. Maschinelles Lernen
7.3. Neuronale Netze - künstliche Intelligenz im Unterricht
8.1. Hausaufgaben und Schülerarbeiten
8.2. Verwendung von künstlicher Intelligenz entlarven
8.3. Aufgabenstellungen an künstliche Intelligenz-Bedingungen anpassen
8.4. künstliche Intelligenz für Unterrichtsvorbereitung nutzen
1. Textgeneration durch künstliche Intelligenz
KI-Systeme können Text auf der Grundlage von vorhandenen Daten generieren. Ein Beispiel dafür sind Chatsysteme, die automatisch Antworten auf Fragen geben können. Ein weiteres Beispiel sind Textgeneratoren, die auf der Grundlage von gegebenen Themen Texte erstellen können. Allerdings gibt es auch rechtliche Aspekte zu beachten, wie zum Beispiel das Urheberrecht für diese Texte. Es ist wichtig zu beachten, dass der Quelltext und die Programmierung dieser Systeme verstehen gelernt werden muß, um die Ergebnisse einschätzen zu können.
1.1. Beispiel ChatGPT: Dieser KI-Chat ist in der Lage ein „vernünftiges“ Gespräch mit seinem Gegenüber zu führen. Er kann aber auch auf genaue Anweisung Texte (z.B. Blogbeiträge oder Abhandlungen) erstellen, denen selten anzumerken sind, dass sie durch eine KI erzeugt wurden.
Ein praktisches Beispiel? Vielleicht die Lottozahlen??? Bitte sehr, hier ein gespeicherter Chat-Verlauf dazu:
Wir haben die Zahlen natürlich nicht getippt, da wir hier kein Lotto spielen. Wenn wir es täten würde wir sie sicher probieren 😉
Sogar Aufgaben aus der Physik sind für ChatGPT kein Problem, wenn sie ordentlich formuliert sind:
Allein diese Beispiel sollten genügen, um zu zeigen, dass KI auch im schulischen Umfeld sehr wohl eine Rolle spielen kann. Und da ist ChatGPT nur ein Beispiel in einer Reihe von Textgeneratoren auf KI-Basis.
1.2. Wie sieht es mit dem Urheberrecht aus? Laut AGB von OpenAI muss ein von ChatGPT erzeugter Text als solcher ausgewiesen werden und darf dann auch veröffentlicht werden – ob das jeder macht darf ruhig bezweifelt werden!
1.3. Mit dem Erstellen von Texten ist aber nicht Schluss – ChatGPT kann sogar Quelltexte in sehr vielen Programmiersprachen erzeugen. Eine genaue Beschreibung der Aufgabe das Programmes und der Programmiersprache – und schon legt die KI los und bildet meist sinnvolle Code-Snipes.
Einfache Programme sind jedenfalls kein Problen, wenn die Kommunikation zwischen Nutzer und ChatBot stimmt:
Dialog zwischen uns und ChatGPT:
Und hier ist der funktionierende Quellcode (Rechtsklick -> verlinkten Inhalt herunterladen):
Bei installiertem Python kann das Programm sofort gestartet werden. Nach der Eingabe der Anzahl der Scheiben wird das Spiel über die Tasten [1], [2] und [3] gesteuert, z.B. könnte der erste Zug lauten: [1] [Enter], [2], [Enter]. Das bewirkt, dass eine Scheibe vom Turm 1 (Source) auf Turm 2 (Help) abgelegt wird. Ziel ist es natürlich, alle Scheiben in der richtigen Reihenfolge auf Turm 3 (Target) zu befördern.
Ist schon genial, wie ChatGPT einem Programmierer so stupide Grundlagenprogrammierung abnehmen kann …
Für Nicht-Programmierer kann ChatGPT aber genauso gut Excel-Formeln nach eigener Beschreibung erstellen.
Ein gute Alternative zu ChatGPT ist übrigens Neuro-Flash!
2. Bilderstellung durch künstliche Intelligenz
2.1. KI-Systeme können auch Bilder erstellen, indem sie auf der Grundlage von verbalen Beschreibungen neue Bilder generieren. Dies kann für kreative Zwecke genutzt werden, aber auch hier gibt es rechtliche Aspekte wie das Urheberrecht für diese Bilder zu beachten.
Beispiel Dall.E.2 – https://openai.com/dall-e-2/
DALL.E 2 kann aus einer verbalen Beschreibung einer Szene ein Bild kreieren, von dem man sogar den Stil angeben kann. Diese Technologie ist inzwischen sogar in VR-Editoren integriert worden. BlocksmithXR bietet das Werkzeug ein Bild zur Raumausgestaltung nach den eigenen Beschreibungen life zu erzeugen und im VR-Format zur Verfügung zu stellen.
2.2. Wie sieht es hier mit dem Urheberrecht aus? Das ist ein schwieriges Thema – nicht zuletzt klagen viele Artists gegen KI-generierte Bilder, die auf ihren Motiven/Stilen beruhen …
Die AGB besagen aber auch hier, dass eine private Nutzung unproblematisch ist – erst wenn die Bilder kommerziell genutzt werden, muss eine Mitgliedschaft auf einem bezahlten Lizenz-Modell eingegangen werden.
3. Bildmanipulation durch künstliche Intelligenz
KI-Systeme können auch bestehende Bilder manipulieren, indem sie zum Beispiel den Hintergrund entfernen oder Objekte aus einem Bild entfernen. Ein weiteres Beispiel ist das Tauschen von Gesichtern in Bildern mittels FaceSwap-Technologie. Es gibt auch Systeme, die Bilder in verschiedene Stile umwandeln können. Diese Technologien ermöglichen es, Bilder schnell und einfach zu bearbeiten, aber es ist wichtig, sich über die moralischen und rechtlichen Implikationen im Klaren zu sein.
3.1. Die Webseite https://picwish.com/de/ verspricht, von hochgeladenen Bilder wahlweise den Hintergrund, Personen oder Objekte zu entfernen. Dabei wird KI verwendet um die Stellen mit einen „passenden“ Hintergrund zu füllen. Die ausgeschnittenen Stellen bleiben also nicht leer sondern werden durch Mustererkennung der Umgebung angepasst. Das passiert bei einfachen Hintergründen wie Gras, Wasser oder Luft sehr gut, aber wenn im Hintergrund Gerüste oder Gebäude stehen klappt es nicht mehr so gut …
Im Großen und Ganzen klappt es also – im Detail muss man wohl noch die weitere Entwicklung abwarten…
Auch Playground.AI stellt einige sehr schöne Tools zur Manipulation von Bildern zur Verfügung. Die obere Aufgabe erledigt Playground so:
Das Ergebnis ist ähnlich wie bei PicWish, aber Playground hat Details ergänzt, die vorher nicht da waren?!
Besser klappt das Ergänzen von Objekten per Textbefehl!
Noch ein kleines Tool, das als Magischer Radierer bekannt ist und super funktioniert: https://magicstudio.com/magiceraser
3.2. Das Gleiche gilt für das Gesichter tauschen z.B. durch FaceSwap. Bei idealen Vorlagen überzeugen die Ergebnisse, mit beliebigen Urlaubsfotos eher nicht. Auch hier ein kleines Beispiel mit Hilfe der Webseite https://faceswapper.ai:
Um dieses FaceSwap zu realisieren benötigt man eine erste Datei mit dem Bild, von dem das Gesicht geändert werden soll und eine zweite Datei, die das Gesicht enthält, welches eingefügt werden soll. Wenn beide Gesichter in etwa die selbe Richtung schauen kann das Ergebnis meistens überzeugen.
Spaßeshalber habe ich auch die Dame rechts mit bedacht. Ich habe die Mütze der Dame gelöscht und den Auftrag erteilt, neue Mützen zu ergänzen:
Mit dieser Aufgabenstellung hat DALL.E.2 folgende Ergebnisse generiert:
3.3. Einfacher ist es einem Bild einen bestimmten Stil zuzuweisen und es in diesem Stil zu generieren. Beispielhaft erledigt das die Webseite https://picsart.com/create/editor. Hier kann man einem geladenen Bild per fx-Effekte viele verschiedene Stile verpassen. So kann man das oben bereits verwendete Bild vom See im Style anpassen:
Noch einfacher erledigt das der Style-Generator von DeepDream. Hier kann man ebenfalls ein Bild hochladen und dann im Style-Generator aus vorgegeben Styles auswählen:
Das Ergebnis kann sich auch hier sehen lassen:
Es gibt also verschiedene Tools, mit denen die künstliche Intelligenz Bilder erstellen und manipulieren kann. Die meisten dieser Tools sind zum Probieren erst einmal kostenlos – oder basieren auch einem „Credit-System“ – und müssen erst bei intensiverer Nutzung in Form eines Lizenz-Modelles bezahlt werden.
4. DeepFake-Videos
DeepFake-Videos sind manipulierte Videos, in denen Gesichter und Stimmen von Personen durch andere ersetzt werden. Diese Technologie kann für unterhaltsame Zwecke genutzt werden, aber auch für Fälschungen und Täuschungen missbraucht werden. Es ist wichtig, sich über die moralischen und rechtlichen Implikationen im Klaren zu sein und die Glaubwürdigkeit von Videos immer in Frage zu stellen.
Arno Stobel thematisiert einen solchen – fiktiven – Fall in seinem Roman FAKE. Hier wird einem unschuldigen Mann mittles DeepFake-Videos ein Mord untergeschoben. Selbst die Polizei erklärt die Videos als echt! Damit beginnt ein Horrorszenarium für die Hauptfigur – und das ist nicht aus der Luft gegriffen. DeepFake ist von Normalnutzern von echten Videos nicht mehr zu unterscheiden. Die KI hat mittlerweile gelernt, seine eigenen digitalen Spuren zu verwischen.
Leider gibt es für DeepFake-Videos keine mir bekannte Webseite. Einige Apps allerdings widmen sich diesem Thema und können frei aus dem App-Store heruntergeladen werden. Die App Wombo zum Beispiel erlaubt zu einem hochgeladenen Bild eines Gesichtes die Animation und Synchronisation zu vorgegebenen Songs.
In Wirklichkeit habe ich das Lied natürlich nicht gesungen, aber das Ergebnis kann schon – zu mindestens auf den ersten Blick – überzeugen…
Sicher ist es sogar besser so, dass man nicht so ohne weiteres über eine Webseite DeepFake-Videos erstellen kann. Man möchte sich gar nicht ausmalen welche Mobbing-Situationen damit möglich wären!
Einen durchaus positiven Ansatz verfolgt https://www.myheritage.de/deep-nostalgia. Diese Webseite, die sich der Ahnenforschung verschrieben hat kann angemeldeten Nutzern Fotos von Angehörigen animieren, so dass diese besser in Erinnerung bleiben. Das funktioniert auch mit jedem anderen Bild, auf dem ein Gesucht erkannt wird. Das Ergebnis kann sich dabei sehen lassen:
5. Übersetzungen durch künstliche Intelligenz
Ein wesentlich angenehmeres Thema ist da schon die Frage der KI-Nutzung bei Übersetzungen. Dass der Google-Translator nicht immer so übersetzt, wie man sich das wünscht weiß inzwischen sicherlich jeder. Eine bessere Alternative stellt DeepL dar. Hier wird KI genutzt, um echten Satzbau und auch inhaltliche Logik in die Übersetzung mit einfließen zu lassen. Die Übersetzungen von DeepL schlagen die des Google-Translator in aller Regel um Längen:
Mit DeepL kommt man der Utopie des Bubble-Fish’s aus „Don’t Panic – Per Anhalter durch die Galaxis“ schon ein ganzes Stück näher. Koppelt man die künstliche Intelligenz von DeepL mit der Sprachsteuerung von Alexa etc. ist das Thema Übersetzungen so gut wie erledigt.
6. Audio-Files: Spurentrennung durch künstliche Intelligenz
KI-Systeme können auch mit Audio-Files arbeiten, zum Beispiel durch Spurentrennung, bei der einzelne Stimmen oder Instrumente aus einer Aufnahme isoliert werden können. Dies kann für Musikunterricht nützlich sein, aber es ist wichtig, die technischen Aspekte dieser Systeme zu verstehen. So wird in der onlin-App https://www.lalal.ai/de/ unterschieden in den Voice-Cleaner, also einem Tool das Stimme klar aus einer Aufnahme mit Nebengeräuschen herausfiltert und etlichen Soundkanälen wie z.B. Drum, Bass oder Klavier und Synthesizer … Diese werden dann durch die KI erkannt und aus dem Musikstück herausgelöst.
Das könnte zu mindestens im Musikunterricht eine Rolle spielen. Auch bei der laienhaften Videoproduktion an Schulen kann die Tonnachbearbeitung entscheidend sein für die Qualität des Endproduktes …
Wer lieber eigene Sounds erstellen möchte ist bei Soundraw.io gut aufgehoben. Hier kann man aus einem komfortablen Filter-Menü seinen Favoriten aussuchen und per KI von diesem verschiedene Versionen erstellen lassen. In der kostenlosen Version kann dieser Sound ge-share-t, aber nicht heruntergeladen werden. Macht trotzdem eine Menge Spaß!
Hier eines unserer Beispiele:
Reinhören? Bitte sehr: https://soundraw.io/edit_music?m=63e3495a6367720011fb879f
7. Wie funktioniert künstliche Intelligenz
Nach so vielen Beispielen zur künstlichen Intelligenz wird nun die Frage gestattet sein: Was ist eigentlich künstliche Intelligenz?
Künstliche Intelligenz (KI) ist eine Technologie, die vielen Menschen noch immer ein Rätsel ist. Während sie in der Industrie bereits weit verbreitet ist, haben Schulen noch nicht vollständig verstanden, wie sie KI richtig nutzen können. Die KI-Technologie kann jedoch ein großer Gewinn für Schulen sein, da sie eine Reihe von Anwendungsfällen bietet, die den Lehrprozess und das Lernen verbessern können.
KI-basierte Systeme können Verhaltensanalysen und Datenauswertungen durchführen. Diese Systeme können leistungsstarke Algorithmen zur Erkennung von Mustern in den von Schülern gemachten Antworten verwenden, um zu ermitteln, welche Themen sie am besten beherrschen und wo es Verbesserungsbedarf gibt. Dies ermöglicht Lehrern eine präzise Beurteilung ihrer Schüler und hilft ihnen, besser auf ihre individuellen Bedürfnisse eingehen zu können.
KI-Systeme können auch als persönliche Tutoren funktionieren, indem sie Schülern helfen, Fragen zu beantworten oder Aufgaben zu lösen. Zum Beispiel kann ein KI-System die Fähigkeit haben, Fragen automatisch zu beantworten oder dem Benutzer beim Finden der Antwort auf spezifische Fragen zu helfen. Solche Systeme können auch als Toolkit für das Lernmanagement genutzt werden, indem sie Lehrern helfen, Inhalte zu organisieren und den Unterrichtsfluss effizienter zu gestalten.
7.1 Expertensysteme
Expertensysteme ermöglichen es, Künstliche Intelligenz (KI) in komplexen Anwendungsbereichen einzusetzen. Als Expertenwissen werden dabei die Erkenntnisse von Menschen verstanden, die auf einem bestimmten Gebiet besonders kompetent sind. Dieses Expertenwissen wird automatisiert und kann dazu genutzt werden, anderen Personen bei der Entscheidungsfindung zu helfen.
Beispiele für Expertensysteme sind die Überwachung von komplexen Systemen (wie z.B. Kernkraftwerke, Raumflugdaten, Wettermodelle) oder auch medizinische Expertensysteme, die aus Symptomen echte Diagnosen erstellen können, indem Sie auf das Schwarm-Wissen aller Ärzte zugreifen, die dieses Expertensystem „programmiert“ haben. Die Erkennung von schwarzem Hautkrebs gelingt der KI inzwischen besser als vielen Ärzten.
Nun wird dieses Expertenwissen auch an Schulen implementiert, um den Schülern beim Lernprozess zu unterstützen. Expertensysteme an Schulen helfen nicht nur beim Lehren und Lernen, sondern bieten auch ein dynamisches und interaktives Umfeld, in dem die Schüler ihr Wissen vertiefen können. Mit Hilfe von KI-Experte-Systemen können Lehrer die Lernergebnisse vorhersagen und individuelle Lernpläne für jeden Schüler erstellen. Zudem ist es möglich, dass Expertensysteme den Unterrichtsstoff personalisieren, sodass der Lehrer die Möglichkeit hat, seine Unterrichtsmethodik individuell anzupassen.
Auch Sachsen erprobt ITS (intelligente Tutorial Systeme) für eine Bessere Funktionsfähigkeit des Wissensmanagement von Lernplattformen.
Ein Beispiel zur Erarbeitung eines Expertensystems über die Flaggen der Länder Europas liefern Frank Zabel und Tino Hempel mit diesem Dokument.
7.2. Maschinelles Lernen
Maschinelles Lernen ist ein wichtiger Bestandteil der künstlichen Intelligenz und hat auch große Auswirkungen auf die Schulbildung. Es ermöglicht es den Schülern, anhand von Daten zu lernen und sich weiterzuentwickeln. Ein weiterer wesentlicher Vorteil des maschinellen Lernens ist, dass es die Lehrer entlastet, da sie mehr Zeit haben, sich auf andere Aspekte des Unterrichts zu konzentrieren. Maschinelles Lernen kann auch dazu beitragen, dass Schüler bessere Ergebnisse erzielen. Mit dem maschinellen Lernen können Schüler einzelne Konzepte leichter begreifen und diese besser verstehen. Durch die Analyse von Datensätzen können Schüler nicht nur besser verstehen, wie bestimmte Prozesse funktionieren, sondern auch erkennen, wo Verbesserungspotenzial besteht. Maschinelles Lernen kann auch dazu beitragen, Kreativität zu fördern. Es gibt verschiedene Methoden des maschinellen Lernens, mit denen Schüler neue Ideen und Konzepte entwickeln können. Zum Beispiel ist es möglich, Algorithmen zur Erkennung von Mustern oder Entdeckung ähnlicher Verhaltensweisen in Unterrichtsmaterialien anzuwenden. Auf diese Weise können die Schüler neue Ideen entwickeln und innovative Wege finden, um Probleme zu lösen.
Mit der teachablemachine von Google kann jeder sein eigenes Projekt zum maschinellen Lernen starten.
In unserem Beispiel wird die Maschine darauf trainiert, die Anzahl vier zu erkennen. Dazu wird sie mit einer Reihe von Bildern „gefüttert“, die entweder der Klasse „vier“ oder der Klasse „Nicht vier“ entsprechen.
Es ist erstaunlich wie schnell das maschinelle Lernen schon bei so wenigen Elementen für das Training klappt. Schon bei je zehn Bildern zu jeder Klasse sind die Test-Bilder fast fehlerfrei erkannt und eingeordnet worden.
Dieses maschinelle Lernen kann der Computer übrigens selbst erledigen, wenn er über eine belastbare Datenbasis verfügt. Dieser Weg des Lernens einer künstlichen Intelligenz ist weit verbreitet – und immer noch fehleranfällig, da von außen nicht ersichtlich ist, nach welchem Kriterium ein Bild einsortiert wird! Somit kann man sich im Prinzip nicht gegen Störfälle absichern…
7.3. Neuronale Netze
Neuronale Netze kommen dem echten Lernen des Gehirns am nächsten, da hier die Vernetzung von abertausenden Neuronen miteinander das Lernen ausmacht. Die Verknüpfungen zwischen den Neuronen werden Zeitlebens aktualisiert und geändert. Jede gewonnenen Erfahrung sorgt für neue Verknüpfungen der Neuronen (und jeder Schluck Alkohol lässt einige davon absterben …). Aber wie funktioniert das nun genau?
Die beste Beschreibung dazu haben wir auf https://www.jaai.de/post/machine-deep-learning gefunden:
Genau wie das Gehirn besteht ein künstliches neuronales Netz aus vielen einzelnen Neuronen, die meistens in mehreren miteinander verbundenen Schichten (Layern) angeordnet sind. Die Zahl der Layer bestimmt unter anderem den Grad der Komplexität, den ein künstliches neuronales Netz abbilden kann. Viele Layer machen ein neuronales Netz „tief“ – daher spricht man in diesem Zusammenhang auch vom Deep Learning als einer Unterkategorie des Machine Learning.
Das Lernen funktioniert dann wie folgt: Nachdem die Netz-Struktur aufgebaut wurde, erhält jedes Neuron ein zufälliges Anfangs-Gewicht. Dann werden die Eingangs-Daten in das Netz gegeben, und jedes Neuron gewichtet die Eingangs-Signale mit seinem Gewicht und gibt das Ergebnis weiter an die Neuronen des nächsten Layers. Am Output-Layer wird dann das Gesamt-Ergebnis berechnet – und dieses wird in der Regel wenig mit dem bekannten tatsächlichen Ergebnis zu tun haben, da ja alle Neuronen ein zufälliges Anfangsgewicht haben. Man kann jedoch die Größe des Fehlers berechnen, und den Anteil, den jedes Neuron an diesem Fehler hatte, und dann das Gewicht jedes Neurons ein kleines bisschen in die Richtung verändern, die den Fehler minimiert. Dann erfolgt der nächste Durchlauf, eine erneute Messung des Fehlers und Anpassung der Gewichte und so weiter. So „lernt“ ein neuronales Netz zunehmend besser, von den Input-Daten auf die bekannten Output-Daten zu schließen.
Die Erklärung geht dann noch viel weiter, aber bis hierher ist schon zu erkennen, dass das Lernen in neuronalen Netzten die Königsdisziplin der KI ist. Trotzdem kann auch dieses Lernverfahren in der Schule verwendet werden. Man findet etliche YouTube-Videos zum Programmieren eigener Neuronaler Netzwerke, aber das naheliegendste Projekt ist in unseren Augen ein Projekt mit Open Roberta:
Hier lernen SuS den Umgang mit neuronalen Netzwerken anhand der bekannten Open-Roberta-Programmierumgebung.
Eine weitere webbasierende Anwendung ist hier zu finden: https://playground.tensorflow.org/
Hier kann man die Layer sowie die Neuronen pro Layer einstellen und den Lernprozess starten. Life kann das Lernen als Animation beobachtet werden. Natürlich ist die Anzahl der Neuronen hier lächerlich gering, aber als Modell tut es trotzdem seinen Dienst.
8. künstliche Intelligenz im Unterricht
Als letztes Kapitel bleibt nun nur noch die Integration in den Unterricht.
8.1. Wenn Sie künstliche Intelligenz nicht im Unterricht einsetzen wollen: Ihre Schülerinnen und Schüler werden es tun!! Also sollte man als Lehrerin oder Lehrer schon mal davon gehört haben und bei der Erteilung von Arbeitsaufträgen oder Hausaufgaben die Aufgabenstellung so formulieren, dass eine KI das nicht so einfach übernehmen kann. Chat-Systeme sind meistens nicht hyperaktuell! Der Einbau aktueller Fakten/Ereignisse stellt die KI meist schon vor Probleme. Aber in der Regel hat die KI auf fast alles eine Antwort – dann bleibt nur noch, den Verdächtigen zu entlarven…
8.2. Wenn sich Wiederholungen innerhalb eines Textes häufen könnte das bereits ein Indiz für die Nutzung von KI-Chatsystemen sein. Es gibt auch schon Webseiten, die KI-Texte erkennen können. So hat ChatGPT bereits das Werkzeug ZeroGPT zu fürchten, welches von ChatGPT erstellte Texte sicher erkennen soll. Funktionierte in unseren Beispielen nicht zuverlässig…
Auch der AI Text Classifier soll von KI erstellte Texte entlarven können, hat mit seiner Einschätzung unserer Testartikel aber auch nicht immer richtig gelegen. Letztendlich muss der Lehrer oder die Lehrerin entscheiden, ob er dem Schüler oder der Schülerin den Text so zutraut oder nicht – spätestens im Unterrichtsgespräch entlarvt sich der Delinquent dann selber.
8.3. Anstatt KI zu verteufeln oder zu verbieten sollte man bemüht sein, die SuS wissen zu lassen, dass man sich da auskennt und in die Aufgaben aktiv mit einbauen, eventuell gerade um die Grenzen von KI austesten zu lassen. Ein konstruktiver Umgang mit KI leitet die SuS mehr dazu an, sich mit dem Thema ernsthaft auseinander zu setzen, als wenn sie nur heimlich die HA von der KI erledigen lassen.
8.4. Stattdessen sollte der Lehrer das Potenzial der KI für die Vorbereitung des Unterrichts nutzen. KI kann nämlich nicht nur Aufgaben lösen, sondern sich auch Aufgaben ausdenken. Ein Beispiel für Lehrer – ChatGPT kann didaktisches Material nach eigenen Wünschen generieren:
Und das geht nicht nur mit Lückentexten, sondern mit nahezu allen Formen von Didaktischem Material. Das ist eine echte Erleichterung für die Arbeit von LuL!
Ein gut ausgearbeiteter ChatGPT-Guide für Lehrkräfte kann dabei bestimmt helfen:
https://manuelflick.notion.site/Der-ChatGPT-Guide-f-r-Lehrkr-fte-186813a81fc14c47aec4341f405e14c4
P.S.: 3D-Objekte mit Hilfe künstlicher Intelligenz erstellen
Da eine unsere Aufgaben der Umgang mit AR/VR ist haben wir natürlich auch nach Wegen gesucht, um 3D-Objekte mit Hilfe von LI zu generieren. Die Webseite https://captures.lumalabs.ai/imagine erlaubt tatsächlich die Generierung von 3D-Inhalten aus Videos. In unserem Beispiel wurde eine Kaffeepackung als Video gescannt und LumaLab hat daraus – mit künstlicher Intelligenz – ein 3D-Objekt generiert. Dass die Intelligenz keinen Boden generiert hat überrascht sicher nicht nur uns!?
Prinzipiell klappt aber auch die Erzeugung von 3D-Objekten durch KI.
Weitere solcher Beispiele findet man unter: https://captures.lumalabs.ai/imagine
DreamFusion: Text-to-3D generiert sogar mittels KI 3D-Objekte aus Textvorgaben – leider kann man sich nur die Ergebnisse ansehen, aber nichts selbst generieren. Noch nicht!
Und last but not least das Portal von https://deepmotion.com, dass Videos von realen Bewegungsabläufen per KI erkennen und für Avatare übernehmen kann:
Hier ein kleines Ganz-Körper-Video als Grundlage der Animation:
Man kann auch eigene Avatare hochladen:
Bei dem hochgeladenen Avatar gibt es offensichtlich leichte Probleme mit dem Clipping, doch an der heruntergeladenen Avatar-Animation (fbx-Format, 4,1MB) gibt es nichts auszusetzen.
Das sollte unser nicht ganz so kurzer Exkurs in die Gefilden der künstlichen Intelligenz erst einmal gewesen sein. Wir – das Team des MPZ LKL – hoffen, dass Sie wieder einige Anregungen für ihren Unterricht mitnehmen konnten und freuen uns auf ihren nächsten Besuch!