1) Verstehen des Bildungskontextes<\/h3>\n
Zwischen den beiden ersten Schritten gibt es ein st\u00e4ndiges Wechselspiel, denn was m\u00f6glich ist, h\u00e4ngt auch davon ab, welche Daten zur Verf\u00fcgung stehen2<\/sup>. Dar\u00fcber hinaus unterliegt die Entwicklung von p\u00e4dagogischen Hilfsmitteln auch Gesetzen, die die Nutzung von Daten und die Art der Algorithmen, die verwendet werden d\u00fcrfen, einschr\u00e4nken.<\/p>\n\n Sobald die Ziele und die dazu beitragenden Faktoren identifiziert sind, verlagert sich der Schwerpunkt darauf, welche Daten ben\u00f6tigt werden, wie sie beschafft und gekennzeichnet werden, wie der Datenschutz gehandhabt und wie die Datenqualit\u00e4t gemessen wird3<\/sup>. Damit eine Anwendung f\u00fcr maschinelles Lernen erfolgreich ist, m\u00fcssen die Datens\u00e4tze gro\u00df genug, vielf\u00e4ltig und gut gekennzeichnet sein.<\/p>\n Maschinelles Lernen ben\u00f6tigt Daten, um das Modell zu trainieren, und Daten, mit denen es arbeiten oder Vorhersagen treffen kann. F\u00fcr einige ML-Aufgaben, wie Gesichts- und Objekterkennung, stehen bereits zahlreiche private und \u00f6ffentliche Datenbanken f\u00fcr das Training zur Verf\u00fcgung.<\/p>\n Wenn diese Daten nicht bereits in brauchbarer Form vorhanden sind, m\u00fcssen vorhandene Datens\u00e4tze m\u00f6glicherweise erg\u00e4nzt oder umetikettiert werden, damit sie den Anforderungen des Projekts entsprechen. Andernfalls, m\u00fcssen m\u00f6glicherweise eigene Datens\u00e4tze erstellt und neu beschriftet werden. Digitale Spuren, die von den Sch\u00fclerinnen und Sch\u00fclern w\u00e4hrend der Nutzung einer Anwendung erzeugt werden, k\u00f6nnten ebenfalls als eine der Datenquellen verwendet werden.<\/p>\n In jedem Fall m\u00fcssen die f\u00fcr das Problem relevanten Daten und Merkmale sorgf\u00e4ltig identifiziert werden2<\/sup>. Irrelevante oder redundante Merkmale k\u00f6nnen einen Algorithmus dazu bringen, falsche Muster zu finden und die Leistung des Systems zu beeintr\u00e4chtigen2<\/sup>. Da die Maschine nur in den ihr zur Verf\u00fcgung gestellten Daten Muster finden kann, definiert die Auswahl des Datensatzes implizit auch das Problem4<\/sup>. Wenn viele Daten zur Verf\u00fcgung stehen, muss eine Teilmenge mit Hilfe statistischer Techniken ausgew\u00e4hlt und die Daten \u00fcberpr\u00fcft werden, um Fehler und Verzerrungen zu vermeiden.<\/p>\n Ein Beispiel f\u00fcr schlechte Trainingsdaten ist folgende Geschichte aus den Anf\u00e4ngen der Computer Vision: <\/em>Ein Modell wurde trainiert, um Bilder von russischen und amerikanischen Panzern unterscheiden zu k\u00f6nnen. Sp\u00e4ter stellte sich heraus, dass seine hohe Genauigkeit darauf zur\u00fcckzuf\u00fchren war, dass die russischen Panzer an einem bew\u00f6lkten Tag und die amerikanischen an einem sonnigen Tag fotografiert worden waren4<\/sup>.<\/p>\n Daher muss der gew\u00e4hlte Datensatz auf seine Qualit\u00e4t hin \u00fcberpr\u00fcft werden, wobei zu ber\u00fccksichtigen ist, warum er erstellt wurde, was er enth\u00e4lt, welche Verfahren f\u00fcr die Sammlung, Reinigung und Kennzeichnung, Verteilung und Pflege der Daten verwendet werden4<\/sup>. Zu den wichtigsten Fragen geh\u00f6ren: Sind die Datens\u00e4tze f\u00fcr ihren beabsichtigten Zweck geeignet?<\/em> Und: Enthalten die Datens\u00e4tze versteckte Gefahren, die Modelle verzerrt oder diskriminierend machen k\u00f6nnen<\/em>3<\/sup>?\n Zur Datenvorbereitung geh\u00f6rt die Erstellung von Datens\u00e4tzen durch Zusammenf\u00fchrung von Daten aus verschiedenen Quellen, die Bereinigung von Inkonsistenzen (z. B. k\u00f6nnten einige Testergebnisse auf einer Skala von 1 bis 10 liegen, w\u00e4hrend andere als Prozentsatz angegeben werden) und die Suche nach fehlenden oder extremen Werten. Anschlie\u00dfend k\u00f6nnten automatisierte Tests durchgef\u00fchrt werden, um die Qualit\u00e4t der Datens\u00e4tze zu \u00fcberpr\u00fcfen. Dazu geh\u00f6rt auch die \u00dcberpr\u00fcfung auf Datenschutzl\u00fccken und unvorhergesehene Korrelationen oder Stereotypen2<\/sup>. Die Datens\u00e4tze k\u00f6nnten in dieser Phase auch in Trainings- und Testdatens\u00e4tze aufgeteilt werden. Erstere werden zum Trainieren des Modells verwendet, letztere zum \u00dcberpr\u00fcfen seiner Leistung. Das Testen des Trainingsdatensatzes w\u00e4re so, als w\u00fcrden Sie die Pr\u00fcfungsaufgaben am Vortag als Hausaufgaben verteilen: Die Pr\u00fcfungsleistung der Sch\u00fclerinnen und Sch\u00fcler sagt nichts \u00fcber ihr Verst\u00e4ndnis aus2<\/sup>.\n In den meisten Projekten zeigen die ersten Modelle Probleme in den Daten auf, die eine Feedbackschleife zwischen den Schritten 2 und 3 erfordern.2<\/sup>. Solange eine starke Korrelation zwischen den Merkmalen der Daten und dem Ausgabewert besteht, ist es sehr wahrscheinlich, dass ein Algorithmus f\u00fcr maschinelles Lernen gute Vorhersagen erzeugt.<\/p>\n Diese Algorithmen verwenden fortschrittliche statistische und rechnerische Techniken, um Daten zu verarbeiten. Die Programmierenden m\u00fcssen die Einstellungen anpassen und verschiedene Algorithmen ausprobieren, um die besten Ergebnisse zu erzielen. Nehmen wir eine Anwendung zur Erkennung von Betrug. Ein falsch-positiver Befund liegt vor, wenn ein Lernender, der nicht geschummelt hat, markiert wird. Ein falsch-negatives Ergebnis liegt vor, wenn ein Lernender, der geschummelt hat, nicht entdeckt wird. Systementwickelnde k\u00f6nnen das Modell so abstimmen, dass entweder falsch-positive Ergebnisse, bei denen einige Betrugsf\u00e4lle \u00fcbersehen werden k\u00f6nnten, oder falsch-negative Ergebnisse, bei denen sogar zweifelhafte F\u00e4lle markiert werden, minimiert werden5 <\/sup>. Die Abstimmung h\u00e4ngt also davon ab, was das System leisten soll.<\/p>\n\n Auch wenn dies der letzte Schritt ist, ist der gesamte Prozess iterativ. Nach der Einf\u00fchrung sollte das Modell regelm\u00e4\u00dfig \u00fcberpr\u00fcft werden, um festzustellen, ob es f\u00fcr den jeweiligen Kontext noch relevant ist. Der Bedarf, die Prozesse oder die Art der Datenerfassung k\u00f6nnten sich \u00e4ndern und sich auf die Ergebnisse des Systems auswirken. Daher sollte die Anwendung bei Bedarf \u00fcberpr\u00fcft und aktualisiert werden. Das System sollte kontinuierlich auf seine Auswirkungen auf das Lernen, Lehren und Bewerten \u00fcberwacht werden6<\/sup>.\n Hinweis: Sowohl die hier aufgef\u00fchrten Schritte als auch die Abbildungen sind an die in 2<\/sup> beschriebenen Phasen und Aufgaben von CRISP-DM Datascience<\/em> (basierend auf Abbildung 3 in Chapman, Clinton, Kerber, et al. 1999) angepasst.<\/p>\n \n\n 1 <\/sup>Du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,<\/em>in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256\u2013285, 2018.<\/p>\n 2<\/sup> Kelleher, J.D, Tierney, B, Data Science<\/em>, London, 2018.<\/p>\n 3 <\/sup>Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure<\/a><\/em>, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.<\/p>\n 4 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a>, <\/em>2022.<\/p>\n 5 <\/sup>Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, <\/em>W. W. Norton & Company, 2015.<\/p>\n 6 <\/sup>Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators<\/a><\/em>, European Commission, October 2022.<\/p>","rendered":" Die Konzeption und Umsetzung eines datenzentrierten Projekts l\u00e4sst sich in sechs Schritte unterteilen. Zwischen den einzelnen Schritten gibt es ein st\u00e4ndiges Wechselspiel, und der gesamte Prozess muss unter Umst\u00e4nden mehrmals wiederholt werden, bis er richtig funktioniert.<\/p>\n Um im Unterricht effektiv zu sein, sollten multidisziplin\u00e4re Teams mit Lehrkr\u00e4ften, p\u00e4dagogischen Fachleuten und auf dem Gebiet der Informatik T\u00e4tigen an jedem Schritt des Prozesses beteiligt sein1<\/sup>. Menschliche Fachleute werden ben\u00f6tigt, um den Bedarf zu ermitteln und den Prozess zu entwerfen, die Daten zu sammeln und aufzubereiten, ML-Algorithmen auszuw\u00e4hlen, die Ergebnisse kritisch zu interpretieren und zu planen, wie die Anwendung genutzt werden soll2<\/sup>.<\/p>\n Zwischen den beiden ersten Schritten gibt es ein st\u00e4ndiges Wechselspiel, denn was m\u00f6glich ist, h\u00e4ngt auch davon ab, welche Daten zur Verf\u00fcgung stehen2<\/sup>. Dar\u00fcber hinaus unterliegt die Entwicklung von p\u00e4dagogischen Hilfsmitteln auch Gesetzen, die die Nutzung von Daten und die Art der Algorithmen, die verwendet werden d\u00fcrfen, einschr\u00e4nken.<\/p>\n Sobald die Ziele und die dazu beitragenden Faktoren identifiziert sind, verlagert sich der Schwerpunkt darauf, welche Daten ben\u00f6tigt werden, wie sie beschafft und gekennzeichnet werden, wie der Datenschutz gehandhabt und wie die Datenqualit\u00e4t gemessen wird3<\/sup>. Damit eine Anwendung f\u00fcr maschinelles Lernen erfolgreich ist, m\u00fcssen die Datens\u00e4tze gro\u00df genug, vielf\u00e4ltig und gut gekennzeichnet sein.<\/p>\n Maschinelles Lernen ben\u00f6tigt Daten, um das Modell zu trainieren, und Daten, mit denen es arbeiten oder Vorhersagen treffen kann. F\u00fcr einige ML-Aufgaben, wie Gesichts- und Objekterkennung, stehen bereits zahlreiche private und \u00f6ffentliche Datenbanken f\u00fcr das Training zur Verf\u00fcgung.<\/p>\n Wenn diese Daten nicht bereits in brauchbarer Form vorhanden sind, m\u00fcssen vorhandene Datens\u00e4tze m\u00f6glicherweise erg\u00e4nzt oder umetikettiert werden, damit sie den Anforderungen des Projekts entsprechen. Andernfalls, m\u00fcssen m\u00f6glicherweise eigene Datens\u00e4tze erstellt und neu beschriftet werden. Digitale Spuren, die von den Sch\u00fclerinnen und Sch\u00fclern w\u00e4hrend der Nutzung einer Anwendung erzeugt werden, k\u00f6nnten ebenfalls als eine der Datenquellen verwendet werden.<\/p>\n In jedem Fall m\u00fcssen die f\u00fcr das Problem relevanten Daten und Merkmale sorgf\u00e4ltig identifiziert werden2<\/sup>. Irrelevante oder redundante Merkmale k\u00f6nnen einen Algorithmus dazu bringen, falsche Muster zu finden und die Leistung des Systems zu beeintr\u00e4chtigen2<\/sup>. Da die Maschine nur in den ihr zur Verf\u00fcgung gestellten Daten Muster finden kann, definiert die Auswahl des Datensatzes implizit auch das Problem4<\/sup>. Wenn viele Daten zur Verf\u00fcgung stehen, muss eine Teilmenge mit Hilfe statistischer Techniken ausgew\u00e4hlt und die Daten \u00fcberpr\u00fcft werden, um Fehler und Verzerrungen zu vermeiden.<\/p>\n Ein Beispiel f\u00fcr schlechte Trainingsdaten ist folgende Geschichte aus den Anf\u00e4ngen der Computer Vision: <\/em>Ein Modell wurde trainiert, um Bilder von russischen und amerikanischen Panzern unterscheiden zu k\u00f6nnen. Sp\u00e4ter stellte sich heraus, dass seine hohe Genauigkeit darauf zur\u00fcckzuf\u00fchren war, dass die russischen Panzer an einem bew\u00f6lkten Tag und die amerikanischen an einem sonnigen Tag fotografiert worden waren4<\/sup>.<\/p>\n Daher muss der gew\u00e4hlte Datensatz auf seine Qualit\u00e4t hin \u00fcberpr\u00fcft werden, wobei zu ber\u00fccksichtigen ist, warum er erstellt wurde, was er enth\u00e4lt, welche Verfahren f\u00fcr die Sammlung, Reinigung und Kennzeichnung, Verteilung und Pflege der Daten verwendet werden4<\/sup>. Zu den wichtigsten Fragen geh\u00f6ren: Sind die Datens\u00e4tze f\u00fcr ihren beabsichtigten Zweck geeignet?<\/em> Und: Enthalten die Datens\u00e4tze versteckte Gefahren, die Modelle verzerrt oder diskriminierend machen k\u00f6nnen<\/em>3<\/sup>? Zur Datenvorbereitung geh\u00f6rt die Erstellung von Datens\u00e4tzen durch Zusammenf\u00fchrung von Daten aus verschiedenen Quellen, die Bereinigung von Inkonsistenzen (z. B. k\u00f6nnten einige Testergebnisse auf einer Skala von 1 bis 10 liegen, w\u00e4hrend andere als Prozentsatz angegeben werden) und die Suche nach fehlenden oder extremen Werten. Anschlie\u00dfend k\u00f6nnten automatisierte Tests durchgef\u00fchrt werden, um die Qualit\u00e4t der Datens\u00e4tze zu \u00fcberpr\u00fcfen. Dazu geh\u00f6rt auch die \u00dcberpr\u00fcfung auf Datenschutzl\u00fccken und unvorhergesehene Korrelationen oder Stereotypen2<\/sup>. Die Datens\u00e4tze k\u00f6nnten in dieser Phase auch in Trainings- und Testdatens\u00e4tze aufgeteilt werden. Erstere werden zum Trainieren des Modells verwendet, letztere zum \u00dcberpr\u00fcfen seiner Leistung. Das Testen des Trainingsdatensatzes w\u00e4re so, als w\u00fcrden Sie die Pr\u00fcfungsaufgaben am Vortag als Hausaufgaben verteilen: Die Pr\u00fcfungsleistung der Sch\u00fclerinnen und Sch\u00fcler sagt nichts \u00fcber ihr Verst\u00e4ndnis aus2<\/sup>. In den meisten Projekten zeigen die ersten Modelle Probleme in den Daten auf, die eine Feedbackschleife zwischen den Schritten 2 und 3 erfordern.2<\/sup>. Solange eine starke Korrelation zwischen den Merkmalen der Daten und dem Ausgabewert besteht, ist es sehr wahrscheinlich, dass ein Algorithmus f\u00fcr maschinelles Lernen gute Vorhersagen erzeugt.<\/p>\n Diese Algorithmen verwenden fortschrittliche statistische und rechnerische Techniken, um Daten zu verarbeiten. Die Programmierenden m\u00fcssen die Einstellungen anpassen und verschiedene Algorithmen ausprobieren, um die besten Ergebnisse zu erzielen. Nehmen wir eine Anwendung zur Erkennung von Betrug. Ein falsch-positiver Befund liegt vor, wenn ein Lernender, der nicht geschummelt hat, markiert wird. Ein falsch-negatives Ergebnis liegt vor, wenn ein Lernender, der geschummelt hat, nicht entdeckt wird. Systementwickelnde k\u00f6nnen das Modell so abstimmen, dass entweder falsch-positive Ergebnisse, bei denen einige Betrugsf\u00e4lle \u00fcbersehen werden k\u00f6nnten, oder falsch-negative Ergebnisse, bei denen sogar zweifelhafte F\u00e4lle markiert werden, minimiert werden5 <\/sup>. Die Abstimmung h\u00e4ngt also davon ab, was das System leisten soll.<\/p>\n Auch wenn dies der letzte Schritt ist, ist der gesamte Prozess iterativ. Nach der Einf\u00fchrung sollte das Modell regelm\u00e4\u00dfig \u00fcberpr\u00fcft werden, um festzustellen, ob es f\u00fcr den jeweiligen Kontext noch relevant ist. Der Bedarf, die Prozesse oder die Art der Datenerfassung k\u00f6nnten sich \u00e4ndern und sich auf die Ergebnisse des Systems auswirken. Daher sollte die Anwendung bei Bedarf \u00fcberpr\u00fcft und aktualisiert werden. Das System sollte kontinuierlich auf seine Auswirkungen auf das Lernen, Lehren und Bewerten \u00fcberwacht werden6<\/sup>. Hinweis: Sowohl die hier aufgef\u00fchrten Schritte als auch die Abbildungen sind an die in 2<\/sup> beschriebenen Phasen und Aufgaben von CRISP-DM Datascience<\/em> (basierend auf Abbildung 3 in Chapman, Clinton, Kerber, et al. 1999) angepasst.<\/p>\n <\/p>\n 1 <\/sup>Du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,<\/em>in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256\u2013285, 2018.<\/p>\n 2<\/sup> Kelleher, J.D, Tierney, B, Data Science<\/em>, London, 2018.<\/p>\n 3 <\/sup>Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure<\/a><\/em>, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.<\/p>\n 4 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a>, <\/em>2022.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2023\/11\/ch3-page-4-step1-683x1024.png\")
Der erste Schritt bei der Entwicklung eines KI-Tools f\u00fcr die Bildung besteht darin, die Bed\u00fcrfnisse im Klassenzimmer zu verstehen. Sobald die Ziele festgelegt sind, muss man analysieren, wie sie erreicht werden k\u00f6nnen: Welche Faktoren sind zu ber\u00fccksichtigen und welche zu ignorieren? Jede datenbasierte L\u00f6sung ist auf Ph\u00e4nomene ausgerichtet, die sich leicht berechnen und standardisieren lassen3<\/sup>. Aus diesem Grund muss jede Entscheidung zwischen den Lehrkr\u00e4ften, die das Werkzeug verwenden werden, den P\u00e4dagogen, die sicherstellen k\u00f6nnen, dass alle Entscheidungen auf einer erprobten Theorie basieren, und den Informatikern, die die Funktionsweise der Algorithmen verstehen, diskutiert werden.<\/p>\n2) Verstehen der Daten<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch3-page-4-MNIST-e1697986859822-1024x946.png\")
\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch3-page-4-step2.png\")
<\/p>\n\n3) Aufbereitung der Daten<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch3-page-4-step3.png\")
<\/p>\n\n4) Modellierung<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch3-page-4-step4.png\")
In diesem Schritt werden Algorithmen verwendet, um Muster in den Daten zu extrahieren<\/a> und Modelle<\/a> zu erstellen. Normalerweise werden verschiedene Algorithmen getestet, um zu sehen, was am besten funktioniert. Diese Modelle k\u00f6nnen dann eingesetzt werden, um Vorhersagen f\u00fcr neue Daten zu treffen.<\/p>\n5) Auswertung<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch3-page-4-step5.png\")
W\u00e4hrend der Modellierungsphase kann jedes Modell auf die Genauigkeit der Vorhersage im Trainingsdatensatz abgestimmt werden. Dann werden die Modelle auf dem Testdatensatz getestet und ein Modell f\u00fcr die Verwendung ausgew\u00e4hlt. Dieses Modell wird auch dahingehend bewertet, ob es den p\u00e4dagogischen Anforderungen entspricht: Werden die in Schritt 1 festgelegten Ziele erreicht? Gibt es unvorhergesehene Probleme? Ist die Qualit\u00e4t gut? K\u00f6nnte etwas verbessert oder anders gemacht werden? Ist eine Umgestaltung erforderlich? Das Hauptziel ist die Entscheidung, ob die Anwendung in Schulen eingesetzt werden kann. Wenn nicht, beginnt der ganze Prozess von vorne2<\/sup>.<\/p>\n\n6) Einsatz<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch3-page-4-step6.png\")
<\/strong>Der letzte Schritt dieses Prozesses besteht darin, herauszufinden, wie die datenbasierte Anwendung in das Schulsystem integriert werden kann, um den gr\u00f6\u00dftm\u00f6glichen Nutzen zu erzielen - sowohl im Hinblick auf die technische Infrastruktur als auch auf die Unterrichtspraxis.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch1-page-4-ethical-guidelines-1024x724.png\")
<\/sup>In den ethischen Richtlinien f\u00fcr die Nutzung von KI und Daten durch P\u00e4dagogen wird betont, dass die Schule w\u00e4hrend des gesamten Lebenszyklus des KI-Systems mit dem Unternehmen, das die KI-Dienstleistung anbietet, in Kontakt bleiben sollte, und zwar bereits vor der Implementierung. Sie sollte eine klare technische Dokumentation verlangen und bei unklaren Punkten um Kl\u00e4rung bitten. Es sollte eine Vereinbarung \u00fcber Support und Wartung getroffen werden und es sollte sichergestellt werden, dass die anbietende Firma alle rechtlichen Verpflichtungen einh\u00e4lt6<\/sup>.<\/p>\n
\n1) Verstehen des Bildungskontextes<\/h3>\n
Der erste Schritt bei der Entwicklung eines KI-Tools f\u00fcr die Bildung besteht darin, die Bed\u00fcrfnisse im Klassenzimmer zu verstehen. Sobald die Ziele festgelegt sind, muss man analysieren, wie sie erreicht werden k\u00f6nnen: Welche Faktoren sind zu ber\u00fccksichtigen und welche zu ignorieren? Jede datenbasierte L\u00f6sung ist auf Ph\u00e4nomene ausgerichtet, die sich leicht berechnen und standardisieren lassen3<\/sup>. Aus diesem Grund muss jede Entscheidung zwischen den Lehrkr\u00e4ften, die das Werkzeug verwenden werden, den P\u00e4dagogen, die sicherstellen k\u00f6nnen, dass alle Entscheidungen auf einer erprobten Theorie basieren, und den Informatikern, die die Funktionsweise der Algorithmen verstehen, diskutiert werden.<\/p>\n2) Verstehen der Daten<\/h3>\n
<\/p>\n
\n<\/p>\n3) Aufbereitung der Daten<\/h3>\n
\n<\/p>\n4) Modellierung<\/h3>\n
In diesem Schritt werden Algorithmen verwendet, um Muster in den Daten zu extrahieren<\/a> und Modelle<\/a> zu erstellen. Normalerweise werden verschiedene Algorithmen getestet, um zu sehen, was am besten funktioniert. Diese Modelle k\u00f6nnen dann eingesetzt werden, um Vorhersagen f\u00fcr neue Daten zu treffen.<\/p>\n5) Auswertung<\/h3>\n
W\u00e4hrend der Modellierungsphase kann jedes Modell auf die Genauigkeit der Vorhersage im Trainingsdatensatz abgestimmt werden. Dann werden die Modelle auf dem Testdatensatz getestet und ein Modell f\u00fcr die Verwendung ausgew\u00e4hlt. Dieses Modell wird auch dahingehend bewertet, ob es den p\u00e4dagogischen Anforderungen entspricht: Werden die in Schritt 1 festgelegten Ziele erreicht? Gibt es unvorhergesehene Probleme? Ist die Qualit\u00e4t gut? K\u00f6nnte etwas verbessert oder anders gemacht werden? Ist eine Umgestaltung erforderlich? Das Hauptziel ist die Entscheidung, ob die Anwendung in Schulen eingesetzt werden kann. Wenn nicht, beginnt der ganze Prozess von vorne2<\/sup>.<\/p>\n6) Einsatz<\/h3>\n
<\/strong>Der letzte Schritt dieses Prozesses besteht darin, herauszufinden, wie die datenbasierte Anwendung in das Schulsystem integriert werden kann, um den gr\u00f6\u00dftm\u00f6glichen Nutzen zu erzielen – sowohl im Hinblick auf die technische Infrastruktur als auch auf die Unterrichtspraxis.<\/p>\n
\n<\/sup>In den ethischen Richtlinien f\u00fcr die Nutzung von KI und Daten durch P\u00e4dagogen wird betont, dass die Schule w\u00e4hrend des gesamten Lebenszyklus des KI-Systems mit dem Unternehmen, das die KI-Dienstleistung anbietet, in Kontakt bleiben sollte, und zwar bereits vor der Implementierung. Sie sollte eine klare technische Dokumentation verlangen und bei unklaren Punkten um Kl\u00e4rung bitten. Es sollte eine Vereinbarung \u00fcber Support und Wartung getroffen werden und es sollte sichergestellt werden, dass die anbietende Firma alle rechtlichen Verpflichtungen einh\u00e4lt6<\/sup>.<\/p>\n
\n