![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2023\/11\/ch1-Page-5-translate-1024x432.png\"){kind=spacer}
\"Weiblicher Mechaniker\" und \"m\u00e4nnlicher Krankenpfleger\" werden, wenn sie ins Englische und dann wieder ins Franz\u00f6sische \u00fcbersetzt werden, zu \"M\u00e4nnlicher Mechaniker\" und \"Weiblicher Krankenpfleger\". Beispiel ge\u00e4ndert von Barocas, S., Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, yet to be published[\/caption]\nProbleme treten bei der KI immer dann auf, wenn ein Einzelfall von der Mehrheit abweicht (unabh\u00e4ngig davon, ob diese die Mehrheit in der realen Welt existiert oder nur die Mehrheit wiedergibt, wie sie im Internet dargestellt wird). Im Klassenzimmer muss die Lehrkraft die Fehler des Systems ausgleichen. Und wenn n\u00f6tig, die Aufmerksamkeit der Sch\u00fclerinnen und Sch\u00fcler auf Alternativtexte und -informationsquellen lenken.<\/p>\n\n
ERKUNDEN SIE<\/strong><\/p>\n\n<\/header>\n K\u00f6nnen Sie in Google Translate<\/a> ein weiteres Beispiel f\u00fcr Stereotype finden? Spielen Sie mit dem \u00dcbersetzen in und aus verschiedenen Sprachen. Indem Sie auf die beiden Pfeile zwischen den K\u00e4stchen klicken, k\u00f6nnen Sie den \u00fcbersetzten Text umkehren (so wie im obigen Beispiel gezeigt).<\/p>\n Sprachen wie T\u00fcrkisch haben das gleiche Wort f\u00fcr \u201eer\" und \u201esie\". Bei der \u00dcbersetzung vom T\u00fcrkischen ins T\u00fcrkische und zur\u00fcck kommen viele Stereotypen zum Vorschein. Beachten Sie, dass viele Sprachen eine m\u00e4nnliche Voreingenommenheit haben \u2014 bei einer unbekannten Person wird angenommen, dass sie m\u00e4nnlich ist. Dies ist nicht die Voreingenommenheit der Anwendung, sondern der Datenlage.<\/p>\n\n<\/div>\n Es liegt in der Natur der Sache, dass Vorhersagen fehlerhaft sein k\u00f6nnen. Bei vielen Anwendungen ist ein solcher Fehler akzeptabel. In einigen F\u00e4llen ist er nicht akzeptabel. Au\u00dferdem ist die Art und Weise, wie dieser Fehler berechnet wird, nicht festgelegt. Es gibt verschiedene Ma\u00dfst\u00e4be, und die programmierende Person w\u00e4hlt aus, welchen sie f\u00fcr den wichtigsten h\u00e4lt. Oft \u00e4ndert sich die Genauigkeit je nach Eingabe.<\/p>\n Da diese Systeme in einem Klassenzimmer Vorhersagen \u00fcber Kinder\u00a0 und Jugendliche treffen, muss die Lehrkraft beurteilen, was akzeptabel ist, und handeln, wenn eine von der KI getroffene Entscheidung nicht angemessen ist. Dazu ist ein wenig Hintergrundwissen \u00fcber KI-Techniken und die mit ihnen verbundenen h\u00e4ufigen Fehler sehr hilfreich.<\/p>\n\n\n 1 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a><\/em>, 2022.<\/a><\/p>","rendered":" Die zweite extreme Position, wenn es um KI geht, ist der wahllose Einsatz oder Missbrauch der Technologie. K\u00fcnstliche Intelligenz funktioniert anders als menschliche Intelligenz. KI-Systeme k\u00f6nnen aufgrund der Art der Situation, des Designs oder der Daten anders funktionieren als erwartet.<\/p>\n Eine Anwendung, die mit einem bestimmten Datensatz f\u00fcr einen bestimmten Zweck entwickelt wurde, funktioniert beispielsweise mit anderen Daten f\u00fcr einen anderen Zweck weniger gut. Es lohnt sich, die Grenzen der k\u00fcnstlichen Intelligenz zu kennen und zu korrigieren. Es ist gut, KI nicht einfach nur einzusetzen, sondern ihre Vorteile und Grenzen zu kennen.<\/p>\n Google Translate lernt aus dem Internet, wie man am besten \u00fcbersetzt. Seine \u201eDatensch\u00fcrfer” durchforsten das \u00f6ffentliche Internet nach Daten, aus denen sie lernen k\u00f6nnen. Zusammen mit der Sprache lernt die KI, dass die Zahl der m\u00e4nnlichen Mechaniker h\u00f6her ist als die der weiblichen oder dass die Zahl der weiblichen Krankenschwestern die der m\u00e4nnlichen in den Schatten stellt. Sie kann nicht unterscheiden, was \u201ewahr” ist und was das Ergebnis von Stereotypen und anderen Vorurteilen ist. So verbreitet Google Translate am Ende, was es lernt, und verfestigt Stereotypen1<\/sup>:<\/p>\n Probleme treten bei der KI immer dann auf, wenn ein Einzelfall von der Mehrheit abweicht (unabh\u00e4ngig davon, ob diese die Mehrheit in der realen Welt existiert oder nur die Mehrheit wiedergibt, wie sie im Internet dargestellt wird). Im Klassenzimmer muss die Lehrkraft die Fehler des Systems ausgleichen. Und wenn n\u00f6tig, die Aufmerksamkeit der Sch\u00fclerinnen und Sch\u00fcler auf Alternativtexte und -informationsquellen lenken.<\/p>\n ERKUNDEN SIE<\/strong><\/p>\n<\/header>\n K\u00f6nnen Sie in Google Translate<\/a> ein weiteres Beispiel f\u00fcr Stereotype finden? Spielen Sie mit dem \u00dcbersetzen in und aus verschiedenen Sprachen. Indem Sie auf die beiden Pfeile zwischen den K\u00e4stchen klicken, k\u00f6nnen Sie den \u00fcbersetzten Text umkehren (so wie im obigen Beispiel gezeigt).<\/p>\n Sprachen wie T\u00fcrkisch haben das gleiche Wort f\u00fcr \u201eer” und \u201esie”. Bei der \u00dcbersetzung vom T\u00fcrkischen ins T\u00fcrkische und zur\u00fcck kommen viele Stereotypen zum Vorschein. Beachten Sie, dass viele Sprachen eine m\u00e4nnliche Voreingenommenheit haben \u2014 bei einer unbekannten Person wird angenommen, dass sie m\u00e4nnlich ist. Dies ist nicht die Voreingenommenheit der Anwendung, sondern der Datenlage.<\/p>\n<\/div>\n Es liegt in der Natur der Sache, dass Vorhersagen fehlerhaft sein k\u00f6nnen. Bei vielen Anwendungen ist ein solcher Fehler akzeptabel. In einigen F\u00e4llen ist er nicht akzeptabel. Au\u00dferdem ist die Art und Weise, wie dieser Fehler berechnet wird, nicht festgelegt. Es gibt verschiedene Ma\u00dfst\u00e4be, und die programmierende Person w\u00e4hlt aus, welchen sie f\u00fcr den wichtigsten h\u00e4lt. Oft \u00e4ndert sich die Genauigkeit je nach Eingabe.<\/p>\n Da diese Systeme in einem Klassenzimmer Vorhersagen \u00fcber Kinder\u00a0 und Jugendliche treffen, muss die Lehrkraft beurteilen, was akzeptabel ist, und handeln, wenn eine von der KI getroffene Entscheidung nicht angemessen ist. Dazu ist ein wenig Hintergrundwissen \u00fcber KI-Techniken und die mit ihnen verbundenen h\u00e4ufigen Fehler sehr hilfreich.<\/p>\n 1 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a><\/em>, 2022.<\/a><\/p>\n","protected":false},"author":1,"menu_order":5,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":25,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/42"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/42\/revisions"}],"predecessor-version":[{"id":43,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/42\/revisions\/43"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/parts\/25"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapters\/42\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/media?parent=42"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/pressbooks\/v2\/chapter-type?post=42"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/contributor?post=42"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/wp-json\/wp\/v2\/license?post=42"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Mehrere Genauigkeitsmessungen<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch1-page-5-creative-people-300x212.png\")
KI-Systeme machen Vorhersagen \u2014 Vorhersagen dar\u00fcber, was ein Schulkind als N\u00e4chstes lernen sollte, ob es ein Thema verstanden hat, welche Gruppenaufteilung f\u00fcr eine Klasse gut ist oder wann ein Schulkind Gefahr l\u00e4uft, die Schule abzubrechen.\u00a0 Oft sind diese Vorhersagen mit einer Prozentzahl versehen. Diese Zahl sagt uns, wie gut das System seine Vorhersagen einsch\u00e4tzt.<\/p>\n
\nVerfestigung von Stereotypen<\/h3>\n
Mehrere Genauigkeitsmessungen<\/h3>\n
KI-Systeme machen Vorhersagen \u2014 Vorhersagen dar\u00fcber, was ein Schulkind als N\u00e4chstes lernen sollte, ob es ein Thema verstanden hat, welche Gruppenaufteilung f\u00fcr eine Klasse gut ist oder wann ein Schulkind Gefahr l\u00e4uft, die Schule abzubrechen.\u00a0 Oft sind diese Vorhersagen mit einer Prozentzahl versehen. Diese Zahl sagt uns, wie gut das System seine Vorhersagen einsch\u00e4tzt.<\/p>\n
\n