Vorstellungen von Schüler:innen vom maschinellen Lernen

Projekttitel: Vorstellungen von Schüler:innen vom maschinellen Lernen

Projektdauer: 2023 – 2025

Forschungsbereich: Verantwortungsvolle KI

Die Entwicklungen im Bereich der Künstlichen Intelligenz (KI), insbesondere des maschinellen Lernens, spielen in unserem Alltag und Berufsleben eine immer größere Rolle. Das Interesse von Forschung und Industrie am maschinellen Lernen nimmt stetig zu. Somit werden nicht nur viele Berufe von KI-Methoden betroffen sein, sondern diese Methoden werden auch eine immer größere Rolle im täglichen Umgang des Menschen mit Technologie spielen.

Daher ist es von entscheidender Bedeutung zu verstehen, wie KI-Inhalte und -Kompetenzen bereits in der Schule vermittelt werden können, insbesondere im Hinblick auf den Alltag der Schüler:innen, in dem sie täglich mit diesen Technologien interagieren. Der Lehrstuhl für Didaktik der Informatik konzentriert sich auf die Fragen, was Schüler:innen über KI denken und wie zentrale Ideen des maschinellen Lernens in der Schule vermittelt werden können. Zu diesem Zweck werden die mentalen Modelle der Schüler:innen zum maschinellen Lernen sowie zentrale Konzepte des maschinellen Lernens ermittelt und Workshops zum maschinellen Lernen für Schüler:innen sowie innovative Lernmaterialien entwickelt und evaluiert.

Ziele

Unser vorrangiges Ziel ist es, die Vorstellungen der Schüler:innen von den Mechanismen des maschinellen Lernens und den damit verbundenen Technologien zu untersuchen, um ihre mentalen Modelle zu beleuchten. Durch diese Untersuchung wollen wir zentrale konzeptionelle Rahmenwerke identifizieren und so die Entwicklung maßgeschneiderter Lernmaßnahmen ermöglichen, die auf die kognitiven Strukturen der Schüler:innen abgestimmt sind.

Problemstellung

Während KI und maschinelles Lernen immer mehr zu einem festen Bestandteil des Alltags werden [1], [2], ist das Verständnis der Schüler:innen für diese Konzepte nach wie vor begrenzt. Obwohl sie diesen Technologien in alltäglichen Anwendungen und in den Medien begegnen, fehlt ihnen oft ein grundlegendes Verständnis [3], [4], [5], [6], [7], [8]. Die Untersuchung ihrer mentalen Modelle gibt nicht nur Aufschluss über den Lernprozess, sondern deckt auch häufige Fehlvorstellungen auf und liefert damit Anhaltspunkte für die Entwicklung effektiver Unterrichtsstrategien, um Schüler:innen zu begeistern und zu motivieren [5], [9], [10].

Praxisbeispiel

Die Erkenntnisse zu den Vorstellungen von Schüler:innen zum Thema maschinelles Lernen fließen in die Gestaltung von Lernmaterialien und Workshops ein, die auf Deutsch verfügbar sind und hier eingesehen werden können: https://tu-dresden.de/inf/eduinf/ki-materialien. Diese Ressourcen umfassen Workshop-Konzepte, die auf Schüler:innen verschiedener Altersstufen zugeschnitten und mit ihnen getestet wurden, und bieten individuelle Lernmaterialien zur Vermittlung spezifischer Konzepte des maschinellen Lernens. Unser Ziel ist es, Lehrern und Pädagogen schülerorientierte, praxisnahe Materialien an die Hand zu geben, um maschinelles Lernen effektiv zu vermitteln.

Technologie

Das Projekt nutzt eine Kombination aus quantitativen und qualitativen Forschungsmethoden, darunter Umfragen und Interviews, um die mentalen Modelle der Schüler:innen zum maschinellen Lernen zu untersuchen.

Ausblick

Mit Blick auf die Zukunft verspricht dieses Projekt eine Bereicherung der pädagogischen Praxis im Bereich des maschinellen Lernens. Indem wir unser Verständnis der mentalen Modelle der Schüler:innen verfeinern, können wir Lehransätze maßschneidern, um ein tieferes Verständnis und eine stärkere Einbindung zu fördern. Diese Forschung hat das Potenzial, nicht nur individuelle Lernerfahrungen zu verbessern, sondern auch umfassendere pädagogische Strategien zur Bewältigung der Herausforderungen, die komplexe technologische Konzepte mit sich bringen. Weitere Untersuchungen im Bereich der Konzeptwandelforschung könnten die Wirksamkeit gezielter Interventionen bei der Beseitigung spezifischer Fehlvorstellungen über maschinelles Lernen bei Schüler:innen zu untersuchen. Darüber hinaus könnte die Forschung die Auswirkungen kultureller und kontextbezogener Faktoren auf die Entstehung und Entwicklung mentaler Modelle zum maschinellen Lernen in unterschiedlichen Schülergruppen untersuchen.

Publikationen

• JMarx, E., & Bergner, N. (2023a). Maschinelles Lernen in der Sekundarstufe I erlebbar machen: Workshop-Konzept zur Entwicklung einer intelligenten Museumsapp. 429–430. https://doi.org/10.18420/infos2023-053
• Marx, E., & Bergner, N. (2023b). Seminarkonzept zur fachlichen und fachdidaktischen Qualifizierung von Informatiklehramtsstudierenden zum Maschinellen Lernen. 10. Fachtagung Hochschuldidaktik Informatik (HDI) 2023, 10, 65–74.
• Marx, E., Leonhardt, T., Baberowski, D., & Bergner, N. (2022). Using Matchboxes to Teach the Basics of Machine Learning: An Analysis of (Possible) Misconceptions. Proceedings of the Second Teaching Machine Learning and Artificial Intelligence Workshop, 170, 25–29. https://proceedings.mlr.press/v170/marx22a
• Marx, E., Leonhardt, T., & Bergner, N. (2022). Brief Summary of Existing Research on Students’ Conceptions of AI. Proceedings of the 17th Workshop in Primary and Secondary Computing Education, 1–2. https://doi.org/10/gq2p2n
• Marx, E., Leonhardt, T., & Bergner, N. (2023). Secondary school students’ mental models and attitudes regarding artificial intelligence—A scoping review. Computers and Education: Artificial Intelligence, 5, 100169. https://doi.org/10.1016/j.caeai.2023.100169
• Marx, E., Leonhardt, T., Bergner, N., & Witt, C. (2023). Exploring students’ preinstructional mental models of machine learning: Preliminary findings. In J.-P. Pellet & G. Parriaux (Eds.), 16th international conference on informatics in schools: Situation, evolution, and perspectives, ISSEP 2023, local proceedings (pp. 233–236). Zenodo. https://doi.org/10.5281/zenodo.10015799

Literatur

• [1] E. Brynjolfsson and T. Mitchell, “What can machine learning do? Workforce implications,” Science, vol. 358, no. 6370, pp. 1530–1534, Dec. 2017, doi: 10.1126/science.aap8062.
• [2] B. Zhang and A. Dafoe, “Artificial Intelligence: American Attitudes and Trends,” Center for the Governance ofAI, Future of Humanity Institute, University of Oxford, Oxford UK, 2019. doi: 10.2139/ssrn.3312874.
• [3] J. Szczuka, C. Strathmann, N. Szymczyk, L. Mavrina, and N. Krämer, “How do children acquire knowledge about voice assistants? A longitudinal field study on children’s knowledge about how voice assistants store and process data,” International Journal of Child-Computer Interaction, vol. 33, p. 100460, Jan. 2022, doi: 10.1016/j.ijcci.2022.100460.
• [4] H. Vartiainen, T. Toivonen, I. Jormanainen, J. Kahila, M. Tedre, and T. Valtonen, “Machine learning for middle schoolers: Learning through data-driven design,” International Journal of Child-Computer Interaction, vol. 29, p. 100281, Sep. 2021, doi: 10.1016/j.ijcci.2021.100281.
• [5] A. Bewersdorff, X. Zhai, J. Roberts, and C. Nerdel, “Myths, mis- and preconceptions of artificial intelligence: A review of the literature,” Computers and Education: Artificial Intelligence, vol. 4, p. 100143, Jan. 2023, doi: 10.1016/j.caeai.2023.100143.
• [6]A. Mühling and G. Große-Bölting, “Novices’ conceptions of machine learning,” Computers and Education: Artificial Intelligence, vol. 4, no. 100142, 2023, doi: 10.1016/j.caeai.2023.100142.
• [7] I. Evangelista, G. Blesio, and E. Benatti, “Why Are We Not Teaching Machine Learning at High School? A Proposal,” in 2018 World Engineering Education Forum – Global Engineering Deans Council (WEEF-GEDC), Institute of Electrical and Electronics Engineers (IEEE), Ed., Albuquerque, New Mexico, USA: Institute of Electrical and Electronics Engineers (IEEE), Nov. 2018, pp. 1–6. doi: 10.1109/WEEF-GEDC.2018.8629750.
• [8] P. Mertala and J. Fagerlund, “Finnish 5th and 6th graders’ misconceptions about artificial intelligence,” International Journal of Child-Computer Interaction, vol. 39, p. 100630, Mar. 2024, doi: 10.1016/j.ijcci.2023.100630.
• [9] D. Gentner, “Mental Models, Psychology of,” in International Encyclopedia of the Social & Behavioral Sciences, Elsevier, 2001, pp. 9683–9687. doi: 10.1016/B0-08-043076-7/01487-X.
• [10] I. M. Greca and M. A. Moreira, “Mental models, conceptual models, and modelling,” International Journal of Science Education, vol. 22, no. 1, pp. 1–11, Jan. 2000, doi: 10/btgzg6.

Team

Teamleitung

•   Dr. Gregor Damnik, TU Dresden

Teammitglieder

• Erik Marx