Grundbegriffe zur KI in der Bildung

Künstliche Intelligenz

Künstliche Intelligenz Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik zur Entwicklung von Systemen, die Aufgaben ausführen können, welche normalerweise menschliche Intelligenz erfordern. Dazu zählt u. a. Lernen, Problemlösung, Entscheidungsfindung und Kreativität. KI-Technologien erfüllen diese Aufgaben, indem sie ständig durch Erfahrung lernen, große Datenmengen analysieren und Vorhersagen und Entscheidungen treffen. Fortschritte im Bereich des maschinellen Lernens, der Sprachverarbeitung und der Bereitstellung großer Datenmengen haben KI zur wichtigsten technologischen Revolution unserer Zeit gemacht. Im Bildungsbereich können KI-Technologien zur Verbesserung von Lernerfahrungen eingesetzt werden, etwa durch persönliche Unterstützung für Lernende. Auch bieten sie die Möglichkeit, das Lernmaterial durch die Analyse der gesammelten Daten auf die individuellen Bedürfnisse und Fähigkeiten der Lernenden abzustimmen. KI bietet zudem die Möglichkeit, sich wiederholende Aufgaben zu automatisieren, z. B. bei der Benotung von Aufgaben, sodass Lehrkräfte Zeit sparen und sich auf sinnvollere und kreativere Aufgaben konzentrieren können. KI kann auch zur Entwicklung neuer Bildungstechnologien eingesetzt werden, wie z. B. Virtual-Reality-Umgebungen, die das Lernen interessanter und effektiver gestalten können.

Maschinelles Lernen

Maschinelles Lernen Das maschinelle Lernen ist ein Teilbereich der KI. Es handelt sich dabei um einen Prozess, bei dem Algorithmen ihre Leistung kontinuierlich verbessern, indem sie relevante Daten analysieren, Muster erkennen, Datenmodelle erstellen, um so Lernprozesse vorauszuberechnen und das Lernen zu iterieren. Maschinelles Lernen wird in zahlreichen Anwendungen eingesetzt, z. B. in der Bild- und Spracherkennung, der Verarbeitung natürlicher Sprache und der Prädiktiven Analytik. Es gibt verschiedene Arten des maschinellen Lernens, darunter überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen.

Deep Learning

Deep Learning Deep Learning ist eine Teilgebiet des maschinellen Lernens. Es repräsentiert eine fortgeschrittene Version des maschinellen Lernens und wird oft als eine Weiterentwicklung des maschinellen Lernens betrachtet. Deep Learning verwendet künstliche neuronale Netze, um komplexe Muster und Beziehungen in Daten zu analysieren und zu verstehen und um zu ermitteln, ob eine getroffene Vorhersage richtig ist oder nicht, ohne jegliche Hilfe oder Anleitung von Menschen. Im Bildungsbereich können Deep-Learning-Anwendungen dafür eingesetzt werden, Daten über das Verhalten von Lernenden zu analysieren, z. B. die für Übungen aufgewendete Zeit, die Teilnahme an Online-Diskussionen und die Leistung bei Tests. So können Lernende identifiziert werden, die gezielte Unterstützung benötigen.

Internet der Dinge

Das Internet der Dinge (IoT) Das Internet der Dinge (IoT) ist ein Netzwerk aus physischen Geräten, Fahrzeugen, Haushaltsgeräten und anderen Objekten, die mit Elektronik, Software, Sensoren und Konnektivität ausgestattet sind. Diese Objekte können Daten sammeln und untereinander austauschen. Das IoT ermöglicht es, diese Geräte über das Internet miteinander zu verbinden und zu steuern, so dass sie untereinander und mit Menschen auf innovative Weise interagieren können. Im Bildungsbereich können IoT-Geräte die Fernlehre erleichtern, indem sie den Lernenden den Zugang zu Bildungsressourcen und den Kontakt zu Lehrenden von jedem Ort aus ermöglichen.

10

You can write a title here

11

You can write a title here

Grundbegriffe der KI(Basic concepts of AI)

Überwachtes Maschinen-lernen

Überwachtes maschinelles Lernen Beim überwachten maschinellen Lernen werden dem System gekennzeichnete oder strukturierte Datensätze zur Verfügung gestellt. Die Daten fungieren als Lernquelle und "trainieren" die Maschine, indem sie ihre Fähigkeit verbessern, Vorhersagen oder Entscheidungen zu treffen und bestenfalls Bezeichnungen und Strukturen für neue, unbekannte Situationen zu definieren. Diese Form des maschinellen Lernens erfordert menschlichen Input. Die Rückmeldungen, die das KI-System erhält, dienen der Fehlerkorrektur und der Verbesserung des Systems. Überwachtes Lernen wird unter anderem in Anwendungen wie Bild-, Sprach- und Betrugserkennung eingesetzt. Im Bildungsbereich können Algorithmen des überwachten Lernens eingesetzt werden, um die Ergebnisse von Lernenden auf der Grundlage historischer Daten vorherzusagen oder um adaptive Tests zu erstellen, die den Schwierigkeitsgrad an die Leistung der Lernenden anpassen.

Unüberwachtes Maschinen-lernen

Unüberwachtes maschinelles Lernen Beim unüberwachten Lernen werden dem System Datensätze ohne Kennzeichnung oder Struktur und ohne Anleitung oder explizite Anweisung, wie die Daten zu organisieren oder ihre Struktur zu beschreiben sind, zur Verfügung gestellt. Das System arbeitet selbstständig, um Muster und Informationen zu entdecken. Unüberwachtes Lernen ist besonders nützlich in Situationen, in denen keine gekennzeichneten Daten zur Verfügung stehen oder wenn das Ziel darin besteht, verborgene Muster in den Daten zu entdecken. Im Bildungswesen wird unüberwachtes Lernen beim Data Mining eingesetzt, wenn große Mengen von Bildungsdaten analysierten werden, um Erkenntnisse über das Lernen zu gewinnen - z. B. darüber, zu welcher Tageszeit sich Lernende am ehesten mit Online-Kursen beschäftigen oder welche Themen sie am schwierigsten finden.

Bestärkendes Lernen

Bestärkendes Lernen Beim bestärkenden Lernen liegt der Schwerpunkt auf der Entscheidungsfindung. Nachdem das System eine Entscheidung getroffen hat, erhält es eine Rückmeldung (Belohnung oder Strafe), die anzeigt, wie gut die Entscheidung war. Auf der Grundlage dieser Rückmeldung ändert das System seine Strategie, um Fehlentscheidungen zu minimieren und die richtigen Entscheidungen zu maximieren. Bestärkendes Lernen wird zur Lösung von Problemen eingesetzt, bei denen das gewünschte Ergebnis nicht direkt bekannt ist und durch Versuch und Irrtum erlernt werden muss. Bestärkendes Lernen wird in zahlreichen Anwendungen eingesetzt, unter anderem in Spielen, in der Robotik und in Empfehlungssystemen, und das auch im Bildungswesen.

Übersetzung und Redaktion:CONEDU für EBmooc 2023

KünstlicheneuronaleNetze

Künstliche neuronale Netze Künstliche Neuronale Netze (KNN) sind Computernetzwerke, die sich am menschlichen Gehirn orientieren. Ein KNN besteht aus drei Schichten: dem Input von Daten, einer versteckten Schicht zwischen Input und Output, in der es komplexe Berechnungen durchführt, und dem Output mit den Ergebnissen. Hier können Sie sehen, wie neuronale Netze funktionieren. Tiefe neuronale Netze (TNNs) sind eine Art von KNN, jedoch mit mehreren Ebenen in der versteckten Schicht. Sie benötigen große Mengen an gekennzeichneten Daten, um effektiv zu lernen, während KNN kleinere Datensätze und nicht überwachte maschinelle Lerntechniken benötigen. Im Bildungsbereich können KNN anhand von Daten aus Leistungsbewertungen trainiert werden, um die Stärken und Schwächen der Lernenden zu ermitteln und so personalisierte Lernpläne für jede Einzelne und jeden Einzelnen zu erstellen. Darüber hinaus können KNN zur Analyse großer Datenmengen von Lernenden eingesetzt werden, um Trends und Muster zu erkennen, die als Grundlage für Lehr- und Lernmethoden dienen können.

Algorithmen

Algorithmen Ein Algorithmus ist ein Satz von Regeln und Anweisungen, die ein Computer verwendet, um eine Aufgabe zu erfüllen. Es gibt viele verschiedene Arten von Algorithmen, je nach Art der Aufgabe, die zu erfüllen ist, der Ausgabe, die zu erzeugen ist, oder der Vorhersage, die zu machen ist. Clustering-Algorithmen bestimmen beispielsweise den Grad der Ähnlichkeit und versuchen, Personen zu finden, die dieselbe Art von Filmen mögen. Klassifizierungsalgorithmen verwenden Vorhersageberechnungen, etwa für die Entscheidung, ob eine E-Mail Spam ist. Naive Bayes-Algorithmen berechnen die Wahrscheinlichkeit, mit welcher ein bestimmtes Ereignis auf der Grundlage früherer Daten eintritt, z. B. zur Erkennung von Plagiaten. Im Bildungsbereich können Algorithmen eingesetzt werden, um Empfehlungen für Lernressourcen auf der Grundlage der Interessen und der früheren Leistungen von Lernenden zu erstellen.

ComputerVision

Computer Vision Computer Vision ist ein Teilbereich der künstlichen Intelligenz, der sich durch den Fortschritt des Deep Learning besonders stark verändert hat. Die Rechenleistung, die Verfügbarkeit großer Datensätze und die Verfeinerung von Algorithmen für neuronale Netze haben zu einer enormen Leistungssteigerung im Bereich Computer Vision geführt. Erstmals sind Computer in der Lage, visuelle Klassifizierungsaufgaben besser zu lösen als Menschen, z. B. in der medizinischen Bildgebung, der Videoanalyse, der Objekterkennung und dem Szenenverständnis. Im Bildungsbereich können Bildverarbeitungstechnologien eingesetzt werden, um das Erlebnis virtueller und erweiterter Realitätsumgebungen für das Lernen zu verbessern und den Lernenden interaktivere und ansprechendere Lernerfahrungen zu bieten.

Robotik

Robotik Robotik kann als "KI in Aktion in der physischen Welt" oder als verkörperte KI definiert werden. Beispiele dafür sind Manipulationsroboter (z. B. für den sicheren Umgang mit Gefahrstoffen), autonome Fahrzeuge (z. B. Autos, Drohnen, fliegende Taxis), humanoide Roboter, Staubsaugerroboter usw. Fortschritte in der künstlichen Wahrnehmung, einschließlich Computer Vision, Kraft- und Tastsinn, werden auch in Zukunft eine Schlüsselrolle bei der Weiterentwicklung der Robotik spielen. In der Bildung kann der Einsatz von Robotern Lernenden helfen, Konzepte und Ideen auf interaktive Weise zu erleben, so dass sie Lerninhalte leichter verstehen und behalten können.

Big Data

Big Data Big Data bezieht sich auf große und komplexe Datensätze, die aus verschiedenen Quellen wie sozialen Medien und Online-Transaktionen stammen. Im Bildungsbereich bezieht sich Big Data auf die riesigen Datenmengen, die von Lernenden und ihren Interaktionen mit Bildungstechnologien wie Online-Lernplattformen, Lernmanagementsystemen und mobilen Geräten erzeugt werden. Big Data liefert Rohmaterial für Lern- und Vorhersageanalysen, mit denen gesammelte Daten analysiert werden, um fundierte Entscheidungen zu treffen. Big Data bringt einige Herausforderungen mit sich, die für das Bildungswesen von Bedeutung sind. Dazu gehört der Schutz der Privatsphäre und der Sicherheit sowie die Transparenz und Rechenschaftspflicht. Der Schutz der Privatsphäre und die Sicherheit von Lehrenden und Lernenden sind in jedem Fall zu gewährleisten.

Data Miningim Bildungs-wesen

Data Mining im Bildungswesen Unter Data Mining im Bildungsbereich versteht man die Anwendung von Data-Mining-Techniken und statistischen Modellen auf große Mengen von Bildungsdaten. Anhand der gewonnenen Einblicke in die Lernprozesse von Lernenden und die Effizienz von Unterrichtenden können fundierte Rückschlüsse gezogen werden. Data-Mining-Techniken dienen dazu, neue Erkenntnisse zu gewinnen, Zusammenhänge zu erkennen und Vorhersagen auf der Grundlage der Daten zu treffen. Zu Data-Mining-Techniken zählen:

• Entscheidungsbäume: Erstellung baumartiger Modelle zur Vorhersage von Ergebnissen, z. B. zur Vorhersage des Lernerfolgs auf der Grundlage früherer Leistungen.
• Erkennung von Anomalien: Identifizierung atypischer Datenpunkte, z. B. zur Erkennung von Betrug bei Online-Prüfungen.
• Clustering: Gruppierung ähnlicher Daten in Clustern, z. B. Gruppierung von Lernenden auf der Grundlage ihrer Interessen, um Kurse zu empfehlen.

Learning Analytics

Learning Analytics Learning Analytics ist die Anwendung von Big-Data-Techniken und -Technologien im Bildungsbereich mit dem Ziel, den Lernprozess, die Leistung der Lernenden und die Effektivität der Lehrenden zu verbessern. Die Lernanalyse umfasst das Sammeln, Auswerten und Analysieren von Daten über Lernenden, ihre Lernaktivitäten und ihre Leistungen. Die aus diesen Daten gewonnenen Erkenntnisse können genutzt werden, um das Lernen zu personalisieren, die Lernergebnisse zu verbessern und die Effektivität von Bildungsprogrammen und -initiativen zu bewerten.

PrädiktiveAnalytik

Prädiktive Analytik Prädiktive Analytik ist der Einsatz von statistischen Modellen, Algorithmen für maschinelles Lernen und Data-Mining-Techniken zur Analyse aktueller und historischer Daten mit dem Ziel der Vorhersage zukünftiger Ergebnisse. Im Bildungswesen kann Prädiktive Analytik zur Vorhersage von Lernleistungen und Abbruchquoten eingesetzt werden oder zur Identifizierung von Lernenden, die aufgrund von Abwesenheiten oder Testergebnissen Gefahr laufen, zurückzufallen. Sie können auch verwendet werden, um personalisierte Empfehlungen für Lernende zu liefern, wie z. B. Vorschläge für Kurse, Lernaktivitäten oder Ressourcen, die auf individuelle Stärken und Interessen abgestimmt sind.

Generative KI

Generative KI Generative KI ist ein Bereich der künstlichen Intelligenz, der sich mit der Entwicklung von Algorithmen befasst, die ohne direktes menschliches Eingreifen neue Inhalte wie Bilder, Texte, Musik, Videos, Spiele, Code, Prompts oder ganze virtuelle Umgebungen erzeugen können. Generative KI-Algorithmen lernen aus großen Datenmengen und erstellen dann ähnliche oder völlig neue Inhalte. Die generative KI hat bereits erhebliche Auswirkungen auf die Kreativbranche, aber auch auf andere Branchen, da sie Kosten deutlich senken kann, z. B. durch Automatisierung im Kundendienst oder bei der Erstellung von Inhalten. Sie wirft jedoch auch ethische Bedenken hinsichtlich des möglichen Missbrauchs von KI-generierten Inhalten und den Auswirkungen auf die Beschäftigung auf. Im Bildungsbereich kann generative KI die Unterrichtenden bei der Erstellung von Inhalten unterstützen, z. B. bei der Texterstellung unterschiedlichen Schwierigkeitsgrades, Quizfragen zur Wissensüberprüfung, Übungen und Präsentationen.

GAN

Generative Adversarial Network (GAN) Das Generative Adversarial Network (GAN) ist eines der beliebtesten und bekanntesten Beispiele für generative KI. Es handelt sich dabei um eine Art von Deep-Learning-Algorithmus, bei dem zwei neuronale Netze gegeneinander antreten, um neue Inhalte zu generieren. Im Bildungsbereich kann die GAN-Technologie eingesetzt werden, um personalisierte, adaptive Lerninhalte für Lernende zu erstellen oder um virtuelle Umgebungen für spiel- oder simulationsbasiertes Lernen zu schaffen.

Diffusions-modelle

Diffusionsmodelle Diffusionsmodelle sind generative KI-Systeme, die Daten erzeugen, die jenen Daten ähneln, mit denen sie trainiert wurden. Während dieses Prozesses fügen sie jedoch in jedem Schritt des Ablaufs Zufallsrauschen (oder Zufallsvariationen) hinzu, um dem generierten Ergebnis Vielfalt, Zufälligkeit und Unvorhersehbarkeit zu verleihen. Das Rauschen im Diffusionsmodell kann als Interferenz oder Störung des Endprodukts betrachtet werden, um mehr Variabilität hinzuzufügen. Diffusionsmodelle werden für die Erzeugung von Bildern, Texten, Videos und anderen Contenttypen verwendet. Im Bildungsbereich können Diffusionsmodelle genutzt werden, um hochwertige Illustrationen und visuelle Hilfsmittel sowie realistische Bilder von historischen Figuren oder wissenschaftlichen Phänomenen zu erzeugen. Sie können auch verwendet werden, um Konversations- oder Schreibaufforderungen in einer Fremdsprache zu erstellen.

Kunst-generatoren

Kunstgeneratoren Kunstgeneratoren sind KI-Systeme, die mithilfe von KI-Algorithmen einzigartige Kunstwerke ohne direktes menschliches Zutun schaffen. Diese Systeme werden anhand vorhandener Kunstdaten trainiert, um ihren eigenen künstlerischen Stil zu entwickeln, und können zur Erzeugung neuer und vielfältiger Kunstwerke verwendet werden. Generierte Kunstwerke werden in der Regel als originell und einzigartig angesehen, und ihre Schöpfer haben das Recht, sie urheberrechtlich zu schützen. Allerdings handelt es sich dabei immer noch um eine rechtliche Grauzone, vor allem, wenn sie bestehenden Kunstwerken sehr ähnlich sind. Sehen Sie sich diese Liste der besten KI-Kunstgeneratoren (Stand: Februar 2023) an. In der Bildung können Kunstgeneratoren eingesetzt werden, um die Neugier und Kreativität von Lernenden zu wecken, sie zum Querdenken anzuregen und ihr Kunstverständnis zu hinterfragen.

Verarbeitung natürlicher Spache (NLP)

Verarbeitung natürlicher Sprache Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist ein Teilbereich der künstlichen Intelligenz, der sich auf die Interaktion zwischen Computer und menschlicher Sprache bezieht, insbesondere auf die Programmierung von Computern zur Verarbeitung und Analyse großer Mengen von Daten in natürlicher Sprache. Das Ergebnis ist ein Computer, der in der Lage ist, den Inhalt von Dokumenten zu "verstehen", einschließlich der kontextuellen Nuancen der darin enthaltenen Sprache. Die Technologie ist somit in der Lage, die in den Dokumenten enthaltenen Informationen und Erkenntnisse genau zu extrahieren und die Dokumente selbst zu kategorisieren und zu organisieren. Im Bildungsbereich kann NLP für personalisiertes Feedback an Lernende, Sprachübersetzung, Textzusammenfassung und Stimmungsanalyse (Opinion Mining) eingesetzt werden. Opinion Mining kann dazu verwendet werden, das Feedback und die Meinungen der Lernenden zu den Kursmaterialien oder dem Lehrprozess zu analysieren, um die Qualität der Ausbildung und die Zufriedenheit der Studierenden zu verbessern.

Virtuelle Assistenten undChatbots

Virtuelle Assistenten und Chatbots Virtuelle Assistenten fungieren mithilfe von KI-gestützter Software, um realitätsnahe Unterhaltungen mit menschlichen Nutzer*innen zu führen, ihnen personalisierte Antworten geben und Aufgaben für sie erledigen. Sie verwenden Spracherkennungstechnologie, um mit den Nutzer*innen zu interagieren. Alexa, Siri und Cortana sind die am häufigsten verwendeten virtuellen Assistenten. Ein Chatbot ist ein Computerprogramm, das die Konversation mit menschlichen Nutzer*innen simuliert. Chatbots werden in der Regel für bestimmte Aufgaben wie Kundendienst, Marketing oder Informationsbeschaffung entwickelt. Sie können NLP verwenden, um Benutzeranfragen zu verstehen und mit geeigneten Antworten zu reagieren. Im Bildungsbereich könnten virtuelle Assistenten Lehrenden bei Verwaltungsaufgaben helfen, z. B. zur Dokumentation oder durch personalisiertes Feedback für Lernende durch die Beantwortung häufig gestellter Fragen. Sie werden auch auf Organisationsebene eingesetzt, um Informationen über die Bildungseinrichtung, über Einschreibungen bzw. Buchungen oder die Planung von Terminen bereitzustellen.

Große Sprach-modelle

Große Sprachmodelle Ein großes Sprachmodell (Large Language Model, LLM) ist ein KI-Modell, das mit großen Mengen von Textdaten trainiert wird, um menschenähnliche Antworten zu erzeugen. Große Sprachmodelle verwenden fortschrittliche Deep-Learning-Algorithmen, um Antworten auf eine größere Bandbreite von Anfragen (Prompts) und auf eine menschenähnlichere Weise als herkömmliche Chatbots zu erzeugen. Allerdings können sie auch unrichtige, voreingenommene und sogar gefährliche Inhalte erzeugen. Ein bekanntes Beispiel für ein großes Sprachmodell ist ChatGPT. Im Bildungsbereich können große Sprachmodelle einerseits für Routineaufgaben der Lehrenden und andererseits als Lernwerkzeuge eingesetzt werden, wobei ihre Produkte immer eine kritische Reflexion erfordern.

Maschinelle Über-setzungen

Maschinelle Übersetzung Unter maschineller Übersetzung versteht man die Übersetzung von sinnvollem Text von einer Sprache in eine andere ohne menschliche Beteiligung. Im Bildungswesen kann die maschinelle Übersetzung zur Überwindung von Sprachbarrieren, zur Unterstützung des mehrsprachigen Unterrichts und zur Erleichterung der Kommunikation zwischen Lehrenden und Lernenden eingesetzt werden, wenn sie unterschiedliche Sprachen sprechen. Sie kann zur Verbesserung der Zusammenarbeit, der Kommunikation und des kulturellen Austauschs beim projektbasierten Lernen hilfreich sein. Lernende können maschinelle Übersetzung nutzen, um das Erlernen einer neuen Sprache zu verbessern. Einige Beispiele für maschinelle Übersetzungssoftware sind DeepL, Google Translate und Bing Translator.

TTSTTVTTITTMSTT

Text-zu ... Text-to-Speech (TTS), Text-to-Video (TTV), Text-to-Image (TTI) und Text-to-Music (TTM) sind Anwendungen von NLP, die Algorithmen des maschinellen Lernens verwenden, um Text in entsprechende Audio-, Bild-, Video- und Musikausgaben umzuwandeln. Sie verarbeiten und analysieren die Textdaten und erzeugen die Ausgabe mithilfe von NLP-Techniken wie Stimmungsanalyse, Sprachsynthese, Bildsynthese und Musiksynthese. Speech-to-Text (STT) beinhaltet die Umwandlung von gesprochener Sprache in geschriebenen Text. Im Bildungsbereich können diese Anwendungen eingesetzt werden, um digitale Inhalte für Lernende zugänglicher zu machen. TTS wird zum Beispiel bereits häufig eingesetzt, um Lernenden zu helfen, ihre Lesefähigkeiten in einer bestimmten Sprache zu verbessern. TTV-Anwendungen werden eingesetzt, um die Arbeitsbelastung von Lehrenden zu verringern, indem sie Anleitungen und Erklärungen auf Basis von Texten erstellen. TTI-Anwendungen können Lernenden helfen, abstrakte Konzepte zu visualisieren oder Objekte im Bild zu verändern, z. B. mit DALL-E 2. Lehrende und Lernende können mit TTM-Anwendungen ihre eigene Musik kreieren. STT-Anwendungen können zur Transkription von Videoinhalten, Aufzeichnungen von Besprechungen und Vorlesungen und zur Erstellung von Untertiteln für Videos verwendet werden.

CC BY-SA 4.0

European Schoolnet & CodeWeek

Ut wisi enim ad minim veniam, quis nostrud exerci tation ullamcorper suscipit lobortis nisl ut aliquip ex ea commodo consequat.

Ut wisi enim ad minim veniam, quis nostrud exerci tation ullamcorper suscipit lobortis nisl ut aliquip ex ea commodo consequat.