Klassifizierungsprobleme: Maschinelles Lernen und KI im Mathematikunterricht
| dc.contributor.author | Schönbrodt, Sarah | |
| dc.contributor.author | Frank, Martin | |
| dc.date.accessioned | 2023-06-07T14:27:17Z | |
| dc.date.available | 2023-06-07T14:27:17Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Zahlreiche Anwendungen aus unserem Alltag basieren auf Methoden des maschinellen Lernens (ML), einem Teilbereich der Künstlichen Intelligenz (KI): sei es, wenn Mails automatisch als Spam erkannt werden oder sich unser Smartphone per Gesichtserkennung entsperrt. Was sich hinter diversen ML-Methoden verbirgt, sind mathematische Konzepte, die in elementarer Form in zahlreichen deutschen Lehrplänen verankert sind. Dies macht das Themengebiet ML zu einem aussichtsreichen Kandidaten, um … … Lernenden das mathematische Modellieren realer, hochaktueller Probleme zu ermöglichen und damit sogleich zu einer guten Möglichkeit die Bedeutung von Mathematik für Gesellschaft, Alltag und Technik erfahrbar zu machen (Schönbrodt et al., 2022, S. 74). … Lernenden frühzeitig einen Einblick in die Funktionsweise von MLMethoden sowie Grenzen und Chancen von KI-Systemen zu geben – mit dem Fokus auf der Bedeutung, die die Mathematik für derartige Systeme innehat (KI entmystifizieren). … Lernende im kritischen, verständigen Umgang mit und der Nutzung von Daten zu schulen und damit den Aufbau von Data Literacy im Sinne einer umfassenden Datenkompetenz zu unterstützen (Schüller et al., 2021, S. 1). Eine wichtige Klasse von Problemen, die mit ML-Methoden gelöst werden, sind Klassifizierungsprobleme. Sie treten u. a. bei der automatischen Diagnose von Krankheiten, bei der Klassifizierung von Objekten auf Bildern oder beim Filtern von Spamnachrichten auf. In diesem Beitrag wird am Beispiel von Klassifizierungsproblemen aufgezeigt, welche schulmathematischen Inhalte unterschiedlicher Klassenstufen (7 und 11/12) aufgegriffen werden können, um mit Lernenden in die Entwicklung eines Klassifizierungsmodells einzusteigen und dabei zentrale Bausteine von ML-Methoden herauszuarbeiten. Zudem gehen wir kurz auf geeignete Werkzeuge für die Gestaltung digitalen Lernmaterials sowie erste Erfahrungen aus Erprobungen mit Lernenden ein. | de |
| dc.identifier.uri | http://hdl.handle.net/2003/41583 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-23426 | |
| dc.language.iso | de | de |
| dc.publisher | Gesellschaft für Didaktik der Mathematik | |
| dc.relation.ispartof | Beiträge zum Mathematikunterricht 2022 | |
| dc.subject | Maschinelles Lernen | de |
| dc.subject | Künstliche Intelligenz | de |
| dc.subject | Klassifizierungsprobleme | de |
| dc.subject | Modellierung | de |
| dc.subject | Jupyter Notebook | de |
| dc.subject | Data Science | en |
| dc.subject | Statistik | de |
| dc.subject.ddc | 510 | |
| dc.title | Klassifizierungsprobleme: Maschinelles Lernen und KI im Mathematikunterricht | de |
| dc.type | Text | de |
| dc.type.publicationtype | conferenceObject | de |
| dcterms.accessRights | open access | |
| eldorado.secondarypublication | false | de |