Zukunft mit KI

Ausgangslage und gesellschaftliche Vision: In einer zunehmend von künstlicher Intelligenz geprägten Welt ist es essenziell, alle Lehrkräfte und insbesondere jene der Unterrichtsgegenstände „Informatik“ und „Digitale Grundbildung“ mit einem fundierten Rüstzeug auszustatten, um diesen  Themenkomplex „KI“ umfassend, vielseitig und kritisch unterrichten zu können.

Derzeit schreitet die Entwicklung verschiedenster KI-Systeme rasant voran. Fortschritte bei generativer KI und autonomen KI-Agenten beeinflussen unseren Lebensalltag direkt und sichtbar, während ähnlich große, geradezu revolutionäre Entwicklungsschritte in der Materialforschung, Wirkstoffentwicklung, Robotik, Lagerlogistik, Softwareentwicklung, Bioinformatik und Biomedizin für die breite Öffentlichkeit oft im Verborgenen bleiben.

Dabei gibt es zwischen vermeintlich völlig unterschiedlichen Systemen oft fundamentale Gemeinsamkeiten: AlphaFold zur Vorhersage von Proteinstrukturen oder ESM-3 zur Biologie-Modellierung weisen in ihrer grundlegenden Architektur Parallelen zu gängigen Text-Chatbots auf. Gleichzeitig basieren vermeintlich ähnliche Systeme oft auf völlig unterschiedlichen Technologien: Auch mit RFdiffusion können neue Proteinstrukturen geschaffen werden, jedoch ist dieses System im Gegensatz zu den vorherigen Beispielen technisch eher wie Bildgeneratoren (z.B. „DALL-E“) oder Musiktools (wie „Suno“) aufgebaut. Spezialisierte Übersetzungstools wie DeepL nutzen die Vorteile einer Encoder-Decoder-Transformerstruktur, während die gängigsten Allrounder unter den Chatbots (wie ChatGPT) auf eine reine „Decoder-only“-Struktur setzen.

Klingt technisch? Ja! Aber genau ein solches solides Grundverständnis zu diesen zugrundeliegenden Technologien lässt uns überhaupt erst abschätzen, welche Technologie fehlerbehaftet oder garantiert fehlerfrei funktioniert (beispielsweise eine KI, die rein regelbasiert Sudokus löst), ob wir dieser Technologie Autonomie zutrauen und persönliche Daten anvertrauen dürfen und wann ein naiver Einsatz fatale Folgen für die Gesellschaft haben könnte.

Wissenschaftliche Fundierung und das AI T-PACK: Meine Lehrveranstaltungen im Bereich KI stützen sich auf wissenschaftliche Erkenntnisse aus eigener und fremder Forschung sowie auf anerkannte pädagogische Frameworks wie die Bloom’sche Taxonomie und das T-PACK-Modell (Technological Pedagogical Content Knowledge). Eigene Vorstudien zur AI Literacy bei Lehrkräften der Digitalen Grundbildung haben gezeigt: Die Adoptionsrate von generativer KI ist zwar hoch (über 80 % nutzen Chatbots zur Unterrichtsvorbereitung), doch das tiefere, technisch-konzeptionelle Verständnis für die Mechanismen hinter diesen Tools fehlt oft.

Hier setzt mein Lehrkonzept an: Ziel ist es, das volle AI T-PACK zu vermitteln. Lehrkräfte müssen die Technologie verstehen (Technological Knowledge), das spezifische KI-Fachwissen beherrschen (Content Knowledge) und beides didaktisch wertvoll aufbereiten können (Pedagogical Knowledge). Um dieses Wissensfundament strukturiert und evidenzbasiert abzusichern, führte und führe ich Studien durch. Durch einen datengetriebenen und durch Fachexpert:innen validierten Ansatz wird eine Taxonomie entwickelt, die das „Artificial Intelligence Content Knowledge (AI-CK)“ in 11 essenzielle Cluster gliedert – von symbolischer KI bis hin zu modernen datengetriebenen Architekturen. Diese laufende Forschung fließt direkt in die Lehre ein und stellt sicher, dass nicht kurzfristige Hypes, sondern langfristig relevante KI-Konzepte unterrichtet werden.

Niederschwelliger Einstieg und Embodied Cognition: Um Berührungsängste abzubauen, beginnt die didaktische Reise im Unterricht nicht mit abstraktem Code, sondern mit erfahrbarem Lernen (Embodied Cognition). In einem ca. 30-minütigen Durchlauf programmieren die Teilnehmer:innen mittels Scratch und der Plattform „Machine Learning for Kids“ eine Augmented-Reality-Gesichtsmaske.

Die Lernenden nutzen dabei vorgegebene Gesichtsausdrücke, sammeln Daten, labeln diese und trainieren damit ein vorgefertigtes Convolutional Neural Network (CNN). Durch diese körperliche Einbindung (Body Syntonicity) spüren sie unmittelbar die "Data-Performance-Link": Die Qualität des Modells hängt direkt von den eigenen Trainingsdaten ab. Dieser Aufbau ermöglicht es auch, das hochkomplexe Thema Algorithmischer Bias (Voreingenommenheit) aus der rein philosophischen Ecke in die technische Praxis zu holen. In einem späteren Durchlauf können die Trainingsdaten bewusst manipuliert werden – etwa indem ein Gesichtsausdruck immer vor dem gleichen Hintergrund fotografiert wird. Das Modell lernt eine falsche Korrelation, und Phänomene wie der Omitted Variable Bias oder Representation Bias (durch ungleich verteilte Trainingsdaten) werden im Klassenzimmer technisch reproduzierbar und tiefgreifend verstanden. Aufbauend können auch historische Biases in Trainingsdaten aus Bereichen wie Gleichstellung, Gender oder Diversität nachvollzogen werden.

Kontrastives Lernen durch Interaktive Spiele: Selbst entwickelte und programmierte Lehr- und Lernspiele befähigen Lernende spielerisch zur kritischen Evaluierung von KI. Auf einer eigens entwickelten browserbasierten Plattform stehen 9 interaktive Module zur Verfügung. Der didaktische Kern ist das kontrastive Lernen: Anstatt KI als Blackbox zu präsentieren, erleben die Lernenden die Unterschiede zwischen symbolischer, statistischer und neuro-symbolischer KI im direkten Vergleich.

• Symbolische KI: Das Modul Sudoku macht deterministisches, regelbasiertes und energiesparendes Problemlösen sichtbar. Transparenz und garantierte Lösungswege stehen im Vordergrund. Denn bei der ganzen Aufmerksamkeit, die Chatbots und Co. genießen wird oft vergessen: Nicht jede KI macht Fehler.
• Statistische KI: Im Spiel Catch the Fruit (mit trainierbarer Gestensteuerung via MediaPipe) erleben die Lernenden das genaue Gegenteil: Verhalten wird nicht programmiert, sondern durch Daten induziert. Fehler werden hier jedoch wahrscheinlicher und Trainingsprozesse können energieintensiv sein. Generative-AI-Anwendungen der letzten Jahre lassen sich in erster Linie der statistischen KI zuordnen.
• Neuro-symbolische (hybride) KI: Das an Sokoban angelehnte Spiel Warehouse zeigt die Grenzen reiner Logik auf und demonstriert, wie statistische Heuristiken mit symbolischer Planung verschmelzen, um komplexe Probleme lösbar zu machen. Das ist auch die Richtung, die bei vielen KI-Systemen in der Praxis angestrebt wird. Denn: neuro-symbolische KI verbindet die Vorteile von symbolischer und statistischer KI.
• Entmystifizierung komplexer Konzepte: Weitere Spiele machen hochkomplexe Mechanismen ohne Differentialrechnung verständlich. Snake visualisiert die Falle von lokalen gegenüber globalen Optima (Greedy Behavior). 2048 thematisiert Entscheidungsfindung unter stochastischer Unsicherheit. Der Gradient Descent Playground veranschaulicht das KI-Lernprinzip der Fehlerminimierung als Schatzsuche auf dem Meeresgrund. Das Adversarial Attacks Lab zeigt eindrücklich die Verwundbarkeit statistischer Computer-Vision-Systeme durch unsichtbare Bildmanipulationen, während der MLP MNIST Visualizer den Einfluss von Architektur (Layer, Neuronen) auf die Modellkapazität live simuliert.

Von der Medienbildung zur Python-Programmierung: Um tiefere Einblicke in Faltungsnetzwerke (CNNs) zu geben, verzichte ich initial auf mathematische Formeln und nutze Synergien zur Medienbildung. Faltungsoperationen (Convolution) werden den Lehrkräften visuell durch bekannte Bildbearbeitungstechniken wie Weichzeichner oder Kantenerkennung (Frequenztrennung) erklärt. Auch die Architektur von großen Sprachmodellen (LLMs) wird dekonstruiert, sodass Konzepte wie Tokenisierung, Word-Embeddings und autoregressive Vorhersage logisch nachvollziehbar werden.

Die entscheidende didaktische Brücke ist jedoch der anschließende Wechsel zur textbasierten Programmierung. Hier definieren, trainieren und evaluieren die Teilnehmer:innen selbst ein neuronales Netz mit Python, Keras und TensorFlow. Warum ist dieser Schritt in den echten Programmcode auch für weniger technikaffine Personen so essenziell? Die Antwort lautet: Ermächtigung. Wenn Lehrkräfte sehen, dass das Grundgerüst eines neuronalen Netzes in Python aus nur wenigen, verständlichen Codezeilen besteht, verliert KI endgültig ihre mystische Aura. Sie erkennen, dass diese Architektur eine einfach übertragbare mächtige, universelle Blaupause ist: Dieselbe Struktur, die Bilder klassifiziert, oder das Alter von Muscheln aufgrund von Abmessungen und Gewicht errät, kann morgen durch bloßes Austauschen der Trainingsdaten zur Vorhersage von benötigten Lagerbeständen oder zur Entdeckung für Biomarker zur Früherkennung einer Krankheit genutzt werden. Es befähigt die Lernenden, KI-Systeme nicht nur zu konsumieren, sondern als formbares Werkzeug auf unterschiedlichste Problemstellungen anzuwenden. Denn das eigenständige Erschaffen von KI-Systemen ist, didaktisch richtig aufbereitet, einfacher, als man vermuten würde. Und eine schnelle Verbreitung von diesem Wissen sorgt dafür, dass am Standort Österreich in unterschiedlichsten Disziplinen mit neuester Technik geforscht und gearbeitet wird. Denn so können wir Wohlstand im Land erhalten.

Angewandte Mediengestaltung und Vibe-Coding Dass KI auch eine revolutionäre kreative Kraft besitzt, wird in der Lehrveranstaltung „Angewandte Mediengestaltung inklusive Projektarbeit“ bewiesen. Hier nutzen die Studierenden die neuesten Transformer- und Diffusion-Modelle für einen ganzheitlichen Gestaltungsprozess: Mit Chatbots werden Songtexte konzipiert, Bildgeneratoren erschaffen Cover-Artworks, und Tools wie Suno generieren vollständige Songs im gewünschten Genre.

Ein Highlight dieses Kurses ist die Erstellung eines eigenen Online-Musikalbums. Dabei kommt das sogenannte „Vibe-Coding“ zum Einsatz. Die Teilnehmer:innen nutzen KI-Sprachmodelle, um sich völlig ohne tiefe Webdesign-Vorkenntnisse den HTML-, CSS- und JavaScript-Code für eine interaktive Webplayer-Website (ähnlich einem Spotify-Webplayer) generieren zu lassen. Der beste Webplayer wird für das Projekt online gestellt. Da diese Form der KI-gestützten Softwareentwicklung die Zukunft prägen wird, haben wir seit diesem Jahr zudem eine neue Fortbildungs-LV angesetzt, die Einsteiger:innen gezielt in die Entwicklung von Programmen und Code mithilfe von Chatbots einführt.

Fazit und Ausblick Durch diese methodische Vielfalt – von körperbasiertem Lernen mit AR-Masken über kontrastive Spielmechaniken und Python-Programmierung bis hin zu kreativem Vibe-Coding – wird die „Motorhaube“ der Künstlichen Intelligenz für Lehramtsstudierende und aktive Lehrpersonen geöffnet.

Als Lehrkräfte von heute und morgen haben diese Lernenden nämlich einen überaus wichtigen gesellschaftlichen Auftrag: Dieses fundierte, de-mystifizierte Wissen an unsere Schüler:innen und Mitbürger:innen weiterzugeben. Nur so stellen wir sicher, dass wir Österreicher:innen KI erstens technologisch und konzeptionell tiefgreifend verstehen, zweitens mit Mündigkeit die Entwicklungen im Sinne des Gemeinwohls kritisch evaluieren und lenken können und drittens in diesem zukunftsträchtigen Sektor an vorderster Front selbstbewusst und gestaltend mitentwickeln dürfen.