Baustein 1

Fachliche und didaktische Einführung in KI und maschinelles Lernen (165 Minuten)

Die Teilnehmenden setzen sich mit grundlegenden Konzepten Künstlicher Intelligenz und maschinellen Lernens auseinander und ordnen datenbasierte Entscheidungsbäume als transparenten Zugang zum überwachten maschinellen Lernen ein. Dabei werden Unterschiede zwischen Künstlicher Intelligenz, maschinellem Lernen und herkömmlichem Programmieren sowie curriculare Anknüpfungspunkte und die didaktische Eignung von Entscheidungsbäumen für den Schulunterricht thematisiert.

Anhand eines medizinischen Datenbeispiels werden anschließend zentrale Konzepte datenbasierter Klassifikation erarbeitet. Die Teilnehmenden lernen Entscheidungsbäume als Klassifikatoren kennen und vollziehen deren datenbasierte Konstruktion von der Untersuchung möglicher Datensplits über Mehrheitsentscheidungen und Fehlklassifikationen bis zur rekursiven Konstruktion nach. Abschließend wird die Evaluation mit neuen Daten aufgegriffen und die Funktion von Trainings- und Testdaten sowie unterschiedlicher Konsequenzen von Fehlklassifikationen thematisiert.

Baustein 2

Datenbasierte Klassifikation „unplugged“ mit Datenkarten (120 Minuten)

Die Teilnehmenden erproben einen unplugged Zugang zu datenbasiertem maschinellem Lernen mit Entscheidungsbäumen zunächst aus der Perspektive der Lernenden. Anhand eines lebensweltbezogenen Lebensmittelkontexts vergeben sie selbst Labels und erstellen damit einen Trainingsdatensatz. Die gemeinsame Labelvergabe wird anschließend aus der Perspektive der Lehrkraft reflektiert und als Ausgangspunkt genutzt, um den Einfluss menschlicher Entscheidungen bei der Erstellung von Trainingsdaten zu thematisieren.

Auf Grundlage der Trainingsdaten konstruieren die Teilnehmenden mit Datenkarten eigene Entscheidungsbäume. Dabei werden zentrale Operationen wie Datensplits, Mehrheitsentscheidungen und die Beurteilung von Entscheidungsregeln anhand von Fehlklassifikationen handelnd nachvollzogen. Anhand von Vorgehensweisen Lernender wird anschließend reflektiert, wie heuristische Vorauswahl und systematischer Vergleich bei der Konstruktion von Entscheidungsbäumen im Unterricht miteinander verbunden werden können. Abschließend werden die erprobten Aktivitäten in die Unterrichtsreihe ab Klasse 6 eingeordnet und Möglichkeiten zur Weiterführung mit CODAP für ältere Lernende aufgezeigt.

Baustein 3

Datenbasierte Klassifikation in der digitalen Umgebung CODAP (120 Minuten)

Die Teilnehmenden übertragen die zuvor mit Datenkarten erarbeiteten Konzepte auf die digitale Umgebung CODAP. Am Kontext personalisierter Empfehlungen auf Onlineplattformen konstruieren und vergleichen sie ein- und mehrstufige Entscheidungsbäume und stellen die zuvor manuell ausgeführten Datenoperationen ihrer automatisierten Umsetzung in CODAP gegenüber. Dadurch wird der Übergang von einem unplugged zu einem digital unterstützten Zugang zu datenbasiertem maschinellem Lernen didaktisch reflektiert.

Aus der Perspektive der Lernenden konstruieren die Teilnehmenden zunächst offen eigene mehrstufige Entscheidungsbäume. Anschließend analysieren sie unterschiedliche Vorgehensweisen Lernender bei der Auswahl von Prädiktorvariablen und beim Abbruch der Konstruktion. Ausgehend von dieser Vielfalt wird beim „Maschine spielen“ schrittweise ein systematisches datenbasiertes Vorgehen entwickelt, bei dem Prädiktorvariablen anhand der Fehlklassifikationen ausgewählt, ein Abbruchkriterium angewendet und diese Schritte rekursiv wiederholt werden. Die Frage, wie gut ein so konstruierter Entscheidungsbaum neue Daten klassifiziert, bereitet die Evaluation mit Testdaten im folgenden Baustein vor.

Baustein 4

Evaluation von Entscheidungsbäumen – Testdaten, Overfitting und kontextsensitive Bewertung (120 Minuten)

Die Teilnehmenden untersuchen zunächst, wie sich die Güte von Entscheidungsbäumen anhand von Trainings- und Testdaten beurteilen lässt. Durch den Vergleich unterschiedlich komplexer Entscheidungsbäume wird Overfitting herausgearbeitet und mit der Baumkomplexität sowie Entscheidungen auf Grundlage kleiner Teilmengen in Verbindung gebracht. Anschließend untersuchen die Teilnehmenden Möglichkeiten zur Begrenzung der Baumkomplexität, indem sie den frühzeitigen Abbruch der Konstruktion und das nachträgliche Beschneiden eines bereits konstruierten Baums sowie deren Auswirkungen auf Trainings- und Testdaten vergleichen.

Im zweiten Schwerpunkt wird die Evaluation über die alleinige Betrachtung der Fehlklassifikationsrate hinaus erweitert. Ausgehend von Konfusionsmatrizen untersuchen die Teilnehmenden unterschiedliche Fehlerarten und deren Konsequenzen und vergleichen Klassifikatoren aus verschiedenen Perspektiven und in unterschiedlichen Anwendungskontexten. Daraus wird eine strukturierte Vorgehensweise zur kontextsensitiven Bewertung entwickelt.

Baustein 5

Konstruktionsprozess datenbasierter Entscheidungsbäume untersuchen – Automatisierung, Overfitting und Selection Bias (120 Minuten)

Die Teilnehmenden führen die Werkzeugprogression von CODAP zu Jupyter/Treech fort und nutzen die automatisierte Umsetzung des zuvor erarbeiteten Konstruktionsprozesses, um Entscheidungsbäume systematisch zu untersuchen. In einer menübasierten Jupyter-Umgebung variieren sie unterschiedliche Möglichkeiten zur Begrenzung der Baumkomplexität und vergleichen deren Auswirkungen auf Baumstruktur sowie Trainings- und Testgüte. Darauf aufbauend wird Validation Pruning als systematisches Verfahren zum Beschneiden von Entscheidungsbäumen entwickelt und die unterschiedliche Funktion von Trainings-, Validierungs- und Testdaten herausgearbeitet.

Im zweiten Schwerpunkt richtet sich der Blick auf die Zusammensetzung der Trainingsdaten. Die Teilnehmenden verändern Trainingsdaten gezielt und untersuchen experimentell, wie sich Verzerrungen auf die entstehenden Entscheidungsbäume, deren Klassifikationsleistung und unterschiedliche Gruppen auswirken können. Durch den Vergleich verschiedener Verzerrungen und Vorhersageprobleme wird herausgearbeitet, dass solche Auswirkungen nicht zwangsläufig auftreten, sondern von den jeweils relevanten Zusammenhängen in den Daten abhängen. Die Ergebnisse werden abschließend als Selection Bias systematisiert und zu übertragbaren Fragen für die Untersuchung von Trainingsdaten und Klassifikatoren gebündelt.