Empowering Secondary School STEM Education with
AI Training and Resources for Students and Educators
Stärkung der MINT-Bildung in der Sekundarstufe durch KI-Schulungen und Ressourcen für Lehrende und Lernende
Eckdaten
2 Jahre (01.09.2024 – 31.08.2026)
Kooperationspartnerschaften in der Schulbildung
2024-2-DE01-KA220-SCH-XXXXXXX
Projektpauschale 250.000,00 €
Partner
🇩🇪 University of Duisburg-Essen, Germany
Dr. Mustafa Bilgin (coordinator & responsible)
🇧🇬 Tetra Solutions Ltd., Bulgaria
Borislava Zaharieva-Tomova
🇵🇹 Coopetape – Cooperativa de Ensino, Portugal
Angelina Presa
🇪🇸 M&M Profuture Training, S.L., Spain
Montserrat Renedo
Monica Moreno
🇹🇷 Kutahya Il Milli Egitim Mudurlugu, Türkiye
Turan Özcan
Förderer
Gefördert vom
Kompetenzen in der digitalen Bildung sind entscheidend für die Wettbewerbsfähigkeit und Innovationskraft Europas. Innerhalb der EU steigt die Nachfrage nach Fachkräften fürs digitale Zeitalter. KI ist eine Schlüsseltechnologie, und die EU strebt an, dass bis 2030 ein Großteil der Unternehmen Konzepte von KI / Big Data nutzen. Hierzu gibt es erhebliche Investitionen durch Programme wie Horizon Europe und Digital Europe. Deswegen ist es wichtig, dass junge Menschen bereits in der Sekundarstufe mit aufstrebenden und zukunftsorientierten Technologien wie den Konzepten der KI in Berührung kommen.
Diese Ansätze werden ebenfalls vom »Beijing Consensus on Artificial Intelligence and Education in Education« (2019) betont und hervorgehoben. Ebenso unterstreicht das am 9. Dezember 2023 veröffentlichte EU-Gesetz zur Künstlichen Intelligenz die Bedeutung des Einsatzes von KI-Systemen in der Bildung. Vorrangig soll dies erreicht werden, indem eine hochwertige digitale Bildung gefördert und es Lehrenden und Lernenden ermöglicht wird, wesentliche digitale Kompetenzen, einschließlich der Medienkompetenz und dem kritischen Denken, zu erwerben.
Das FUTURE-STEM-HUB Projekt zielt darauf ab, diese Lücke zu schließen, indem junge Lernende und ihre Lehrenden frühzeitig für KI sensibilisiert werden. Durch die Bereitstellung von Lehrmaterialien und Online-Lernerfahrungen, die auf die Fähigkeiten von Lernenden zugeschnitten sind, soll das Thema »KI« entmystifiziert und vorrangig das Interesse an Technik geweckt werden, wodurch eine Kultur des lebenslangen Lernens und der Innovation in der MINT-Ausbildung gefördert wird.
Hierzu werden folgende Teilziele bearbeitet:
| KI-Konzept | Beschreibung | Didaktischer Fokus im Seminar |
| Entscheidungsbäume [symbolische KI] | KI trifft Entscheidungen basierend auf Ja/Nein-Fragen des Users | Logik, strukturierte Problemlösung, Automatisierung |
| K-Nearest Neighbors (KNN) [Klassifikation, Supervised Learning] | Klassifikations- und Regressionsalgorithmus, bei dem die Klasse eines Datenpunkts basierend auf der Mehrheit der „nächsten Nachbarn“ bestimmt wird. KNN verwendet die Ähnlichkeit zwischen Datenpunkten (häufig basierend auf der euklidischen Distanz). | Erklärung von „Ähnlichkeit“ und „Nachbarschaft“. |
| Neuronale Netze (vereinfacht) [Deep Learning] | Informationsverarbeitung durch Schichten | Modellbildung, Vernetzung, Black-Box-Prinzip |
| Reinforcement Learning / Q-Learning (Belohnungs- und Bestrafungslernen) [Agentenbasierter KI] | Belohnung steuert Verhalten (z. B. Maus und Käse im Labyrinth). Ist eine Form des Verstärkungslernens, bei der ein Agent lernt, welche Aktionen in einer gegebenen Umgebung die höchste Belohnung einbringen. Der Agent speichert seine Erfahrungen in einer Q-Tabelle und passt seine Strategie basierend auf diesen Erfahrungen an. | Erklärung der Grundprinzipien von Belohnung, Bestrafung und Exploration oder anhand positiver und negativer Rückmeldungen. |
| Bayes’sche Netze (Bayesian Networks) [Wahrscheinlichkeitsbasierte KI] | Stellen probabilistische Beziehungen zwischen Variablen dar. Sie verwenden Bayessche Inferenz, um neue Informationen zu verarbeiten und Vorhersagen zu treffen. | Wahrscheinlichkeitstheorie, Einführung in das Konzept der bedingten Unabhängigkeit. |
| K-Means Clustering [Unsupervised Learning] | K-Means ist ein unüberwachter Lernalgorithmus, der verwendet wird, um Daten in K Cluster zu unterteilen, wobei jeder Punkt dem Cluster zugeordnet wird, dessen Zentrum am nächsten ist. | Clustering-Prozesses |
| Monte-Carlo-Methoden | Nutzen Zufallssimulationen, um Probleme zu lösen oder Vorhersagen zu treffen. | Zufallsbasiertes Denken fördern, Probieren statt Planen, Einführung in Wahrscheinlichkeiten |
| Hebb’sches Lernen | In neuronalen Netzen verstärken sich Gewichte zwischen gleichzeitig aktiven Neuronen. Dieses Prinzip bildet die Grundlage für das Erkennen wiederkehrender Muster. | Soziales Lernen als Analogie, Kinder erkennen, wie Lernen durch Wiederholung und gleichzeitige Aktivierung funktioniert. |
| Markov-Ketten [Probabilistische KI-Modelle] | Markov-Ketten beschreiben Systeme, die von Zustand in den nächsten wechseln, wobei einem der nächste Zustand nur vom aktuellen Zustand abhängt, jedoch nicht von der gesamten Vorgeschichte. | Zustandsübergänge und Wahrscheinlichkeiten, Förderung von logischem Denken und Vorhersagefähigkeit. |
| Constraint Satisfaction Problems (CSPs) [Symbolische KI] | Probleme, bei denen Variablen Werte zugewiesen bekommen müssen, sodass bestimmte Einschränkungen erfüllt sind. | Förderung logischen Denkens und Problemlösens, systematisches Ausprobieren und Eliminieren, Einführung in Backtracking-Algorithmen: Logikrätsel (z. B. Zebra-Rätsel), Stundenplanerstellung, Sudoku |
| Natural Language Processing (NLP) | Techniken, wie Tokenisierung, Word Embeddings oder Transformer, ermöglichen es KI, natürliche Sprachen zu analysieren und zu generieren. | Anwendungen wie Chatbots, Übersetzung, Textzusammenfassung. |
| Swarm Intelligence (Ameisenalgorithmen) [Bio-inspirierte KI] | Kollektives Problemlösen durch dezentrale Systeme inspiriert von Tiergruppen wie Ameisen oder Vogelschwärmen. | Dezentrale Systeme, Emergenz, Optimierungsstrategien, Pfadfinder |
