Publications

Sarah Schönbrodt, Hanna Dohmen, Paul Pommer, Steffen Schneider, Nicolas Berberich, KI macht Schule Team (2024). Bildung mit und über KI in der Schule: Umsetzung einer partizipativen Unterrichtsplattform. (angenommen). 22. Fachtagung Bildungstechnologien (DELFI). Bonn: Gesellschaft für Informatik e.V..

Cite

Sven Hüsing, Sarah Schönbrodt (2024). Förderung von Epistemic Agency – Entwicklung von Computational Essays bei der Bearbeitung datengetriebener, realer Problemstellungen. (im Druck). In: Beiträge zum Mathematikunterricht 2024, WTM-Verlag.

Stephan Kindler, Sarah Schönbrodt, Martin Frank (2024). Moderner Mathematikunterricht: Vermittlung der mathematischen Grundlagen künstlicher Neuronaler Netze. (im Druck). In: Beiträge zum Mathematikunterricht 2024, WTM-Verlag.

Lena von Kotzebue, Freya Hutter, Sarah Schönbrodt (2024). KI im Biologieunterricht: Von den Grundlagen zur praxisorientierten Anwendung. (im Druck). Kompetenzen für den Unterricht mit und über Künstliche Intelligenz. Perspektiven, Orientierungshilfen und Praxisbeispiele für die Lehramtsausbildung in den Naturwissenschaften.

Stephanie Hofmann, Sarah Schönbrodt (2024). Projektkurs für Mädels: Mit Mathe und KI reale Probleme lösen. Mitteilungen der Deutschen Mathematiker-Vereinigung 32(2), pp. 124–126.

PDF

Rolf Biehler, Sarah Schönbrodt, Martin Frank (2024). KI als Thema für den Mathematikunterricht. mathematik lehren, 244, Friedrich-Verlag.

PDF

Sarah Schönbrodt, Lisa Rantzau (2024). Und, was schaust du so? – Wie Streamingdienste unsere Präferenzen vorhersagen. mathematik lehren, 244, Friedrich-Verlag.

PDF

Sarah Schönbrodt (2024). KI in der Medizin – Klassifizierungsprobleme mit Geraden lösen. mathematik lehren. Friedrich-Verlag, 244.

PDF

Sarah Schönbrodt, Martin Frank (2024). Wie viel Mathe steckt in mathematischer Modellierung? – Eine Antwort am Beispiel der Optimierung. Der Mathematikunterricht. Friedrich-Verlag, 70(1), 35-44.

PDF Cite

Stephan Kindler, Sarah Schönbrodt, Martin Frank (2023). From school mathematics to artificial neural networks: Developing a mathematical model to predict life expectancy. In: Thirteenth Congress of the European Society for Research in Mathematics Education (CERME13).

Cite

Sarah Schönbrodt, Katja Hoeffer, Martin Frank (2023). AI education as a starting point for interdisciplinary STEM projects. In: Thirteenth Congress of the European Society for Research in Mathematics Education (CERME13).

Cite

Sarah Schönbrodt, Martin Frank (2023). Klassifizierungsprobleme: Maschinelles Lernen und KI im Mathematikunterricht. In: Beiträge zum Mathematikunterricht 2022, WTM Verlag.

PDF Cite DOI

Sarah Schönbrodt, Thomas Camminady, Martin Frank (2022). Mathematische Grundlagen der Künstlichen Intelligenz im Schulunterricht - Chancen für eine Bereicherung des Unterrichts in linearer Algebra. Mathematische Semesterberichte. Springer. 69. 73–101.

PDF Cite DOI

Sarah Schönbrodt (2022). Erneuerbare Energien – Modellierung und Optimierung eines Solarkraftwerks. In: M. Frank & C. Roeckerath (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 9. Realitätsbezüge im Mathematikunterricht, S. 15-69. Springer.

Cite DOI

Martin Frank, Christina Roeckerath, Sarah Schönbrodt (2022). Einführung. In: M. Frank & C. Roeckerath (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 9. Realitätsbezüge im Mathematikunterricht, S. 1-6. Springer.

Cite DOI

Maike Gerhardt, Maren Hattebuhr, Sarah Schönbrodt, Kirsten Wohak (2022). Aufbau und Einsatzmöglichkeiten des Lehr- und Lernmaterials. In: M. Frank & C. Roeckerath (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 9. Realitätsbezüge im Mathematikunterricht, S. 7-14. Springer.

Cite DOI

Sarah Schönbrodt, Martin Frank (2022). Data Science and Machine Learning in mathematics education: High-school students working on the Netflix Prize. In: Twelfth Congress of the European Society for Research in Mathematics Education (CERME12).

PDF Cite

Sarah Schönbrodt (2022). Optimierungsprobleme in der mathematischen Modellierung: Grundlegende Aspekte und Chancen aus Sicht der Mathematikdidaktik – herausgestellt an aktuellen Problemen aus der Forschung zu künstlicher Intelligenz und erneuerbaren Energien. Dissertation, Fakultät für Mathematik, KIT.

Cite DOI

Sarah Schönbrodt, Stephanie Hofmann (2022). Mathematische Modellierungswochen – auch online. Mitteilungen der Deutschen Mathematiker-Vereinigung, 30(1), 46-50.

Cite DOI

Sarah Schönbrodt, Kirsten Wohak, Martin Frank (2022). Digital Tools to Enable Collaborative Mathematical Modeling Online. Modelling in Science Education and Learning, 15(1), 151-174.

Cite DOI

Sarah Schönbrodt, Martin Frank (2021). Digitales Lernmaterial zur Netflix Challenge. In: K. Hein, C. Heil, S. Ruwisch & S. Prediger (Hrsg.). Beiträge zum Mathematikunterricht 2021, S. 1534–1534. WTM Verlag.

Cite

Kirsten Wohak, Maike Sube, Sarah Schönbrodt, Martin Frank, Christina Roeckerath (2021). Authentische und relevante Modellierung mit Schülerinnen und Schülern an nur einem Tag?!. In: M. Bracke, M. Ludwig & K. Vorhölter (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 8. Realitätsbezüge im Mathematikunterricht, S. 37–50. Springer.

Cite DOI

Sarah Schönbrodt, Martin Frank (2020). Schüler/innen forschen zu erneuerbaren Energien – Optimierung eines Solarkraftwerks. In: H.-S. Siller, W. Weigel & J. F. Wörler (Hrsg.), Beiträge zum Mathematikunterricht 2020, S. 1534–1534. WTM-Verlag.

Cite

Sarah Schönbrodt (2019). Maschinelle Lernmethoden für Klassifizierungsprobleme – Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern. Springer, BestMasters.

Cite DOI

Martin Frank, Pascal Richter, Christina Roeckerath, Sarah Schönbrodt (2018). Wie funktioniert eigentlich GPS? – ein computergestützter Modellierungsworkshop. In: Greefrath, G., Siller, HS. (Hrsg.) Digitale Werkzeuge, Simulationen und mathematisches Modellieren. Realitätsbezüge im Mathematikunterricht, S. 137–163. Springer Spektrum.

Cite DOI