Authentische Modellierung am Beispiel von Data Science und Künstlicher Intelligenz

Abstract

Methoden aus den Bereichen Data Science (DS) und Künstliche Intelligenz (KI) verbergen sich hinter zahlreichen Anwendungen unseres Alltags, sei es bei Empfehlungssystemen für Filme oder bei Gesichtserkennungssystemen zum Entsperren unseres Smartphones. Aus der enormen Relevanz derartiger Anwendungen für unsere Gesellschaft ergibt sich die Forde-rung nach einer stärkeren Einbindung von Fragestellungen aus DS und KI in den schulischen Unterricht. Unsere These ist, dass dies zu einem guten Teil im Mathematikunterricht statt-finden kann und sollte, denn letztlich ist das, was bei der Bearbeitung von DS-Fragestellungen betrieben wird, mathematische Modellierung mit besonderem Fokus auf dem Umgang mit (zahlreichen) Daten. Die verwendeten mathematischen Methoden sind oftmals elementar und mit Schulwissen zugänglich, z. B. mit analytischer Geometrie. Im Vortrag werden atomistische und holistische Ansätze zur Gestaltung von mathemati-schem Modellierungsunterricht zu DS-Fragestellungen vorgestellt und Erfahrungen aus Pro-jekten mit Schüler:innen geteilt. Es wird diskutiert, inwieweit sich Probleme aus dem Be-reich DS eignen, um mehrere Ziele zugleich anzugehen: authentisches Modellieren erlauben, Data Literacy im Sinne einer umfassenden Datenkompetenz zu fördern und Lernenden einen Einblick in die Funktionsweise von DS-Methoden sowie Risiken und Chancen von KI-Systemen zu geben.

Sarah Schönbrodt

Assistant professor @ University of Salzburg, Austria

Research in Mathematics Education and AI Education