Publikationen

Sarah Schönbrodt, Martin Frank (2024). Teaching data-driven machine learning in mathematics education. (angenommen) In: Fourteenth Congress of the European Society for Research in Mathematics Education (CERME14).

Christina Wallner-Paschon, Lisa Wiesinger, Sarah Schönbrodt, Lana Ivanjek (2024). TIMSS 2023: Zusammenfassung und Diskussion der Ergebnisse. In: Wallner-Paschon, C. & Wiesinger, L. TIMSS 2023 Ergebnisbericht, S. 123–138.

PDF DOI

Sarah Schönbrodt, Reinhard Oldenburg (2024). Mathematische Grundlagen als Schlüssel zu einem allgemeinbildenden Verständnis von KI: Theoretische Perspektiven und praktische Unterrichtsideen. Mathematik im Unterricht, 15, 17–36.

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. Proceedings of DELFI Workshops 2024. Gesellschaft für Informatik e.V.

PDF Zitieren DOI

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

PDF DOI

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

PDF DOI

Lena von Kotzebue, Freya Steinacher, Sarah Schönbrodt (2024). KI im Biologieunterricht: Von den Grundlagen zur praxisorientierten Anwendung. In: J. Huwer et al. (Hrsg.). Kompetenzen für den Unterricht mit und über Künstliche Intelligenz. Perspektiven, Orientierungshilfen und Praxisbeispiele für die Lehramtsausbildung in den Naturwissenschaften. Watzmann-Verlag.

PDF

Rolf Biehler, Sarah Schönbrodt, Martin Frank (2024). KI als Thema für den Mathematikunterricht. mathematik lehren, 244, Friedrich-Verlag, S. 2–7.

PDF

Sarah Schönbrodt, Lisa Rantzau (2024). Und, was schaust du so? – Wie Streamingdienste unsere Präferenzen vorhersagen. mathematik lehren, 244, Friedrich-Verlag, S. 30–35.

PDF

Sarah Schönbrodt (2024). KI in der Medizin – Klassifizierungsprobleme mit Geraden lösen. mathematik lehren, 244, Friedrich-Verlag, S. 14–18.

PDF

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

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

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).

PDF Zitieren

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).

PDF Zitieren

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

PDF Zitieren 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 Zitieren 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.

Zitieren 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.

Zitieren 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.

Zitieren 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 Zitieren

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.

Zitieren DOI

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

Zitieren 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.

Zitieren 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.

Zitieren

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.

Zitieren 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.

Zitieren

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

Zitieren 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.

Zitieren DOI