ChapterPDF Available

Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften: DiKoLANKI

Authors:

Abstract

Künstliche Intelligenz (KI) ist nicht mehr nur ein Zukunftsthema, sondern bereits in vielen Bereichen der Lebens- und Arbeitswelt präsent und wird zukünftig als eine der Schlüsseltechnologien dieses Jahrhunderts noch an Bedeutung zunehmen. So ist KI bereits in vielen Bereichen des Alltags wie selbstverständ- lich integriert, sei es durch Sprachassistenten wie Siri oder Alexa, Gesichtser- kennung zum Entsperren des Smartphones, teilautonom fahrende Fahrzeuge oder als Unterstützung bei Textverarbeitung und Internetrecherche. Darüber hinaus findet KI auch vermehrt Einsatz in den Fachwissenschaften, insbesonde- re im Bereich der Naturwissenschaften und der Medizin. Eine besonders rasche Verbreitung ist derzeit für generative KI-Systeme zu verzeichnen, welche die Fähigkeit besitzen, auf Basis von Trainingsmodellen Inhalte wie Texte, Bilder, Sprache, Musik oder auch Videos selbstständig zu erzeugen. Der textgenerie- rende KI-Chatbot ChatGPT erreichte laut dem Unternehmen OpenAI innerhalb von nur fünf Tagen die Schwelle von einer Million Nutzerinnen und Nutzern, mittlerweile verwenden bis zu 1&& Millionen Menschen wöchentlich diese An- wendung. Die Auswirkungen der Technologie sind dabei derart einschneidend, dass KI mittlerweile als neue Basistechnologie aufgefasst werden kann, welche zu grundlegenden und tiefgreifenden gesellschaftlichen Veränderungen führt. KI-bezogene Kompetenzen werden damit zu Schlüsselkompetenzen, deren Entwicklung und Förderung im Besonderen in der Verantwortung der schu- lischen Bildung liegt, will Schule ihren Bildungsauftrag heute und zukünftig erfüllen. Dies bedingt allerdings entsprechend professionalisierte Lehrkräfte, welche über die notwendigen technologischen, didaktischen und pädagogi- schen Kompetenzen verfügen. Folgerichtig sind solche KI-bezogenen Kompe- tenzen in die Lehrkräftebildung in allen Phasen strukturell und nachhaltig zu integrieren. Diese Forderung findet sich auch in der Ergänzung zur Strategie der Kultusministerkonferenz „Bildung in der digitalen Welt“ (KMK, 2&21, S. 2(): „Dementsprechend sollte die Lehrerbildung angepasst werden, […] um […] zukunftsweisende Kompetenzen in den Handlungsfeldern Künstliche Intelli- genz, Big Data, [und] automatisierte Entscheidungssysteme […] integrieren zu können“. Aufgrund der vielfältigen Ein!ussbereiche ist der Kompetenzerwerb im Kontext von KI dabei eine Querschnittsaufgabe über die Unterrichtsfächer hinweg, was zur Folge hat, dass alle Lehrkräfte unabhängig vom Unterrichts- fach sowohl über allgemeine und fachspezifische KI-bezogene Kompetenzenals auch über didaktische und pädagogische Kompetenzen verfügen müssen, um diese neue Technologie in den jeweiligen Fachunterricht zu integrieren. Insbesondere vor dem Hintergrund, dass KI-basierte Anwendungen bereits Ein- zug in die Schule gehalten haben. So gaben bspw. bereits ein halbes Jahr nach Veröffentlichung () % der in einer repräsentativen Umfrage im Auftrag von Bit- kom e. V. befragten (&+ Schülerinnen und Schülern in Deutschland an, ChatGPT zu nutzen (Bitkom Research, 2&2)). Aufgrund der hohen Dynamik, sowohl was die technologische Weiterentwicklung als auch die Verbreitung betrifft, ist das Bildungssystem gefordert, unmittelbar zu reagieren und sich an die neuen Ge- gebenheiten anzupassen. Hierbei ist sowohl Handlungsschnelligkeit gefordert als auch Kooperation, wie die Ständige Wissenschaftliche Kommission in ihrem Impulspapier „Large Language Models und ihre Potenziale” richtig feststellt: „Hier besteht schneller Handlungsbedarf der Bildungsforschung, insbesondere der Fachdidaktiken, Lehrkräfte in enger Kooperation mit den Landesinstituten für Lehrkräftebildung zu schulen und in einer realistisch-re!ektierten Haltung zu stärken” (SWK, 2&2), S. 1+).
Dokumentation Präsentation Kommunikation/
Kollaboration
Recherche und
Bewertung
Messwert- und
Datenerfassung Datenverarbeitung Simulation und
Modellierung
Assessment, Feedback
und Adaptivität
Kompetenzen für den
Unterricht mit und über
Künstliche Intelligenz
Perspektiven, Orientierungshilfen und
Praxisbeispiele für die Lehramtsausbildung
in den Naturwissenschaften
Johannes Huwer, Sebastian Becker-Genschow, Christoph Thyssen,
Lars-Jochen Thoms, Alexander Finger, Lena von Kotzebue,
Erik Kremser, Monique Meier und Till Bruckermann (Hrsg.)
!
Inhalt
4 Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaf-
ten: DiKoLANKI
Johannes Huwer, Sebastian Becker-Genschow, Christoph Thyssen, Lars-Jochen Thoms, Lena
von Kotzebue, Alexander Finger, Erik Kremser, Sandra Berber, Mathea Brückner, Nikolai
Maurer, Till Bruckermann und Monique Meier
Praxisbeispiele für die Lehrpersonenbildung in den Naturwissenschaften
62 BioLogisch Denken: Mit KI Computational Thinking und naturwissenschaftliches Forschen
verknüpfen
Jan Wiedenmann, Alexander Aumann und Holger Weitzel
66 ChemStrucLearn – KI-basierte Bilderkennung zur Diagnose von Schülerfehlern beim Zeichnen
von Strukturformeln
Lars-Jochen Thoms, Tobias Rothlin, Mitra Purandare, Frieder Loch und Johannes Huwer
70 Das Würzburger KI-Projekt: ChatGPT als Reexionscoach im Lehr-Lern-Labor-Seminar Physik
Jens Damköhler, Wolfgang Lutz und Thomas Trefzger
74 Der Einsatz generativer KI in digitalen Projekten zur Förderung von Prompting und Co-Creati-
on-Prozessen
Sebastian Tassoti
78 Design Thinking zur Antizipation von Einsatzmöglichkeiten Künstlicher Intelligenz in Unter-
richt, Schule und Alltag
Lars-Jochen Thoms und Johannes Huwer
82 Ein einfaches neuronales Netz und seine Anwendung in der Biotechnologie
Michael te Vrugt
86 Eine vierteilige Modulreihe zur Förderung von Digital und Articial Intelligence (AI) Literacy in
der Lehrerbildung
Johannes Graup, Christina Hansen, Tamara Rachbauer und Eva Rutter
90 Einsatz von KI-basierten Chatbots in der Ausbildung von Sachunterrichtslehrkräften
Luisa Lauer, Sarah Poensgen und Markus Peschel
94 Entdeckungsreise KI: Lernen durch Gestalten und Analysieren
Jannik Henze, Sascha Therolf, Julia Lademann, André Bresges und Sebastian Becker-
Genschow
3
98 KI für die Professionalisierung von angehenden Biologielehrpersonen am Beispiel naturwis-
senschaftlicher Hypothesenbildung
Marit Kastaun, Norbert Hundeshagen, Martin Lange und Monique Meier
102 KI im Biologieunterricht: Von den Grundlagen zur praxisorientierten Anwendung
Lena von Kotzebue, Freya Hutter und Sarah Schönbrodt
106 KI in der naturwissenschaftlichen Lehrkräfteausbildung: KI-kompetente Lehrkräfte für die Ge-
staltung modernen Unterrichts
Patricia Kühne und Sascha Schanze
110 KI in gymnasialer und beruicher Lehrkräftebildung an der TUM: Interdisziplinäres und fachdi-
daktische Umsetzungsbeispiel
Arne Bewersdor und Claudia Nerdel
114 KI und Co. bewusst einplanen: KI-CoRes als unterstützendes Tool zur Unterrichtsvorbereitung
Lukas Mientus und Andreas Borowski
118 KI-generierte Bilder für MINT-Kontexte: Bildgeneratoren unter didaktischen Gesichtspunkten
einsetzen und reektieren
William Lindlahr
122 Künstliche Intelligenz im MINT-Unterricht: Entwicklung einer Lehrveranstaltung für Lehramts-
studierende
Jan Winkelmann, Luzia Leifheit, Sina Belschner, Heiko Holz, Benedikt Beuttler, Denise Löad
und Detmar Meurers
126 Let’s prompt – aber sicher!? Den Funktionsweisen künstlicher Intelligenz durch Computatio-
nal Thinking und Educational Robotics begegnen
Raphael Fehrmann
130 Möglichkeiten und Limitationen der Nutzung von KI für den naturwissenschaftlichen Unter-
richt – ein Weiterbildungskonzept
Nikolai Maurer und Mathea Brückner
134 Nichtgenerative KI im Biologieunterricht am Beispiel von Bilderkennung zur Blattbestimmung
Julia Albicker, Elena Yanakieva, Vanessa Knittel, Vanessa Welker, Thomas Becka, Barbara
Pampel, Annette Bieniusa, Johannes Huwer und Christoph Thyssen
138 Science-Future-Lab – ein innovatives Lehr-Lern-Laborkonzept zur Integration von Zukunfts-
technologien
Sandra Berber, Sabrina Syskowski und Johannes Huwer
4
Kompetenzen für den Unterricht mit
und über Künstliche Intelligenz in den
Naturwissenschaften: DiKoLANKI
Johannes Huwer, Sebastian Becker-Genschow, Christoph Thyssen, Lars-Jochen Thoms,
Lena von Kotzebue, Alexander Finger, Erik Kremser, Sandra Berber, Mathea Brückner,
Nikolai Maurer, Till Bruckermann und Monique Meier
Künstliche Intelligenz (KI) ist nicht mehr nur ein Zukunftsthema, sondern bereits
in vielen Bereichen der Lebens- und Arbeitswelt präsent und wird zukünftig
als eine der Schlüsseltechnologien dieses Jahrhunderts noch an Bedeutung
zunehmen. So ist KI bereits in vielen Bereichen des Alltags wie selbstverständ-
lich integriert, sei es durch Sprachassistenten wie Siri oder Alexa, Gesichtser-
kennung zum Entsperren des Smartphones, teilautonom fahrende Fahrzeuge
oder als Unterstützung bei Textverarbeitung und Internetrecherche. Darüber
hinaus ndet KI auch vermehrt Einsatz in den Fachwissenschaften, insbesonde-
re im Bereich der Naturwissenschaften und der Medizin. Eine besonders rasche
Verbreitung ist derzeit für generative KI-Systeme zu verzeichnen, welche die
Fähigkeit besitzen, auf Basis von Trainingsmodellen Inhalte wie Texte, Bilder,
Sprache, Musik oder auch Videos selbstständig zu erzeugen. Der textgenerie-
rende KI-Chatbot ChatGPT erreichte laut dem Unternehmen OpenAI innerhalb
von nur fünf Tagen die Schwelle von einer Million Nutzerinnen und Nutzern,
mittlerweile verwenden bis zu  Millionen Menschen wöchentlich diese An-
wendung. Die Auswirkungen der Technologie sind dabei derart einschneidend,
dass KI mittlerweile als neue Basistechnologie aufgefasst werden kann, welche
zu grundlegenden und tiefgreifenden gesellschaftlichen Veränderungen führt.
KI-bezogene Kompetenzen werden damit zu Schlüsselkompetenzen, deren
Entwicklung und Förderung im Besonderen in der Verantwortung der schu-
lischen Bildung liegt, will Schule ihren Bildungsauftrag heute und zukünftig
erfüllen. Dies bedingt allerdings entsprechend professionalisierte Lehrkräfte,
welche über die notwendigen technologischen, didaktischen und pädagogi-
schen Kompetenzen verfügen. Folgerichtig sind solche KI-bezogenen Kompe-
tenzen in die Lehrkräftebildung in allen Phasen strukturell und nachhaltig zu
integrieren. Diese Forderung ndet sich auch in der Ergänzung zur Strategie
der Kultusministerkonferenz „Bildung in der digitalen Welt“ (KMK, , S. ):
„Dementsprechend sollte die Lehrerbildung angepasst werden, […] um […]
zukunftsweisende Kompetenzen in den Handlungsfeldern Künstliche Intelli-
genz, Big Data, [und] automatisierte Entscheidungssysteme […] integrieren zu
können“. Aufgrund der vielfältigen Einussbereiche ist der Kompetenzerwerb
im Kontext von KI dabei eine Querschnittsaufgabe über die Unterrichtsfächer
hinweg, was zur Folge hat, dass alle Lehrkräfte unabhängig vom Unterrichts-
fach sowohl über allgemeine und fachspezische KI-bezogene Kompetenzen
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
5
als auch über didaktische und pädagogische Kompetenzen verfügen müssen,
um diese neue Technologie in den jeweiligen Fachunterricht zu integrieren.
Insbesondere vor dem Hintergrund, dass KI-basierte Anwendungen bereits Ein-
zug in die Schule gehalten haben. So gaben bspw. bereits ein halbes Jahr nach
Veröentlichung  der in einer repräsentativen Umfrage im Auftrag von Bit-
kom e. V. befragten  Schülerinnen und Schülern in Deutschland an, ChatGPT
zu nutzen (Bitkom Research, ). Aufgrund der hohen Dynamik, sowohl was
die technologische Weiterentwicklung als auch die Verbreitung betrit, ist das
Bildungssystem gefordert, unmittelbar zu reagieren und sich an die neuen Ge-
gebenheiten anzupassen. Hierbei ist sowohl Handlungsschnelligkeit gefordert
als auch Kooperation, wie die Ständige Wissenschaftliche Kommission in ihrem
Impulspapier „Large Language Models und ihre Potenziale richtig feststellt:
„Hier besteht schneller Handlungsbedarf der Bildungsforschung, insbesondere
der Fachdidaktiken, Lehrkräfte in enger Kooperation mit den Landesinstituten
für Lehrkräftebildung zu schulen und in einer realistisch-reektierten Haltung
zu stärken” (SWK, , S. ).
Digitale Transformation durch (und mit) KI in der
Gesellschaft
Mit der Einführung von digitalen Technologien, die KI einsetzen und für die
Masse zugänglich machen, ergeben sich neue Herausforderungen für die
Gesellschaft. Insbesondere die Einführung von ChatGPT als generative KI im
November  markiert ein Initialereignis, das diese Thematik in den gesell-
schaftlichen Fokus katapultierte. Die konkreten gesellschaftlichen Folgen und
Auswirkungen der Einführung dieser Technologie in ihrer Gänze sind noch nicht
absehbar. Dennoch kann davon ausgegangen werden, dass die Einführung
generativer KI einen starken Einuss auf viele Bereiche der Gesellschaft haben
wird. In der Bitkom-Studie „Digitale Teilhabe“ (Bitkom Research, ) wird dar-
gelegt, dass KI im digital geprägten Alltag der Menschen zunehmend eine Rolle
spielt. In einer repräsentativen Umfrage (Bitkom Research, ) mit mehr als
 Befragten geben  Prozent an, dass ihr alltägliches Leben bereits heute
durch KI vereinfacht wird. Die Mehrheit der Befragten ( Prozent) ist der Mei-
nung, dass alle Menschen die Möglichkeit erhalten sollten, sich mit KI vertraut
zu machen. Obwohl  Prozent angeben, dass KI den Menschen entmündigt,
sehen  Prozent die KI als Chance für die Gesellschaft und nur  Prozent als
Gefahr. Gemessen an diesen Zahlen ist KI in der Gesellschaft bereits angekom-
men, wird aktuell akzeptiert und wird zu Veränderungen führen.
Auch auf dem Arbeitsmarkt hat die Einführung von KI starke Veränderungen
hervorgerufen und wird dies weiterhin tun. Es ist davon auszugehen, dass
hierbei neben gezielt und strukturiert angestoßenen Prozessen mit überge-
ordneten, denierten Zielen (im Bereich von Institutionen und Firmen, d. h.
Verwaltung und Ökonomie) auch autodynamische Prozesse, die von Endbe-
nutzern ohne zentrale Steuerung und vorab denierten Zielen aus individuel-
lem Handeln heraus getrieben werden, zu beobachten sind und sein werden.
Abseits dieser individuellen Nutzung sehen Experten im Bereich strukturierter
Änderungen zunächst einfache, repetitive Tätigkeiten oder Routineaufgaben,
die durch intelligente Systeme übernommen werden (World Economic Forum,
). Durch weitere Verbesserungen z. B. der neuronalen Netzwerke und zu-
6
nehmender Rechenkapazitäten sind die Potenziale jedoch kaum absehbar. Die
OECD () nennt verschiedene Anwendungsfelder vom Finanzdienstleister
bis hin zur Landwirtschaft, in denen KI zu einer Produktivitätssteigerung und
Veränderung der Arbeitswelt beitragen wird. Es wird gefordert, dass dabei auch
die Menschen mitgenommen und qualiziert werden müssen (André & Bauer
et al., ). Umgekehrt wird aber auch deutlich, dass Institutionen ebenso sen-
sibilisiert und qualiziert werden müssen, obwohl der sichtbare Gesamteinuss
von KI auf den Arbeitsmarkt noch gering ist (OECD, ). So wird KI durchaus
schon ohne Wissen des Arbeitgebers genutzt, um den eigenen Workload zu
reduzieren. Daraus resultiert im individuellen Fall die Frage, ob es sich hier-
bei um Arbeitszeitbetrug (Jacobs, ) handelt und in der gesellschaftlichen
Gesamtbetrachtung die Problematik, dass nicht jeder gleichermaßen von KI
protieren kann. Aktuell fühlt sich aber jeder Vierte von zehn Deutschen von
der zunehmenden Digitalisierung überfordert, sieht aber gleichzeitig das Po-
tenzial von KI-Anwendungen, den Alltag zu vereinfachen und gesellschaftliche
Teilhabe zu ermöglichen (Studie zur digitalen Teilhabe, Bitkom Research, ).
Um diese Potenziale tatsächlich für eine gesellschaftliche Teilhabe nutzen zu
können, muss entsprechendes Wissen erlernt und müssen korrespondierende
Kompetenzen entwickelt werden, wodurch dem Bildungssystem und dem Prin-
zip des lebenslangen Lernens eine besondere Bedeutung zukommen. Anders
als bisherige Technologien haben KI-Systeme keinen nalen „Ist-Zustand“, son-
dern verändern sich mit und durch die Nutzung ständig weiter (André & Bauer
et al., ). Dabei ändern sich, wie obige Beispiele zeigen, nicht nur Details der
Nutzung, sondern auch Anwendungsfelder und Nutzergruppen sowie Kontex-
te der Nutzung, d. h., aus dem privaten Umfeld wird das Nutzungsverhalten im
dienstlichen Bereich übernommen und umgekehrt. Neben einer zumeist pro-
duktorientierten Nutzung und Perspektive sind vielmehr auch gesellschaftliche
Interaktionen und der Einuss auf die Gesellschaft von KI mitzudenken. So kann
KI Kommunikation und Interaktion zwischen Menschen beeinussen (Hohen-
stein et al., ). Beim Austausch von Nachrichten entscheiden sich Menschen
für den Einsatz von KI, wenn die Möglichkeit dazu besteht. Sie erhöhen damit
die Geschwindigkeit der Kommunikation und generieren auch eine emotional
positivere Sprache (entsprechend den Höichkeitsregeln aktueller KI-Systeme).
Gleichzeitig werden jedoch Kommunikationspartner, von denen angenommen
wird, dass sie mehr algorithmische Antworten verwenden, als weniger koopera-
tiv und zugehörig sowie dominanter wahrgenommen. KI wird also auch abseits
der Produktivitäts- und Eektivitätssteigerungen sowie den damit verbunde-
nen Veränderungen im Arbeitsmarkt das gesellschaftliche Miteinander und da-
mit die Gesellschaft an sich verändern. Deepfakes als KI generierte „Fake News“
(Akhtar et al., ) sind ein weiteres Beispiel, das weitreichende gesellschaftli-
che Risiken (z. B. im politischen und wirtschaftlichen Bereich) deutlich macht.
Digitale Transformation durch (und mit) KI in der
naturwissenschaftlichen Forschung und Anwendung
Künstliche Intelligenz wird im Jahr  zu den zehn wichtigsten aufstrebenden
Technologien in der Chemie gezählt (Gomollón-Bel, ). Der Einuss von KI
hat in sämtlichen Disziplinen erheblich zugenommen und birgt das Potenzial,
verschiedene Branchen grundlegend zu verändern. Prognosen zufolge werden
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
&
durch KI über  Millionen neue Arbeitsplätze in den Bereichen Big Data und
maschinelles Lernen entstehen (World Economic Forum, ). In Deutschland
nutzt mittlerweile jedes achte Unternehmen KI, was einem Anteil von rund 
Prozent entspricht. Die weltweit größten Technologieunternehmen wie Google,
Apple und Microsoft investieren massiv in die Forschung und Entwicklung von
KI-Werkzeugen. Im Jahr  wird die Marktgröße von KI auf , Milliarden
US Dollar geschätzt. Bis  soll sie auf ., Milliarden ansteigen (Grand
View Research, ).
Die fortschreitenden technologischen Entwicklungen führen zu einer kontinu-
ierlichen Verbesserung der KI-Technologie, wodurch diese zunehmend ezi-
enter, zuverlässiger und schneller wird. Die Verwendung neuer Supercomputer
und Big-Data-Technologien erlaubt die Interpretation großer Datenmengen
mittels Machine Learning (ML) und neuronaler Netzwerke, was in vielen Diszi-
plinen von Bedeutung ist (Duan et al., ). Die Analyse dieser umfangreichen
Datenmenge erfordert ohne den Einsatz diverser KI-Methoden enorme Exper-
tise, hohe nanzielle Aufwendungen sowie einen beträchtlichen Zeitaufwand
(Cardoso Rial, ). KI stellt dabei ein wichtiges Werkzeug dar, welches die Art
und Weise, wie Forschung durchgeführt wird, nachhaltig verändert. Darüber
hinaus ermöglicht KI die Realisierung neuer wissenschaftlicher und technologi-
scher Fortschritte, die zuvor undenkbar waren.
In einem Review von Berber et al. (in review) wurden insgesamt  Anwendungs-
beispiele aus den Fachbereichen Chemie, Physik und Biologie sowie deren Fach-
gebieten für Künstliche Intelligenz (KI) der Top  hochrangigen Q-Journals
identiziert. Verteilt auf  verschiedene Fachgebiete wird der vielfältige Ein-
satz von KI in den Fachwissenschaften deutlich (Abbildung ). Die Fachgebiete
Pharmakologie, Materialwissenschaften, Biochemie, organische Chemie und
Mikrobiologie sind dabei besonders häug vertreten. KI-Anwendungsbeispiele
aus den Bereichen Chemie, Physik und Biologie sowie aus den interdisziplinären
Feldern wie Physikalische Chemie und Biochemie können Tabelle entnommen
werden. Die Beispiele hier zeigen die breiten Einsatzmöglichkeiten und den
interdisziplinären Charakter von KI-Technologien. Insbesondere die Vorhersage
von biologischen und chemischen Prozessen, das Design neuer Materialien
und Medikamente sowie die Automatisierung und Optimierung von Labor-
prozessen stehen im Fokus der aktuellen Forschung und Anwendung im na-
turwissenschaftlichen Feld. Der bedeutsame Einzug und Vormarsch von KI in
den Fachwissenschaften sollte auch in den korrespondierenden Fachunterricht
durch entsprechende Kontextualisierung der Lerninhalte, der sich an der Wei-
terentwicklung im Bereich KI orientiert, eingebracht werden. Für die naturwis-
senschaftlichen Fächer lassen sich eine Reihe an Kontexten identizieren, die
authentisches und gesellschaftsrelevantes Lernen im Fach ermöglichen. Dies
wird im Folgenden anhand ausgewählter Beispiele aus den Naturwissenschaf-
ten verdeutlicht.
KI in der Biochemie – AlphaFold
Die Vorhersage von Proteinstrukturen stellt eine der größten Herausforderun-
gen in der Biochemie dar. Trotz der Entdeckung von über  Millionen Prote-
inen ist bisher nur ein Bruchteil der Strukturen bekannt (ca. .) (Service,
). Die freie Software bzw. KI-Plattform AlphaFold nimmt hier eine revolu-
8
tionäre Rolle ein und führte bereits zu einer Vorhersage von Proteinstrukturen
von mehr als  Millionen Proteinen (Yang et al., ). Vor der Einführung von
AlphaFold war die vollständige Entschlüsselung der Struktur eines Proteins
oft mit einem Zeitaufwand von mehreren Jahren, in einigen Fällen sogar von
Jahrzehnten, verbunden (Service, ). Im Vergleich dazu erledigt AlphaFold
diese Aufgabe in sehr kurzer Zeit und mit höherer Ezienz. Die Anwendung
künstlicher Intelligenz auf strukturelle und genetische Daten ermöglicht es Al-
phaFold , anhand der Aminosäuresequenz die dreidimensionale Struktur von
Proteinen präzise vorherzusagen. Dies ist von entscheidender Bedeutung, um
die Funktion von Proteinen zu verstehen und potenzielle Methoden zu ihrer Be-
einussung zu entwickeln. Dies spielt insbesondere eine entscheidende Rolle
bei der Entdeckung neuer und verbesserter Medikamente (Callway, ).
KI in der Zellbiologie und Diagnostik – Bildverarbeitung
Eine weitere Errungenschaft vor allem für die medizinische Diagnostik ist die
Bilderkennung durch KI. Sie bietet enorme Potenziale in der medizinischen
Früherkennung von Anomalien, insbesondere bei Krankheiten wie Krebs, wel-
che für das menschliche Auge oft schwer zu entdecken sind. Durch eine schnel-
lere und genauere Diagnose können die Behandlungschancen und -ergebnisse
erheblich verbessert werden. Ebenso ist es beispielsweise möglich, eine Vor-
hersage des Ansprechens auf eine Immuntherapie über immunhistochemische
Andere
30%
Pharmakologie
16%
Mat eria lwis se nsch aft en
14%
Geowissenschaften
10%
Biochem ie
8%
Orga nische Che mie
7%
Mikrobiologie
6%
Chem ische Ver fahre nste chnik
5%
Astrophysik
4%
Abb. 1 KI-Anwendung in verschiedenen Fachbereichen (Berber et al., in review)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
(
Färbungen des PD-L (Programmed cell death ligand-) mittels KI genauer und
vor allem schneller zu treen (Cheng et al., ). Die traditionelle Methode zur
Messung der PD-L-Expression ist für Pathologen schwierig und inezient, da
das manuelle Zählen von Tumorzellen nicht genau und schwer reproduzierbar
ist. Die KI hingegen erkennt und markiert Tumorzellen anhand pathologischer
Merkmale und der PD-L-Färbung, was eine ähnliche Genauigkeit wie bei
menschlichen Pathologen ermöglicht.
KI in der Synthesechemie – Retrosyntheseplanung
Für die Pharmakologie interessante Moleküle stammen häug aus natürlichen
Quellen. Die Synthese solcher Moleküle gestaltet sich jedoch aufgrund ihrer
oft sehr hohen Komplexität meist als schwierig; idealerweise sollte das Produkt
aus wenigen, leicht zugänglichen (bzw. billigen) Ausgangsstoen in möglichst
wenigen Syntheseschritten und mit einer hohen Produktausbeute synthetisiert
werden können. Eine solche Synthese zu planen ist sehr zeitintensiv und kom-
pliziert, da die Anzahl möglicher weiterer Synthesewege nach jedem erfolgten
Schritt extrem groß ist. Spezische KI-Systeme sind jedoch in der Lage, passen-
de Syntheserouten zu entwerfen (bspw. Liu et al., ; Segler & Waller, ).
Hierzu analysieren sie Reaktionsdatenbanken und lernen komplexe Muster in
Molekülstruktur-Reaktivitäts-Beziehungen, um für ein bestimmtes Produkt Sät-
ze von Reaktanten vorherzusagen, die zur Synthese dieses Produkts verwen-
det werden können. Die aktuelle Forschung zielt darauf ab, den KI-basierten
Vorhersage- und Auswahlprozess der Reaktanten weiter zu verbessern, indem
bspw. neben strukturellen auch energetische Faktoren der Reaktionen (Lin et
al., ) sowie „empirisches Wissen“ zu Synthesestrategien (Ishida et al., )
berücksichtigt werden.
KI in der Astrophysik – KMAs
Koronale Massenauswürfe (KMAs) werden durch Sonneneruptionen ausgelöst
und bestehen aus Plasma und Magnetfeldern der Sonne. Sie können sich von
der Sonnenkorona in die Heliosphäre ausbreiten. Zur Erde gerichtete KMAs kön-
nen mit der Magnetosphäre der Erde interagieren und korrelieren daher häug
mit dem Auftreten von geomagnetischen Stürmen und können die korrekte
Funktion von weltraum- und bodengestützten Kommunikations-, Navigations-
und Energiesystemen beeinträchtigen (Howard, ). Aktuelle Ansätze der
Astrophysik stützen sich auf KI, um die Ankunftszeit von KMAs anhand großer
Datensätze von Beobachtungen der KMA-Parameter an der Sonne (bspw. die
anfängliche Ausbreitungsgeschwindigkeit, die KMA-Masse und den anfängli-
chen Querschnitt) noch akkurater vorhersagen zu können (bspw. Guastavino
et al., ).
KI in der Materialwissenschaft
Innerhalb eines Zeitraums von zwei Jahren konnten in den Materialwissen-
schaften über , Millionen neue Materialien entdeckt werden, was etwa dem
Wissen von  Jahren entspricht (Merchant & Cubuk, ). Die Vorhersage
von Materialeigenschaften mittels KI beruht auf der Verwendung umfangrei-
cher Datensätze zu Materialien und ihren Eigenschaften. Diese Daten werden
genutzt, um KI-Modelle zu trainieren, die komplexe Beziehungen zwischen Ma-
)0
Tab. 1 Anwendungsbereiche und Funktionen von KI in verschiedenen Fachgebieten
Anwendungs-
bereich
Funktion Fachgebiete DiKoLANKI-
Bereiche
Quellen
Struktur-
vorhersage
Bereits bekannte Proteinstrukturen werden aus
Proteindatenbanken als Grundlage/Trainings-
daten herausgeltert.
Pharmakologie,
Medikamenten-
entwicklung
SM, DV, RB Jumper et al. (2021)
Proteinstrukturvorhersage (bspw. über
AlphaFold) ndet anhand von AS-Sequenz-
vergleichen und bekannten Strukturverhalten
(Proteindatenbankanalyse) statt.
Pharmakologie,
Medikamenten-
entwicklung,
Proteindesign
SM, DV, RB Díaz-Rovira et al. (2023),
Essegian et al. (2023), Grail-
le et al. (2023), Jumper et
al. (2021), Ren et al. (2023),
Schauperl & Denny (2022),
van Breugel et al. (2022)
Mit Hilfe von vorhergesagten und bekannten
Proteinstrukturen und Bindungsanitäten
(Datenbanken) kann die Bindungsanität
von verschiedenen Liganden prognostiziert
werden (Enzymligandenndung). Dies kann
auch hilfreich sein im Einsatz zur Suche von
chemischen Sonden.
Pharmakologie,
Medikamenten-
entwicklung,
Ligandenndung
SM, DV, RB Maki et al. (2022), Essegian
et al. (2023)
Histologische
oder Röntgen-
bildverarbei-
tung
Anhand von Trainingsdaten (Bildern) kann die
KI z. B. mikroskopische Aufnahmen oder Rönt-
genbilder klassizieren, um bspw. Lungenkrebs
im histologischen Schnitt oder Bakterienkoloni-
en auf einer Kulturplatte zu erkennen.
Krebsdiagnostik,
Diagnostik von
Bakterienkolonien
MD Chan et al. (2020), Cheng et
al. (2022), Liu et al. (2022),
Signoroni et al. (2023)
Literatur-
datenbank-
analyse
Eine Vorhersage von Forschungsschwerpunk-
ten kann über eine Literaturrecherche durch
eine KI angefertigt werden.
Allgemein RB, DV, SM Xu et al. (2023)
Zur Verarbeitung von Daten für Kategorisierungen und Vorhersagen können KI-Systeme z. B. auf folgende Daten
zurückgreifen:
ώMolekül- und Protein-Eigenschaften/-Struktur Pharmakologie,
Medikamenten-
entwicklung,
Proteindesign,
Ligandenndung
SM, DV, RB Jumper et al. (2021), Díaz-
Rovira et al. (2023), Essegi-
an et al. (2023), Graille et
al. (2023), Ren et al. (2023);
Schauperl & Denny (2022);
van Breugel et al. (2022),
Maki et al. (2022)
ώSynthesebedingungen Synthesechemie SM, DV Zheng et al. (2023)
ώVersuchsdurchführung Allgemein RB, DV, AFA Boiko et al. (2023)
Material-
eigenschaften
vorhersagen
KI kann die Entwicklung neuer Sto!e und Materialien erheblich beschleunigen:
ώDie Vorhersage energetischer Eigenschaf-
ten von Nanomaterialien (wie bspw. den
Bildungs- und Fermi-Energien) mittels KI
ermöglicht Aussagen über deren strukturelle
Eigenschaften.
Nanoscience,
Materialentwick-
lung
SM, DV Barnard & Fox (2023)
ώBasierend auf den Verarbeitungsbedingun-
gen eines Metalls kann KI zur Vorhersage
der darin vorkommenden Mikrostrukturen
verwendet und zur Erreichung von Zielstruk-
turen eingesetzt werden.
Metallurgie, Mate-
rialentwicklung
SM, DV Ackermann & Haase (2023)
Synthesen
planen
Planung von Syntheserouten mittels Retro-
synthese; KI berechnet auf Grundlage der
Reaktionen strukturell ähnlicher Stoe, welche
Reaktionsschritte am besten geeignet sind, um
ein gewünschtes Produkt zu synthetisieren.
Synthesechemie,
Medikamenten-
entwicklung
SM, DV Liu et al. (2017), Segler &
Waller (2017), Lin et al.
(2022), Ishida et al. (2022)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
))
terialzusammensetzung, Struktur und Eigenschaften erlernen können. Durch
dieses Training können KI-Modelle neue Materialeigenschaften vorhersagen,
indem sie bekannte Muster und Zusammenhänge erkennen und auf neue Ma-
terialien anwenden.
Die Entwicklungen im Bereich der KI führen nicht nur in den Naturwissenschaf-
ten, sondern auch im Bildungskontext, wie im naturwissenschaftlichen Unter-
richt, zu einer Transformation der Prozesse und Anwendungen für Schülerinnen
und Schüler sowie Lehrkräfte.
Tab. 1 Anwendungsbereiche und Funktionen von KI in verschiedenen Fachgebieten (Fortsetzung)
Anwendungs-
bereich
Funktion Fachgebiete DiKoLANKI-
Bereiche
Quellen
Sto daten-
banken
erstellen und
Labortätigkei-
ten dokumen-
tieren
ML kann zur automatischen Erstellung einer
Reaktionsdatenbank genutzt werden. Aus den
Informationen solcher Datenbanken können
KI-Modelle anschließend eine Vorhersage der in
einem heterogenen Katalysesystem möglichen
Reaktionen machen.
Katalysechemie DO, SM, DV Kang et al. (2022)
Übernahme bisher analoger bzw. händischer
Arbeitsschritte durch virtuelle, KI-basierte
Labor-Sprachassistenzen; per Sprachsteue-
rung werden Arbeitsaufträge – wie bspw. die
Dokumentation von Messwerten und Beobach-
tungen – mit hoher Genauigkeit verstanden
und umgesetzt.
Allgemein DO, AFA,
DV
LabTwin GmbH (2024),
LabVoice (2024)
Labortätigkei-
ten ausführen
Autonome Labore wie AlphaFlow und Cos-
cientist nutzen KI-basierte Funktionen, um
die Fähigkeiten menschlicher Forschender zu
ergänzen; assistiert wird bspw. bei der Optimie-
rung von Reaktionen, indem Literaturrecherche,
Einstellung von Laborgeräten und Reaktionsbe-
dingungen sowie Programmierungen autonom
stattnden.
Synthesechemie RB, AFA, DV Boiko et al. (2023), Volk et
al. (2023)
Störungen
vorhersagen
KI bestimmt die Ankunftszeit von koronalen
Masseauswürfen anhand verschiedener
Beobachtungsdaten, um das Auftreten
möglicher Kommunikationssystemstörungen
vorherzusagen.
Astrophysik SM, DV Guastavino et al. (2023)
Teilchen-
kollisionen
modellieren
Modellierung von Protoneninteraktionen bei
Kollisionen mittels Künstlicher Neuronaler
Netze; trainiert mit experimentellen Daten von
Protonenkollisionen sind entsprechende KI-
Systeme in der Lage sehr präzise Vorhersagen
über Ergebnisse von Kollisionen mit veränder-
ten Parametern zu treen und riesige Datensät-
ze von Realexperimenten auszuwerten.
Hochenergie-
physik
SM, DV El-Bakry & El-Metwally
(2003)
AFA = Assessment, Feedback, Adaptivität, DO = Dokumentation, DV = Datenverarbeitung, KK = Kommunikation und Kollaboration,
MD = Messwerte- und Datenerfassung, P = Präsentation, RB = Recherche und Bewertung, SM = Simulation und Modellierung
)!
Digitale Transformation durch (und mit) KI in der
Bildung
Im Bildungsbereich erönen KI-basierte Anwendungen eine Vielzahl an Mög-
lichkeiten zur Unterstützung von Lehrenden wie Lernenden. Die Studie „KI@Bil-
dung: Lehren und Lernen in der Schule mit Werkzeugen Künstlicher Intelligenz“
der Deutschen Telekom Stiftung (Schmid, Blanc & Toepel, ) identiziert drei
Ebenen für den Einsatz in der Schule (Abb. ): die „Mikro-Ebene des individuellen
Lernens und Übens“, die „Meso-Ebene des Lehrens, Unterrichtens und Prüfens
in Lerngruppen und Klassen“ und die „Makro-Ebene der Steuerung, Evaluation
und Planung von Schulen als Organisation und System“ (S. ).
Auf der Mikro-Ebene der Schülerinnen und Schüler steht der Lernprozess im
Vordergrund, d. h., KI-Anwendung können u. a. zum selbstgesteuerten Lernen,
zum unterstützten Üben sowie zur Selbstevaluation eingesetzt werden. Auf der
Meso-Ebene des Unterrichtens und Prüfens stehen dagegen Anwendungen
zum Assessment und zu Lernstandsanalysen, zur individuellen Förderung und
Klassenorganisation im Fokus. Bei der daraus resultierenden Individualisierung
von Lernprozessen kommt den Handlungsfeldern Diagnose, Feedback und ad-
aptive Unterstützung sowohl bei Lernenden als auch Lehrenden eine Schlüssel-
rolle zu. Darüber hinaus kann KI aber auch auf der Makro-Ebene des Evaluierens
und Planens zur Unterstützung der Schulorganisation und -entwicklung ver-
wendet werden. Durch die mittlerweile intuitive Bedienbarkeit, die einfache Zu-
gänglichkeit und in Teilen kostenlose Verfügbarkeit werden solche KI-Systeme
vermehrt auch bereits in der Bildungspraxis genutzt. Im Allgemeinen wird die-
ser Technologie ein großes Potenzial zur Verbesserung von Lehr-Lernprozessen
zugeschrieben (z. B. SWK, ; Heeg & Avraamidou, ; Ouyang & Jiao, ).
Insbesondere sollen entsprechende Anwendungen zur Bewältigung der großen
aktuellen Herausforderungen des Schulsystems beitragen, wie Heterogenität,
Inklusion und Lehrkräftemangel (z. B. Bryant et al., ), indem Schülerinnen
und Schüler beim Lernen unterstützt sowie Lernprozesse individualisiert und
Lehrkräfte damit eektiv in ihrem Unterricht entlastet werden (z. B. Chassignol
et al., ; Ouyang & Jiao, ; Roll & Wylie, ).
Nicht nur Bestehendes kann optimiert werden, auch neue Wege können bei-
spielsweise mit Learning-Management-Systemen (LMS) weit über die reine
Bereitstellung von Online-Lerninhalten hinaus beschritten werden, indem sie
z. B. eine interaktive und situationsexible Zusammensetzung von Lerngrup-
pen (nach Kompetenzen oder anderen situations- oder personenrelevanten
Merkmalen) ermöglichen (Luckin et al., ). In innovativen Massive Open
Online Courses (MOOCs) wie der Khan Academy kann KI-Unterstützung einen
individuellen Lernprozess kontinuierlich begleiten (kein „Stop and Test“) und
anpassen (Birkelbach et al., ). Dies geschieht global, ohne Sprachbarrieren
und nanzielle Hürden (Murphy, ) ganz im Sinne des vierten Ziels der Sus-
tainable Development Goals (Vereinte Nationen – Regionales Informationszen-
trum für Westeuropa, ). Darüber hinaus werden in Zukunft im Rahmen von
Educational Data Mining (Ampadu, ) und Learning Analytics (Luckin et al.,
) KI-Technologien genutzt, um datengetriebene Einsichten zu gewinnen,
die evidenzbasierte lerntheoretische Erkenntnisse im Bildungsbereich ermögli-
chen. Dies kann zu einer eektiveren und ezienteren Bildung führen, bei der
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
)3
Lehrmethoden und Lernmaterialien auf Grundlage konkreter Daten angepasst
werden können, um den Lernerfolg zu maximieren.
Konsequenzen für die Bildung in den
Naturwissenschaften in Schule und Hochschule
Trotz der breiten Anwendung und oensichtlichen Vorteile von KI im Bildungs-
sektor ist die Vermittlung von KI-Wissen und die Entwicklung entsprechender
Kompetenzen in der Lehrkräfteausbildung in Deutschland noch nicht ausrei-
chend thematisiert oder gar integriert. Der (zukünftige) Bedarf an KI-Kompe-
tenzen geht dabei über das bloße Verständnis der Technologie hinaus; Lehrkräf-
te müssen heutzutage in der Lage sein, KI pädagogisch und didaktisch sinnvoll
sowie verantwortungsbewusst im Klassenzimmer einzusetzen. Dies schließt
das Wissen um ethische Überlegungen, Datenschutz und die potenziellen Bias-
Problematiken mit ein, die mit KI-Systemen einhergehen können. Die Deutsche
Telekom Stiftung () und die Europäische Kommission () betonen in die-
sem Zusammenhang, dass Lehrkräfte und Schulleitungen bei der Implementie-
rung und Nutzung von KI-Systemen eine zentrale Rolle spielen, insbesondere
bei der Erkennung der Vorteile und der Handhabung der Herausforderungen.
Die damit verbundenen Anforderungen sind an jede Lehrkraft unabhängig
vom Unterrichtsfach zu richten. Denn die Kultusministerkonferenz hat in ihrer
Strategie „Bildung in der digitalen Welt“ bereits im Jahr  gefordert, dass
„Kompetenzen […], die für eine aktive, selbstbestimmte Teilhabe in einer digi-
talen Welt erforderlich sind […], integrativer Teil der Fachcurricula aller Fächer
[werden]“ (KMK, , S. ). Dies gilt mittlerweile auch für KI-bezogene Kompe-
tenzen, welche als Schlüsselkompetenzen für die zukünftige, von der Digitalität
geprägten Lebens- und Arbeitswelt von besonderer Bedeutung sind. Somit
steht jede Lehrkraft vor der Aufgabe, ja in der Picht, das Lehren und Lernen
mit und über KI systematisch in ihren Fachunterricht zu integrieren. Um ihrem
Abb. 2 Anwendungen von KI im schulischen Bildungsbereich (adaptiert nach Schmid et al., )
)4
Bildungsauftrag dementsprechend auch weiterhin gerecht werden zu können,
müssen Lehrkräfte über entsprechende didaktische, pädagogische und techno-
logische KI-bezogene Fähigkeiten und Fertigkeiten verfügen.
Die Realität der Lehrkräftebildung, insbesondere an den Hochschulen, hinkt
diesen Anforderungen jedoch weit hinterher, da eine strukturierte curriculare
Integration von KI und damit eine kumulative, phasenübergreifende Förderung
von KI-Kompetenzen momentan noch in weiter Ferne liegt. Noch immer sind
fachspezische Ansätze zur Integration digitaler Technologien und Kompeten-
zen für den Fachunterricht im Allgemeinen und KI im Besonderen nicht in der
Breite etabliert. Eine zeitnahe Anpassung der Lehrkräftebildung scheint jedoch
aufgrund der hohen Dynamik der technologischen Entwicklung verbunden
mit einer raschen Verbreitung von KI-Anwendungen essenziell, um hier nicht
langfristig Möglichkeiten einer Wirkung in der Schulpraxis zu verlieren. Zu-
sätzlich zur Kompetenzentwicklung könnten so auch Vorbehalte und Ängste
gegenüber dieser neuen Technologie bei (angehenden) Lehrkräften abgebaut
und die Akzeptanz von KI als Lehr- und Lernmittel als Voraussetzung für die
breite Nutzung im Unterricht gesteigert werden. Die Grundlage für eine sol-
che kumulative, phasenübergreifende Kompetenzförderung besteht in einem
strukturierten Bezugsrahmen, in welchem KI-bezogene Kompetenzen, welche
(angehende) Lehrkräfte zu erwerben haben, phasen- und fachspezisch konkre-
tisiert werden. Das Fehlen von Konzepten, die ähnlich wie DiKoLAN mit Bezug
zu generellen Lehrkräfteaufgaben und -kompetenzen als Basis für eine Analy-
se kommender Herausforderungen auch für andere Fächern ausdierenziert
wurden, erscheint vor diesem Hintergrund als immer drängenderes Problem.
Aus fachdidaktischer Perspektive sollten hier proaktiv Bedarfe und Zielsetzun-
gen formuliert werden, um zu vermeiden, nach einer eigendynamischen nicht
zielgerichteten Integration von KI-Technologien in die Schulpraxis retrospektive
Analysen und ggf. Schadensbegrenzung betreiben zu müssen.
Bezugsmodelle und -rahmen zu digitalen
Kompetenzen von Lehrenden
Für die fachspezische Professionalisierung von Lehrkräften und die kohärente
Entwicklung fachunterrichtsbezogener Kompetenzen kann weiterhin auf etab-
lierte Modelle des Professionswissens von Lehrkräften, insbesondere das PCK-
Modell (Pedagogical Content Knowledge; Shulmann, ), zurückgegrien
werden. Grundlegende Handlungsfelder und Aufgaben bleiben auch in naher
Zukunft ebenso erhalten wie die in den Fachdidaktiken dazu entwickelte Exper-
tise als Grundlage für eine Auseinandersetzung mit den Herausforderungen der
digitalen Transformation. Erkennbar wird dies u. a. anhand des SAMR-Modells
(Puentedura, ), dessen Kategorisierung, wie sich Lehren und Lernen durch
den Einsatz von Technologie verändert, auch die reine Substitution analoger
Arbeitsmittel und Methoden beinhaltet, und somit klar bisherige Elemente
des Lehrkräftehandelns mitberücksichtigt (um z. B. ohne sonstige Neuerung
und kognitive Belastung Lernende mit der Nutzung von Hardware oder An-
meldeprozeduren vertraut zu machen). Bisherige pädagogische und didak-
tische Kompetenzen der Lehrenden (vgl. Abb. ) müssen jedoch wie auch im
DigCompEdu-Kompetenzrahmen (Redecker, ) dargelegt und mit fachspe-
zischen digitalen Kompetenzen ergänzt werden. Dies bedeutet in Anlehnung
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
)5
an DigCompEdu, dass für das Lehren und Lernen, für den Umgang mit digita-
len Ressourcen, für eine Re exion und Evaluation sowie für eine Lernerorien-
tierung fachspezi sche Kompetenzen ausdi erenziert und formuliert werden
müssen, die für eine digital kompetente Gestaltung der im Fachunterricht zu
bedienenden unterrichtlichen Handlungsfelder notwendig sind. Im Umgang
mit (digitalen) Ressourcen (Redecker et al., , S. -) müssen diese (mittels
Recherche) identi ziert und ausgewählt, für den Einsatz in einer Lerngruppe
in verschiedenster Form zur Präsentation und Erschließung der Informationen
aufbereitet und modi ziert werden, um dann (aber auch schon im Zuge dieser
Prozesse) so organisiert, geteilt und verfügbar gemacht zu werden, dass eine
problemlose Nutzung (Lizenzen, Zugri ...) ermöglicht wird. DigCompEdu sieht
im Kompetenzbereich des Lehrens und Lernens das Lehren als (grundlegende)
DiKoLAN PLUS
Dokumentation Präsentation Kommunikation/
Kollaboration
Recherche und
Bewertung
Messwert- und
Datenerfassung Datenverarbeitung Simulation und
Modellierung
allgemeinere Kompetenzen
fachspezischere Kompetenzen
Rechtliche Rahmenbedingungen
Technische Basiskompetenzen
Dokumentation Präsentation Kommunikation/
Kollaboration
Recherche und
Bewertung
Messwert- und
Datenerfassung Datenverarbeitung Simulation und
Modellierung
allgemeinere Kompetenzen
Technische Basiskompetenzen
Rechtliche Rahmenbedingungen
Assessment, Feedback
und Adaptivität
(Meier et al., 2024)
Kompetenzen in der digitalen Welt
(KMK, 2016)
1. Suchen, Verarbeiten und Aufbewahren
2. Kommunizieren und Kooperieren
3. Produzieren und Präsentieren
4. Schützen und sicher Agieren
5. Problemlösen und Handeln
6. Analysieren und Reektieren
DigCompEdu
(Redecker, 2017)
Abb. 3 Beziehung des Orientierungsrahmens DiKoLAN (PLUS) zu DigCompEdu sowie zu den KMK-Standards
)6
Kompetenz an, im Zuge dessen ein digitaler Geräteeinsatz und Ressourcen für
den Unterrichtsprozess geplant und eingesetzt werden, um die Wirksamkeit
von Unterrichtsmaßnahmen zu verbessern. Der Kompetenzbereich umfasst
aber auch den Teilbereich des kollaborativen Lernens, der eine Orchestrierung
des digital unterstützten Unterrichts unter Einbindung von digitalen Techno-
logien als Teil von gemeinschaftlichen Aufgaben innehält, die jedoch nicht
(fachlich) präzisiert sind. Die in DigCompEdu bestehende Unschärfe bzgl. die-
ser Aufgaben macht es notwendig, für den Fachunterricht jeweils spezische
digitale Szenarien und damit verbundene Handlungsfelder zu identizieren.
Solche Handlungsfelder sind gleichzeitig auch wiederkehrende Elemente (im
Sinne von Handlungskompetenzen) der im Hinblick auf eine jeweils übergrei-
fende Zielsetzung beschriebenen Kompetenzbereiche, die in wechselnder
Kombination wirksam werden. So setzen kollaboratives Lernen aber auch die
Bereitstellung von Ressourcen (auch für Einzelarbeit) z. T. identische Kompeten-
zen im Bereich der Ablage und Bereitstellung von Materialien sowie im Hinblick
auf digitale Kommunikation voraus. Im Sinne einer Elementarisierung ist es für
die Lehrkräftebildung deshalb zielführend, solche elementaren Kompetenz-
bereiche fachspezisch zu beschreiben und konkret zu operationalisieren, um
daran orientiert die Lehre strukturieren zu können. Für die Naturwissenschaften
dierenziert DiKoLAN im Bereich digitaler Kompetenzen solche Kompetenzbe-
reiche für naturwissenschaftliche Unterrichtsfächer aus, über deren Teilkompe-
tenzen Lehrkräfte mittels geeigneter Kombination in die Lage versetzt werden,
in den pädagogischen und didaktischen Kompetenzbereichen lernförderlich zu
agieren. So müssen z. B. im DigCompEdu beschriebenen Bereich des digitalen
Assessments (abseits generell gültiger Prinzipien für Assessment und Feed-
back) digitale Aufgaben, Werkzeuge, Kommunikationswege und -formen sowie
Datenanalysen als Voraussetzung für eine digitale Dokumentation und Präsen-
tation für die Übermittlung von (digitalem) Feedback ermittelt und umgesetzt
werden. Das mit DiKoLAN verfolgte Prinzip ist eine Elementarisierung solcher
Prozesse, was vergleichbar mit prozessbezogenen Kompetenzen ist. Abhängig
vom Fach und den unterrichtlichen Prozessen ergeben sich dabei abhängig
von den eingesetzten Technologien (und deren Unterschiedlichkeiten in den
Fächern) Kompetenzbereiche, die sich bzgl. des Grades ihrer Fachspezität un-
terscheiden. Abhängig von den verwendeten Technologien muss deshalb, z. B.
bei einer Integration neuer Technologien auch innerhalb des Faches, mit einer
spezischen Brille noch feiner dierenziert werden.
Mittels Blick durch eine dierenzierende und fokussierende „Brille“ können
bestimmte Perspektiven gezielt adressiert und reektiert werden. In DiKoLAN
werden so für jeden der Kompetenzbereiche zur weiteren Strukturierung je-
weils selektiv Kompetenzen in den mit TK verbundenen Wissensbereichen des
TPACK- bzw. DPaCK-Modells (TPACK, TPK, TCK und TK bzw. je nach Perspektive
auch DPaCK, DPK, DCK und DK) betrachtet. Ein Vorteil einer solchen Betrach-
tung ist die Möglichkeit für Akteurinnen und Akteuren aus den Bildungs- und
Fachwissenschaften sowie den Fachdidaktiken, die gemeinsam in der Lehrkräf-
tebildung curricular verankerte Ziele anstreben, entsprechend dieser Gliede-
rung jeweils adressierbare Kompetenzen zu identizieren. Diese Struktur bietet
demnach eine Gliederung, mit der sogar Zuständigkeiten in einem gedachten
Kompetenzraster herausgearbeitet werden können. Um in diesem Bereich auch
über den gesamten Studienverlauf planen zu können, bietet DiKoLAN in all die-
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
)&
sen am TPACK- bzw. DPaCK-Modell orientierten Kompetenzteilbereichen eine
Stufung in drei Niveaus: Nennen, Beschreiben und Anwenden. Ergänzend zu
den sieben  publizierten Kompetenzbereichen (Becker et al., ) umfasst
der erweiterte DiKoLAN PLUS einen achten Kompetenzbereich „Assessment,
Feedback & Adaptivität”, um zunehmenden Anforderungen und erweiterten di-
gitalen Möglichkeiten in diesem Bereich Rechnung zu tragen (Meier et al., ).
Die acht Kompetenzbereiche von DiKoLAN PLUS und die Beziehung des Orien-
tierungsrahmens zu DigCompEdu sowie zu den KMK-Standards der Strategie
„Bildung in der digitalen Welt” (KMK, ) verdeutlicht Abbildung . Wechselt
man die Brille und damit die Perspektive dahingehend, dass die Blickrichtung
auf eine konkrete und ggf. neue digitale Technologie fokussiert wird, kann man
basierend auf diesen Strukturen (z. B. ausgehend von der Strukturierung nach
tigkeiten des unterrichtlichen Handelns) die Relevanz der neuen Technologie
und damit möglicherweise verknüpfte Kompetenzen sondieren.
DiKoLANKI
Die Struktur von DiKoLAN (PLUS) (Abbildung ) orientiert sich an elementaren
unterrichtlichen Handlungsfeldern und nicht an einzelnen Technologien. Fach-
didaktisch relevante Prinzipien der Messwert erfassung oder Datenverarbeitung
an sich bleiben unabhängig davon, mit welchen Technologien diese erfolgt, in
der Regel gültig.
Grundsätzlich anders konzipierte Technologien oder Technologien mit be-
sonders breitem, bisher in Teilen noch nicht absehbaren und ggf. disruptiven
Potenzialen erfordern jedoch eine intensivere Betrachtung im Hinblick auf
mögliche Potenziale und Herausforderungen in den Bereichen, über die Lehr-
kräfte Unterricht gestalten und umsetzen. Bisher wurde KI als spezielle Techno-
logie im DiKoLAN (PLUS) (Becker et al., ; Meier et al., ) noch nicht mit
Beispielen berücksichtigt, sodass hier erläutert werden soll, wie KI-bezogene
Kompetenzen (angehender) Lehrkräfte in den Naturwissenschaften ergänzend
zu den bereits in DiKoLAN (PLUS) formulierten Kompetenzen dierenziert und
beschrieben werden können. Betrachtet man die tiefgehenden expliziten und
impliziten Transformationsprozesse, welche mit Fortschritten auf dem Gebiet
der KI einhergehen, so stellt sich die Frage, wie die KI-bezogenen Kompetenzen
(angehender) Naturwissenschaftslehrkräfte unterrichtlich berücksichtigt wer-
den können. Für eine Berücksichtigung der Technologie „Künstliche Intelligenz“
zur Integration in den Orientierungsrahmen DiKoLAN (PLUS) gibt es zunächst
zwei unterschiedliche Möglichkeiten:
ώMöglichkeit : Erweiterung des Orientierungsrahmens DiKoLAN (PLUS) um
einen weiteren Kompetenzbereich „Künstliche Intelligenz“
ώMöglichkeit : Integration von KI-bezogenen Kompetenzen in die einzelnen
Kompetenzbereiche des DiKoLAN (PLUS)
Beide Möglichkeiten bringen jedoch Schwierigkeiten mit sich: „Künstliche Intel-
ligenz“ als Bezugsthema stellt allein keine Tätigkeit unterrichtlichen Handelns
dar, sondern zunächst „nur“ eine Technologie. Es wäre demnach also sinnvoller,
statt wie in Möglichkeit beschrieben, relevante KI-bezogene Kompetenzen als
konkrete, operationalisierte Einzelkompetenzen innerhalb der Kompetenzbe-
reiche von DiKoLAN (PLUS) zu erfassen. Doch auch diese zweite Möglichkeit
)8
bringt Anwendungsprobleme mit sich: Anders als bisherige Technologien ist
KI eine disruptive Technologie, die alle Bereiche des unterrichtlichen Handelns
verändert oder verändern kann; dies betrit technologische, gesellschaftlich
sozio-kulturelle, pädagogische, fachwissenschaftliche und fachdidaktische
Aspekte im Unterricht. Insofern sind KI-bezogene Kompetenzen auch in Bezug
auf die DiKoLAN Kompetenzen durchdringend: KI kann sowohl integral in ei-
ner Vielzahl von bestehenden Kompetenzen mitwirken als auch gänzlich neue
Kompetenzen notwendig machen. Mit dieser Perspektive auf KI müssten dem-
nach also Kompetenzen des Rahmens insgesamt überarbeitet und um neue er-
gänzt werden. Dieses strukturelle Vorgehen würde die fokussierte Handhabung
von KI-bezogenen Kompetenzen in der Professionalisierung von Lehrkräften
deutlich erschweren. Es erscheint für konkrete Technologien also angebracht,
dass man durch eine diesbezüglich spezische Brille – hier eine „KI-Brille“ – auf
die Tätigkeiten unterrichtlichen Handelns des Orientierungsrahmens DiKoLAN
(PLUS) schaut und diese mit darauf ausgerichtetem Blick für den Unterricht und
die Professionalisierung von Lehrkräften erschließt (als Möglichkeit ).
Außerdem bedarf es, um den unterschiedlichen Facetten und weitreichenden
Auswirkungen von Künstlicher Intelligenz auch in der Gesellschaft gerecht zu
werden, einer weiteren darauf Bezug nehmende Anpassung der zugrundelie-
genden Rahmen.
Dokumentation Präsentation Kommunikation/
Kollaboration
Recherche und
Bewertung
Messwert- und
Datenerfassung Datenverarbeitung Simulation und
Modellierung
allgemeinere Kompetenzen
Technische Basiskompetenzen
Rechtliche Rahmenbedingungen
Assessment, Feedback
und Adaptivität
Abb. 4 Orientierungsrahmen DiKoLAN PLUS (Meier et al.., )
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
)(
Künstliche Intelligenz erfordert mehr als technisches Wissen
Während zu „Beginn der Digitalisierung“ noch der überwiegend technologische
Aspekt und damit verbundene Perspektiven dominierten, ist seit der ächende-
ckenden Verfügbarkeit von Datennetzen und mobilen Technologien deutlich
geworden, dass nicht nur technologische Veränderungen für Informations-,
Kommunikations- und Bildungsprozesse bedeutsam sind, sondern auch sozio-
kulturelle und mediale Entwicklungen in der Digitalität neue Herausforderun-
gen und Chancen für das Lernen und Lehren mit sich bringen. Die gewachsene
Bedeutung sozialer und kultureller Faktoren in der digitalen Transformation
haben Thyssen und Kollegen () zu der Überlegung geführt, die bisherigen
Bereiche Technologisches (TK), Pädagogisches (PK) und Inhaltliches Wissen (CK)
und deren Schnittmengen um den Bereich Soziokulturelles Wissen und resul-
tierende Schnittmengen zu erweitern (Abb. ). Einerseits um die Bedeutung
soziokultureller Veränderungen in der Digitalität zu berücksichtigen, aber an-
dererseits auch um diese Bedeutung von soziokulturellem Wissen in der MINT-
Bildung für die Gestaltung von Lehr-Lernprozessen explizit zu verdeutlichen.
Soziokulturelles Wissen spielt bei der Gestaltung von Lehr-Lernprozessen im
Hinblick auf eine stimmige Adressatenpassung eine wichtige Rolle und wird
seit Jahrzehnten aus unterschiedlichen Perspektiven untersucht. Angesichts
Dokumentation Präsentation Kommunikation/
Kollaboration
Recherche und
Bewertung
Messwert- und
Datenerfassung Datenverarbeitung Simulation und
Modellierung
allgemeinere Kompetenzen
Technische Basiskompetenzen
Rechtliche Rahmenbedingungen
Assessment, Feedback
und Adaptivität
Abb. 5 Orientierungsrahmen DiKoLANKI
!0
der zunehmenden Heterogenität im Unterrichtsalltag sowie der sich ständig
verändernden kulturellen Dynamiken und Praktiken in Gesellschaft und Schule
werden soziokulturelle Erkenntnisse für die Lehrkräftebildung und Professiona-
lisierung immer wichtiger.
Die in den vorangegangenen Kapiteln erläuterten Implikationen und Transfor-
mationen von und durch KI in allen Lebens- und Arbeitsbereichen bedeuten,
dass die dem TPACK-Modell zugrundeliegende eher technische Perspektive al-
lein nicht mehr ausreicht, um die unterrichtsrelevanten Aspekte der KI zu erfas-
sen (vgl. auch: Mishra et al., ). Für DiKoLAN bedeutet dies, dass insbesonde-
re im Kontext von KI eine rein auf Technologiewissen basierende De nition von
benötigtem Wissen zu „Technological Knowledge (TK)”, „Technological Content
Knowledge (TCK)”, „Technological Pedagogical Knowledge (TPK)”, „Technological
Pedagogical Content Knowledge (TPACK)” für eine Kompetenzentwicklung von
(angehenden) Lehrkräften alleine nicht ausreicht, sondern vermehrt auch de-
ren Schnittbereiche mit „Sociocultural Knowledge“ (SK) (Thyssen et al., , vgl.
Abb. ) relevant sind. Im Sinne der „Digitalität“ steht also der kulturell geprägte
Mensch zentraler im Mittelpunkt der Betrachtung, als dies bei der „Technikfra-
ge“, die zu Beginn der (schulischen) Integration von Technologie dominierende,
der Fall war. Daher basiert DiKoLANKI nicht mehr nur auf dem TPACK-Modell,
sondern berücksichtigt verstärkt jeweils auch digitalitätsbezogene Aspekte
entsprechend dem „inhaltlich zukunftsweisenden“ (SWK, ) DPACK-Modell
(Huwer et al., ; Thyssen et al., , vgl. Abb ). Somit kann das im Sinne
der Digitalität wichtige digitalitätsbezogene Wissen (digitalitätsbezogenes in-
haltliches Wissen, digitalitätsbezogenes pädagogisches Professionswissen, di-
gitalitätsbezogenes fachdidaktisches Professionswissen) transparent integriert
werden, welches auch die Perspektive des Frankfurter und Dagstuhl-Dreiecks
berücksichtigt. Insbesondere angehenden Lehrkräften sollte verdeutlicht
werden, dass die hiermit verbundene Perspektivenänderung nicht zwingend
quantitativ anhand von z. B. der Anzahl explizit diesbezüglich formulierter Kom-
petenzerwartungen erkennbar sein kann. Vielmehr ist der soziokulturelle As-
pekt nur ein Aspekt von vielen, dessen Nicht-Berücksichtigung jedoch (ähnlich
Abb. 6 Erweiterung des TPACK-Modells um eine soziokulturelle Wissensdomäne (Thyssen et al., , S.)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
!)
wie eine nicht stufengemäße Planung) für den Lehr-Lernprozess fundamentale
Konsequenzen haben kann.
Integration technischer und informatischer Basiskompetenzen sowie
rechtlicher Rahmenbedingungen
Die Kompetenzbereiche von DiKoLAN (PLUS) wurden bisher von „Technischen
Basiskompetenzen“ sowie „Rechtlichen Rahmenbedingungen“ umschlossen.
Im beginnenden „Zeitalter“ KI in der Bildung sind allerdings auch diese beiden
Bereiche von elementaren Veränderungen betroen. Im Gegensatz zur Situati-
on in Bezug auf die rechtlichen Regelungen bzgl. der bisherigen Integration di-
gitaler Technologie in den Unterricht sind die rechtlichen Rahmenbedingungen
und Regelungen für den Einsatz KI noch nicht weit fortgeschritten und ausdie-
renziert. Das bedeutet, dass die Lehrkraft nicht nur die Potenziale von KI in und
für den Bildungsprozess kennen muss, sondern auch potenzielle (und ggf. aktu-
ell noch nicht rechtlich erfasste) Gefahren, die beim (unsachgemäßen) Umgang
mit der Technologie existieren oder entstehen können. Insbesondere solange
es keine konkreten und expliziten gesetzlichen Regulierungen gibt, erscheint
es daher angebracht, dass Lehrkräfte im Rahmen ihrer Möglichkeiten bewusst
eine Gefahrenabschätzung im Sinne einer in den Naturwissenschaften ohnehin
etablierten „Gefährdungsbeurteilung“ durchführen sollten (da z. T. Erfahrungs-
Abb. 7 Das vollständige DPACK-Modell (Thyssen et al, , S.)
!!
werte und Vorgaben fehlen). Um dies adäquat tun zu können (und auch um
die technischen Potenziale einer neuen Technologie erschließen zu können), ist
es essenziell, dass alle Lehrkräfte neben rein technischen auch informatische
Grundkompetenzen erwerben (vgl. Diethelm et al., ; KMK, ; SWK, ).
Dies betrit auch die fachspezische Integration informatischer Grundkompe-
tenzen (Braun & Huwer, ; Banerji et al., ; Barkmin et al., ).
Genese von DiKoLANKI
Betrachtet man mit der erwähnten KI-Brille die acht einzelnen Kompetenzberei-
che von DiKoLAN PLUS, so ergeben sich drei Varianten für die Identikation und
Operationalisierung von Kompetenzen für DiKoLANKI (Tabelle ):
ώDie erste und einfachste Variante ist die Substitution. Hierbei handelt es sich
um digitale Kompetenzen, welche sich durch Technologiewechsel auch
mehr oder weniger : auf KI bezogene Kompetenzen übertragen lassen.
Hier reicht die Substitution des Wortes „digital(e)“ durch „KI-bezogene“, um
die entsprechende KI-bezogene Kompetenz zu beschreiben.
ώDie zweite Variante ist die Augmentation. Hierbei lassen sich vorhandene
allgemein-digitale Kompetenzen in spezische KI-bezogene Kompetenzen
überführen, jedoch reicht die reine Substitution von Worten nicht aus, um
treende Kompetenzformulierungen zu beschreiben, da neue Aspekte mit
in den Fokus rücken. Augmentierte Kompetenzen wurden durch erweiterte,
präzise Formulierungen ergänzt.
ώDie dritte Variante stellt die Neudenition bzw. Deletion dar. Bei der Neu-
denierung wurden neue Kompetenzen ergänzt, welche in den allgemein-
digitalen Kompetenzen des DiKoLAN PLUS nicht vorhanden waren. Beispiele
hierfür sind z. B. Kompetenzen im Bereich der Mensch-Maschine-Kommuni-
kation und -Kollaboration, welche in dieser Form bisher (d. h. ohne KI-Einsatz)
kaum eine Rolle gespielt haben. Ebenso wurden allgemein-digitale Kompe-
tenzen gestrichen, welche im Bereich von KI-bezogenen Kompetenzen keine
Anwendung nden.
DiKoLANKI wurde in mehreren iterativen Zyklen zunächst vom Expertenteam
der AG Digitale Basiskompetenzen entwickelt. Die hierbei entstandenen Kom-
petenzformulierungen wurden auf der GDCP-Schwerpunkttagung „KI in der
naturwissenschaftlichen Bildung Perspektiven, Herausforderungen & Ver-
antwortung für Forschung & Lehrkräftebildung“ () einem breiten Feld an
Expertinnen und Experten im Bereich der KI in der Bildung vorgestellt und im
Rahmen eines Workshops auf dieser Tagung im Februar  einem kritischen
Feedback unterzogen. Die diversen Rückmeldungen wurden anschließend von
der AG Digitale Basiskompetenzen aufgegrien und eingearbeitet. Das Ergeb-
nis dieses Entstehungsprozesses liegt mit dieser Ausgabe bzw. Publikation hier
vor:
Der Orientierungsrahmen digitale Kompetenzen für das Lehramt der Naturwis-
senschaften für den Unterricht mit und über Künstliche Intelligenz: DiKoLANKI
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
!3
Beschreibung und Erläuterung der Bereiche von
DiKoLANKI
Da DiKoLANKI auf der grundlegenden Struktur von DiKoLAN PLUS basiert, ist
dessen struktureller Aufbau gleich: Die acht unterschiedlichen Kompetenz-
bereiche werden im Folgenden jeweils zuerst beschrieben und anschließend
wird ihre Relevanz für die Unterrichtsplanung sowie - gestaltung erläutert. In
tabellarischen Übersichten werden ausformulierte Kompetenzen für vier an das
TPACK- (Koehler et al., ) bzw. DPACK- Modell (Thyssen et al., ) angelehn-
te Facetten speziziert, die auf spezielle Techniken (T), fachwissenschaftliche
Kontexte (F), Methodik (M) sowie die unterrichtliche Planung und Umsetzung
(U) eines Lehrkonzeptes bezogen sind. Des Weiteren werden in den Tabellen
die ausformulierten Kompetenzen anhand der Kompetenzniveaus Nennen (N),
Beschreiben (B) und Anwenden (A) weiter dierenziert bzw. operationalisiert.
Für jede ausformulierte KI-bezogene Kompetenz ergibt sich ein Schlüssel aus
Kompetenzbereich, Schwerpunkt und Kompetenzniveau (z. B. KI.KK.F.B; siehe
Abb. ).
KI.KK.F.B2
Assessment, Feedback, Adaptivität
Dokumentation
Präsentation
Kommunikation und Kollaboration
Recherche und Bewertung
Messwert- und Datenerfassung
Datenverarbeitung
Simulation und Modellierung
AFA
DO
P
KK
RB
MD
DV
SM
Kompetenzbereich
Unterricht
Methodik und Digitalität
Fachwissenschaftlicher Kontext
Spezielle Technik
U
M
F
T
Schwerpunkt
Nennen
Beschreiben
Anwenden/Durchführen
N
B
A
Kompetenzniveau
Kompetenzbereich
Schwerpunkt
Kompetenzniveau
Nummer der Kompetenz
Abb. 8 Legende zur Aufschlüsselung der ausformulierten Kompetenzen
Tab. 2 Genese von DiKoLANKI an ausgewählten Beispielen. Legende zu den Abkürzungen in Abb. .
DiKoLAN PLUS DiKoLANKI
1. Variante SM.F.N3 Nennen mehrere Datenquellen, aus denen für
eine digitale Modellierung einsetzbare Daten ent-
nommen/bezogen werden können (z. B. Wetterdaten,
Populationen, Messwerte aus den Fachwissenschaften).
KI.SM.F.N3 Nennen mehrere Datenquellen, aus denen
für eine KI-basierte Modellierung einsetzbare Daten
entnommen/bezogen werden können (z. B. Wetterdaten,
Populationen, Messwerte aus den Fachwissenschaften).
2. Variante SM.M.B2 Beschreiben Vor- und Nachteile im Vergleich
zu analogen Simulationen (Planspiele).
KI.SM.M.B2 Beschreiben Vor- und Nachteile KI-basierter
digitaler Simulation/Modellierung im Vergleich zu
analogen und anderen digitalen (nicht KI basierten)
Simulationen (Planspiele).
3. Variante --- KI.DV.T.N8 Nennen die Bedeutung der Qualität der
Daten und den daraus resultierenden Einuss auf das
KI-Modell.
!4
Assessment, Feedback und Adaptivität (AFA)
Mit der wachsenden Forderung nach adaptivem Unterricht und dem damit
verbundenen formativen Assessment zur individuellen Förderung von Lehr-
Lernprozessen (aufgrund zunehmender Heterogenität) kommen Tätigkeiten
und Kompetenzen in diesem Bereich eine immer größere Bedeutung zu. Lehr-
kräfte sind durch damit einhergehende Aufgaben u. a. im Kontext von Feed-
back zunehmend gefordert. Die Gabe von Feedback setzt die Durchführung
von Lernstandsdiagnosen, anschließenden Analysen und die Entwicklung von
individuellen Fördermaßnahmen und Lernkonzepten voraus. Technologien,
die Lehrkräfte dabei durch eine intelligente und adaptive Bereitstellung von
Diagnoseaufgaben, deren Auswertung und die Auswahl von passenden Lern-
und Übungsaufgaben entlasten (Zhai et al., ), und der kompetente Einsatz
solcher Systeme sind zukünftig wesentlich für gelingenden adaptiven Unter-
richt. In diesem Zusammenhang benötigen Lehrkräfte deshalb Kenntnisse
zu vorhandenen und dafür geeigneten Systemen, deren Funktionalität sowie
Kompetenzen zu deren Bedienung und unterrichtlichen Integration.
Kenntnisse über KI-basierte Technologien und deren Rahmenbedingungen im
Einsatz für Assessment, wie die Diagnose von Schülervorstellungen, das (teil-)
automatisierte Geben von Feedback in passenden Formaten inklusive adapti-
ver Vorschläge für die weitere Lerngestaltung und -begleitung auf Mikroebene,
sind wesentlich. Peer-Feedback und ein Selbstvergleich mit anderen Lernen-
den mittels KI-basierter Technologien (im Sinne der sozialen Bezugsnorm)
können Lernprozesse unter Einhaltung datenschutzrechtlicher Aspekte fördern
(Scheidig & Holmeier, ). Dabei ist ein Bewusstsein bei den (angehenden)
Lehrenden über die Struktur und das Format der von der KI erhobenen und
gespeicherten Daten von großer Bedeutung. Einerseits um notwendige Sicher-
heitsanforderungen beurteilen und abschätzen zu können und andererseits um
sich darüber bewusst zu sein, dass KI hier aus soziokulturell verankerten Ursa-
chen evtl. seitens der Lernenden nicht akzeptiert wird oder gar diskriminierend
agieren kann (Cheuk, ).
Ebenso wird es Aufgabe der Lehrkräfte sein, thematisieren zu können, wie KI im
Bereich Assessment, Feedback und Adaptivität auch in den Fachwissenschaften
angewandt wird. So können Forschende z. B. mit Hilfe eines großen Sprach-
modells (LLM) in der Rolle eines Gruppensupervisors in Prozessen oder im Ver-
suchsdesign unterstützt werden. Damit kann nicht nur Feedback zu geplanten
Forschungsschritten oder Durchführungen erfolgen, sondern ein ganzes Labor
strukturiert werden. Im KI-System Coscientist (Boiko et al., ) entsteht quasi
ein autonomes Labor, das über Texteingaben von Forschenden Versuchsreihen
planen und durchführen kann, wobei der Prozess über verschiedene Stationen
nicht nur geplant und durchgeführt, sondern auch in Echtzeit durch Feedback-
schleifen anhand der Ergebnisse optimiert wird.
Ganz ähnlich können sich Lehrkräfte bei Kenntnis der Potenziale und Möglich-
keiten von regelmäßigem formativem Assessment mit KI-Systemen zur konti-
nuierlichen Erfassung des Lernstands der Lernenden entlasten und damit mit
traditionellen Methoden häug selbst bei intensivem Einsatz von Ressourcen
nicht erreichbare individuelle Lernwege und Förderung ermöglichen (Zhai &
Nehm, ). Soziokulturelle Aspekte müssen dabei gleichermaßen bzgl. der
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
!5
Akzeptanz durch Lernende wie auch im Hinblick auf einen möglichen kulturel-
len Bias solcher KIs (Cheuk, ) berücksichtigt werden.
Kompetent eingesetzt erlaubt KI auf Ebene der Makro-Adaption Arbeitsmateri-
alien zeitsparend zu dierenzieren oder zu individualisieren (Zhang & Tur, ).
Auf der Mikro-Ebene ermöglicht KI zeitlich nahes, präzises und individuelles
Feedback, zum Beispiel durch den Einsatz von TutorBots, die den Lernenden
spezische Rückmeldungen geben (Chang et al., ; Ng et al., ). Lehr-
kräfte sollten zudem über mögliche Einüsse und Risiken der Nutzung von KI
im Bildungskontext (Ungerer & Slade, ) informiert sein. Datenschutz und
die potenzielle Aufrechterhaltung sozialer Diskriminierung sind unter anderem
wichtige kritische Aspekte, die berücksichtigt werden müssen (Salas-Pilco et al.,
).
Formatives Assessment muss fachdidaktisch relevante Aspekte (z. B. notwendi-
ge Grundlagen, angestrebte Lernziele) präzise und mittels geeigneter Integra-
tion im Unterricht adressieren. Abhängig vom Zweck des Assessments müssen
dafür geeignete Systeme ausgewählt werden und auf Basis der Ergebnisse bei
adaptiven und dierenzierenden Ansätzen ggf. unterstützende Technologien
(z. B. Tutoring- und Übungssysteme) für die weiteren Lernprozesse eingesetzt
werden können. Kohärent zum unterrichtlichen Kontext und der Zielsetzung
muss eine geeignete technologische Unterstützung für insgesamt fachdidak-
tisch abgestimmte, digital unterstützende Konzepte gewählt werden. KI-ba-
sierte Systeme weisen hier andere Potenziale und Funktionalitäten als nicht-KI-
basierte Systeme auf.
Der DiKoLANKI-Kompetenzbereich „Assessment, Feedback und Adaptivi-
tät“ (KI.AFA) umfasst die individuelle Fertigkeit, KI-basierte Werkzeuge systema-
tisch für Feedback, tutorielle Unterstützung und Assessment einzusetzen. Dazu
gehört auch, die Auswahl von KI-basierten Systemen zur Unterstützung und
Bewertung von Lernenden, einschließlich des Gebens von system-gesteuertem
und/oder technologie-unterstütztem Feedback, der individuellen Betreuung
und Dierenzierung sowie der Leistungsbewertung, als zentrale Facette der
Lernbegleitung. Dabei sind jeweils verstärkt auch digitalitätsbezogene Aspekte
zu berücksichtigen.
Tabelle fasst praxisorientierte Vorschläge für KI-bezogene Kompetenzen im
Bereich „Assessment, Feedback und Adaptivität“ zusammen.
Dokumentation (DO)
Lern- und Entwicklungsprozesse sind ohne Dokumentation nicht denkbar. Ob
es sich um die notwendigen Daten zur Ableitung eines Sachverhaltes handelt
oder um die Dokumentation eines Prozesses, ohne eine lückenlose und nach-
vollziehbare Dokumentation können keine Prozesse nachvollzogen bzw. über-
prüft werden. Die Dokumentation ist daher in allen Tätigkeiten unterrichtlichen
Handelns, aber auch Beteiligungsprozessen, z. B. bei der Implementierung digi-
taler Technologien und Methoden in Lehr-Lernprozessen, von entscheidender
Bedeutung. Die hierfür benötigten Daten können aus vielfältigen Datenarten
bestehen und somit mit unterschiedlichen KI-basierten Technologien angefer-
!6
tigt werden. Kompetente Lehrkräfte sind sich beispielsweise der Problematik
bewusst, dass bei der Anfertigung von Bildern und Videos KI-gestützte Algo-
rithmen aufgrund der Identikation von Objekten die Farbwerte so verändern,
dass diese gar nicht mehr den tatsächlich beobachteten (realen) entsprechen,
und sensibilisieren die Lernenden auf die möglichen Gefahren bei der anschlie-
ßenden Analyse dieser Daten, beispielsweise zur Colorimetrie.
Für die Dokumentation können beispielsweise KI-gestützte Diktier- und Tran-
skriptionsdienste genutzt werden. Ob mit dem mobilen Endgerät aufgezeich-
net oder direkt in den Webbrowser diktiert, wird mittels einer Spracherkennung
das Gesprochene automatisch in geschriebenen Text umgewandelt. Hierbei
muss man sich darüber im Klaren sein, dass die verarbeiteten Daten auch für
Trainingszwecke gespeichert werden können. Hier sind von den Lehrkräften
die geltenden Gesetze zur Handhabung und Verarbeitung personenbezogener
Daten zu beachten. Mit einer Kombination aus generativer KI und herkömmli-
chen ML-Modellen kön nen Backups automatisiert erstellt und überwacht wer-
den. Die KI-gestützte Technologie erkennt fehlgeschlagene Backups, plant und
führt neue Backups durch. Davon erstellt sie ausführliche Berichte mit klaren
Schritten, die als nächstes durchgeführt werden müssen. Da Lehrkräfte sensible
personenbezogene Daten verwalten, ist es notwendig, sie für die Vorteile und
Nachteile, insbesondere der Datensicherheit, mit einer generativen KI oder
öentlichen Chatbot-Diensten angefertigter Backups zu sensibilisieren. Unter
Verzicht auf die riskante Weitergabe von Daten an Dritte können mit ML-Model-
len Backups automatisiert angefertigt werden.
In den Fachwissenschaften spielt neben ihrer Analyse und Verarbeitung die Spei-
cherung von Daten eine enorm wichtige Rolle. KI kann dies ebenfalls unterstüt-
zen oder gänzlich übernehmen. Ein mögliches Vorgehen in der Katalysechemie
basiert auf der Nutzung von ML (konkret eines „global neural network (GNN))
zur automatischen Erstellung einer Reaktionsdatenbank. Aus dieser Datenbank
kann ein zweites KI-Modell anschließend alle benötigten Informationen zur
Vorhersage der in einem heterogenen Katalysesystem möglichen Reaktionen
entnehmen (Kang et al., ). KI ist zudem in der Lage, bisher analoge bzw.
händische Arbeitsschritte im Bereich der Datenspeicherung zu übernehmen;
dank der kontinuierlichen Verbesserung von „natural language processing“
(NLP) können virtuelle, KI-basierte Labor-Sprachassistenzen Arbeitsaufträge
wie bspw. die Dokumentation von Messwerten und Beobachtungen mit
hoher Genauigkeit verstehen und umsetzen (LabTwin GmbH, ; LabVoice,
).
Vor dem Einsatz KI-basierter Dokumentation in Lehr-Lernszenarien ist von Lehr-
kräften unbedingt zu prüfen, ob die verwendete Software für alle Teilnehmen-
den uneingeschränkt zugänglich ist und ob sie zentral oder auf den genutzten
Geräten zur Verfügung steht. Gerade bei Letzterem sind in BYOD-Szenarien
die sozialen und persönlichen Konsequenzen zu berücksichtigen, weil nur ein
ausgewählter Personenkreis über die Geräte verfügt, die den sehr hohen Hard-
wareanforderungen gerecht werden.
Der Einsatz in Lehr-Lernszenarien sollte darauf angelegt sein, sowohl das grund-
legende Verständnis der Funktionsweisen als auch die Möglichkeiten und Gren-
zen KI-basierter Dokumentation und auch KI-gestützter Backups zu vermitteln
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
!&
(sachgerechtes und fachgerechtes Lernen mit, durch und über KI-basierte
Technologie im Naturwissenschaftsunterricht). Um den sozialen und persön-
lichen Konsequenzen beim Einsatz gerecht zu werden, bedarf es geeigneter
Organisations- und Sozialformen, die einerseits den Erwerb der benötigten
Kompetenzen für einen sachgerechten Einsatz ermöglichen und andererseits
einen Ausschluss auf Grund von Zugris- bzw. Zugangsbeschränkungen oder
ungeeigneter Hardware zu vermeiden. Da zur KI-basierten Dokumentation bei
der Spracherkennung das Gesprochene in Text umgewandelt wird und somit
eine Datenverarbeitung stattndet, handelt es sich bei der KI-basierten Doku-
mentation um einen Prozess, der stark mit der KI-basierten Datenverarbeitung
verknüpft ist und somit die Kompetenzen, die bei einer DSGVO-gerechten Da-
tenverarbeitung zu berücksichtigen sind, einschließt. Mit der Zunahme an der
Nutzung digitaler Technologien im Entwicklungsprozess bedarf es der Sensibi-
lisierung der Lernenden für die Notwendigkeit der sachgerechten Anfertigung
und Prüfung von Datensicherungen. Mit der Integration von Backups, die auf
ML-Modellen aufbauen, erfahren die Lernenden die Vorteile, aber auch die
Risiken dieser Technologien, um selbst in die Lage versetzt zu werden, in ver-
gleichbaren Situationen eine geeignete Technologie bzw. Methode auswählen
zu können.
Der DiKoLANKI-Kompetenzbereich „Dokumentation“ (KI.DO) umfasst die
individuelle Fertigkeit, KI-basierte Werkzeuge zur systematischen Ablage und
dauerhaften Speicherung von Daten und Informationen, um diese fachgemäß
zu nutzen. Dazu gehört auch, Fotos, Bilder und Videos unter Einbezug von KI-
basierten Funktionen aufzunehmen, zu bearbeiten und einzubinden, verschie-
dene Medien zu kombinieren und zu speichern, Informationen strukturiert zu
sichern und zu archivieren sowie Abläufe und Sinnzusammenhänge darzustel-
len. Dies beinhaltet auch die Befähigung zum reektierten Einsatz von KI bei
der Dokumentation sowie zur vertiefenden Medienkritik von dokumentierten
Daten. Dabei sind jeweils verstärkt auch digitalitätsbezogene Aspekte zu be-
rücksichtigen.
Die in Tabelle aufgeführten praxisbezogenen Kompetenzerwartungen zur
KI-basierten „Dokumentation“ machen eine enge Verzahnung mit fachspezi-
scheren Kompetenzbereichen, wie der Mess wert- und Datenerfassung oder der
Datenverarbeitung deutlich.
Präsentation (P)
Lernen und Lehren ist ohne die Möglichkeit, Inhalte zu visualisieren nur schwer
vorstellbar. Durch die Digitalisierung haben sich die Möglichkeiten zur Visuali-
sierung im Lehr-Lernprozess grundsätzlich verändert und erweitert. Mit der Ein-
führung von KI im Bereich der Präsentation und Visualisierung ist eine ähnliche
Erweiterung zu erwarten. Dabei können KI-gestützte Werkzeuge nicht nur hel-
fen, komplizierte und große Datenmengen zu visualisieren. Vielmehr können sie
auch für die Vorhersage und Darstellung von D-Strukturen genutzt werden, die
bisher nicht möglich waren (Jumper et al., ; Service, ). Auch hinsichtlich
der Kreativität in der Darstellung können KI-gestützte Werkzeuge Nutzenden
dabei unterstützen, Ideen leichter und zeitezienter grasch ansprechend zu
!8
visualisieren. Gleichzeitig besteht aber auch die Gefahr des Missbrauchs dieser
neuen Technologie, da mit KI-gestützten Werkzeugen bestehende und neue
Visualisierungen geschaen bzw. verändert werden können.
Kenntnisse darüber, wie KI-gestützte Werkzeuge die technischen Möglichkeiten
erweitern und im Bereich der Präsentationsmedien eingesetzt werden können,
sind von enormer Bedeutung für zukünftige Lehr-Lernprozesse. Hierbei können
durch den Einsatz von KI neue und zeiteziente Visualisierungsformen ent-
stehen und genutzt werden. Technisch ist dabei der Grad der Veränderung zu
berücksichtigen.
Auch in der fachwissenschaftlichen Forschung werden KI-gestützt Visualisierun-
gen genutzt; dies schließt die Erstellung von Übersichten mittels generativer
KI, aber auch die automatisierte grasche Aufbereitung von Daten in Form von
Diagrammen oder D-Modellen ein. Beispielsweise kann KI die Faltung einer
beliebigen Aminosäuresequenz vorhersagen (Jumper et al., ; Service, ),
indem sie die wahrscheinlichste D-Struktur berechnet und als dreidimensio-
nales Molekül darstellt. Dabei werden Farben verwendet, um die Verlässlichkeit
der Vorhersage in den verschiedenen Regionen anzuzeigen. Ebenso können
Modelle (z. B. von Laborgeräten) mit Hilfe von KI erstellt und anschließend von
einem D-Drucker ausgedruckt werden (Zheng et al., ).
Beim Einsatz und bei der Erstellung von KI-basierten Präsentationsmedien in
Lehr-Lernszenarien sollten die zu beachtenden Gesetze, Regeln und Vorgaben
transparent gemacht werden. Hierbei sind zudem die Auswirkungen auf das
Lehren und Lernen sowie medienkritische Aspekte zu berücksichtigen.
Der Einsatz von KI-gestützten Werkzeugen zur Präsentation kann sachgerech-
tes und fachgerechtes Lernen mit, durch und über KI-basierte Technologie im
Naturwissenschaftsunterricht unterstützen. Wichtig ist hierbei insbesondere,
dass Lehrkräfte Kompetenzen von Lernenden hinsichtlich der Anwendungsop-
tionen beim Präsentieren von fachlichen Inhalten fördern.
Der DiKoLANKI-Kompetenzbereich „Präsentation“ (KI.P) beschreibt die indi-
viduelle Fähigkeit, digitale Medien ziel- und adressatengerecht für den Erkennt-
nis- und Kommunikationsprozess einzusetzen, sowie das Wissen über Grenzen
und Potenziale unterschiedlicher digitaler Präsentationsmedien. Dies beinhal-
tet auch die Befähigung zum reektierten Einsatz von KI bei der Erstellung von
Präsentationsmedien sowie zur vertiefenden Medienkritik. Dabei sind jeweils
verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
In Tabelle sind die Erwartungen im Kompetenzbereich „Präsentation” für Lehr-
personen der Naturwissenschaften zusammengefasst.
Kommunikation und Kollaboration (KK)
Unterricht hängt von Kommunikation sowie Austausch und Management von
Informationen ab (Kron, ). Nach sozial-konstruktivistischen Lerntheorien
fördern Kommunikation und Information beim kompetenzorientierten – und
auch technologiegestützten – Lernen die Partizipation (Ebner et al., , S. ).
Daher sind die Einbindung geeigneter Kommunikationstechniken und -phasen
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
!(
sowie kollaborativer Elemente zur Teilnahme am Lernprozess Schlüsselelemen-
te des Unterrichts.
Durch den Einsatz von KI-basierter Technologie im Unterricht und darüber hin-
aus ergeben sich eine Reihe neuartiger Kommunikations- und Kollaborations-
formen. Allen Formen ist gemein, dass neben der Unterstützung von Mensch-
Mensch-Kommunikation und -Kollaboration insbesondere auch eine neue
Form der Kommunikation und Kollaboration entsteht: die von einem Menschen
mit einer Maschine, ohne dass dabei notwendigerweise eine zweite Person in-
volviert ist.
Kollaborative Prozesse, wie z. B. die Text- und Datenverarbeitung, können mit
KI-basierter Technologie angereichert oder unterstützt werden. So können
KI-Chatbots zum Kollaborationspartner werden, indem diese z. B. Formeln bei
der Datenverarbeitung überprüfen oder bei der Auswertung unterstützen. Das
Transportieren von Informationen im Sinne einer Kommunikation erfolgt u. a.
über Sprache, Text oder Bilder. In all diesen Formen kann KI-basierte Techno-
logie die Kommunikation zwischen Menschen durch Simultanübersetzungen
unterstützen. Ebenso werden plötzlich nahezu beliebige Konversation mit
Maschinen – z. B. KI-ChatBots – möglich, ohne dass diese Konversation vorher
exakt vorprogrammiert wurde. Bei dieser Kommunikation werden dann spezi-
sche sprachliche Anweisungen (Prompts) wichtig, um die gewünschte Antwort
zu erhalten.
KI-gestützte Simultanübersetzungen bieten einen inklusiven Weg, naturwis-
senschaftliche Forschung globaler zu gestalten, indem die Zusammenarbeit
Forschender durch die Überwindung etwaiger Sprachbarrieren vereinfacht
wird (Telekom MMS GmbH, ). Gleichwohl sind Kompetenzen zur Nutzung
dieser und anderer generativer KI-Systeme mittels entsprechender Prompts
notwendig (Arora et al., ). Die Korrektheit der generierten Inhalte (Fachlich-
keit, Datenbasiertheit etc.) und Übersetzungen muss jedoch im Auge behalten
werden, um Störungen bzw. Fehlleitungen des Kommunikationsprozesses und
damit negative Auswirkungen auf die Qualität der Forschungsinhalte zu verhin-
dern.
Kommuniziert man mit oder über ein KI-basiertes System, werden dabei aber
nicht selten die Eingabedaten zu Trainingszwecken gespeichert und weiter-
verarbeitet. Es können aber auch bei der Kommunikation oder Kollaboration
„Halluzinationen“ auftreten. Auf der anderen Seite können KI-Chatbots auch
einen Perspektivwechsel ermöglichen oder als (z. B. fremdsprachlicher) Dis-
kussionspartner auftreten. Wenn Menschen verstärkt nicht mehr mit anderen
Menschen, sondern mit Maschinen (z. B. LLM-Chatbots) kommunizieren, dann
hat dies auch Auswirkungen auf die zwischenmenschliche Kommunikation und
das soziokulturelle Verhalten innerhalb der Gesellschaft. Diese Möglichkeiten,
aber auch Grenzen und Auswirkungen der Technologie müssen im Unterricht
entsprechend berücksichtigt werden.
Unter Berücksichtigung der zuvor genannten Aspekte KI-basierter Kommuni-
kation und Kollaboration kann ein sachgerechtes und fachgerechtes Lernen
mit, durch und über KI-basierte Technologie im Naturwissenschaftsunterricht
erfolgen. Wichtig ist hierbei insbesondere, dass Lehrkräfte Kompetenzen von
30
Lernenden in der fachspezischen Kommunikation mit KI-basierten Technolo-
gien (Mensch-Maschine-Kommunikation) fördern.
Der DiKoLANKI-Kompetenzbereich „Kommunikation und Kollaboration“
(KI.KK) umfasst die individuelle Fähigkeit, mit digitalen KI-basierten Werkzeu-
gen synchrones oder asynchrones Arbeiten von Einzelpersonen oder Gruppen
auf ein gemeinsames Ziel hin zu planen und mit Lernenden durchzuführen.
Dazu werden gemeinsame Dateien oder Produkte erstellt, bearbeitet und mit-
tels KI-basierter Werkzeuge kommuniziert. Als Erweiterung zum bisherigen Ver-
ständnis von Kommunikation und Kollaboration (Person-zu-Person) kommt die
Facette der Person-zu-Maschine-Kommunikation und -Kollaboration hinzu. Da-
bei sind jeweils verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
Tabelle fasst praxisorientierte Vorschläge für KI-basierte Kompetenzen im Be-
reich „Kom munikation und Kollaboration“ zusammen.
Recherche und Bewertung (RB)
Mit der fortschreitenden Entwicklung von KI nimmt auch deren Einuss auf
Recherche-Dienste erheblich zu. Um diesen neuen Anforderungen zu ent-
sprechen, wurde der Kompetenzbereich Recherche und Bewertung durch KI-
bezogene Kompetenzen erweitert. Diese Adaption wird u. a. durch KI-gestützte
Empfehlungsdienste geprägt, die Algorithmen verwenden, um zu entscheiden,
welche Informationen Nutzerinnen und Nutzern angezeigt werden (Portenoy
et al., ). Sie nutzen Trainingsdaten, textuelle Inhalte, Meta-Daten und Klick-
daten, um Ergebnisse zu ltern, was selbstverstärkend wirkt und zu einer zu-
nehmenden Verzerrung und zu Filterblasen führt. Dies beeinträchtigt nicht nur
spezialisierte Suchassistenten, sondern auch die Inhaltslterung durch Firmen
und die Unterhaltungsindustrie. Lehrkräfte müssen dies bei der Online-Recher-
che und Quellenbewertung berücksichtigen und ein technisches Verständnis
von KI-Suchmaschinen und Empfehlungssystemen entwickeln. Im Klassenraum
wird der Bedarf an KI-Kompetenzen deutlich, da Lehrkräfte ihr Verständnis an
Schülerinnen und Schüler weitergeben, die zu informierten und kritischen
Nutzerinnen und Nutzern in einer von Desinformation und verzerrten Fakten
geprägten Gesellschaft werden sollen (Visvizi & Lytras, ).
KI-basierte Recherche nutzt Algorithmen, um aus großen Datenmengen rele-
vante Informationen zu extrahieren, wobei die Genauigkeit der Ergebnisse stark
von der Qualität der Trainingsdaten, der Spezität der Prompts und den ver-
fügbaren Datenquellen abhängt. Die Eektivität und Grenzen dieser Techno-
logien werden durch Faktoren wie Datenverzerrung, Zugang zu umfassenden
Datenbanken und die Fähigkeit der KI, Falschinformationen zu identizieren,
beeinusst. Die Qualität der KI-Rechercheergebnisse wird durch Kriterien wie
Aktualität, wissenschaftliche Gültigkeit und die Qualität der verwendeten Refe-
renzen bewertet, wobei die zugrundeliegenden Trainingsdaten oft sowohl die
Stärken als auch die Schwächen der Ergebnisse bestimmen.
Das Durchsuchen umfangreicher Sto- und Proteindatenbanken sowie die
wissenschaftliche Literaturrecherche kann mittels verschiedener KI-Modelle
automatisiert und deutlich ezienter ablaufen, als es ohne KI-gestützte Syste-
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
3)
me möglich ist (u. a. Maki et al., ; Xu et al., ). Eine gezielte KI-basierte
Literaturrecherche kann beispielsweise verwendet werden, um Synthesebedin-
gungen zu extrahieren (Zheng et al., ) oder Versuchsdurchführungen zu
bestimmen und zu optimieren (Boiko et al., ). Zudem können diese Syste-
me auch Bewertungen der recherchierten Informationen vornehmen (z. B. der
Bindungsfähigkeit eines Stos an ein Enzym, Essegian et al., ) und somit
die Auswertung der recherchierten Informationen unterstützen. Über diese
Prozesse ist es sogar möglich, über eine KI-gestützte Literaturanalyse eine Vor-
hersage von zukünftigen Forschungsschwerpunkten zu treen (Xu et al., ).
Wie auch im Alltagsgebrauch gilt es bei der Nutzung generativer KI-Systeme
für fachwissenschaftliche Zwecke darauf zu achten, dass z. B. fachliche Korrekt-
heit und Aktualität der recherchierten Informationen gegeben sind. Ebenfalls
notwendig sind Kenntnisse zur sachgemäßen und eektiven Nutzung dieser
Recherchefunktionen mittels entsprechender Prompts (Arora et al., ).
KI-gestützte Recherchetools und digitale Datenbanken können die Informa-
tionsbeschaung in Lehr- und Lernszenarien erheblich erleichtern, indem sie
einen schnellen Zugri auf eine Vielzahl von Ressourcen ermöglichen. Es ist
jedoch wichtig, die Qualität und Zuverlässigkeit der Informationen kritisch zu
bewerten, um eine übermäßige Abhängigkeit von der Technologie und den
Verlust kritischer Denkfähigkeiten zu vermeiden. Bei der Planung und Durch-
führung von Unterrichtseinheiten, die den Einsatz von KI-gestützten Recher-
chetools thematisieren, sollte besonderes Augenmerk auf die Förderung von
Recherche- und Bewertungskompetenz sowie die Reexion ethischer Aspekte
gelegt werden. Diese Ansätze tragen zu einem vertieften Verständnis der Mög-
lichkeiten und Grenzen von KI in Bildungskontexten bei.
KI-basierte Recherchen im Fachunterricht erfordern eine sorgfältige Planung
und Durchführung, um (fach)didaktische und ethische Standards zu erfüllen.
Lehrkräfte sollten den Einsatz von KI in Lehr-Lernszenarien genau auf die Förde-
rung kritischen Denkens und auf fachdidaktische Ziele abstimmen. Die Bewer-
tung der Rechercheergebnisse sollte auf Kriterien wie Genauigkeit und Objekti-
vität basieren und die Schülerinnen und Schüler sollten angeleitet werden, die
Glaubwürdigkeit der (fachspezischen) Informationen kritisch zu hinterfragen.
Dabei ist es entscheidend, dass die Technologie transparent in den Fachunter-
richt integriert und die kritische Reexion zugelassen wird.
Der DiKoLANKI-Kompetenzbereich „Recherche und Bewertung“ (KI.RB) um-
fasst technische und individuelle Fähigkeiten, digitale Werkzeuge für KI-basierte
Recherchen zu nutzen, diese zielgerecht einzustellen sowie deren Ergebnisse
qualitativ zu bewerten. Dabei sind jeweils verstärkt auch digitalitätsbezogene
Aspekte zu berücksichtigen.
In Tabelle sind die Erwartungen an die Lehrenden im Kompetenzbereich „Re-
cherche und Bewertung“ zusammengefasst.
3!
Messwert- und Datenerfassung (MD)
Durch die steigende Verfügbarkeit von leistungsfähigen KI-Algorithmen werden
in immer mehr Messwerterfassungssystemen Möglichkeiten zur KI-gestützten
Vorverarbeitung und Handhabung von Messdaten integriert. Auch wenn es
sich hier bezogen auf den Einsatz der KI-Algorithmen eher um eine Datenver-
arbeitung handelt, betrit deren Nutzung das unterrichtliche Handeln auch
im Bereich der Messwert- und Datenerfassung und erfordert somit spezische
Kompetenzen in diesem Bereich. Die Grundlage für eine Abgrenzung zwischen
Datenerfassung und Datenverarbeitung verschiebt sich spätestens durch den
Einsatz von KI von einer technischen hin zu einer humanzentrierten Perspekti-
ve. Nicht die technischen Vorgänge, sondern der Nutzen und die Auswirkungen
des Einsatzes auf den Menschen sind entscheidend. Entsprechend bedeutsam
ist auch die Berücksichtigung damit einhergehender Digitalitätsaspekte. Durch
KI kann der Prozess der Messwerterfassung vereinfacht werden und die Aufnah-
me und das Management auch großer Datenmengen erst ermöglicht werden.
Durch KI erschließen sich nun auch neue Felder der Datenerfassung, wobei
DiKoLAN die digitale Messwerterfassung gegenüber der digitalen Datenerfas-
sung stärker in den Vordergrund stellt. Insbesondere die Extraktion von Daten
aus Bild- und Tonmaterial ist zwar bereits in DiKoLAN berücksichtigt, erönet
aber durch KI ganz neue Anwendungsfelder und erfordert gleichermaßen ent-
sprechende Kompetenzen seitens der Lehrkräfte. Da mit steigender Verarbei-
tungstiefe- und breite (insbesondere in der Vorverarbeitung von (Mess-)Daten)
Teile der Datenvorverarbeitung und damit auch die Datenqualität nicht mehr
sicher eingeschätzt werden können, müssen Lernende wie Lehrende für damit
einhergehende Unsicherheiten sensibilisiert werden. Ein prominentes Beispiel
für durch KI gefälschte „Messergebnisse“ ist, dass sich mit Samsung Smart-
phones detailreiche Fotos vom Mond aufnehmen ließen (https://eu.community.
samsung.com/t/community-newsroom/mit-dem-smartphone-den-mond-
fotograeren-wie-euer-samsung/ba-p/), auch wenn statt des Mondes
ein vergleichbares Objekt fotograert wurde. Kompetente Lehrkräfte sind sich
dieser Problematik bewusst und können auch ihre Schülerinnen und Schüler für
die Gefahren eines unreektierten Einsatzes KI-basierter Messwert- und Daten-
erfassung sensibilisieren.
Der Einsatz KI-gestützter Messwert- und Datenerfassung setzt ein solides Ver-
ständnis für die verwendeten Technologien voraus. Dazu gehören Kenntnisse
über KI-basierte Sensortechnologien, intelligente IoT-Geräte (Internet der Din-
ge) und die Funktionsweise von KI-Algorithmen zur Vorverarbeitung erfasster
Daten. Kompetenzen in diesem Bereich umfassen die Fähigkeit zur Auswahl und
Integration geeigneter Hardware und Software zur Datenerfassung sowie zur
Implementierung von KI-Algorithmen zur initialen automatisierten Datenana-
lyse. Im Biologieunterricht ist z. B. der Einsatz KI-basierter Apps zur Bestimmung
von Tieren und Panzen aus aufgenommenen Bildern bereits weit verbreitet.
Aus Audioaufnahmen lassen sich Vogelstimmen mittels KI identizieren. Damit
unterstützt und vereinfacht die KI-basierte Erkennung selbst die nichtdigitale
Bestimmung des Artenvorkommens und das Abschätzen der Populationsdich-
te. Ebenso lässt sich z. B. die Anzahl bestimmter Objekte in einem Bild zählen
oder Beziehungen zwischen Objekten erkennen. Mit der intelligenten Vorverar-
beitung der Daten sind aber auch steigende technische Anforderungen an die
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
33
Messwert- und Datenerfassungssysteme verbunden, so dass eine Berücksichti-
gung der technischen Anforderungen durch die Erfordernisse der intelligenten
Vorverarbeitung noch bedeutender wird.
Auch in den Fachwissenschaften spielt die KI-basierte Messwert- und Daten-
erfassung eine wichtige Rolle: In der biologischen und biomedizinischen For-
schung ist z. B. die KI-basierte Gewinnung von Daten aus Bildmaterial eine wich-
tige Methode. ML- und Deep-Learning(DL)-Ansätze erweisen sich z. B. in der
Klassizierung und Auswertung von mikroskopischen Aufnahmen oder Rönt-
genbildern als besonders vorteilhaft, da sie in der Lage sind, Muster und Details
zu erkennen und zu kategorisieren (Chan et al., ). Zum Beispiel werden
DL-basierte Systeme zur Analyse und Auswertung mikroskopischer Aufnahmen
histologischer Schnitte verschiedener Gewebe genutzt (Cheng et al., ; Liu et
al., ). Dies ermöglicht u. a. eine automatische und hoch akkurate Erkennung
und Diagnose von Lungenkrebs (Cheng et al., ). Im Bereich der Mikrobiolo-
gie wird KI z. B. zur Interpretation von bakteriellen Kulturplatten verwendet (Sig-
noroni et al., ): Mithilfe eines Convolutional Neural Networks (CNN) werden
Bakterienkolonien einer Kulturplatte gezählt und die jeweilige Spezies identi-
ziert, um auf Erkrankungen oder Verschmutzungen des Abstrich orts schließen
zu können. Auch die Erfassung von Messwerten durch spezische KI-Systeme
innerhalb eines automatisierten Labors (Boiko et al., ) gehört zu den fach-
wissenschaftlich relevanten Anwendungen von KI in der naturwissenschaftli-
chen Forschung. Autonome Labore stellen eine innovative Entwicklung in der
Chemie dar, indem sie KI mit automatisierten Experimentiertechniken kombi-
nieren. Sie sind darauf ausgerichtet, chemische Herausforderungen mit bisher
unerreichter Geschwindigkeit und Ezienz zu bewältigen. Große Sprachmodel-
le spielen auch hier eine zentrale Rolle (Boiko et al., ). Autonome Labore wie
AlphaFlow und CoScientist nutzen KI-basierte Funktionen, um die Fähigkeiten
menschlicher Forscherinnen und Forscher zu ergänzen (Boiko et al., ; Volk
et al., ), indem beispielweise verschiedene Aufgabenbereiche im Labor an
die jeweils passenden KI-gestützten Assistenten delegiert werden. KI kann auch
bei der Erfassung sekundärer Daten aus Rohdaten genutzt werden; Xing et al.
() zeigen, wie KI-gestützte elektrochemische Messungen zur Bestimmung
der Konzentrationen einzelner Stoe in komplexen Gemischen genutzt werden
können. In der Physik wird KI z. B. bei der Untersuchung von Kollisionen schwe-
rer Ionen eingesetzt, um bereits direkt aus den Detektordaten Rückschlüsse auf
die Anzahl der beteiligten Partikel zu ziehen (Omana Kuttan, ).
Mit der Nutzung von KI-gestützter Messwert- und Datenerfassung sind ethi-
sche, rechtliche und soziale Voraussetzungen und Implikationen verbunden.
Dies beinhaltet Fragen der Datenschutzrichtlinien, der Datensicherheit sowie
der Fairness und Transparenz bei der Datenerfassung. Kompetenzen in diesem
Bereich umfassen die Fähigkeit zur kritischen Reexion über die Auswirkungen
von KI auf den Datenschutz und die Schutzbedürfnisse der Schülerinnen und
Schüler sowie zur Förderung eines verantwortungsvollen Umgangs mit den
erfassten Daten.
Der Einsatz KI-gestützter Messwert- und Datenerfassung im Unterricht wird
wesentlich von den Anforderungen der konkreten Unterrichtssituation und
den kontextuellen Bedingungen geleitet. Die Planung und Durchführung von
Unterricht mit und über KI-gestützte Messwert- und Datenerfassung erfordert
34
entsprechend grundlegendes Wissen dazu, wie KI-gestützte Messwert- und
Datenerfassung im Unterrichtsfach lernförderlich eingesetzt werden können,
damit Schülerinnen und Schüler bestenfalls selbst Daten erfassen und dabei
intelligente Datenvorverarbeitung nutzen können. Allerdings sollte bei allen
möglichen Vorteilen des unterrichtlichen Einsatzes (insbesondere ermöglichte
Zugänge zur Erkenntnisgewinnung) immer auch die kritische Auseinanderset-
zung mit dem Einsatz von KI aus technischer sowie aus soziokultureller Perspek-
tive gefördert werden.
Der DiKoLANKI-Kompetenzbereich „Messwert- und Datenerfassung“ (KI.
MD) beschreibt die individuelle Fähigkeit, mit digitalen Werkzeugen mittel-
oder unmittelbar Daten zu erheben, indem (Mess-)Daten eingegeben, analoge
Daten digitalisiert, Bilder sowie Filme angefertigt, Sonden, Sensoren, Program-
me (bzw. Apps) eingesetzt und Messwerte aus Dokumentationsmedien wie
Bildern oder Videos gewonnen werden. Der Einsatz von KI-Technologien in der
digitalen Messwerterfassung ist z. B. durch KI-gesteuerte Sensoren, automa-
tisierte Sig nalvorverarbeitung, Mustererkennung und Datengewinnung aus
Bildern und Videos möglich. Dabei sind jeweils verstärkt auch digitalitätsbezo-
gene Aspekte zu berücksichtigen.
Neben der oben genannten Denition des Kompetenzbereichs „Messwert und
Datenerfas sung“ bietet Tabelle eine Orientierung zu den Kompetenzerwar-
tungen an die Lehrenden in diesem Kompetenzbereich.
Datenverarbeitung (DV)
Die Verarbeitung von digitalen Daten kann mittels KI in mannigfaltiger Weise
unterstützt werden. So können KI-Algorithmen große Datenmengen aufberei-
ten, analysieren und darin komplexe Muster erkennen und Vorhersagemodelle
entwickeln. Repetitive Datenverarbeitungsaufgaben können durch KI automa-
tisiert werden, was zu einer Steigerung der Ezienz führt. Neben den Potenzia-
len sind mit dem Einsatz von KI in der Datenverarbeitung aber auch Risiken ver-
bunden (wie z. B. systematische Verzerrungen aufgrund nicht repräsentativer
bzw. unvollständiger Trainingsdaten oder Überinterpretation von Korrelationen
als Kausalzusammenhänge).
Mit KI-basierten Werkzeugen können vielfältige Arten von Daten verarbeitet
werden (z. B. Bild-, Audio und Video-Daten). So analysieren und interpretieren
KI-Algorithmen bspw. Bilddaten und identizieren darin Objekte oder Gesich-
ter. Bei Videodaten kann KI dabei unterstützen, Bewegungen zu verfolgen und
Ereignisse zu identizieren. Mittels natürlicher Sprachverarbeitung (im Engl.
natural language processing; NLP) können Texte analysiert werden, um Infor-
mationen zu extrahieren oder auch Stimmungen und Meinungen zu erkennen.
Zudem kann gesprochene Sprache in Text umgewandelt und in verschiedene
Sprachen übersetzt werden.
In der naturwissenschaftlichen Forschung spielt KI, angesichts der wachsenden
Menge an Forschungsdaten und der Notwendigkeit, diese zu verarbeiten, eine
zunehmend wichtiger werdende Rolle. Fortschritte in modernen Messmethodi-
ken und die zunehmende Automatisierung sind nur einige der Gründe für den
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
35
Anstieg der zu analysierenden Datenmengen. Für den ezienten Umgang mit
solch großen Datensätzen ist der Einsatz von KI unabdingbar, da solche Systeme
in ezienter Art und Weise Muster auch in großen Datenmengen identizieren
und Daten klassizieren können. Basierend auf einer derartigen Verarbeitung
können wiederum Vorhersagen über die Eigenschaften bisher nicht untersuch-
ter Stoe getroen und Vorschläge für das Design neuer Medikamente oder
Materialien generiert werden (z. B. Carvalho et al., ; Pandey & MacKerell,
; Lin et al., ). In der biochemischen Forschung kann u. a. die Suche nach
Inhibitoren verschiedener krankheitsassoziierter Proteine mittels KI als Teil des
sogenannten „in silico screenings“ drastisch verkürzt werden (Ren et al., ;
Maki et al., ; Essegian et al., ). Anwendung ndet die KI-basierte Daten-
verarbeitung aber auch in der Batterieforschung, um neuartige Elektrodenma-
terialien zu entwickeln (Carvalho et al., ).
Beim Einsatz von KI-basierter Datenverarbeitung in Lehr-Lernszenarien sollten
die einzelnen Arbeitsschritte im Verarbeitungsprozess sowie die zu beach-
tenden Gesetze, Regeln und Vorgaben für die Datensicherheit transparent
gemacht werden, insbesondere wenn es sich um personenbezogene Daten
handelt. Darüber hinaus sollten auch Stärken und Schwächen verschiedener
KI-Algorithmen, deren Anforderungen an die IT-Hardware sowie deren Risiken
thematisiert werden. Ziele sollten sein, einen verantwortungsbewussten und
ethischen Umgang mit Daten bei den Lernenden zu fördern und ein überstei-
gertes Vertrauen in KI-Systeme ohne menschliche Überprüfung zu vermeiden.
Der sachgerechte Einsatz in Unterrichtsszenarien sollte darauf abzielen, ein
grundlegendes Verständnis von den Funktionsweisen von KI-basierter Daten-
verarbeitung in geeigneten naturwissenschaftlichen Kontexten sowie deren
Möglichkeiten und Grenzen zu vermitteln (sachgerechtes und fachgerechtes
Lernen mit, durch und über KI-basierte Technologie im Naturwissenschafts-
unterricht). Dabei sollten Lehrkräfte auf einen ethischen und datenschutzkon-
formen Umgang mit den Daten achten und ihre Schülerinnen und Schüler
dahingehend sensibilisieren, dass sie KI-basierte Ergebnisse hinterfragen, um
evtl. vorhandene KI-induzierte Verzerrungen erkennen zu können. Besonderes
Augenmerk sollte dabei auf durch KI-basierte Datenverarbeitung ermöglichte
Zugänge zu den Basiskompetenzen in den einzelnen naturwissenschaftlichen
Disziplinen gelegt werden.
Der DiKoLANKI-Kompetenzbereich „Datenverarbeitung“ (KI.DV) beschreibt
die individuelle Fähigkeit, Daten mit digitalen Werkzeugen weiterzuverarbeiten.
Dies umfasst Filterung, Berechnungen neuer Größen, Aufbereitung, statistische
Analysen und Zusammenführen von Datensätzen. Der Einsatz von KI-Technolo-
gie ist dabei insbesondere für Automatisierung, Mustererkennung und ezien-
te Verarbeitung großer Datenmengen von Vorteil. Dabei sind jeweils verstärkt
auch digitalitätsbezogene Aspekte zu berücksichtigen.
In Tabelle sind die Kompetenzerwartungen an die Lehrenden im Kompetenz-
bereich „Datenverarbeitung“ zusammengefasst.
36
Simulation und Modellierung (SM)
Neben Theorie und Experiment ist die Simulation ein weiteres wesentliches
Werkzeug der naturwissenschaftlichen Erkenntnisgewinnung. Auf Grundlage
von Modellen lassen sich Systeme analysieren und Prozesse in ihrer zeitlichen
Entwicklung prognostizieren. Solche meist computergestützten Simulationen
können dabei sehr aufwändig werden, falls eine Vielzahl von Parametern zu be-
rücksichtigen sind, was entsprechende Rechen-Kapazitäten erfordert. Auf der
anderen Seite erönet KI die Möglichkeit, auch große und komplexe Datensät-
zen zu verarbeiten und damit Muster zu erkennen und Prognosen abzuleiten,
auch wenn kein analytisches Modell vorhanden ist. Moderne KI-Systeme er-
möglichen heutzutage, Methoden des maschinellen Lernens und Simulations-
modelle zu Simulations-KI-Modellen zu kombinieren und damit insbesondere
die notwendigen Rechenzeiten zu verkürzen. Umgekehrt können KI-Systeme
durch Simulationen optimiert werden, indem bspw. Trainingsdaten mittels Si-
mulationen zur Verfügung gestellt werden.
Computergestützte Simulationen und Modellierungen können auf vielfältige
Weise durch KI unterstützt bzw. erst ermöglicht werden. So können KI-Algo-
rithmen große Datensätze ezient nach Mustern durchsuchen, Parameter op-
timieren sowie Simulations- und Modellierungsvorgänge ezienter gestalten,
indem sie die benötigte Rechenzeit und den Ressourcenbedarf reduzieren.
Die Erstellung von Simulationen und Modellen basierend auf wissenschaftlichen
Daten – entnehmbar aus einer Vielzahl verschiedener Datenbanken (bspw. PDB,
Reaxys oder PubChem) – ist ein bedeutendes und wachsendes Forschungsfeld.
Ein prominentes Beispiel für die Rolle von KI in derartigen Prozessen ist die
Bestimmung von dreidimensionalen Proteinstrukturen anhand von Aminosäu-
resequenzen mittels der KI-basierten Plattform AlphaFold (z. B. Díaz-Rovira et
al., ; Jumper et al., ; van Breugel et al., ). Diese Methode hat das
Potenzial, die Forschung erheblich zu beschleunigen und die Genauigkeit von
Strukturvorhersagen zu verbessern, was entscheidend für das Verständnis
biologischer Prozesse und die Entwicklung neuer therapeutischer Ansätze ist
(Graille et al., ). Auch in der Materialwissenschaft wird KI häug eingesetzt,
um die Entwicklung neuartiger Stoe zu beschleunigen, bspw. bei der additi-
ven Fertigung von Metallen (Ackermann & Haase, ). Bei der nachhaltigen
Herstellung spezischer Chemikalien und Treibstoe wird KI zur Simulation
möglicher Enzymlevelkonzentrationen genutzt, um die Produktionsoptimie-
rung zu unterstützen (Sabzevari et al., ). In der organischen Chemie kann
die Planung einer Syntheseroute mittels Retrosynthese inzwischen ebenfalls
von spezischen KI-Systemen übernommen werden (z. B. Liu et al., ; Segler
& Waller, ), was insbesondere in der Pharmakologie Anwendung ndet. In
der Biologie nden KI-Systeme bspw. Anwendung beim Design von Promotern
zur gezielten Steuerung der Genexpression (Zhang et al., ). Im Besonde-
ren in der Genetik wird KI bspw. zur Optimierung von Genomsequenzierungs-
prozessen genutzt (Vilhekar & Rawekar, ) oder um das Vorhandensein
bestimmter Proteine anhand der Gensequenz vorherzusagen (Yan et al., ).
In der Physik ndet KI mittlerweile breite Anwendung, z. B. zur Modellierung
von hochenergetischen Teilchenkollisionen, um daraus Informationen über die
Teilcheninteraktion zu gewinnen (El-Bakry & El-Metwally, ). Auch bei der
Vorhersage künftiger Wetterereignisse werden KI-basierte Modellierungen und
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
3&
Simulationen genutzt, um die Genauigkeit von Klimamodellen bspw. durch
eine verbesserte Parametrisierung von Wolken (Grundner et al., ) – zu ver-
bessern und z. B. Niederschlagsstärken genauer vorhersagen zu können (Bannai
et al., ).
Der Einsatz von KI-basierten Simulationen und Modellierungen in Lehr-Lernsi-
tuationen erönet die Möglichkeit, auch mit Schülerinnen und Schülern große
Datenmengen zu analysieren und darin Muster und Trends zu erkennen, welche
durch traditionelle Simulations- und Modellierungsverfahren verborgen bleiben
könnten oder zumindest nur mit sehr viel mehr Aufwand erschlossen werden
könnten. So können auch komplexe Simulationen oder Modellierungen ohne
spezielle IT-Technik in überschaubarer Zeit durchgeführt werden. Auch können
mittels KI Daten selbst erzeugt werden, welche für Lehrkräfte und Schülerinnen
und Schüler nicht oder nur mit großem Aufwand verfügbar wären.
Der Einsatz KI-basierter Simulationen und Modellierungen kann sachgerech-
tes und fachgerechtes Lernen mit, durch und über KI-basierte Technologie im
Naturwissenschaftsunterricht ermöglichen. Dies erfordert von den Lehrkräften
zunächst die Auswahl fachdidaktisch und pädagogisch geeigneter KI-basierter
Werkzeuge. Es ist dabei insbesondere darauf zu achten, dass diese wissen-
schaftlich fundiert und in der Lage sind, valide Simulationen mit einer entspre-
chenden Genauigkeit zu liefern. Darüber hinaus ist sicherzustellen, dass die
notwendigen technischen Voraussetzungen gegeben sind, um diese Werkzeu-
ge im Unterricht wirksam einzusetzen und auch, dass alle Lernenden Zugang
dazu haben. Zudem ist es notwendig, sowohl Datenschutz als auch ethische
Richtlinien bei der Generierung und Analyse von Daten und letztlich die verant-
wortungsvolle Nutzung von KI gemeinsam mit den Lernenden zu thematisieren
und auch Auswirkungen der generierten Simulationen und Modellierungen auf
soziokulturelle Dimensionen der Schülerinnen und Schüler zu berücksichtigen.
Der DiKoLANKI-Kompetenzbereich „Simulation und Modellierung“ (KI.SM)
beschreibt die individuellen Fertigkeiten, computergestützte Modellierungen
zu erstellen sowie bestehende digitale Simulations- und Simulations-KI-Model-
le ziel- und adressatengerecht für den Erkenntnis- und Kommunikationsprozess
einzusetzen, sowie das Wissen über Grenzen und Potenziale von Modellen und
Simulationen im Erkenntnisgewinnungsprozess. Dabei sind jeweils verstärkt
auch digitalitätsbezogene Aspekte zu berücksichtigen.
In Tabelle sind die Erwartungen im Kompetenzbereich „Simulation und Mo-
dellierung“ an Lehrpersonen der Naturwissenschaften zusammen gefasst.
38
Erläuterungen zu den Übersichten der
Kompetenzbereiche
Basierend auf der Abgrenzung der dargelegten Kompetenzbereiche dienen die
folgenden Tabellen zur detaillierten Beschreibung von jeweils damit korrespon-
dierenden Kompetenzerwartungen. Wie in DiKoLAN und DiKoLAN PLUS wird
dabei über die Spalten gemäß der technologiebezogenen Bereiche des TPACK-
Modells strukturiert und über Zeilen in die Niveaus Nennen, Beschreiben und
Anwenden/Durchführen gegliedert. Im Sinne von Kompetenzen wird bei einer
Anwendung hierbei von einer re ektierten Anwendung ausgegangen. Das
heißt, dass im Falle von z. B. hier erwarteten Planungen eines Technologiein-
satzes diese nicht intuitiv, sondern im Sinne des Wortes planvoll und überlegt
statt nden und im Nachgang an die tatsächliche Anwendung oder Durchfüh-
rung mit Bezug zu den vorherigen Planungsüberlegungen re ektiert werden.
Auf konkrete inhaltliche Beispiele oder die Nennung von spezi schen Soft-
wareprodukten wird, soweit nicht zur Beschreibung von Kompetenzen unum-
gänglich, verzichtet, da eine diesbezügliche Passung vom Kontext (wie z. B.
dem Fach, den Schwerpunkten einer Lehrveranstaltung oder der Ausstattung
an (Hoch-)Schulen) sowie der zukünftigen Marktdynamik und Technologieent-
wicklung abhängig ist. Für die Darstellung schnell erfassbarer Pro le der im An-
schluss an die Übersichtstabellen beschriebenen Lehrveranstaltungskonzepte
werden jeweils adressierte Kompetenzbereiche sowie Kompetenzschwerpunk-
te und -niveaus in einer gra schen Übersicht visualisiert bzw. gelistet (Abb. ).
Lehrenden wird es damit erleichtert, z. B. für die Planung von eigenen Lehrvor-
haben mit bestimmten Schwerpunkten und der Suche nach Anregungen eine
Passung herstellen zu können.
Simulation und Modellierung
Kommunikation/Kollaboration
Recherche und Bewertung
Dokumentation
Präsentation
Messwert- und Datenerfassung
Assessment, Feedback, Ada ptivität
Fachspezi schere Kompetenzen
Technische Basiskompetenzen
Allgemeinere Kompetenzen
Datenverarbeitung
KI.AFA.T.N1, KI.AFA.T.N2
KI.DO.T.N1, KI.DO.F.B1
KI.P.T.N1, KI.P.T.B2, KI.P.M.N2
KI.KK.T.N1, KI.KK.T.N2, KI.KK.T.B1, KI.KK.T.A3, KI.KK.F.B1,
KI.KK.F.N.2, KI.KK.M.N1
KI.RB.T.N1–3, KI.RB.T.N5, KI.RB.T.B2, KI.RB.T.A1, KI.RB.F.A1,
KI.RB.F.B1, KI.RB.F.N1, KI.RB.M.N1, KI.RB.M.B1
KI.MD.T.N1
KI.DV.T.N1, KI.DV.T.N7, KI.DV.T.N8
KI.SM.T.N1, KI.SM.F.N1, KI.SM.F.N2, KI.SM.F.N4
Abb. 9 Schaubild zur Einordnung der in den Beiträgen beschriebenen Lehrvorhaben
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
3(
Weiterführende Informationen
Bei Fragen und Anmerkungen erreichen Sie uns über die DiKoLAN-Webseite oder per Mail.
DiKoLAN-Website http://dikolan.de
E-Mail-Kontakt ki@dikolan.de
Über die Autorinnen und Autoren
Prof. Dr. Johannes Huwer ist Brückenprofessor für Fachdidaktik der Naturwissenschaften an
der Universität Konstanz und der Pädagogischen Hochschule Thurgau.
Prof. Dr. Sebastian Becker-Genschow ist Professor für Digitale Bildung mit Schwerpunkt
Künstliche Intelligenz an der Universität zu Köln.
Prof. Dr. Christoph Thyssen ist Professor für Fachdidaktik Biologie an der RPTU Kaiserslau-
tern-Landau.
Dr. Lars-Jochen Thoms ist Postdoc und Dozent am Brückenlehrstuhl für Fachdidaktik der
Naturwissenschaften der Universität Konstanz und der Pädagogischen Hochschule Thurgau.
Prof. Dr. Lena von Kotzebue ist Professorin für Biologiedidaktik und leitet die AG Didaktik
der Biologie und Umweltbildung an der Universität Salzburg.
Alexander Finger betreut die wissenschaftliche Ausbildung von Lehrkräften im Seitenein-
stieg im Fach Biologie an der Universität Leipzig.
Erik Kremser leitet die Vorlesungsassistenz und das Demonstrationspraktikum für Studie-
rende des Lehramtes am Fachbereich Physik der TU Darmstadt.
Sandra Berber ist wissenschaftliche Mitarbeiterin am Lehrstuhl für Didaktik der Naturwis-
senschaften an der Universität Konstanz und der Pädagogischen Hochschule Thurgau.
Mathea Brückner ist wissenschaftliche Mitarbeiterin am Lehrstuhl für Fachdidaktik der Na-
turwissenschaften an der Universität Konstanz und der Pädagogischen Hochschule Thurgau.
Nikolai Maurer ist wissenschaftlicher Mitarbeiter am Lehrstuhl für Fachdidaktik der Natur-
wissenschaften an der Universität Konstanz und der Pädagogischen Hochschule Thurgau.
Prof. Dr. Till Bruckermann ist Professor am Institut für Erziehungswissenschaft der Leibniz
Universität Hannover.
Prof. Dr. Monique Meier leitet die Professur für Didaktik der Biologie sowie den dort veran-
kerten Studiengang Lehramt Biologie an der Technischen Universität Dresden.
Simulation und Modellierung
Kommunikation/Kollaboration
Recherche und Bewertung
Dokumentation
Präsentation
Messwert- und Datenerfassung
Assessment, Feedback, Ada ptivität
Fachspezi schere Kompetenzen
Technische Basiskompetenzen
Allgemeinere Kompetenzen
Datenverarbeitung
KI.AFA.T.N1, KI.AFA.T.N2
KI.DO.T.N1, KI.DO.F.B1
KI.P.T.N1, KI.P.T.B2, KI.P.M.N2
KI.KK.T.N1, KI.KK.T.N2, KI.KK.T.B1, KI.KK.T.A3, KI.KK.F.B1,
KI.KK.F.N.2, KI.KK.M.N1
KI.RB.T.N1–3, KI.RB.T.N5, KI.RB.T.B2, KI.RB.T.A1, KI.RB.F.A1,
KI.RB.F.B1, KI.RB.F.N1, KI.RB.M.N1, KI.RB.M.B1
KI.MD.T.N1
KI.DV.T.N1, KI.DV.T.N7, KI.DV.T.N8
KI.SM.T.N1, KI.SM.F.N1, KI.SM.F.N2, KI.SM.F.N4
Abb. 9 Schaubild zur Einordnung der in den Beiträgen beschriebenen Lehrvorhaben
40
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.AFA.U.N1 Nennen Bedingungen und Szenarien für den
förderlichen Einsatz von KI-basierten Feedback-, Tutoring- und
Assessment-Systemen in Lehr-Lernsituationen.
KI.AFA.U.N2 Nennen kontextspezische Möglichkeiten für
KI-basierte Methoden in der Planung und Umsetzung von
dierenziertem bis adaptivem Unterricht.
KI.AFA.M.N1 Nennen Potenziale KI-basierter For-
men der Lernbegleitung (synchron oder asynchron),
z. B. mittels:
ώdigitalem Feedback über Kommentare o. Ä.
ώdigitalen Glossaren und FAQ ähnlichen Unterstüt-
zungen
KI.AFA.M.N2 Nennen Vor- und Nachteile von
KI-basierten digitalen Umsetzungen in der Ausei-
nandersetzung mit Lernprodukten für die digitale
Lernbegleitung, z. B. in versch. Sozialformen
ώindividuellem Austausch 1 zu 1
ώmultiperspektivisches Peer Feedback
ώMaschine-Mensch Feedback
KI.AFA.M.N3 Nennen Potenziale von durch KI-
basierte Werkzeuge ermöglichten Diagnosen und
summativem sowie formativem Feedback.
KI.AFA.M.N4 Nennen Potenziale für selbstgesteu-
ertes Lernen mit KI-basierten tutoriellen Systemen
inkl. Assessmentsystemen.
KI.AFA.M.N5 Nennen Daten, Kenngrößen
und Indikatoren, die durch ein KI-basiertes
Monitoring erhoben und für die Diskussion von
Lernaktivitäten/-prozessen genutzt und kommuni-
ziert werden können.
KI.AFA.M.N6 Nennen Unterschiede in der
Gestaltung von KI-generiertem und technologisch-
unterstütztem Feedback durch die Lehrperson.
KI.AFA.F.N1 Nennen KI-basierte Technologien zur Kontrolle von
fachwissenschaftlichen Forschungsdokumentationen als ein
Beispiel für Unterstützungssysteme mit Feedback (z. B. KI-basierte
Forschungsdatenmanagementsysteme und Large Language
Models (LLMs))
KI.AFA.F.N2 Nennen KI-basierte Assessments zur Kontrolle von
Arbeitsabläufen und Prozessen (z. B. Echtzeitprozessoptimierung)
KI.AFA.F.N3 Nennen Peer Review Systeme als Beispiel für
KI-basierte Technologien im Kontext von Publikationen, z. B.
LLMs zur Begutachtung von Publikationen bzw. zur Auswahl von
Gutachtenden
KI.AFA.T.N1 Nennen KI-basierte Technologien, die Funktionalitäten
anbieten im Bereich von z. B.
ώder für Lerngruppen passenden inhaltlichen und zeitlichen Strukturie-
rung von Lernplänen
ώder Gabe von einfachem (d. h. „Richtig-oder-Falsch“) Feedback
ώder Gabe von dierenzierterem (d. h. elaboriertem) Feedback
ώder Erstellung und Einbindung von Lernstandserhebungen (summatives
Assessment)
ώder Lernfortschrittserhebung und -dokumentation (formatives
Assessment)
ώAudience-Response Systemen, wie z. B. Umfragesysteme, Mind- bzw.
Concept-Mapping-Tools (automatisierte Liveauswertung)
KI.AFA.T.N2 Nennen KI-basierte Technologien für Assessment, Feedback,
Diagnose und deren adaptiven Gestaltung, die eine Lernbegleitung mit
oben genannten Funktionen (teil-)automatisiert unterstützen können.
KI.AFA.T.N3 Nennen KI-basierte Technologien, die einen anonymen,
individuellen Vergleich mit und/oder in der Lerngruppe ermöglichen.
KI.AFA.T.N4 Nennen technische Umsetzungsmöglichkeiten für KI-basiertes
Audio- und Videofeedback.
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.AFA.U.B1 Beschreiben didaktisch begründet Vorge-
hensweisen für den fachgemäßen Einsatz von KI-basierten
Assessment- und Tutoring-Technologien in Fachkontexten.
KI.AFA.M.B1 Beschreiben Vor- und Nachteile sowie
Grenzen KI-basierter Feedback-, Tutoring- und
Assessment/Diagnose-Technologien.
KI.AFA.M.B2 Beschreiben pädagogische Voraus-
setzungen des methodischen Einsatzes KI-basierter
Feedback-, Tutoring- und Assessment/Diagnose-
Technologien, z. B. im Hinblick auf:
ώZeitaufwand und -nutzung
ώOrganisationsformen und Betreuung
ώselbstgesteuertes, individuelles Lernen
ώInteresse, Motivation und kulturelle Rahmenbe-
dingungen
KI.AFA.M.B3 Beschreiben Strategien zum
Einsatz von KI-basierter Feedback-, Tutoring- und
Assessment/Diagnose-Technologien in Lehr-
Lernprozessen.
KI.AFA.T.B1 Beschreiben Daten, z. B. zur Anmeldung und/oder Nutzung,
die genannte KI-basierte Technologien erheben und speichern, um im
Hinblick auf die Datenschutz-Grundverordnung (DSGVO) sicher agieren zu
können
KI.AFA.T.B2 Beschreiben technische Rahmenbedingungen, die für einzel-
ne KI-basierte Technologien zum Einsatz im Bereich Assessment, Feedback
und Diagnose notwendig sind.
KI.AFA.T.B3 Beschreiben aus technischer Perspektive die Umsetzung und
damit verbundene Arbeitsabläufe und Prozesse, um in KI.AFA.T.N1 genann-
te KI-basierte Technologien in Passung zu gegebenen technischen und
kulturellen Rahmenbedingungen der digitalen Infrastruktur auszuwählen
und einzusetzen.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.AFA.U.A1 Planung und Durchführung von Lehr-Lernpro-
zessen (d. h. in Unterrichtsszenarien und/oder darüber hinaus)
unter Einbindung KI-basierten Technologien für Assessment,
Feedback, Diagnose und ihres adaptiven Einsatzes.
Tab. 3 Kompetenzbereich „Assessment, Feedback und Adaptivität“ (KI.AFA)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
4)
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.AFA.U.N1 Nennen Bedingungen und Szenarien für den
förderlichen Einsatz von KI-basierten Feedback-, Tutoring- und
Assessment-Systemen in Lehr-Lernsituationen.
KI.AFA.U.N2 Nennen kontextspezische Möglichkeiten für
KI-basierte Methoden in der Planung und Umsetzung von
dierenziertem bis adaptivem Unterricht.
KI.AFA.M.N1 Nennen Potenziale KI-basierter For-
men der Lernbegleitung (synchron oder asynchron),
z. B. mittels:
ώdigitalem Feedback über Kommentare o. Ä.
ώdigitalen Glossaren und FAQ ähnlichen Unterstüt-
zungen
KI.AFA.M.N2 Nennen Vor- und Nachteile von
KI-basierten digitalen Umsetzungen in der Ausei-
nandersetzung mit Lernprodukten für die digitale
Lernbegleitung, z. B. in versch. Sozialformen
ώindividuellem Austausch 1 zu 1
ώmultiperspektivisches Peer Feedback
ώMaschine-Mensch Feedback
KI.AFA.M.N3 Nennen Potenziale von durch KI-
basierte Werkzeuge ermöglichten Diagnosen und
summativem sowie formativem Feedback.
KI.AFA.M.N4 Nennen Potenziale für selbstgesteu-
ertes Lernen mit KI-basierten tutoriellen Systemen
inkl. Assessmentsystemen.
KI.AFA.M.N5 Nennen Daten, Kenngrößen
und Indikatoren, die durch ein KI-basiertes
Monitoring erhoben und für die Diskussion von
Lernaktivitäten/-prozessen genutzt und kommuni-
ziert werden können.
KI.AFA.M.N6 Nennen Unterschiede in der
Gestaltung von KI-generiertem und technologisch-
unterstütztem Feedback durch die Lehrperson.
KI.AFA.F.N1 Nennen KI-basierte Technologien zur Kontrolle von
fachwissenschaftlichen Forschungsdokumentationen als ein
Beispiel für Unterstützungssysteme mit Feedback (z. B. KI-basierte
Forschungsdatenmanagementsysteme und Large Language
Models (LLMs))
KI.AFA.F.N2 Nennen KI-basierte Assessments zur Kontrolle von
Arbeitsabläufen und Prozessen (z. B. Echtzeitprozessoptimierung)
KI.AFA.F.N3 Nennen Peer Review Systeme als Beispiel für
KI-basierte Technologien im Kontext von Publikationen, z. B.
LLMs zur Begutachtung von Publikationen bzw. zur Auswahl von
Gutachtenden
KI.AFA.T.N1 Nennen KI-basierte Technologien, die Funktionalitäten
anbieten im Bereich von z. B.
ώder für Lerngruppen passenden inhaltlichen und zeitlichen Strukturie-
rung von Lernplänen
ώder Gabe von einfachem (d. h. „Richtig-oder-Falsch“) Feedback
ώder Gabe von dierenzierterem (d. h. elaboriertem) Feedback
ώder Erstellung und Einbindung von Lernstandserhebungen (summatives
Assessment)
ώder Lernfortschrittserhebung und -dokumentation (formatives
Assessment)
ώAudience-Response Systemen, wie z. B. Umfragesysteme, Mind- bzw.
Concept-Mapping-Tools (automatisierte Liveauswertung)
KI.AFA.T.N2 Nennen KI-basierte Technologien für Assessment, Feedback,
Diagnose und deren adaptiven Gestaltung, die eine Lernbegleitung mit
oben genannten Funktionen (teil-)automatisiert unterstützen können.
KI.AFA.T.N3 Nennen KI-basierte Technologien, die einen anonymen,
individuellen Vergleich mit und/oder in der Lerngruppe ermöglichen.
KI.AFA.T.N4 Nennen technische Umsetzungsmöglichkeiten für KI-basiertes
Audio- und Videofeedback.
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.AFA.U.B1 Beschreiben didaktisch begründet Vorge-
hensweisen für den fachgemäßen Einsatz von KI-basierten
Assessment- und Tutoring-Technologien in Fachkontexten.
KI.AFA.M.B1 Beschreiben Vor- und Nachteile sowie
Grenzen KI-basierter Feedback-, Tutoring- und
Assessment/Diagnose-Technologien.
KI.AFA.M.B2 Beschreiben pädagogische Voraus-
setzungen des methodischen Einsatzes KI-basierter
Feedback-, Tutoring- und Assessment/Diagnose-
Technologien, z. B. im Hinblick auf:
ώZeitaufwand und -nutzung
ώOrganisationsformen und Betreuung
ώselbstgesteuertes, individuelles Lernen
ώInteresse, Motivation und kulturelle Rahmenbe-
dingungen
KI.AFA.M.B3 Beschreiben Strategien zum
Einsatz von KI-basierter Feedback-, Tutoring- und
Assessment/Diagnose-Technologien in Lehr-
Lernprozessen.
KI.AFA.T.B1 Beschreiben Daten, z. B. zur Anmeldung und/oder Nutzung,
die genannte KI-basierte Technologien erheben und speichern, um im
Hinblick auf die Datenschutz-Grundverordnung (DSGVO) sicher agieren zu
können
KI.AFA.T.B2 Beschreiben technische Rahmenbedingungen, die für einzel-
ne KI-basierte Technologien zum Einsatz im Bereich Assessment, Feedback
und Diagnose notwendig sind.
KI.AFA.T.B3 Beschreiben aus technischer Perspektive die Umsetzung und
damit verbundene Arbeitsabläufe und Prozesse, um in KI.AFA.T.N1 genann-
te KI-basierte Technologien in Passung zu gegebenen technischen und
kulturellen Rahmenbedingungen der digitalen Infrastruktur auszuwählen
und einzusetzen.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.AFA.U.A1 Planung und Durchführung von Lehr-Lernpro-
zessen (d. h. in Unterrichtsszenarien und/oder darüber hinaus)
unter Einbindung KI-basierten Technologien für Assessment,
Feedback, Diagnose und ihres adaptiven Einsatzes.
Der DiKoLANKI-Kompetenzbereich „Assessment, Feedback und Adaptivität“ (KI.AFA) umfasst die individuelle Fertigkeit, KI-basierte Werkzeuge
systematisch für Feedback, tutorielle Unterstützung und Assessment einzusetzen. Dazu gehört auch, die Auswahl von KI-basierten Systemen
zur Unterstützung und Bewertung von Lernenden, einschließlich des Gebens von system-gesteuertem und/oder technologie-unterstütztem
Feedback, der individuellen Betreuung und Differenzierung sowie der Leistungsbewertung, als zentrale Facette der Lernbegleitung. Dabei
sind jeweils verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
4!
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.DO.U.N1 Nennen Bedingungen und Szenarien für den
sachgerechten Einsatz von KI-basierter Dokumentation in
Lehr-Lernszenarien.
KI.DO.M.N1 Nennen methodische und soziokultu-
relle Aspekte, die beim Einsatz digitaler Dokumen-
tation mit KI Software im Unterricht relevant sein
können, z. B.
ώZugang zu der KI Software
ώZeitaufwand
ώHardwarebedarf
ώZugrisbeschränkungen
ώsoziokulturelle sowie persönliche Auswirkungen
der Dokumentation auf die Person
ώAuswirkungen der ( Trainings-)Daten auf die
KI-Software
KI.DO.F.N1 Nennen Möglichkeiten der fachgemäßen KI-basierten
Dokumentation/Versionierung und Datenarchivierung (z. B.
Anlegen einer Datenbank über chemische Reaktionen/Gene
mithilfe eines Global Neural Network”) unter Berücksichtigung
der Zitationsregeln.
KI.DO.F.N2 Nennen Methoden der digitalen Datendokumentation
mit KI Software in Forschungsszenarien (z. B. KI-basierte Bilddoku-
mentation, Speicherung experimenteller Daten und Protokolle mit
einem “Labor Sprachassistent”).
KI.DO.T.N1 Nennen technische Ansätze, wie z. B.:
ώMöglichkeiten zur KI-basierten digitalen Dokumentation von z. B. Proto-
kollen, Experimenten, Daten, Analyseprozessen, digitalen Herbarien
ώMöglichkeiten der Versionsverwaltung und Dateiarchivierung mit
KI-basierter Technologie
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.DO.U.B1 Beschreiben didaktisch begründete Szenarien
für den sachgerechten Einsatz von KI-basierter digitaler
Dokumentation/Versionierung bzw. Datenarchivierung/Back-
up-Erstellung für spezische Lehr-Lernszenarien
KI.DO.M.B1 Beschreiben methodische Vor- und
Nachteile sowie Grenzen KI-basierter Dokumentati-
on bezogen auf Lehr-Lernszenarien.
KI.DO.F.B1 Beschreiben Methoden der digitalen Datendokumen-
tation mit KI Software in Forschungsszenarien (z. B. KI-basierte
Bilddokumentation, Speicherung experimenteller Daten und
Protokolle mit einem “Labor Sprachassistent”).
KI.DO.T.B1 Beschreiben im Hinblick auf
ώvorhandene Funktionen,
ώtechnische Rahmenbedingungen,
ώtechn. Anforderungen,
ώtechnische Vor- und Nachteile (z. B. automatisierte Backups mit KI-
Software),
die unter KI.DO.T.N1 angeführten Möglichkeiten zur Dokumentation zu.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.DO.U.A1 Planung kompletter Unterrichtsszenarien mit
fachgemäßer Anwendung von KI-basierter Dokumentation/
Versionierung bzw. Datenarchivierung/Back-up-Erstellung
unter Berücksichtigung geeigneter Organisations- und
Sozialformen (z. B. Langzeitdokumentation über die Sekundar-
stufe 2).
KI.DO.U.A2 Durchführung kompletter Unterrichtsszenarien
mit fachgemäßer Anwendung von KI-basierter Dokumentati-
on/Versionierung bzw. Datenarchivierung/Back-up-Erstellung
unter Berücksichtigung geeigneter Organisations- und
Sozialformen (z. B. Langzeitdokumentation über die Sekundar-
stufe2).
Tab. 4 Kompetenzbereich „Dokumentation“ (KI.DO)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
43
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.DO.U.N1 Nennen Bedingungen und Szenarien für den
sachgerechten Einsatz von KI-basierter Dokumentation in
Lehr-Lernszenarien.
KI.DO.M.N1 Nennen methodische und soziokultu-
relle Aspekte, die beim Einsatz digitaler Dokumen-
tation mit KI Software im Unterricht relevant sein
können, z. B.
ώZugang zu der KI Software
ώZeitaufwand
ώHardwarebedarf
ώZugrisbeschränkungen
ώsoziokulturelle sowie persönliche Auswirkungen
der Dokumentation auf die Person
ώAuswirkungen der ( Trainings-)Daten auf die
KI-Software
KI.DO.F.N1 Nennen Möglichkeiten der fachgemäßen KI-basierten
Dokumentation/Versionierung und Datenarchivierung (z. B.
Anlegen einer Datenbank über chemische Reaktionen/Gene
mithilfe eines “Global Neural Network”) unter Berücksichtigung
der Zitationsregeln.
KI.DO.F.N2 Nennen Methoden der digitalen Datendokumentation
mit KI Software in Forschungsszenarien (z. B. KI-basierte Bilddoku-
mentation, Speicherung experimenteller Daten und Protokolle mit
einem “Labor Sprachassistent”).
KI.DO.T.N1 Nennen technische Ansätze, wie z. B.:
ώMöglichkeiten zur KI-basierten digitalen Dokumentation von z. B. Proto-
kollen, Experimenten, Daten, Analyseprozessen, digitalen Herbarien
ώMöglichkeiten der Versionsverwaltung und Dateiarchivierung mit
KI-basierter Technologie
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.DO.U.B1 Beschreiben didaktisch begründete Szenarien
für den sachgerechten Einsatz von KI-basierter digitaler
Dokumentation/Versionierung bzw. Datenarchivierung/Back-
up-Erstellung für spezische Lehr-Lernszenarien
KI.DO.M.B1 Beschreiben methodische Vor- und
Nachteile sowie Grenzen KI-basierter Dokumentati-
on bezogen auf Lehr-Lernszenarien.
KI.DO.F.B1 Beschreiben Methoden der digitalen Datendokumen-
tation mit KI Software in Forschungsszenarien (z. B. KI-basierte
Bilddokumentation, Speicherung experimenteller Daten und
Protokolle mit einem “Labor Sprachassistent”).
KI.DO.T.B1 Beschreiben im Hinblick auf
ώvorhandene Funktionen,
ώtechnische Rahmenbedingungen,
ώtechn. Anforderungen,
ώtechnische Vor- und Nachteile (z. B. automatisierte Backups mit KI-
Software),
die unter KI.DO.T.N1 angeführten Möglichkeiten zur Dokumentation zu.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.DO.U.A1 Planung kompletter Unterrichtsszenarien mit
fachgemäßer Anwendung von KI-basierter Dokumentation/
Versionierung bzw. Datenarchivierung/Back-up-Erstellung
unter Berücksichtigung geeigneter Organisations- und
Sozialformen (z. B. Langzeitdokumentation über die Sekundar-
stufe 2).
KI.DO.U.A2 Durchführung kompletter Unterrichtsszenarien
mit fachgemäßer Anwendung von KI-basierter Dokumentati-
on/Versionierung bzw. Datenarchivierung/Back-up-Erstellung
unter Berücksichtigung geeigneter Organisations- und
Sozialformen (z. B. Langzeitdokumentation über die Sekundar-
stufe2).
Der DiKoLANKI-Kompetenzbereich „Dokumentation“ (KI.DO) umfasst die individuelle Fertigkeit, KI-basierte Werkzeuge zur systematischen
Ablage und dauerhaften Speicherung von Daten und Informationen, um diese fachgemäß zu nutzen. Dazu gehört auch, Fotos, Bilder und
Videos unter Einbezug von KI-basierten Funktionen aufzunehmen, zu bearbeiten und einzubinden, verschiedene Medien zu kombinieren und
zu speichern, Informationen strukturiert zu sichern und zu archivieren sowie Abläufe und Sinnzusammenhänge darzustellen. Dies beinhaltet
auch die Befähigung zum reflektierten Einsatz von KI bei der Dokumentation sowie zur vertiefenden Medienkritik von dokumentierten Daten.
Dabei sind jeweils verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
44
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.P.U.N1 Nennen zu (fachwissenschaftlichen) Präsenta-
tionsmedien für den Schuleinsatz geeignete KI-basierte
Alternativen.
KI.P.U.N2 Nennen für spezische Lehr-Lern-Settings/Kontexte
unterschiedliche Szenarien zum sachgerechten Einsatz
(adressaten-, fach- und zielgerecht) KI-basierter Präsentations-
medien.
KI.P.M.N1 Nennen Prinzipien/Kriterien zur adressa-
tengerechten Gestaltung digitaler Präsentationsme-
dien mit KI-basierter Technologie.
KI.P.M.N2 Nennen mögliche Aspekte, auf die sich
der Einsatz KI-basierter digitaler Präsentationsmedi-
en beim Lernen und Lehren auswirken kann, z. B. im
Hinblick auf:
ώZeitaufwand
ώOrganisationsformen
ώDarstellungsformen
ώMethoden
ώMedienkenntnis/Einarbeitung
ώInteresse und Motivation
ώpersönliche und soziale Konsequenzen
KI.P.F.N1 Nennen mehrere fachwissenschaftliche Szenarien und
ggf. Kontexte für KI-basierte
ώPräsentationsformen (z. B. Zusammenfassungen von For-
schungsliteratur)
ώPräsentation von Prozessen (z. B. Visualisierung von Daten)
ώPräsentationssoftware, die den aktuellen fachwissenschaftli-
chen Anforderungen genügt
KI.P.T.N1 Nennen jeweils mehrere technische Möglichkeiten zur KI-
basierten Erstellung von Präsentationsmedien, z. B. von
ώfotorealistischen oder illustrativen Abbildungen
ώzeitbasierten visuellen Medien
ώauditiven Medien
ώPräsentationsfolien
ώWebseiten
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.P.U.B1 Beschreiben didaktische Voraussetzungen für
den Einsatz KI-basierter Präsentationsmedien im Unterricht,
Auswirkungen dieser auf die jeweiligen Unterrichtsverfahren
sowie durch diese Systeme ermöglichte Zugänge zu Basis-
kompetenzen (vor allem dem Kompetenzbereich Kommuni-
kation), insbesondere beim inklusiven Lehren und Lernen.
KI.P.F.B1 Beschreiben ausgewählte fachwissenschaftliche KI-
basierte Szenarien, z. B.
ώPräsentationsformen
ώPräsentation von Prozessen
KI.P.T.B1 Beschreiben für jede Art der Präsentation mindestens eine Mög-
lichkeit der technischen Umsetzung inklusive des notwendigen Vorgehens
unter Bezugnahme auf aktuelle KI-basierte Technologien.
KI.P.T.B2 Beschreiben die Eigenschaften/Funktionalitäten, technischen Vor-
aussetzungen und etwaige Einschränkungen der jeweiligen KI-Software.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.P.U.A1 Planung kompletter Unterrichtsszenarien unter
Einbindung KI-basierter Präsentationsmedien und -formen
und der Berücksichtigung geeigneter Sozial- und Organisati-
onsformen.
KI.P.U.A2 Durchführung kompletter Unterrichtsszenarien
unter Einbindung KI-basierter Präsentationsmedien und
-formen und der Berücksichtigung geeigneter Sozial- und
Organisationsformen.
KI.P.F.A1 Erstellung und Vorführung von Präsentationen im
fachwissenschaftlichen Kontext unter Verwendung KI-basierter
Präsentationsmedien, z. B.
ώErstellung von Modellen für die Anfertigung von Laborgeräten
mittels 3D-Drucker
KI.P.T.A1 Führen für mindestens ein Beispiel jeder Art der oben genannten
Möglichkeiten KI-basierter Erstellung von Präsentationsmedien durch.
Tab. 5 Kompetenzbereich „Präsentation“ (KI.P)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
45
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.P.U.N1 Nennen zu (fachwissenschaftlichen) Präsenta-
tionsmedien für den Schuleinsatz geeignete KI-basierte
Alternativen.
KI.P.U.N2 Nennen für spezische Lehr-Lern-Settings/Kontexte
unterschiedliche Szenarien zum sachgerechten Einsatz
(adressaten-, fach- und zielgerecht) KI-basierter Präsentations-
medien.
KI.P.M.N1 Nennen Prinzipien/Kriterien zur adressa-
tengerechten Gestaltung digitaler Präsentationsme-
dien mit KI-basierter Technologie.
KI.P.M.N2 Nennen mögliche Aspekte, auf die sich
der Einsatz KI-basierter digitaler Präsentationsmedi-
en beim Lernen und Lehren auswirken kann, z. B. im
Hinblick auf:
ώZeitaufwand
ώOrganisationsformen
ώDarstellungsformen
ώMethoden
ώMedienkenntnis/Einarbeitung
ώInteresse und Motivation
ώpersönliche und soziale Konsequenzen
KI.P.F.N1 Nennen mehrere fachwissenschaftliche Szenarien und
ggf. Kontexte für KI-basierte
ώPräsentationsformen (z. B. Zusammenfassungen von For-
schungsliteratur)
ώPräsentation von Prozessen (z. B. Visualisierung von Daten)
ώPräsentationssoftware, die den aktuellen fachwissenschaftli-
chen Anforderungen genügt
KI.P.T.N1 Nennen jeweils mehrere technische Möglichkeiten zur KI-
basierten Erstellung von Präsentationsmedien, z. B. von
ώfotorealistischen oder illustrativen Abbildungen
ώzeitbasierten visuellen Medien
ώauditiven Medien
ώPräsentationsfolien
ώWebseiten
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.P.U.B1 Beschreiben didaktische Voraussetzungen für
den Einsatz KI-basierter Präsentationsmedien im Unterricht,
Auswirkungen dieser auf die jeweiligen Unterrichtsverfahren
sowie durch diese Systeme ermöglichte Zugänge zu Basis-
kompetenzen (vor allem dem Kompetenzbereich Kommuni-
kation), insbesondere beim inklusiven Lehren und Lernen.
KI.P.F.B1 Beschreiben ausgewählte fachwissenschaftliche KI-
basierte Szenarien, z. B.
ώPräsentationsformen
ώPräsentation von Prozessen
KI.P.T.B1 Beschreiben für jede Art der Präsentation mindestens eine Mög-
lichkeit der technischen Umsetzung inklusive des notwendigen Vorgehens
unter Bezugnahme auf aktuelle KI-basierte Technologien.
KI.P.T.B2 Beschreiben die Eigenschaften/Funktionalitäten, technischen Vor-
aussetzungen und etwaige Einschränkungen der jeweiligen KI-Software.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.P.U.A1 Planung kompletter Unterrichtsszenarien unter
Einbindung KI-basierter Präsentationsmedien und -formen
und der Berücksichtigung geeigneter Sozial- und Organisati-
onsformen.
KI.P.U.A2 Durchführung kompletter Unterrichtsszenarien
unter Einbindung KI-basierter Präsentationsmedien und
-formen und der Berücksichtigung geeigneter Sozial- und
Organisationsformen.
KI.P.F.A1 Erstellung und Vorführung von Präsentationen im
fachwissenschaftlichen Kontext unter Verwendung KI-basierter
Präsentationsmedien, z. B.
ώErstellung von Modellen für die Anfertigung von Laborgeräten
mittels 3D-Drucker
KI.P.T.A1 Führen für mindestens ein Beispiel jeder Art der oben genannten
Möglichkeiten KI-basierter Erstellung von Präsentationsmedien durch.
Der DiKoLANKI-Kompetenzbereich „Präsentation“ (KI.P) beschreibt die individuelle Fähigkeit, digitale Medien ziel- und adressatengerecht für
den Erkenntnis- und Kommunikationsprozess einzusetzen, sowie das Wissen über Grenzen und Potenziale unterschiedlicher digitaler Präsen-
tationsmedien. Dies beinhaltet auch die Befähigung zum reflektierten Einsatz von KI bei der Erstellung von Präsentationsmedien sowie zur
vertiefenden Medienkritik. Dabei sind jeweils verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
46
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.KK.U.N1 Nennen Technologien, die in einer spezische
Lehr-Lernszenario für eine sachgerechte KI-basierte Kommuni-
kation und Kollaboration geeignet sind.
KI.KK.M.N1 Nennen mögliche Grenzen und
Auswirkungen/Aspekte der jeweiligen KI-basierten
Software-Nutzung im Unterricht im Hinblick auf:
ώKommunikation über die Unterrichtszeit hinaus
mit fremdsprachlichen Personen
ώKommunikation mit KI-basierten Systemen
(Assistenten)
ώtechnische Probleme und Vorbereitungszeit
ώSelbstorganisation und Selbststeuerung
ώDatensicherheit ( Verwendung der Eingaben als
Trainingsdaten)
KI.KK.F.N1 Nennen Möglichkeiten zur Kommunikation mit
internationalen Kollegen mittels geeigneter KI-basierter Systeme
(die z. B. Simultanübersetzungen anbieten).
KI.KK.F.N2 Nennen fachspezische Möglichkeiten zur Kommuni-
kation mit KI-basierten Systemen wie z. B.: Prompts für fachspezi-
sche Sprachmodelle für Simultanübersetzungen.
KI.KK.T.N1 Nennen KI-basierte Software für kollaborative Text- und
Datenverarbeitung.
KI.KK.T.N2 Nennen Möglichkeiten zur Kommunikation mit KI-basierter
Software, über z. B.
ώSprache
ώTe xt
ώBild
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.KK.U.B1 Beschreiben Einsatzszenarien KI-basierter
Technologie und geeignete Strategien, diese im Kommunika-
tionsprozess einzusetzen.
KI.KK.U.B2 Beschreiben Kollaborationsszenarien für die
Verwendung von KI-basierter Technologie.
KI.KK.U.B3 Beschreiben didaktischen Voraussetzungen
für den Einsatz von KI-basierter Technologie im Unterricht,
Auswirkungen dieser auf die jeweiligen Unterrichtsverfahren
sowie die ermöglichten Zugänge zu Basiskompetenzen (vor
allem dem Kompetenzbereich Kommunikation) und beim
inklusiven Lernen und Lehren.
KI.KK.M.B1 Beschreiben Vor- und Nachteile beim
unterrichtlichen Einsatz von KI-basierter Software
im Hinblick auf die oben genannten Aspekte.
KI.KK.F.B1 Beschreiben Vorteile der KI-basierten Kommunikation
mit internationalen Kollegen für die Forschung und einzelne
Projekte.
KI.KK.F.B2 Beschreiben Vorteile und Grenzen der Kommunikati-
on/Kollaboration mit KI-basierten Systemen für die Forschung und
einzelne Projekte.
KI.KK.T.B1 Beschreiben die unter KI.KK.T.N1 genannte KI-basierte Software
bezüglich ihrer Anwendung.
KI.KK.T.B2 Beschreiben die unter KI.KK.T.N2 genannte KI-basierte Software
bezüglich ihrer Anwendung.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.KK.U.A1 Planung von kompletten Unterrichtsszenarien mit
sachgerechtem Einsatz der KI-basierten Technologie unter Be-
rücksichtigung geeigneter Organisations- und Sozialformen.
KI.KK.U.A2 Durchführung von kompletten Unterrichtsszena-
rien mit sachgerechtem Einsatz der KI-basierten Technologie
unter Berücksichtigung geeigneter Organisations- und
Sozialformen.
KI.KK.U.A3 Einweisung der Lernenden in KI-basierte Kommu-
nikations- und Kollaborationstechnologien.
KI.KK.U.A4 Einweisung der Lernenden in fachspezische
Kommunikation mit KI-basierten Technologien (Mensch-
Maschine Kommunikation).
KI.KK.T.A1 Nutzen KI-basierte kollaborative Software für Text- und
Datenverarbeitung.
KI.KK.T.A2 Nutzen KI-basierte Systeme zur kollaborativen Datenverwal-
tung.
KI.KK.T.A3 Kommunizieren mit KI-basierten Systemen unter Anwendung
der in KI.KK.T.N2 genannten Möglichkeiten.
Tab. 6 Kompetenzbereich „Kommunikation und Kollaboration“ (KI.KK)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
4&
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.KK.U.N1 Nennen Technologien, die in einer spezische
Lehr-Lernszenario für eine sachgerechte KI-basierte Kommuni-
kation und Kollaboration geeignet sind.
KI.KK.M.N1 Nennen mögliche Grenzen und
Auswirkungen/Aspekte der jeweiligen KI-basierten
Software-Nutzung im Unterricht im Hinblick auf:
ώKommunikation über die Unterrichtszeit hinaus
mit fremdsprachlichen Personen
ώKommunikation mit KI-basierten Systemen
(Assistenten)
ώtechnische Probleme und Vorbereitungszeit
ώSelbstorganisation und Selbststeuerung
ώDatensicherheit ( Verwendung der Eingaben als
Trainingsdaten)
KI.KK.F.N1 Nennen Möglichkeiten zur Kommunikation mit
internationalen Kollegen mittels geeigneter KI-basierter Systeme
(die z. B. Simultanübersetzungen anbieten).
KI.KK.F.N2 Nennen fachspezische Möglichkeiten zur Kommuni-
kation mit KI-basierten Systemen wie z. B.: Prompts für fachspezi-
sche Sprachmodelle für Simultanübersetzungen.
KI.KK.T.N1 Nennen KI-basierte Software für kollaborative Text- und
Datenverarbeitung.
KI.KK.T.N2 Nennen Möglichkeiten zur Kommunikation mit KI-basierter
Software, über z. B.
ώSprache
ώTe xt
ώBild
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.KK.U.B1 Beschreiben Einsatzszenarien KI-basierter
Technologie und geeignete Strategien, diese im Kommunika-
tionsprozess einzusetzen.
KI.KK.U.B2 Beschreiben Kollaborationsszenarien für die
Verwendung von KI-basierter Technologie.
KI.KK.U.B3 Beschreiben didaktischen Voraussetzungen
für den Einsatz von KI-basierter Technologie im Unterricht,
Auswirkungen dieser auf die jeweiligen Unterrichtsverfahren
sowie die ermöglichten Zugänge zu Basiskompetenzen (vor
allem dem Kompetenzbereich Kommunikation) und beim
inklusiven Lernen und Lehren.
KI.KK.M.B1 Beschreiben Vor- und Nachteile beim
unterrichtlichen Einsatz von KI-basierter Software
im Hinblick auf die oben genannten Aspekte.
KI.KK.F.B1 Beschreiben Vorteile der KI-basierten Kommunikation
mit internationalen Kollegen für die Forschung und einzelne
Projekte.
KI.KK.F.B2 Beschreiben Vorteile und Grenzen der Kommunikati-
on/Kollaboration mit KI-basierten Systemen für die Forschung und
einzelne Projekte.
KI.KK.T.B1 Beschreiben die unter KI.KK.T.N1 genannte KI-basierte Software
bezüglich ihrer Anwendung.
KI.KK.T.B2 Beschreiben die unter KI.KK.T.N2 genannte KI-basierte Software
bezüglich ihrer Anwendung.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.KK.U.A1 Planung von kompletten Unterrichtsszenarien mit
sachgerechtem Einsatz der KI-basierten Technologie unter Be-
rücksichtigung geeigneter Organisations- und Sozialformen.
KI.KK.U.A2 Durchführung von kompletten Unterrichtsszena-
rien mit sachgerechtem Einsatz der KI-basierten Technologie
unter Berücksichtigung geeigneter Organisations- und
Sozialformen.
KI.KK.U.A3 Einweisung der Lernenden in KI-basierte Kommu-
nikations- und Kollaborationstechnologien.
KI.KK.U.A4 Einweisung der Lernenden in fachspezische
Kommunikation mit KI-basierten Technologien (Mensch-
Maschine Kommunikation).
KI.KK.T.A1 Nutzen KI-basierte kollaborative Software für Text- und
Datenverarbeitung.
KI.KK.T.A2 Nutzen KI-basierte Systeme zur kollaborativen Datenverwal-
tung.
KI.KK.T.A3 Kommunizieren mit KI-basierten Systemen unter Anwendung
der in KI.KK.T.N2 genannten Möglichkeiten.
Der DiKoLANKI-Kompetenzbereich „Kommunikation und Kollaboration“ (KI.KK) umfasst die individuelle Fähigkeit, mit digitalen KI-basierten
Werkzeugen synchrones oder asynchrones Arbeiten von Einzelpersonen oder Gruppen auf ein gemeinsames Ziel hin zu planen und mit
Lernenden durchzuführen. Dazu werden gemeinsame Dateien oder Produkte erstellt, bearbeitet und mittels KI-basierter Werkzeuge kommu-
niziert. Als Erweiterung zum bisherigen Verständnis von Kommunikation und Kollaboration (Person-zu-Person) kommt die Facette der Person-
zu-Maschine-Kommunikation und -Kollaboration hinzu. Dabei sind jeweils verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
48
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.RB.U.N1 Nennen Bedingungen und Szenarien für den
sachgerechten Einsatz von KI-basierten Recherchen in Lehr-
Lernszenarien.
KI.RB.U.N2 Nennen Kriterien zur Bewertung der Ergebnisse
einer KI-basierten Recherche im Unterricht.
KI.RB.M.N1 Nennen Vor- und Nachteile sowie Gren-
zen KI-basierter Recherchen für die Verwendung in
Lehr-Lernszenarien.
KI.RB.F.N1 Nennen KI-basierte Technologien zur Recherche in
naturwissenschaftsspezischen Datenbanken, z. B.
ώLarge Language Models
ώTensornetzwerke
ώGraph-convolutional Neural Networks
KI.RB.F.N2 Nennen fachspezische Kontexte für KI-Recherchen
oder im Bereich der Datenrecherche
ώDarstellung aktueller Forschungsschwerpunkte
ώZusammenfassung von Informationen aus Forschungsliteratur
ώIdentikation von Stoen mit spezischen Eigenschaften aus
Datenbanken
KI.RB.F.N3 Nennen Kriterien zur Bewertung KI-basierter Recher-
chen im fachwissenschaftlichen Kontext, z. B.
ώAktualität der Informationen
ώFachliche Korrektheit
ώUmfang/Stil/Gestaltung
ώDatengrundlage
ώErkennbarkeit von Urheber und Referenzen
KI.RB.F.N4 Nennen fachspezische Kontexte, in denen KI-basiert
Bewertungen vorgenommen werden, z. B.
ώBindungsfähigkeit von Liganden an Zielstrukturen
KI.RB.T.N1 Nennen Möglichkeiten der KI-basierten Recherche.
KI.RB.T.N2 Nennen notwendige Voreinstellungen (Prompts), um KI-
basierte Recherchen durchzuführen.
KI.RB.T.N3 Nennen Faktoren, die Grenzen von KI bei der Bewertung von
Informationen (Verständnis, Bias, Wahrscheinlichkeit von Falschanga-
ben) beeinussen, wie z. B. Datengrundlage, Zugri auf Datenbanken,
Trainingsdaten.
KI.RB.T.N4 Nennen aus den Trainings bzw. Referenzdatensätzen resultie-
rende Limitierungen der Ergebnisse.
KI.RB.T.N5 Nennen Einussfaktoren auf das Rechercheergebnis bei der
Verwendung von KI-Systemen: Grundlegende Arbeitsweise des verwen-
deten Algorithmus, wie z. B. Zugrismöglichkeiten/ Verarbeitungstiefe des
KI-Systems auf/von Daten.
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.RB.U.B1 Beschreiben sachgerechte Einsatzszenarien
von KI-basierter Recherche sowie die Durchführung einer
Bewertung der Ergebnisse anhand von Kriterien.
KI.RB.M.B1 Beschreiben Vor- und Nachteile sowie
Grenzen digitaler Datenbanken und Suchmaschi-
nen für KI-basierte Recherche bei der Verwendung
in Lehr-Lernszenarien.
KI.RB.F.B1 Beschreiben Prompting-Strategien bei einer KI-basier-
ten fachwissenschaftlichen Suchanfrage.
KI.RB.F.B2 Beschreiben die Bewertung von Rechercheergebnis-
sen, die mit KI-basierter Technologie gefunden wurden, an einem
Beispiel.
KI.RB.F.B3 Beschreiben die Einussfaktoren auf Rechercheergeb-
nisse bei der Verwendung von KI-basierter Technologie an einem
Beispiel.
KI.RB.F.B4 Beschreiben mindestens zwei der unter KI.RB.F.N3
genannten Kriterien.
KI.RB.T.B1 Beschreiben wichtige Voreinstellungen und Anweisungen, um
KI-basierte Rechercheaufgaben zu bearbeiten, an einem Beispiel.
KI.RB.T.B2 Beschreiben Kriterien zur Bewertung der Qualität der KI-
basierten Rechercheergebnisse, z. B.
ώAktualität
ώWissenschaftlichkeit
ώReferenzen
KI.RB.T.B3 Beschreiben den Einuss der aus Trainings- bzw. Referenzdaten-
tzen resultierenden Limitierungen auf die Ergebnisse.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.RB.U.A1 Planung von kompletten Unterrichtsszenarien
unter Einbindung von KI-basierten Recherchen sowie der
Bewertung der Ergebnisse anhand von Gütekriterien und der
Berücksichtigung geeigneter Sozial- und Organisationsfor-
men.
KI.RB.U.A2 Durchführung von kompletten Lehr-Lernszenarien
unter Einbindung von KI-basiertern Recherchen sowie der
Bewertung der Ergebnisse anhand von Gütekriterien und der
Berücksichtigung geeigneter Sozial- und Organisationsfor-
men.
KI.RB.M.A1 Planung und Durchführung von
Unterrichtsszenarien, in dem die (fachunabhängige)
Verwendung KI-basierter Recherchesoftware
thematisiert werden.
KI.RB.F.A1 Führen eine fachwissenschaftsspezische Recherche
mit einer KI-basierten Technologie durch und bewerten die
Ergebnisse.
KI.RB.T.A1 Führen eine Recherche mit einem KI-basierten System durch
und bewerten die Ergebnisse.
Tab. 7 Kompetenzbereich „Recherche und Bewertung“ (KI.RB)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
4(
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.RB.U.N1 Nennen Bedingungen und Szenarien für den
sachgerechten Einsatz von KI-basierten Recherchen in Lehr-
Lernszenarien.
KI.RB.U.N2 Nennen Kriterien zur Bewertung der Ergebnisse
einer KI-basierten Recherche im Unterricht.
KI.RB.M.N1 Nennen Vor- und Nachteile sowie Gren-
zen KI-basierter Recherchen für die Verwendung in
Lehr-Lernszenarien.
KI.RB.F.N1 Nennen KI-basierte Technologien zur Recherche in
naturwissenschaftsspezischen Datenbanken, z. B.
ώLarge Language Models
ώTensornetzwerke
ώGraph-convolutional Neural Networks
KI.RB.F.N2 Nennen fachspezische Kontexte für KI-Recherchen
oder im Bereich der Datenrecherche
ώDarstellung aktueller Forschungsschwerpunkte
ώZusammenfassung von Informationen aus Forschungsliteratur
ώIdentikation von Stoen mit spezischen Eigenschaften aus
Datenbanken
KI.RB.F.N3 Nennen Kriterien zur Bewertung KI-basierter Recher-
chen im fachwissenschaftlichen Kontext, z. B.
ώAktualität der Informationen
ώFachliche Korrektheit
ώUmfang/Stil/Gestaltung
ώDatengrundlage
ώErkennbarkeit von Urheber und Referenzen
KI.RB.F.N4 Nennen fachspezische Kontexte, in denen KI-basiert
Bewertungen vorgenommen werden, z. B.
ώBindungsfähigkeit von Liganden an Zielstrukturen
KI.RB.T.N1 Nennen Möglichkeiten der KI-basierten Recherche.
KI.RB.T.N2 Nennen notwendige Voreinstellungen (Prompts), um KI-
basierte Recherchen durchzuführen.
KI.RB.T.N3 Nennen Faktoren, die Grenzen von KI bei der Bewertung von
Informationen (Verständnis, Bias, Wahrscheinlichkeit von Falschanga-
ben) beeinussen, wie z. B. Datengrundlage, Zugri auf Datenbanken,
Trainingsdaten.
KI.RB.T.N4 Nennen aus den Trainings bzw. Referenzdatensätzen resultie-
rende Limitierungen der Ergebnisse.
KI.RB.T.N5 Nennen Einussfaktoren auf das Rechercheergebnis bei der
Verwendung von KI-Systemen: Grundlegende Arbeitsweise des verwen-
deten Algorithmus, wie z. B. Zugrismöglichkeiten/ Verarbeitungstiefe des
KI-Systems auf/von Daten.
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.RB.U.B1 Beschreiben sachgerechte Einsatzszenarien
von KI-basierter Recherche sowie die Durchführung einer
Bewertung der Ergebnisse anhand von Kriterien.
KI.RB.M.B1 Beschreiben Vor- und Nachteile sowie
Grenzen digitaler Datenbanken und Suchmaschi-
nen für KI-basierte Recherche bei der Verwendung
in Lehr-Lernszenarien.
KI.RB.F.B1 Beschreiben Prompting-Strategien bei einer KI-basier-
ten fachwissenschaftlichen Suchanfrage.
KI.RB.F.B2 Beschreiben die Bewertung von Rechercheergebnis-
sen, die mit KI-basierter Technologie gefunden wurden, an einem
Beispiel.
KI.RB.F.B3 Beschreiben die Einussfaktoren auf Rechercheergeb-
nisse bei der Verwendung von KI-basierter Technologie an einem
Beispiel.
KI.RB.F.B4 Beschreiben mindestens zwei der unter KI.RB.F.N3
genannten Kriterien.
KI.RB.T.B1 Beschreiben wichtige Voreinstellungen und Anweisungen, um
KI-basierte Rechercheaufgaben zu bearbeiten, an einem Beispiel.
KI.RB.T.B2 Beschreiben Kriterien zur Bewertung der Qualität der KI-
basierten Rechercheergebnisse, z. B.
ώAktualität
ώWissenschaftlichkeit
ώReferenzen
KI.RB.T.B3 Beschreiben den Einuss der aus Trainings- bzw. Referenzdaten-
sätzen resultierenden Limitierungen auf die Ergebnisse.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.RB.U.A1 Planung von kompletten Unterrichtsszenarien
unter Einbindung von KI-basierten Recherchen sowie der
Bewertung der Ergebnisse anhand von Gütekriterien und der
Berücksichtigung geeigneter Sozial- und Organisationsfor-
men.
KI.RB.U.A2 Durchführung von kompletten Lehr-Lernszenarien
unter Einbindung von KI-basiertern Recherchen sowie der
Bewertung der Ergebnisse anhand von Gütekriterien und der
Berücksichtigung geeigneter Sozial- und Organisationsfor-
men.
KI.RB.M.A1 Planung und Durchführung von
Unterrichtsszenarien, in dem die (fachunabhängige)
Verwendung KI-basierter Recherchesoftware
thematisiert werden.
KI.RB.F.A1 Führen eine fachwissenschaftsspezische Recherche
mit einer KI-basierten Technologie durch und bewerten die
Ergebnisse.
KI.RB.T.A1 Führen eine Recherche mit einem KI-basierten System durch
und bewerten die Ergebnisse.
Der DiKoLANKI-Kompetenzbereich KI-basierter „Recherche und Bewertung“ (KI.RB) umfasst technische und individuelle Fähigkeiten, digitalen
Werkzeugen für KI-basierte Recherchen zu nutzen, diese zielgerecht einzustellen sowie deren Ergebnisse qualitativ zu bewerten. Dabei sind
jeweils verstärkt auch digitalitätsbezogene Aspekte zu berücksichtigen.
50
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.MD.U.N1 Nennen zur fachwissenschaftlichen KI-basierten
MD für den Schuleinsatz taugliche Alternativen.
KI.MD.U.N2 Nennen für spezische Lehr-Lernszenarien unter-
schiedlichster Szenarien zum sachgerechten Einsatz (schüler-,
fach- und zielgerecht) KI-basierte MD und damit verbundene
Messstrategien, z. B. zur automatisierten Erfassung großer
Datenmengen bei der
ώUntersuchung der Veränderung der Hauttemperatur
beim Sport oder beim Rauchen durch Thermograe mit
Wärmebildkameras.
ώBestimmung des Nitratgehalts eines Gewässers durch
KI-basierte Messwerterfassung.
ώAnalyse der Bewegungen in Schwärmen von Insekten mit
mobilen Endgeräten.
KI.MD.M.N1 Nennen mögliche weitere Aspekte,
auf die sich der Einsatz KI-basierter MD beim Lernen
und Lehren auswirken kann, z. B. im Hinblick auf:
ώZeitaufwand
ώOrganisationsformen
ώDarstellungsformen
ώMethoden
ώMedienkenntnis/Einarbeitung
ώInteresse und Motivation
ώpersönliche und soziale Konsequenz
KI.MD.F.N1 Nennen fachwissenschaftliche Szenarien und ggf.
Kontexte KI-basierter MD, z. B.
ώErkennung von Auälligkeiten in mikroskopischen Bildern
ώAuswertung von Bildern mikrobiologischer Kulturplatten
ώTeilchenkollisionen in Beschleunigungsexperimenten
ώVerwendung von Chemical Robotic Labs
KI.MD.F.N2 Nennen Messinstrumente mit KI-basierter MD (z. B.
automatisiertes Experimentieren), die den aktuellen Anforderun-
gen der fachwissenschaftlichen Forschung genügen.
KI.MD.F.N3 Nennen die mit KI.MD.F.N2 korrespondierenden Mess-
systeme und relevante Sicherheitsstandards, z. B. Leitfähigkeits-
messungen mit KI-gestützter Signaldecodierung zur Identikation
und Quantizierung einzelner Komponenten einer Mischung.
KI.MD.T.N1 Nennen Möglichkeiten der KI-basierten MD, z. B.
ώzur Artenbestimmung
ώbei der Bilderkennung
ώbei der automatisierten Aggregierung von bestehenden Rohdaten
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.MD.U.B1 Beschreiben didaktische Voraussetzungen für den
Einsatz KI-basierter MD-Systeme im Unterricht (z. B. individuell
angepasste Instruktionen), Auswirkungen der KI-basierten MD
auf die jeweiligen Unterrichtsverfahren durch KI-Systeme
ermöglichte Zugänge zu Basiskompetenzen, Erkenntnisge-
winnung und NOS-Konzepten.
KI.MD.M.B1 Beschreiben pädagogische Vor-
aussetzungen sowie Vor- und Nachteile, die sich
methodisch beim Einsatz KI-basierter MD ergeben,
z. B. im Hinblick auf die unter MD.M.N1 gelisteten
Aspekte.
KI.MD.F.B1 Beschreiben ausgewählte fachwissenschaftliche
Szenarien der KI-basierten MD beispielhaft, z. B. Automatisierte
Erkennung von Tumorzellen in Gewebeproben.
KI.MD.T.B1 Beschreiben für Anwendungen der KI-basierten MD mindes-
tens eine Möglichkeit der technischen Umsetzung inkl. des notwendigen
Vorgehens unter Bezugnahme auf aktuelle Hard- und Software sowie
damit verbundenen Standards.
KI.MD.T.B2 Beschreiben die Messcharakteristika (z. B. Messbereich,
Messgenauigkeit, Auösung, Abtastrate, Einsatzbereiche, Limitierungen)
der KI-basierten Systeme.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.MD.U.A1 Planung kompletter Lehr-Lernszenarien unter
Einbindung einer KI-basierten MD und Berücksichtigung
geeigneter Sozial- und Organisationsformen.
KI.MD.U.A2 Durchführung kompletter Lehr-Lernszenarien
unter Einbindung einer KI-basierten MD und Berücksichtigung
geeigneter Sozial- und Organisationsformen.
KI.MD.F.A1 Führen die Aufnahme von Messwerten im fachwis-
senschaftlichen Kontext unter Verwendung von KI-basierter MD
durch.
KI.MD.T.A1 Führen die Messwerterfassung für mindestens ein Beispiel der
oben genannten Möglichkeiten der KI-basierten MD durch.
Tab. 8 Kompetenzbereich „Messwert- und Datenerfassung“ (KI.MD)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
5)
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.MD.U.N1 Nennen zur fachwissenschaftlichen KI-basierten
MD für den Schuleinsatz taugliche Alternativen.
KI.MD.U.N2 Nennen für spezische Lehr-Lernszenarien unter-
schiedlichster Szenarien zum sachgerechten Einsatz (schüler-,
fach- und zielgerecht) KI-basierte MD und damit verbundene
Messstrategien, z. B. zur automatisierten Erfassung großer
Datenmengen bei der
ώUntersuchung der Veränderung der Hauttemperatur
beim Sport oder beim Rauchen durch Thermograe mit
Wärmebildkameras.
ώBestimmung des Nitratgehalts eines Gewässers durch
KI-basierte Messwerterfassung.
ώAnalyse der Bewegungen in Schwärmen von Insekten mit
mobilen Endgeräten.
KI.MD.M.N1 Nennen mögliche weitere Aspekte,
auf die sich der Einsatz KI-basierter MD beim Lernen
und Lehren auswirken kann, z. B. im Hinblick auf:
ώZeitaufwand
ώOrganisationsformen
ώDarstellungsformen
ώMethoden
ώMedienkenntnis/Einarbeitung
ώInteresse und Motivation
ώpersönliche und soziale Konsequenz
KI.MD.F.N1 Nennen fachwissenschaftliche Szenarien und ggf.
Kontexte KI-basierter MD, z. B.
ώErkennung von Auälligkeiten in mikroskopischen Bildern
ώAuswertung von Bildern mikrobiologischer Kulturplatten
ώTeilchenkollisionen in Beschleunigungsexperimenten
ώVerwendung von “Chemical Robotic Labs”
KI.MD.F.N2 Nennen Messinstrumente mit KI-basierter MD (z. B.
automatisiertes Experimentieren), die den aktuellen Anforderun-
gen der fachwissenschaftlichen Forschung genügen.
KI.MD.F.N3 Nennen die mit KI.MD.F.N2 korrespondierenden Mess-
systeme und relevante Sicherheitsstandards, z. B. Leitfähigkeits-
messungen mit KI-gestützter Signaldecodierung zur Identikation
und Quantizierung einzelner Komponenten einer Mischung.
KI.MD.T.N1 Nennen Möglichkeiten der KI-basierten MD, z. B.
ώzur Artenbestimmung
ώbei der Bilderkennung
ώbei der automatisierten Aggregierung von bestehenden Rohdaten
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.MD.U.B1 Beschreiben didaktische Voraussetzungen für den
Einsatz KI-basierter MD-Systeme im Unterricht (z. B. individuell
angepasste Instruktionen), Auswirkungen der KI-basierten MD
auf die jeweiligen Unterrichtsverfahren durch KI-Systeme
ermöglichte Zugänge zu Basiskompetenzen, Erkenntnisge-
winnung und NOS-Konzepten.
KI.MD.M.B1 Beschreiben pädagogische Vor-
aussetzungen sowie Vor- und Nachteile, die sich
methodisch beim Einsatz KI-basierter MD ergeben,
z. B. im Hinblick auf die unter MD.M.N1 gelisteten
Aspekte.
KI.MD.F.B1 Beschreiben ausgewählte fachwissenschaftliche
Szenarien der KI-basierten MD beispielhaft, z. B. Automatisierte
Erkennung von Tumorzellen in Gewebeproben.
KI.MD.T.B1 Beschreiben für Anwendungen der KI-basierten MD mindes-
tens eine Möglichkeit der technischen Umsetzung inkl. des notwendigen
Vorgehens unter Bezugnahme auf aktuelle Hard- und Software sowie
damit verbundenen Standards.
KI.MD.T.B2 Beschreiben die Messcharakteristika (z. B. Messbereich,
Messgenauigkeit, Auösung, Abtastrate, Einsatzbereiche, Limitierungen)
der KI-basierten Systeme.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.MD.U.A1 Planung kompletter Lehr-Lernszenarien unter
Einbindung einer KI-basierten MD und Berücksichtigung
geeigneter Sozial- und Organisationsformen.
KI.MD.U.A2 Durchführung kompletter Lehr-Lernszenarien
unter Einbindung einer KI-basierten MD und Berücksichtigung
geeigneter Sozial- und Organisationsformen.
KI.MD.F.A1 Führen die Aufnahme von Messwerten im fachwis-
senschaftlichen Kontext unter Verwendung von KI-basierter MD
durch.
KI.MD.T.A1 Führen die Messwerterfassung für mindestens ein Beispiel der
oben genannten Möglichkeiten der KI-basierten MD durch.
Der DiKoLANKI-Kompetenzbereich „Messwert- und Datenerfassung“ (KI.MD) beschreibt die individuelle Fähigkeit, mit digitalen Werkzeugen
mittel- oder unmittelbar Daten zu erheben, indem (Mess-)Daten eingegeben, analoge Daten digitalisiert, Bilder sowie Filme angefertigt, Son-
den, Sensoren, Programme (bzw. Apps) eingesetzt und Messwerte aus Dokumentationsmedien wie Bildern oder Videos gewonnen werden.
Der Einsatz von KI-Technologien in der digitalen Messwerterfassung ist z. B. durch KI-gesteuerte Sensoren, automatisierte Signalvorverarbei-
tung, Mustererkennung und Datengewinnung aus Bildern und Videos möglich. Dabei sind jeweils verstärkt auch digitalitätsbezogene Aspekte
zu berücksichtigen.
5!
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.DV.U.N1 Nennen Werkzeuge für den sachgerechten Einsatz
(adressaten-, fach- und zielgerecht) der KI-basierten DV.
KI.DV.U.N2 Nennen Szenarien zum Einsatz der genannten
Möglichkeiten einer KI-basierten DV in spezischen Lehr-
Lernsituationen mit Passung zu einem inhaltlich sinnvollen
Kontext.
KI.DV.M.N1 Nennen für eine Lehr-Lernszenarien
notwendige Vorkenntnisse und Kompetenzen der
Lernenden zum Einsatz der KI-basierten Techniken.
KI.DV.M.N2 Nennen methodische Aspekte des
Lernen und Lehrens über KI-basierte DV, z. B.
hinsichtlich:
ώZeit
ώOrganisationsform
ώAusrüstungs- und Materialbedarf
ώgenutzter Algorithmen
ώDatensicherheit
KI.DV.M.N3 Nennen zu beachtende Punkte bei
der Verarbeitung von personenbezogenen Daten
im Rahmen von Arbeitsschritten (mit KI-basierten
Technologien).
KI.DV.F.N1 Nennen etablierte Vorgehensweisen KI-basierter DV im
Fachgebiet, z. B. die Anwendung von:
ώsupervised learning
ώunsupervised learning
KI.DV.F.N2 Nennen fachwissenschaftliche Szenarien mit zugehöri-
gen Methoden der fachspezischen KI-basierten DV z. B.
ώMustererkennung in (großen) Datensätzen
ώVorhersage (von Bindungsanitäten, Proteinfaltung o. Ä.)
ώDesignvorschläge (z. B. Moleküldesign oder Materialdesign)
…auf Basis von eigenen Daten oder aus Datenbanken.
KI.DV.T.N1 Nennen verschiedene Datentypen und Kodierungen sowie
zugehörige Daten- bzw. Dateiformate (sowie damit erlaubte Operationen)
für eine KI-basierte DV, z. B. für
ώBild und Video
ώAudio
ώWerte (Integer, Float)
ώTe xt
KI.DV.T.N2 Nennen verschiedene Algorithmen, die in KI-basierter DV-
Anwendung nden.
KI.DV.T.N3 Nennen KI-basierte Werkzeuge zur
ώFilterung,
ώBerechnung neuer Größen,
ώAufbereitung zur Visualisierung,
ώstatistischen Analyse,
ώBild-, Audio- und Videoanalyse,
ώVerknüpfung von Daten,
ώAutomatisierung in der Datenverarbeitung,
ώMustererkennung sowie
ώVerarbeitung großer Datenmengen
KI.DV.T.N4 Nennen unterstützte Dateiformate der KI-basierten Werkzeuge.
KI.DV.T.N5 Nennen Möglichkeiten des KI-basierten Exports und Imports
von digitalen Daten der genannten Datentypen und Kodierungen.
KI.DV.T.N6 Nennen Möglichkeiten zur KI-basierten Konvertierung der
Daten und Datenformate.
KI.DV.T.N7 Nennen Möglichkeiten zur Aufbereitung von Daten für eine
KI-basierte DV.
KI.DV.T.N8 Nennen die Bedeutung der Qualität der Daten und den daraus
resultierenden Einuss auf das KI-Modell.
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.DV.U.B1 Beschreiben didaktische Voraussetzungen der
KI-basierten DV für den Einsatz in und Auswirkungen auf die
jeweiligen Unterrichtsverfahren.
KI.DV.U.B2 Beschreiben durch KI-basierte DV ermöglichte
Zugänge zu Basiskompetenzen (vor allem zum Kompetenzbe-
reich Erkenntnisgewinnung).
KI.DV.M.B1 Beschreiben Möglichkeiten zum Schutz
und zur Anonymisierung von personenbezogenen
Daten.
KI.DV.M.B2 Beschreiben Vor- und Nachteile
methodischer Aspekte der KI-basierten DV beim
Lernen und Lehren, z. B. hinsichtlich:
ώZeit
ώOrganisationsform
ώAusrüstungs- und Materialbedarf
ώgenutzter Algorithmen
ώDatensicherheit
KI.DV.F.B1 Beschreiben fachwissenschaftliche Szenarien mit
zugehörigen Methoden, in denen fachspezische KI-basierte DV
stattndet.
ώMustererkennung (z .B. Bewegungsdaten von Insektenschwär-
men)
ώVorhersage (von Bindungsanitäten, Proteinfaltung o. Ä.)
ώDesignvorschläge (z. B. Moleküldesign oder Materialdesign)
…auf Basis von eigenen Daten oder aus Datenbanken.
KI.DV.T.B1 Beschreiben KI-basierte Verfahren zur
ώFilterung,
ώBerechnung neuer Größen,
ώAufbereitung zur Visualisierung,
ώstatistischen Analyse,
ώBild-, Audio- und Videoanalyse,
ώVerknüpfung von Daten und,
ώAutomatisierung in der Datenverarbeitung,
ώMustererkennung sowie
ώVerarbeitung großer Datenmengen.
KI.DV.T.B2 Beschreiben Möglichkeiten einer KI-basierten Datenverarbei-
tung.
KI.DV.T.B3 Beschreiben Schwierigkeiten einer KI-basierten Datenverarbei-
tung.
KI.DV.T.B4 Beschreiben Vor- und Nachteile einer KI-basierten Datenverar-
beitung.
Anwenden/
Durchführen
(praktische und
funktionale Realisierung)
KI.DV.U.A1 Planung kompletter Unterrichtsszenarien unter
Einbindung KI-basierter DV und der Berücksichtigung
geeigneter Sozial- sowie Organisationsformen.
KI.DV.U.A2 Durchführung kompletter Unterrichtsszenarien
unter Einbindung KI-basierter DV und der Berücksichtigung
geeigneter Sozial- sowie Organisationsformen.
KI.DV.T.A1 Wenden KI-basierte Verfahren an zur
ώFilterung,
ώBerechnung neuer Größen,
ώAufbereitung zur Visualisierung,
ώstatistischen Analyse,
ώBild-, Audio- und Videoanalyse,
ώVerknüpfung von Daten,
ώAutomatisierung in der Datenverarbeitung,
ώKonvertierung von Daten und Datenformate
ώMustererkennung sowie
ώVerarbeitung großer Datenmengen
KI.DV.T.A2 Exportieren und Importieren digitale Daten der Datentypen
und -formate mit KI-basierter Software.
Tab. 9 Kompetenzbereich „Datenverarbeitung“ (KI.DV)
Kompetenzen für den Unterricht mit und über Künstliche Intelligenz in den Naturwissenschaften
53
Unterrichten (TPACK) Methodik, Digitalität (TPK) Fachwissenschaftlicher Kontext (TCK) Spezielle Technik (TK)
Nennen KI.DV.U.N1 Nennen Werkzeuge für den sachgerechten Einsatz
(adressaten-, fach- und zielgerecht) der KI-basierten DV.
KI.DV.U.N2 Nennen Szenarien zum Einsatz der genannten
Möglichkeiten einer KI-basierten DV in spezischen Lehr-
Lernsituationen mit Passung zu einem inhaltlich sinnvollen
Kontext.
KI.DV.M.N1 Nennen für eine Lehr-Lernszenarien
notwendige Vorkenntnisse und Kompetenzen der
Lernenden zum Einsatz der KI-basierten Techniken.
KI.DV.M.N2 Nennen methodische Aspekte des
Lernen und Lehrens über KI-basierte DV, z. B.
hinsichtlich:
ώZeit
ώOrganisationsform
ώAusrüstungs- und Materialbedarf
ώgenutzter Algorithmen
ώDatensicherheit
KI.DV.M.N3 Nennen zu beachtende Punkte bei
der Verarbeitung von personenbezogenen Daten
im Rahmen von Arbeitsschritten (mit KI-basierten
Technologien).
KI.DV.F.N1 Nennen etablierte Vorgehensweisen KI-basierter DV im
Fachgebiet, z. B. die Anwendung von:
ώsupervised learning
ώunsupervised learning
KI.DV.F.N2 Nennen fachwissenschaftliche Szenarien mit zugehöri-
gen Methoden der fachspezischen KI-basierten DV z. B.
ώMustererkennung in (großen) Datensätzen
ώVorhersage (von Bindungsanitäten, Proteinfaltung o. Ä.)
ώDesignvorschläge (z. B. Moleküldesign oder Materialdesign)
…auf Basis von eigenen Daten oder aus Datenbanken.
KI.DV.T.N1 Nennen verschiedene Datentypen und Kodierungen sowie
zugehörige Daten- bzw. Dateiformate (sowie damit erlaubte Operationen)
für eine KI-basierte DV, z. B. für
ώBild und Video
ώAudio
ώWerte (Integer, Float)
ώTe xt
KI.DV.T.N2 Nennen verschiedene Algorithmen, die in KI-basierter DV-
Anwendung nden.
KI.DV.T.N3 Nennen KI-basierte Werkzeuge zur
ώFilterung,
ώBerechnung neuer Größen,
ώAufbereitung zur Visualisierung,
ώstatistischen Analyse,
ώBild-, Audio- und Videoanalyse,
ώVerknüpfung von Daten,
ώAutomatisierung in der Datenverarbeitung,
ώMustererkennung sowie
ώVerarbeitung großer Datenmengen
KI.DV.T.N4 Nennen unterstützte Dateiformate der KI-basierten Werkzeuge.
KI.DV.T.N5 Nennen Möglichkeiten des KI-basierten Exports und Imports
von digitalen Daten der genannten Datentypen und Kodierungen.
KI.DV.T.N6 Nennen Möglichkeiten zur KI-basierten Konvertierung der
Daten und Datenformate.
KI.DV.T.N7 Nennen Möglichkeiten zur Aufbereitung von Daten für eine
KI-basierte DV.
KI.DV.T.N8 Nennen die Bedeutung der Qualität der Daten und den daraus
resultierenden Einuss auf das KI-Modell.
Beschreiben
(inkl. notwendigem
Vorgehen)
KI.DV.U.B1 Beschreiben didaktische Voraussetzungen der
KI-basierten DV für den Einsatz in und Auswirkungen auf die
jeweiligen Unterrichtsverfahren.
KI.DV.U.B2 Beschreiben durch KI-basierte DV ermöglichte
Zugänge zu Basiskompetenzen (vor allem zum Kompetenzbe-
reich Erkenntnisgewinnung).
KI.DV.M.B1 Beschreiben Möglichkeiten zum Schutz
und zur Anonymisierung von personenbezogenen
Daten.
KI.DV.M.B2 Beschreiben Vor- und Nachteile
methodischer Aspekte der KI-basierten DV beim
Lernen und Lehren, z. B. hinsichtlich:
ώZeit
ώOrganisationsform
ώAusrüstungs- und Materialbedarf
ώgenutzter Algorithmen
ώDatensicher