Generative KI
34 Generative KI für das Klassenzimmer Teil 1
Was tun, wenn jemand vorschlägt, eine Aktivität mit einem generativen KI-Tool auszuprobieren? Was ist zu tun, wenn Sie eine Idee für eine Aktivität haben, aber nicht wissen, wie Sie diese anpassen sollen?
Unser Ziel ist, Sie bei der Evaluierung, der Auswahl und der Durchführung solcher Aktivitäten zu unterstützen.
Aufgrund der rasanten Entwicklung dieser Technologie und der Tatsache, dass sich die Performance je nach Thema und Kontext ändern kann, können nicht alle Fragen, die eine Lehrkraft stellen muss, im Voraus aufgeführt werden. Wir hoffen, dass wir Ihnen Denkanstöße geben können, die in den veröffentlichten Leitlinien empfohlen und durch Forschung und Fallstudien unterstützt werden.
Bitte beachten Sie, dass wir in diesem Buch nur solche Aktivitäten betrachten, bei denen die Lehrkraft und nicht die Lernenden mit der generativen KI interagiert. Unsere Gründe dafür werden in dem Link im Kasten erläutert.
Auch wenn Sie nicht davon überzeugt sind, dass generative KI-Tools einen Platz in der Bildung haben sollten, empfehlen wir Ihnen dringend, zumindest eine Aktivität auszuprobieren, bei der generative Technologie zum Einsatz kommt. Dies könnte Ihnen helfen,
- zu verstehen, was mit den Tools der generativen KI möglich ist und was nicht;
- Kurselemente neu zu formulieren oder umzugestalten, insbesondere um zu entscheiden, was als Hausaufgabe gegeben werden kann und was nicht. ChatGPT hat sich beispielsweise als effektiv darin erwiesen, Schülerinnen und Schüler beim Schreiben von Aufsätzen zu helfen1 und könnte bei der Zuweisung von Standardaufsätzen für Hausaufgaben nicht nutzbringend sein, wenn das Ziel darin besteht, Wissen abzufragen oder aufzubauen. Möglicherweise müssen Sie eine Vielzahl von Bewertungsmethoden wie Gruppenprojekte, praktische Aktivitäten und mündliche Präsentationen einsetzen und über einfache Ja- oder Nein-Fragen hinausgehen1;
- Verstehen Sie die Grenzen dieser Technologie, damit Sie sie nutzen können, um die Lernenden zu motivieren, sich selbst, ihre Fantasie und Kreativität einzusetzen2.
- Und damit Sie sich nicht abgehängt fühlen, wenn die nächste Generation dieser Technologien mit noch fortschrittlicheren Funktionen Realität wird;
- Sie können sie nutzen, um Ihre Arbeitsbelastung zu verringern und neue Themen zu erkunden, die Ihnen vorher vielleicht zu abschreckend oder zeitaufwendig waren;
- Nutzen Sie die Vorteile neuer Denkansätze und Lernmethoden, die jetzt möglich sind;
- Gestalten Sie die Entwicklung und die Forschung an den pädagogischen Anwendungen dieser Tools, die jetzt von vielen Akteuren vorangetrieben werden3.
Gleichzeitig empfehlen wir Ihnen angesichts der Neuartigkeit der Technologie und ihrer Methoden dringend, die Einzelheiten jeder Aktivität und ihrer Entwicklung in einem Notizbuch festzuhalten. Dies wird Ihnen helfen, die kurz- und langfristigen Auswirkungen jeder Aktivität zu überwachen, zu evaluieren und diese Beobachtungen mit Ihren Kollegen zu diskutieren.
Fragen zu Pädagogik und Praxis
Jeder kann eine Aktivität für das Klassenzimmer vorschlagen. Es kann vorkommen, dass sie aus der Welt der Technik kommen und wenig Verständnis für die Situation im Klassenzimmer haben. Oder es könnte eine Idee sein, die für einen Universitätsstudierenden funktioniert, aber nicht für einen Teemager. Selbst wenn die Aktivität für Ihren Unterricht geeignet ist, könnte sie auf lange Sicht für Überraschungen sorgen, wenn sie nicht durch eine solide pädagogische Theorie und Unterrichtserfahrungen gestützt wird. Wir ermutigen Sie daher, an jede Aktivität mit Fragen zur Pädagogik und Praktikabilität heranzugehen.
Fragen zur verwendeten generativen KI
Das Herzstück einer generativen KI-Anwendung ist ein Large Language Model (LLM) oder ein Bildmodell (Diffusionsmodell). Der Linguist Noam Chomsky drückt es so aus: „Vereinfacht gesagt, nehmen sie [Large Language Models] riesige Datenmengen, suchen darin nach Mustern und werden immer effektiver darin, statistisch wahrscheinliche Ergebnisse zu erzeugen – wie scheinbar menschliche Sprache und Gedanken4.” BERT, BLOOM, GPT, LLaMA und PaLM sind alle Large Language Models. Das entsprechende Deep-Learning-Modell für Bilder wird als Diffusionsmodell bezeichnet. Stable Diffusion und Midjourney sind bekannte Beispiele dafür.
Entweder das Mutterunternehmen oder ein Dritter kann ein LLM nehmen und es für bestimmte Aufgaben wie die Beantwortung von Anfragen und die Zusammenfassung von Aufsätzen weiter trainieren (feinabstimmen). Oder sie nehmen ein LLM oder einen Chatbot, geben ein paar Eingaben ein oder nehmen umfangreiche Programmierarbeiten vor und veröffentlichen das Ergebnis als Anwendungspaket (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory … ).
OpenAI hat seine GPT3 und GPT4 mit Prompt-Response-Beispielen und Regeln für die Akzeptanz von Inhalten feinabgestimmt, um Chatgpt zu erhalten. Ein Google-Forschungsteam trainierte PaLM mit wissenschaftlichen und mathematischen Daten, um Minerva zu erhalten. Dieses Sprachmodell erzielte dann die besten Ergebnisse für eine Sprachmodellanwendung zur Lösung von Quantitative Reasoning-Problemen: Es war in der Lage, fast ein Drittel der Probleme auf Bachelor-Niveau in Physik, Biologie, Chemie, Wirtschaftswissenschaften und anderen Wissenschaften, die quantitatives Denken erfordern, zu lösen5.
Derzeit wird an der Feinabstimmung eines Sprachmodells für Bildungszwecke – Ed-GPT – gearbeitet, das mit Fachwissen und der Beseitigung von Vorurteilen sowie hoffentlich Wissen über relevante Lernmethoden ergänzt wird2.
Die Feinabstimmung eines Sprachmodells für eine bestimmte Aufgabe wirkt sich auf seine Effizienz bei dieser Aufgabe aus6. Ob das gesamte Paket von einem einzigen Unternehmen bereitgestellt wird (ChatGPT von OpenAI) oder ob ein anderes Unternehmen auf dem Modell aufbaut, wirkt sich wiederum auf Sicherheit und Datenschutz aus. Wenn man untersucht, welches Modell verwendet wird, lohnt es sich, sowohl die Erfolge als auch die Grenzen des Kernmodells zu betrachten und sich anzusehen, wer was damit gemacht hat.
Fragen hinsichtlich der Eignung für Sie und Ihre Schülerinnen und Schüler
Auch wenn eine Aktivität alle Ziele erreicht und das verwendete generative KI-Tool das beste und ethischste auf dem Markt ist, muss die Aktivität dennoch an Ihre Klasse angepasst werden. Wie bei jedem KI-Tool müssen Sie möglicherweise mehrere Durchläufe durchführen, bevor Sie Ihr Ziel erreichen2. Möglicherweise benötigen Sie eine Schulung für Eingabetechniken oder der kritischen Bewertung des Outputs1. Darüber hinaus sollte die gesamte Erfahrung für Sie lohnend sein und mit Ihren Werten als Lehrkraft übereinstimmen.
1 Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.
2 Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023.
3 Becker, B., et al, Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.
4 Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.
5 Lewkowycz, A., Andreassen, A., Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.
6 Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.