Zum Inhalt springen
Menü
Technische Universität München
Technische Universität München

Data & AI Literacy

Über das Projekt

In den letzten Jahren hat sich der Umgang mit und die Verarbeitung und Analyse von Daten, z.B. im Kontext von Big Data und maschinellen Lernverfahren, enorm weiterentwickelt – bedingt durch die Transformationsprozesse der Digitalisierung. Die zunehmende Erfassung, Speicherung und automatisierte Verarbeitung und Auswertung von Daten in allen Bereichen menschlichen Lebens hat dabei aber auch enorme Auswirkungen auf Alltag, Gesellschaft und Politik. Jede und jeder benötigt heute Kompetenzen, um Daten kompetent zu speichern, zu nutzen, zu analysieren, aber auch, um Folgen und Auswirkungen auf unsere Gesellschaft abschätzen zu können. Die Vermittlung entsprechender Kompetenzen – sogenannter  “Data Literacy” – stellt eine große Herausforderung für Schulen, Hochschulen und Bildung im Allgemeinen dar. Von besondere Bedeutung ist dabei die künstliche Intelligenz als wohl dem emergenten Thema der letzten Jahre. Dabei gilt es, die Lernenden nachhaltig auf das Leben in der digitalen Welt vorzubereiten. Daher ist es zentral, Kompetenzen zu vermitteln, die – unabhängig von aktuellen Technologien und “Hypes” – langfristig zum Verstehen und Gestalten der sogenannten digitalen Welt befähigen. In diesem Forschungsschwerpunkt werden dementsprechend zugrunde liegenden Ideen und Prinzipien identifiziert, die unabhängig von konkreten Technologien oder Anwendungen zeitlich überdauernd sind und so zu einer nachhaltigen Vermittlung beitragen. Diese Ideen und Prinzipien werden forschungsgeleitet in Form von Lehr-Lern-Konzepten für Lernende aufbereitet und evaluiert sowie der Transfer in die Unterrichtspraxis untersucht.

Publikationen

Morales-Navarro, L., Kafai, Y. Kahn, K., Romeike, R., Michaeli, T., DiPaola, D., Ali, S., Williams, R., Breazeal, C., Castro, F., Desportes, K., Stager, G., Kumar, V., Bodon, H., Worsley, M., Lee, V., Sarin, P., Xie, B., Wolf, J., Sieh, I., Dennison, D., Garcia, R. & Solomon, C. (2023). Constructionist Approaches to Learning Artificial Intelligence/Machine Learning: Past, Present, and Future. Proceedings of Constructionism 2023.

Michaeli, T., Romeike, R. & Seegerer, S. (2023): What students can learn about artificial intelligence - recommendations for K12 computing education. In Proceedings of World Conference on Computers in Education, WCCE 2022. Hiroshima, Japan.

Jaschke, S., Klusch, M., Krupka, D., Losch, D., Michaeli, T., Opel, S., Schmid, U., Schwarz, R., Seegerer, S., & Stechert, P. (2023). Positionspapier der Gesellschaft für Informatik e.V. (GI): Künstliche Intelligenz in der Bildung.

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J., Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences 103, 2023

Michaeli, T., Seegerer, S., Kerber, L. & Romeike, R. (2023). Data, Trees, and Forests – Decision Tree Learning in K-12 Education. Proceedings of the 3rd Teaching Machine Learning and Artificial Intelligence Workshop, PMLR.

Diethelm, I., Fandrich, A., Michaeli, T., Pancratz, N., Romeike, R., & Seegerer, S. (2021). Gemeinsam KI entdecken! INFOS 2021 – 19. GI-Fachtagung Informatik und Schule, Gesellschaft für Informatik, Bonn.

Michaeli, T., Seegerer, S. & Romeike, R. (2021). Alexa, was ist eigentlich Künstliche Intelligenz? Einblicke in KI als Gegenstand und Methode fachdidaktischer Forschung. In GFD Tagungsband 2020: Fachliche Bildung und digitale Transformation - Fachdidaktische Forschung und Diskurse (S. 72-75.), Universität Regensburg.

Michaeli, T., Seegerer, S., Jatzlau, S., & Romeike, R. (2020). Looking Beyond Supervised Classification and Image Recognition – Unsupervised Learning with Snap! In Carina Girvan, Jake Rowan Byrne (Eds.), Constructionism 2020: Exploring, Testing and Extending our Understanding of Constructionism conference proceedings. Dublin, IE.

Seegerer, S., Michaeli, T., & Romeike, R. (2020). So lernen Maschinen! LOG IN - Informatische Bildung und Computer in der Schule, 40 (193/194).

Michaeli, T., Seegerer, S. & Jatzlau, S., (2020). Kein Hexenwerk: Ideen des maschinellen Lernens in Snap! LOG IN - Informatische Bildung und Computer in der Schule, 40 (193/194).

Seegerer, S., Michaeli, T., Lindner, A., & Romeike, R. (2020). EDITORIAL: Jetzt ist KI-Sommer! LOG IN - Informatische Bildung und Computer in der Schule, 40 (193/194).

Jatzlau, S., Michaeli, T., Seegerer, S., & Romeike, R. (2019). It’s not Magic After All - Machine Learning in Snap! using Reinforcement Learning. In 2019 IEEE Blocks and Beyond Workshop (Blocks and Beyond). Memphis, TN, USA: IEEE.

Unterrichtsmaterial

To top