2.3.2 Automatische Informationsverarbeitungssysteme untersuchen
Unterrichtsmaterial zum Lernziel: Die Maturandinnen und Maturanden können automatische Informationsverarbeitungssysteme untersuchen.
⚠ Neu versucht die KI ungefähr das Niveau zu ermitteln. Bitte helfen Sie, indem Sie die Gewichtung der Kriterien mitbewerten! Generelles Feedback gern an marc@eduskript.org.
Castoro Informatico 2021 – Quesiti e soluzioni (9º/10º anno)
Sammlung der 15 Aufgaben des Schweizer Informatik-Bibers 2021 für die Kategorie 9./10. Schuljahr, vollständig mit Musterlösungen und anschliessenden Erklärtexten («Questa è l'informatica!»). Die Knobelaufgaben führen spielerisch an binäre Suchbäume, Graphen und Färbungen, Hashfunktionen, Matching-Probleme und Minimierungsschnitte heran, ohne Vorkenntnisse vorauszusetzen.
Neuronale Netze programmieren: Handschrifterkennung von Grund auf in Python
Ein mehrwöchiger Intensivkurs (TALIT), in dem Schüler:innen ein neuronales Netz komplett selbst in Python programmieren – zuerst ein vereinfachtes Toy-Problem, dann ein MNIST-Handschrifterkenner inkl. Backpropagation, am Ende optional mit TensorFlow/Keras und einer GUI. Die Aufgaben sind gut gestaffelt, mitobjektorientiert strukturiert, mit Wettbewerbs-Contests und reichhaltigen Zusatzaufgaben; die Slides erklären die Konzepte (Feedforward, Gradientenabstieg, Kettenregel) anschaulich und mathematisch sauber.
DynaTraffic Einstiegs-, Fortgeschrittene und Weiterführende Aufgaben
Arbeitsblattserie mit rund 14 gestuften Aufgaben zum simulated Verkehrssystem DynaTraffic, das Markov-Ketten als Übergangsmatrix/Übergangsgraph modelliert. Schüler:innen explorieren dynamische Systeme, stationäre, periodische, transiente und absorbierende Zustände sowie Matrix-Vektor-Multiplikation – von der Beobachtung bis zur Begründung mit Markov-Begriffen.
Erdbeben weltweit — eine Live-Karte aus echten Daten
Ein interaktives Python-Tutorial, in dem Schüler:innen aus echten USGS-Daten eine Weltkarte aller Erdbeben der letzten Woche bauen. Schritt für Schritt werden API-Abfragen, GeoJSON, List Comprehensions und matplotlib-Visualisierung eingeführt, bis der Pazifische Feuerring sich «selbst in den Daten zeichnet». Vier anspruchsvolle Vertiefungsaufgaben runden das Material ab.
Data Mining – Die Suche nach wertvollen Informationen im Daten-Nirvana
Umfassende Unterrichtseinheit zu Data Mining für die Informatik: von Big Data und Datenrepräsentation über Kreuztabellen, 1R, Naïve Bayes, Entscheidungsbäume, Clustering und Assoziationsanalyse bis zum Datenschutz. Mit durchdachten Beispielen (Wetter-Problem, Spam-Erkennung, US-Census), Aufgaben inkl. Lösungen und praktischer Anwendung in Weka. Didaktisch anspruchsvoll und sorgfältig aufgebaut, inkl. statistischer Grundlagen wie Entropie und Bayes-Theorem.
HIV-Simulation mit NetLogo – Parameter erkunden und Massnahmen ableiten
Arbeitsblatt zur NetLogo-Simulation HIV: Schüler:innen erkunden als "Gesundheitsminister" die Ausbreitung einer sexuell übertragbaren Krankheit, variieren systematisch Parameter, formulieren Hypothesen und entwickeln Massnahmen. Selbsterkundung mit Belegpflicht (Screenshots/Werte), gutem Realitätsbezug und offenen Transferfragen.
Perzeptro - Ein Kartenspiel für lernende künstliche Neuronen
Ein unplugged-Kartenspiel, mit dem Schüler:innen die Funktionsweise eines künstlichen Neurons (Eingänge, Gewichte, Schwellenwert) und einfache Lernregeln spielerisch nachbauen. Enthält vollständige Spielregeln für mehrere Spielmodi sowie eine Druckvorlage mit allen Karten und Trainingskarten für logische Gatter. Dadurch werden Grundlagen neuronaler Netze konkret erfahrbar, bevor sie formal eingeführt werden.
Inhaltsbasiertes Empfehlungssystem mit KNN-Klassifikation
Ein Arbeitsblatt, in dem Schüler:innen Schritt für Schritt ein inhaltsbasiertes Empfehlungssystem für Filme aufbauen: Sie fertigen Punktdiagramme an, wenden die Nächste-Nachbar-Klassifikation an und erweitern das Modell schrittweise (feinere Klassen, drittes Attribut in GeoGebra 3D, Genre-Vektoren). Filme und Bewertungen sorgen für echten Weltbezug; die Progression von 2D über 3D zu tabellarischen Daten ist didaktisch sauber aufgebaut.
Gruppenunterricht zum Thema Spieltheorie (Puzzle-Methode)
Ausgereiftes Unterrichtspaket (1999, harmoS-Vorläufer) zur Spieltheorie: Spielbaum, Minimax, Alpha-Beta-Pruning, Heuristik, kombinatorische Explosion und maschinelles Lernen, aufbereitet in der Puzzle-Methode mit Expertenrunden. Enthält anschauliche Erklärungen mit Beispielen (Vier Gewinnt, Deep Blue vs. Kasparov), Verständnis-Tests und Lernkontrollen mit Lösungen. Didaktisch durchdacht und lebendig, aber ohne aktive Programmier- oder Werkzeuganteile.
Wellenreiten auf der Daten-Autobahn — Einführung ins Internet
Ein Leitprogramm zur Einführung ins Internet und WWW, das ohne Computer auf Papier bearbeitet werden kann, mit Rahmenhandlung um die Figur Futura, Begriffskästen, Aufgaben und vollständigen Lösungen. Behandelt Browser, Links, HTML, URL-Aufbau, Suchmaschinen und Kataloge. Didaktisch rund aufgebaut, inhaltlich aber veraltet (Stand 2002) und auf Sek-I-/Einstiegsniveau.
Das Zufallssurfermodell (PageRank)
Interaktive Unterrichtseinheit zum Random-Surfer-Modell als Einstieg in das Ranking-Problem von Webseiten (PageRank). Lernende simulieren das Surfen körperlich und mit Zahlen, dann automatisiert mit GeoGebra-Tabellenkalkulation und Python. Gute Progression von intuitiv zu programmatisch.
Introduction to Machine Learning: Image Classification (MIT App Inventor)
Eine zweistündige Unterrichtseinheit (2×45 Min.) von MIT App Inventor, in der Lernende Grundlagen des maschinellen Lernens kennenlernen und eine eigene Bildklassifikations-App erstellen. Sie experimentieren zunächst mit Teachable Machine, programmieren dann mit der Look-Extension eine App, die mit dem Handy Fotos klassifiziert und Konfidenzwerte liefert. Umfangreiche Zusatzmaterialien (Slides, Lehrpersonen-Leitfaden, Tutorials) sind enthalten.
PPG-Herzfrequenzmessung mit USB-Mikroskop und Python
Lektionsmaterial zur Verbesserung eines PPG-Setups mit USB-Mikroskop: SuS bauen ein kontrolliertes Messsetup auf, verarbeiten den Live-Videostream mit OpenCV in Python und vergleichen die Signalqualität verschiedener Körperstellen. Enthält vollständigen Code, Reflexionsfragen und gestufte Aufgaben, jedoch keine Musterlösungen.
PPG-Signal aufnehmen und visualisieren
Eine anschauliche Unterrichtsanleitung, in der Schüler:innen mit Smartphone-Kamera und Blitz ihr eigenes PPG-Signal (Pulssignal) aufnehmen, mit einem bereitgestellten Python-Script die Farbwerte als CSV extrahieren und in Excel visualisieren. Daraus zählen sie Peaks, berechnen die Herzfrequenz und diskutieren Störquellen wie Rauschen, Atmung und Bewegung. Mit guten Schritt-für-Schritt-Anleitungen, Fehlerbehandlung und optionalen Erweiterungen.
Künstliche Intelligenz: Maschinelles Lernen, neuronale Netze und ChatGPT verstehen
Umfassendes Unterrichtsmaterial zu Künstlicher Intelligenz und Maschinellem Lernen: von GOFAI über Neuronale Netze bis zu ChatGPT/LLMs, mit Alltagsanalogien, mehreren interaktiven Experimenten (SoekiaGPT, Teachable Machine, Netz-Visualisierungen), einer Ethik-Recherche-Aufgabe und ergänzenden Folien sowie einem vertiefenden Essay. intuition vor Formalismus, aber die Aufgaben liefern keine Lösungen.
Arbeitsblatt Wolf Sheep Predation (NetLogo)
Arbeitsblatt zur NetLogo-Simulation Wolf-Sheep-Predation, in der Schüler:innen Populationsdynamiken von Räubern und Beutetieren explorativ untersuchen. Sie variieren Parameter, beobachten Wechselwirkungen und belegen ihre Analyse mit Werten und Grafiken aus den Simulationsdurchläufen.
Interdisziplinäre Finanzdatenanalyse im Gymnasialunterricht
Ein GymInf-Abschlussprojekt mit einer vollständig ausgearbeiteten, 18 Lektionen umfassenden Unterrichtsreihe zur Finanzdatenanalyse mit Python: von Datenimport und -aufbereitung über Visualisierung und Risikoanalyse bis zu KI-gestützten Zeitreihenprognosen (Prophet, ARIMA, LSTM). Enthalten sind Kompetenzraster mit Basic/Advanced/Expert-Differenzierung, formative Mini-Checks, eine summative Prüfung, ein offenes Abschlussprojekt mit Bewertungskriterien und Musterlösungen sowie eine ausführliche Evaluation. Das Material richtet sich primär an Lehrpersonen, ist aber mit den konkreten Lektionsausarbeitungen direkt umsetzbar und punktet mit echten Börsendaten und hohem Lebensweltbezug.
Spamfilter mit Bayes: Validierung, Testdaten und die Frage nach den Halluzinationen
Arbeitsblatt zur Validierung eines im Tabellenprogramm (vermutlich Excel/Sheets) gebauten Naive-Bayes-Spamfilters mit echten, von der Klasse selbst verfassten Nachrichten. Die Schüler:innen berechnen Wort- und A-priori-Wahrscheinlichkeiten von Hand als Brüche, klassifizieren Testnachrichten, messen die Genauigkeit und untersuchen, wie ein Labelling-Fehler die Resultate verfälscht. Abschliessend wird gefragt, warum KI halluziniert – mit klarem Fazit zu Datenqualität und fehlendem Inhaltsverständnis.
CNN-Viz: Interaktive Node-Link-Visualisierung von Convolutional Neural Networks
Ein wissenschaftlicher Paper-Begleiter zu einer interaktiven WebGL-Visualisierung eines auf MNIST trainierten CNNs. Studierende/Lernende können auf einem Zeichenpad Ziffern zeichnen, live die Aktivierungsmuster aller Schichten in Echtzeit sehen und durch Hover/Klick Details zu Knoten (Gewichte, Berechnungen) aufdecken. Das zugehörige Werkzeug ist frei verfügbar und sehr gut erkundbar; der vorliegende Text ist primär die beschreibende wissenschaftliche Veröffentlichung.
Der Stroop-Effekt (Speaker Notes)
Sprechernotizen zu einer interaktiven Online-Session von CS Unplugged, in der Lernende den Stroop-Effekt spielerisch selbst erleben, Messungen vergleichen und daraus Prinzipien für gutes Interface-Design ableiten. Gut angeleitet mit Diskussionsfragen und realen UI-Beispielen; die zugehörigen Folien sind nicht enthalten.
Arbeitsblatt Wolf-Sheep-Predation (NetLogo)
Arbeitsblatt zur NetLogo-Simulation «Wolf Sheep Predation», in dem Schüler:innen Räuber-Beute-Populationen experimentell untersuchen. Sie spielen Szenarien durch, variieren Parameter und belegen ihre Analysen mit Werten und Screenshots. Das Material ist ein reines Aufgabenblatt ohne Erklärtext oder Lösungen.
Eigene Sprachmodelle mit Soekia
Eine Schritt-für-Schritt-Anleitung zum Online-Tool Soekia der PH Schwyz, mit dem Lernende selbst einfache N-Gramm-Sprachmodelle trainieren und Textgenerierung ausprobieren. Parameter wie N-Gramm-Länge und Temperatur können variiert werden; dazu kommen konkrete Testaufgaben und Projektideen für Kleingruppen.
Lernen im Schnelldurchlauf – Verstärkendes Lernen simulieren
Interaktive Simulation, in der eine lernende KI gegen eine Zufalls-KI das Nim-Spiel (Streichholzspiel) in schnellen Durchläufen spielt und eine Zugtabelle erlernt. Begleitende Aufgaben lenken die Beobachtung auf Grenzen des Lernens, Generalisierung auf neue Spielsituationen und den Vorteil des ersten Zugs.
Modellerweiterung: Das Random-Surfer-Modell mit Gelegenheitsjumpern (PageRank)
Arbeitsblatt zur Weiterentwicklung des vereinfachten Random-Surfer-Modells: Anhand einer erweiterten Webseitenwelt mit Selbst-Link entdecken die Schüler:innen das Problem der Link-Sackgassen und entwickeln mit dem Gelegenheitsjumper die echte PageRank-Formel. Ergänzt durch Patent-Zitat, Simulationsdateien und Programmier-Aufgaben.
Big Data – Chancen, Risiken und Predictive Policing
Ausführlicher, gut lesbarer Grundlagentext zu Big Data mit den fünf Vs, anschaulichen Zahlenbeispielen und einer kritischen Diskussion gesellschaftlicher Auswirkungen am durchgängigen Beispiel Predictive Policing (inkl. Base-Rate-Überlegung zum «Franz»-Beispiel). Der Anhang enthält Foliensätze mit einer provokanten Gestaltungsaufgabe (eigene Big-Data-Projekte, u.a. Matur-Eignungsprognose) und deren kritischer Reflexion.
Fehlende Erfahrung: Ein lernendes System macht Fehler
Interaktives Material zu einem trainierten Emoji-Erkennungssystem, das systematische Fehler macht (z.B. fröhliches Gesicht auf dem Kopf als traurig erkannt). Die Lernenden stellen Vermutungen an, testen das System mit eigenen Zeichnungen und diskutieren, warum maschinelles Lernen auf echte «Erfahrung» angewiesen ist. Anschaulicher, handlungsorientierter Zugang zu Grundkonzepten der KI ohne Formalismus.
Simulationen: Game of Life – Erkundung zellulärer Automaten
Einführung in das Game of Life als Beispiel einer Simulation: Die Verhaltensregeln der Zellen werden anschaulich erklärt und die Bedienung des Simulationsprogramms beschrieben. Danach erkunden die Lernenden frei verschiedene Startpopulationen, dokumentieren ihre Entdeckungen, diskutieren sie in Gruppen und präsentieren ihre Erkenntnisse in einem 10-Minuten-Vortrag.
Künstliches Neuron zu gegebener Trennlinie bestimmen
Interaktives Arbeitsmaterial, das Schritt für Schritt zeigt, wie man aus einer linearen Trennlinie die Gewichte und den Schwellenwert eines künstlichen Neurons bestimmt. Die Aufgaben führen von der Geradengleichung über Halbebenen-Ungleichungen zur Neuronenform, mit automatischer Kontrolle („Häkchen“-Eingabefelder) und einer Umkehraufgabe für Fortgeschrittene. Mathematisch anschlussfähig und mit unmittelbarem Selbcheck gut für den eigenständigen Einstieg in neuronale Netze.
Herzfrequenz aus PPG-Signal per FFT extrahieren
Ein Jupyter-Notebook-Experiment, in dem Lernende aus einem PPG-Signal (aufgenommen am eigenen Finger via Kamera oder simuliert) mit der Fourier-Transformation die dominante Frequenz extrahieren und daraus die Herzfrequenz in bpm berechnen. Der Zugang ist anschaulich über das Klavier-Akkord-Beispiel und eigene Messungen, mitfertigbare Python-Code ist komplett vorhanden, plus Validierungsaufgabe (manueller Vergleich).
Informatik-Biber 2018 – Aufgaben und Lösungen für die Stufen 7/8
Das offizielle Aufgabenheft des Schweizer Informatik-Biber-Wettbewerbs 2018 für die Stufen 7/8 enthält 15 vielfältige Knobelaufgaben mit vollständigen Lösungen und kurzen Erläuterungstexten («Dies ist Informatik!»), die den Bezug zu echten informatischen Konzepten wie Graphen, Ersetzungsregeln, Backtracking, Rucksackproblem und logischem Schliessen herstellen. Die Aufgaben sind spielerisch erzählt, enthalten aber anspruchsvolle Begründungen und lassen sich nur teilweise auf den Gymnasialstoff abbilden.
Übungen – Lernende Neuronen (Perzeptron)
Übungsblatt zum Perzeptron: Schüler:innen wenden die allgemeine Lernregel Schritt für Schritt an, begründen das Verhalten des Trainings und automatisieren die Berechnung in einer Tabellenkalkulation bzw. einem Python-Programm mit gegebenem Klassengerüst. Daneben stehen Transferaufgaben zur linearen Separierbarkeit und zum Vergleich zweier Lernregeln. Das interaktive Neuron (Daten „in das Neuron laden“) macht den Zugang anschaulich.
Künstliches Neuron: Gewichte und Schwellenwerte selbst anpassen
Zwei interaktive Aufgaben, in denen Lernende bei einem künstlichen Neuron Gewichte und Schwellenwerte so anpassen, dass es korrekt feuert bzw. nicht feuert. Anschauliche Bilder (Hürdenläuferin, Zaun) machen die beiden Anpassungsstrategien intuitiv, bevor systematisch gewichtet und geschwellt wird. Einstiegsmaterial zur Funktionsweise künstlicher Neuronen, selbstständiges Lernen wird ausdrücklich später behandelt.
Überwachtes Lernen mit Neuronalen Netzen (ohne numpy)
Das Kapitel erklärt anschaulich, wie künstliche Nervenzellen modelliert und zu Netzen zusammengesetzt werden, die Mustererkennung durch überwachtes Lernen erlernen. Bewusst wird ohne Bibliotheken wie numpy gearbeitet und die Mathematik auf Addition und Multiplikation reduziert, damit die Grundidee im reinen Python-Code nachvollziehbar bleibt.
Ein Blockchain-Beispiel Teil 1
Fortsetzung eines Rollenspiels zur Blockchain: Es erklärt die Verkettung von Blöcken über kryptografische Hashfunktionen und das Proof-of-Work-Prinzip (Nonce). Die zentrale Aufgabe besteht darin, per Brute-Force eine Zahl zu finden, deren md5-Hash mit vier Nullen beginnt, wobei ein Python-Codeausschnitt als Hilfestellung dient.
Künstliche Intelligenz – Unterrichtsmaterialien ( Erkunden, Maschinelles Lernen mit Python, KI und Gesellschaft)
Ein umfangreiches, im Aufbau befindliches Online-Lehrwerk zur Künstlichen Intelligenz: von Grundbegriffen und Geschichte über Neuronale Netze und Verstärkendes Lernen bis hin zu Data Science mit Python und gesellschaftlichen Aspekten. Es kombiniert Erkundungen, Lernstrecken, Übungen, Jupyter-Notebooks und Projekte (z.B. Empfehlungssysteme, NIM-Spiel).
Gradientenabstieg: Umsetzung in Python
Interaktive Inf-Schule-Seite zur Umsetzung des Gradientenabstiegsverfahrens in Python im Kontext des Deep Learning.
K-Nächste-Nachbar-Klassifikation: Wahl der Attribute
Arbeitsblatt zur Attributwahl beim KNN-Klassifikator am Beispiel von Zugverspätungen mit Punktdiagrammen und Datentabelle. Die mehrstufigen Aufgaben führen von der Anwendung zur kritischen Reflexion der Datengrundlage, enthalten aber keine Lösungen.
QueueTraffic und Warteschlangen
Foliensatz zur Einführung in die Warteschlangentheorie mit dem Simulationstool QueueTraffic: Alltagsbeispiele (Supermarkt, Arzt, Skilift) führen zu den Begriffen Ankunftsrate, Durchsatz und Auslastung. Die Folien erklären anschaulich, berechnen Beispiele und leiten zu Eigenaufgaben mit der Simulation über.
Game of Life – Entdeckungen mit einer Zellsimulation
Arbeitsmaterial zum Game of Life: Die Regeln werden anschaulich mit Beispielen eingeführt, dann erkunden die Schüler:innen selbstständig eine Simulationssoftware mit eigenen Startpopulationen. Entdeckungen werden dokumentiert, in Gruppen diskutiert und in einem Vortrag präsentiert. Entdeckendes Lernen mit offenem Forschungsauftrag statt geschlossener Aufgaben.
Game of Life: Unterrichtseinheit – Simulationen explorativ erkunden
Eine ausführlich ausgearbeitete Lehrpersonen-Handreichung zu einer Unterrichtseinheit, in der Schüler:innen mit einem Java-Simulationstool das Game of Life frei erforschen, Startpopulationen studieren und ihre Entdeckungen schriftlich und in einem Vortrag präsentieren. Die Einheit enthält detaillierte Programm-Beschreibungen, mögliche Schülererkenntnisse (Wachstumsverhalten, Randbedingungen) und Bewertungskriterien. Inhaltlich anregend und entdeckend orientiert, technisch aber stark veraltet (Java-Applet im Browser).
Klassifikatoren mit echten Daten: Punktklassifikator und Linienklassifikator (Aufgaben mit Lösungen)
Ein aufbauendes Arbeitsblatt-Set, in dem Schüler:innen ausgehend von realen Daten (Ki-67-Marker bei Brustkrebs, Iris-Arten, fiktive Pflanzenarten) schrittweise Klassifikatoren entwickeln: vom Trennpunkt auf dem Zahlenstrahl über Geraden im Streudiagramm bis zur Einsicht, dass mehr Attribute die Klassifikation verbessern können. Alle Teilaufgaben sind mit Musterlösungen versehen, wobei Aufgabe 3 den iterativen Anpassungsprozess eines Lernalgorithmus nachvollziehbar macht.
Einstieg in künstliche Neuronen: Gewichte und Schwellenwerte ausprobieren
Interaktives Einstiegsmaterial zu künstlichen Neuronen, in dem Schüler:innen Gewichte und Schwellenwerte hands-on justieren, bis das Neuron korrekt feuert bzw. nicht feuert. Zwei anschauliche Alltagsanalogien (Hürdenläuferin, Junge am Zaun) führen zu systematischen Anpassungsstrategien. Selbstständiges Ausprobieren steht im Zentrum; das eigentliche Lernen des Neurons wird für später angekündigt.
KI erkunden – Interaktives Lernmodul zu Künstlicher Intelligenz
Umfangreiches, interaktiv aufgebautes Lernmodul (im Stil von inf-schule) mit Lernstrecken von den Grundbegriffen über künstliche Neuronen, Perzeptron und Q-Learning bis zu neuronalen Netzen, MNIST-Ziffernerkennung und Empfehlungssystem-Projekten mit Jupyter/Pandas. Typischer Aufbau mit Erkundung, Fachkonzept, Übungen und Lernchecks; auch gesellschaftliche Aspekte werden behandelt. Der sichtbare Text ist überwiegend Struktur/Navigation, deutet aber klar auf ein ausgefeiltes interaktives Lernwerkzeug mit spielerischen Elementen (NIM-Spiel), unplugged-Aufgaben und Python-Notebooks hin.
Soekia – Eine didaktische Suchmaschine zum Erkunden der Funktionsweise von Suchmaschinen
Soekia ist ein frei verfügbares Java-Werkzeug, mit dem Lernende die Funktionsweise einer Suchmaschine selbst erkunden können: Der interne Index lässt sich anzeigen, Wortnormalisierungen ein- und ausschalten und die Rangierung der Treffer steuern. Die Seite selbst ist eher knapp gehalten (Beschreibung, Downloads, Verweise auf Lernaufgaben und Leitfaden), das Potenzial liegt klar im interaktiven Werkzeug selbst.
Ein guter Schwellenwert – Entscheidungsbäume mit einem Attribut
Interaktive Lernstation, in der Lernende per Schieberegeln einen Schwellenwert für ein Attribut (z.B. Energie) so einstellen, dass Lebensmittel möglichst korrekt in «empfehlenswert» und «nicht empfehlenswert» klassifiziert werden. Sie lernen dabei spielerisch, wie ein einfacher Entscheidungsbaum aufgebaut ist, und reflektieren, welche Fehler unvermeidlich sind. Der Schritt bereitet eine andere Darstellungsform des Systems vor.
Informatik-Biber 2016 – Aufgabenheft Stufen 7/8
Offizielles Aufgabenheft des Schweizer Informatik-Biber-Wettbewerbs 2016 für die Stufen 7/8 mit 15 kniffligen Multiple-Choice-Aufgaben zu Algorithmen, Codierung, Datenverarbeitung und logischem Denken. Die Aufgaben sind im bewährten Bebras-Stil kurz, spielerisch und mit Alltagsbezug gestaltet. Das Heft enthält jedoch keine Lösungen, was die eigenständige Nutzung einschränkt.
Arbeitsblatt Ameisen (Greenfoot-Simulation)
Arbeitsblatt zu einer Greenfoot-Simulation von Ameisenkolonien, die mit Pheromonen kommunizieren. Die Lernenden erkunden experimentell, wie aus simplen Verhaltensregeln kollektive «Intelligenz» (Emergenz, Schwarmintelligenz) entsteht, vergleichen zwei Kolonien, recherchieren die biologische Evidenz und erweitern die Simulation um Hindernisse.
Ein konkretes Sprachmodell im Praxistest (mit Häufigkeiten)
Interaktives Lernmodul, in dem Schüler:innen ein einfaches Trigramm-Sprachmodell ausprobieren, das mit Häufigkeiten gewichtete Wortfolgen erzeugt. Sechs geführte Aufgaben führen von Beobachtungen über Bewertungen der KI-Antworten bis zum gezielten Manipulieren des Trainingstexts. Eine kurze Erklärung zum Schluss klärt die Rolle von Häufigkeiten und Zufall bei der Wortauswahl.
Verstärkendes Lernen bei anderen Spielformen (NIM, Bauernschach, Go)
Diese Unterseite einer Unterrichtseinheit zum verstärkenden Lernen lädt Schüler:innen ein, das gelernte Konzept auf neue Spielformen zu übertragen: NIM mit mehreren Reihen, Bauernschach (3x3) und eigene Strategiespiele. Kern sind offene Transferaufgaben wie das Entwerfen von Zugtabellen und die Reflexion von Spielzuständen, ergänzt um eine Recherche zu AlphaGo Zero.
Von Neuronen zu Sprachmodellen: Deep Learning, Tokens und Attention
Kapitel eines Online-Kursmaterials, das anschaulich und Schritt für Schritt erklärt, wie neuronale Netze zu Sprachmodellen werden: Deep Learning, Tokens, LLMs, Attention und Kontextfenster. Mit einer Denkaufgabe zur Parametergrösse (inkl. Lösung) und einer Zusatzaufgabe zum Rechenaufwand (Training vs. Inferenz, FLOPS).