Material

• Tablet für Vittascience und Code.org
• mitgebrachte Verpackungen und/ oder eigene Abfallfotos
• Beamer oder interaktive Tafel zum Präsentieren
• Optional: Weißer Hintergrund (z.B. Papier) zum Fotografieren des Abfalls

Medienkompetenzen

1.2 Daten, Informationen und digitale Inhalte analysieren und bewerten
1.4 Daten, Informationen und digitale Inhalte verarbeiten
5.2 Kritisch-reflektiert mit digitalen Medien interagieren

Bezug zum Lehrplan

Langues: Production orale

Kontext

In dieser Unterrichtseinheit setzen sich die Lernenden mit dem Einsatz künstlicher Intelligenz im Kontext von Umweltschutz und Mülltrennung auseinander. Sie erstellen eine Datenbank mit Abfallbildern und trainieren die Bild-KI auf Vittascience. Währenddessen reflektieren sie über die Qualität ihrer erstellten Datensätze.

Ziele der Stunde

• Die Lernenden nutzen KI zur Lösung von Problemen (Mülltrennung und Umweltschutz).
• Sie trennen den Müll nach dem Recyclingleitfaden ihrer Gemeinde (Papier, Biomüll, Glas, Hausabfälle).
• Sie erstellen eine Fotodatenbank von verschiedenen Abfällen.
• Sie trainieren das KI-Modell (Vittascience) mit ihrer eigenen Fotodatenbank.
• Sie erkennen und erklären den Begriff “bias” (Verzerrung).

Ablauf der Stunde

1. Einstieg (15–30 Min)

Zuerst wird das Abfallentsorgungssystem der jeweiligen Gemeinde analysiert und besprochen. Welche Farben haben die Tonnen und welche Sorte Abfall gehört hinein?
Die Lernenden sollen eine KI trainieren, die erkennt, ob Abfall richtig entsorgt wird.

2. Erarbeitung:  (30 – 50 Min)

Die Lernenden werden in Gruppen eingeteilt und machen mit dem Tablet Fotos von Verpackungen (zum Beispiel mitgebrachte Verpackungen auf einem weißen Hintergrund oder sie fotografieren Müll im Schulhof oder um die Schule) um eine möglichst große Abfalldatenbank zu erstellen.

Auf der Plattform Vittascience werden im Teil “Images- Entraîner une IA à reconnaître des images“ so viele Kategorien erstellt, wie es Tonnen gibt. Zum Beispiel: Papier, Biomüll, Glas, Hausabfälle,…

Die gemachten Fotos werden den verschiedenen Kategorien zugeordnet und das Modell wird trainiert.

Danach wird getestet, wie viele Verpackungen das Modell richtig zuordnet.

3. Abschluss und Reflexion (10-20 Min)

Mögliche Fragen zur Reflexion:

• War der Datensatz ausreichend?
• Wie zuverlässig erkennt das Modell die Verpackungen und ordnet sie richtig zu?
• Muss etwas am Modell verbessert werden? Woran könnte es liegen, dass verschiedene Verpackungen falsch zugeordnet werden?

Weiterführende Aktivitäten

• Ethische Fragen, z.B.: Wer trainiert die großen KI-Modelle?
• Andere Themen: Tiere zuordnen, Objekte (z.B. Verkehrszeichen) erkennen, …