Wie lassen sich komplexe KI-Technologien wie Convolutional Neural Networks (CNNs) verständlich und praxisnah in der Lehrkräftebildung vermitteln? Wolfgang Robinig stellt zusammen mit Harald Burgsteiner und Gerald Steinbauer-Wagner ein innovatives Unterrichtskonzept vor, das Lehramtsausbildner:innen dabei unterstützt, sub-symbolische KI fundiert und methodisch vielseitig zu unterrichten.
CNNs sind das Herzstück vieler moderner Anwendungen – von Gesichtserkennung über autonomes Fahren bis hin zur medizinischen Diagnostik. Der vorgestellte Ansatz verbindet theoretisches Wissen zu neuronalen Netzen mit konkreten Unterrichtsaktivitäten wie Programmierübungen, “unplugged” Lernspielen und Projektideen mit Scratch oder Python. Zentral ist dabei die Verknüpfung mit bewährten Frameworks wie dem TPACK-Modell (Technologie, Pädagogik und Fachwissen) und Bloom’s Taxonomy für unterschiedliche kognitive Lernziele.
Ziel ist es, Lehrpersonen nicht nur mit technischen Grundlagen vertraut zu machen, sondern auch zu befähigen, die Chancen und Herausforderungen von KI-Anwendungen im Bildungskontext kritisch einzuordnen – etwa im Hinblick auf Erklärbarkeit, Datenqualität oder Biases.
📘 Zur Konferenzpublikation:
Robinig, W., Burgsteiner, H. & Steinbauer-Wagner, G. (2025). A TPACK-Aligned Teaching Approach: Image Recognition via Convolutional Neural Networks for Artificial Intelligence Education in Teacher Training. In T. Bastiaens (Hrsg.), Proceedings of EdMedia + Innovate Learning (S. 424–429), Barcelona: AACE.
🔗 Volltext auf LearnTechLib