Wie lässt sich der gesamte Machine-Learning-Prozess – von der Datenerhebung bis zum einsatzbereiten Modell – in einer einzigen Unterrichtseinheit erlebbar machen? Wolfgang Robinig, Benedikt Brünner, Harald Burgsteiner und Johannes Peter Wallner stellen dafür eine browserbasierte Augmented-Reality-Masken-Aktivität vor.
Teilnehmende erfassen und beschriften dabei einen kleinen Datensatz mit vier Gesichtsausdrücken und trainieren mittels Transfer-Learning auf einem vortrainierten Convolutional Neural Network ein eigenes Bildklassifikationsmodell. Das fertige Modell wird anschließend in eine interaktive, Scratch-basierte AR-Anwendung eingebunden, die live per Webcam passende Masken über das Gesicht legt. So werden abstrakte ML-Konzepte unmittelbar erfahrbar – inklusive der Frage, wie stark Datenqualität und -vielfalt das Ergebnis beeinflussen, und typischer Schwächen kleiner Datensätze wie Unsicherheit oder Verzerrung (Bias).
In einer explorativen Studie mit 32 Lehrpersonen und 40 Schüler:innen der Sekundarstufe I zeigte sich: Lehrkräfte hielten die Aktivität für gut geeignet, um Trainingsprozesse neuronaler Netze, Computer Vision, Zuverlässigkeit und Datenbias zu vermitteln, bei überzeugendem Aufwand-Nutzen-Verhältnis. Schüler:innen wiederum hatten sichtlich Freude und erkannten selbstständig den Zusammenhang zwischen Datenmenge, Datenvielfalt und Modellgüte. Die AR-Maske erweist sich damit als niedrigschwelliger Einstieg in grundlegende KI-Bildung.
Zur Publikation:
Robinig, W., Brünner, B., Burgsteiner, H. & Wallner, J. P. (2026). Augmented reality mask for teaching artificial intelligence and machine learning in teacher training and K-12. European Journal of STEM Education, 11(1), Artikel 41.
Volltext bei Lectito Publishing