Leseprobe
Inhaltsverzeichnis
ABSTRACT
DANKSAGUNG
ABBILDUNGSVERZEICHNIS
TABELLENVERZEICHNIS
ABKÜRZUNGEN
1 EINLEITUNG
2 THEORETISCHE GRUNDLAGEN
2.1 Definition und Historie von künstlicher Intelligenz
2.2 Arten von künstlicher Intelligenz
2.3 Pädagogische Grundlagen
2.3.1 Behaviorismus
2.3.2 Kognitivismus
2.3.3 Konstruktivismus
3 KÜNSTLICHE INTELLIGENZ IN DER SCHULE
3.1 Politische Rahmenbedingungen und Kl Strategien
3.1.1 KI Strategie des deutschen Ministeriums
3.1.2 Österreichischer Rat für Robotik und künstliche Intelligenz
3.1.3 Europäische KI Strategien
3.2 Handlungsfeld Schule
3.3 Künstliche Intelligenz in Lehr-/Lernprozessen
3.3.1 Gründe und Ziele für den Einsatz
3.3.2 Herausforderungen und Schwächen
3.3.3 Ethische und datenschutzrechtliche Aspekte
3.3.4 Zukunftsvisionen
3.4 Konstruktivismus als Grundlage von Kl in der Schule
4 ANWENDUNGSBEISPIELE
4.1 Intelligente tutorielle Systeme
4.1.1 HyperMind
4.1.2 Photomath
4.1.3 Flora incognita
4.1.4 DM-Tutor
4.1.5 Watson
4.2 Chatbots
4.2.1 Learnattack
4.2.2 Duolingo
4.2.3 Alex
4.2.4 Ada
4.3 Lern-Management-Systeme
4.3.1 StudySmarter
4.3.2 Koala
4.3.3 IntelliBoard
4.3.4 READ
4.4 Learning Analytics und Educational Data Mining
4.4.1 Mathetrainer
4.4.2 Akinator
4.4.3 CHI
4.5 Maces mit Kl
4.5.2 Khan Academy
4.6 Virtual Reality
4.6.1 Alelo
4.6.2 MAROON
5 METHODIK
5.1 Ziel der Forschungsmethode
5.2 Vorgehensweise
5.3 Begründung der Kategorisierung und Bewertungskriterien
5.4 Kategoriensystem
6 AUSWERTUNG UND ERGEBNISSE
6.1 Kategorisierung und Bewertung der Beispiele
6.2 Diskussion und Interpretation der Ergebnisse
6.3 Zusammenfassung der Ergebnisse
7 FAZIT
7.1 Diskussion
7.2 Zusammenfassung und Ausblick
LITERATUR
Abstract
Künstliche Intelligenz wirkt sich auf alle Bereiche des zukünftigen Lebens aus, so auch auf die Schule. Welche Chancen und Herausforderungen diese neue Technologie bietet, wird in dieser Masterthese erarbeitet. Die Digitalisierung in Verbindung mit künstlicher Intelligenz erweitern das Repertoire des Handlungsfeldes Schule für alle Ebenen der Akteure*Akteurinnen. Es folgen Anwendungsbeispiele, die aktuell bereits in der (Hoch-)Schule zum Einsatz kommen und das Ziel haben, den Unterricht, die Vorbereitung oder das Lernen zu erleichtern und zu individualisieren. Sie werden in vordefinierten Kategorien verglichen. Als eindeutiger Zusammenhang zwischen allen Anwendungen kann die Individualisierung für Schülerinnen hervorgehoben werden. Die kategorische Übersicht und die damit verbundenen Gründe für den Einsatz im Unterricht, kann als Leitfaden für den Einsatz von KI im Unterricht gesehen werden. Vorab erfolgt eine literarische Auseinandersetzung mit der Geschichte von künstlicher Intelligenz, eine Übersicht über Chancen, Risiken, Schwächen und ethische Bedenken sowie eine Zusammenschau der politischen Strategien in Bezug auf KI in Deutschland, Österreich und der EU.
Abbildung in dieser Leseprobe nicht enthalten
Artificial intelligence affects all areas of future life, including school. The opportunities and challenges of this new technology are discussed in this master thesis. Digitization in combination with artificial intelligence will expand the repertoire of the field school for all levels of actors (Teachers, Students, School, University). The following are examples of applications that are currently already being used in (higher) education and that aim to facilitate and individualise teaching, preparation or learning. They are defined and compared in predefined categories. Individualisation for pupils can be highlighted as a clear link between all applications. The overview and the related reasons for using AI in the classroom can be seen as a guideline for the use of AI in the classroom. In advance there will be a literary review of the history of artificial intelligence, an overview of opportunities, risks, weaknesses and ethical doubts, and an overview of political strategies regarding AI in Germany, Austria and the EU.
Abbildung in dieser Leseprobe nicht enthalten
„Die digitale Revolution ist eine humane Revolution. Die größte Herausforderung dabei, ist der Umbau unseres 300 Jahre alten Bildungssystems.“
- VishalSikka (vgl. Dettling, 2020)
Danksagung An dieser Stelle möchte ich mich bei einigen Menschen bedanken, die mich auf dem Weg zum Master unterstützt haben. Zu allererst möchte ich meinen Partner in Crime, Johann, nennen. Er war es, der mich stets dazu ermutigt hat, meinen Zielen nachzugehen und immer, egal ob ich ein Auf oder ein Ab durchlebte, ein offenes Ohr für mich in der Zeit des Studiums und der Bildungskarenz hatte. Nur durch ihn, habe ich diesen Studiengang überhaupt entdeckt und meine Entscheidung, wieder zu studieren, getroffen. Danke für den Zuspruch und die permanente Unterstützung in allen Bereichen.
Außerdem möchte ich mich bei meinen Eltern bedanken, dass sie mich immer unterstützen und meinen Weg mit mir mitgehen, mir jeden Stein aus dem Weg geräumt haben und alle meine Entscheidungen akzeptiert und mitgetragen haben.
Danke auch an Frau Dr. Gloerfeld, welche mich von der Themenfindung bis zur fertigen Masterarbeit ständig begleitet, motiviert und unterstützt hat.
Abbildungsverzeichnis
Abbildung 1. Verlauf KI-Forschung seit 1950. Buxmann&Schmidt. S.6. 2018
Abbildung 2. Kl Forschung nach Perset, Nishigata & Carblanc. 2018. Darstellung durch den Österreichischen Rat für Robotik UND Kl. S.26. 2018
Abbildung 3. Schema der klassischen Konditionierung am Beispiel Pawlowscher Hund. Darstellung Wikipedia „Pawlowscher Hund“. 2019
Abbildung 4. Grundsätze des Österreichischen Rats für Robotik und Kl bei der Entwicklung der Strategien in Bezug auf gesellschaftliche und ethische Potenziale und Herausforderungen. S.31. 2018
Abbildung 5. Handlungsfeld Schule für diese Masterthese. Eigene Darstellung
Abbildung 6. Ablaufmodell deduktiver Kategorienanwendung nach Mayring/Brunner 2006. In: Mayring/Fenzl 2014. Eigene Darstellung
Tabellenverzeichnis
Tabelle 1. Supervised Learning Anwendungsbeispiele in Anlehnung an McAfee und Brynjolfsson 2017. Eigene Darstellung
Tabelle 2. Kategoriensystem
Tabelle 3. Kategorisierung der Anwendungen
Abkürzungen
Abbildung in dieser Leseprobe nicht enthalten
1 Einleitung
„ Die künstliche Intelligenz wird den Menschen insgesamt ersetzen “, meinte Stephen Hawking 2017 am Websummit in Portugal (vgl. Kharpal, 2017). Schon seit einigen Jahrzehnten ist künstliche Intelligenz (KI) ein diskutiertes Thema, welches die Menschheit und vor allem Forscherinnen aus aller Welt nicht loslässt. So beschreiben manche Autoren*Autorinnen oder Politikerinnen künstliche Intelligenz als gefährlich oder unberechenbar und andere sehen ausschließlich Chancen in der Technologie. Um der künstlichen Intelligenz auf den Zahn zu fühlen und dabei Chancen, Schwächen, Herausforderungen sowie ethische Bedenken in Bezug auf die Schule zu untersuchen, wurde das Thema dieser Masterarbeit gewählt.
Künstliche Intelligenz ist im Handlungsfeld Schule längst kein unbekannter Teil mehr (vgl. Kapitel 3.2) und wird bereits für einige Anwendungen im Software Bereich verwendet. Oftmals geschieht dies jedoch ohne, dass es bewusst genützt wird. Die Vorteile durch künstliche Intelligenz sind allerdings offensichtlich und ragen über zeitliche und räumliche Ressourcen hinaus, sodass KI den Lehrkräften unter anderem beim Erarbeiten von neuem Stoff im Unterricht helfen kann, oder beim Erstellen von Lehrplänen und individualisiertem Material für Schülerinnen unterstützt eingesetzt wird sowie auch Teile von Korrekturarbeiten übernehmen könnte. Außerdem kann KI mittels einer Software angewandt werden, welche die Schülerinnen direkt und individuell beim Lernen unterstützen, deren Interessen fördern und sogar erkennen (Eyetracking, Sensoren im Endgerät, Herzfrequenzmessung, ...) kann, als auch beim Verteilen von Lehrstoff einschreitet und auf die individuellen Lernfortschritte achtet (vgl. Kapitel 4).
Als Basis einiger dieser Anwendungen, die bereits im Einsatz sind, dienen pädagogische Lerntheorien wie der Kognitivismus, der Konstruktivismus und der Behaviorismus - meist jedoch nicht in der reinen Form, sondern in Mischformen oder im Sinne eines Pragmatismus (vgl. 2.3 und 3.4). Einige davon sind auf spezielle Formen der Sozialform verortbar, andere wiederum sind ausschließlich für die Planung der Unterrichtseinheiten oder die Bewertung und Beurteilung und unterliegen somit keiner Lerntheorie, weil sie für Lehrkräfte entwickelt wurden. Auch solche Beispiele werden in dieser Arbeit beschrieben und im Bewertungsraster im Kapitel 6 analysiert.
In ebendiesem Kapitel 6, welches auf der gewählten hermeneutischen Methode basiert (vgl. Kapitel 5), werden alle KI Anwendungen in einem Bewertungsraster übersichtlich dargestellt und somit vergleichbar gemacht. Die Ergebnisse werden anschließend diskutiert und interpretiert.
In den folgenden Kapiteln wird KI als diverse Technologie dargestellt, erläutert wann und wodurch sich eine KI erklärt, einige Anwendungsbeispiele vorgestellt und ein Fazit für Lehrpersonen, Schülerinnen und alle Leserinnen dieser Arbeit gezogen, welches als Leitfaden für den Einsatz von Software mit künstlicher Intelligenz in der Schule gesehen werden kann.
2 Theoretische Grundlagen
Für den theoretischen Teil dieser Masterthesis werden vorerst Definitionen und Grundlagen erörtert. So gilt es (vgl. Kapitel 2.1), künstliche Intelligenz zu definieren und abzugrenzen (Kapitel 2.2). Im nächsten Schritt erfolgen pädagogische Grundlagen bzw. ein Überblick über die drei Lerntheorien: Behaviorismus, Kognitivismus und Konstruktivismus. Diese Grundlagen sind besonders für den Methodenteil relevant und dienen als Fundament für die Bewertung der Anwendungsbeispiele von KI Lösungen in der Schule (vgl. Kapitel 3.4 und Kapitel 5).
2.1 Definition und Historie von künstlicher Intelligenz
In den letzten Jahrzehnten wurde viel über künstliche Intelligenz geforscht und verschiedene Definitionen festgelegt. Die genaue Abgrenzung sowie die Beschreibung des Begriffs sind divers. So können zwar die einzelnen Begriffe, nämlich „künstlich“ und „Intelligenz“, voneinander unabhängig definiert werden - künstlich meint also etwas, das natürliche Vorgänge nachahmt, und nicht echt ist (vgl. Duden, o. J.-b) und Intelligenz beschreibt etwas, dass Intelligenz besitzend oder zeigend ist und somit abstrakt und vernünftig denkt um daraus zweckvoll zu Handeln - aber diese beschreiben nicht den Begriff an sich (vgl. „Duden“, o. J.).
Scheuer beschreibt, mit Hilfe der einfachen Duden Definition der beiden einzelnen Begriffe, „künstliche Intelligenz als künstlich geschaffenes, nachgebildetes, gekünsteltes, mit technischen Mitteln erzeugtes oder unnatürliches intelligentes Handeln oder alleine die Möglichkeit intelligentes Verhalten zu replizieren (...) “ (Scheuer, 2020, S. 7).
Künstliche Intelligenz meint demnach Systeme, die ein intelligentes Verhalten nachahmen, die eine Umgebung auswerten und unter bestimmten Voraussetzungen auch autonome Handlungen vornehmen, um bestimmte oder zufällige Ziele zu erreichen (vgl. Österreichischer Rat für Robotik und Künstliche Intelligenz, 2019, S. 25).
Schon 1950 (vgl. Abbildung 1) wurde die Festlegung einer klaren Definition für künstliche Intelligenz oder einen intelligenten Computer angestrebt. So gab es eine, in Kritik geratene, Testung zur Überprüfung der Intelligenz eines Computers von Alan Turing. Bei dieser Testung wird eine Person mit einer anderen Person oder einem Computer einer intensiven Unterhaltung ausgesetzt. Die Testperson weiß allerdings nicht, welche der zwei Gesprächskomponenten ein Computer und welche ein echter Mensch ist. Nach dieser Unterhaltung soll sich die Testperson für den sympathischeren Gesprächspartner festlegen. Erkennt die Testperson den Computer nicht oder beschreibt ihn sogar als die echte zweite Person, so gilt der Computer als intelligent und ihm kann ein Denkvermögen auf Menschenniveau unterstellt werden. Der Turing Test wäre somit bestanden (vgl. Copeland & Proudfoot, 2009, S. 120 ff.).
Google stellt 2016 mit Hilfe von KI den besten Go-Spieler zur Verfügung, welcher kein Mensch ist (Alpha-Go). Kurz darauf wurde ein auf KI basierter bester Schachspielender, welcher innerhalb weniger Stunden auf den Niveau eines Weltmeisters alles erlernen konnte, entwickelt (vgl. Österreichischer Rat für Robotik und Künstliche Intelligenz, 2019, S. 28).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1. Verlauf KI-Forschung seit 1950. Buxmann&Schmidt. S.6. 2018.
Interessant ist auch der Ansatz der Eingrenzung des Begriffs, um ihn genauer zu definieren. Boddington (2017) erklärt, dass KI sehr schwammig und primär von dem*der jeweiligen Forscher*in abhängt und zu welchem Zweck diese verwendet wird. Sie beobachtet, dass neue Technologien solange als KI beschrieben werden können, bis sie ein Mensch versteht und die Hintergründe durchschaut (vgl. ebd., S. 1).
Ein häufiger verwendeter Terminus „artificial intelligence“ (AI) - woraus sich die deutsche Übersetzung herleitet - wurde von John McCarthy geründet. Er beschreibt die künstliche Intelligenz mit: „ as soon as it works, no one calls it AI anymore” (Vardi, 2012, S. 5). Hier gilt es, festzustellen, dass laut McCarthy die Grenzen „blurred“ (=schwammig) definiert sind und alles, das als AI gilt bzw. als eine andere Form der Technologie bezeichnet wird, manchmal schleichend und undurchsichtig ist.
McCarthy ist nicht nur Erfinder der Programmiersprache LISP (1958), die weitgehend zur KI Historie beigetragen hat, sondern organisierte auch vorher die erste Konferenz zu ebendiesem Thema, welche 1956 am Darmouth College in Hanover stattfand (vgl. Abbildung 1).
So zeigt die Abbildung 1, dass künstliche Intelligenz die Forschung schon seit einigen Jahrzehnten beschäftigt und fasziniert. Durch die relativ lange Forschungsspanne können auch verschiedene Arten von künstlicher Intelligenz unterschieden werden. Es scheint, dass die wichtigste Unterscheidung darin liegt, ob es sich um eine starke oder schwache KI handelt - und wenn es eine schwache KI ist: Um welche Form davon handelt es sich? Diese verschiedenen Arten und Grundlagen für künstliche Intelligenz werden im folgenden Kapitel diskutiert und erläutert.
2.2 Arten von künstlicher Intelligenz
Computerwissenschaften bzw. die Informatik definieren KI-Forschung als die Forschung nach „ intelligent agents “. Intelligenz Agents bezeichnen jedes Gerät, das eine Umgebung wahrnimmt und auch Maßnahmen und Aktionen festlegt, um die Chance zu vergrößern die Ziele erfolgreich zu erreichen. Außerdem strebt KI die Fähigkeit eines Systems an, externe Daten richtig zu interpretieren, aus diesen gewonnenen Daten zu lernen und für Erkenntnisse zu gewinnen um bestimmte Ziele und Aufgabendurch flexible Anpassung zu erreichen und zu erfüllen - durch flexible Anpassung (vgl. Kaplan & Haenlein, 2018, S. 15-25).
Ein wichtiger Aspekt ist außerdem die Unterscheidung zwischen starker und schwacher künstlicher Intelligenz. Unter der starken KI („strong AI“) wird der Versuch verstanden, die menschlichen Vorgänge und das menschliche Gehirn abzubilden und zu imitieren. Immer öfter werden Eigenschaften wie Gefühle bzw. Empathie als ein Merkmal für strong AI genannt (vgl. Buxmann & Schmidt, 2018, S. 6).
Das Pendant zur strong AI ist „ weak AI “ oder „ narrow AI “ und kann mit schwacher KI übersetzt werden. Bei dieser Art von künstlicher Intelligenz geht es nicht darum menschliche Denkprozesse nachzurechnen bzw. Abwägungen und Kreativität nachzubilden, sondern lediglich um präzise Rechenaufgaben, Algorithmen und der Entwicklung bestimmter Problematiken. Eine wichtige Anforderung für beide Formen von KI (strong und weak AI) ist immer die Lernfähigkeit. In den letzten Jahren konnte eine neue Form von KI entdeckt werden, welche eher als Maschinelles Lernen (ML) bezeichnet wird. Dieses wurde von Erik Brynjolfsson und Andrew McAfee (2017) vom MIT als „Basistechnologie“ des aktuellen Zeitalters definiert. (vgl. Buxmann & Schmidt, 2018, S. 6 f.).
ML ist eine Methode, die mit der Zugabe von Lernprozessen Zusammenhänge in bereits bestehenden Datenstrukturen/-sätzen erkennt, um daraufhin eine potenzielle Entscheidung und Vorhersage zu bestimmen. Es können hierbei verschiedene Konzepte bestimmt werden. Meist wird das Konzept von Tom Mitchell angewandt, welches besagt, dass ein Computerprogramm von der Erfahrung lernt und somit trainiert wird. Erfahrungen sind hier die Daten. So muss nicht explizit programmiert bzw. codiert werden, sondern die Software hat die Fähigkeit, bestimmte Themen und Aufgaben selbstständig zu trainieren, welche eben aus bereits vorhandenen Erfahrungen entstanden. Der Vorteil besteht darin, dass Algorithmen vom Modell genützt werden könnten um die Ergebnisse vorherzusehen. Die Automatisierung des Trainings, die Modellierungsprozesse und Testungen führen zu genaueren Vorhersagen (vgl. ebd., S.8).
Da gerade Anwendungen im Schulbereich in das Maschinelle Lernen fallen und somit nicht mit KI sondern mit einem Algorithmus arbeiten, ist es wichtig, auch das Verfahren des Maschinellen Lernens zu beschreiben und zu unterscheiden. Als Beispiel kann hier ein Computerprogramm genannt werden, das selbstständig erkennt ob es sich um eine Katze oder einen Hund handelt. Diese Entscheidung soll aus tausenden Bildern mit Hilfe des trainierten ML passieren. ML kann in folgende drei Bereiche unterteilt werden:
- Supervised Learning (überwachtes Lernen)
Hierbei werden mehrere tausend Bilder benannt und dabei gesagt, ob es sich um ein Hunde- oder Katzenbild handelt. Dadurch kann der Algorithmus lernen, wodurch sich die beiden Tiere unterscheiden und lernt somit ähnlich wie ein Mensch. Nach der Trainingseinheit erfolgt immer eine Überprüfung - ein Testdatensatz zur Evaluierung des Erfolgs.
- Unsupervised Learning (unüberwachtes Lernen)
In diesem Teilbereich des ML wird vorher nicht erwähnt, ob es sich um ein Katzen- oder ein Hundefoto handelt, sondern das Programm muss selbst kategorisieren, wodurch es zur Gestaltung neuer Kategorien kommt, wie z.B. Farbe. Das ML muss sich nicht ausschließlich auf die Tierart konzentrieren, sondern unterteilt die Bilder in mehrere Rubriken.
- Reinforcement Learning (verstärkendes Lernen)
Hier wird dem Algorithmus vorher keine perfekte Strategie zur Problemlösung gelernt, sondern er lernt durch Belohnung oder Verneinung. Durch die Rückmeldungen wird das Learning verstärkt. Hier kann als Beispiel Microsofts Überschriften Reinforcement Learning genannt werden. Durch die verschiedenen Überschriften, die mit dem Algorithmus zu einem Artikel zusammengefasst werden, gilt es eine Belohnung oder Abstrafung im Sinne der Klickzahlen zu erkennen. Klicken mehr Menschen auf eine bestimmte Kürzung, so gilt diese Überschrift als belohnt und der Algorithmus zieht daraus, welche Überschrift bei den Lesern/Leserinnen von msn.com gut ankommt. Das ist ein klassisches Click-Baiting-System.
Am häufigsten wird die erste Methode (Supervised Learning) angewandt, da diese vielfältig einsetzbar ist (vgl. ebd, S. 9-11; vgl. Tabelle 1).
Tabelle 1. Supervised Learning Anwendungsbeispiele in Anlehnung an McAfee und Brynjolfsson 2017. Eigene Darstellung.
Abbildung in dieser Leseprobe nicht enthalten
Häufig werden Algorithmen fälschlicherweise als KI definiert, obwohl sie eine eindeutige Handlungsvorschrift darstellen, die zur Lösung des Problems führt. Der Vorgang wird dafür genau definiert und zu einer Ausgabe umgeformt (vgl. Berberich, 2019, S. 11).
Zusammenfassend kann festgestellt werden, dass ML, als ein Teil von KI angesehen werden kann, da es das Training von künstlich neuronalen Netzen ermöglicht (vgl. Abbildung 2). Daraus ergibt sich auch, dass sowohl KI als auch ML erst durch die riesigen Mengen an Daten bzw. Big Data ermöglicht wurde. Außerdem tragen die gestiegenen Rechenleistungen und die hohen
Speicherkapazitäten dazu bei, dass kostengünstig und ortsunabhängig gearbeitet werden kann und KI weiterentwickelt wird.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2. KI Forschung nach Perset, Nishigata & Carblanc. 2018. Darstellung durch den Österreichischen Rat für Robotik und KI. S. 26. 2018.
Abschließend ist erwähnenswert, dass die Verbesserung und Verbreitung von KI durch die kostenlosen Open-Source-Toolkits und Bibliotheken zur Entwicklung von auf künstlicher Intelligenz basierenden Anwendungen, beigetragen haben (vgl. ebd., S. 8).
2.3 Pädagogische Grundlagen
In diesem Kapitel erfolgt eine Überblicksdarstellung der drei Hauptströmungen der Lerntheorien. Diese drei Theoriesysteme des Lernens werden Behaviorismus, Kognitivismus und Konstruktivismus genannt. Grundlegend kann der Behaviorismus aufgrund seiner Entstehung in der ersten Hälfte des 20. Jahrhunderts als erste Lerntheorie bezeichnet werden. Es folgte der Kognitivismus, der aus der Kritik ersterem hervorgegangen ist. Der Konstruktivismus wurde erst in den 1990ern verstärkt miteinbezogen.
Es folgt eine Beschreibung der klassischen und operanten Konditionierung im Sinne des Behaviorismus, die neurobiologischen Grundlagen aus der Gehirnforschung zum Kognitivismus und die Beschreibung sowie Vor- und Nachteile des Konstruktivismus. Aller drei Lerntheorien werden zudem in Bezug auf ihre lehr- und lerntheoretischen Konsequenzen betrachtet.
2.3.1 Behaviorismus
Die Lerntheorie Behaviorismus leitet sich von dem englischen Begriff für „Verhalten“ - behavior - ab. Diese Lerntheorie beschreibt demnach das menschliche Verhalten und versucht dieses zu untersuchen, möglichst objektiv und möglichst genau. Als Ursprung dieser Lerntheorie gilt John Broadus Watson, ein bekannter amerikanischer Psychologe, welcher in einem Aufsatz schreibt: „Der Leser wird keine Diskussion des Bewusstseins finden und auch nicht die Begriffe wie Empfindungen, Wahrnehmungen, Aufmerksamkeit, Vorstellung, Wille usw. Diese Worte haben einen guten Klang, aber ich habe festgestellt, dass ich auf sie verzichten kann “ (Watson, 2007, Einleitung).
Watson beschreibt also eine rein objektive Beobachtung von Verhalten als seine Methode und stellt sich gegen die Bewusstseinspsychologie. Er, als Behaviorist, vertieft sich ausschließlich auf beobachtbare Daten und lässt geistige Phänomene aus dem Spiel, da diese nicht messbar sind und somit nicht zu wissenschaftlichen Datensätzen verarbeiten werden könnten (vgl. Reuter, 2005, S. 6).
Der Mensch wird als Black-Box angesehen, dessen Innenleben nicht messbar, also als uninteressant, gilt. Als Ziel des Behaviorismus wird die genaue Vorhersage und somit die Kontrolle von Verhalten gesehen. Aus dieser lerntheoretischen Sicht geht hervor, dass sich die Beschreibung und die Steuerung des Lernens durch Hinweisreize und dessen Aktivierung durch ein verstärktes Mittel (positiv oder negativ) auslöst, um schlussendlich zu dem gewünschten Erfolg zu kommen und das gewünschte Verhalten zu erzielen (vgl. Baumgartner & Payr, 1997, S. 89).
Als Beispiel im Behaviorismus gilt die der klassischen Konditionierung, welche durch eine Verknüpfung aus Reiz und Reaktion besteht. Hierbei wird von einem naturgegebenen Status ausgegangen. Das bekannteste Exempel ist das Pawlowsche Experiment von 1904, welches das Verhalten eines Hundes bzw. das Aufkommen seines Speichelflusses mit Hilfe eines Reizes untersucht. Der Hund wird mithilfe des Reizes einer Glocke konditioniert, welche nur dann ertönt, sobald sein Futter vorgesetzt wird. Nach einer gewissen Konditionierungszeit und dem immer wiederkehrenden Muster Reiz-ReaktionVerhalten (vgl. Abbildung 3), speichelt der Hund irgendwann bei dem Ertönen der Glocke - unabhängig von der darauffolgenden Fütterung (vgl. „Pawlow“, o. J.).
Abbildung in dieser Leseprobe nicht enthalten
Die Ergebnisse dieser Forschung ergaben: Kontiguität, Extinktion und Generalisierung. Durch diese drei Abläufe während des Forschungsprozesses kann das Folgende erkannt werden. Das Gesetz der Kontiguität wird wirksam, wenn eine sehr nahe Abfolge, zeitlich wie auch räumlich, erfolgt. Nur dann findet eine Konditionierung, nämlich auf konditioniertem Reiz folgt eine konditionierte Reaktion, statt. Im Pawlowschen Beispiel war es der Glockenreiz unmittelbar vor der Ausgabe des Futters. Die Extinktion betitelt die Löschung des konditionierten Reizes. Bekommt der Hund im Beispiel nach der Glocke nicht immer ein Futter, so wird der Prozess der Konditionierung gestoppt, aber nicht gänzlich gelöscht. Bei erneuter Wiederholung nach einem längeren Zeitraum, kann die Konditionierung wieder nach einigen Übungen fortgesetzt werden, sie beginnt dabei nicht wieder bei 0. Beim letzten Ergebnis, nämlich der Generalisierung, werden Reize und Reaktionen auf vergleichbare Ereignisse übertragen. Somit könnten ähnliche Reize zur gleichen Reaktion führen (vgl. Reuter, 2005, S. 7).
Im Gegensatz zur klassischen Konditionierung kann auch noch die operante Konditionierung genannt werden. Jene wird manchmal auch als Instrumentelles Lernen oder Verstärkungslernen betitelt. Sie besagt, dass Lernen stets eine Belohnung oder Bestrafung mit sich ziehen muss, um eine neue Verhaltensweise zu erreichen. Ziel muss es sein, sich so zu verhalten, dass ausschließlich die Belohnung auftritt. Es bestehen, laut einem amerikanischen Psychologen (Edward Lee Throndike), zwei Gesetze dieser Konditionierung. Zum einen beschreibt das Gesetz der Auswirkung, dass die Möglichkeit der Wiederholung einer bestimmten Reaktion immer durch die Reaktion auf den Reiz beeinflusst wird und zum anderen beschreibt er das Gesetz der Übung, welches die Anzahl der Wiederholungen in den Vordergrund stellt. Ein bekannter Vertreter und Weiterentwickler des Gesetzes der Auswirkung ist B. F. Skinner (er lebte 1904-1990). Skinner war der Überzeugung, dass Konsequenzen, die unmittelbar nach einem Verhalten folgen, jenes auch in der Zukunft beeinflussen. Er beschreibt, dass nicht alleine die Häufigkeit der Wiederholungen für ein Lernverhalten ausschlaggebend ist, sondern dass durch Verstärkung des Verhaltens ein Zusammenhang entsteht (vgl., ebd. S.8).
Abschließend kann also festgestellt werden, dass bei der klassischen Konditionierung der Reiz stets vor der Reaktion stattfinden muss und der*die Lernende eher passiv vorhanden ist. Beim instrumentellen Lernen wird der Reiz (Belohnung, Bestrafung) meist erst nach der Reaktion gesetzt. Bei der klassischen Konditionierung ist wichtig zu erwähnen, dass das Verhalten nicht mit Konsequenzen erzwungen wird und umgekehrt beim operanten Konditionieren eben erst durch die Konsequenzen ein Lernverhalten einsetzt.
Zusammengefasst kann als lehr-lerntheoretische Konsequenz gesagt werden, dass der Behaviorismus immer erst durch einen Reiz von außen einen Lernprozess aktivieren kann. Wichtig ist außerdem die Wiederholung. Diese Lerntheorie ist für automatisierte Handlungsfelder wichtig - wie zum Beispiel Fingerübungen beim Lernen von Maschinenschreiben, Klavierspielen, Jonglieren, Vokabeln lernen (vgl. Baumgartner & Payr, 1997, S. 90).
2.3.2 Kognitivismus
Der Kognitivismus beschreibt im Prinzip das Gegenteil des Behaviorismus. Er entstand nämlich aus dessen Kritik als Gegenbewegung. Angetrieben wurde der Kognitivismus aus der Überlegung, dass ein Mensch nicht nur aufgrund von äußeren Bedingungen und Konsequenzen lernt, sondern dass auch beobachtbares Verhalten als eine aktive Steuerung aus dem Inneren ebenso interpretiert und verstanden werden kann (vgl. Reuter, 2005, S. 10).
Der Begriff Kognitivismus kommt vom Wort Kognition, welches vom lateinischen cognito - erkennen, kennenlernen auf Deutsch - abgeleitet werden kann. So kann Kognition als geistige Leistungen, die erst durch die Erkenntnis der eigenen Umwelt eines Organismus erbracht werden, definiert werden (vgl. Edelmann, 2000, S. 114).
Die Lerntheorie geht weg vom objektiven zum subjektiven Verarbeiten von Informationen in kognitiven Strukturen. Für die geistigen Leistungen und somit für das Lernen und das Gedächtnis zuständig, ist das Gehirn, bzw. die Großhirnrinde. Um genauer auf die neurobiologischen Grundlagen des Cortex einzugehen, kann hier auf Edelmanns (vgl. ebd., S. 6-13) Veröffentlichung zur Lernpsychologie verwiesen werden. Dort beschreibt der Autor, die zwei Gehirnhälften, die Zuständigkeiten jener sowie deren Vernetztheit und das Zusammenwirken auf den darunterliegenden Subcortex und dem limbischen System. Letzteres ist für Emotionen, Gefühle und die Motivation zuständig und bedeutend für die emotionale Empfindung von kognitiven Prozessen.
Ein Teilbereich des Kognitivismus ist das entdeckende Lernen, welches von Jerome S. Bruner begründet wurde. Bruner beschreibt vor allem die Wichtigkeit des schulischen Lernens und verweist dabei aber nicht nur auf das fachlich Gelernte in der Schule, sondern vor allem auf die Aufgabe der Lehrpersonen, welche Techniken für Problemstellungen lehren sollen, damit die Kinder selbstständig Strategien anwenden und in weiterer Folge auch entwickeln können. Als weiteren wichtigen Punkt des entdeckenden Lernens sieht Bruner das Übertragen von bereits Erlerntem auf neue Muster (vgl. ebd., 1973, S. 16).
Zusammenfassend kann gesagt werden, dass Lernen aus kognitiver Theoriesicht als ein aktiver Prozess eines Individuums gesehen werden kann, welcher äußere Reize im Inneren selbstständig aufbereitet. Die neuen Informationsdaten werden konstruktiv weiterverwendet und elaboriert, um damit bereits abgespeichertes Wissen in Bezug zu setzen oder zu erweitern. Somit wird neues Lernen immer auf einem Vorbestand von Wissen verankert. Lehrende müssen sich bei der Vermittlung von Wissen um ein „Wie“ kümmern, sie müssen Techniken weitervermitteln. Das entdeckende Lernen muss außerdem mit den Schüler*innen eingeübt werden (vgl. Reuter, 2005, S. 16).
2.3.3 Konstruktivismus
Als letzte Theorie in diesem Kapitel, wird der Konstruktivismus erläutert. Dieser entstammt dem lateinischen Wort (con)struere - zu Deutsch (zusammen)bauen, errichten, aufbauen, aufschichten ab (vgl. Langenscheidt.com, o. J.).
Diese Theorie wird nicht nur als Lerntheorie sondern auch als Erkenntnistheorie bezeichnet und blickt auf eine lange Tradition zurück (vgl. Glasersfeld, 1996, S. 58 ff.) Namen wie Kant, Piaget, Comenius gelten als Denker des Konstruktivismus, der aber erst gegen Ende der 70er Jahre an Relevanz durch verschiedene neue Erkenntnisse über Gehirnforschung, Neurobiologie usw. zugewinnen konnte. Allerdings wird der Konstruktivismus seit den 90er Jahren verstärkt in Philosophiediskussionen eingesetzt und findet Platz in anderen Disziplinen wie der Psychologie, der (Reform-)Pädagogik und der Soziologie (vgl. Triebel, 2008, S. 5).
Siebert (1999) beschreibt den Konstruktivismus als eine „Perspektive, die sich vor allem von ontologischen und metaphysischen Wahrheitsansprüchen distanziert“ (ebd., S. 7).
Siebert beschreibt weiters, dass die Wirklichkeit immer beobachterabhängig ist und eine Abhängigkeit aufweist, die von verschiedenen Individuen subjektiv interpretiert und wahrgenommen werden kann. Somit ist der Konstruktivismus ein Gegenpol zum Objektivismus und löst die klassischen „Subjekt-Objekt-Dualismen“ auf (vgl. ebd., S. 7).
Glasersfeld gilt als ein Vertreter des radikalen Konstruktivismus und beschreibt diesen wie folgt:
„Da der Konstruktivismus sich aber ausdrücklich nur mit Kognition und Wissen befaßt (sic!), sein Modell ausschließlich aus der Erlebniswelt ableiten und aufbauen will, und dann dieses Modell nie als ein Bild der ontischen Wirklichkeit hinzustellen versucht (sondern bestenfalls als eine funktionale Möglichkeit), braucht er den Annahmen, die er als Vorraussetzungen (sic!) in sein Modell einbaut, keinerlei ontologischen Wert beizumessen“ (Glasersfeld, 1987, S. 411).
Auch Heinz von Foerster ist ein bekannter Name und Vertreter des radikalen Konstruktivismus. Er meint „ die Umwelt, so wie wir sie wahrnehmen, ist unsere Erfindung “ (Von Foerster, 1985, S. 40). Dies gilt als eine seiner Kernaussagen. Eine ontologische Realität gibt es demnach nicht und jeder Versuch, die Realität anderer Menschen zu erforschen ist zwecklos (vgl. Reuter, 2005, S. 17).
Besonders interessant ist aber die Ausbreitung in der Pädagogik und somit dem der konstruktivistisch orientiertem Lernkonzepte. Die Lehr- und Lernforschung beschreibt den Lernprozess aus dieser Sicht als einen individuellen Vorgang der aktiven Wissenskonstruktion (vgl. Uni Münster, o. J.).
Diese Wissenskonstruktion der Wirklichkeit beschreibt Reich (1996) mittels drei Ebenen: Erfinden - Konstruktion, Entdecken - Rekonstruktion und Enttarnen - Dekonstruktion (vgl. ebd., 1996).
Lernen ist als Konsequenz der konstruktivistischen Sicht kein passives Aufnehmen oder reines Speichern und Ablegen von Informationen und neuen Daten, sondern ein gezielter, aktiver Prozess einer Wissenskonstruktion. Es handelt sich um einen individuellen Prozess, der selbstgesteuert und intrinsisch motiviert abläuft. Es basiert somit auf dem entdeckenden Lernen (vgl. Kognitivismus), baut auf dem Erfahrungsschatz auf und bezieht sich auf das bereits vorhandene Wissen (vgl. Thissen, 1999, S. 17 f.).
Der konstruktivistisch orientiere Lernzugang umfasst nach Wolff folgende Annahmen (vgl. ebd., 1997, S.107):
- Neues Wissen wird nur dann verstanden und erlernt, wenn die Lernenden es an bereits vorhandenem Wissen anknüpfen können.
- Konstruktionsprozesse sind individuell und deshalb sind die Ergebnisse nie identisch.
- Wissen ist immer subjektives Wissen.
- Neu Gelerntes erfordert immer eine Anpassung und Umstrukturierung des bereits vorhandenen Wissens. Sozialer Kontext ist von Bedeutung.
- Wichtig ist die Selbstorganisation.
- Auch die Eigenverantwortung ist ein essentieller Faktor. Jede*r Lernende ist für das eigene Lernen verantwortlich.
Sogenannte Mikrowelten gelten als Beispiele für eine Software, die auf der Grundlage des Konstruktivismus arbeitet. Das Lernparadigma ist hierbei die Konstruktion von Wissen, die Problemlösung und das Ziel des Lernens ist individuell, subjektiv und erweitert Kompetenzen. Der*Die Lehrende ist ausschließlich Coach. Als Mikrowelt gilt eine Kunstwelt, die weg vom monotonem Beantworten von Fragen am Computer, hin zu einer eigenen Welt geht, welche die Schülerinnen animiert, explorativ zu lernen (vgl. Karl, 2009, S. 34). Ein weiterer konstruktivistischer Ansatz in Bezug auf das Lernen in der Schule mit Software ist das sogenannte Hyperlinking. Ein Hypertext ist eine Möglichkeit, individuell das Wissen zu erweitern und, mit Hilfe von verlinkten Verweisen, auf andere Text und Bildquellen im Internet oder innerhalb einer Software Lösung für die Schulkinder aufzubauen (vgl. Weighardt, 2003, S. 62).
Zusammengefasst kann die konstruktivistische Lerntheorie als eine Verbesserung der Kompetenzen in Bezug auf Selbsttätigkeit und Teamfähigkeit sowie Eigenverantwortung beschrieben werden. Individuelle Wege der Lernenden und verschiedene Lerntypen werden in diesem Ansatz berücksichtigt, und das kritische Hinterfragen und Denken wird trainiert. Konstruktivistisches Lernen ist auch gleichzusetzen mit lebenslangem Konstruieren und der Erweiterung von Wissen (vgl. Reuter, 2005, S. 19).
3 Künstliche Intelligenz in der Schule
Künstliche Intelligenz in der Schule ist keine Zukunftsmusik mehr. Immer mehr Maßnahmen werden gesetzt, sei es im Sinne von KI Strategien der Politik für das gesamte Land, oder gezielt nur für die Schule. Auch werden nach und nach mehr Lösungen für eine Software präsentiert und eingesetzt, die künstliche Intelligenz in der Schule integrieren und so bei Lehr-/Lernprozessen unterstützen, fördern oder den Unterrichtenden beim Verarbeiten des Stoffs behilflich sind und Teile der Arbeit abnehmen. In diesem Kapitel werden zuerst die politischen Rahmenbedingungen und KI Strategien vorgestellt, vorrangig bezugnehmend auf Österreich und Deutschland, und in Kapitel 3.1.3 wird ergänzend auf die europäische Strategie ein Blick geworfen. Anschließend werden Visionen für den Einsatz von KI dargestellt, die bislang noch nicht auf dem Markt sind, aber bereits aktuell im Gespräch und in Diskussion stehen. In Kapitel 3.2 wird das Handlungsfeld Schule definiert und dient der Abgrenzung. Danach folgt die theoretische Aufarbeitung von Lehr-/Lernprozessen durch KI. Hierfür werden Gründe, Methoden, Ziele, Chancen betrachtet. Abschließend erfolgt im Kapitel 3.4 eine Zusammenschau der lerntheoretischen Sicht auf KI im Unterricht aus der Perspektive des Konstruktivismus sowie eine Erklärung, warum der Konstruktivismus selten in einer reinen Form auftritt und der Pragmatismus eine Rolle spielt.
3.1 Politische Rahmenbedingungen und KI Strategien
In diesem Unterkapitel werden die politischen Rahmenbedingungen und Strategien von Deutschland und Österreich betrachtet. Das deutsche Ministerium hat hierfür einige wichtige Handlungsfelder veröffentlicht. Auch der österreichische Rat für Robotik und künstliche Intelligenz hat unter der Regierung von ÖVP-FPÖ (2017-2019) Strategien und Maßnahmen vorgestellt, die KI im Land und speziell in Schulen betrifft. Im Kapitel 3.1.3 wird abschließend noch die europäische KI Strategie skizziert.
3.1.1 KI Strategie des deutschen Ministeriums
Seit 2018 wird in Deutschland eine sehr ambitionierte Strategie für künstliche Intelligenz in verschiedenen Handlungsfeldern verfolgt. Das groß angestrebte Ziel ist es, Deutschland an die Weltspitze für KI zu befördern. „Es geht um individuelle Freiheitsrechte, Autonomie, Persönlichkeitsrechte, die Entscheidungsfreiheit des Einzelnen.“ (Die Bundesregierung, Website KI Strategie Deutschland, 2019).
Weiters steht auf der Website der KI Strategie für Deutschland und der Bundesregierung, dass neue Märkte für deutsche Unternehmen geschaffen werden sollen, die vor allem im Wettbewerb mit Amerika und China mithalten können und dadurch den Standort sichern. So gibt die Regierung die wesentlichen Rahmenbedingungen vor, die immer wieder durch Politik, Wissenschaft und Zivilgesellschaft neu angepasst werden sollen. Es entstanden 12 Handlungsfelder. In ebendiesen erfolgten über 100 Förderprogramme, Initiativen und Kooperationen. Weitere 50 sind für 2020 geplant. Die zwölf Handlungsfelder lauten wie folgt:
1. Forschung in Deutschland und Europa stärken, um Innovationstreiber zu sein (Wettbewerbsfähiges Ökosystem in Sachen KI soll breit aufgestellt sein, um eine Basis für hochwertige Forschung zu bieten und „Enabling“ (=Aktivierung) von Innovationen soll machbar gemacht werden)
2. Innovationswettbewerbe und europäische Innovationscluster (So sollen Wettbewerbe und Talentgewinnung frühzeitig stattfinden, Trends erkannt werden und Freiräume geschaffen werden, um Geschäftsmodelle zu betrachten und Gründungen zu erzielen)
3. Transfer in die Wirtschaft, Mittelstand stärken (Schwerpunkt soll auf Maßnahmen liegen, die jede Größe eines Unternehmens stärken - Von Startups bis zu Großkonzernen soll jeder dazu in der Lage sein, KI Anwendungen zu entwickeln, nützen und einzubeziehen um Geschäftsprozesse zu digitalisieren, modernisieren und automatisieren. Außerdem ist die Schaffung eines zukunftsfähigen und nachhaltigen Mobilitätssystems und die Förderung von Datenplattformen/-nutzung in Transport und Logistik angestrebt.)
4. Gründungsdynamik wecken und zum Erfolg führen (Anreize für Investoren sollen geschaffen werden, um die kapitalintensiven Wachstumsphasen von Neugründungen im KI Bereich zu erleichtern und voranzutreiben und außerdem sollen mehr Ausgründungen aus der Forschung angeregt und gefördert werden.)
5. Arbeitswelt und Arbeitsmarkt: Strukturwandel gestalten (Eine nationale Weiterbildungsstrategie unterstützt die Veränderungen jener Menschen, deren Alltag sich durch den Einsatz von KI verändert.)
6. Ausbildung stärken und Fachkräfte/Expert*innen gewinnen (Ein Verständnis für KI muss vor allem bei jungen Menschen durch neue Inhalte angestrebt werden. Dies geschieht in Aus-/Fort-/Weiterbildung. Außerdem sollen neue Lehrstühle an den Hochschulen und Universitäten geschaffen werden um Wissenschaftler*innen zu gewinnen und zu halten)
7. KI für hoheitliche Aufgaben nutzen und Kompetenzen der Verwaltung anpassen (KI soll für Verwaltungsdienstleistungen eingesetzt werden und somit für Bürgerinnen eine schnellere und bessere sowie effizientere Abwicklung hervorbringen. Deutschland soll hier eine Vorreiterrolle übernehmen.)
8. Daten verfügbar machen und Nutzung erleichtern (Sichere und innovative Dateninfrastruktur und dabei nicht auf Persönlichkeitsrechte vergessen. Außerdem die Nutzbarkeit von KI Systemen im Gesundheitssektor fördern.)
9. Ordnungsrahmen anpassen (Die Regierung wird den Ordnungsrahmen in Bezug auf das Recht für Algorithmen- und KI-basierten- Entscheidungen, Dienstleistungen und Produkten betrachten, bewerten und gegebenenfalls auch anpassen. Nur so kann ein Schutz gewährleistet werden - keine Verzerrungen, keine Diskriminierungen oder Manipulationen.)
10. Standards setzen (Es sollen internationale Entscheidungen für Standards getroffen werden, um nicht nur technische, sondern zusätzlich ethische Fragestellungen gleich zu bewerten.)
11. Nationale und internationale Vernetzung (Eine europäische Zusammenarbeit mit gemeinsamen Leitlinien mit internationalen Wirtschaftsräumen muss unabdingbar gemacht werden. Die Entwicklung ist global und so muss gleichermaßen die (deutsche) Politik sich grenzüberschreitend zusammenschließen, denken und handeln. Internationale Kooperationen sollen ausgebaut werden.)
12. Dialoge in der Gesellschaft führen und den politischen Handlungsrahmen weiterentwickeln (Forschung, Entwicklung und Anwendung von KI sollen in der Gesellschaft stattfinden. Jede*r soll die Mitgestaltungsmöglichkeit bekommen und ein öffentlicher, gesellschaftlicher Dialog muss intensiviert werden.)
Gerade Punkt 6 ist besonders relevant für diese Masterarbeit. So steht in der KI Strategie (Stand: November 2018) im Punkt 3.6, dass Ausbildung gestärkt werden muss und Fachkräfte gewonnen werden müssen. In der näheren Beschreibung werden dann auch die Schule und digitale Grundkompetenzen als Ziel angegeben. Außerdem wird die flächendeckende Ausstattung mit digitalen Endgeräten / Infrastruktur und digitalen Lernangeboten als weiterer Punkt angeführt, um frühzeitig Kinder zu digitalisieren, um dadurch wiederum eine frühzeitige Förderung sicher zu stellen. Je eher die Schüler*innen Grundfertigkeiten, wie in etwa das Programmieren erlernen, desto eher können Voraussetzungen für KI im Berufsalltag festgelegt werden (vgl. Bundesministerium für Bildung und Forschung, 2018, S. 30).
Der Einsatz von digitalen Endgeräten wird in der Methode und bei der Kategorisierung der Anwendungen in dieser Masterarbeit ab Kapitel 5 als Rubrik angeführt (vgl. Kap. 5).
Seit dem Schuljahr 2018/19 gilt der Grundsatz, dass all jene Kinder, die ab diesem Jahr in die Schule kommen, digitale Kompetenzen im Laufe der Schullaufbahn erlernen sollen, um dadurch ein breites Grundlagenverständnis zu erlangen. „Bildung in der digitalisierten Welt“ oder „Lernfabriken 4.0“ sind wirkungsvolle erste Ansätze in diese Richtung und werden von der Regierung unterstützt (vgl. ebd., S. 31).
Alle genannten Handlungsfelder beziehen sich auf eine „weak AI“ (vgl. Kapitel 2.1). Die Strategie der Regierung bezieht sich also nicht auf KI- Systeme, die die gleichen intellektuelle Fertigkeiten wie der Mensch haben oder diese eben übertreffen können, sondern zusätzlich auf die Lösung konkreter und eigenständiger Probleme und Anwendungsbereiche, welche auf Methoden der Informatik und auf Methoden der Mathematik - mittels Algorithmen - basieren. Diese Systeme können / sollen aber auch selbstoptimierend fungieren und unterstützen das menschliche Vorgehen und Denken. Es werden Aspekte menschlicher Intelligenz rekonstruiert (vgl. ebd., S. 4).
Die Regierung orientiert sich an 4 Positionen der schwachen künstlichen Intelligenz: 1) Deduktionssysteme, maschinelles Beweisen; 2) wissensbasierte Systeme; 3) Musteranalysen und Mustererkennung; 4) Robotik und 5) Intelligente multimodale Mensch-Maschine-Interaktion.
Ad 1) Die Ableitung von formalen Aussagen aus logischen Ausdrücken und Systemen, welche zum Beweisen von Korrektheit von Hardware und Software benötigt werden.
Ad 2) Dies bezieht sich auf Methoden zur Modellierung und Hervorhebung von Wissen. Die Software dient der Simulation von menschlichen Experten-*Expertinnenwissen und unterstützt gleichzeitig das Fachpersonal.
Ad 3) Dieses analysiert Muster und ist somit ein induktives Analyseverfahren, welches insbesondere auch ML betrifft.
Ad 4) Die Robotik betrifft die autonome Steuerung von Systemen.
Ad 5) Das Begreifen und Analysieren von Sprachen, Fotos, Bildern, Mimik, Gestik und anderen Formen von menschlichen Handlungen wird hier gemeint (vgl. ebd., S. 5).
Abschließend kann noch das geplante Budget für diese Maßnahmen genannt werden. Für das Jahr 2019 stellt Deutschland (Bund) 500 Millionen Euro zur Förderung und Verstärkung der künstlichen Intelligenz im Land zur Verfügung. Bis 2025 sollen es insgesamt ca. 3 Milliarden Euro explizit für die Umsetzung der Strategie werden. Die Länder, als auch die Wirtschaft und Wissenschaft sollen zusätzlich zu dieser Summe mindestens das Doppelte beitragen (vgl. ebd., S. 6).
Dieses hohe Budget zeigt, dass KI eine wertschöpfende Zukunft in Aussicht gestellt wird und ein hoher Zuspruch, sowie Chancen in Reihen der Politik, bereits besteht.
3.1.2 Österreichischer Rat für Robotik und künstliche Intelligenz
Fast zeitgleich mit Deutschland, präsentierte das Nachbarland Österreich im November 2018 seine Strategie für den Einsatz und die Zukunft von Robotik und künstlicher Intelligenz. Das Whitepaper zur positiven Gestaltung der Zukunft durch KI präsentiert der Österreichische Rat für Robotik und künstliche Intelligenz, welcher dem Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie (ursprünglich vom ehemaligen Bundesminister für Verkehr, Innovation und Technologie - kurz BMVIT - Norbert Hofer von der FPÖ, 2017, ins Leben gerufen) unterstellt ist (vgl. Kugler, die Presse, 2018).
Schon für den Sommer 2019 sollten die nationalen Strategien für den Einsatz von KI gestartet werden, kündigte Hofer im November 2018 an. Zudem bestätigte er in einem Interview mit DER STANDARD, dass seit 2012 rund 210 Millionen Euro in Forschung und Entwicklung von KI investiert wurden (vgl. „Österreichische Robotik- und KI-Strategie für Sommer 2019 geplant“, 2018).
Der eigens dafür angelegte Rat für Robotik und Künstliche Intelligenz beschreibt folgende Eckpfeiler für den Einsatz, die Hürden und die Chancen in Österreich (vgl. Österreichischer Rat für Robotik und Künstliche Intelligenz, 2019, S. 8-11):
1. Smart Governance (Die Bevölkerung soll von der Technologie profitieren.)
2. Smart Innovation (Forschung, Entwicklungspolitik und Investitionen müssen getätigt werden, um das Potenzial der KI Technologien auszuschöpfen.)
3. Smart Regulation (Rahmenbedingungen müssen klar aufgestellt werden. Sicherheit der Menschen muss unabdingbar sein und ethische Regeln und Standards sind Voraussetzung - diese müssen den Grundrechten und dem europäischen Wertegefühl entsprechen.)
Besonderen Wert legt der Rat in seinem Whitepaper vor allem auf den letzteren Aspekt. So kann in Abbildung 4 erkannt werden, welche Grundsätze bei der Entwicklung einer Robotik und KI Strategie national besonders relevant sind und eingehalten werden müssen.
Als Handlungsfelder werden ähnliche Felder priorisiert, wie in Deutschland (vgl. Kapitel 3.1.1). Allerdings wurden für Österreich nur 4 Handlungsfelder festgelegt:
1. Technologie, F&E und Wirtschaft: Die Innovationsbereitschaft im wirtschaftlichen Bereich muss hergestellt werden. Die Wissensgenerierung muss ebenso gestärkt werden, wie die Wissensverwertung im kommerziellen Bereich. Aufgrund der eingeschränkten Möglichkeiten, in einem recht kleinen Land - auch bezogen auf Personal - ist es wichtig eine Fokussierung vorzunehmen, um klare Schwerpunkte zu setzen. Nischen sollen gefunden werden, Schlüsseltechnologien sollen das Ziel sein und nicht das Messen mit großen Nationen wie China, USA oder Deutschland soll herangezogen werden. Eine rasche Umsetzung ist zu priorisieren. Es ist aber darauf zu achten, dass die Wahl der Use-Cases stets in den Rahmenbedingungen erfolgen und sensiblere Anwendungsfelder, welche ein hohes Risiko darstellen oder darstellen könnten, sollen mit Sandboxes und Testbeds die Technikfolgen abschätzen. Reflexionsschleifen dienen der Rückmeldung an die Entwicklungspolitik und Innovationspolitik, um folglich Richtlinien festzulegen und staatliche Fördermaßnahmen ergreifen zu können.
2. Arbeitswelt und Qualifizierung: Vor allem die Basiskompetenz in der Bevölkerung im Zuge der Digitalisierung muss gefördert werden, damit später auch spezifische Fachkompetenzen erreicht werden können, sodass dadurch eine optimale Entwicklung, Nutzung und Ausbreitung intelligenter Maschinen zum Einsatz kommen. Auch ein erhöhter Umschulungsbedarf in den nächsten Jahren (2018-2022) wird prognostiziert. Zirka 32% aller Arbeitsplätze haben eine Veränderung im Arbeitsprozess oder in der Organisation zu erwarten. Initiativen, die besonders Frauen und Mädchen in MINT Fächern (Mathematik, Informatik, Naturwissenschaften und Technik) fördern, müssen gestärkt und ausgeweitet werden. Auch eine Mitgestaltung von Pädagogen*Pädagoginnen und Lehrenden an Bildungsinstituten für eine moderne Pädagogik und Didaktik ist anzustreben. Hier ist ein Fokus auf der Ausbildung jener zu legen.
3. Gesellschaft und Recht: Durch die potenzielle Häufung der Verwendung von KI im freizeitlichen Bereich, müssen hier grundlegende Rahmenbedingungen festgelegt werden und rechtliche Grundsätze bedacht werden. Auch Menschen mit wenig Zugang zu Technik, werden durch kollaborative Robotik damit in Verbindung kommen. So werden beispielweise selbstfahrende Autos, öffentliche Verkehrsmittel etc. sich in Zukunft nicht vermeiden lassen. Es ergeben sich aus Sicht der Gesellschaft Chancen und Risiken. Einerseits können diese Chancen die Unterstützung von körperlicher Arbeit sein, sie können Menschen mit Beeinträchtigung unterstützen oder KI könnte eben auch Risiken, im Sinne einer verringerten Kontrolle und einer psychischen / emotionalen Belastung, bergen. Die Bedrohung des eigenen Selbstbildes und des Jobs, oder die Angst nach dem Ersetztwerden, können als weitere riskante Faktoren genannt werden. In Bezug auf Recht wurde in diesem Handlungsfeld eine Notwendigkeit von einer „Maschinen-Richtlinie“ beschrieben. Die DSGVO sieht beispielweise vor, dass kein Mensch einer automatisierten Handlungsentscheidung unterliegen darf, sofern diese erhebliche rechtliche Folgen haben könnte. Generell bedarf es einer europäischen Richtlinie, um gemeinsame Rechte, Regeln und Standards festzulegen.
4. Bewusstseinsbildung, Kommunikation und Öffentlichkeitsarbeit: Die Unterscheidung für nicht-technik-affine Personen zwischen Realität und Fiktion muss deutlich sein und gestärkt werden. Eine seriöse und umfangreiche Aufklärungsarbeit ist notwendig. Die Bevölkerung soll sich selbst ein Bild bezüglich Chancen, Möglichkeiten und Risiken machen können. Dafür notwendig ist eine breite Beteiligung der Menschen in Österreich, wobei hier eindeutig Schulen, Universitäten und Forschungseinrichtungen ihren Beitrag leisten sollen. Lehrausgänge, Museumsbesuche dienen der interaktiven und informativen Fortbildung und Akzeptanz gegenüber künstlicher Intelligenz und Robotik (vgl. Österreichischer Rat für Robotik und Künstliche Intelligenz, 2019, S. 37–51).
[...]