KI und Medienbildung

Positionspapier des OKSH vom März 2020

Vorweg

Seit einiger Zeit spielt in der medienwirtschaftlichen und medien­wissen­schaftlichen Diskussion die Entwicklung und Nutzung künstlicher Intelligenz (KI) eine große Rolle. Inzwischen hat KI viele Lebensbereiche durchdrungen und muss somit auch in die Medienbildung Eingang finden. Für den OKSH bedeutet dies: Die Bedeutung von und der Umgang mit KI im Alltag bedarf also der Integration in die entsprechenden OKSH-Medienbildungsangebote (z.B. SchulMedienTage, medienpädagogische Elternabende, Angebote für Multiplikatoren aus Schule, offener und verbandlicher Jugendarbeit, vielleicht sogar aus Kita und Hort).


1 Begriffsklärung

Im Zusammenhang mit KI fallen auch oft die Begriffe „machine learning/ Maschinelles Lernen“ und „deep Learning“, die deshalb grob voneinander abzugrenzen sind.


1.1 Künstliche Intelligenz

HAL 9000 ist in dem Film 2001: A Space Odyssey, den Stanley Kubrick 1968 in die Kinos brachte, der Name des Supercomputers, mit dem sich der Astronaut Dave Bowman erst freundliche Dialoge, dann ein existenzielles Duell liefert. Letztlich kann Bowmann die Handlungen von HAL vorhersehen, deshalb überlebt er. Es ist wohl der erste überzeugende Auftritt künstlicher Intelligenz, wenn auch in einem Science-Fiction-Film. Dieser Auftritt verdeutlichte gleichzeitig das Potenzial und die Gefahren künstlicher Intelligenz. Dieses Spannungsverhältnis hat Bestand und ist in der inzwischen sogar in den Titel der entsprechenden Enquetekommission im Bundestag¹ eingeflossen.


1 „Künstliche Intelligenz – Gesellschaftliche Verantwortung und wirtschaftliche, soziale und ökologische Potenziale“; siehe auch https://www.bundestag.de/ausschuesse/weitere_gremien/enquete_ki

 

Grundsätzlich ist KI ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens und mit maschinellem Lernen befasst. KI selbst wird unterschieden in starke und in schwache KI. Unter starker KI wird eine Maschine verstanden, die sich wie ein Mensch verhält; das ist weiterhin Zukunftsmusik. Über schwache KI dagegen verfügt ein Computer, der zum Umgang mit einzelnen, herausgelösten Fragen oder Sachverhalten ein intelligentes Verhalten imitieren kann.

Da es schon nicht wirklich einfach ist, intelligentes Verhalten, geschweige denn Intelligenz, zu definieren, macht eine phänomenologische Beschreibung von KI am ehesten deutllich, worum es bei KI geht: imitierende KI kann die gleiche (auch komplexe) Aufgabe unendlich oft wiederholen, aber kaum verbessern.

Beispiele von solcher imitierender KI finden sich in unserer Lebenswelt an vielen Stellen. Einige Beispiele:

  • Am bekanntesten sind sprachgesteuerte Haushaltsassistenten (zum Beispiel Amazons Echo Dot, Apple HomePod, Googles Home Mini sowie Harman Kardons Invoke)
  • ausgewählte Funktionen auf den allgegenwärtigen Smartphones (Sprachsteuerung, Übersetzungs Software oder ein Suchergebnis bei Google).

Maschinelles Lernen/ machine learning ist ein Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Aus Beispielen werden Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (oder aber am Lernen unbekannter Daten scheitern). Abstrakte Merkmale sind:

  •  Lernende KI ist in der Lage, aus einer Reihe von Phänomenen die Reihe selbst fortsetzen zu können
  • Lernende KI lernt durch die Interaktion mit menschlicher Intelligenz. Entscheidungen können – nach Beobachtung menschlichen Handelns – in dem Zeitpunkt T anders sein, als im Zeitpunkt T +1 oder T +2; müssen es aber nicht.

Der Einsatz lernender KI erfordert einen hohen Entwicklungs- und Programmieraufwand. Deswegen finden sich praktische Beispiele von lernender KI eher in der Arbeits- als in der Lebenswelt. Einige Beispiele:

  • automatisierte Diagnose­verfahren (z.B. Auswertung von Hautkrebsbildern)
  • Erkennung von Kreditkartenbetrug (im Bezug auf den einzelnen Kreditkarteninhaber ungewöhnliche Transaktionen)
  • Aktienmarkt­analysen
  • Bilderkennung (nach dem Betrachten von zehn Katzenbildern kann KI beim elften Bild selbst entscheiden, ob es sich um eine Katze handelt oder nicht)
  • Sprach- und Texterkennung (Diktiersysteme, die sich durch Gebrauch und Korrektur immer weiter verbessern)
  • autonome Systeme/ autonomes Fahren (immer bessere Bewältigung bekannter und dann auch unbekannter Verkehrssituationen)
  • Wettervorhersage (Entwicklungen im dreidimensionalen Raum mit einer Zeitvariante im komplexen Feld von Temperatur, Luftdruck, Feuchtigkeit analysieren und vorhersagen und dabei immer besser)

Der Einsatz lernender KI erfordert einen hohen Entwicklungs- und Programmieraufwand. Deswegen finden sich praktische Beispiele von lernender KI eher in der Arbeits- als in der Lebenswelt. Einige Beispiele:

Deep Learning (DL) bezeichnet eine sehr komplexe Methode des maschinellen Lernens. Aufeinander folgende Schichten nutzen jeweils die Ausgaben der vorherigen Schicht, so dass es einen kontinuierlichen „Lernprozess“ gibt. Es bildet sich eine umfangreiche innere Struktur heraus. Deep Learning erfordert sowohl die richtige Hard- und Software, um riesige Datenmengen (“Big Data”) maschinell zu analysieren, als auch sehr komplexe Software, die sich selbst verändern kann und darf. Im Idealfall kann ein derartiger Computer sich selbst weiter programmieren. Der Arbeitsaufwand hierfür wird gemessen in “Kilo Personentagen”. Abstrakte Merkmale für Deep Learning sind:

  • DL-KI könnte in der Lage sein, auch unlogische Entscheidungen zu fällen.
  • Ob DL-KI jemals in der Lage sein wird, Emotionen wie Liebe und Hass, Angst und Freude, Gelassenheit und Schreckhaftigkeit zu erkennen oder sogar zu imitieren, ist eine der aktuellen Forschungsfragen.

Praktische Beispiele von DL-KI finden sich dort, wo unvorstellbare Personal- und Finanzressourcen vorhanden sind, beispielsweise für staatliche Auftraggeber. Einige Beispiele:

  •  Gegenstände und Gesichter erkennen
  • neue Medikamente entwickeln


1.2 Medienbildung

Um Anderen Medienkompetenz vermitteln zu können, ist

  • einerseits eine ausgeprägte, qualifizierte und auf die Zielgruppe orientierte und vielschichtige eigene Medienkompetenz erforderlich,
  • andererseits eine speziell auf Medien ausgerichtete Vermittlungskompetenz.

Beides ist wegen der notwendigen Integration der Digitalisierung bzw. der Informatik nicht einfacher geworden.

Die angemessene Nutzung von Medien lässt sich durch sich ergänzende Kompetenzen beschreiben. Unter Berücksichtigung der Eigenschaft von KI als Informatik-Sachverhalt müssen die speziellen Anforderungen von

  • klassischer Medienbildung
  • der Vermittlung informatorischer Grundbildung und
  • der Vermittlung digitaler Kompetenzen

gleichzeitig erfüllt werden. Dies erfordert einen Blick auf aktuelle Theorien, ausgewählt wurde die „Dagstuhl² Erklärung³“ zu „Bildung in der digital vernetzten Welt“. Diese Erklärung ist aber gut nachvollziehbar, denn sie überträgt das klassische didaktische Dreieck auf die digitale Welt und fordert letztlich eine Verknüpfung

  • der technologischen Perspektiven (wie funktioniert das?),
  • der gesellschaftlich kulturellen Perspektive (wie wird das?) und
  • der anwendungsbezogenen Perspektive (wie nutze ich das?).

2 In Dagstuhl ist der Sitz des „Leibnitz-Zentrums für Informatik“
3 https://dagstuhl.gi.de/dagstuhl-erklaerung

 

Die Übersicht in der Tabelle 1 ist aus einer Zusammenführung der aus den Fußnoten ersichtlichen Modellen entstanden.

Tabelle 1 Ziele Medienbildung

[table “108” not found /]

In der Praxis lassen sich pädagogische Konzepte von verschiedenen Lernfeldern heraus erschließen.

  • „Mediensoziologie“ folgert aus der Wirkung von Medien auf die Gesellschaft hin zu den Medien selbst.
  • Die „rezeptive Methode“ bereitet durch eine Analyse von Medienwerken und deren mutmaßlicher Wirkung auf die Medienwelt vor.
  • Die „aktive Medienarbeit“ schult die „Partizipationskompetenz“, um über eigene Produktionen von Medien deren Verständnisse insgesamt zu thematisieren.
  • „Handlungsorientierung“ betrachtet die Produktion von Medien als eine Form der gesellschaftlichen Teilhabe.

In pädagogischen Einrichtungen hat sich die Orientierung auf Projektarbeit bewährt.

Deswegen, aber auch wegen des erlebbaren Spaßes bei der Medienproduktion und der dadurch entstehenden Motivation sowie wegen der hohen Effektivität wird im Folgenden die Methode der „aktiven Medienarbeit“ bevorzugt.


2 Handlungsfelder im OKSH

2.1 Inhalte

Da wegen der Komplexität des Themas der OKSH-typische Ansatz der „aktiven Medienarbeit“ (eigene Gestaltung von Medienangeboten) bei KI nur schwer umsetzbar ist, wird es vorerst um die Vermittlung z.B. folgender Themen gehen:

  • Wo in meinem Leben spielt KI eine Rolle?
  • Wie erkenne ich, dass ich mit KI zu tun habe?
  • Wo trifft KI Entscheidungen?
  • Wo sind die Folgen des Einsatzes von KI für mich eher hilfreich, wo sind sie eher ein Problem?
  • Kann ich mich gegen derartige Entscheidungen gegebenenfalls wehren?
  • Ist Datensparsamkeit eine brauchbare Strategie zum Umgang mit KI im Privatleben?

Eine Einbindung dieser Aktivitäten in die KI-Strategie des Landes SH wäre erfreulich; ob dies möglich ist, liegt nicht in der Hand des OKSH.


2.2 Methoden

Intensive Recherchen haben nur Aktivitäten der Gesellschaft für Informatik (GI) aus Berlin ergeben. Der Leiter des OKSH hat Anfang September 2019 einen Praxistag des von der GI organisierten “Turing-Bus” an einem Gymnasium in Gifhorn besucht und die dort vorgestellten Methoden in Augenschein genommen (in der Tabelle 2 durch “GI“ markiert). Die anderen Methoden entstammen der Entwicklung des OKSH war bzw. sind das Ergebnis technischer Recherchen, die vom OKSH in Medienbildungsangebote umgewandelt wurden.

Letztlich ist die Auswahl dieser Methoden eine teilweise Aufgabe des Prinzips der aktiven Medienarbeit und – für das Arbeitsfeld KI – eine Hinwendung zu einer Mischung aus rezeptionsorientierter und handlungsorientierter Methodik. Dies liegt, wie oben dargestellt, allein daran, dass die aktive Gestaltung von KI Anwendungen zu komplex ist, um sie medienpädagogisch zu erfassen.


Tabelle 2: Methoden KI in der Medienbildung

[table “109” not found /]

3 Conclusio

Der OKSH wird

  • im Jahr 2020 mit dem Werkzeug des Stationslernens den vorhandenen KI Parcours weiter entwickeln und spätestens als Angebot zur digitalen Woche 2020 für Schulklassen einsetzen,
  • gleichzeitig behält der OKSH die medienpraktische Diskussion rund um Inhalte und Methoden der Thematisierung von KI in der Medienbildung aktiv im Auge,
  • eine besondere Rolle spielt dabei der Dialog mit den Partnern im Netzwerk Medienkompetenz Schleswig-Holstein.

Zwischenlager

[table “110” not found /]
[table “111” not found /]