Diese Definition umfasst weit mehr als nur das, was wir aktuell im öffentlichen Diskurs als "KI" betiteln. Ein System wie ChatGPT zählt präziser zu einer des Machine Learnings, den generativen Machine-Learning-Systemen. Dabei ist Machine Learing (ML) selbst nur ein möglicher Computing-Ansatz.
GPT ist die Abkürzung für Generative Pre-trained Transformer.
Generative ML-Systeme generieren, also erzeugen, Text, Bilder, etc..
Pre-trained, also vortrainiert, bedeutet, dass das ML-System, auf dem die jeweilige Anwendung basiert, bereits auf Grundlage bestimmter Daten zu einem bestimmten Zeitpunkt durch maschinelles Lernen trainiert wurde. Das Ergebnis dieses Trainings wurde in Form eines Modells gespeichert. Auf die jeweiligen Modelle kann später zurückgegriffen werden.
Transformer sind ML-Systeme, welche aus bekannten Daten (Text, Bild, etc.) andere Daten erzeugen. Sie transformieren Daten mithilfe von Machine Learning unter Verwendung verschiedener Algorithmen. Diese Algorithmen bilden grundlegende Verarbeitungsprinzipien wie z. B. das Aufmerksamkeitsprinzip (Attention) logisch-mathematisch ab. Durch das Aufmerksamkeitsprinzip werden beispielsweise nur die stärksten errechneten Signale in einem neuronalen Netzwerk mit der vermutlich hilfreichsten Information, z. B. hinsichtlich des nächsten auszugebenden Wortbausteines eines Textes in einem spezifischen Kontext, berücksichtigt (neuronale Gewichtungen). – Weitere Merkmale der Architektur derartiger Modelle sind die Verwendung von Vektorrepräsentationen und Parameterräumen, auf die hier nicht näher eingegangen werden soll. In generativen Systemen zur Texterzeugung existiert keine Verständnishierarchie von Wörtern oder gar ganzen Sätzen. Nur auf diese Weise kann die enorme Performanz überhaupt erst erreicht werden.
Modalitäten, Fine Tuning, Halluzination, Bias und RAG (für angepasste Assistenten)
Modalitäten…
Mithilfe von Large Language Models (LLMs; große Sprachmodelle) lassen sich alle digital repräsentierbaren Objekte (Texte, Bilder, Töne, Videos, 3D-Modelle, Molekülstrukturen, etc.) generieren bzw. von einem Datentyp in einen anderen überführen (z. B. lassen sich aus Texten Bilder erstellen).
Fine Tuning/Anpassung an konkrete Bedürfnisse…
LLMs werden zur Anpassung an ganz bestimmte Anwendungsanforderungen dem sogenannten Fine Tuning unterzogen. OpenAI setzt bei ChatGPT auf ein zweites neuronales Netzwerk für diesen Vorgang. Dieses zweite neuronale Netz (Optimierer) wird durch den Ansatz des Reinforcement Learnings (Verstärkungslernen) durch menschliches Feedback vortrainiert. Es dient der Beurteilung der Güte bzw. Erwünschtheit der Datenausgabe. Anschließend treffen die beiden neuronalen Netze (GPT und Optimierer) in einer virtuellen Umgebung aufeinander und interagieren nach dem Trial-and-Error-Prinzip miteinander. Das Ergebnis ist in diesem Fall eine auf Konversation abgestimmte Anwendung.
Halluzination…
ML-Systeme des Typs GPT erzeugen mitunter sachliche und/oder logische Fehler, da sie kein inhaltliches Verständnis besitzen, sondern (zumeist) das statistisch Erwartbare anhand ihrer LLMs ausgeben.
"Bei Retrieval Augmented Generation (RAG) erweitert man den Prompt für das Large Language Model um Suchergebnisse aus einer Dokumentensammlung, einer Datenbank, einem Wissensgraph (Knowledge Graph) oder einer anderen Suche (z.B. Internetsuche). Das Wissen für die Antwort kommt also aus angebundenen Quellen und nicht aus dem LLM." (Quelle) Durch die Verwendung von RAG kann die Wahrscheinlichkeit des Auftretens von Halluzinationen und Bias in den Ausgaben eines LLMs verringert werden. Außerdem können so z. B. im Schulkontext angepasste Lern- und Lehrassistenten bereitgestellt werden. Bei der Erstellung derartiger Assistenten ist es jedoch wichtig, urheberrechtlich sauber zu arbeiten.
Unterschiedliche Modelle für unterschiedliche Aufgaben
Man unterscheidet Reasoning- und GPT-Modelle.
"[Die] Reasoning-Modelle [wurden] darauf trainiert, länger und gründlicher über komplexe Aufgaben "nachzudenken". Sie eignen sich besonders für:
Navigation durch mehrdeutige Aufgaben aus dem Bereich Mathematik, Engineering, Recht, Finanzen und Co.,
Analyse großer Datenmengen,
Erkennen von Zusammenhängen,
mehrstufige Planungsprozesse,
visuelle Analyse,
Code-Review und -Verbesserung.
Die GPT-Modelle („die Arbeitspferde“) hingegen sind optimiert für:
schnelle Ausführung definierter Aufgaben,
kostengünstige Verarbeitung,
geringere Latenzzeiten.
Für optimale Ergebnisse empfiehlt OpenAI, die Modelle zu kombinieren: Reasoning-Modelle für Planung und Entscheidungsfindung, GPT-Modelle für die Ausführung.
Die Prompts sollten dabei möglichst einfach und direkt sein – klassische Prompt-Engineering-Techniken (–> weitere Hinweise) sind bei den Reasoning-Modellen nicht nötig, da sie diese Prozesse bereits intern durchführen (Quelle)."
Ausführliche Best Practices für die Verwendung von Reasoning-Modellen:
Anthropic bietet ab Claude 3.7 Sonnet eine Lösung an, die GPT- und Reasoning-Modell automatisch miteinander vereint. Hier kann für die Inanspruchnahme der Reasoningfunktion in den "Extended-Modus" gewechselt werden. Beim Prompten muss hier keine Rücksicht mehr auf die Spezifika des Sprachmodelltyps genommen werden.
"Schwache KI konzentriert sich auf die Ausführung einer bestimmten Aufgabe, wie z. B. das Beantworten von Fragen auf der Grundlage von Benutzereingaben oder das Schachspielen. Sie kann nur eine Art von Aufgabe erfüllen, aber nicht beide, während starke KI eine Vielzahl von Funktionen ausführen kann und sich schließlich selbst beibringt, neue Probleme zu lösen. Schwache KI ist auf menschliche Eingriffe angewiesen, um die Parameter ihrer Lernalgorithmen festzulegen und die relevanten Trainingsdaten bereitzustellen, die für die Genauigkeit sorgen. Menschliche Eingabe beschleunigt zwar die Entwicklungsphase der starken KI, ist aber nicht zwingend erforderlich. Mit der Zeit entwickelt die starke KI ein menschenähnliches Bewusstsein, anstatt es zu simulieren, wie das bei der schwachen KI der Fall ist. Autonomes Fahren und virtuelle Assistenten (wie Siri) sind Beispiele für schwache KI." (Quelle: IBM)
Anthropic: "Tracing the thoughts of a large language model" / Einblicke in die tiefere Funktionsweise generativer ML-Systeme am Beispiel von Claude 3.5 Haiku und 3.7 Sonnet
Reichhaltige Informationen für Fortgeschrittene mit mathematischen Interesse und Verständnis (3Blue1Brown: Neural Networks – The basics of neural networks, and the math behind how they learn):
Die Präsentation und Diskussion des Modells fand im Rahmen einer Online-Panel-Diskussion der Robert Bosch Stiftung am 10. April 2025 statt. Eine Aufzeichnung steht im YouTube-Kanal des Deutschen Schulportals zur Verfügung:
"Das AKTIV-Framework bietet euch einen ganzheitlichen und praxisorientierten Weg, um KI in den Schul- und Unterrichtskontext zu integrieren. Der Prozess reicht von der ersten Erfahrung (Anwenden & Ausprobieren) über den wichtigen Austausch (Kommunizieren & Klarheit schaffen) und die Neugestaltung des Lernens (Transformieren von Lernprozessen) bis hin zur Anpassung der Leistungsbewertung (Integrativ Prüfen & Bewerten) und der aktiven Mitgestaltung im schulischen Umfeld (Verändern & Mitgestalten). Erprobung, Reflexion, neues Verständnis und Weiterentwicklung greifen im Prozess kontinuierlich ineinander. Dies ermöglicht Lehrkräften, KI-Kompetenz systematisch aufzubauen und im Unterricht zu fördern. Darüber hinaus eröffnet das Framework erste konkrete Ansätze für die Schul- und Unterrichtsentwicklung."
Das Orientierungspapier „KI-bezogene Schulleitungsfortbildungen in Deutschland“ bietet einen Überblick zu aktuellen KI-Fortbildungsangeboten und ordnet sie hinsichtlich ihrer inhaltlichen Ausrichtung ein. Es analysiert Herausforderungen und Bedarfe in der Gestaltung der Fortbildungen, identifiziert gelungene internationale Praxisbeispiele und leitet Impulse für die Weiterentwicklung von Qualifizierungsangeboten für Schulleitungen und ihre Teams ab.
Die Schule steht vor einem tiefgreifenden Wandel. Während die Grundbildung weiterhin die Vermittlung zentraler Kulturtechniken – Lesen, Schreiben, Rechnen und elementare digitale Kompetenzen – sichert und damit das Fundament jeder weiteren Bildung legt, vollzieht sich in der Berufsbildung und im gymnasialen Bereich eine grundlegende Umwälzung. Dieses Diskussionspapier entwirft eine Vision für weiterführende Schulen – eine Schule, die junge Menschen befähigt, in einer komplexen Welt urteilsfähig zu bleiben, Verantwortung zu übernehmen und mithilfe von KI eine neue Form des Lernens zu entwickeln.
Döbeli Honegger, B. (2025): Generative Machine-Learning-Systeme - Die nächste Herausforderung des digitalen Leitmedienwechsels:
Auch im Bildungsbereich haben generative Machine-Learning-Systeme wie ChatGPT rasch Verbreitung gefunden und sowohl Hoffnungen als auch Ängste ausgelöst. Der vorliegende Artikel ordnet diese Entwicklung in einem größeren Kontext ein und diskutiert Potenziale und Herausforderungen von generativen Machine-Learning-Systemen (GMLS) für den Bildungsbereich.
"[…] an important step towards AI systems that can truly augment human capabilities. […] a future where AI enriches and expands what humans can achieve." (Quelle)
Wozu soll ich eigentlich noch Lernen? – "Neben den konkreten Einsatzszenarien von GMLS vor, während und nach dem Unterrichts besteht langfristig die grösste Herausforderung von GMLS darin, dass sie die Lernmotivation von Schüler:innen der Sekundarstufen I und II senken kann. Schüler:innen werden sich zunehmend fragen, weshalb sie etwas lernen sollten, dass die Maschine rascher und besser kann als sie - in gewissen Fällen selbst dann, wenn sie sich anstrengen und entsprechend lernen. Lehrpersonen müssen sich somit Gedanken machen, wie dieser Gefahr vor weiter sinkender Lernmotivation begegnet werden soll. Dabei ist zu beachten, dass dies keine Frage ist, die durch IT- oder Digitalisierungsspezialist:innen beantwortet werden kann."
Schaffen Sie gezielt auch analoge Lernräume ("Lernen ohne KI"), in denen sich Schülerinnen und Schüler in ausgewählten Kontexten authentisch und selbstwirksam mit ihren eigenen Fähigkeiten, Fertigkeiten und Kenntnissen erleben können und in denen die Verfügbarkeit von KI nicht gegeben ist oder auch hinderlich wäre.
Fortbildungsmaterialien von Joscha Falck finden Sie hier:
Weiterhin folgende Videoempfehlungen zu den Themen des Lernens im Zeitalter von KI, der Rolle des Menschen in einer Welt mit KI und dem künftig noch größeren Wert des Fragens – und warum kein Weg an einer zeitintensiven, anstrengenden Auseinandersetzung mit Lerngegenständen vorbeiführen wird:
Current AI is only meaningfully creative under human supervision. LLMs are coherent within any single frame, but they possess no trajectory of their own; their aggregated voice resolves into a coherent perspective only when a competent human supplies the grounding.
Weiterführende Informationen rund um den Einsatz von KI in unterschiedlichen Handlungs- und Wirtschaftsfeldern finden sich zudem unter dem Titel "KI-Innovationen mit Verantwortung" auf der Plattform Digitales Hessen:
The purpose of the CPS GenAI guidelines is to ensure the legal, ethical, and pedagogically sound use of GenAI technology within the District. This document aims to empower staff to responsibly explore and leverage this new technology to enhance educational outcomes and improve the daily student experience.
Künstliche Intelligenz (KI) ist zu einem weit verbreiteten Werkzeug in unserem Alltag geworden, unter anderem für das Lernen, die personalisierte Unterstützung und die Unterhaltung. Daher müssen junge Menschen in der Lage sein zu verstehen, wie KI funktioniert, welche gesellschaftlichen Auswirkungen sie hat und wie man sie ethisch korrekt einsetzt, um auf eine Gesellschaft und Wirtschaft im Zeitalter der KI vorbereitet zu sein.
In education, AI has transformed the traditional teacher–student relationship into a teacher–AI–student dynamic. This shift requires a re-examination of teachers’ roles and the competencies they need in the AI era. Yet, few countries have defined these competencies or developed national programmes to train teachers in AI, leaving many educators without proper guidance. The AI competency framework for teachers addresses this gap by defining the knowledge, skills, and values teachers must master in the age of AI.
Integrating AI learning objectives into official school curricula is crucial for students globally to engage safely and meaningfully with AI. The UNESCO AI competency framework for students aims to help educators in this integration, outlining 12 competencies across four dimensions: Human-centred mindset, Ethics of AI, AI techniques and applications, and AI system design. These competencies span three progression levels: Understand, Apply, and Create. The framework details curricular goals and domain-specific pedagogical methodologies.
HMKB: Handreichung „Künstliche Intelligenz (KI) in Schule und Unterricht“:
Künstliche Intelligenz (KI) gehört zu den zentralen Zukunftstechnologien, die bereits in vielen Bereichen des Alltags Einzug gehalten haben. KI-Technologien bieten großes Potenzial auch für die Schule, beispielsweise in Form von adaptiven Lernsystemen, die die individuelle Förderung der Schülerinnen und Schüler unterstützen können. Aus diesem Grunde haben sich die Kultusministerinnen und Kultusminister der Länder in der Strategiepapierergänzung „Lehren und Lernen in der digitalen Welt“ im Jahr 2021 darauf verständigt, KI-Technologien für den unterrichtlichen Einsatz zu fördern. Gleichzeitig sind mit der Nutzung von KI-Anwendungen im Kontext Schule Herausforderungen verbunden. Durch ihre niedrigschwellige Verfügbarkeit wird aktuell viel über KI-basierte Anwendungen – unter anderem zur Text-, Bild-, Musik- oder Videoproduktion – diskutiert. Bildungsverwaltung, Schulen und Lehrkräfte sind herausgefordert, sich mit diesen Entwicklungen und ihren Auswirkungen auf den Unterricht auseinanderzusetzen. Für viele Nutzerinnen und Nutzer stellt sich die Frage, wie solche KI-basierten Anwendungen funktionieren, wie mit ihren Möglichkeiten im Zusammenhang von Erziehung und Bildung an unseren Schulen umgegangen werden soll und welche rechtlichen Rahmenbedingungen dabei zu beachten sind. Es ist wichtig, KI-Anwendungen und ihre Auswirkungen mit den Schülerinnen und Schülern in Schule und Unterricht altersgerecht zu thematisieren, um die jungen Menschen in einem reflektierten und kompetenten Umgang mit dieser Zukunftstechnologie zu unterstützen. Zudem sollte ein Bewusstsein dafür geschaffen werden, dass die Technik bei sachgerechter Nutzung einerseits hilfreich sein, andererseits aber das selbstständige Denken und die pädagogische Interaktion zwischen Lehrkraft und ihren Schülerinnen und Schülern nicht ersetzen kann.
Rahmenprogramm Empirische Bildungsforschung: Künstliche Intelligenzin der Schule – Eine Handreichung zum Stand in Wissenschaft und Praxis:
Dementsprechend sollte die Lehrerbildung angepasst werden, auch durch die Progression der Kompetenzentwicklung, welche durch eine Weiterentwicklung des Kompetenzrahmens für Schülerinnen und Schüler begleitet wird, um beispielsweise zukunftsweisende Kompetenzen in den Handlungsfeldern Künstliche Intelligenz, Big Data, automatisierte Entscheidungssysteme, virtuelle Realität, und Datenschutz – auch in Zusammenarbeit mit der Wirtschaft – sowie Bekämpfung von Desinformation zu ermitteln und integrieren zu können. Dabei sind auch im Zusammenhang des Aufwachsens in der Kultur der Digitalität entstehende medienethische und -pädagogische Fragestellungen für Kinder, Jugendliche und junge Erwachsene zu berücksichtigen.
Hier finden Sie das zugehörige, grundlegende Strategiepapier:
This includes data from the EU Kids Online survey with 25,592 children aged 9 to 16 in 17 countries and additional qualitative interviews with 244 children aged 13 to 17 years in 15 countries. The report identifies emerging patterns, diLerences between groups and countries, and key areas of opportunity and concern. In doing so, it provides an early and policy-relevant insight into how GenAI is reshaping childhood in Europe.
Ein KI-System speziell für den Einsatz in der Schule
Das Land Hessen hat mit dem Aufbau eines AIS (adaptives intelligentes (Lern-)System) begonnen, das generative Funktionen enthalten wird und zum Zwecke der Unterstützung bei der Individualisierung und Differenzierung der Lernwege bereitgestellt wird. Der erste Baustein des Systems ging am 01.10.2025 mit der Bereitstellung einer KI-Chat-Lösungvia Kachel im Schulportal Hessen (SPH) an den Start. Der Funktionsumfang ist länderspezifisch angepasst. Weitere Funktionen sollen im Laufe der Zeit hinzukommen, um den Ansprüchen an ein AIS gerecht zu werden (Stand: 03.10.2025).
Die bekannten Schulbuchverlage bieten inzwischen eine Vielzahl an KI-Tools für Lehrkräfte und Schüler/innen an.
Darüber hinaus gibt es Angebote von zahlreichen neuen Anbietern, die sich gezielt auf die Verwendung von KI im Schulkontext spezialisiert haben.
Wichtig: Es gibt derzeit keine(!) flächendeckende Bereitstellung derartiger Angebote – auch nicht über das örtliche Medienzentrum. Die Beschaffung ist schulspezifisch zu klären und aus eigenen Mitteln vorzunehmen (je nach Paketumfang aus LMF-Mitteln und/oder Fachschafts- und/oder Fortbildungsbudgets).
Dieses Tool bietet mittlerweile umfassende multimodale Funktionen und legt den Fokus auf die Verwendung generativer KI für die Erstellung von Lernmaterialien.
Das im Mai 2025 vorgestellte, (noch) experimentelle KI-System Sparkify ermöglich die Erstellung von kurzen Lernvideos im Stil von Short-Videos, wie sie auf Plattformen wie tiktok, YouTube und Instagram zu finden sind.
Das im August 2025 veröffentlichte Feature "Storybooks" stößt in eine ähnliche Richtung vor wie Sparkify: "Erstellen Sie personalisierte, illustrierte Geschichten zu allen möglichen Themen mit Vorlesefunktion. Beschreiben Sie einfach die gewünschte Geschichte, fügen Sie Dateien und Fotos hinzu, und Gemini erstellt ein einzigartiges 10-seitiges Geschichtenbuch."
Local Chat ist eine in der Basisversion kostenfreie Client-App für iPadOS/iOS. Sie ermöglicht den schnellen Wechsel zwischen verschiedenen LLMs. Das gewählte LLM kann sogar während des laufenden Chats gewechselt und der bisherige Chatinhalt übertragen werden. Die Abrechnung erfolgt nach tatsächlicher Nutzung über den eigenen Entwickleraccount – diesen kann prinzipiell jede Person bei einem der Anbeiter von LLMs problemlos beantragen. Die App bietet eine lokale Chat-Archivierung für eine minimierte Datenerfassung und -speicherung bei den Anbietern. Vorlagen für häufig gebrauchte Prompts können hinterlegt werden. Auch kann das Sprachmodell während eines Chats gewechselt und nahtlos mit Zwischenergebnissen weitergearbeitet werden.
Empfehlung:
OpenAI gpt-oss via Groq nutzen
OpenAI hat am 05.08.2025 mit gpt-oss leistungsfähige Open-Source-LLMs veröffentlicht. Diese lassen sich entweder lokal auf einer leistungsstarken GPU oder z. B. über den Dienst Groq (via optimierter LPUs) sehr kostengünstig ausführen. Auf Groq kann via API-Schlüssel zugegriffen werden (wie oben für alle anderen Anbieter bereits beschrieben). – Weiterhin können die gpt-oss-Varianten u. a. durch Fine Tuning angepasst werden.
Für Experten: Es können sogar eigens trainierte Sprachmodelle in Local Chat eingebunden werden.
Einsatz in der Schule: Installation der Local Chat-App auf Schul-iPads möglich, Verteilen eines(!) aktiven Nutzerschlüssels zu Beginn der Arbeitsphase, Deaktivieren des Schlüssels nach Ende der Arbeitsphase (d. h. nachfolgend keine kostenpflichtige Nutzung mehr möglich bis Reaktivierung) – Vorteil: Lernende müssen keine eigenen Nutzerkonten besitzen und die eingegebenen Daten werden laut Aussage der LLM-Diensteanbieter nicht zu Trainingszwecken verwendet und nach 30 Tagen von den Servern gelöscht. Zudem kann eine Vielzahl sehr leistungsfähiger Modelle genutzt werden, die anderenorts nicht kostenfrei zugänglich sind.
LM Studio ermöglicht die bequeme Nutzung verschiedener Offline-LLMs mit zahlreichen Personalisierungsoptionen. Die App ist sehr umfangreich und daher nur für macOS, Windows und Linux, nicht aber für das iPad erhältlich.
Ebenso wie die Pro-Version für macOS unterstützt die mobile App die lokale (on-device) Transkription von Audio- und Videomedien – wenn auch mit einem weniger leistungsfähigen Standardmodell. Optional kann ein Abonnement abgeschlossen werden, sodass Transkriptionen in der Cloud durchgeführt werden können. Künftig soll über eine Assistentenfunktion eine direkte Weiterverarbeitung der Transkripte mit Text-LLMs (vgl. "ChatGPT") z. B. für das Erstellen von passgenauem Unterrichtsmaterial ermöglicht werden (kostenpflichtig).
MacWhisper Pro ist kostenpflichtig, aber eine für Lehrkräfte sehr nützliche App. Sie ermöglicht die lokale (on-device) Transkription von offline- und online-verfügbaren Audio- und Videomedien. Zudem kann man wiederkehrende Arbeitsschritte hinterlegen und mithilfe der Integration diverser LLMs automatisiert KI-basierte Arbeitsmaterialien zu Audio- und Videomedien erstellen.
Mistral le Chat ist ein europäische Lösung basierend auf einem Open-Source-LLM. Hinsichtlich Datenschutz und Transparenz ist diese Lösung im unmittelbaren Vergleich zu ähnlich leistungsfähigen Applikationen empfehlenswert.
Duck AI (DuckDuckGo) ist aus datenschutzrechtlicher Sicht empfehlenswert (Stand 20.02.2025). Zudem bietet die Plattform die Möglichkeit, aus mehreren LLMs zu wählen, sodass ein Vergleich der erzeugten Ausgaben möglich ist. Im Juli 2025 wurde zudem die Option eingeführt, die Konversation mit dem Chatbot zu konfigurieren (siehe Screenshot unten).
Weiterhin interessant und nützlich für den Unterricht:
Die Websuche DuckDuckGo gibt es von nun an in einer "KI-freien" Variante, die versucht, KI-generierte Inhalte (Texte und Bilder) herauszufiltern und keine KI-generierten Übersichten wie z. B. Google anzeigt. Diese spezielle Websuche kann über die Subdomain noai.duckduckgo.com aufgerufen werden:
Perplexity vereint Internetrecherche und generative ML-Systeme in fortschrittlichster Art und Weise miteinander. Auch wenn mittlerweile andere Lösungen existieren, so sticht dieser Dienst noch immer im Vergleich positiv hervor (Stand 20.02.2025).
DeepL Write bietet eine automatische Korrektur von Rechtschreib-, Grammatik-, Zeichensetzungs- und Ausdrucksfehlern. Die Anwendung kennzeichnet Fehler bereits während der Eingabe und bietet Korrekturen bzw. sinngemäße Alternativen an. Derzeit sind die Sprachen Deutsch, Englisch, Französisch, Spanisch, Italienisch und Portugiesisch verfügbar (Stand: 20.04.2025).
PEER (Paper Evaluation and Empowerment Resource) wurde entwickelt um Schüler beim Verfassen von Aufsätzen zu unterstützen. Von der Grundschule bis zur Universität, von Erzählungen über Erörterungen bis hin zu Textanalysen - PEER gibt dir Tipps wie du deine Aufsätze noch besser machen kannst! Immer freundlich, immer hilfsbereit, immer geduldig.
ElevenLabs bietet die aktuell fortschrittlichste generative "Sprach-KI" auf dem Markt an. Zudem wird mittlerweile eine eigene App (ElevenReader) zum erstellen von Bulletins und Podcasts angeboten – aktuell ist die Nutzung der App nach Registrierung sogar kostenfrei möglich (Stand 20.02.2025).
Warum sollte ich Texte vertonen oder Hörbeiträge erstellen und in meinem Unterricht einsetzen?
Durch Kombination der Deep-Research-Funktion mit einem Reasoning-Modell kann neues, "synthetisches Wissen" generiert werden. Dieses unterscheidet sich maßgeblich von den Ergebnissen der GPT-Modelle, welche lediglich bekannte Daten auf Basis ihres neuronalen Netzes neu miteinander kombinieren (= Erzeugen von Remixes). – Mit dem genierten "synthetischem Wissen" können wiederum LLMs trainiert werden. Dies wird in nächster Zeit maßgeblich die Entwicklung der generativen ML-Systeme beschleunigen.
Interessant im Kontext Maker Education und für technische Ausbildungsberufe (z. B. Industrietechniker, technischer Zeichner, Dreher, etc.): Adobe bietet zahlungspflichtig für Abonennten ein Firefly-Modell an, das Vektorgrafiken erzeugen kann. Diese Grafiken lassen sich dann vielfältig mit der Laser-, Schneide-, Fräs- und Drucktechnik in unserem Medienzentrum weiterverarbeiten.
Weiterhin hat Adobe die Firefly-Plattform mittlerweile um Modelle weiterer Anbieter erweitert, sodass dort eine große Auswahl an Funktionen bereitsteht.
Laut Eigenauskunft bemüht sich Adobe beim Training der Firefly-Modelle um die Wahrung des Urheberrechts: "Um die kommerzielle Nutzung der mit Firefly generierten Inhalte zu ermöglichen, verwendet Adobe für das Training des Firefly-Videomodells lizenzierten Content, etwa von Adobe Stock, sowie gemeinfreie Inhalte, deren Urheberrechtsschutz abgelaufen ist. Content von Userinnen und Usern von Adobe wird nicht für das Training verwendet."
Weiterhin besteht die Möglichkeit, Videos zu übersetzen und die Lippenbewegung an die neue Sprache anzugleichen:
Mittlerweile lassen sich auch 3D-Modelle per Text-Prompt oder anhand einer BIldvorlage erzeugen. Alle Infos zu diesem Thema sind in dieser Edumap zu finden:
Dienste wie Replicate und OpenRouter bieten zahlreiche ML-Systeme für fortgeschrittene Nutzerinnen und Nutzer über einen leistungsfähigen Cloudservice an (Abrechnung nach Nutzung).
Bitte überprüfen Sie stets die Datenschutzkonformität aller – auch der auf dieser Edumap aufgeführten – Dienste zum Zeitpunkt der Verwendung! – Beachten Sie ferner die entsprechenden Hinweise aus der Handreichung des HMKB.
Aktuell wird an Softwarelösungen gearbeitet, die private und personenbezogene Daten lokal pseudonymisieren, bevor die Anfrage an das Sprachmodell in der Cloud übermittelt wird.
"Die Entwicklung von Private Prompts wird im Zeitraum 1.9.2024-28.02.2025 gefördert durch das Bundesministerium für Bildung und Forschung und den Prototype Fund (Förderkennzeichen 01IS24S44)."
Mit HAWKI können öffentliche Institutionen einen datenschutzkonformen Zugang zu generativen KI-Systemen bereitstellen. Hierzu wird eine lokale Umgebung installiert, die pseudonymisierten Zugang zu lokalen und cloudbasierten LLMs ermöglicht. Die grundlegende Software ist ein Open-Source-Projekt und kostenfrei via GitHub verfügbar.
„Mit HAWKI bieten wir einen flexiblen Interaktionsraum, der sich an die individuellen Bedürfnisse jeder Hochschule anpasst, ohne starre Vorgaben zu machen. Unser Ansatz fördert die Zusammenarbeit und den Austausch zwischen Hochschulen, um gemeinsam innovative Werkzeuge zu entwickeln und Ressourcen effizient zu nutzen. Dabei bleibt stets im Fokus, ein offenes, datenschutzkonformes und zukunftssicheres System zu gestalten, das die Möglichkeiten generativer KI für Lehre, Forschung und Verwaltung voll ausschöpft."
Multimodale GPTs sind in der Lage, Text-, Audio- und Bild-/Bewegtbildeingaben gemeinsam zu verarbeiten und entsprechende Ausgaben zu generieren. Im Bildungskontext lässt sich dies z. B. in den Feldern Sprachlernen und MINT nutzen, grundsätzlich aber in jedem Kontext. Hier könnten multimodale GPTs – vorausgesetzt die Antwortqualität ist qualitativ gut und die Lehrkraft kann bestenfalls Einfluss auf das Antwortverhalten des Systems nehmen* – die Differenzierung und Individualisierung des Lernens massiv vorantreiben.
Seit 31.01.2025 ist die im Video demonstrierte KI-Chat-Anwendung für Endnutzer/innen in Europa verfügbar. Mittlerweile gibt es eine speziell beworbene Weiterentwicklung, den sogenannten Lernmodus ("study mode"):
Im Kontext Schule können so z. B. digitale Lernartefakte erstellt werden, die didaktisch unterschiedlich verortet werden können. – Anmerkung des Autors der Edumap: Seit dem Schuljahr 2025/26 setze ich selbst derartige Materialien in meinem eigenen Unterricht höchst erfolgreich ein. Egal ob digitale Inputs, Simulationen, Übungsumgebungen, Auswertungstools oder Reflexions- und Feedbackformate – all das lässt sich mit grundlegenden Codingkenntnissen KI-assistiert realisieren.
In einer zukünftigen Iteration und integriert in ein multimodales GPT-System könnten mithilfe von "Video-KI" individuelle Lernvideos generiert werden, in denen fachliche Inhalte an die individuellen Bedürfnissen der Lernenden angepasst und audiovisuell aufbereitet vermittelt werden.
We’re also introducing a groundbreaking new capability in public beta: computer use. Available today on the API, developers can direct Claude to use computers the way people do—by looking at a screen, moving a cursor, clicking buttons, and typing text.
Google DeepMind präsentierte am 05.08.2025 eine LLM names Genie 3, das in der Lage ist, per Textprompt interaktive, virtuelle Umgebungen in HD-Auflösung zu generieren.
ML-Systeme für den Einsatz in komplexen Aufgabenfelder wie z. B. in der Robotik, werden auf höchst effiziente Weise in einer virtuellen Welt trainiert, um anschließend in bereits optimierter Ausformung Aufgaben in der realen Welt zu übernehmen.
"The next frontier of AI is physical AI. Physical AI models can understand instructions and perceive, interact and perform complex actions in the real world to power autonomous machines like robots and self-driving cars."
Interaktive Podcastserie für Jugendliche – „Zwischen den Räumen“
Die Podcastserie stellt ein freies Lernmaterial zur philosophischen und medientheoretischen Auseinandersetzung mit dem Thema Künstliche Intelligenz beispielsweise im Fach Digitale Welt (Hessen) oder im Informatik- sowie Ethikunterricht dar. Je nach Schulform ist die Verwendung ab Jahrgangsstufe 6 möglich. / Autor und Produktion: Dominik Kluge (zugleich Autor dieser Edumap)
essen.taskcards.app LINK
doi.org LINK
huggingface.co LINK
app1.edoobox.com LINK