Mathematisches Modellieren – mit und ohne KI
Methodenguide für Lehrkräfte: Wie lässt sich mathematisches Modellieren im Unterricht so gestalten, dass KI-Werkzeuge sinnvoll eingebunden werden, ohne den Lernprozess zu unterlaufen?
Druckfertig · A4 · 2 Seiten · 49 KB
Überblick für Lehrkräfte
Dieser Methodenguide hilft Ihnen, mathematisches Modellieren so zu unterrichten, dass die Kernkompetenz – die Übersetzung realer Situationen in Mathematik – auch im KI-Zeitalter erhalten bleibt.
Das Problem
Wenn Schülerinnen und Schüler eine Modellierungsaufgabe direkt in ChatGPT eingeben, erhalten sie oft ein fertiges mathematisches Modell. Der eigentliche Lernprozess – Annahmen treffen, vereinfachen, mathematisch formulieren – wird übersprungen.
Die Lösung: Prozessorientierte Aufgabenstellung
Statt die Lösung abzufragen, legen Sie den Fokus auf den Weg zur Lösung:
Phase 1: Situation verstehen (ohne KI)
- Schüler beschreiben die reale Situation in eigenen Worten
- Sie identifizieren relevante Größen und Zusammenhänge
- Sie formulieren eigene Annahmen und Vereinfachungen
Phase 2: Modell aufstellen (ohne KI)
- Übersetzen der verbalen Beschreibung in mathematische Notation
- Dokumentation jeder Entscheidung: „Warum habe ich diese Variable gewählt?”
- Skizzen und Diagramme als Brücke zwischen Realität und Modell
Phase 3: Modell prüfen (mit KI erlaubt)
- KI-Tool darf zur Verifikation eingesetzt werden
- Vergleich des eigenen Modells mit dem KI-Vorschlag
- Kritische Reflexion: Wo unterscheiden sich die Ansätze? Warum?
Phase 4: Reflexion (ohne KI)
- Was hat mein Modell gut abgebildet?
- Welche Annahmen waren problematisch?
- Wie unterschied sich mein Modellierungsprozess von dem der KI?
Beispielaufgaben im Guide
- Warteschlange an der Mensa – Lineare vs. exponentielle Modellierung
- Temperaturverlauf im Klassenzimmer – Funktionsanpassung an Messdaten
- Wasserverbrauch der Schule – Statistisches Modellieren mit realen Daten
Bewertungskriterien
Der Guide enthält ein Bewertungsraster, das den Prozess stärker gewichtet als das Ergebnis:
| Kriterium | Gewichtung |
|---|---|
| Qualität der Annahmen | 25% |
| Dokumentation des Modellierungsprozesses | 30% |
| Mathematische Korrektheit | 20% |
| Reflexion und Vergleich mit KI | 25% |