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?
KI-Kontext
KI-Tools wie ChatGPT können mathematische Modellierungsaufgaben lösen — aber sie überspringen dabei den entscheidenden Lernschritt: die Übersetzung von Realität in Mathematik. Dieser Guide zeigt, wie Lehrkräfte Aufgaben so stellen können, dass der Modellierungsprozess im Fokus bleibt.
Geförderte Kompetenzen
- Reale Situationen in mathematische Modelle übersetzen
- Modellierungsprozess reflektieren und dokumentieren
- KI-Ergebnisse kritisch prüfen und einordnen
- Eigene Annahmen explizit machen und begründen
Material herunterladen
Dieses Methodenguide steht als druckfertiges PDF zur Verfügung.
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% |