2023-12-12 Nijhawan 2 G7 ES 5 – Schüler verbessern KI-Bild mit Schreibfehlern durch iterative Prompts (Instructural Prompting)

Im Rahmen des BMBF-Verbundprojekts ViFoNet (2023–2025) wurde im Teilprojekt 3.2 (Anglistik) beforscht, wie critical digital literacy im Englischunterricht gefördert werden kann. Beforscht wurde insbesondere der Einsatz von KI-gestützten Tools (z. B. ChatGPT, DALL·E) sowie deren Potenzial für einen kritisch-reflexiven Umgang mit KI im Fremdsprachenlernen.

Die Interventionsstudie wurde im Design-Based-Research-Ansatz in Zusammenarbeit mit Schulen durchgeführt. Lehrkräfte erhielten Unterrichtsentwürfe und Materialien, die mit Laptops umgesetzt wurden. Darin wurden KI-Tools praktisch eingesetzt und inhaltlich reflektiert.

Der vorliegende Videoausschnitt zeigt eine humorvolle, aber zugleich reflektierte Sequenz, in der Schüler*innen mithilfe eines Instructural Prompts die KI beauftragen, ein Bild zum Thema Quality Education zu generieren.

1:12 min: Erstes Bild erscheint mit Textfehler („educatiojn“) – die Schüler*innen loben das Motiv, kritisieren aber die Grammatik.

Sie prompten: „Please correct the grammar on education“, doch die KI erkennt das abgeschnittene Wort nicht.

Nach erneuter Eingabe korrigiert die KI sie selbst („It’s spelled Education“).

Die Lernenden hängen das fehlerhafte Bild an und fordern: „Can you correct the grammar in this picture?“

Die KI bestätigt den Fehler und fragt, ob ein neues Bild generiert werden soll – die Schüler*innen antworten „Yes, please“.

5:08 min: Zweites, korrekt geschriebenes Bild erscheint.

Die Szene illustriert iteratives Prompting und den kritischen Umgang mit Fehlern in KI-generierten Textbildern. Dabei werden sprachliche Präzision, Problemlösekompetenz und technische Reflexionsfähigkeit gefördert.

Dieser Videoausschnitt ist mittels eines für diesen Zweck programmierten machine-learning Tools anonymisiert, da das Lernen mit anonymisierten Videos einen Teil des Forschungsprojekts bildete. Bei dem Tool handelt es sich um VAiEd (Videoanonymization in education), welches die Köpfe der im Video sichtbaren Personen trackt und dann mit einem neu erstellten, in den Gesichtsparametern randomisierten 3D-Modell überlagert. Haare wurden entweder durch einen kreisförmigen gauss'schen Blur oder in späteren Videos durch eine dedizierte Haarerkennung ersetzt. Edge-cases, die der Algorithmus nicht erkannte wurden manuell geblurt. Sprache wurde durch Pitchshift und Modulation verfremdet. Alle Englischvideos enthalten zudem fest eingebrannte Untertitel.