Die Teilnahme am Fortbildungstag ist kostenlos. Bitte melden Sie sich über das Formular (s. u.) bis zum 08.03.2025 an. Rufen Sie das Formular alterativ über folgenden Link auf:

https://go.uos.de/MINT

Anreise mit dem Auto: Universität Osnabrück (Campus Westerberg, Gebäude 32) · Barbarastr. 7 · 49076 Osnabrück
Anreise mit dem Zug: Osnabrück ist mit dem Zug gut zu erreichen. Vom Hauptbahnhof kommt man mit dem Bus in gut 15 Minuten zur Zielhaltestelle „Campus Westerberg“ oder „Botanischer Garten“. Die Fahrtzeiten können mithilfe des Fahrplaners geplant werden.

Prof. Dr. Marco Beeken

Fachbereich Biologie/Chemie - Didaktik der Chemie
Universität Osnabrück
Barbarastr. 7 - 49076 Osnabrück
Telefon: (0541) 969-3378
Sekretariat: (0541) 969-3328
E-Mail: Marco.Beeken@uni-osnabrueck.de

Daniel Becker, M.Ed.

Fachbereich Biologie/Chemie - Didaktik der Chemie
Universität Osnabrück
Barbarastr. 7 - 49076 Osnabrück
Telefon: (0541) 969-2465
E-Mail: daniel.becker@uni-osnabrueck.de

Mit der zunehmend flächendeckenderen Ausstattung von Schulen mit digitalen Endgeräten ist ein wichtiger Schritt in Richtung Digitalisierung des Bildungswesens getan. Somit eröffnen sich auch neue Möglichkeiten und Wege, Zukunftstechnologien wie Künstliche Intelligenz (KI) in den Chemieunterricht zu integrieren. Um KI nutzen zu können, benötigen Lehrkräfte jedoch auch fachspezifische digitale und didaktische Kompetenzen [1]. Hierzu wurden Fortbildungskonzepte entwickelt, in welchem Naturwissenschaftslehrkräfte (erste) Eindrücke möglicher Nutzungsszenarien erhalten können. Ziel dieses Weiterbildungsangebots ist es, den Lehrkräften nicht nur theoretisches Wissen, sondern auch praktische Kompetenzen hinsichtlich der Verwendung dieser Technologie zu vermitteln, um den naturwissenschaftlichen Unterricht digital-adaptiv [2,3] gestalten zu können. Der Vortrag gibt Einblicke in die Genese und einzelne Elemente der Fortbildungen rund um Zukunftstechnologien mit einem besonderen Schwerpunkt auf das Lernen mit und über Künstliche Intelligenz.

[1] Huwer, J., Banerji, A., & Thyssen, C. (2020). Digitalisierung ‐ Perspektiven für den Chemieunterricht. Nachrichten aus der Chemie, 68, 10-16. doi:10.1002/nadc.20204100187
[2] Corno, L. (2008). On Teaching Adaptively. Educational Psychologist, 43, 161-173. doi:10.1080/00461520802178466
[3] Plass, J., & Pawar, S. (2020). Toward a taxonomy of adaptivity for learning. Journal of Research on Technology in Education, 52, 275-300. doi:10.1080/15391523.2020.1719943

Zu den zentralen Versprechen, mit denen Künstliche Intelligenz (KI) in der Bildung eingesetzt wird, gehört, das Lernen endlich über die Begrenzungen menschlicher Möglichkeiten hinaus individualisieren zu können [1]. Gleichzeitig berichten viele Lehrkräfte und Dozierende von Unsicherheiten darüber, wie Schülerinnen und Schüler große Sprachmodelle (LLMs) wie ChatGPT tatsächlich nutzen. Studien stellen in Frage, ob eine Nutzung fachliches Lernen fördert oder eher oberflächliche Lösungen begünstigt (z. B. [2][3]). Der Workshop greift diese Spannung zwischen didaktischem Potenzial und Herausforderung auf. Am Beispiel des Anfangsunterricht Chemie bietet der Workshop die Möglichkeit, eine konkrete Stunde im Themenfeld chemische Reaktion / Verbrennung (Klassenstufen 7 der 8) mit Demonstrationsversuch kennenzulernen, in denen Schüler:innen individualisiert mit einem LLM-basierten Chatbot interagieren konnten. Der Chatbot wurde durch einen forschungsbasierten Masterprompt gesteuert, der zentrale Strategien der Conceptual-Change-Forschung – insbesondere kognitiven Konflikt [5] und cognitive bridging [6] – gezielt implementierte, um individuelles Feedback zu Schülervorstellungen zu ermöglichen. In Rahmen einer empirischen Studie liegen Analysen der Interaktionen von mehr als 100 Schüler:innen vor, die – neben den Arbeitsmaterialien, dem Stundenverlauf und dem Masterprompt für den Chatbot – die Grundlage des Workshops bilden. Konkret analysieren wir gemeinsam Schüler:innenprompts und die dazugehörigen KI-Antworten. Wir rekonstruieren typische Schüler:innenvorstellungen zur Massenerhaltung, identifizieren produktive und problematische Verläufe mit dem Chatbot und diskutieren, inwiefern unterschiedliche Promptformulierungen Lernprozesse fördern oder behindern. Wir diskutieren weiterhin forschungsbasierte Vorschläge (z. B., [4]), wie optimale(re)s Prompten durch die Lernenden umgesetzt und im Unterricht thematisiert werden kann und welche Verknüpfungen es zur Konzeptwechselforschung und zu alternativen Stundenplanungen gibt. Die Teilnehmenden gewinnen ein vertieftes Verständnis dafür, wie KI-basierte Chatbots als adaptive Lernpartner im MINT-Unterricht eingesetzt werden können, was problematische Nutzungen sind und wie Lernenden angeleitet werden können, KI zur Förderung und nicht zum Abkürzen ihres eigenen Lernens zu benutzen.

Literatur:
[1] Alasadi, E. A., & Baiz, C. R. (2023). Generative AI in Education and Research: Opportunities, Concerns, and Solutions. Journal of Chemical Education, 100(8), 2965–2971. https://doi.org/10.1021/acs.jchemed.3c00323
[2] Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. ArXiv Doi:10.48550/ArXiv.2506.08872. http://arxiv.org/abs/2506.08872
[3] Leon, A. J., & Vidhani, D. (2023). ChatGPT Needs a Chemistry Tutor Too. Journal of Chemical Education. https://doi.org/10.1021/acs.jchemed.3c00288
[4] Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, 55(9), 1–46. https://doi.org/10.1145/3560815
[5] Strike, K. A., & Posner, G. J. (1982). Conceptual change and science teaching. European Journal of Science Education, 4(3), 231–240. https://doi.org/10.1080/0140528820040302
[6] Vidak, A., Odžak, S., & Mešić, V. (2019). Teaching about thermal expansion: investigating the effectiveness of a cognitive bridging approach. Research in Science and Technological Education, 37(3), 324–345. https://doi.org/10.1080/02635143.2018.1551200

In diesem Workshop werden Anwendungsbereiche der Immersiven Virtuellen Realität (IVR) vorgestellt, ausprobiert und diskutiert. Unter IVR wird dabei Virtuelle Realität verstanden, die mittels VR-Brillen rezipiert wird und somit einen hohen Grad an Immersion aufweist. Eine zentrale Frage ist, inwieweit und unter welchen Umständen sich VR-Brillen als neue Technologie im Biologieunterricht integrieren lassen. Um dieser Frage gemeinsam im Workshop zu nachzugehen, werden zunächst die Grundlagen der Technologie in einem kurzen Input erläutert. Anschließend werden zwei konkrete Anwendungsszenarien durch die Teilnehmenden ausprobiert und abschließend diskutiert. Die Anwendungsbeispiele unterscheiden sich dabei in ihrer Interaktivität aber auch in der Komplexität ihrer Erstellung. Zum einen wird ein 360°-Video zur nachhaltigeren Landwirtschaft vorgestellt, in dem virtuell durch einen vergleichsweise nachhaltig gestalteten Schweinestall geführt wird. Der inhaltliche Fokus des Videos liegt nicht auf den Unterschieden zu einem konventionellen Schweinestall, sondern vielmehr wird erläutert, welche Merkmale diesen Stall auszeichnen. Zum anderen wird eine App zur Humananatomie vorgestellt, in der mit einem immersiven Herzmodell interagiert werden kann. Hier liegt der Fokus auf dem Lernen der Struktur und Funktion des menschlichen Herzens, wobei das Wissen über ein Quiz eigenständig abgeprüft werden kann. Abschließend wird die Frage diskutiert, mit welchen Zielen beide Anwendungen sinnvoll eingesetzt werden können und unter welchen Rahmenbedingungen dies lernwirksam gelingen kann.

Formatives Feedback gehört zu den wirkungsvollsten Hebeln für Lernfortschritte im Physikunterricht: Es unterstützt Lernende dabei, ihre Vorstellungen zu überprüfen, fachliche Modelle zu präzisieren und Strategien beim Problemlösen weiterzuentwickeln. Gerade in Physik ist dies besonders relevant, weil Lernprozesse häufig von stabilen Fehlvorstellungen (z. B. zu Kraft, Energie, Stromkreis, Druck oder Wärme) geprägt sind und Lernende ihre Denkwege in offenen Antworten, Skizzenbeschreibungen oder Begründungen sichtbar machen. Gleichzeitig zeigt die Unterrichtspraxis: Obwohl diagnostisch fundiertes, zeitnahes Feedback wünschenswert wäre, kommt es im Alltag oft zu selten zum Einsatz – nicht wegen fehlender Überzeugung, sondern weil die Auswertung offener Schüler:innenantworten und die Formulierung differenzierter Rückmeldungen sehr zeitaufwendig sind, insbesondere in größeren Lerngruppen. Der Workshop setzt hier an und zeigt, wie Large Language Models (LLMs) genutzt werden können, um Analyse- und Feedbackprozesse im Physikunterricht zu unterstützen und zu beschleunigen – mit dem Ziel, formatives Feedback häufiger, schneller und gezielter zu ermöglichen. Im Zentrum stehen lokal betriebene LLMs, die ohne Cloud-Anbindung direkt auf dem eigenen Laptop laufen. Dadurch lassen sich viele typische Hürden (Datenschutz, sensible Lernendendaten, institutionelle Vorgaben) deutlich reduzieren. Praxisnah arbeiten die Teilnehmenden mit beispielhaften Daten aus dem Physikunterricht (z. B. Erklärungen im Kontext Energie). Gemeinsam nutzen wir lokale LLMs, um Muster in Antworten zu erkennen, Lernstände und typische Denkfiguren zu diagnostizieren (z. B. „Energie als Stoff“) und daraus konkretes, lernförderliches Feedback abzuleiten. Dabei geht es nicht um „automatisches Korrigieren“, sondern um KI-gestützte Unterstützung bei der strukturierenden Auswertung: Welche Kategorien sind sinnvoll? Welche Hinweise helfen Lernenden beim nächsten Denk- oder Lösungsschritt? Wie kann Feedback fachlich korrekt, knapp und motivierend formuliert werden? Ein weiterer Schwerpunkt ist die reflexive Promptentwicklung: Die Teilnehmenden lernen, wie man Prompts iterativ so entwickelt, dass das Modell physikdidaktisch relevante Kategorien nutzt, fachlich präzise bleibt, Unsicherheiten transparent macht und Rückmeldungen an Kompetenz- und Anforderungsniveaus anschließt. Grenzen, Risiken (Halluzinationen, Scheingenauigkeit) und Qualitätschecks werden explizit thematisiert. Für die aktive Teilnahme ist ein eigener Laptop mit lokal (flüssig) laufendem LLM erforderlich (z. B. über LM Studio, https://lmstudio.ai/). Grundlagen in Bezug auf Prompting sind ebenfalls hilfreich.

Künstliche Intelligenz (KI) bietet vielfältige Möglichkeiten für die Gestaltung des Chemieunterrichts: Von der Erstellung differenzierter Unterrichtsmaterialien mit ChatGPT & Co. bis hin zur Nutzung individueller KI-Tutoren – die Nutzung von KI kann bei der zeiteffizienten Vor- und Nachbereitung von adaptivem, für die Schülerinnen und Schüler spannendem Unterricht helfen. Aber: KI ist nicht ChatGPT! Gerade in den naturwissenschaftlichen Fachdisziplinen sind KI-Systeme wie bspw. „AlphaFold“ inzwischen hochrelevante und nicht mehr wegzudenkende Werkzeuge, die die naturwissenschaftliche Forschung und Praxis grundlegend verändern. Der Workshop thematisiert daher die verschiedenen Nutzungsmöglichkeiten von KI rund um den Chemieunterricht und bietet Raum, konkrete Nutzungstipps und Promptingstrategien auszuprobieren. Außerdem wird ein konkretes Stundenbeispiel vorgestellt und diskutiert, wie Schülerinnen und Schülern der gymnasialen Oberstufe die Rolle von KI in naturwissenschaftlicher Forschung und Anwendung sowie die mit der Verwendung dieser Technologie einhergehenden Potenziale und Risiken vermittelt werden können.

Im Workshop „Mensch vs. KI - Ergebnis und Methodenvergleich bei einer Blattbestimmung?“ setzen sich Lehrkräfte praxisnah mit dem Einsatz von Künstlicher Intelligenz im MINT-Unterricht auseinander. Ausgangspunkt ist eine Unterrichtseinheit für die 7. und 8. Klasse, in der Schülerinnen und Schüler lernen, Laubblätter biologisch zu bestimmen und gleichzeitig Chancen und Grenzen von KI-basierten Bestimmungssystemen strukturiert auszuloten. Die Teilnehmenden erhalten Einblicke in die Struktur und Ziele der Einheit: Zunächst werden charakteristische Merkmale von Laubblättern zur Unterscheidung verschiedener Arten mit dem menschlichen Auge untersucht. Anschließend planen und dokumentieren sie das Trainieren und Testen einer KI-basierten Bilderkennungsfunktion und interpretieren die KI-Ergebnisse hinsichtlich möglicher Schlussfolgerungen zu deren Funktionsweise. Im Workshop werden Materialien, methodische Zugänge und mögliche didaktische Reflexionspunkte vorgestellt, um Lehrkräfte für den reflektierten und kompetenzorientierten Einsatz von KI im MINT-Unterricht zu stärken. Der Fokus liegt auf Verständnis der KI-Funktionsweise, kritischer Bewertung von Ergebnissen und der Förderung fachlicher sowie digitaler Kompetenzen.

Künstliche Intelligenz (KI) ist längst Teil unseres Alltags und gewinnt auch im Bildungskontext zunehmend an Bedeutung. Für viele Schülerinnen und Schüler gehört der Einsatz von KI-gestützten Anwendungen, insbesondere im schulischen Umfeld, bereits zur Selbstverständlichkeit. Ziel dieser Fortbildung ist es, Lehrkräften eine fundierte Einführung in die aktuellen Entwicklungen rund um KI und deren Anwendungsmöglichkeiten im naturwissenschaftlichen Unterricht zu vermitteln. Mit einer Kombination aus theoretischen Impulsen und praxisorientierten Anwendungsbeispielen lernen die Teilnehmenden, wie KI – insbesondere ChatGPT – sinnvoll und reflektiert im Unterricht eingesetzt werden kann. Ein besonderer Fokus liegt dabei auf didaktisch durchdachtem Prompting, der Unterrichtsvorbereitung sowie der Differenzierung. Darüber hinaus werden weitere aktuelle KI-Tools vorgestellt und konkrete Ideen zur Integration in den Fachunterricht diskutiert. Die Fortbildung bietet Raum für den kollegialen Austausch über Chancen und Herausforderungen eines verantwortungsvollen Umgangs mit KI in Schule und Unterricht.