Didaktische Hinweise

In diesem Modul werden grundlegende Kompetenzen aus den Bereichen Data Science und AI Education vermittelt. Der Fokus liegt auf der praktischen Anwendung von Datenanalyse-Methoden und der Einführung in relevante Konzepte sowie Technologien (beispielsweise im Umgang mit KI-Systemen).

Die Teilnehmenden führen verschiedene Datenanalysen durch und erlernen dabei essenzielle Data Moves (Erickson u. a. 2018), darunter das Einlesen, Filtern, Gruppieren, Aggregieren und Visualisieren von Daten. Die thematischen Schwerpunkte umfassen die Untersuchung der Luftqualität in deutschen Großstädten, die Analyse der Waldbrandgefahr in Deutschland sowie die Bewertung des Potenzials von Photovoltaik-Anlagen auf Dachflächen in der Region.

Ein weiterer Bestandteil ist die Vermittlung von Grundlagen des maschinellen Lernens. Dabei wird ein lineares Regressionsmodell entwickelt, mit historischen Daten trainiert und analysiert. Ergänzend dazu wird ein KI-Modell zur Objekterkennung verwendet, um auf Luftbildern (Orthofotos) Photovoltaik-Anlagen zu identifizieren.

Für die Datenanalyse wird die Programmiersprache Python verwendet. Vorkenntnisse werden nicht vorausgesetzt, da alle wichtigen Konzepte schrittweise eingeführt werden. Programmiert wird in sogenannten Jupyter Notebooks, die als interaktive Arbeitsblätter fungieren. In diesen können Texte und Programmcode geschrieben werden und anschließend direkt in der Umgebung ausgeführt. Zudem erfolgt eine Einführung in verschiedene Programmierbibliotheken, wie pandas, plotly, pvlib, numpy und scipy, die für die Bearbeitung und Analyse der Daten eingesetzt werden.

Neben informatischen Konzepten werden auch Konzepte aus dem Bereich Erdbeobachtung und Fernerkundung behandelt. Unter anderem wird der Unterschied zwischen Vektor- und Rasterdaten thematisiert und verschiedene raumbezogene Analyse durchgeführt.

Darüber hinaus lassen sich zahlreiche Schnittstellen zu anderen Fächern identifizieren. So wird beispielsweise die Bestrahlungsstärke der Sonne auf eine Fläche anhand verschiedener Parameter berechnet (Physik) und die Entstehung von Schadstoffen thematisiert (Chemie).

Das Modul kombiniert theoretische Grundlagen mit praxisnahen Anwendungen, um ein fundiertes Verständnis für die Herausforderungen und Möglichkeiten moderner Datenanalysen und Künstlicher Intelligenz zu schaffen.

Die Teilnehmenden werden dabei von einem KI-Assistenten unterstützt, der Tipps und Feedback zum Lernprozess gibt. In diesem Ko-Konstruktionsprozess (Cress und Kimmerle 2023) sollen die Teilnehmenden einen verantwortungsvollen und lernförderlichen Umgang mit KI-Systemen erlernen.

Lernziele

Durch den interdisziplinären Charakter des Projektes werden neben dem Erwerb von informatischen Kompetenzen auch eine Vielzahl fachspezifischer Kompetenzen und Kenntnisse aus verschiedenen Disziplinen wie Physik, Mathematik, Geographie, Biologie angestrebt.

Die Lernziele sind zunächst lehrplanunabhängig formuliert. Ein Verweis auf die Bildungsstandards Informatik der Gesellschaft für Informatik, die die Grundlage für einen Großteil der Kernlehrpläne in den Bundesländern bilden, findet sich weiter unten.

Data Literacy

Die Schüler:innen …

führen verschiedene Data Moves in der Programmiersprache Python durch:
- Daten einlesen
- Daten filtern
- Daten gruppieren
- Daten aggregieren (Mittelwert, Summe)
- Daten visualisieren (Scatterplot, Barchart, Boxplot, Lineplot)
interpretieren und beschreiben Daten anhand von verschiedenen Visualisierungen
führen ein Datenprojekt, indem Sie die Phasen des Data Literacy Frameworks durchlaufen
verwenden und kombinieren geeignete Programmierbibliotheken zur Analyse und Transformation von Daten

AI Education

Die Schüler:innen …

überprüfen Messdaten paarweise auf einen möglichen linearen Zusammenhang, indem Sie diese in einem Streudiagramm gegenüberstellen
unterscheiden zwischen abhängigen (Ziel-) und unabhängigen (Eingabe-) Variablen
modellieren und implementieren ein lineares Regressionsmodell (Einfache und multiple lineare Regression)
entwickeln ein Verständnis für die Funktionsweise des Gradientenverfahren (Lernverfahren) kennen, indem sie die Parameter eines linearen Modells schrittweise optimieren
verwenden ein KI-Modell zur Analyse von Umweltdaten (Objekterkennung auf Orthofotos)
bewerten die Vorhersagegenauigkeit eines Klassifikationsmodells anhand von Treffergenauigkeit (Precision) und Trefferquote (Recall)

Domänenspezifische Lernziele

Die Schüler:innen …

unterscheiden zwischen Raster- und Vektordaten
untersuchen die Entwicklung der Schadstoffkonzentration im Verlauf der letzten drei Jahrzehnte (Zeitreihen)
ermitteln primäre Quellen für die Emission von Schadstoffen
beschreiben und erläutern den typischen Verlauf der Schadstoffkonzentration innerhalb eines Jahres / einer Woche
untersuchen den Einfluss verschiedener Umweltfaktoren wie Trockenheit, Hitze und Vegetation auf die Entstehung von Waldbränden
untersuchen, wie sich Neigung und Ausrichtung einer Dachfläche auf die Bestrahlungsstärke auswirken
bewerten die Eignung einer Dachfläche für den Einsatz von Photovoltaik, indem sie verschiedene Kriterien abwägen
ermitteln ungenutzte Dachflächen für die Installation von PV-Anlagen, indem Sie vorhandene PV-Anlagen auf Dächern identifizieren

Exemplarische Unterrichtssequenz

Die Zeitangaben basieren auf Erfahrungen, welche im Rahmen von zwei Erprobungen der Materialien gemacht wurden. Die Schülerinnen und Schüler, welche an den Erprobungen teilgenommen haben, verfügten bereits über gute Programmierkenntnisse. Je nach Vorkenntnissen der Schülerinnen und Schüler ist daher mit einer höheren Zeitaufwand zu rechnen.

2 x 45 Minuten
#	Dauer	Phase	Material	Hinweise
1	10 Minuten	Einleitung	Folien
2	35 Minuten	Gesetzliche Grenzwerte	Notebook
3	15 Minuten	Besprechung der Ergebnisse		Vorstellung der Ergebnisse von 1 bis 2 Gruppen Erkenntnisse sammeln
4	20 Minuten	Entwicklung der Luftqualität	Notebook
5	10 Minuten	Besprechung der Ergebnisse		Vorstellung der Ergebnisse von 1 bis 2 Gruppen Erkenntnisse sammeln

2 x 45 Minuten
#	Dauer	Phase	Material	Hinweise
1	10 Minuten	Einleitung	Folien
2	30 Minuten	Einfache Lineare Regression	Notebook
3	15 Minuten	Besprechung		Vorstellung der Ergebnisse von 1 bis 2 Gruppen Erkenntnisse sammeln
4	20 Minuten	Multiple Lineare Regression	Notebook
5	15 Minuten	Besprechung		Vorstellung der Ergebnisse von 1 bis 2 Gruppen Erkenntnisse sammeln Modellannahmen und -limitierungen diskutieren

3 x 45 Minuten
#	Dauer	Phase	Material	Hinweise
1	10 Minuten	Einleitung	Folien
2	50 Minuten	Solarkataster	Notebook
3	20 Minuten	Besprechung		Vorstellung der Ergebnisse von 1 bis 2 Gruppen Auswahl geeigneter Dachflächen diskutieren Eignung hinsichtlich Wirtschaftlichkeit diskutieren
4	30 Minuten	Object Detection	Notebook
5	25 Minuten	Besprechung		Vorstellung der Ergebnisse von 1 bis 2 Gruppen Handlungsoptionen besprechen (Politik ansprechen)

Materialien zum Herunterladen

Herunterladen

NRW
Berlin

Prozessbezogene Kompetenzen

Die Schülerinnen und Schüler …

Argumentieren

analysieren und erläutern informatische Modelle.
beurteilen die Angemessenheit informatischer Modelle.

Modellieren

konstruieren zu kontextbezogenen Problemstellungen informatische Modelle.
modifizieren und erweitern informatische Modelle.

Implementieren

implementieren auf der Grundlage von Modellen oder Modellausschnitten Computerprogramme.
modifizieren und erweitern Computerprogramme.
testen und korrigieren Computerprogramme.

Darstellen und interpretieren

interpretieren Daten und erläutern Beziehungen und Abläufe, die in Form von textuellen, grafischen oder formalen Darstellungen gegeben sind.
stellen informatische Modelle und Abläufe in Texten, Tabellen, Diagrammen und Grafiken dar.

Kommunizieren und Kooperieren

verwenden Fachausdrücke bei der Kommunikation über informatische Sachverhalte.
kommunizieren und kooperieren in Gruppen und in Partnerarbeit.

Inhaltsbezogene Kompetenzen

Die Schülerinnen und Schüler …

Algorithmen

analysieren und erläutern Algorithmen und Programme
modifizieren Algorithmen und Programme
implementieren iterative und rekursive Algorithmen auch unter Verwendung von dynamischen Datenstrukturen
erläutern Operationen dynamischer Datenstrukturen

Formale Sprachen und Automaten

nutzen die Syntax und Semantik einer Programmiersprache bei der Implementierung und zur Analyse von Programmen
interpretieren Fehlermeldungen und korrigieren den Quellcode

Informatik, Mensch und Gesellschaft

untersuchen und bewerten Problemlagen, die sich aus dem Einsatz von Informatiksystemen ergeben, hinsichtlich rechtlicher Vorgaben, ethischer Aspekte und gesellschaftlicher Werte unter Berücksichtigung unterschiedlicher Interessenlagen.
untersuchen und beurteilen Grenzen des Problemlösens mit Informatiksystemen

Abschlussorientierte Standards

Informatisches Modellieren

analysieren Realitätsausschnitte und wählen ein geeignetes Modellierungsverfahren aus,
variieren und erweitern vorgegebene Modelle,
entwickeln, implementieren, testen und validieren einfache Modelle,
reflektieren und beurteilen die eigene Modellierung

Mit Information umgehen

analysieren und strukturieren Informationen
konstruieren Daten- bzw. Objektstrukturen und wenden auf diese geeignete Algorithmen bzw. Methoden an
speichern und übertragen wieder verwendbare Ergebnisse in geeigneter Form

Problemlösen

wenden die Phasen des Problemlöseprozesses (informelle Problembeschreibung, formale Modellierung, Implementierung und Realisierung, Bewertung und Modellkritik) an
setzen im Problemlöseprozess einfache Entwicklungswerkzeuge ein
wählen informatische Werkzeuge zur Problemlösung (selbstständig) aus und begründen die getroffene Auswahl, (z. B. Programmiersprachenparadigma) (LK)

Wechselwirkung zwischen Informatiksystemen, Mensch und Gesellschaft beurteilen

bewerten Risiken und Chancen von Informatiksystemen

Kompetenzen und Inhalte

Datenbanken ¹

Abfragen (Projektion, Selektion, Join)
Zugriff auf Datenbanken aus Programmiersprachen

Programmentwicklung

Integration vorhandener Software-Bausteine in eigene Programme

Informatik, Mensch und Gesellschaft

Anwendungen und Auswirkungen von Informatiksystemen im Kontext (Künstliche Intelligenz und künstliches Leben)

Berlin
NRW

Die Schülerinnen und Schüler …

Raumanalyse

veranschaulichen geografische Sachverhalte in grafischen Darstellungen und erklären Sachzusammenhänge mithilfe von Modellen

Raumverständnis und Problemsichten

erklären Ursachen und Folgen von Naturkatastrophen und anthropogen herbeigeführten ökologischen Problemen und diskutieren Möglichkeiten der Bewältigung und Lösung dieser Probleme.

Raumbewertung

erörtern und bewerten Möglichkeiten von Raumentwicklungen in Abhängigkeit von Individuen und Institutionen und hinsichtlich gesellschaftlich relevanter Kriterien,
beurteilen Raumstrukturen oder Raumentwicklungen anhand vorgegebener Kriterien (GK)
beurteilen Raumstrukturen oder Raumentwicklungen anhand selbst gewählter Kriterien oder vorgegebener Fragestellungen (LK)

Inhaltsfelder

Inhaltsfeld 1: Lebensräume und deren naturbedingte sowie anthropogen bedingte Gefährdung (Waldbrände)

erläutern anthropogene Einflüsse auf gegenwärtige Klimaveränderungen und deren mögliche Auswirkungen (u. a. Zunahme von Hitzeperioden, Waldbränden und Starkregen und Sturmereignissen),
beurteilen Möglichkeiten zur Begrenzung des globalen Temperaturanstiegs vor dem Hintergrund der demographischen und ökonomischen Entwicklung (PV-Anlagen auf Dachflächen)

Inhaltsfeld 2: Raumwirksamkeit von Energieträgern und Energienutzung

erläutern ökonomische, ökologische und soziale Auswirkungen der Förderung von fossilen Energieträgern (Luftqualität)
bewerten Möglichkeiten und Grenzen von regenerativer Energieerzeugung unter Berücksichtigung von wirtschaftlichen Interessen und Erfordernissen des Klimaschutzes (PV-Anlagen auf Dachflächen)

Inhaltsfeld 5: Stadtentwicklung und Stadtstrukturen

bewerten Maßnahmen für eine nachhaltige Stadtentwicklung im Spannungsfeld von Mobilität und Lebensqualität (Luftqualität)
erörtern Chancen und Risiken von Maßnahmen zur Dezentralisierung und Dekonzentration unter ökonomischen, ökologischen und sozialen Aspekten (PV-Anlagen auf Dachflächen)

Literatur

Cress, Ulrike, und Joachim Kimmerle. 2023. „Co-Constructing Knowledge with Generative AI Tools: Reflections from a CSCL Perspective“. International Journal of Computer-Supported Collaborative Learning 18 (4): 607–14. https://doi.org/10.1007/s11412-023-09409-w.

Erickson, Tim, Bill Finzer, Frieda Reichsman, und Michelle Wilkerson. 2018. „Data Moves: One Key to Data Science at the School Level“, 6.

Fußnoten

Die Python Bibliothek pandas wird in diesem Kontext als SQL-ähnliche Sprache aufgefasst↩︎

Wiederverwendung

CC BY-SA 4.0

--- title: "Didaktische Hinweise" format: html number-sections: false --- In diesem Modul werden grundlegende Kompetenzen aus den Bereichen Data Science und AI Education vermittelt. Der Fokus liegt auf der praktischen Anwendung von Datenanalyse-Methoden und der Einführung in relevante Konzepte sowie Technologien (beispielsweise im Umgang mit KI-Systemen). Die Teilnehmenden führen verschiedene Datenanalysen durch und erlernen dabei essenzielle **Data Moves** [@ericksonDataMovesOne2018], darunter das Einlesen, Filtern, Gruppieren, Aggregieren und Visualisieren von Daten. Die thematischen Schwerpunkte umfassen die Untersuchung der Luftqualität in deutschen Großstädten, die Analyse der Waldbrandgefahr in Deutschland sowie die Bewertung des Potenzials von Photovoltaik-Anlagen auf Dachflächen in der Region. Ein weiterer Bestandteil ist die Vermittlung von Grundlagen des maschinellen Lernens. Dabei wird ein lineares Regressionsmodell entwickelt, mit historischen Daten trainiert und analysiert. Ergänzend dazu wird ein KI-Modell zur Objekterkennung verwendet, um auf Luftbildern (Orthofotos) Photovoltaik-Anlagen zu identifizieren. Für die Datenanalyse wird die Programmiersprache Python verwendet. Vorkenntnisse werden nicht vorausgesetzt, da alle wichtigen Konzepte schrittweise eingeführt werden. Programmiert wird in sogenannten Jupyter Notebooks, die als interaktive Arbeitsblätter fungieren. In diesen können Texte und Programmcode geschrieben werden und anschließend direkt in der Umgebung ausgeführt. Zudem erfolgt eine Einführung in verschiedene Programmierbibliotheken, wie pandas, plotly, pvlib, numpy und scipy, die für die Bearbeitung und Analyse der Daten eingesetzt werden. Neben informatischen Konzepten werden auch Konzepte aus dem Bereich Erdbeobachtung und Fernerkundung behandelt. Unter anderem wird der Unterschied zwischen Vektor- und Rasterdaten thematisiert und verschiedene raumbezogene Analyse durchgeführt. Darüber hinaus lassen sich zahlreiche Schnittstellen zu anderen Fächern identifizieren. So wird beispielsweise die Bestrahlungsstärke der Sonne auf eine Fläche anhand verschiedener Parameter berechnet (Physik) und die Entstehung von Schadstoffen thematisiert (Chemie). Das Modul kombiniert theoretische Grundlagen mit praxisnahen Anwendungen, um ein fundiertes Verständnis für die Herausforderungen und Möglichkeiten moderner Datenanalysen und Künstlicher Intelligenz zu schaffen. Die Teilnehmenden werden dabei von einem KI-Assistenten unterstützt, der Tipps und Feedback zum Lernprozess gibt. In diesem [:Ko-Konstruktionsprozess](/nutshell.qmd#ko-konstruktion) [@cressCoconstructingKnowledgeGenerative2023] sollen die Teilnehmenden einen verantwortungsvollen und lernförderlichen Umgang mit KI-Systemen erlernen. ## Lernziele Durch den interdisziplinären Charakter des Projektes werden neben dem Erwerb von informatischen Kompetenzen auch eine Vielzahl fachspezifischer Kompetenzen und Kenntnisse aus verschiedenen Disziplinen wie Physik, Mathematik, Geographie, Biologie angestrebt. Die Lernziele sind zunächst lehrplanunabhängig formuliert. Ein Verweis auf die Bildungsstandards Informatik der Gesellschaft für Informatik, die die Grundlage für einen Großteil der Kernlehrpläne in den Bundesländern bilden, findet sich weiter unten. ### Data Literacy Die Schüler:innen ... + führen verschiedene Data Moves in der Programmiersprache Python durch: - Daten einlesen - Daten filtern - Daten gruppieren - Daten aggregieren (Mittelwert, Summe) - Daten visualisieren (Scatterplot, Barchart, Boxplot, Lineplot) + interpretieren und beschreiben Daten anhand von verschiedenen Visualisierungen + führen ein Datenprojekt, indem Sie die Phasen des Data Literacy Frameworks durchlaufen + verwenden und kombinieren geeignete Programmierbibliotheken zur Analyse und Transformation von Daten ### AI Education Die Schüler:innen ... + überprüfen Messdaten paarweise auf einen möglichen linearen Zusammenhang, indem Sie diese in einem Streudiagramm gegenüberstellen + unterscheiden zwischen abhängigen (Ziel-) und unabhängigen (Eingabe-) Variablen + modellieren und implementieren ein lineares Regressionsmodell (Einfache und multiple lineare Regression) + entwickeln ein Verständnis für die Funktionsweise des Gradientenverfahren (Lernverfahren) kennen, indem sie die Parameter eines linearen Modells schrittweise optimieren + verwenden ein KI-Modell zur Analyse von Umweltdaten (Objekterkennung auf Orthofotos) + bewerten die Vorhersagegenauigkeit eines Klassifikationsmodells anhand von Treffergenauigkeit (Precision) und Trefferquote (Recall) ### Domänenspezifische Lernziele Die Schüler:innen ... + unterscheiden zwischen Raster- und Vektordaten + untersuchen die Entwicklung der Schadstoffkonzentration im Verlauf der letzten drei Jahrzehnte (Zeitreihen) + ermitteln primäre Quellen für die Emission von Schadstoffen + beschreiben und erläutern den typischen Verlauf der Schadstoffkonzentration innerhalb eines Jahres / einer Woche + untersuchen den Einfluss verschiedener Umweltfaktoren wie Trockenheit, Hitze und Vegetation auf die Entstehung von Waldbränden + untersuchen, wie sich Neigung und Ausrichtung einer Dachfläche auf die Bestrahlungsstärke auswirken + bewerten die Eignung einer Dachfläche für den Einsatz von Photovoltaik, indem sie verschiedene Kriterien abwägen + ermitteln ungenutzte Dachflächen für die Installation von PV-Anlagen, indem Sie vorhandene PV-Anlagen auf Dächern identifizieren ## Exemplarische Unterrichtssequenz Die Zeitangaben basieren auf Erfahrungen, welche im Rahmen von zwei Erprobungen der Materialien gemacht wurden. Die Schülerinnen und Schüler, welche an den Erprobungen teilgenommen haben, verfügten bereits über gute Programmierkenntnisse. Je nach Vorkenntnissen der Schülerinnen und Schüler ist daher mit einer höheren Zeitaufwand zu rechnen. :::{.panel-tabset} ### Luftqualität <table class="table"> <caption>2 x 45 Minuten</caption> <thead> <tr> <th scope="col">#</th> <th scope="col">Dauer</th> <th scope="col">Phase</th> <th scope="col">Material</th> <th scope="col">Hinweise</th> </tr> </thead> <tbody> <tr> <th scope="row">1</th> <td>10 Minuten</td> <td>Einleitung</td> <td>[Folien](presentation/presentation.qmd)</td> <td></td> </tr> <tr> <th scope="row">2</th> <td>35 Minuten</td> <td>Gesetzliche Grenzwerte</td> <td>[Notebook](submodules/01_luftqualitaet/01_grenzwerte_luftqualitaet.ipynb)</td> <td></td> </tr> <tr> <th scope="row">3</th> <td>15 Minuten</td> <td>Besprechung der Ergebnisse</td> <td></td> <td> <ul> <li>Vorstellung der Ergebnisse von 1 bis 2 Gruppen</li> <li>Erkenntnisse sammeln</li> </ul> </td> </tr> <tr> <th scope="row">4</th> <td>20 Minuten</td> <td>Entwicklung der Luftqualität</td> <td>[Notebook](submodules/01_luftqualitaet/02_entwicklung_luftqualitaet.ipynb)</td> <td></td> </tr> <tr> <th scope="row">5</th> <td>10 Minuten</td> <td>Besprechung der Ergebnisse</td> <td></td> <td> <ul> <li>Vorstellung der Ergebnisse von 1 bis 2 Gruppen</li> <li>Erkenntnisse sammeln</li> </ul> </td> </tr> </tbody> </table> ### Waldbrandgefahr <table class="table"> <caption>2 x 45 Minuten</caption> <thead> <tr> <th scope="col">#</th> <th scope="col">Dauer</th> <th scope="col">Phase</th> <th scope="col">Material</th> <th scope="col">Hinweise</th> </tr> </thead> <tbody> <tr> <th scope="row">1</th> <td>10 Minuten</td> <td>Einleitung</td> <td>[Folien](presentation/presentation.qmd)</td> <td></td> </tr> <tr> <th scope="row">2</th> <td>30 Minuten</td> <td>Einfache Lineare Regression</td> <td>[Notebook](submodules/02_waldbrand/01_einfache_lineare_regression.ipynb)</td> <td></td> </tr> <tr> <th scope="row">3</th> <td>15 Minuten</td> <td>Besprechung</td> <td></td> <td> <ul> <li>Vorstellung der Ergebnisse von 1 bis 2 Gruppen</li> <li>Erkenntnisse sammeln</li> </ul> </td> </tr> <tr> <th scope="row">4</th> <td>20 Minuten</td> <td>Multiple Lineare Regression</td> <td>[Notebook](submodules/02_waldbrand/02_multiple_lineare_regression.ipynb)</td> <td></td> </tr> <tr> <th scope="row">5</th> <td>15 Minuten</td> <td>Besprechung</td> <td></td> <td> <ul> <li>Vorstellung der Ergebnisse von 1 bis 2 Gruppen</li> <li>Erkenntnisse sammeln</li> <li>Modellannahmen und -limitierungen diskutieren</li> </ul> </td> </tr> </tbody> </table> ### Dachflächen Photovoltaik <table class="table"> <caption>3 x 45 Minuten</caption> <thead> <tr> <th scope="col">#</th> <th scope="col">Dauer</th> <th scope="col">Phase</th> <th scope="col">Material</th> <th scope="col">Hinweise</th> </tr> </thead> <tbody> <tr> <th scope="row">1</th> <td>10 Minuten</td> <td>Einleitung</td> <td>[Folien](presentation/presentation.qmd)</td> <td></td> </tr> <tr> <th scope="row">2</th> <td>50 Minuten</td> <td>Solarkataster</td> <td>[Notebook](submodules/03_photovoltaik/01_bestrahlungsstaerke.ipynb)</td> <td></td> </tr> <tr> <th scope="row">3</th> <td>20 Minuten</td> <td>Besprechung</td> <td></td> <td> <ul> <li>Vorstellung der Ergebnisse von 1 bis 2 Gruppen</li> <li>Auswahl geeigneter Dachflächen diskutieren</li> <li>Eignung hinsichtlich Wirtschaftlichkeit diskutieren</li> </ul> </td> </tr> <tr> <th scope="row">4</th> <td>30 Minuten</td> <td>Object Detection</td> <td>[Notebook](submodules/03_photovoltaik/02_objekterkennung.ipynb)</td> <td></td> </tr> <tr> <th scope="row">5</th> <td>25 Minuten</td> <td>Besprechung</td> <td></td> <td> <ul> <li>Vorstellung der Ergebnisse von 1 bis 2 Gruppen</li> <li>Handlungsoptionen besprechen (Politik ansprechen)</li> </ul> </td> </tr> </tbody> </table> ::: ## Materialien zum Herunterladen - [Herunterladen](download/modul_2.zip) ## Einbindung in die Kernlehrpläne (Sek II) ::: {.panel-tabset} ## Informatik ::: {.panel-tabset} ### NRW #### Prozessbezogene Kompetenzen Die Schülerinnen und Schüler ... **Argumentieren** - analysieren und erläutern informatische Modelle. - beurteilen die Angemessenheit informatischer Modelle. **Modellieren** - konstruieren zu kontextbezogenen Problemstellungen informatische Modelle. - modifizieren und erweitern informatische Modelle. **Implementieren** - implementieren auf der Grundlage von Modellen oder Modellausschnitten Computerprogramme. - modifizieren und erweitern Computerprogramme. - testen und korrigieren Computerprogramme. **Darstellen und interpretieren** - interpretieren Daten und erläutern Beziehungen und Abläufe, die in Form von textuellen, grafischen oder formalen Darstellungen gegeben sind. - stellen informatische Modelle und Abläufe in Texten, Tabellen, Diagrammen und Grafiken dar. **Kommunizieren und Kooperieren** - verwenden Fachausdrücke bei der Kommunikation über informatische Sachverhalte. - kommunizieren und kooperieren in Gruppen und in Partnerarbeit. #### Inhaltsbezogene Kompetenzen Die Schülerinnen und Schüler ... **Algorithmen** - analysieren und erläutern Algorithmen und Programme - modifizieren Algorithmen und Programme - implementieren iterative und rekursive Algorithmen auch unter Verwendung von dynamischen Datenstrukturen - erläutern Operationen dynamischer Datenstrukturen **Formale Sprachen und Automaten** - nutzen die Syntax und Semantik einer Programmiersprache bei der Implementierung und zur Analyse von Programmen - interpretieren Fehlermeldungen und korrigieren den Quellcode **Informatik, Mensch und Gesellschaft** - untersuchen und bewerten Problemlagen, die sich aus dem Einsatz von Informatiksystemen ergeben, hinsichtlich rechtlicher Vorgaben, ethischer Aspekte und gesellschaftlicher Werte unter Berücksichtigung unterschiedlicher Interessenlagen. - untersuchen und beurteilen Grenzen des Problemlösens mit Informatiksystemen ### Berlin #### Abschlussorientierte Standards **Informatisches Modellieren** - analysieren Realitätsausschnitte und wählen ein geeignetes Modellierungsverfahren aus, - variieren und erweitern vorgegebene Modelle, - entwickeln, implementieren, testen und validieren einfache Modelle, - reflektieren und beurteilen die eigene Modellierung **Mit Information umgehen** - analysieren und strukturieren Informationen - konstruieren Daten- bzw. Objektstrukturen und wenden auf diese geeignete Algorithmen bzw. Methoden an - speichern und übertragen wieder verwendbare Ergebnisse in geeigneter Form **Problemlösen** - wenden die Phasen des Problemlöseprozesses (informelle Problembeschreibung, formale Modellierung, Implementierung und Realisierung, Bewertung und Modellkritik) an - setzen im Problemlöseprozess einfache Entwicklungswerkzeuge ein - wählen informatische Werkzeuge zur Problemlösung (selbstständig) aus und begründen die getroffene Auswahl, (z. B. Programmiersprachenparadigma) (LK) **Wechselwirkung zwischen Informatiksystemen, Mensch und Gesellschaft beurteilen** - bewerten Risiken und Chancen von Informatiksystemen #### Kompetenzen und Inhalte **Datenbanken** ^[Die Python Bibliothek `pandas` wird in diesem Kontext als SQL-ähnliche Sprache aufgefasst] - Abfragen (Projektion, Selektion, Join) - Zugriff auf Datenbanken aus Programmiersprachen **Programmentwicklung** + Integration vorhandener Software-Bausteine in eigene Programme **Informatik, Mensch und Gesellschaft** - Anwendungen und Auswirkungen von Informatiksystemen im Kontext (Künstliche Intelligenz und künstliches Leben) ::: ## Geografie ::: {.panel-tabset} ### Berlin Die Schülerinnen und Schüler ... **Raumanalyse** + veranschaulichen geografische Sachverhalte in grafischen Darstellungen und erklären Sachzusammenhänge mithilfe von Modellen **Raumverständnis und Problemsichten** + erklären Ursachen und Folgen von Naturkatastrophen und anthropogen herbeigeführten ökologischen Problemen und diskutieren Möglichkeiten der Bewältigung und Lösung dieser Probleme. **Raumbewertung** + erörtern und bewerten Möglichkeiten von Raumentwicklungen in Abhängigkeit von Individuen und Institutionen und hinsichtlich gesellschaftlich relevanter Kriterien, + beurteilen Raumstrukturen oder Raumentwicklungen anhand vorgegebener Kriterien (GK) + beurteilen Raumstrukturen oder Raumentwicklungen anhand selbst gewählter Kriterien oder vorgegebener Fragestellungen (LK) ### NRW #### Inhaltsfelder **Inhaltsfeld 1: Lebensräume und deren naturbedingte sowie anthropogen bedingte** Gefährdung (Waldbrände) + erläutern anthropogene Einflüsse auf gegenwärtige Klimaveränderungen und deren mögliche Auswirkungen (u. a. Zunahme von Hitzeperioden, **Waldbränden** und Starkregen und Sturmereignissen), + beurteilen Möglichkeiten zur Begrenzung des globalen Temperaturanstiegs vor dem Hintergrund der demographischen und ökonomischen Entwicklung (PV-Anlagen auf Dachflächen) **Inhaltsfeld 2: Raumwirksamkeit von Energieträgern und Energienutzung** + erläutern ökonomische, ökologische und soziale Auswirkungen der Förderung von fossilen Energieträgern (Luftqualität) + bewerten Möglichkeiten und Grenzen von regenerativer Energieerzeugung unter Berücksichtigung von wirtschaftlichen Interessen und Erfordernissen des Klimaschutzes (PV-Anlagen auf Dachflächen) **Inhaltsfeld 5: Stadtentwicklung und Stadtstrukturen** + bewerten Maßnahmen für eine nachhaltige Stadtentwicklung im Spannungsfeld von Mobilität und Lebensqualität (Luftqualität) + erörtern Chancen und Risiken von Maßnahmen zur Dezentralisierung und Dekonzentration unter ökonomischen, ökologischen und sozialen Aspekten (PV-Anlagen auf Dachflächen) ::: :::