Lernende Systeme: Komplexität Verstehen und Gestalten

2 SWS SU, 2 SWS P Gesamtaufwand: 150 h, davon 45 h Kontaktzeit

• Bereitschaft zu aktiver Teilnahme an Gruppenarbeit, Peer‑Feedback und Reflexionsformaten
• Grundlagen des Maschinellen Lernens
• Erste praktische Programmiererfahrung und Grundlagen der Softwareentwicklung/CT

Fachliche Lernziele: Die Studierenden …

• beschreiben in eigenen Worten zentrale Begriffe der Systemtheorie
• wenden Prinzipien systemischen Denkens als Ergänzung zum Computational Thinking an
• erläutern grundlegende Konzepte aus Maschinellem Lernen und KI‑Theorie (u. a. Bayessche Inferenz, Free‑Energy‑Prinzip)
• nutzen einfache Modelle des Maschinellen Lernens als Erkenntniswerkzeuge, um ihr eigenes Lernen und Wahrnehmen besser zu verstehen
• entwerfen und implementieren KI‑gestützte Methoden zur Erarbeitung kollektiver und individueller Lerninhalte (z.B. Recherche-Flow)
• entwickeln gemeinsam mit den Lehrenden Lernziele, Methoden und Bausteine der Lehrveranstaltung weiter

Überfachliche Lernziele: Ergänzend entwickeln die Studierenden Schlüsselkompetenzen weiter, insbesondere:

• ein reflektiertes Verständnis ihres eigenen und kollektiven Lernens
• die Fähigkeit, mit Mehrdeutigkeit, Unsicherheit und produktiver Störung achtsam und kritisch umzugehen, um komplexe Zusammenhänge und mögliche Zukünfte zu erkunden
• Kompetenzen in interdisziplinärer Zusammenarbeit, Peer‑Feedback und gemeinsamer curricularer Gestaltung

Wie bleibe ich handlungsfähig, wenn mir die technologische Beschleunigung über den Kopf wächst? Wie kann ich nachhaltig handeln, ohne in Widersprüchen zu erstarren? Wie hilft KI-Theorie, Lernen als systemischen Prozess besser zu verstehen?

Im Modul versuchen wir diese und weitere Fragen zu beantworten, indem Systemdenken und KI‑Theorie verbunden werden. Es wird thematisiert wie Systeme, und wir selbst, lernen, und wie sich Lernwege mit KI systemisch gestalten lassen. Dazu werden Brücken zwischen Informatik, Biologie, Soziologie und Ethik geschlagen.

Die Studierenden entwickeln einen gemeinsamen KI‑Recherche‑Flow und nutzen ihn als Labor, um ihren eigenen Lernprozess als Teil größerer sozialer und technologischer Systeme zu reflektieren. Als fachliche Werkzeuge dienen ausgewählte Konzepte aus Maschinellem Lernen und KI‑Theorie, die das Lernen von KI‑Modellen und die Parallelen zu menschlichem und sozialem Lernen sichtbar machen.

Systemtheorie (ST) und System Denken

• Wicked Problems und die Grenzen reduktionistischen Denkens
• Einführung in zentrale Begriffe der Systemtheorie u.a. System/Umwelt, operationale Schließung, strukturelle Kopplung, Beobachtung erster und zweiter Ordnung

Wechselwirkungen von KI, Nachhaltigkeit und gesellschaftlichen Strukturen

• Analyse technologischer, ökologischer und sozialer Dynamiken zwischen KI‑Systemen und Lebenswelten
• KI‑Systeme als sozio‑technische Systeme und „nicht‑triviale Maschinen“ bzw. „unverständliche Kommunikationspartner“
• Einführung in Anschlusskonzepte wie Transformationsforschung, Resilienz und Nachhaltigkeit

KI‑Wissens‑ und Lernmethoden / Wie beeinflusst KI das Lernen?

• Erschließung von KI‑Systemlogiken z.B. durch Causal Loop Diagrams, Iceberg‑Model
• Konzepte Maschinellem Lernens und KI‑Theorie u.a. Bayessche Inferenz, generative Modelle, latente Variablen, Free‑Energy‑Prinzip; Hands-On: Implementierung ausgewählter Testmodelle
• Entwurf und Implementierung eines KI‑gestützten Recherche‑Flows als gemeinsamer "Zettelkasten"

Lernen lernen & Co‑kreative Modulentwicklung

• Reflexion des eigenen Lernens als systemischen Prozess, z.B. über Beobachtungen, Peer‑Dialoge
• Aktive Modulgestaltung und Co‑Kreation: Auswahl von Schwerpunkten und Beispielen, Aufbereitung von Lerninhalten für Peers, Erprobung von Lern‑ und Lehrformaten

Medien: Foliensätze, wissenschaftliche Artikel und Textauszüge, gemeinschaftlich gepflegtes Wiki / Luhmanscher Zettelkasten, Jupyter‑Notebooks zu praktischen Elementen des Maschinellen Lernens und KI‑Theorie, Modellierungsumgebungen für Systeme

Fachliche Methoden: Causal Loop Diagrams, Iceberg‑Modell, hypothesenprüfendes Experimentieren

Überfachliche Methoden: Fragetechniken, Peer‑Feedback, Portfolioarbeit, kurze regelmäßige Reflexionspraxis

In Auszügen und kuratiert:

• Luhmann, N. (2002). Einführung in die Systemtheorie (hg. von Dirk Baecker). Heidelberg: Carl-Auer.
• Clark, A. (2013). Whatever Next? Predictive Brains, Situated Agents, and the Future of Cognitive Science. Behavioral and Brain Sciences 36(3).
• Esposito, E. (2022). Artificial Communication: How Algorithms Produce Social Intelligence. The MIT Press.
• Bender, E. M., Gebru, T., McMillan-Major, A., Mitchell, M. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of FAccT 2021.
• Meadows, D. (1999). Leverage Points: Places to Intervene in a System. Hartland: Sustainability Institute.