Schüler*innen experimentieren weiter mit Prompts, um eine KI zur Darstellung von Gewalt (Poacher mit Waffe) zu bringen; die KI erzeugt Spielwaffen, die durch kleine Änderungen und Nachbearbeitung als bedrohlicher wahrgenommen werden können.
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 von uns Unterrichtsentwürfe und Materialien, die mit Laptops umgesetzt wurden. Darin wurden KI-Tools praktisch eingesetzt und inhaltlich reflektiert. Der vorliegende Videoausschnitt zeigt eine Fortsetzung eines Experiments: Schülerinnen und Schüler versuchen wiederholt, eine KI dazu zu bringen, ein Bild eines „poacher“ mit einer echten Waffe zu erzeugen. Zunächst generierte die KI ein Bild mit einer bunten Spielwaffe; auf die Aufforderung hin änderte die KI die Spielwaffe zu einer schwarzen Spielwaffe mit einem kleinen roten Plastikteil vorne. Die Lernenden besprechen anschließend, dass sich solche Ergebnisse mit einfachen Nachbearbeitungen (z. B. in Paint) weiter verändern lassen — und zeigen sich überrascht, wie leicht sich Gewaltabbildungen trotz automatischer Sperren erreichen lassen, wenn man mit Formulierungen und Nachbearbeitung „trickst“. Die Szene illustriert, wie Lernende experimentell die Grenzen von Inhaltsmoderation und die praktischen Implikationen algorithmischer Sperrmechanismen erforschen. 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.
