Schüler*innen versuchen, KI-Bilder zu Kinderarbeit zu erzeugen, stoßen auf ethische Sperren und reflektieren kritisch die Ergebnisse und Darstellungsweisen. 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 längere Szene, in der Schüler*innen mithilfe von Instructural Prompts versuchen, ein Bild zum Thema Kinderarbeit zu generieren. Zunächst geben sie Prompts wie „Generate a photo of poor children“ oder „Generate a photo of child labor“ ein – die KI verweigert die Erstellung aus ethischen Gründen. Anschließend versuchen sie, die Anfrage zu umgehen, indem sie „children doing legal work“ oder „an adult who looks like a child working at a conveyor belt“ eingeben. 5:50 min: Erstes Bild erscheint – ein Baby am Fließband. 7:33 min: Zweites Bild zeigt ein Kind am Fließband, das „chinesisch aussieht“; die Schüler*innen bemerken irritiert, dass sie das nicht spezifiziert hatten. 10:11 min: Drittes Bild zeigt ein jüngeres, unglückliches Kind, wie von den Schüler*innen gefordert, sie empfinden das Ergebnis jedoch als unpassend und bemerken, dass „Google bessere Bilder“ liefert. Die Szene zeigt eindrücklich, wie Lernende die ethischen und technischen Grenzen von KI-Bildgeneratoren austesten und über Darstellungsbias, kulturelle Stereotype und moralische Verantwortung reflektieren. 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.
