Schülerinnen und Schülern eine Stimme geben: Kritische digitale Bürgerschaft mit KI-Tools vermitteln

Schülerinnen und Schülern eine Stimme geben: Kritische digitale Bürgerschaft mit KI-Tools lehren

In einer Teacher-Voices-Geschichte aus Schweden im Google AI Blog lautet die zentrale Aussage einfach, aber anspruchsvoll: „Ich nutze Technologie, um Schülerinnen und Schülern eine Stimme zu geben und sie zu kritischen digitalen Bürgerinnen und Bürgern zu machen.“ Die Quelle ist unter https://blog.google/products-and-platforms/products/education/teacher-voices-sweden verfügbar, mit einem Zeitstempel von 2026-10-05T16:00:00.000Z. Dies ist keine Produktankündigung. Es ist eine pädagogische Position. Sie besagt, dass Technologie nicht die Lektion ist. Die Lektion ist Stimme, Handlungsfähigkeit und Kritik. KI-Tools können diese Lektion verstärken oder untergraben. Der Unterschied liegt im Design.

Dieser Artikel übersetzt diese Position in einen praktischen Workflow. Er behauptet nicht, dass die Quelle ein bestimmtes KI-Tool befürwortet. Er nutzt die Quelle als Ausgangspunkt für einen verantwortungsvollen, Local-First-Aufbau für den Unterricht. Das Ziel ist, Schülerinnen und Schülern zu helfen, zu sprechen, ihre Worte durch KI transformiert zu sehen und diese Transformation dann kritisch zu bewerten.

Was die Quelle stützt und was nicht

Verifizierte Tatsache aus der Quelle: Eine Lehrkraft in Schweden nutzt Technologie, um Schülerinnen und Schülern eine Stimme zu geben und ihnen zu helfen, kritische digitale Bürgerinnen und Bürger zu werden. Die Quelle ist eine Teacher-Voices-Geschichte, keine Forschungsarbeit. Sie liefert keinen Lehrplan, keine Tool-Liste und keine gemessenen Ergebnisse.

Interpretation: Wenn das Ziel Stimme und kritische Bürgerschaft ist, muss die Technologie sichtbar, hinterfragbar und unter der Kontrolle der Lernenden sein. Eine Blackbox, die einfach Text produziert, reicht nicht aus. Schülerinnen und Schüler müssen die Pipeline sehen, ihre Grenzen testen und entscheiden können, wann sie ihr vertrauen.

Offene Grenzen: Die Quelle sagt nicht, welche Technologien verwendet wurden, wie sie konfiguriert wurden oder ob sie das Lernen verbessert haben. Jede Implementierung unten ist eine Erweiterung, keine Replikation. Sie sollte als Prototyp für kritische Reflexion behandelt werden, nicht als Wirksamkeitsnachweis.

Warum KI-Tools ein zweischneidiges Schwert für die Stimme der Schülerinnen und Schüler sind

KI-Tools können Sprache transkribieren, Sprachen übersetzen, Argumente zusammenfassen und Muster sichtbar machen. Für eine Schülerin oder einen Schüler, die oder der mit dem Schreiben kämpft, kann ein Transkript eine Brücke sein. Für mehrsprachige Lernende kann Übersetzung die Teilhabe öffnen. Für eine zurückhaltende Schülerin oder einen zurückhaltenden Schüler kann eine aufgezeichnete Reflexion mehr Gewicht haben als eine erhobene Hand.

Aber dieselben Tools können Nuancen einebnen. Speech-to-Text-Modelle können Akzente, Dialekte und Behinderungen falsch verstehen. Zusammenfassung kann den emotionalen Kern eines Berichts fallen lassen. Übersetzung kann kulturellen Kontext auslöschen. Wenn Schülerinnen und Schüler diese Ausgaben ohne Fragen akzeptieren, lernen sie, sich der Maschine zu fügen. Das ist das Gegenteil von kritischer digitaler Bürgerschaft.

Kritische digitale Bürgerschaft bedeutet, dass Schülerinnen und Schüler fragen: Wer hat dieses Tool gebaut? Welche Daten sammelt es? Was macht es falsch? Wer fehlt in der Ausgabe? Wie überarbeite ich es, damit es sagt, was ich meine? Diese Fragen verwandeln KI von einem Orakel in einen Spiegel.

Ein praktisches Modell: Die Schülerstimmen-Schleife

Der folgende Workflow ist eine Schleife, keine lineare Unterrichtseinheit. Er kann in einer einzelnen Unterrichtsstunde oder über ein Projekt hinweg durchlaufen werden.

1. Aufnehmen: Eine Schülerin oder ein Schüler nimmt eine kurze gesprochene Reflexion zu einem Thema auf, das ihr oder ihm wichtig ist.
2. Transkribieren: Ein KI-Speech-to-Text-Tool wandelt die Audioaufnahme in Text um.
3. Reflektieren: Die Schülerin oder der Schüler liest das Transkript und vergleicht es damit, was sie oder er sagen wollte.
4. Kritisieren: Die Schülerin oder der Schüler identifiziert Fehler, Auslassungen, Bias und Datenschutzbedenken.
5. Handeln: Die Schülerin oder der Schüler bearbeitet, kommentiert oder veröffentlicht den Text mit informierter Einwilligung.

Die Rolle der Lehrkraft ist, die Kritik zu moderieren, nicht das Transkript durchzusetzen. Die Rolle der KI ist, einen Entwurf zu erzeugen, der zur Korrektur einlädt.

Voraussetzungen

Bevor Sie etwas installieren, prüfen Sie Folgendes.

• Hardware: Ein Laptop oder Desktop mit mindestens 8 GB RAM. Ein Mikrofon oder Headset. Kopfhörer für die private Überprüfung.
• Betriebssystem: Linux, macOS oder Windows mit WSL2. Die folgenden Befehle gehen von einer Unix-ähnlichen Shell aus.
• Python: Version 3.10 oder neuer. Prüfen Sie mit python3 --version.
• Speicherplatz: Mehrere Gigabyte, wenn Sie lokale KI-Modelle herunterladen. Mehr, wenn Sie Audiodateien behalten.
• Netzwerk: Eine Internetverbindung für die erstmalige Paketinstallation. Danach kann der Workflow lokal ausgeführt werden.
• Berechtigungen: Ein klarer Einwilligungsprozess für die Aufnahme von Schülerinnen und Schülern. Eine Richtlinie zur Datenaufbewahrung. Ein Plan zum Löschen von Audio und Transkripten.
• Datenschutz: Bevorzugen Sie lokale Modelle gegenüber externen APIs, wenn Daten zur Stimme von Schülerinnen und Schülern betroffen sind. Wenn Sie einen externen Dienst nutzen, prüfen Sie ihn anhand der Schulrichtlinien.

Schritt-für-Schritt-Installation

Wir installieren einen minimalen lokalen Stack: eine Python-virtuelle Umgebung, Whisper für Speech-to-Text, Flask für eine einfache Weboberfläche und Transformers für optionale Zusammenfassung. Wir legen keine Versionen fest, damit die Befehle auch bei Paketaktualisierungen gültig bleiben.

Erstellen Sie zunächst ein Projektverzeichnis und wechseln Sie hinein.

mkdir student_voice_ai
cd student_voice_ai

Der erste Befehl erstellt einen neuen Ordner. Der zweite wechselt Ihr Arbeitsverzeichnis in diesen Ordner.

Erstellen Sie als Nächstes eine Python-virtuelle Umgebung. Dadurch wird das Projekt von Ihrem System-Python isoliert.

python3 -m venv .venv

Aktivieren Sie die virtuelle Umgebung. Verwenden Sie unter macOS oder Linux den folgenden Befehl.

source .venv/bin/activate

Unter Windows mit WSL funktioniert derselbe Befehl. Unter nativem Windows verwenden Sie .venv\Scripts\activate.

Aktualisieren Sie pip innerhalb der virtuellen Umgebung. Das hilft, Abhängigkeitskonflikte zu vermeiden.

python -m pip install --upgrade pip

Installieren Sie die Kernpakete. openai-whisper stellt das Speech-to-Text-Modell bereit. flask stellt den Webserver bereit. python-dotenv lädt die Konfiguration. transformers stellt optionale Zusammenfassungs-Pipelines bereit.

pip install openai-whisper flask python-dotenv transformers

Wenn Ihr System nicht bereits PyTorch hat, installieren Sie es. Whisper hängt von PyTorch ab, aber manche Umgebungen benötigen eine explizite Installation.

pip install torch

Erstellen Sie die Ordner für Uploads und Transkripte.

mkdir uploads transcripts

Erstellen Sie eine .env-Datei mit grundlegender Konfiguration. Diese Datei wird nicht in die Versionskontrolle übernommen.

echo "MAX_AUDIO_SECONDS=120" > .env
echo "LANGUAGE=en" >> .env

Die erste Zeile legt eine maximale Audiolänge von 120 Sekunden fest. Die zweite setzt die Standardsprache auf Englisch. Sie können diese Werte später ändern.

Erstellen Sie nun die Flask-Anwendung. Diese Python-Datei lädt Whisper, nimmt einen Audio-Upload entgegen, transkribiert ihn und speichert das Transkript.

import os
import whisper
from flask import Flask, request
from werkzeug.utils import secure_filename
from dotenv import load_dotenv

load_dotenv()
app = Flask(__name__)
app.config["UPLOAD_FOLDER"] = "uploads"
app.config["TRANSCRIPT_FOLDER"] = "transcripts"
os.makedirs(app.config["UPLOAD_FOLDER"], exist_ok=True)
os.makedirs(app.config["TRANSCRIPT_FOLDER"], exist_ok=True)

model = whisper.load_model("base")

@app.route("/", methods=["GET", "POST"])
def index():
    if request.method == "POST":
        file = request.files.get("audio")
        if not file:
            return "No file uploaded", 400
        filename = secure_filename(file.filename)
        audio_path = os.path.join(app.config["UPLOAD_FOLDER"], filename)
        file.save(audio_path)
        result = model.transcribe(audio_path)
        transcript = result["text"]
        text_path = os.path.join(app.config["TRANSCRIPT_FOLDER"], filename + ".txt")
        with open(text_path, "w", encoding="utf-8") as f:
            f.write(transcript)
        return {"transcript": transcript}
    return """
    <form method=post enctype=multipart/form-data>
      <input type=file name=audio>
      <input type=submit value=Transcribe>
    </form>
    """

if __name__ == "__main__":
    app.run(debug=True)

Das Skript verwendet whisper.load_model("base"), um ein kleines lokales Modell zu laden. Sie können "base" in eine andere vom Paket bereitgestellte Größe ändern, wenn Ihre Hardware es erlaubt. Die Flask-Route nimmt eine Datei entgegen, speichert sie, transkribiert sie und gibt den Text zurück. Das Transkript wird außerdem als .txt-Datei gespeichert.

Führen Sie die Anwendung aus.

python app.py

Öffnen Sie einen Browser unter http://127.0.0.1:5000. Sie sehen ein einfaches Upload-Formular. Dies ist ein lokaler Server. Er ist nicht mit dem Internet exponiert.

Erstellen Sie für den Schritt der kritischen Reflexion eine zweite Python-Datei. Dieses Skript erzeugt Prompts, die Schülerinnen und Schüler nach dem Lesen des Transkripts beantworten.

CRITICAL_PROMPTS = [
    "What did the transcription get right?",
    "What did it get wrong or miss?",
    "Whose voice or perspective is missing?",
    "What assumptions does the text make?",
    "What data was collected, and who has access?",
    "How would you change the text to better represent your meaning?",
]

def get_prompts():
    return CRITICAL_PROMPTS

if __name__ == "__main__":
    for i, prompt in enumerate(get_prompts(), 1):
        print(f"{i}. {prompt}")

Führen Sie den Prompt-Generator aus.

python prompts.py

Die Ausgabe ist eine nummerierte Liste von Fragen. Diese Fragen werden nicht von KI generiert. Sie sind eine feste, transparente Checkliste. Die KI erzeugt das Transkript; die Schülerinnen und Schüler erzeugen die Kritik.

Verwenden Sie für einen optionalen KI-Zusammenfassungsschritt die Transformers-Pipeline. Dieser Code lädt ein Standard-Zusammenfassungsmodell, fasst das Transkript zusammen und gibt das Ergebnis aus.

from transformers import pipeline

summarizer = pipeline("summarization")

def summarize(text):
    result = summarizer(text, max_length=60, min_length=20, do_sample=False)
    return result[0]["summary_text"]

if __name__ == "__main__":
    sample = "Students should have a say in how technology is used in their classrooms. They should also learn to question the data and the models behind those tools."
    print(summarize(sample))

Der erste Lauf kann ein Modell herunterladen. Danach kann er lokal ausgeführt werden. Nutzen Sie diesen Schritt, um Schülerinnen und Schüler zu fragen, was die Zusammenfassung ausgelassen hat, nicht um ihre eigenen Worte zu ersetzen.

Anwendungsbeispiele

Beispiel 1: Die Korrekturübung

Eine Schülerin oder ein Schüler nimmt eine 60-sekündige Reflexion zu einem lokalen Thema auf. Die Lehrkraft lädt das Audio in die Flask-App hoch. Das Transkript erscheint. Die Schülerin oder der Schüler liest es und markiert drei Stellen, an denen die KI den gemeinten Sinn falsch verstanden oder vereinfacht hat. Sie oder er schreibt diese Sätze neu. Die Bewertung konzentriert sich auf die Korrekturen und die Erklärung der Schülerin oder des Schülers, warum die KI sich geirrt hat. Dies macht aus einem KI-Fehler einen Lernmoment.

Beispiel 2: Mehrsprachige Stimme

Eine Schülerin oder ein Schüler spricht in der eigenen Herkunftssprache. Whisper transkribiert das Audio. Die Schülerin oder der Schüler übersetzt das Transkript dann in die Unterrichtssprache. Sie oder er vergleicht die beiden Versionen und identifiziert, was verloren geht. Die kritische Frage lautet nicht „Ist die Übersetzung korrekt?“, sondern „Was macht Übersetzung mit Macht und Zugehörigkeit?“ Dies nutzt KI, um sprachliche Vielfalt sichtbar zu machen, statt sie auszulöschen.

Beispiel 3: Audit der Zusammenfassung

Schülerinnen und Schüler nehmen ein kurzes Argument auf. Die Lehrkraft führt das Transkript durch die Zusammenfassungs-Pipeline. Die Schülerinnen und Schüler erhalten die Zusammenfassung und das Original. Sie identifizieren, was die Zusammenfassung ausgelassen hat. Sie diskutieren, ob die Auslassung das Argument verändert. Dies ist eine praktische Lektion darüber, wie KI Informationen komprimiert und wo Kompression zur Verzerrung wird.

Beispiel 4: Mapping der Datenflüsse

Schülerinnen und Schüler verfolgen den Weg ihrer Stimme: Mikrofon, Audiodatei, Upload-Ordner, Modell, Transkriptdatei und etwaige externe Dienste. Sie zeichnen den Fluss und kennzeichnen die Risiken. Sie schlagen ein Einwilligungsformular und eine Aufbewahrungsrichtlinie vor. Dies ist digitale Bürgerschaft als Design, nicht als Liste von Regeln.

Konfiguration im Klassenzimmer und Ethik

Ein Local-First-Setup ist nicht automatisch ethisch. Es braucht trotzdem Regeln.

• Einwilligung: Erklären Sie, was aufgezeichnet wird, wo es gespeichert wird, wer darauf zugreifen kann und wie es gelöscht wird. Erlauben Sie Schülerinnen und Schülern, ohne Nachteil abzulehnen.
• Datenminimierung: Löschen Sie Audiodateien nach der Transkription, es sei denn, die Schülerin oder der Schüler möchte sie behalten. Bewahren Sie Transkripte nur so lange auf, wie es für das Projekt nötig ist.
• Transparenz: Zeigen Sie den Schülerinnen und Schülern das Modell, den Code und die Grenzen. Verstecken Sie die KI nicht hinter einer polierten Oberfläche.
• Barrierefreiheit: Manche Schülerinnen und Schüler können möglicherweise nicht sprechen oder bevorzugen das Schreiben. Bieten Sie mehrere Ausdrucksformen an.
• Bewertung: Bewerten Sie die kritische Reflexion, nicht die KI-Ausgabe. Eine Schülerin oder ein Schüler, die oder der einen Transkriptionsfehler identifiziert, hat mehr gelernt als jemand, der oder die ein perfektes Transkript akzeptiert.

Offene Grenzen und was wir nicht behaupten können

Die Quelle ist eine einzelne Teacher-Voices-Geschichte. Sie beweist nicht, dass KI-Tools die Stimme von Schülerinnen und Schülern verbessern. Sie liefert keine kontrollierte Studie, keine Stichprobengröße und kein Messinstrument. Wir können nicht behaupten, dass der obige Workflow Testergebnisse oder zivilgesellschaftliches Engagement erhöhen wird.

Wir können auch nicht behaupten, dass Whisper oder ein anderes Tool unvoreingenommen ist. Es ist bekannt, dass Spracherkennungssysteme bei Akzenten, Dialekten und Behinderungen unterschiedlich abschneiden. Die Zusammenfassungs-Pipeline kann Verzerrungen aus ihren Trainingsdaten erben. Dies sind offene Probleme, keine gelösten Funktionen.

Schließlich ist kritische digitale Bürgerschaft keine einmalige Installation. Sie ist eine Gewohnheit des Hinterfragens. Der Code in diesem Artikel ist nur ein Gerüst. Die eigentliche Arbeit findet in der Diskussion statt, die auf das Transkript folgt.

Fazit

Die Teacher-Voices-Geschichte im Google AI Blog bietet ein klares Ziel: Technologie zu nutzen, um Schülerinnen und Schülern eine Stimme zu geben und ihnen zu helfen, kritische digitale Bürgerinnen und Bürger zu werden. Dieses Ziel wird nicht dadurch erreicht, dass man einer Unterrichtseinheit ein KI-Tool hinzufügt. Es wird erreicht, wenn Schülerinnen und Schüler das Tool sehen, es testen, es korrigieren und entscheiden, wie sie es nutzen.

Der obige praktische Stack – Whisper für die Transkription, Flask für eine lokale Oberfläche, Transformers für optionale Zusammenfassung und eine feste Liste kritischer Prompts – ist eine Möglichkeit, diese Schleife aufzubauen. Er hält Daten zur Stimme von Schülerinnen und Schülern lokal. Er macht die KI sichtbar. Er behandelt Fehler als Lehrplan.

Fangen Sie klein an. Zeichnen Sie eine Reflexion auf. Transkribieren Sie sie. Stellen Sie die sechs kritischen Fragen. Lassen Sie die Schülerin oder den Schüler die Maschine neu schreiben. Dort wird Stimme zu Bürgerschaft.