Künstliche Intelligenz im Seminarfach

Maschinelles Lernen und Sentiment Analysis

Im Abiturjahrgang 2026 fand das Seminarfach „Künstliche Intelligenz und Gesellschaft“ bei Herrn Hoherz statt. Die Schülerinnen und Schüler haben im dritten Halbjahr eigene praktische Projekte zum Thema „Anwendung von KI“ ausgewählt und an diesen gearbeitet.
Die drei Gruppen bearbeiteten die folgenden Themen:

• Maschinelles Lernen mit Q-Learning und einem Lego Spike-Prime zum eigenständigen Erlernen eines Weges durch ein einfaches Labyrinth.
• Maschinelles Lernen mit Q-Learning und einem Lego Spike-Prime zum eigenständigen Erlernen einer Fahrt entlang einer Linie.
• Analyse und Vergleich von KI-Anwendungen zur „Sentiment Analysis“ von Bewertungen.

Labyrinth

Die Schülerinnen Leoni Kollenberg, Christina Osterfeld, Johanna Osterfeld und Mareen Tiemeyer wollten einen Spike-Prime mit einem Q-Learning Algorithmus trainieren, den Weg durch ein gegebenes Labyrinth eigenständig zu finden.
Hierzu entwarfen sie ein Labyrinth aus fünf verschieden farbigen Feldern:

Die Schülerinnen haben in Frau Hembrocks AG „Physical Computing“ eine Einführung in den Spike-Prime und die genutzte Entwicklungsumgebung erhalten. Trotz der Tatsache, dass alle vier Schülerinnen nach der Einführungsphase keinen weiteren Informatikunterricht hatten, konnten sie sich sehr gut in die Programmierung einarbeiten und auch in die Grundlagen eines Q-Learning-Algorithmus mit einer Belohnungsmatrix einlesen.
Die grundlegenden Ideen/Voraussetzungen waren:

• Startfeld: Rot
• Zielfeld: Grün
• Wände zur Begrenzung
• Jedes Farbfeld stellt für den Roboter eine Art Situation dar, in der er sich entscheiden muss, ob er sich nach links, nach rechts oder geradeaus bewegen soll.
• Die folgenden Sensoren wurden genutzt:

	Farbsensor, wodurch er zuverlässig die Farbe des aktuellen Feldes erkennt und dadurch weiß, in welchem Zustand er sich befindet.
	Abstandssensor, womit der Roboter den Abstand zu den Wänden erkennt, damit er sich an den Wänden orientieren kann.

Ziel ist es, dass der Roboter lernt, wie er sich in jeder Situation verhalten muss, um möglichst schnell das grüne Zielfeld zu erreichen. Er muss also merken, welche Aktion auf welchem Farbfeld gut ist und welche nicht.
Für gute Entscheidungen erhält er Belohnungen und für schlechte Entscheidungen erhält er Strafen in Form von negativer Belohnung.
Durch Listen werden diese Werte gespeichert.
Der Roboter probiert am Anfang viel aus und merkt sich dann Stück für Stück, was gut funktioniert.
Das Programm der Schülerinnen sah am Ende des Entwicklungsprozesses wie folgt aus:

Der Roboter konnte mit diesem Programm zuverlässig lernen, den Weg durch das Labyrinth zu finden.
Während der ersten 1-10 Runden hat er seine Aktionen meist rein zufällig ausgewählt.
Nach ca. 10-12 Runden konnte er die korrekte Aktion auf dem pinken Feld recht sicher durchführen.
Nach weiteren 10-20 Runden hat er in fast allen Fällen bereits eine Strategie erlernt, um den optimalen Weg sicher zu fahren.

Linie folgen

Auch die Schüler Daniel Gildner, Kenid Kalac und Jannes Schönhausen wollten einen Lego Spike-Prime mit einem Q-Learning Algorithmus trainieren. Dieser sollte allerdings eigenständig erlernen, einer Linie zu folgen:

Auch diese drei Schüler haben in Frau Hembrocks AG „Physical Computing“ eine Einführung in den Spike-Prime und die genutzte Entwicklungsumgebung erhalten. Trotz der Tatsache, dass auch diese drei Schüler nach der Einführungsphase keinen weiteren Informatikunterricht hatten, konnten sie sich sehr gut in die Programmierung einarbeiten und auch in die Grundlagen eines Q-Learning-Algorithmus mit einer Belohnungsmatrix einlesen.
Die grundlegenden Ideen/Voraussetzungen waren bei diesem Projekt wie folgt:

• Es gibt nur die Farben Schwarz und Weiß
• Der Roboter erkennt mit zwei Farbsensoren (links und rechts) die Farben Weiß und Schwarz
• Es gibt vier verschiedene Zustände (Weiß/Weiß, Weiß/Schwarz, Schwarz/Weiß, Schwarz/Schwarz)
• Zu definieren sind die Belohnungen für die möglichen Aktionen in den vier Zuständen
• Als Sensoren wurden zwei Farbsensoren genutzt

Farbsensoren, wodurch er zuverlässig die Farben links und rechts erkennt und dadurch weiß, in welchem Zustand er sich befindet.

Das fertige Programm musste die folgenden Komponenten beinhalten/berücksichtigen:

• Eine korrekte Interpretation der Zustände
• Eine Q-Matrix als Speicher für erlernte Werte, welche die vier Zustände und drei Aktionen (Geradeaus, Linksdrehung, Rechtsdrehung) entsprechend verwaltet.
• Ein geeignetes Belohnungssystem
• eine Trainingsschleife

Nach anfangs chaotischem Verhalten und vielen Neustarts lernte der Roboter einem Teil der Linie korrekt zu folgen. Wenn die Krümmung an einer Stelle zu extrem war, war der Roboter jedoch nicht in der Lage diesem Streckenabschnitt zu folgen.

Sentiment Analysis

Die Schülerin Esther Lambers wählte das Thema „Sentiment Analysis“.
Es gibt bereits trainierte KI-Anwendungen, welche speziell bewertende Texte (z.B. Rezensionen zu Büchern) analysieren und entscheiden, inwiefern diese Texte positiv oder negativ sind.
Esther hat die KI-Anwendung „sentiment-analysis-demo“ mit einem selbst erstellten KI-Assistenten verglichen.
Die genutzten Rezensionen wurden von der deutschsprachige Website „LovelyBooks“ genommen.
Die Vorgehensweise zur Analyse und dem Vergleich beider KI-Varianten wurde in der folgenden Weise durchgeführt:

• Zunächst wurden die Rezensionen der Website von beiden KI-Varianten beurteilt.
• Anschließend wurden verschiedene Textelemente manipuliert.
• Ziel war es herauszufinden, wie die KI-Varianten die Texte analysieren bzw. welche Textelemente für die KI-Beurteilung tatsächlich relevant sind.

Hier ist nur ein Beispiel für diesen Prozess und dessen Ergebnisse (die dick-gedruckten Textteile wurden bei der veränderten Rezension entfernt:

Esther kam nach vielen dieser Untersuchungen zum folgenden Schluss:

Im Allgemeinen kann man sehen, dass die Stimmung von Texten mit geringen Abweichungen zur persönlichen Einschätzung durchaus erkannt werden. Die erste KI legt den Fokus vor allem auf einzelne Ausdrücke und Syntax. So haben vor allem einzelne Wörter wie „sehr“ oder „Absolut“ und Satzzeichen wie „!“ Auswirkungen auf die Einschätzung der künstlichen Intelligenz.
Trotzdem ist die KI dazu in der Lage Abschnitte Individuell zu analysieren und unterschiedlich zu bewerten, obwohl der Gesamteindruck ein anderes Bild zeigt. Hierbei kann die Sicherheit der KI aber schwanken, dass mal die Teilabschnitte sicherer eingeschätzt werden und mal der gesamte Text.
Global werden allerdings positive Stimmungen sicherer von der ersten KI erkannt. Am spannendsten ist, dass die KI Schwierigkeiten hat, den Kontext der Buchkritik zu erkennen. So wurde eine klar positive Rezension als eher negativ bewertet, weil geschrieben wurde, dass andere Bücher im Vergleich schlechter werden. Hier wurde nur auf einzelne Wörter geachtet und nicht auf die global positive Aussage.
Ein weiterer Punkt ist, dass die KI eher dazu neigt Kritik, als neutral zu bewerten, wenn keine hochemotionalen Worte verwendet werde, wo meine persönliche Einschätzung eher negativ ausgefallen ist.
Im Vergleich dazu neigt die zweite KI dazu, die Texte nur global zu betrachten. So werden
als Entscheidungsgrund oft einzelne Wörter genannt, allerdings ändert sich die Einschätzung nicht, wenn diese entfernt werden. So werden kleinere positive Einschübe wenig bis gar nicht in die Endaussage mit einbezogen werden.
Positiv ist aber, dass der Chatbot den Kontext von Texten erkennt und in die Stimmungsanalyse integriert, was den größten Unterschied zur ersten KI darstellt.
Im Großen und Ganzen kann anhand unterschiedlicher Kriterien die Stimmung erkannt
werden. Hier muss man entscheiden welche Stimmung man haben möchte. Präferiert
man eine globale Einschätzung oder die Analyse von Vokabular und Syntax.