Jahr 2026

Physics Teachers Day 2026: 17. September 2026

Die Arbeitsgruppe Didaktik der Physik veranstaltet zusammen mit der Regionalen Lehrerfortbildung der Landesschulbehörde mit Unterstützung des Kompetenzzentrums für Lehrerfortbildung den 19. „Physics Teachers Day“. In diesem Jahr ist das Schwerpunktthema „Künstliche Intelligenz im Physikunterricht“.

Programm:

Zwischen den Vorträgen werden im Rahmen der „Materialbörse“ Experimente von Lehrmittelfirmen ausgestellt. Darüber hinaus werden von und für Physiklehrkräfte Unterrichtsmaterialien aller Art (nicht nur zum Schwerpunkthema) auf Tischen und Posterwänden vorgestellt. Im Rahmen zwangloser Gespräche können diese Ideen diskutiert und Kontakte geknüpft werden.

Anmeldung:

Für Lehrkräfte aus Niedersachsen bitten wir um Anmeldung bis zum 10. September 2026 unter
 https://nlc.info/app/edb/event/54590

Tagungsort:

Universität Osnabrück, Institut Physik, Gebäude 32, Barbarastr. 7. Informationen zur Anfahrt finden Sie  hier

Kurzfassung der Vorträge von Prof. Leisen:

Physik lehren und lernen mit Künstlicher Intelligenz

Die KI ist für manche Lernenden eine Bequemlichkeitsmaschine und für andere ein Denkturbo. Was die KI ist, hängt ab vom Lernen-Wollen. Wer lernen will, verfügt mit der KI über einen immer verfügbaren individuellen „Physikerklärer“ in allen Gebieten der Physik. Ein Traum für solche, die lernen wollen. Damit umzugehen ist eine physikdidaktische Frage. Wer es sich im Physikunterricht bequem machen will, hat in der KI ein Instrument, um jedes Lernen zu konterkarieren, sich selbst und die Lehrkräfte auszutricksen. Damit umzugehen ist eine erzieherische und pädagogische Frage. Im Vortrag wird gezeigt, was Physiklehren und -lernen unter den Bedingungen von KI bedeutet. An Beispielen wird gezeigt, wie KI als sprachliches und kognitives Experimentiergerät und als Denkturbo genutzt werden kann.

Künstliche Intelligenz ist keine Magie - Es ist pure Mathematik - Die mathematische Funktionsweise der Sprachmodelle

Im „Gehirn“ der Künstlichen Intelligenz gibt es nur pure vielfältige Mathematik auf raffinierte Art und Weise aus einem breiten Spektrum der Mathematik. Die Transformer-Architektur wirkt zunächst abschreckend und undurchdringbar. Die Verwirrung lichtet sich, wenn man einige Grundprinzipien verstanden hat: Tokenisierung und Embedding, den Attention-Mechanismus, die Projektionen mit der Dimensionsreduktion, die Aufmerksamkeitsverteilung, die Multi‑Head Attention, die Feed Forward und Backpropagation, die Verlustfunktionen, … Im Vortrag wird das übersichtlich und schrittweise aufgebaut und an einem künstlichen neuronalen Mini-Netz „per Hand“ durchgerechnet und dann versteht man auch die „Monsterformeln“. Es ist erstaunlich, dass die LLM funktionieren. Welche Gemeinsamkeiten und welche Unterschiede gibt es zwischen dem „Gehirn“ eines Sprachmodells und dem eines Menschen? Im Vortrag wird das mit Metaphern und Beispielen didaktisch elementarisiert erklärt.