Problem - riecken.de

Herausforderungen bei der Nutzung von Sprachmodellen im Bildungssystem

21. März 2026 Maik Riecken Ein Kommentar

Ich habe erstmalig einen für mich sehr wichtigen Text von Jeppe Klitgaard Stricker aus dem Englischen mit Hilfe von https://www.deepl.com auf Deutsch übersetzt. Dabei habe ich nur einige kleinere Veränderungen vorgenommen. Ich nutze den ursprünglichen LinkedIn-Post von Jeppe in meinen Grundsatzvorträgen zu KI (ab Folie 47), in den er in diesem längeren Text weiter ausgeführt hat. Jeppe ist seit über zwanzig Jahren beruflich in der universitären Bildung unterwegs und kommt aus Dänemark.

Die stille Revolution: Wie KI das Hochschulwesen auf den Kopf stellt

Wir erleben derzeit tiefgreifende Veränderungen in der Art und Weise, wie Schüler und Studenten denken und lernen, doch viele dieser Veränderungen werden in Bildungskreisen nach wie vor kaum thematisiert. Während sich Debatten über KI im Bildungswesen oft auf akademische Integrität und Bewertungsmethoden konzentrieren, finden bereits tiefgreifende kognitive und verhaltensbezogene Veränderungen statt. Darüber müssen wir sprechen.
Man sollte im Blick haben, dass Studierende möglicherweise bereits unbewusst die charakteristischen Kommunikationsmuster der KI übernehmen – eine Form der intellektuellen Spiegelung, die in ungezwungenen Gesprächen beginnt und sich dann in den akademischen Diskurs einschleicht. Dabei geht es nicht nur um das Nachahmen von Sprache; vielmehr handelt es sich um eine potenzielle Veränderung in der Art und Weise, wie Studierende Ideen verarbeiten und formulieren.
Noch beunruhigender ist vielleicht, dass wir bereits erste Anzeichen dessen beobachten, was man als „digitale Abhängigkeitsstörung“ bezeichnen könnte – Schüler:innen, die echte Angstgefühle verspüren, wenn generative KI-Tools vorübergehend nicht verfügbar sind.

Die gesellschaftlichen Kosten

Diese Abhängigkeit steht im Zusammenhang mit einem umfassenderen Phänomen, bei dem sich Studierende zunehmend als Fachexperten betrachten, nur weil generative KI komplexe Inhalte auf scheinbar leicht verständliche Weise präsentiert hat.
Die Illusion, durch das Verständnis der KI alles zu beherrschen, droht traditionelle Ansätze des Deep Learning und des kritischen Denkens zu untergraben, wenn wir nicht aufpassen. Wenn generative KI alles auf den ersten Blick verständlich erscheinen lässt, wird der entscheidende Kampf, der echtes Lernen oft begleitet, umgangen.
Die Auswirkungen auf das kollaborative Lernen sind ebenso besorgniserregend. Die Schüler beginnen, die gemeinsame Problemlösung im Team zugunsten der effizienteren, aber isolierten Ansätze generativer KI aufzugeben. Gruppen-Brainstorming und gegenseitiges Lernen – seit jeher entscheidende Komponenten für die Entwicklung sowohl sozialer als auch kognitiver Fähigkeiten – weichen der Eingabe von Stichworten sowie der Beratung und Unterstützung durch KI.
Dieser Wandel erfordert neue Ansätze hinsichtlich unserer Sichtweise auf die sozialen Aspekte der Bildung, die traditionell Innovation, Kreativität und emotionale Intelligenz gefördert hat.
Am beunruhigendsten ist jedoch vielleicht die sich abzeichnende Gefahr, dass Schüler:innen komplexe Herausforderungen der realen Welt auf Aufgaben reduzieren, die lediglich optimiert werden müssen, anstatt sie als Probleme zu betrachten, die menschliches Nachdenken und ein differenziertes Verständnis erfordern.
Wenn Schüler beginnen, die Realität durch die Brille der Prompting-Technik zu betrachten, besteht die Gefahr einer grundlegenden Veränderung in der Art und Weise, wie künftige Generationen an die Problemlösung herangehen.
Dies wirft auch Fragen hinsichtlich des Vertrauens in Wissen auf. Da KI-Systeme zunehmend konsistent klingende Antworten liefern, könnten Schüler anfangen, an menschlicher Fachkompetenz zu zweifeln, insbesondere wenn diese im Widerspruch zu den Ergebnissen der KI steht.
Der Druck, mit der scheinbar makellosen Leistung der KI mithalten zu müssen, könnte eine neue Form des Perfektionismus begünstigen, die Kreativität und Risikobereitschaft hemmt. Ganz zu schweigen von den Problemen, die dies hinsichtlich der fachlichen Autorität im Klassenzimmer und darüber hinaus mit sich bringt.

Die Köpfe von morgen formen

Diese Veränderungen bedeuten sicherlich mehr als nur eine Umstellung der pädagogischen Methoden – sie deuten auf eine grundlegende Neugestaltung der Art und Weise hin, wie künftige Generationen denken, lernen und Probleme lösen werden. Die eigentliche Umwälzung liegt nicht darin, wie wir unterrichten, sondern darin, wie der Geist unserer Schüler durch die ständige Interaktion mit künstlicher Intelligenz neu geprägt wird.
Traditionelle Bildungshierarchien geraten ins Wanken, da Studierende zunehmend auf KI zurückgreifen, um Antworten zu finden, bevor sie ihre Professoren oder Kommilitonen um Rat fragen. Dieser Wandel wirkt sich nicht nur auf die Dynamik im Unterricht aus. Er verändert grundlegend, wie Wissen validiert und Autorität in Bildungseinrichtungen etabliert wird.
Folglich ist die Herausforderung für Pädagogen komplexer als die bloße Anpassung von Unterrichtsmethoden – sie erfordert, diese tiefergehenden kognitiven und verhaltensbezogenen Veränderungen zu verstehen und darauf einzugehen. Wir müssen sicherstellen, dass wir, wenn wir die Vorteile generativer KI nutzen, nicht versehentlich zentrale Aspekte des Lernens und der Entwicklung gefährden, die seit Jahrhunderten im Mittelpunkt der Bildung stehen. Oder zumindest sollte es, falls wir dies tun, eine bewusste und wohlüberlegte Entscheidung sein. Eine Entscheidung, die von Pädagogen getroffen wird.
Die heutigen pädagogischen Praktiken prägen nicht nur die unmittelbaren Lernergebnisse, sondern auch die kognitive Struktur künftiger Generationen. Da künstliche Intelligenz zunehmend in Bildungsprozesse integriert wird, müssen wir sorgfältig abwägen, wie sich diese Technologie nicht nur auf das auswirkt, was Schüler lernen, sondern auch darauf, wie sie denken, interagieren und die Welt um sich herum verstehen.
Die Entscheidungen, die wir heute in Bezug auf KI im Bildungswesen treffen, werden noch sehr, sehr lange nachwirken. Ob wir hier die richtigen (oder falschen) Entscheidungen treffen, wird die kollektive intellektuelle Leistungsfähigkeit der Gesellschaft über Generationen hinweg beeinflussen.

Quelle: https://jeppestricker.substack.com/p/the-silent-revolution-how-ai-is-slowly

Kritisches Denken ohne Fachwissen ist kein Denken. Es ist Raten mit Methode.

Ein weiterer, für mich wichtiger Text kommt von Barbara Geyer aus dem österreichischen Burgenland. Letztlich begründet sie, warum kritisches Denken nicht ohne Anbindung an konkrete Wissensdomänen funktionieren kann.

Die britische Bildungsforscherin Daisy Christodoulou beschreibt das Problem seit 2014. Kritisches Denken ist keine Generalkompetenz, die man einmal lernt und dann auf beliebige Inhalte anwenden kann. Es ist gebunden an Wissen über den konkreten Gegenstand. Ohne dieses Wissen greifen die besten Checklisten ins Leere. Kritisches Denken ohne Fachwissen ist kein Denken. Es ist Raten mit Methode.

Quelle: https://barbarageyer.substack.com/p/ki-fachkompetenzschwelle

Das ist letztlich Wasser auf meinen Mühlen, welche Rolle KI im Bildungssystem für mich eigentlich einnehmen sollte.

Was muss ich können, bevor ich ein Sprachmodell sinnvoll für meinen Lernprozess nutzen kann?
Wenn ich das kann: Wobei kann mir das Sprachmodell konkret helfen?

Wo ich mir KI im Bildungssystem gut vorstellen kann

Zurzeit bin ich mit meinen Gedanken eher in der aboluten Minderheit, weil sehr viel Hoffnung auf KI im Bildungssystem gesetzt wird. Bei aller kritischen Betrachtung: Ich habe bereits Anwendungsfälle formuliert, in denen ich KI als gutes Werkzeug wahrnehme. Ich möchte heute noch den Bereich der Inklusion hinzufügen – ich sehe in KI viele Potential, Kommunikation inklusiver zu machen und Sprachbarrieren zu überwinden.

Allgemein, Aus der Schule, Gesellschaft Denken, Grenze, Kritik, kritisch, LLM, Problem, Schulsystem, Unterricht

ChatGPT und Co. – der Versuch eines Blickes unter die Haube

13. Januar 2023 Maik Riecken Ein Kommentar

Wenn man in sozialen Netzwerken über Sprachmodelle wie GPT‑3 liest, bleiben genau wie in den Feuilletons die meisten Analysen und Bewertungen auf der phänomenologischen Ebene stehen:

Was kann ich im Unterricht damit machen?
Was muss ich tun, damit ein Fehler in der Ausgabe auftritt?
Welchen Einfluss werden Sprachmodelle auf die Schule der Zukunft haben?
Warum sollten Sprachmodelle in der Schule nicht verboten werden?
[…]

Eine Analogie

Wenn ich mit Schulklassen das erste Mal mit Indikatoren im Chemieunterricht experimentiere, kommt es für viele zunächst nicht darauf an, warum ein Indikator eine bestimmte Farbe hat, sondern eher darauf, wie sich möglichst viele unterschiedliche Farben durch wahlloses Zusammenkippen erzeugen lassen. Ich könnte dabei in Anerkennung der individuellen Neugier Fragen stellen, die auf einem ähnlichen phänomenologischen Level wie die sozialen Medien zur Sprachmodellen diskutierten Fragen operieren.

Durch welchen Mengenverhältnisse bekomme ich welche Farbe hin?
Wie kann ich diese Farben außerhalb des Labors nutzen?
Welchen Einfluss hat das neue Farbspektrum auf die Entwicklung neuer Wandfarben?
Stellt diese Neuentwicklung nicht grundlegende Verfahren der Farbherstellung und des ästhetischen Empfindens in Frage?

Diese Fragen sind berechtigt. Aber eigentlich sind die Indikatoren z.B. ein Mittel, um sich generellen Stoffeigenschaften (sauer / alkalisch) auf einer phänomenologischen Ebene anzunähern, Gesetzmäßigkeiten zu entdecken und daraus weitere allgemeine Aussagen abzuleiten. Niemand käme hier auf die (didaktische) Idee, hier auf der Ebene der Phänomene stehenzubleiben oder Menschen auf Basis der bloßen Beobachtung dieser Phänomene etwas „vermitteln“ zu wollen.

Was ich selbst über Sprachmodelle weiß

Sprachmodelle erlebe ich zurzeit selbst auf einer phänomenologischen Ebene. Ich experimentiere mit Eingaben und unterschiedlichen Parametern herum. Ich weiß dennoch einiges über IT-Systeme, was mir ein wenig hilft, die Leistungen von Sprachmodellen einzuordnen. Ich möchte für mich durch diesen Text eher eingrenzen, was ich eigentlich noch nicht weiß, um daraus dann Fragen zu entwickeln, die etwas weg von den Phänomenen führen. Ich nutze dazu Kenntnisse, die ich im Rahmen meines Informatikstudiums auf Lehramt anders hineinvernetzte.

Ein Sprachmodell braucht eine Grammatik

Eine sehr simple Methode zur Beschreibung einer Grammatik ist die Erweiterte Backus-Naur-Form (ENBF). Selbst die genaue grammatische Definition einer Zahl ist schon gar nicht so einfach.

„Kennen“ muss ein Mensch oder IT-System dazu zunächst die in einer Sprache verwendeten Symbole (Terminale), wir verwenden in Deutschland die Zeichen 0–9 zur Darstellung von Zahlen, das sind also unsere Terminale.

ZifferAusserNull = "1" | "2" | "3" | "4" | "5" | "6" | "7" | "8" | "9";
Ziffer           = "0" | ZifferAusserNull

Damit haben wir definiert, welche Symbole unsere Sprache zur Darstellung von Zahlen verwendet. Das „|“-Zeichen ist als „oder“ zu lesen. Diese Definitionen können wir für alle weiteren als Platzhalter verwenden. Damit können wir jetzt eine natürliche Zahl definieren:

NatuerlicheZahl   = ZifferAusserNull, { Ziffer };
NegativeGanzeZahl = "-", NatuerlicheZahl;

Der Ausdruck in geschweiften Klammern kann beliebig oft oder gar nicht vorkommen. Jetzt kann unsere „KI“ auf Basis dieser Grammatik ganze Zahlen mit Vorzeichen, aber keine Null erkennen.

Das geht aber mit dieser Definition:

Zahl = ([ "-" ], ZifferAusserNull, { Ziffer }) | "0" ;

Eine Zahl besteht aus einem optionalen Minuszeichen, gefolgt von einer Ziffer außer Null, gefolgt von beliebig vielen weiteren Ziffern (auch keiner weiteren Ziffer). Oder: Eine Zahl besteht aus dem Zeichen Null.

Bei Worten wird es schon schwieriger.

Wort = [A-Z], {a-z}

Ein Wort besteht aus mindestens zwei Symbolen aus dem Zeichenvorrat a‑z, wobei am Anfang auch der Symbolvorrat {A‑Z} stehen kann.

Dummerweise erfüllt jedes Fantasiewort beliebiger Länge genau diese Bedingung. An eine Definition von „Satz“ mag ich da gar nicht erst denken. Aber jedes Sprachmodell muss in einem ersten Schritt die Eingabe auf Basis von vorgebenen Regeln analysieren, bevor es intern weiterarbeiten kann.

Es wird aber auch schon jetzt klar, dass nicht grammatikkonforme Eingaben

erkannt
auf Fehler analysiert sind

Damit können insbesondere Rechtschreibfehler recht einfach korrigiert werden, indem auf Basis von z.B. Wahrscheinlichkeiten ein grammatikonformer Ersatz gesucht wird.

Ein Sprachmodell braucht eine Semantik

Bei uns im Handball wird eine Software für Spielprotokolle eingesetzt. Die Eingaben macht ein speziell geschulter Mensch (z.B. ich), der „Sekretär“ genannt wird. Ein solches Spielprotokoll sieht technisch etwa so aus:

00:59   TOR     HEIM   01   1:0
01:02   GELB    GAST   89
08:36   ZEIT    GAST   89
08:45   TOR 7M  HEIM   04   2:0

„Das erste Tor fiel für die Heimmannschaft nach 59s nach einem Foul des gegnerischen Spielers mit der Nummer 89. Es dauerte lange 7:34 Minuten, bis der nächste Treffer per 7m nach einem mit Zeitstrafe geahndetem Foul dem Spieler mit der Nummer 4 gelang.“

Mit dem Kontext „Handballspiel“ kann eigentlich auch jeder, der in der Halle nicht anwesend war, auf dieser Basis einen korrekten Spielbericht verfassen. Aus Metadaten wie der Zeit lassen sich auf Basis von Wahrscheinlichkeiten weitere Aussagen ergänzen, z.B. sind torlose sieben Minuten im Handball schon recht ungewöhnlich und es kommen dafür nur wenige Ursachen in Betracht. Die Textsorte „Bericht“ gibt grammatisch die zu verwendende Zeitform vor, die möglichen Verben in einem Sportbericht sind zudem begrenzt.

Ich glaube, dass man sich gut vorstellen kann, wie sich das Verfassen von Spielberichten vergleichsweise einfach mit einem IT-System umsetzen lässt, wenn es Regeln zur Umsetzung der Daten in eine Grammatik gibt. Der resultierende Text wirkt erst einmal authentisch, wenn er unsere Erwartungen an einen Sportbericht erfüllt. Das tut er wiederum, wenn bestimmte Formulierungen und Wortgruppen enthalten sind.

Ein Sprachmodell braucht Varianz

Mit einer Grammatik, ein per Daten und Kontext lassen sich schon Texte schreiben, aber nach ein paar Wochen im Sportteil würde uns dann doch die Lust beim Lesen vergehen. Ähnliche Eingaben würden immer wieder gleiche Formulierungen hervorbringen. Als „kreativ“ empfänden wir Texte, die immer wieder neue Formulierungsideen enthalten würden. Diese könnte man auch händisch in unser bisheriges Sprachmodell kippen, aber schöner wäre es ja schon, wenn das auch automatisiert ginge. Und da kommen neuronale Netze ins Spiel. Die Funktionsweise lässt sich am besten mit einer starken Vereinfachung erklären.

Dazu eine Geschichte: Es gab eine Zeit, in der in Supermärkten Waagen zum Selbstwiegen standen. Da musste man eine Taste mit z.B. einem Symbol oder einer Nummer für die aufgelegte Ware drücken und es kam ein Bon zum Aufkleben für die Kasse heraus. Es gab auch schon erste Waagen, die das aufgelegte Obst oder Gemüse bereits optisch erkennen konnten, aber trotzdem noch Tasten hatten, die auch gedrückt werden mussten.

Das IT-System hätte dabei z.B. aus diesen Komponenten bestehen können:

Eine Eingabeschicht:

Eine Kamera, die ein hochauflösendes Bild von der aufgelegten Ware macht.
Ein Gewichtssensor, der das Gewicht digital ermittelt.
Eine Taste, die die Kundeneingabe weiterleitet.

Eine Verarbeitungsschicht:

Ein Algorithmus, der aus dem Bild die Länge der aufgelegten Ware ermittelt („Neuron 1“).
Ein Algorithmus, der aus dem Bild die Breite der aufgelegten Ware ermittelt („Neuron 2“).
Ein Algorithmus, der die Bildpunkte der dominierenden Farbe der Ware zählt („Neuron 3“).
Ein Algorithmus, der das Gewicht ins Verhältnis zur Größe setzt („Neuron 4“).
Ein Algorithmus, der schaut, was der Kunde gedrückt hat („Neuron 5“)

Eine Ausgabeschicht:

Ein Algorithmus, der auf Basis eines Schwellwertes und einer Datenbank einen Preis berechnet und einen Etikettendrucker ansteuert.

Beispiel 1:

Neuron 1: 15cm

Neuron 2: 4cm

Neuron 3: Dominierende Farbe ist gelb.

Neuron 4: Das Gewicht entspricht etwa 70% des äquivalenten Volumens an Wasser

Neuron 5: Apfel

„Der Kunde hat mich verarscht, das ist eine Banane!“

Das System gewichtet seine Messungen hier höher als die Kundeneingabe.

Beispiel 2:

Neuron 1: 12cm

Neuron 2: 6cm

Neuron 3: grün

Neuron 4: Das Gewicht entspricht etwa 80% des äquivalenten Volumens an Wasser

Neuron 5: Avocado

„Eigentlich blöd, könnte eine Limette oder eine Avocado sein. Ach, der Kunde wird ja nicht das billigere Zeug gedrückt haben, also eher eine Avocado.“

Das System gewichtet die Kundeneingabe in Verbindung mit einem Preisgefüge hier hoch, um zu entscheiden, welchen Bon es druckt. Es „entscheidet“ auf Basis von Daten, welche Parameter und Daten es wie gewichtet und „merkt“ sich beliebig viele z.B. uneindeutige Situationen und wie selbige aufgelöst wurden. Danach „kann“ es auf Basis von Daten „entscheiden“, welchen Bon es z.B. bei einer „nicht standardkonformen Avocado“ druckt.

Man kann diesen Prozess durch korrekte menschliche Eingaben beschleunigen und optimieren („Training“). Man kann – falls es einen anderen Rückkopplungskanal gibt – diese Systeme sich auch selbst optimieren lassen – bezogen auf Sprachmodelle könnte man als „Rückmeldekanal“ schauen, welche der generierten Texte per Copy&Paste verwendet wurden oder welche Texte wieder im Netz auftauchen.

Varianz „entsteht“ bei unserer Geschichte mit den Waagen durch unklare Situationen. Im Falle von Sprachmodellen kann Varianz durch spezielle „Neuronen“ künstlich erzeugt werden, die z.B. betrachten, welche Texte in einem Zeitraum schon generiert worden sind und dann „Schwellwerte“ anderer Neuronen „ändert“.

Was ein Sprachmodell von einem Menschen unterscheidet

Ein Sprachmodell erfüllt nur eine begrenzte Aufgabenstellung ganz besonders gut: Aus Eingaben Texte erzeugen, die für einen möglichst großen Teil von Menschen authentisch wirkt. Menschen sind in ihren Möglichkeiten, kreative Produkte zu erschaffen da nicht so arg begrenzt. Je mehr „Neuronen“ durch die Eingabe „getriggert“ werden, desto authentischer wird der Text sein. Daher ist es zumindest aus informatischer Sicht eine Binse, wenn Ratschläge kommen, ein Sprachmodell mit möglichst umfassenden Eingaben zu speisen.

Begrenzt sind Menschen jedoch bei der Aufnahme von Daten. ChatGPT bricht momentan öfter einmal zusammen, weil sehr viele Menschen das System gleichzeitig nutzen. Es gibt zwar keine bestätigten Zahlen, aber die Einheit „Millionen Anfragen pro Sekunde“ dürfte als Basis zunächst nicht falsch sein. Millionen Anfragen bedeuten aber auch Millionen „Feedbackkanäle“ zum „Training“ des neuronalen Netzes. Sprachmodelle können viel mehr Information bewältigen als ein einziger Mensch. Eigentlich ist ein Sprachmodell Borg. Wir nehmen die entstehenden Texte als Produkte _eines_ Systems wahr. Technisch gesehen sind es aber die Ausgaben eines Kollektivs. Der einzelne Borg agiert ja nicht individuell, sondern vermittelt der Figur, die mit ihm kommuniziert, lediglich den Anschein einer individuellen Kommunikation. Wenn diese Simulation hinreichend gut ist, lässt sie sich für einen relevanten Teil von Menschen nicht mehr von „echter“ Textproduktion durch Menschen unterscheiden. Mehr braucht es eigentlich nicht, um (wirtschaftlich) als Technologie erfolgreich zu sein.

Warum Sprachmodelle emotional wahrgenommen und diskutiert werden

Sprachmodelle sind nüchtern betrachtet nichtmaterieller Code auf irgendwelchen elektronischen Schaltkreisen. Ihre Ausgaben dringen aber erstmalig leicht benutzbar in einen Bereich vor, der für Gesellschaften prägend ist: Kommunikation. Gesellschaften konstituieren sich im Wesentlichen durch die Art, wie sie intern kommunizieren und über welche Leitmedien sie das tun. Sprachmodelle decken recht brutal auf, welche Texte einer Gesellschaft so einfach gestrickt sind, dass sie sich mühelos durch Ausgaben eines IT-Systems ersetzen lassen. Und das sind zum ganz wesentlichen Teil Gebrauchstexte, aber auch Texte von Menschen, die das Schreiben (in einer Fremdsprache) gerade lernen – also ein Großteil von Übungen, wie sie in Schulbüchern vorkommen. Das bedroht zentrale Vorstellungen, wie Bildung funktioniert und es bedroht Arbeitsroutinen in Bildungssystemen. In unserer Vorstellung waren diese Texte bisher nämlich durchaus nicht unterkomplex, sondern wichtige Zwischenstufen bei der Entwicklung von z.B. Schreibfertigkeiten.

Unterkomplexe Reaktionsmuster auf phänomenologischer Basis

Und es gibt aus meiner Sicht unterkomplexe Reaktionen darauf. Ein häufiger Reflex ist Freude darüber, dass nun endlich klar wird, wie „stupide“ Bildungsprozesse eigentlich sind und wir viel komplexere Aufgabenformate brauchen, z.B. die Bewertung der Ausgaben eines Sprachmodells und die Überarbeitung derselben. Ohne ein Wissen und ohne eigene entwickelte Schreibfertigkeit ist das gar nicht so ungefährlich. Im schlimmsten Fall gibt es eine Ausgabe, die dann vom Nutzenden an vermutete Erwartungen angepasst wird.

So wie der Schüler, der die Farbe eines Indikators so hinmischt, dass es auf eine Säure hindeutet, weil genau das ja auch auf der Flasche stand (und das Zeug sauer schmeckt) – es könnte aber auch eine ganz andere Säure oder eine falsch beschriftete Flasche gewesen sein. MIt Wissen darüber, wie ein Indikator funktioniert, werden in diesem Fall andere Fragestellungen möglich. Durch blinden Glauben an den Indikator eher nicht.

Rechtfertigungsdruck für tradierte Bildungsprozesse

Was auf jeden Fall geschieht und was für mich der eigentlich Gewinn dabei ist: Sprachmodelle zwingen mich dazu:

Kritisch auf für selbstverständlich gehaltene Vermittlungsformen zu schauen
Vermittlungsformen, die der Prüfung standhalten, vor der Lerngruppe explizit rechtfertigen zu müssen.

Wenn ChatGPT uns alles für eine Erörterung liefert, Herr Riecken, warum müssen wir dann noch selbst eine schreiben?

„Weil ich es so will und besser weiß, was gut für euch ist!“ könnte – auch als implizite Haltung – zukünftig etwas schwieriger werden – erstmal gar nicht so komfortabel.

Was ich nicht über Sprachmodelle weiß

Es hat bisher den Anschein, als seien Sprachmodelle wie GPT‑3 bisher ausschließlich mit Texten trainiert worde, die Menschen ausgewählt haben. Da kommen natürlich Fragen dazu auf, nach welchen Kriterien diese Trainingsdaten von wem ausgewählt worden sind.

Sprachmodelle sind in einem ersten Schritt zunächst nicht in die Lage versetzt worden, ihre Trainingsdaten „selbstständig“ aus dem Internet herauszuholen. Welche Gründe gibt es eigentlich dafür?

Sprachmodelle werden viele Gebrauchstexte ersetzen, die bisher Domänen von Menschen waren – etwa Sportberichte. Logisch zuende gedacht, werden bald wesentliche Teile einer (westlichen) Gesellschaft nicht mehr ihr Geld mit Schreiben verdienen können. Auch mein Blog kann mühelos von Ausgaben von Sprachmodell quantitativ an die Wand genagelt und z.B. in Suchmaschinen nicht mehr wahrnehmbar sein – mein Blog ist jetzt ein dämliches Beispiel, aber was bedeutet das insgesamt?

Wird es uns gelingen, nennenswerte Teile von Schüler:innen (und uns Lehrer:innen) dazu zu befähigen, das künftige Niveau von Sprachmodellen zu erreichen? Machen wir uns nicht ganz schön was vor mit der Annahme, dass große Teile der Schüler:innenschaft in der Lage sein werden, Ausgaben von Sprachmodellen „kritisch“ zu hinterfragen und zu überarbeiten, WENN uns gleichzeitig bewusst ist, dass das Niveau dieser Ausgaben eher qualitativ steigen wird?

Aus der Schule, Deutschunterricht, Gesellschaft ChatGPT, Fortbildung, Gesellschaft, Problem, Sprachmodell

Das „Dining philosophers problem“ – yeah, Informatik!

22. Juni 2022 Maik Riecken Ein Kommentar

Das „Dining-Philophers-Problem“ ist eine Parallelisierungsaufgabe aus der Informatik. Fünf Philosophen sitzen um einen Tisch mit für Tellern und fünf Gabeln dazwischen. Wenn einer von ihnen essen möchte, benötigt er beide Gabeln neben seinem Teller.

By Benjamin D. Esham / Wikimedia Commons, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=56559

Damit können jeweils nur zwei Philosophen gleichzeitig essen und es muss jeweils ein Teller zwischen ihnen sein, an dem nicht gegessen wird. Eine historische Lösung des Problems kann man direkt in einer Publikation von Dijkstra nachlesen (S.29). Das hätte man einfach formalisieren können. Oder halt selbst nachdenken.

In der Informatikwelt sind die Philosophen Prozesse, die um die Betriebssystemressourcen auf dem Tisch konkurrieren. Dabei muss man vermeiden, dass sich die Prozesse gegenseitig blockieren: Wenn alle gleichzeitig wollen, gibt es Streit und keiner kann die Ressourcen belegen, die er zum Essen braucht (informatisch: Verklemmung). Es darf aber auch keine Situation eintreten, in der alle so höflich sind, sich immer gegenseitig den Vortritt zu lassen (informatisch: Aushungerung). Und natürlich soll der Zugriff auf die Ressourcen fair und effizient sein.

Die Herausforderung:

Man „denkt“ beim Formalisieren nicht nur für einen Prozess, sondern für fünf, die miteinander in einer definierten Umgebung interagieren.

Wer darf dann überhaupt miteinander essen?

Um das zu formalisieren, nehmen wir mal eine simple minimale Datenstruktur – ein Feld mit einem booleschen Element für jeden Prozess – d.h. jeder hat sein Flag, dass er auf „ich will essen“ setzen kann. Dann gibt es fünf zulässige Konstellationen:

Das ist schonmal hübsch, da es tatsächlich nur fünf zulässige Fälle gibt. Boolesche Werte zu scannen und zu manipulieren ist ressourcenmäßig auch nicht so üppig aufwändig.

Eine Entscheidung, ob man zwei Philosophen an den Tisch lässt, kann man verlässlich fällen, wenn drei von ihnen ihr Interesse bekundet haben.

Damit nicht genug: Die Prozesse müssen sich weiterhin untereinander steuern können, damit sie sich gegenseitig an den Tisch lassen können.

Ansatz

Man lässt immer drei Prozesse in einen Empfangsbereich, die beiden anderen bleiben draußen und stellen sich an. Dann lässt man die mögliche Konstellation von zwei Philosophen an den Tisch. Derjenige, der nicht zum Zuge kommt, bleibt in einem zweiten Wartebereich vor dem Tisch stehen (= sein Flag im Array bleibt gesetzt).

Wenn einer der am Tisch Essenden aufsteht, kippt er sein Flag im Array, lässt einen aus der Schlange im Empfangsbereich rein und stellt sich draußen hinten wieder an.

Ein besonderes Problem ist die Konstellation:

Bei sowas sollte man die Reihenfolge der Prüfung mal variieren, damit nicht immer die gleichen zwei zum Zuge kommen und der Dritte „verhungert“ (das ist bei fünf Prozessen nicht sehr wahrscheinlich, aber durchaus mal möglich).

Wie macht man das mit dem Warten eigentlich?

Die einfachste Lösung besteht darin, die Prozesse in Endlosschleifen mit einer Abbruchbedingung (Prüfung einer globalen Variable) zu schicken, wenn sie im Empfangsbereich oder vor dem Tisch stehen. Dabei verbraten Sie bloß reichlich Rechenzeit – informatisch heißt das „aktives Warten“ (busy wait) – also dauernd herumquengeln, ob man nicht endlich dran ist. Moderne Betriebssysteme bekommen das hin, mit sowas umzugehen, aber netter ressourcenschonender Programmierstil ist das nicht.

Semaphoren als Lösung

Semaphoren sind Datenstrukturen, die einen negativen oder positiven ganzahligen Wert annehmen können und zusätzlich einen Counter besitzen. Positive Werte geben die Anzahl der zur Verfügung stehenden Ressourcen an, negative die Anzahl der Prozesse, die bereits auf die Zuteilung einer Ressource warten.

Der Counter ist wie der Wert des Semaphors für Anwendungsprogramme nicht einsehbar. Innerhalb eines Prozesses kann ein Anwendungsprogramm eine sogenannte P‑Operation auf einen Semaphor ausführen. Wenn der Semaphor einen positiven Wert hat, wird dieser um eins erniedrigt (= eine Ressource vergeben) und der Prozess darf weitermachen. Wichtig dabei: Das Betriebssystem entscheidet, welcher Prozess die Ressource erhält (meist FIFO, muss aber nicht).

Wenn der Wert negativ oder null ist, wird auch um eins erniedrigt und der Prozess muss warten (Auf Betriebssystemebene wird dem Prozess der Prozessor entzogen, er bleibt im Speicher aktiv, verbraucht aber außer Speicher kaum weitere Ressourcen mehr).

Wenn der Prozess fertig ist, führt er eine V‑Operation auf den Semaphor aus, der sich dadurch um Eins erhöht. Semaphoren müssen, um die Interaktion von Prozessen steuern zu können, globale Datenstrukturen sein.

Kritische Abschnitte

Da Prozesse den Zustand bzw. Wert von Semaphoren nicht abfragen, sondern nur inkrementieren oder dekrementieren können, „erfahren“ sie voneinander nur über globale Variablen oder sonstige Datenstrukturen, in unserem Fall z.B. das Array mit den booleschen Elementen.

Wenn man auf globalen Datenstrukturen mit mehreren Prozessen arbeitet, muss man sicherstellen, dass das immer nur ein Prozess tun kann. Man sperrt solche Strukturen oder auch kritische Abschnitte durch einen extra Semaphor (P‑Operation), macht seine Arbeit und entsperrt diesen Semaphor wieder (V‑Operation). Solche Semaphoren haben nur 0 und 1 als Zustände und werden oft als „mutex“ bezeichnet. Damit wird verhindert, dass zwei Prozesse solche Datenstrukturen gleichzeitig verändern (oder lesen) und damit Inkonsistenzen entstehen.

Meine Lösung (mittlerweile nach Rückmeldungen)

In der Vorlesung wird eine recht eigenwillige Beschreibungssprache verwendet. Das hat damit zu tun, dass man nicht oft nur wenig über der Maschinensprache bewegt, die dann deutlich eingeschränkter im Befehlssatz ist. Wenn man auf globale Datenstrukturen lesend oder schreibend zugreift, muss man das „atomar“ machen (dafür sorgen, dass man alleine ist).

TYPE philId = (0..4);
hungry_phils : SEMAPHORE == 3; // wir haben vorerst drei Plätze 
privsem : ARRAY (0...4) OF SEMAPHORE == [EACH == 0]; // persönlicher Warteplatz am Tisch
mutex_helper : SEMAPHORE == 1;
hungry_phils_array : ARRAY BOOLEAN OF slot == [EACH == FALSE];
swap_check : BOOLEAN == FALSE;

philosopher : PROCESS (id : IN philId)
BEGIN
  LOOP

    --denken

    P(hungry_phils);

    P(mutex_helper);
       hungry_phils_array[id] == true;

    IF swap_check
       IF hungry_phils_array[0] AND hungry_phils_array[2]
          let_eat[0,2];
       ELSEIF hungry_phils_array[0] AND hungry_phils_array[3]
          let_eat[0,3];
       ELSEIF hungry_phils_array[1] AND hungry_phils_array[3]
          let_eat[1,3];
       ELSEIF hungry_phils_array[1] AND hungry_phils_array[4]
          let_eat[1,4];
       ELSEIF hungry_phils_array[2] AND hungry_phils_array[4]
          let_eat[2,4];
       ENDIF
    ELSE
       IF hungry_phils_array[4] AND hungry_phils_array[2]
          let_eat[4,2];
       ELSEIF hungry_phils_array[4] AND hungry_phils_array[1]
          let_eat[4,1];
       ELSEIF hungry_phils_array[0] AND hungry_phils_array[3]
          let_eat[0,3];
       ELSEIF hungry_phils_array[1] AND hungry_phils_array[3]
          let_eat[1,3];
       ELSEIF hungry_phils_array[0] AND hungry_phils_array[2]
          let_eat[0,2];
       ENDIF
    ENDIF

    IF NOT swap_check
         swap_check == TRUE;
    ELSE
         swap_check == FALSE;
    ENDIF

    V(mutex_helper);

    P(privsem[id]);
      --essen
      P(mutex_helper);
          hungry_phils_array[id] == false; 
      P(mutex_helper);      
    V(hungry_phils); 

  REPEAT;

  let_eat : PROCEDURE (id1 : CARDINAL,id2 : CARDINAL)
     BEGIN
       V(privsem[id1]);
       V(privsem[id2]);
     END
 
END

Da steckt deutlich mehr Gehirnschmalz drin, als es den Anschein hat – z.B. war es gar nicht so einfach, immer dafür zu sorgen, dass zwei Philosophen gleichzeitig essen. In alternativen Lösungsvorschlägen aus dem Tutorium wäre auch ein Einzelessen möglich gewesen.

Wie geht in der Vorlesung weiter?

Semaphoren sind bisher Blackboxen. Jetzt wird geschaut, wie ein Betriebssystem Semaphore realisiert (das geht übrigens manchmal nicht ohne „busy waiting“). Letztlich geht es im Zuteilung von Rechenzeit an Prozesse. Ich kann gedanklich momentan nur leidlich mithalten und brauche letztlich zu viel Zeit für Lösungen. Das wird in der Klausur später spannend …

Tech-Talk Betriebssystem, fünf, Informatik, Lösung, Philosophen, Problem, Semaphore

Dienstgeräte

27. Januar 2021 Maik Riecken 4 Kommentare

Diese Überschrift ist meiner Meinung nach schon irreführend. Es kann keine Dienstgeräte aus dem Förderprogramm des Bundes geben, bzw. keine Geräte, die den Status „Dienstgerät“ erhalten werden.

Was sind Dienstgeräte?

Auf Dienstgeräte werden u.a. Daten verarbeitet, die im dienstlichen Kontext entstehen, z.B. Noten, Adressdaten usw. von Schutzbefohlenen, Fotos, sonstige Leistungsdaten etc.. Vielleicht werden auch dienstliche Vorgänge darüber abgewickelt, z.B. Reisekosten- oder Beihilfeanträge. Ein Dienstgerät muss daher mit technischem Support versehen und vom Dienstherrn intervenierbar sein, wenn gleichzeitig bei Lehrkräften der Anspruch nach Daten- und Rechtssicherheit bei der Nutzung vorhanden ist. Das ist bei offenen Geräten, die individuell anpassbar sind, schlicht nicht möglich: Organisatorisch, personell und technisch nicht. Es mag Schulen geben, denen das gelingt.

Dienstgeräte adressieren aber Kolleg:innen an kleinen Grundschulen ebenso wie Kolleg:innen großer berufsbildender Schulen. Für individuelle Bedürfnisse ist da kein Platz, wenn es Support, Daten- und damit auch Rechtssicherheit geben soll.

Was sind Privatgeräte?

Privatgeräte sind Geräte durch Durchführung und Vorbereitung des eigenen Unterrichts. Sie sind durch Nutzer:innen individuell an Bedürfnisse anpassbar, dort kann eigene Software installiert und erprobt werden. Mit Privatgeräten dürfen Verwaltungsdaten nur unter hohen Auflagen oder online auf z.B. Landesplattformen verarbeitet werden, wenn das Gerät nur als Zugangsgerät genutzt wird. Das treibt z.B. seltsame Blüten, dass z.B. dienstliche E‑Mailadressen bereitgestellt werden, aber nicht mit lokal installierten Clients (Thunderbird, Outlook, AppleMail) verarbeitet werden dürfen. Privatgeräte sind nicht intervenierbar. Durch unzählige denkbare Programme oder auch Betriebssysteme kann für ein solches Gerät mit vertretbarem personellen Aufwand kein Support und keine Daten- sowie Rechtssicherheit ermöglicht werden.

Was wollen viele Lehrkräfte?

Viele Lehrkräfte möchten maximale individuelle Freiheit auf ihrem Gerät. Gleichzeitig wünschen sie aber umfassenden Support und Daten- sowie Rechtssicherheit. Und natürlich das neueste Modell mit Magnesiumgehäuse. Und bei 40 Kolleg:innen bitte 50 Gerätevarianten (Sorry für den Rant).

Das ist nicht zu leisten. Schon gar nicht bei kleinen Schulträgern, die die große Mehrheit stellen.

Daher wird es bei der Endgeräteförderung für Lehrkräfte meiner Meinung nach nie um Geräte gehen können, die den Status eines Dienstgerätes (s.o.) erhalten. Es kann nur um Geräte mit dem Status eines Privatgerätes gehen. Echte Dienstgeräte werden nicht akzeptiert werden, da diese eine recht strenge Standardisierung erfordern.

Daher wäre es am einfachsten, allen Lehrkräften einfach einen Zuschuss mit dem Gehalt auszuzahlen. Dann kann jeder machen, was er will, es gibt keine Ausschreibungsmodalitäten zu beachten und keinen Ärger.

Wenn sich die Träger wirklich auf irgendetwas anderes einlassen würden – meine Hochachtung wäre groß, meine Verwunderung würde keine Grenzen kennen. Selbst bei kleinen Trägern stehen da schnell mal 100 Lehrkräfte mit ihrem individuell eingerichteten Gerät bei jedem Problem auf der Matte.

Eine Lösung

Eine aus meiner Sicht sehr gute Lösung wäre, den Lehrkräften einfach einen Zuschuss für ein Privatgerät auszuzahlen und gleichzeitig eine Clientanwendung zu entwickeln, die eine sichere Kommunikation mit einem Landesnetz ermöglicht, in dem dann alle Verwaltungs- und Verarbeitungsvorgänge online mit Transportverschlüsselung ablaufen. Das ist auf jedem Betriebssystem möglich. Die lokale Verarbeitung von dienstlichen Daten auf dann diesem Privatgerät wird einfach untersagt. Dann kann jeder machen, was er oder sie will. Support gibt es dann nur für die Onlineanwendungen im Landesnetz und bei der Installation des „Landesclients“. Leider fehlt dafür eine winzige Kleinigkeit: Ein entsprechend aufgestelltes Landesnetz. Achso – und ein Landesclient.

Aus der Schule, Tech-Talk Ausstattung, Bundesprogramm, Dienstgerät, Lehrkraft, Lösung, Problem, Umsetzung, Zuschuss

Warum bekommen es die Kultusministerien es einfach nicht hin mit den Schulclouds?

29. Dezember 2020 Maik Riecken 10 Kommentare

Mebis ist vor den Weihnachtsferien unter der Last der Nutzeranfragen zusammengebrochen. Das hat viele Nachfragen ausgelöst und Wasser auf die Mühlen derjenigen laufen lassen, die proprietäre Lösungen wie MS-Teams bevorzugen: „Siehste, die Kultusministerien bekommen es nicht auf die Reihe!“ Ich möchte in diesem Artikel einmal eine Lanze brechen für die Situation, in denen sich Fachreferate in Kultusministerien befinden und vor welchen Aufgaben sie stehen, wenn man wirklich eine Plattform landesweit zur Verfügung stellen möchte.

Shortread

Fachpersonal mit IT-Kompetenz ist im öffentlichen Bereich rar. Wer hier etwas erreichen und kreativ oder pragmatisch sein möchte, muss oft Entscheidungen treffen und Menschen blind vertrauen, die er/sie zunächst nicht versteht. Man braucht Mut zum Handeln. Der wird aber nicht belohnt – schon gar nicht von der Öffentlichkeit (s.u.).
Handelt man einfach und setzt um, kommen mit Sicherheit kritische Nachfragen zum Ausschreibungsrecht. Das ist momentan kaum einzuhalten. Bei den Summen, von denen wir reden, kommen wir zumindest mit dem Anspruch „landesweit“ immer in die europaweite Ausschreibung. Wenn man es ganz eng am Auschreibungsrecht macht, muss man offen ausschreiben und kann das spätere Produkt nur in Grenzen vorherbestimmen.
Beachtet man das Ausschreibungsrecht, kommen mit Sicherheit kritische Nachfragen zum Thema Datenschutz. Der technisierte Schulbetrieb auf Distanz stellt ohne transparent und demokratisch verabschiedete gesetzliche Regelungen für manche Kritiker per se „einen schweren Grundrechtseingriff“ dar. Dass Schule, die gar nicht stattfindet, auch Grundrechte berühren könnte, ist bei den Nachfragenden oft nicht so entscheidend – auch nicht, dass beim Betrieb durch die öffentliche Hand Daten in der öffentlichen Hand verbleiben und Formalia im Prinzip nachgeholt werden könnten.
Beachtet man das Ausschreibungsrecht und Datenschutzrecht kommen kritische Nachfragen zur Einbindung der Betroffenen in den Entscheidungsprozess. Die Berücksichtigung von Datenschutzaspekten schränkt technische Möglichkeiten erheblich ein. Die Lösungen, die dabei herauskommen müssen, werden fast zwangsläufig pädagogisch unbefriedigend sein.

Das kann man alles berücksichtigen und machen. Es dauert aber Jahre. Die Ministerien können also handeln und dafür öffentlich „auf die Fresse“ bekommen oder sie können die notwendigen Schritte für eine transparente und rechtsfeste Umsetzung gehen und für ihre Langsamkeit „auf die Fresse“ bekommen.

Ja, das hätte man ggf. weit früher in Angriff nehmen müssen. Hat man aber nicht. Dafür gibt es ja auch berechtigt „auf die Fresse“. Aber helfen tut das auch nicht gerade.

Der Ausweg: Man handelt jetzt systemlogisch m.E. oft gerade so, dass man sich nicht dem Untätigkeitsvorwurf aussetzen muss, aber auch nicht zu viel Geld versenkt, was man dann später verantworten muss. Das diese oftmals „Verlegenheitslösungen“ im Betrieb mit allen Schüler:innen nicht standhält, ist langfristig besser verantwortbar, als wenn man gleich sehr viel Geld investiert hätte. „Es waren halt die Umstände!“

Longread

Schauen wir uns mal Moodle an und tun wir so, als wollten für das landesweit ausrollen. Daran lässt sich ganz hübsch die gesamte Bandbreite an Herausforderungen zeigen:

Moodle ist erstmal so eine Art Programm. Eigentlich noch viel weniger. Es ist viel mehr ein Text mit vielen Anweisungen. Dieser Text muss von einem Übersetzer („Interpreter“) in etwas übersetzt werden, was ein Browser wie Firefox oder Chrome anzeigen kann. Das nennt man „Seitenquelltext“ und den kann man sich anzeigen lassen, wenn man auf einer Internetseite die rechte Maustaste drückt und „Seitenquelltext anzeigen“ auswählt. Dieser Seitenquelltext wird von einem weiteren, diesmal echten Programm („Webserver“) an den Browser bzw. Anwender ausgeliefert. Für das Prozedere braucht man primär einen schnellen Prozessor (CPU). Etwas Hauptspeicher (RAM) gehört auch dazu.

Damit Moodle Daten speichern und ausgeben kann, wird ein Datenbanksystem (DBMS) verwendet. Das ist ein Programm, welchen Daten sehr effizient speichern und i.d.R. noch viel effizienter wieder ausgeben kann. Das klappt besonders gut, wenn die Daten möglichst vollständig im Hauptspeicher (RAM) liegen. Selbst eine SSD ist deutlich langsamer beim Zugriff.

Große Dateien lassen sich nicht sinnvoll in einem Datenbanksystem ablegen. Moodle legt nur Verweise (Links) in seine Datenbank, die dem Moodlecode sagen, wo ein Bild oder eine PDF-Datei zu finden ist. Dateien werden in Storages gelagert. Für den RAM wären sie schlicht zu groß. Storages können SSDs (teuer) oder normale Festplatten (günstig) sein. Moodle verschlüsselt aber seine Dateien. Zum Ver- und Entschlüsseln braucht man wiederum CPU-Leistung. RAM zum Ausliefern braucht man verhältnismäßig wenig, da Dateien in kleinen Portionen und nicht vollständig verschickt werden.

Wenn man Moodle selbst aufsetzt, wird man i.d.R. sowas bauen:

Alle drei Komponenten laufen auf dem gleichen Server und konkurrieren dann um CPU, RAM und Storage. Man kann für 50,- Euro Server mieten, die für 800‑1000 Schüler:innen ausreichen. Allerdings kommt es sehr stark auf die Nutzung an: Wenn man vorwiegend Kurse baut, in denen lediglich Aufgaben und PDFs koexistieren, klappt das spielend. Die dazu nötigen Abfragen sind harmlos. Wenn aber z.B. das Testmodul oder der Chat exzessiver genutzt werden, kann es schnell aus sein mit der Freude an der tollen Funktion. Dann muss man den nächstgrößeren Server kaufen oder herumoptimieren (mehr als 15–20% holt man damit aber nach meiner Erfahrung nicht raus).

Ich bin davon überzeugt, dass alle Installationen von Moodle auch auf Landesebene genau so angefangen haben: Erst mal einen Testserver aufsetzen und schauen, wie der Betrieb so läuft.

Das Spiel „Hardware upgraden“ ist aber irgendwann zu Ende: Wenn viele Anfragen hereinkommen, startet der Webserver mehr Interpreter. Diese produzieren dann mehr Anfragen an das Datenbanksystem. Und sie belegen mehr RAM.

Der Moodleserver fängt an zu sterben, wenn die Daten aus der Datenbank nicht mehr in den Hauptspeicher passen. Dann kommen diese Daten auf die langsame Festplatte. Dadurch stauen sich Anfragen, die das DBMS unter normalen Umständen spielend bewältigt hätte und immer mehr Interpreter müssen warten und werden nicht beendet. Wenn RAM und Auslagerungsspeicher voll sind, werden die Überlebensinstinkte des Betriebssystems geweckt. Dieses beginnt nun damit, Interpreter zu beenden, um wieder RAM frei zu bekommen. Die Anfragen an diese Interpreter laufen nun ins Nirwana und es geht für den Nutzer entweder ins Nirwana (Connection timed out) oder mit einem letzten Lebenszeichen in den Kurort (500 – Bad Gateway). Ein Absturz ist das technisch gesehen nicht. Das System selbst funktioniert ja noch, tut aber nicht das, was es soll.

Was tun?

Eine simple Möglichkeit besteht darin, die Arbeit einfach auf mehrere Server zu verteilen. Das geht mit diesem einfachen Verfahren, wenn Schulen jeweils eigene Moodlesysteme erhalten sollen,

Wenn man merkt, dass ein Server überlastet ist, schiebt man die entsprechende Schule einfach auf einen neuen. Man kann auch Schulen, die nicht viel Last erzeugen, mit mehreren anderen auf einen Server packen. Kommen neue Schulen, kauft man neue Server dazu.

Ich baue davor gerne noch einen Proxy. Ein Proxy speichert Seiten, die schon einmal von Moodle gebaut worden sind in seinem Speicher als Kopie. Wenn ein Anwender wieder genau diese Seite anfordern, muss man nicht den Moodleserver selbst damit behelligen. Die einzelnen Moodleserver machen dabei immer noch alles gleichzeitig: Moodlecode + DBMS + Storage.

Für so ein Setup muss man erheblich mehr können als beim ersten. Vor allem beim Überwachen der Server. Und man sollte z.B. das Verschieben einer Schule auf einen anderen Server tunlichst automatisieren. Sich einen Rootserver mieten und mit einem Verwaltungstool Moodle zu installieren reichen dann nicht mehr. Trotzdem ist das Setup sehr simpel, da die Moodlesserver für sich selbstständig arbeiten. Den Proxy kann man z.B. durch Failover-IPs im Notfall als „single point of failure“ automatisch eliminieren.

Ich wette, dass auch auf Landesebene das oft die erste Eskalationsstufe ist, weil man solche Setups selbst als Laie noch mit eigenen Mitteln hinbekommt.

Mebis hat noch mehr Probleme

Mebis ist eine zentrale Installation. Es gibt keine Segmentierung in Einzelmoodlesysteme für Schulen. Wildes Herumgeschiebe der Schulen ist nicht möglich. Also muss man noch eine Schippe Komplexität drauflegen und jetzt wirklich skalieren.

Man trennt jetzt keine Moodlessysteme – das geht ja auch gar nicht. Man trennt die einzelnen Komponenten wie Moodlecode, DBMS und Storage auf. Man kann dadurch die einzelnen Server auf ihre Aufgabe hin optimieren. Für den Moodlecode viel CPU-Wumps, für die Datenbank viel Speicher. Und man kann Read-Only-Datenbanken vorhalten, aus den nur gelesen wird. Schreiboperationen bei Moodle sind vergleichsweise gering. Ein diesmal richtiger Loadbalancer entscheidet je nach Auslastung der CPU-Nodes, wohin die Anfrage geht. Wenn es nicht reicht, stellt man neue Server dazu. Wenn man es gut macht, beliebig viele. Für ein ganzes Bundesland wird man das über Rechenzentrumsgrenzen hinaus machen müssen. Und die Server müssen untereinander durch schnelle Verbindungen vernetzt sein. Die Daten müssen ja unter den DBMS- und Storage-Servern schnell aktualisiert werden Monitoring bleibt Pflicht. Und Backups. Und Desaster-Recovery.

Durch Automatisierung kann man schnell reagieren. Große Anbieter wie itslearning dürften vergleichbare Setups fahren und selbst die haben sich bezüglich der Anfragemenge beim Wechsel ins Schulszenario C offenbar stellenweise verkalkuliert.

Microsoft und Google stellen aller Wahrscheinlichkeit nach nicht mal mehr eigene Server für solche Aufgaben hin. Das wird so ziemlich alles in wirklich großen Rechenzentrum mit abertausenden von Maschinen virtualisiert sein. Bei einer drohenden Überlastung „bläst“ sich das System dann automatisiert auf.

Das Problem der Ausschreibung

Das letzte Setup kann man nicht durch eine beschränkte Ausschreibung (drei Vergleichsangebote) bekommen. Da geht es um mehr Taler. Das Teure ist weniger die später Skalierung (der Zubau an Servern). Das Teure ist der Gehirnschmalz, der in die Konzeption fließen muss. Schon für die Ausschreibung braucht man für das Lastenheft immense technische Kenntnisse. Wer bei der Konzeption einer Ausschreibung mitwirkt (und so jemanden wird man brauchen), darf übrigens später nicht mehr mitbieten.

Schon ein kleines Setup wird dadurch immens teuer. Rechnen tut sich eine solche Vorbereitung nur bei späteren Wachsen in die Breite. Daher wird man erst schlicht das Geld dafür nicht bekommen. Und wenn man es krisenbedingt dann doch bekommt, sind die Anbieter und IT-Spezialisten, die so etwas hochziehen könnten, auf wunderbare Weise mit Aufträgen ausgelastet.

Das ist Menschen mit begrenztem technischen Know-How nicht vermittelbar. Oder – wäre Corona nicht gekommen – wäre man in der Presse bitterböse verprügelt worden, dass man so viel Geld für ein so kleines Setup verballert hat.

Was wesentlich leichter daherkommt, ist die Ausschreibung eines spezifischen Produkts wie z.B. Microsoft Teams. Dafür dürften sogar extra Berater / Lobbyisten von Microsoft oder Apple oder … ins Haus kommen, die die Ministerien bei der Erstellung einer sachgerechten Ausschreibung „unterstützen“. Um das Ausschreibungsrecht einzuhalten, müssen das strenggenommen Mitarbeiter:innen einer „Tochter“ des Großunternehmens sein (s.u.).

Und natürlich ist diese Variante für die Fachreferate der Kultusministerien attraktiv!

Das Datenschutzproblem

Das einzige mir bekannte System, das in Zusammenarbeit mit einem Landesdatenschutzinstitut entwickelt worden ist, ist die niedersächsische Bildungscloud (NBC). Über die dadurch verbleibende Funktionalität mag sich jeder selbst ein Bild machen. Die NBC bzw. die darunterliegende HPI-Schulcloud ist unter starkem Beschuss hinsichtlich der Finanzierung – Ausschreibungsrecht halt.

Bei großen us-amerikanischen Anbietern ist die Datenschutzproblematik oft noch nicht geklärt. Schlägt ein Kultusministerium hier zu, gibt es öffentlichen Unmut. Deswegen ist der Datenschutz der erklärte Feind derjenigen, die schnell handeln und ebenso schnell zu einem funktionsfähigem System kommen wollen. Auf deren Seite stehen zurzeit viele Anwender, deren Anforderungen man eigentlich oft so zusammenfassen kann: „Wenn eine öffentlich finanzierte Cloud mir nicht das bieten kann, was mir MS-Teams bietet, dann ist sie nichts!“ Spoiler: Systeme, die den Datenschutz berücksichtigen, können das rein formal schon nicht.

Die „Gefahr“, die von großen Anbietern ausgeht, ist eine noch sehr abstrakte – wie etwa die Aussicht auf die zweite Coronawelle im August für die meisten Kultusministerien. Es ist absolut nicht abzuschätzen, was uns da bei der Verwendung von Schüler:innendaten durch das Silicon-Valley noch bevorstehen könnte. Das Vertrauen in reine Lernplattformanbieter ist da noch gefühlt größer – die werden ja auch niemals an Investoren verkauft werden, oder? Bei komplett offenen Systemen wie z.B. Moodle hat man als öffentliche Hand die volle Kontrolle und alle Probleme und Herausforderungen gegen sich.

Das Beteiligungsproblem

Gegen Anwender:innen, die eine Lösung mit ihren Features gewohnt sind, lässt sich schwer etwas durchsetzen, was technisch einen Rückschritt darstellt. Lehrmanagementsysteme sind hier viel besser geworden, aber eben immer noch nicht richtig gut. Außerdem gibt dann noch Leute wie mich, die große Schwierigkeiten mit Lehrmanagementsystemen haben. Apple, Microsoft, itslearning, die NBC und Moodle sind deshalb so erfolgreich, weil sie Schule so abbilden, wie Schule ist: Die Lehrkraft gibt die Strukturen bis hin zu „Laufwegen“ (Lernpfade) vor, die die Schüler:innen dann entlanglaufen. Man kann Lehrmanagementsysteme anders nutzen – nur braucht man sie dann eigentlich nicht mehr.

Onenote kann das gute, alte Schulheft technisch am allerbesten imitieren und zudem alle Hefte immer für die Lehrkraft verfügbar machen. Ob letzteres ein Vorteil ist, müsste man noch diskutieren. Für mich gibt nicht viel Übergriffigeres als ein Blick auf alle Bildschirme z.B. via Apple Classroom. Aber das entspricht den Anforderungen, die an Apple herangetragen werden.

Anwender:innen sind oft in Verbänden organisiert. Ein Verband ist immer das Gegenüber des Kultusministeriums bei Benehmensprozessen. Die Mitglieder werden gerade im Bereich der Anwendung digitaler Technologie extrem heterogen sein. Herzlichen Glückwunsch bei der Konsensfindung.

Das Qualifizierungsproblem

Um eine Schulcloud sinnvoll nutzen zu können, muss man in der Anwendung digitaler Werkzeuge kompetent sein. Lassen wir diesen Punkt lieber. Der Artikel ist eh schon zu lang.

Fazit

Schulclouds in der öffentlichen Hand zu entwickeln war auch schon vor Corona nicht so einfach. Die Kompromisslösungen können dem jetzigen Ansturm nicht gewachsen sein und auch nicht problemlos und unbürokratisch aufgepustet werden. Wenn ich ein Kultusministerium mit der Aufgabe einer schnellen Umsetzung beraten müsste, würde ich zu einem Fertigprodukt raten.

Formal sind viele Fachreferate in den MKs fit. Der Weg zu einem Lehrmanagementsystem in der öffentlichen Hand ist mehr als steinig: Technische Expertise, Ausschreibungsrecht, Beteiligungsverfahren – alles viel einfacher mit Lock-in-Lösungen, wie es Teams, itunes oder auch Webweaver oder itslearning oder <beliebiges Lehrmanagementsystem> nunmal so sind.

Moodle ist eine echte Ausnahme, weswegen ich den bayrischen Weg mit Mebis persönlich absolut klasse finde. Muss jetzt halt technisch nur noch laufen. Wenn es die Bayern nicht schaffen, ist die Weltordnung nicht nur in der Bundesliga außer Kraft gesetzt.

Aus der Schule, Gesellschaft, Tech-Talk Absturz, landesweit, LMS, Mebis, Moodle, Problem, Schulcloud, Skalierung

1 2 3 … 6 »