Die Studierenden:

• kennen zentrale Begriffe der Ethik im digitalen Raum und können diese voneinander abgrenzen (z. B. Moral, Ethik, Normen, Verantwortung),
• verstehen grundlegende ethische Theorien (z. B. Utilitarismus) und können diese auf konkrete digitale Anwendungsszenarien übertragen,
• analysieren systematisch Fragestellungen wie Datenschutz, Informationsgerechtigkeit, Machtverhältnisse, Genderfragen oder Informationsfreiheit,
• reflektieren kritisch gesellschaftliche Auswirkungen digitaler Technologien,
• kennen relevante ethische Kodizes (z. B. ACM, IEEE) sowie Grundlagen des Datenschutzrechts (z. B. DSGVO),
• übernehmen Verantwortung für ihr Handeln im digitalen Raum und können ethische Fragen argumentativ begründen.

Die schriftliche Prüfung besteht aus einer Kombination aus Begriffsdefinitionen, Theorieverständnis und Fallanalysen. Die Studierenden bearbeiten z. B. Fallbeispiele zu KI-Einsatz oder zu Datenschutzfragen und wenden dabei gelernte ethische Theorien sowie rechtliche Grundlagen reflektiert an.

• Sie fordert und fördert sowohl Fachwissen als auch ethische Urteilskraft.
• Die Kombination aus theoretischem Wissen und argumentativer Praxisanwendung spiegelt reale ethische Entscheidungsprozesse in der digitalen Welt wider.
• Die Prüfung ermöglicht differenzierte Bewertungen und fördert kritisches Denken.

• Inputphasen mit Theorien und Begriffen
• Analyse konkreter Anwendungsszenarien
• Gruppenarbeit zu Fallstudien
• Diskussion ethischer Dilemmata

Studierende:

• verstehen grundlegende Begriffe und Prinzipien des Deep Learning,
• können Daten vorbereiten und geeignete Deep Learnig-Methoden auswählen,
• wenden ausgewählte Lernverfahren praktisch an und evaluieren deren Ergebnisse,
• analysieren und reflektieren methodisch ihr Vorgehen,
• organisieren ihren Lernprozess eigenverantwortlich,
• entwickeln Kommunikations- und Kooperationsfähigkeiten im wissenschaftlichen und interkulturellen Kontext.

Die Prüfung besteht aus praxisorientierten Aufgaben, die in einer digitalen, schriftlichen Klausur bearbeitet werden. Die Studierenden analysieren gegebene Datensätze, wählen passende Deep Learning-Verfahren aus, wenden sie an und interpretieren die Ergebnisse kritisch. Durch offene Fragen und Reflexionsaufgaben wird zudem die Fähigkeit zur methodischen Begründung und selbstständigen Problemlösung geprüft. So wird sichergestellt, dass neben theoretischem Wissen auch praktische Kompetenzen und Reflexionsfähigkeit abgefragt werden. Die digitale Klausur ermöglicht eine realitätsnahe Prüfungssituation, in der sowohl technisches Verständnis als auch methodisches Vorgehen abgebildet werden. Offene Aufgaben fördern eigenständiges Denken und reflektierte Lösungen. Zudem erlaubt die digitale Umgebung die Einbindung verschiedener Medien und somit eine vielschichtige Kompetenzabfrage – von der Datenanalyse über Modellbildung bis zur Ergebnisinterpretation.

• Interaktive Vorlesung mit Visualisierung
• Praktische Übungen
• Gruppenarbeit an Use Cases
• Diskussion
• Selbststudium

Die Studierenden:

• verstehen grundlegende Konzepte, Zielstellungen und Einsatzfelder der Künstlichen Intelligenz
• kennen zentrale Methoden des überwachten, unüberwachten und bestärkenden Lernens und können diese unterscheiden und zielgerichtet einsetzen,
• sind in der Lage, reale Problemstellungen zu analysieren und geeignete ML-Verfahren für deren Lösung auszuwählen,
• können Daten aufbereiten, trainieren, evaluieren und interpretieren, um fundierte Entscheidungen in KI-Anwendungen zu treffen,
• nutzen gängige Frameworks und Tools zur praktischen Umsetzung von KI-Projekten,
• verstehen die Funktionsweise neuronaler Netze und können einfache Deep-Learning-Modelle auf konkrete Anwendungsfelder übertragen,

reflektieren Chancen und Grenzen maschineller Lernverfahren, insbesondere im Hinblick auf Erklärbarkeit, Verzerrung, Robustheit und ethische Aspekte.

Die Prüfung erfolgt als digitale, schriftliche Klausur im PC-Labor unter Verwendung von EXaHM. Sie ist so gestaltet, dass die Studierenden zentrale Inhalte des Moduls nicht nur wiedergeben, sondern aktiv anwenden und kritisch reflektieren müssen. Anhand praxisnaher Fallbeispiele analysieren sie Anforderungen an KI-Systeme, wählen passende Bausteine aus und begründen ihre Entscheidungen auf Basis des erlernten methodischen Wissens. Durch strukturierte Fragen mit offenen Antwortfeldern wird das eigenständige Denken gefördert, während gezielte Teilaufgaben das systematische Vorgehen und die Fähigkeit zur Problemlösung abbilden.

Offene Aufgabenformate innerhalb der EXaHM-Umgebung ermöglichen es, Denkprozesse sichtbar zu machen, fundierte Argumentationen zu entwickeln und individuelle Lösungsansätze nachvollziehbar darzustellen. Die Studierenden können zeigen, dass sie Architekturentscheidungen nicht nur technisch begründen, sondern auch unter ethischen, praktischen und organisatorischen Gesichtspunkten reflektieren können.

Durch die digitale Durchführung wird zudem der Umgang mit relevanten digitalen Tools eingeübt – ein Aspekt, der im Bereich KI essenziell ist.

• Interaktive Vorlesung mit Visualisierung
• Gruppenarbeit an Use Cases
• Diskussion
• Coding Challenges

Studierende:

• verstehen grundlegende Architektur- und Designprinzipien
• wenden diese in Visual Studio Code zur Entwicklung von KI-Systemkomponenten an,
• analysieren Systemanforderungen und wählen geeignete Architekturansätze aus,
• reflektieren ihre Entwurfsentscheidungen unter Berücksichtigung von Sicherheit, Wartbarkeit und Erweiterbarkeit,
• arbeiten effektiv mit VS Code-Features (Erweiterungen, Versionskontrolle, Debugging, Refactoring),
• dokumentieren ihre Lösungen strukturiert und nachvollziehbar innerhalb der VS Code-Projektstruktur.

Die Prüfung ist eine digitale, schriftliche Klausur im PC-Labor, bei der Visual Studio Code verpflichtend eingesetzt wird.

Die Aufgaben umfassen:

• Analyse eines gegebenen KI-bezogenen Szenarios,
• Entwurf einer passenden Architektur unter Verwendung von Patterns,
• Implementierung oder Code-Skizzen in VS Code (z. B. mit Kommentaren, Modulpaketen, Interface-Designs),
• Reflexion der getroffenen Architekturentscheidungen im Hinblick auf typische Anforderungen (z. B. Verteilung, Sicherheit, Wiederverwendbarkeit).

So wird sichergestellt, dass die Studierenden sowohl ihr fachliches Wissen als auch praktische Fertigkeiten in einer professionellen Entwicklungsumgebung demonstrieren können.

Die Klausurform verbindet analytisches Denken, praxisnahen Entwurf und konkrete Umsetzung. Die Nutzung von Visual Studio Code ermöglicht eine realitätsnahe Prüfung, wie sie auch in beruflichen Softwareentwicklungs- oder Architekturreviews vorkommt.

Studierende demonstrieren nicht nur Wissen, sondern zeigen konkret, wie sie Architekturen entwickeln, strukturieren und dokumentieren – genau das, was moderne KI-Systeme in der Praxis verlangen.

• Interaktive Vorlesung mit Visualisierung
• Praktische Übungen
• Gruppenarbeit an Use Cases
• Diskussion
• Selbststudium

Sowohl die Kriterien für ein gelungenes Protokoll, als auch für ein gelungenes Feedback werden als klare Lernziele formuliert. Insbesondere Fach- und Sozialkompetenzen werden gestärkt.

Studierende erarbeiten in Zweier-Gruppen Versuchsprotokolle. Im Laufe des Semesters gibt es vier Abgaben über Moodle mit Feedback-Schleifen. Um Bonuspunkte in der Klausur zur erlangen, übernehmen Studierende sowohl die Rolle des Feedback-Gebers als auch des Feedback-Nehmers.

Zu Beginn des Kurses gibt es eine mündliche Einführung mit den Kriterien für ein gutes Feedback und diese stehen auch während der gesamten Kursdauer den Studierenden über moodle zur Verfügung. Zudem gibt es eine Checkliste für die Feedback-Vergabe, die an jedem Protokoll dranhängt und abzuhaken ist.

Der Studierauftrag ist mit klaren Lernzielen verbunden, die die Studierenden direkt daneben finden. Die Studierenden sollen sich bereits VOR der eigentlichen Vorlesung mit einem Teil deren Inhalts beschäftigen und somit leichter Verknüpfungen schließen können.

• Die Fragen im Moodle-Test beinhalten sowohl einfache Wiedergabe-Fragen des Stoffes, als auch Übertragungsfragen. Eine Aufgabe ist es zudem eine sinnvolle Verständnisfrage ihrerseits zu stellen. Der Test dient der Vorbereitung auf den Stoff der nächsten Stunde. Insbesondere die komplizierten Inhalte werden dann in der nächsten Stunde vertieft bearbeitet. Die Verständnisfragen werden gesammelt und vor den Studierenden beantwortet
• Diese Prüfungsart ist spielerisch (Multiple-Choice, drag-and-drop etc.) zu bearbeiten und fördert insbes. die Vorbereitung auf die nächste Stunde. Die Studierenden können so an schon selbst erarbeitetes Wissen anknüpfen und das in der Vorlesung erlernte bleibt besser hängen.
  Bei dieser Art von Prüfung werden folgende Kompetenzen gefördert: Kritisches Reflektieren von Lernstoff + Stellen von Verständnisfragen.

Eine Frage, die zwingend beantwortet werden muss ist, ob die Studierenden selbst noch eine Frage zu dem Stoff haben. So sieht der/die Dozent/in, ob und worauf er/sie noch intensiver eingehen muss. Falls ein/e Student/in keine Frage hat, soll er/sie 2 Erkenntnisse aus dem Studierauftrag angeben.

In der Vorlesung geht der/die Dozent/in konkret auf jede Frage ein. Zudem werden gut zusammengefasste Erkenntnisse aufgezeigt, die den anderen Studierenden es erleichtern sollen, die Thematik zu verstehen.

Fachlich-Methodische Kompetenzen:

Studierende sollen…

• …die zentralen Konzepte von Programmiersprachen (Datentypen, Variablen, Prozeduren, Kontrollstrukturen, Zeiger, Programmausführung) kennen, verstehen und auf Problemstellungen anwenden können.
• …die Grundlagen der objektorientierten und funktionalen Programmierung kennen, verstehen und auf Problemstellungen anwenden können.

Persönliche-Soziale Kompetenzen:

Studierende sind in der Lage…

• …in Kleingruppen zu kommunizieren und einzelne Programmieren-Übungsaufgaben in 2-er Teams zu bearbeiten und Lösungen zu reflektieren.
• …Programmier-Lösungen vor einer größeren Gruppe im Plenum zu präsentieren und zu diskutieren, Zeitressourcen einzuteilen und die notwendige Ausdauer bei der Bearbeitung von Aufgaben, Übungen mit Abgabeterminen und einer 2-er Gruppen-Projektaufgabe nach Zeitplan zu trainieren.

Es werden ausschließlich die fachlich methodischen Kompetenzen bezogen auf die Programmiersprachen-Lernziele geprüft. Die persönlich-sozialen Kompetenzen werden in der Prüfung nicht abgeprüft, sondern durch verschiedene Lehr- und Lernmethoden der Veranstaltung gefördert. Die Prüfung als Moodle Test verwendet verschiedenste Fragetypen zusätzlich zu dem CodeRunner Fragetyp (z.B. Single/Multiple Choice, Zuordnungs Fragetyp).  Dies ermöglicht die Prüfung der verschiedenen Kompetenzstufen der jeweiligen Lernziele. Insbesondere ermöglicht der CodeRunner Fragetyp, bei dem Programmcode direkt kompiliert, ausgeführt und getestet werden kann, das Prüfen der höheren Kompetenzstufen 4 und 5. Kompetenzstufen 1 bis 3 lassen sich z.T. sehr gut durch entsprechende klassische Fragetypen mit entsprechender Fragestellung-Komplexität prüfen.  Die Prüfung wird weitestgehend automatisch bewertet. Dabei sind Prüfungsfragen so gestaltet, dass Punkte für richtige Teilergebnisse einer Gesamtaufgabe – wie bei einer Papierprüfung auch – (automatisiert) vergeben werden können.

Es werden weitestgehend die gleichen Lehr- und Lernaktivitäten wie bei einer schriftlichen Papierprüfung verwendet. Diese sind:

• Seminaristischer Unterricht
• Übungsaufgaben werden nicht mehr in Papierform gestellt, sondern als digitaler Moodle Test mit CodeRunner und anderen Fragetypen. Die Studierende haben daher bereits während der Übungen das gleiche Moodle-Test Setting wie bei der realen Prüfung und erhalten bereits bei den Übungen automatisiert direktes Feedback über ihre Lösung.
• Gemeinsam im Plenum durchgeführte Selbstkontrollfragen mit Besprechung der Lösungen
• Bei einzelnen Aufgaben Einteilung in 2-er Gruppen zur Bearbeitung der Aufgabe und Vorstellung der Lösung im Plenum

Die Studierenden

• …treten als Berater:innen zur Optimierung der bestehenden Anlage auf.
• …eignen sie sich das benötigte Wissen an und Konzeptionieren eigenverantwortlich eine Verbesserungsstrategie, die in der Realität geprüft wird.Biologisches, Technisches, chemisches Verständnis in Bezug auf eine kommerziell produzierenden Anlage für die Lebensmittelproduktion am Beispiel einer Aquaponik.

• …erwerben Fähigkeiten und Kenntnisse, sowie Kompetenzen in den Bereichen Analyse von Bestandsanlagen, und Systemen, Re-Konzeptionierung der Anlage(n) anhand eines Business-Canvas, sowie die praktische Umsetzung der Optimierung der Anlage unter Realbedingungen im Dialog mit weiteren Stakeholdern.

Die E-Portfolio Prüfung wird über den gesamten Kursverlauf von den Studierenden kontinuierlich entwickelt.

Es findet demnach keine singuläre Leistungsabfrage statt, sondern zeigt dem Lehrpersonal, wie auch den Studierenden selbst eine individuelle Lernreise auf. Durch den Dialog mit den anderen teilnehmenden Studierenden und dem Lehrpersonal sowie anhand der Ergebnisse der Real-Anlage, in der die Entscheidungen umgesetzt werden, ergibt sich für jeden und jede einzelne die Möglichkeit nicht nur die eigenen Entscheidungen, sondern auch die der Mit-Studierenden zu analysieren und sich intensiver als in konventionellen Prüfungsformen mit den intendierten Lernzielen auseinander zu setzen und diese zu erreichen oder sogar zu übertreffen.

Ein E-Portfolio stellt eine Art Lerntagebuch dar, welches von den Studierenden eigenständig entwickelt wird. Die Studierenden übernehmen hierbei nicht nur die Funktion der Darstellung von Wissen und Kenntnissen, sondern darüber hinaus die Integration der Bereiche Wissensvermittlung, zielgruppenorientierter Darstellung von Entscheidungen und adäquater Begründungen zur Entscheidungsfindungen.

Die Lehr- und Lernaktivitäten umfassen Selbstreflexion, welche über die Darstellung des Lernfortschritt und der erreichten Ziele im E-Portfolio dokumentiert wird. Projektarbeit in Gruppen- oder Einzelarbeit, die auf die Lernziele ausgerichtet sind. Ein Peer-Feedback durch die Studierenden selbst, die mittels Feedback die eigenen Portfolio-Inhalte und die der anderen Studierenden analysieren. Präsentationen, welche die Studierenden trainiert Soft-Skills weiterzuentwickeln zur überzeugenden Darstellung der eigenen Ergebnisse und Lernprozesse ermöglicht. Diskussionen zu relevanten Themen, die in den Portfolios behandelt werden, fördern das vertiefte Verständnis. Kollaborative Lernplattformen anhand von realen Fallsstudienanalysen entsprechend der getroffenen Entscheidungen ermöglichen es Ressourcen zu teilen und gemeinsames Arbeiten zu trainieren und zusätzlich theoretische Kenntnisse in praktischen Kontexten anzuwenden.

Fachkompetenz:

Studierende…

• …beherrschen aktueller Simulationstools und deren Anwendung zur ingenieurmäßigen Lösung technischer und physikalischer Fragestellungen.

Methodische Kompetenz:

• …entwickeln  „Computational Thinking“ durch die Kombination formaler Programmierung und technischer Modellbildung.

Persönliche Kompetenz:

• …arbeiten sich selbstständig in und Vertiefung von PC-gestützten Simulationsmethoden im Kontext realitätsnaher Probleme ein.

Format: Schriftliche digitale Prüfung in Präsenz im PC-Poolraum, durchgeführt in der EXaHM-Prüfungsumgebung.

Aufgaben: Lösen von Fragestellungen zu komplexen Systemen (z. B. Berechnung von Strom, Moment, Wirkungsgrad etc.) ausschließlich mittels rechnergestützter Simulationsmethoden.

Anforderungen: Übersetzung technischer Sachverhalte in die Simulationsmetho
dik und Umsetzung der Lösung mittels Simulink.

Semesterbegleitender Einsatz:

Regelmäßige Anwendung und Vertiefung der Simulationssoftware in praktischen Übungen und Projekten. Die digitale Prüfung entspricht bezüglich der eingesetzten Tools und bezüglich der Methoden und Fragestellungen 1:1 der im laufenden Semester erarbeiteten Vorgehensweise. Alle dort projekthaft erarbeiteten Methoden und Programmiertechniken können/müssen in der summativen Prüfung zur Anwendung gebracht werden.

Die Studierenden lernen…

• …die wichtigsten numerischen Problemstellungen zu identifizieren
• …geeignete numerische Methoden und Algorithmen auszuwählen bzw. fachgerecht in Matlab zu implementieren
• …Algorithmen sicher anzuwenden sowie Ursachen für ihren erfolgreichen Einsatz, aber auch für ihr Scheitern zu analysieren

• Ein Live-Skript wird als Prüfungsumgebung verwendet, um Matlab-Kenntnisse zu beurteilen
• Gegebener Code wird analysiert, um die Güte von Algorithmen zu beurteilen

• Peer Instruction bzw. einfache Multiple Choice Fragen am Handy, um beispielsweise über Eigenschaften von Algorithmen zu diskutieren
• Moodle-Tests zu Hause, um inhaltliche Voraussetzungen zu wiederholen und sich auf die Veranstaltungen vorzubereiten
• Korrigierte Praktikumsabgaben, um die Implementierung von Algorithmen in Matlab zu üben sowie deren Möglichkeiten und Grenzen auszutesten