{"id":999,"date":"2026-05-28T16:32:23","date_gmt":"2026-05-28T16:32:23","guid":{"rendered":"https:\/\/gigers.com\/blog\/?p=999"},"modified":"2026-05-28T16:32:23","modified_gmt":"2026-05-28T16:32:23","slug":"worteinbettungen","status":"publish","type":"post","link":"https:\/\/gigers.com\/blog\/worteinbettungen\/","title":{"rendered":"Worteinbettungen"},"content":{"rendered":"

Mithilfe von Markov-Ketten k\u00f6nnen aus Texten Wortfolgen gebildet werden, die den Grammatikregeln ziemlich gut folgen. Siehe dazu Automatische Generierung von Texten<\/a> und Snap!GPT<\/a>, sowie SoekiaGPT<\/a>. Die resultierenden Texte enthalten aber meist unsinnige Passagen, weil sie auf statistischen Wahrscheinlichkeiten und nicht auf einem tieferen Verst\u00e4ndnis basieren.<\/p>\n

Damit beispielsweise ein Sprachmodell auch inhaltlich passende Texte verfassen kann, greift es nebst anderen Techniken auf sogenannte Worteinbettungen (word embeddings) zur\u00fcck. Dabei werden W\u00f6rter und Begriffe als Vektoren dargestellt und in einem multidimensionalen Raum verortet.\u00a0Diese Worteinbettungen sollen von den Sch\u00fclerinnen und Sch\u00fclern mithilfe entsprechender Bl\u00f6cke in Snap! untersucht werden.<\/p>\n

Die folgende Lerneinheit baut auf der Arbeit von Ken Kahn auf, der entsprechende Unterlagen in englischer Sprache im Rahmen des eCraft2Learn-Projektes<\/a> der University of Oxford ver\u00f6ffentlicht hat.<\/p>\n

Ablauf der Lektion<\/h2>\n

Zuerst werden die Sch\u00fclerinnen und Sch\u00fcler mithilfe einer einfachen mittels vibe coding erstellten Webseite in das Thema eingef\u00fchrt: Word embeddings entdecken<\/a>. Dabei handelt es sich um eine starke Vereinfachung des Sachverhalts, die aufzeigen soll: Worteinbettungen erfolgen nicht zuf\u00e4llig, sondern die Platzierung einzelner Begriffe spiegelt Aspekte der Sprache wider.<\/p>\n

\"Didaktisch<\/p>\n

Vor dem Wechsel zum Snap!-Programm erfahren die Lernenden auch, dass die Koordinaten der W\u00f6rter bei Worteinbettungen nicht nur aus zwei Zahlen (zweidimensional) oder drei (3D), sondern aus vielen Dimensionen bestehen, die durch den Vergleich von n-Grammen oder anderen rechnerisch aufw\u00e4ndigen Verfahren bestimmt wurden.<\/p>\n

Das Snap!-Programm<\/h3>\n

Das Snap!-Programm selbst besteht aus drei Teilen: Blocks, 2D-View und Experiments. Es ist hier zu finden: Worteinbettungen – DE<\/a>.<\/p>\n

Blocks<\/strong> listet im Wesentlichen die wichtigsten von Ken Kahn entwickelten Bl\u00f6cke auf und erkl\u00e4rt deren Funktion, wobei die Sch\u00fclerinnen und Sch\u00fcler diese unter der Anleitung der Lehrperson kennenlernen sollen.<\/p>\n

Da die recht zahlreichen Bl\u00f6cke im Programm selbst beschrieben werden, wird hier auf eine genauere Erl\u00e4uterung verzichtet und nur eine grobe \u00dcbersicht gegeben.<\/p>\n

Die hinterlegten Worteinbettungen arbeiten mit Vektoren, die 300 Dimensionen aufweisen. Zudem ist der Datensatz multilingual (15 verschiedene Sprachen) und erm\u00f6glicht damit auch den Vergleich zwischen Sprachen und \u00dcbersetzungen.<\/p>\n

Nebst der reinen Darstellung der Vektoren, kann auch nach W\u00f6rtern im Umfeld von Begriffen gesucht werden wie etwa in einem Nachschlagewerk f\u00fcr sinn- und sachverwandte W\u00f6rter.\u00a0Und es ist m\u00f6glich mittels Verrechnung von Vektoren Analogien zu berechnen.<\/p>\n

2D-View<\/strong> erm\u00f6glicht die Projektion der Vektoren auf eine Ebene und erm\u00f6glicht damit die Erkundung von W\u00f6rtern in Hinblick auf spezifische Eigenschaften.<\/p>\n

Zwar liefert Ken Kahn bereits einen Block, mit dem die Vektoren in der Ebene abgebildet werden, bei den \u00fcblichen Verfahren gehen aber meist gerade diejenigen Zusammenh\u00e4nge verloren, die bei der Verrechnung von Vektoren \u00fcberraschenderweise zutage treten.<\/p>\n

Deshalb wurde das Snap!-Programm um weitere Bl\u00f6cke erg\u00e4nzt, welche die Berechnung entsprechender Achsen erlaubt, mit deren Hilfe die W\u00f6rter dann so in der Ebene abgebildet werden k\u00f6nnen, dass diese Zusammenh\u00e4nge grafisch einfach ersichtlich werden.<\/p>\n

Das zu Verf\u00fcgung gestellte Beispiel stellt Verwandtschaftsbeziehungen in Bezug auf Alter und Geschlecht dar.<\/p>\n

\"Berechnete<\/p>\n

Dabei wurde das Beispiel bewusst in englischer Sprache gehalten, damit die Sch\u00fclerinnen und Sch\u00fcler dieses in einem ersten Schritt ins Deutsche \u00fcbertragen k\u00f6nnen. Die Definition der Achsen mittels entsprechender Wortpaare ist n\u00e4mlich anspruchsvoll und fordert zum Experimentieren heraus.<\/p>\n

\"Bl\u00f6cke<\/p>\n

Da auch Sch\u00fclerinnen und Sch\u00fcler der Sekundarstufe I mit diesen Bl\u00f6cken arbeiten sollen, wurden die ben\u00f6tigten Berechnungen bewusst wegabstrahiert. Diese k\u00f6nnen bei entsprechendem Vorwissen der Lernenden aber \u00fcber die Editierfunktion der Bl\u00f6cke aufgerufen und nachvollzogen werden.<\/p>\n

Auch der „write words … in 2D“-Block ist stark abstrahiert, weil er \u00fcber die Variablen „x axis“ und „minmax“ die Koordinaten der Begriffe automatisch so skaliert, dass sie den sichtbaren Teil der Ebene mehr oder weniger ausf\u00fcllen.<\/p>\n

Experiments<\/strong> dient dem freien Experimentieren. Die Sch\u00fclerinnen und Sch\u00fcler k\u00f6nnen Bl\u00f6cke in diesem Bereich ziehen und mit diesen eigene Untersuchungen durchf\u00fchren.<\/p>\n

Die Dokumentation<\/h3>\n

Sowohl das Snap!-Programm als auch die Dokumentation, welche die Sch\u00fclerinnen und Sch\u00fcler teilweise in der Lektion, teilweise als Hausaufgabe erstellen sollen, wird in einem Moodlekurs \u00fcber die Aufgabenstellung mithilfe der Plugins Snap! Submissions<\/a> und Response template<\/a> umgesetzt.<\/p>\n

Dabei nehmen die Lernenden zu folgenden Leitfragen Stellung:<\/p>\n

1) Welche Bl\u00f6cke hast du ausprobiert?<\/em>
\nF\u00fcge entsprechende Bildschirmfotos ein und beschreibe kurz, was diese Bl\u00f6cke bewirken.<\/em><\/p>\n

2) Welche W\u00f6rter hast du untersucht?<\/em>
\nSchreibe die von dir eingegebenen W\u00f6rter ein und notiere das vom Computer errechnete Ergebnis.<\/em><\/p>\n

3) Bei welchen Beispielen haben dich die Ergebnisse \u00fcberrascht? Was hat deinen Erwartungen entsprochen?<\/em>
\nNenne konkrete Beispiele.<\/em><\/p>\n

4) Welches Ergebnis aus all deinen Versuchen findest du am spannendsten? Weshalb?<\/em>
\nBeschreibe es in eigenen Worten und f\u00fcge ein Bildschirmfoto ein.<\/em><\/p>\n

5) Wie w\u00fcrdest du einem Kind erkl\u00e4ren, wie Word embeddings funktionieren?<\/em>
\nVerwende eine einfache Sprache, um die Technik hinter deinen Versuchen zu erkl\u00e4ren.<\/em><\/p>\n

Bemerkungen<\/h2>\n

Obwohl f\u00fcr die Umsetzung der Lerneinheit die Snap!-Programmierumgebung im Zentrum steht, liegt der Fokus nicht auf der Programmierung – diese wird in Form einer sogenannten Mikrowelt (nur wesentliche Bl\u00f6cke sind sichtbar) zu Verf\u00fcgung gestellt. Damit k\u00f6nnen zwei Zielsetzungen umgesetzt werden:<\/p>\n

1) Die Sch\u00fclerinnen und Sch\u00fcler lernen die Grundlage einer wichtigen Technik kennen, die bei Suchmaschinen und Sprachmodellen zum Einsatz kommt: Worteinbettungen als informatorisches Konzept.<\/p>\n

2) Die Sch\u00fclerinnen und Sch\u00fcler „rechnen“ mit Sprache und lernen dabei mehr \u00fcber die Zusammenh\u00e4nge zwischen einzelnen Begriffen (mediendidaktischer Ansatz).<\/p>\n

Dabei ist die Erweiterung zur gesteuerten Abbildung von Begriffen aus dem multidimensionalen Vektorraum in die Ebene von zentraler Bedeutung: Denn die einschl\u00e4gige Literatur zeigt zwar die Grundprinzipien der Beziehungen von Begriffen auf, verwendet dabei aber meist fabrizierte Beispiele, statt diese aus den vorhandenen Daten anschaulich zu berechnen.<\/p>\n

 <\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Mithilfe von Markov-Ketten k\u00f6nnen aus Texten Wortfolgen gebildet werden, die den Grammatikregeln ziemlich gut folgen. Siehe dazu Automatische Generierung von Texten und Snap!GPT, sowie SoekiaGPT. Die resultierenden Texte enthalten aber meist unsinnige Passagen, weil sie auf statistischen Wahrscheinlichkeiten und nicht auf einem tieferen Verst\u00e4ndnis basieren. Damit beispielsweise ein Sprachmodell auch inhaltlich passende Texte verfassen kann, … <\/p>\n

\u201eWorteinbettungen\u201c <\/span>weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-999","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/posts\/999","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/comments?post=999"}],"version-history":[{"count":6,"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/posts\/999\/revisions"}],"predecessor-version":[{"id":1008,"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/posts\/999\/revisions\/1008"}],"wp:attachment":[{"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/media?parent=999"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/categories?post=999"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/gigers.com\/blog\/wp-json\/wp\/v2\/tags?post=999"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}