Deep Learning ist meist ein überflüssiger Begriff

In vielen Handreichungen, Positionspapieren, Erklärungen und Materialien zu maschinellem Lernen (aka "KI") wird im Abschnitt "Wie funktioniert das?" der Begriff "Deep Learning* (Biblionetz:w02947) verwendet und mehr oder weniger …

 

In vielen Handreichungen, Positionspapieren, Erklärungen und Materialien zu maschinellem Lernen (aka "KI") wird im Abschnitt "Wie funktioniert das?" der Begriff "Deep Learning* (Biblionetz:w02947) verwendet und mehr oder weniger schlecht definiert.

Ich wage jetzt mal zu behaupten: In den allermeisten Fällen ist die Verwendung des Begriffs Deep Learning überflüssig und macht nichts verständlicher.

Begründungen:

  • Zu technisch: Um mit dem Begriff Deep Learning etwas anfangen zu können, also z.B. zu verstehen, was denn der Unterschied zu Nicht-Deep-Learning ist, müssten Leserinnen und Leser deutlich mehr Verständnis von der Funktionsweise von maschinellem Lernen haben, als sich in der zur Verfügung stehenden Zeit vermitteln lässt.
  • Nicht notwendig für weitere Erkenntnisse: Der Begriff ist nicht notwendig, um über Potenziale und Herausforderungen von maschinellem Lernen diskutieren zu können und schon gar nicht für die Nutzung von generativen Machine-Learning-Systemen (GMLS). Es reicht in diesem Zusammenhang zu erklären, dass Computer in den letzten Jahren massiv leistungsfähiger wurden und ihnen massiv mehr Daten zur Verfügung stehen, um mittels Statistik Muster in diesen Daten erkennen und daraus etwas ableiten zu können.

Warum wird der Begriff trotzdem so häufig verwendet?
Ich habe so meine Verdachtsmomente, warum der Begriff trotzdem so häufig verwendet und erklärt wird:

  • Veraltetes Verständnis von Didaktik: Die Autor:innen gehen davon aus, dass eine seriöse Publikation zu einem Thema doch die wesentlichen Fachbegriffe enthalten muss, statt sich zu überlegen, welche Begriffe man dem Publikation wirklich zumuten soll und wo didaktische Reduktion sinnvoll wäre.
  • Glitzernde Begriffe zur Aufwertung des Themas: Auch wenn das fast nicht mehr nötig wäre, klingt KI und deep learning fancier als "Statistische Auswertungen aus grossen Datenmengen" oder "Mustersuche mit mathematischen Modellen".
  • Aufwertung des eigenen Expertenstatus: Wer mit solchen Begriffen um sich wirft, erweckt oberflächlich den Eindruck, Experte oder Expertin auf diesem Thema zu sein. Mir scheint, dass viele Erklärungen des Begriff in solchen Publikationen eher zeigen, dass es Einäugige unter Blinden sind.

 

Weitere Blogbeiträge aus dem zITBOx Netzwerk

Architektur der KI-Didaktik

Architektur der KI-Didaktik

Der Beitrag von Joscha Falck beschreibt, wie Unterricht im Zeitalter von Künstlicher Intelligenz systematisch geplant werden kann. Ausgangspunkt ist das Modell der fünf Dimensionen des Lernens mit KI: Lernen über, …

Suchfunktionen im Biblionetz massiv ausgebaut

Suchfunktionen im Biblionetz massiv ausgebaut

Die letzten Tage habe ich mich intensiver mit Claude (Biblionetz:w03768) unterhalten. Entstanden ist dabei eine Erweiterung für das Webinterface des Biblionetzes (Biblionetz:w00778). Für die Objekttypen Begriffe, Personen, Fragen und Aussagen …

Wie soll ich auf problematische wissenschaftliche Publikationen reagieren?

Wie soll ich auf problematische wissenschaftliche Publikationen reagieren?

In unserer Publikation Digitale Lernplattformen in der Volksschule (Biblionetz:b08000) haben Michael Hielscher, Lennart Schalk, Michael Seemann und ich zu generativen Machine-Learning-Systemen geschrieben, dass empirische Studien angesichts der Novität und Dynamik …