Reproduzierbare Colab-Pipeline, die sechs Kompetenzdimensionen der AI Security Literacy in öffentlichen Benchmarks und Umfrage-Mikrodaten verankert und Abbildungen, Tabellen sowie fortsetzbare Ergebnisse erzeugt.
Eine reproduzierbare Analyse-Pipeline, die die sechs Kompetenzdimensionen der AI-Sicherheitskompetenz in öffentlichen Benchmarks und national repräsentativen Umfragedaten verankert. Läuft in Google Colab. Jedes Artefakt — Dataset-Cache, Modell-Checkpoint, Abbildung, Ergebnistabelle — wird auf Google Drive gespeichert, und jede Stufe ist fortsetzbar.
KI kam schneller in die Schulen als jede Anleitung, wie man sie sicher nutzt. Schülerinnen und Schüler bekommen Blackbox-Systeme in die Hand und sollen intuitiv erfassen, wofür man diesen Systemen vertrauen kann. Lehrkräfte sind gespalten zwischen der Übernahme von KI und der Angst davor. Schulträger schreiben Richtlinien zur zulässigen Nutzung, während sich die darunterliegenden Werkzeuge alle paar Monate ändern.
Die bestehenden Literacy-Frameworks bringen Schülerinnen und Schülern bei, KI zu verstehen und zu nutzen. Die bestehenden Cybersicherheits-Frameworks wurden geschrieben, bevor KI-spezifische Bedrohungen existierten. Keines von beiden behandelt das sichere Agieren in einer KI-vermittelten Umgebung als eigene Kompetenz — mit eigenen Dimensionen, eigener Entwicklungsprogression und eigenen lehrbaren Fähigkeiten.
Diese Kompetenz ist es, die AISL definiert, über sechs Dimensionen, die das gesamte Schulumfeld umfassen und nicht nur die Schülerinnen und Schüler.
Ein Kompetenzrahmen, den niemand gegen Daten getestet hat, ist nur eine Taxonomie. Jeder kann behaupten, Schülerinnen und Schüler sollten „Manipulation erkennen" oder „Vertrauen kalibrieren". Die schwierigere Frage ist, ob diese Wendungen reale, messbare Phänomene benennen — und wenn ja, was die Messungen tatsächlich zeigen.
Dafür ist diese Pipeline da. Sie fragt, was öffentliche Daten über jede Dimension belegen können, und die Antworten sind konkret:
Jedes davon ist eine Lektion, die man mit echten Modellen und echten Daten mit einer Lernenden durchgehen kann, und das ist der Punkt: Der Rahmen ist zum Unterrichten gedacht, nicht nur zum Zitieren.
Eine Pipeline kann Abbildungen erzeugen, die richtig aussehen und es nicht sind: eine Robustheitskurve von einem Modell, das nie richtig trainiert wurde, oder Benchmark-Ergebnisse, die den falschen Kategorien zugeordnet sind, weil zwei Dateien nach Zeilenposition zusammengeführt wurden. Das sind dieselben Arten von Fehlern, die die fortgeschrittenste Dimension des Rahmens Schülerinnen und Schülern beibringt zu erkennen.
Die Pipeline ist also so aufgebaut, dass sie strukturell schwer zu täuschen ist: Die Angriffsbewertung ist an eine Plausibilitätsprüfung der sauberen Genauigkeit gekoppelt, Joins erfolgen über Inhalte statt über Positionen, blockierte Stufen melden sich selbst, statt eine leere Ausgabe zu erzeugen, die Stichprobenentnahme ist mit einem Seed versehen, und jede berichtete Zahl wird in eine maschinenlesbare Ergebnisdatei geschrieben, statt von Hand übertragen zu werden. Reproduzierbarkeit ist hier keine Nebensache – sie ist das eigentliche Thema.
Die Pipeline läuft in zwei Stufen.
Stufe 1 fundiert die attitudinalen Dimensionen aus national repräsentativen Umfrage-Mikrodaten, die Sie selbst unter kostenloser Registrierung herunterladen. Solange die Dateien nicht vorhanden sind, markieren sich die zugehörigen Stufen selbst als skipped. Siehe Tier 1 setup.
Stufe 2 fundiert die technischen Dimensionen aus öffentlichen Quellen. Keine Konfiguration nötig – öffnen und ausführen. Jeder Datensatz wird automatisch heruntergeladen.
| Dimension | Stufe 1 (Umfragen) | Stufe 2 (öffentliche Daten) | |
|---|---|---|---|
| D1 | Berechtigung & Normen | RAND ATP Fall 2025, Pew ATP W142 | — |
| D2 | Daten- & Privatsphäresicherheit | Pew ATP W152 | — |
| D3 | Erkennung von Bedrohungen & Manipulation | Pew ATP W152, W168 | RealToxicityPrompts, SMS Spam Collection, BBQ |
| D4 | Vertrauenskalibrierung & Verifikation | Pew ATP W142, W152 | TruthfulQA + GPT-2-Baseline, BBQ |
| D5 | Adversariales & technisches Verständnis | — | CIFAR-10 + FGSM/PGD, 3 Seeds |
| D6 | Disposition & Handlungsfähigkeit | RAND ATP Fall 2025, Pew ATP W152 | — |
Öffnen Sie AISL_analysis_poc.ipynb in Colab und führen Sie alle Zellen von oben nach unten aus.
Runtime > Change runtime type > GPU # optional; D5 training is ~10x faster
Runtime > Run all
Der erste Lauf lädt CIFAR-10 (~170 MB), die Hugging Face-Korpora, GPT-2 und die SMS Spam Collection herunter. Alle werden auf Drive zwischengespeichert und nie erneut heruntergeladen. Der Lauf kann jederzeit sicher unterbrochen werden — siehe Einen Lauf fortsetzen.
Wenn Sie Survey-Dateien zu Drive hinzufügen, während eine Colab-Sitzung geöffnet ist, starten Sie die
Sitzung neu (Runtime > Restart session), bevor Sie erneut ausführen: Colab erkennt nicht immer
Dateien, die hinzugefügt wurden, nachdem Drive eingebunden wurde.
Alles Persistente befindet sich unter MyDrive/AISL_data/. Nichts Wertvolles wird
auf die flüchtige Colab-Festplatte geschrieben.
AISL_data/
├── cache/
│ ├── hf/ # Hugging Face datasets and GPT-2
│ └── torch/ # CIFAR-10
├── checkpoints/
│ └── cifar10_cnn_seed{N}.pt # one per seed, written after every epoch, atomically
├── figures/ # 300-dpi JPGs
├── tables/ # CSV + JSON + TeX macro exports
├── logs/
│ └── status.json # per-stage completion record
└── microdata/
├── sms/ # SMS Spam Collection (downloaded automatically)
├── pew/ # <- you place the Pew ATP .sav files here
└── rand/ # <- you place the RAND ATP .dta file here