# Notes

- Lektionen auf Deutsch (Schweizer Schreibweise: «ss», Guillemets «»).
- Zeitbudget: 10–15 Minuten pro Lektion.
- Tiefe: Intuition + Beispiele + interaktive Demos, keine Formeln.
- Ziel der Lernenden: Schüler:innen befähigen → jede Lektion endet mit einem Transfer-Block «Für deine Klasse».
- Komponenten in `assets/`: `course.css`, `quiz.js` (gesperrte Abrufübung), `next-token.js` (Sampling-Demo), `predict-check.js` (erst schätzen, dann mit externem Werkzeug messen), `mini-train.js` (Spielzeug-Training auf sichtbarem Korpus, eigene Sätze hinzufügbar, «watch»-Meldungen). CSS-Klasse `.recall` für Aufwärm-Abruf aus früheren Lektionen.
- Jede Lektion ab 2: Aufwärm-Abruf zu Beginn + mind. eine Quizfrage aus einer früheren Lektion (Spacing/Interleaving).
- Nachfrage nach Lektion 1: «Wie gross ist so ein Token-Vokabular?» (im Chat beantwortet: zehntausende bis ~200'000). Abrufaufgabe dazu blieb unbeantwortet, eventuell später wieder aufgreifen.
- Wunsch bei Lektion 3: «diesmal ausführlich und etwas mehr Tiefe» → L3 hat ca. 25 Min., mit Inhaltsverzeichnis und drei Ursachen-Ebenen. Nachfragen, ob das künftig der Standard sein soll (MISSION.md sagt noch 10–15 Min.).
- Bei L4 erneut «bitte wieder ausführlich» → Ausführlich (~25 Min., Inhaltsverzeichnis) gilt vorerst als Standard. MISSION.md-Constraint (10–15 Min.) erst nach Bestätigung anpassen; Frage gestellt.
- Vor L5: Lernende/r will Lektionen «allgemein, nicht fachspezifisch» (Fach nicht genannt) → Fälle und Beispiele fachübergreifend halten.
- Frage zur Lektionslänge (Mission 10–15 Min. vs. ausführlich) blieb unbeantwortet; L5 trotzdem ausführlich (~30 Min.), weil zweimal so gewünscht. MISSION.md unverändert.
- L5 schliesst alle Erfolgskriterien der Mission ab (Mission-Check in L5). Nächste Schritte: Wiederholung (Abrufübungen nach ~1 Woche / ~1 Monat), Community (Fachschaft, FHNW imedias), mögliche Vertiefungen: Kontextfenster, «denkende» Modelle, KI und Prüfungen → vor neuer Lektion klären, ob die Mission erweitert wird.
- Neue Komponente (L5): `prompt-checker.js` (Anweisung schreiben, Stichwort-Heuristik prüft sieben Elemente, Vorlage nach erstem Prüfen). CSS: `.quad` (Vier-Felder-Raster), `.mission-check`. `sorter.js` mit vier Kategorien wiederverwendet.
- Neue Komponente (L4): `preference-rater.js` (Lernende bewerten Antwortpaare wie im RLHF, danach Auswertung nach Eigenschaften). CSS: `.pr-*`, `.stack` (Schichtendiagramm). `sorter.js` in L4 wiederverwendet (Base vs. Assistent).
- Roter Faden «Bewertung prägt Verhalten»: L3 (Tests belohnen Raten) → L4 (Menschen belohnen Zustimmung). Für L5 (KI-Tutor: wo hilft er, wo nicht) das Drei-Schichten-Modell als Analyseraster nutzen.
- Offene Einladung an die Lernenden: Ergebnis des Selbstversuchs zur Anbiederung zurückbringen → bei Rückmeldung Lerneintrag schreiben.
- Neue Komponenten (L3): `scoring-sim.js` (Bewertungsregel vs. Rate-Strategie), `sorter.js` (Einordnungsübung mit Begründung je Item). CSS: `.toc`, `.data-table`, `.myth`.
- Lehrpersonen-Hebel: Prüfungs-/Bewertungslogik (Negativpunkte) als Brücke zu KI-Verhalten. Funktioniert vermutlich auch für spätere Themen (RLHF = Bewertung durch Menschen).
- Roter Faden «Hauptstadt der Schweiz»: L1 Sampling → L2 Häufigkeit ≠ Wahrheit → L3 Halluzinationen daran anknüpfen.
- Workspace wird über Firebase öffentlich ausgeliefert: keine persönlichen Daten in Lektionen oder Notizen.
- Geplanter Pfad: 1 Tokens & Vorhersage → 2 Training (woher kommen die Wahrscheinlichkeiten?) → 3 Halluzinationen → 4 Post-Training/Assistenten → 5 KI-Tutor: hilft wo, scheitert wo?
- Glossar erst anlegen, wenn Begriffe nachweislich sitzen (nach Quiz/Rückmeldung).
- Workspace liegt im Unterordner `llm-verstehen/` (Repo-Root = Themenübersicht `index.html`). Neue Lektionen dort anlegen und in `llm-verstehen/index.html` verlinken.