- Was macht eine starke Maths AI IA Idee aus?
- Maths AI IA Anforderungen auf einen Blick
- Maths AI Werkzeuge, die du auf SL und HL nutzen kannst
- IA Ideen zu Statistik und Hypothesentests
- IA Ideen zu Regression und Modellierung
- IA Ideen zur Finanzmathematik
- IA Ideen zu Netzwerken, Voronoi-Diagrammen und Markov-Ketten
- IA Ideen zu Wahrscheinlichkeit und Verteilungen
- IA Ideen zu Analysis, Geometrie und Differenzialgleichungen
- Beispiel: Aus einer Idee wird eine Exploration
- Wo du verlässliche Daten für ein Maths AI IA findest
- Technologie in Maths AI richtig einsetzen
- Maths AI Key Concepts und dein IA
- Neuer Maths AI Guide: Was sich für Prüfungen ab 2029 ändert
- Häufige Fehler im Maths AI IA
Kurzantwort
Die besten Maths AI IA Ideen beginnen mit einer echten Frage, die du mit Daten oder einem Modell beantworten kannst: ein Chi-Quadrat-Test zu Sportergebnissen, eine Regression mit Daten der Weltbank, ein Kreditvergleich, ein Voronoi-Diagramm für einen neuen Laden oder auf HL Markov-Ketten und Differenzialgleichungen. Die Exploration zählt auf SL und HL 20 %, umfasst 12-20 Seiten mit doppeltem Zeilenabstand und wird mit 20 Punkten bewertet.
Was du lernst
- Die Maths AI Exploration zählt auf SL und HL 20 %, umfasst etwa 12-20 Seiten mit doppeltem Zeilenabstand und wird mit 20 Punkten in den Kriterien A bis E bewertet
- AI-Ideen funktionieren am besten mit echten Daten oder einem echten Modellierungsproblem, wobei Technologie dein Denken unterstützt und nicht ersetzt
- Erhebe genug Daten, damit dein Test oder Modell aussagekräftig ist, und beurteile das Modell im Kontext, nicht nur über seine Kennzahl für die Anpassungsgüte
- HL-Explorationen können Werkzeuge nutzen, die es nur auf HL gibt, etwa nichtlineare Regression, Markov-Ketten, Graphenalgorithmen und Differenzialgleichungen
- Neue Mathe-Guides gelten ab den ersten Prüfungen 2029; wenn du 2026, 2027 oder 2028 Prüfungen ablegst, gelten die aktuellen Kriterien
Was macht eine starke Maths AI IA Idee aus?
Eine starke Maths AI Idee beginnt mit einer praktischen Frage, die Mathematik tatsächlich beantworten kann, etwa „Gewinnen Teams zu Hause häufiger?“ oder „Wo sollte eine neue Leihrad-Station hin?“. Sie braucht Daten, denen du vertrauen kannst, oder ein Modell, das du bauen und testen kannst, Mathematik auf dem Niveau des AI-Kurses und Raum, um das Ergebnis zu beurteilen. Die stärksten Explorationen treffen eine Entscheidung, prüfen eine Behauptung oder vergleichen Modelle und erklären dann, wie weit man dem Ergebnis trauen kann.
Profi-Tipp
Bevor du dich festlegst, skizziere den Graphen oder die Tabelle, die du erwartest, und den Test oder das Modell, das du darauf anwendest. Wenn du dir keins von beiden vorstellen kannst, ist die Idee noch nicht reif.
Maths AI IA Anforderungen auf einen Blick
Das Internal Assessment in Maths AI ist die mathematical exploration (mathematische Exploration), ein schriftlicher Bericht zu einem Thema deiner Wahl, den deine Lehrkraft bewertet und das IB moderiert. Es gelten dieselben Anforderungen und Kriterien wie für die Maths AA Exploration. Sie stammen aus dem aktuellen Guide (first assessment 2021), der gilt, wenn du deine Prüfungen 2026, 2027 oder 2028 ablegst.
- Gewichtung: 20 % deiner Endnote auf SL und HL
- Umfang: etwa 12-20 Seiten mit doppeltem Zeilenabstand, inklusive Diagrammen und Graphen, aber ohne Literaturverzeichnis
- Unterrichtszeit: Der Guide empfiehlt etwa 10-15 Unterrichtsstunden für die Exploration
- Kriterium A, Presentation (Darstellung): 4 Punkte
- Kriterium B, Mathematical communication (mathematische Kommunikation): 4 Punkte
- Kriterium C, Personal engagement (persönliches Engagement): 3 Punkte
- Kriterium D, Reflection (Reflexion): 3 Punkte
- Kriterium E, Use of mathematics (Einsatz der Mathematik): 6 Punkte, mit unterschiedlichen Deskriptoren auf SL und HL, insgesamt also 20 Punkte
Wichtig
Wenn du Daten von anderen Schülerinnen und Schülern erhebst, etwa mit einer Umfrage oder einem Reaktionszeittest, hol eine informierte Einwilligung ein, halte die Antworten anonym und folge den Ethik-Vorgaben deiner Schule. Der Guide erwartet durchgehend ethisches Vorgehen.
Maths AI Werkzeuge, die du auf SL und HL nutzen kannst
Wenn du deine Idee auf Werkzeuge aus deinem Kurs abstimmst, bleibt Kriterium E auf Kurs. Alles, was für SL aufgeführt ist, steht auch HL-Schülerinnen und -Schülern zur Verfügung. Jede Idee unten ist je nach benötigten Werkzeugen mit „SL und HL“ oder „nur HL“ markiert.
- SL-Statistik: Chi-Quadrat-Tests auf Unabhängigkeit und Anpassung (goodness of fit), der t-Test, Korrelation nach Pearson und Spearman sowie lineare Regression
- SL-Modellierung: lineare, stückweise lineare, quadratische, exponentielle, kubische und sinusförmige Modelle
- SL-Finanzmathematik: Zinseszins, Abschreibung, Tilgung (amortisation) und Annuitäten mit einem Finanzrechner (financial solver)
- SL-Geometrie und -Analysis: Voronoi-Diagramme, Optimierung und die Trapezregel für Flächen
- HL-Statistik: nichtlineare Regression, Konfidenzintervalle, die Poisson-Verteilung, Hypothesentests für Mittelwerte und Anteile sowie Fehler 1. und 2. Art
- HL-Modellierung: logistische Modelle und Modelle mit natürlichem Logarithmus, Matrizen mit Eigenwerten und Eigenvektoren sowie Markov-Ketten
- HL-Netzwerke und Dynamik: Graphentheorie (minimale Spannbäume, Briefträgerproblem und Problem des Handlungsreisenden), Richtungsfelder, das Euler-Verfahren und gekoppelte Differenzialgleichungen
IA Ideen zu Statistik und Hypothesentests
Hypothesentests sind der beliebteste Weg in Maths AI. Was deine Arbeit hervorhebt, sind also Frage und Daten. Formuliere die Hypothesen, bevor du Daten erhebst, prüfe die Voraussetzungen des Tests und deute den p-Wert in einfachen Worten.
- Gibt es den Heimvorteil wirklich? (SL und HL): Prüfe Heimsiege, Unentschieden und Auswärtssiege in einer Fußballliga, etwa der Bundesliga, mit einem Chi-Quadrat-Anpassungstest und dann die Tordifferenzen mit einem t-Test. Braucht veröffentlichte Ligaergebnisse aus einer oder mehreren Spielzeiten.
- Folgen die Anfangsziffern dem benfordschen Gesetz? (SL und HL): Teste mit einem Chi-Quadrat-Anpassungstest, ob Einwohnerzahlen von Gemeinden, Flusslängen oder Wahlergebnisse der Benford-Verteilung folgen. Braucht einen großen veröffentlichten Datensatz.
- Fächerwahl und Geschlecht (SL und HL): Teste mit einem Chi-Quadrat-Unabhängigkeitstest, ob es in deinem Jahrgang einen Zusammenhang zwischen Geschlecht und der Wahl naturwissenschaftlicher Fächer gibt. Braucht anonymisierte Schuldaten und die Erlaubnis, sie zu nutzen.
- Sind sich Kritik und Publikum einig? (SL und HL): Vergleiche die Bewertungen von Kritikern und Publikum für 30 oder mehr Filme mit der Rangkorrelation nach Spearman und schau dann, wo sie am stärksten auseinanderliegen. Braucht veröffentlichte Bewertungen.
- Werden die Sommer wärmer? (SL und HL): Vergleiche die mittleren Sommertemperaturen zweier 30-Jahres-Zeiträume an einer Wetterstation mit einem t-Test. Braucht Stationsdaten eines nationalen Wetterdienstes, etwa des Deutschen Wetterdienstes.
- Schlaf und Reaktionszeit (SL und HL): Miss Reaktionszeiten mit einem Online-Test, erfasse die Schlafdauer und teste die Korrelation. Braucht die Einwilligung der Teilnehmenden und einen einheitlichen Testablauf.
- Linkshänder und Rechtshänder (SL und HL): Vergleiche Reaktionszeit oder Griffkraft zwischen den Gruppen mit einem t-Test für zwei Stichproben und diskutiere Stichprobengröße und Verzerrung. Braucht eigene Messungen.
- Stimmt die Herstellerangabe? (nur HL): Wiege 40 oder mehr Packungen eines Produkts, bilde ein Konfidenzintervall für den Mittelwert und teste die angegebene Masse. Braucht eine Küchenwaage und HL-Hypothesentests für Mittelwerte.
- Ist der Würfel fair? (nur HL): Teste einen Würfel oder einen Zufallszahlengenerator mit einem Chi-Quadrat-Test und berechne dann die Wahrscheinlichkeiten für Fehler 1. und 2. Art bei deiner Stichprobengröße. Auf SL überlaufen; erst die Fehleranalyse macht das Thema HL-tauglich.
- Körpergröße und Punkte im Basketball (SL und HL): Teste mit der Korrelation nach Pearson und einer Regression auf veröffentlichten Spielerstatistiken, ob größere Spieler mehr Punkte pro Spiel erzielen, und diskutiere dann, was die Streuung sonst noch erklärt.
IA Ideen zu Regression und Modellierung
Modellierungs-Explorationen schneiden gut ab, wenn du mehrere Modelle vergleichst, erklärst, was jeder Parameter im Kontext bedeutet, und Vorhersagen an Daten testest, die du nicht zum Erstellen des Modells genutzt hast.
- Wie schnell verliert ein Auto an Wert? (SL und HL): Sammle 30 oder mehr Inserate für ein Modell in unterschiedlichem Alter, vergleiche lineare und exponentielle Wertverlust-Modelle und vergleiche zwei Marken. HL kann nichtlineare Regression nutzen und die Anpassungen vergleichen.
- Wird die olympische 100-m-Siegerzeit noch weiter fallen? (SL und HL): Modelliere die Siegerzeiten seit 1900 mit linearen und exponentiellen Modellen und teste ihre Vorhersagen. HL kann ein logistisches Modell mit einer Grenzzeit anpassen.
- Wohlstand und Lebenserwartung (SL und HL): Trage das BIP pro Kopf gegen die Lebenserwartung für 100 oder mehr Länder aus den Daten der Weltbank auf und linearisiere mit Logarithmen. HL kann direkt ein Modell mit natürlichem Logarithmus anpassen.
- Drittes keplersches Gesetz aus echten Daten (SL und HL): Nutze Planeten- oder Exoplanetendaten der NASA, linearisiere mit Logarithmen und finde das Potenzgesetz. Braucht Logarithmen und Regression.
- Tageslichtstunden oder Temperatur im Jahresverlauf (SL und HL): Passe ein Sinusmodell an veröffentlichte Monatsdaten deiner Stadt an und vergleiche mit einer Stadt auf anderer Breite. HL arbeitet im Bogenmaß und kann Modelle formaler vergleichen.
- Entladung eines Smartphone-Akkus (SL und HL): Protokolliere den Akkustand bei kontrollierter Nutzung und passe lineare, stückweise und exponentielle Modelle an. Braucht wiederholte Durchläufe unter gleichen Bedingungen.
- Abkühlender Kaffee (SL und HL): Miss die Temperatur alle 30 Sekunden und passe ein Exponentialmodell mit einer Verschiebung für die Raumtemperatur an. HL kann die Differenzialgleichung aufstellen und lösen.
- Wie schnell hat sich ein Ausbruch verbreitet? (nur HL): Passe ein logistisches Modell an veröffentlichte Fallzahlen eines vergangenen Ausbruchs an, deute Kapazitätsgrenze und Wachstumsrate und teste, wo das Modell versagt.
- Immobilienpreise und Entfernung zur Innenstadt (SL und HL): Nutze veröffentlichte Verkaufspreise für eine Wohnungsart, teste lineare und exponentielle Modelle und diskutiere Ausreißer und Störvariablen.
- Lernkurven (SL und HL): Stoppe deine Zeit beim Lösen derselben Art von Rätsel 30 Mal oder öfter und vergleiche Potenz- und Exponentialmodelle der Verbesserung. Braucht sorgfältige, einheitliche Zeitmessung und eine klare Definition eines Versuchs.
IA Ideen zur Finanzmathematik
Finanzideen lassen sich leicht persönlich machen, weil die Entscheidungen echt sind. Nutze aktuelle Zahlen mit Quellenangabe und teste, wie empfindlich deine Antwort auf Zinssätze oder Inflation reagiert.
- Mieten oder kaufen? (SL und HL): Vergleiche die Gesamtkosten von Miete und Kauf einer Wohnung über 25 Jahre mithilfe der Tilgungsrechnung und teste dann, wie sich die Antwort mit Zinssätzen und Immobilienpreisentwicklung ändert. Braucht lokale Mieten, Hypothekenzinsen und einen Finanzrechner.
- Was kostet ein Studienkredit wirklich? (SL und HL): Modelliere die Rückzahlungen nach den veröffentlichten Kreditbedingungen, zum Beispiel denen des britischen Student Loan, wenn du in Großbritannien studieren willst, für verschiedene Gehaltsverläufe und finde heraus, wer insgesamt am meisten zurückzahlt. Braucht die offiziellen Kreditbedingungen.
- Auto leasen, finanzieren oder bar kaufen? (SL und HL): Vergleiche monatliche Kosten und Gesamtkosten der drei Optionen, inklusive Wertverlust. Braucht echte Angebote und Daten zum Wertverlust.
- Sparen gegen die Inflation (SL und HL): Bestimme den realen Wert regelmäßiger Sparraten bei verschiedenen Zins- und Inflationsraten und wann ein Sparziel erreicht ist. Braucht veröffentlichte Inflationsdaten.
IA Ideen zu Netzwerken, Voronoi-Diagrammen und Markov-Ketten
Diese Ideen machen aus einer Karte oder einem System Mathematik. Sie passen zu dir, wenn du gern knobelst und planst, und mehrere davon sind nur für HL.
- Wohin mit einem neuen Laden, Defibrillator oder einer Leihrad-Station? (SL und HL): Erstelle ein Voronoi-Diagramm der bestehenden Standorte und finde den Punkt, der von allen am weitesten entfernt ist, den größten leeren Kreis. Braucht eine maßstabsgetreue Karte und Koordinaten.
- Die kürzeste Liefer- oder Busroute (nur HL): Modelliere ein Gebiet in deiner Umgebung als gewichteten Graphen und löse das Briefträgerproblem (Chinese postman problem) oder finde obere und untere Schranken für das Problem des Handlungsreisenden. Braucht echte Entfernungen von einer Karte.
- Ein Kabel- oder Wegenetz planen (nur HL): Finde mit dem Algorithmus von Kruskal oder Prim einen minimalen Spannbaum, der die Gebäude auf deinem Schulgelände verbindet, und vergleiche seine Länge mit den vorhandenen Wegen.
- Welche Station ist am wichtigsten? (nur HL): Stelle ein U-Bahn- oder Busnetz als Adjazenzmatrix dar, zähle Wege zwischen Stationen und ordne die Stationen nach ihrer Vernetzung.
- Das Wetter von morgen vorhersagen (nur HL): Notiere mehrere Wochen lang den täglichen Wetterzustand, erstelle eine Übergangsmatrix und finde mit Eigenvektoren die langfristige stationäre Verteilung. Braucht eigene Aufzeichnungen oder veröffentlichte Tagesdaten.
- Snakes and Ladders als Markov-Kette (nur HL): Erstelle die Übergangsmatrix für ein kleines Spielbrett, bestimme die erwartete Anzahl an Zügen bis zum Ziel und prüfe sie mit einer Simulation.
IA Ideen zu Wahrscheinlichkeit und Verteilungen
Ideen zur Wahrscheinlichkeit funktionieren, wenn du ein theoretisches Modell mit Daten vergleichst, die du erhebst oder findest, und jede Abweichung zwischen beiden erklärst.
- Lohnt sich Lotto? (SL und HL): Berechne den Erwartungswert eines Tipps aus der veröffentlichten Gewinnstruktur und untersuche dann, wie ein Jackpot ihn verändert. Braucht diskrete Zufallsvariablen.
- Sind Chipstüten oder Kekse normalverteilt? (SL und HL): Wiege 50 oder mehr Stück, passe ein Normalverteilungsmodell an und bestimme die Wahrscheinlichkeit, dass ein Stück unter der angegebenen Masse liegt. HL kann ein Konfidenzintervall ergänzen.
- Kundschaft in einem Café (nur HL): Zähle die Ankünfte pro Minute über mehrere Zeiträume, teste, ob ein Poisson-Modell passt, und nutze es für die Personalplanung. Braucht eigene Zählungen und die Erlaubnis des Cafés.
- Erfolg bei Elfmetern oder Freiwürfen (SL und HL): Modelliere deine eigenen Versuche oder die eines Spielers mit einer Binomialverteilung und teste, ob der Erfolg von Druck oder Ermüdung abhängt.
- Warteschlangen in der Mittagspause (SL und HL): Erfasse Ankunfts- und Bedienzeiten, modelliere die Schlange mit Wahrscheinlichkeitsrechnung und Simulation und teste eine Änderung wie eine zweite Kasse.
- Gemeinsame Geburtstage in Fußballkadern (SL und HL): Berechne die Wahrscheinlichkeit, dass ein Kader mit 23 Spielern einen gemeinsamen Geburtstag enthält, und vergleiche mit echten Kaderlisten eines aktuellen Turniers.
IA Ideen zu Analysis, Geometrie und Differenzialgleichungen
Ideen zu Analysis und Geometrie passen zu dir, wenn du lieber eine physikalische Situation modellierst als einen Datensatz auszuwerten. Auf HL eröffnen Differenzialgleichungen dynamische Systeme.
- Die günstigste Verpackung für ein festes Volumen (SL und HL): Minimiere mit Optimierung das Material für eine Schachtel oder Dose, vergleiche dann mit echten Produkten und erkläre den Unterschied.
- Die Fläche eines Sees oder Parks (SL und HL): Schätze sie anhand einer maßstabsgetreuen Karte mit der Trapezregel und unterschiedlich vielen Streifen und vergleiche mit dem offiziellen Wert.
- Der beste Wurfwinkel im Basketball (SL und HL): Passe per Videoanalyse quadratische Modelle an Würfe an und finde den Abwurfwinkel mit dem größten Spielraum für Fehler.
- Die sparsamste Geschwindigkeit (SL und HL): Passe ein quadratisches Modell an den Kraftstoffverbrauch bei verschiedenen Geschwindigkeiten an und finde die optimale Geschwindigkeit für die Kosten pro Kilometer.
- Füchse und Kaninchen (nur HL): Modelliere ein Räuber-Beute-System mit gekoppelten Differenzialgleichungen, löse es mit dem Euler-Verfahren und vergleiche mit einem veröffentlichten historischen Datensatz, etwa den Pelzhandelsdaten zu Luchs und Schneeschuhhase.
- Wie sich Krankheiten in einer Schule ausbreiten (nur HL): Baue ein SIR-Modell mit gekoppelten Differenzialgleichungen, löse es numerisch und teste, wie Impfquoten den Höhepunkt verändern. Braucht das Euler-Verfahren und plausible veröffentlichte Parameter.
- Fallen mit Luftwiderstand (nur HL): Lass Papierkegel fallen, filme sie und vergleiche ein Modell mit einer Differenzialgleichung zweiter Ordnung mit deinen gemessenen Geschwindigkeiten. Braucht Videoanalyse und das Euler-Verfahren.
- Eine Wasserflasche läuft leer (nur HL): Miss, wie der Wasserstand durch ein Loch sinkt, stelle eine Differenzialgleichung auf und vergleiche ihre Lösung mit deinen Daten.
- Das Volumen eines Rugbyballs oder eines Eis (nur HL): Passe eine Funktion an das Profil auf einem Foto an, berechne das Rotationsvolumen und vergleiche mit dem Wasservolumen, das der Gegenstand verdrängt.
Beispiel: Aus einer Idee wird eine Exploration
Hier ein erfundenes Beispiel. Ein Schüler, dessen Familie einen Gebrauchtwagen kaufen will, beginnt mit „Autos und Wertverlust“. Ein tragfähiges Ziel lautet: Welches Modell beschreibt am besten, wie der Preis eines bestimmten Automodells mit dem Alter sinkt, und wie sicher kann sich ein Käufer auf die Vorhersage für ein fünf Jahre altes Auto verlassen?
- 1Ziel: Erkläre die Frage und warum sie dir wichtig ist in zwei oder drei Sätzen (Kriterium C)
- 2Daten: Erfasse Preis, Alter und Kilometerstand für 40 oder mehr Inserate eines Modells und erkläre, wie du die Stichprobe gezogen hast
- 3Modelle: Passe lineare und exponentielle Modelle an, dann ein Modell, das auch den Kilometerstand nutzt, und begründe jede Wahl
- 4Mathematik: Zeige, wie die Parameter bestimmt werden, deute sie im Kontext und vergleiche die Anpassungen mit Residuen und nicht nur mit dem Bestimmtheitsmaß R² (Kriterium E)
- 5Test: Prüfe die Vorhersagen jedes Modells an Inseraten, die du zurückgehalten hast
- 6Reflexion: Diskutiere Stichprobenverzerrung, Ausreißer und die Grenzen der Extrapolation über deine Daten hinaus (Kriterium D)
- 7Darstellung: Beschrifte jeden Graphen, definiere jede Variable und lege den vollständigen Datensatz in den Anhang (Kriterien A und B)
Wo du verlässliche Daten für ein Maths AI IA findest
Sekundärdaten sind erlaubt und oft besser als eine kleine Umfrage, aber du musst angeben, woher sie stammen und warum du ihnen vertraust. Primärdaten zeigen starkes Personal engagement, wenn du die Erhebung sorgfältig planst.
- Amtliche Statistik: nationale Statistikämter wie das Statistische Bundesamt (Destatis), Statistik Austria oder das britische Office for National Statistics sowie die offenen Daten der Weltbank
- Naturwissenschaftliche Daten: Planeten- und Exoplanetendaten der NASA und historische Stationsdaten nationaler Wetterdienste wie des Deutschen Wetterdienstes
- Sport: offizielle Liga- und Wettkampfergebnisse, die meist vollständig und einheitlich sind
- Finanzen: veröffentlichte Kreditbedingungen, Leitzinsen der Zentralbanken und Inflationszahlen
- Eigene Messungen: zeitlich gemessene Experimente, Videoanalyse, Sensorwerte oder Zählungen, erfasst mit einer klaren Methode
- Große Community-Datensätze: nützlich, aber prüfe, wie sie erhoben wurden, und bereinige sie vor der Analyse
Technologie in Maths AI richtig einsetzen
In Maths AI wird Technologie erwartet, aber sie darf Erklärungen nie ersetzen. Laut Guide zeigt das bloße Einsetzen von Werten in eine Formel nicht unbedingt Verständnis, und Verständnis musst du zeigen, um in Kriterium E über die unterste Stufe hinauszukommen.
- 1Wähle Software oder einen grafikfähigen Taschenrechner, der deine Analyse wirklich unterstützt, und gib an, was du genutzt hast
- 2Erkläre, warum jedes Modell oder jeder Test passt, bevor du ihn anwendest
- 3Zeige eine Rechnung von Hand oder vollständig und nutze Technologie für den Rest
- 4Deute jede Ausgabe, etwa einen p-Wert, einen Parameter oder einen R²-Wert, im Kontext deiner Frage
- 5Schreib Ergebnisse in korrekter mathematischer Notation, nicht in Taschenrechner-Syntax
Wichtig
Eine hübsch gestaltete Exploration voller Software-Ausgaben, aber mit wenig Interpretation, schneidet meist schlechter ab als erwartet, besonders in den Kriterien B, D und E.
Maths AI Key Concepts und dein IA
Der aktuelle Maths AI Guide nennt dieselben zwölf key concepts (Schlüsselkonzepte) wie Maths AA: approximation, change, equivalence, generalisation, modelling, patterns, quantity, relationships, representation, space, systems und validity. Sie sind kein IA-Kriterium, aber eine nützliche Brille. Die meisten AI-Explorationen drehen sich um modelling, relationships und validity. Die Frage „Wie gültig ist mein Modell, und wo hört es auf zu funktionieren?“ ist deshalb ein guter Ausgangspunkt für Kriterium D.
Neuer Maths AI Guide: Was sich für Prüfungen ab 2029 ändert
Bisher hat das IB für den neuen Maths-AI-Kurs nur das Subject Brief veröffentlicht. Der vollständige Guide erscheint im Februar 2027; unterrichtet wird danach ab August 2027, zum ersten Mal geprüft im Mai 2029. Der neue Kurs betrifft alle, deren Abschlussprüfungen 2029 oder später stattfinden; die meisten von ihnen beginnen den Kurs 2027. Wenn du deine Prüfungen 2026, 2027 oder 2028 ablegst, gelten die Anforderungen oben. Laut Subject Brief bleibt die Exploration bei 20 % auf SL und HL, die empfohlene Zeit steigt auf 30 Unterrichtsstunden, und die Kriterien folgen vier Phasen mathematischen Forschens, auf SL und HL gleich (prüf den genauen Wortlaut im vollständigen Guide, sobald er erschienen ist):
- A, Problem specification (Problemstellung): 4 Punkte (Problem im Kontext, angestrebte Ergebnisse)
- B, Abstraction (Abstraktion): 6 Punkte (Annahmen, gewählte Techniken und Werkzeuge, mathematische Form)
- C, Computation (Berechnung): 4 Punkte (Rechnungen, mathematische Kommunikation)
- D, Interpretation: 6 Punkte (Deutung der Ergebnisse, Bewertung der angestrebten Ergebnisse, Verfeinerung)
Häufige Fehler im Maths AI IA
Diese Schwächen bremsen Maths AI Explorationen am häufigsten aus. Ein Tutor für IB Mathematik AI kann mit dir prüfen, ob ein datenbasiertes Thema machbar ist, und dir erklären, welche Statistik- oder Modellierungswerkzeuge zu welcher Art von Frage passen.
- Viel Alltagskontext, aber sehr wenig Mathematik
- Datensätze, die zu klein, unzuverlässig oder für die Frage nicht relevant sind
- Einen Test durchführen, ohne vorher seine Voraussetzungen zu prüfen oder Hypothesen zu formulieren
- Einen hohen R²-Wert als Beweis dafür behandeln, dass ein Modell stimmt
- Sich auf Software-Ausgaben verlassen, ohne sie zu erklären
- Mehrere unzusammenhängende Modelle oder Tests ausprobieren statt einer fokussierten Untersuchungslinie
- Weit über die Daten hinaus extrapolieren, ohne das Risiko zu diskutieren