• Seit 03/2022: Leitung des Projektes Simulierte Welten und CAMMP am KIT
• Seit 03/2022: PostDoc an der Fakultät für Mathematik, KIT
• 05/2019 – 02/2022: Promotion in der Mathematikdidaktik, KIT
• 05/2018 – 05/2019:  Wissenschaftliche Mitarbeiterin, RWTH Aachen, Lehrstuhl II für Mathematik
• 02/2017 – 07/2017: Vertretungslehrkraft an einem Aachener Gymnasium 
• 08/2016 – 12/2016: Auslandssemester, Autonome Nationale Universität von Mexiko, Mexiko-Stadt
• 08/2015 – 02/2018: M. Ed. RWTH Aachen, Mathematik und Chemie Lehramt Sek. II
• 09/2015 – 10/2015: Praktikum am Colegio Humboldt, San José, Costa Rica
• 03/2014 – 04/2014: Praktikum an der Deutschen Schule Montevideo, Uruguay
• 10/2012 – 08/2015: B. Sc. RWTH Aachen, Mathematik und Chemie Lehramt Sek. II

2022

Schönbrodt, S. (im Druck). Authentische Modellierung am Beispiel von Data Science und Künstlicher Intelligenz. Arbeitskreis ISTRON-Gruppe – Realitätsbezüge im Mathematikunterricht. Beiträge zum Mathematikunterricht 2022.

Kindler, S., Schönbrodt, S. & Frank, M. (im Druck). Von der Schulmathematik zu künstlichen neuronalen Netzen. Beiträge zum Mathematikunterricht 2022.

Schönbrodt, S. & Frank, M. (im Druck). Klassifizierungsprobleme: Maschinelles Lernen und KI im Mathematikunterricht. Beiträge zum Mathematikunterricht 2022.

Schönbrodt, S. & Frank, M. (im Druck). Data Science and Machine Learning in mathematics education: High-school students working on the Netflix Prize. Proceedings of CERME12.

Schönbrodt, S. (2022). Erneuerbare Energien – Modellierung und Optimierung eines Solarkraftwerks. In: M. Frank & C. Roeckerath (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 9. Realitätsbezüge im Mathematikunterricht. Springer. https://doi.org/10.1007/978-3-662-63647-3_3

Gerhardt, M., Hattebuhr, M., Schönbrodt, S. & Wohak, K. (2022). Aufbau und Einsatzmöglichkeiten des Lehr- und Lernmaterials. In M. Frank & C. Roeckerath (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 9. Realitätsbezüge im Mathematikunterricht. Springer. https://doi.org/10.1007/978-3-662-63647-3_2

Frank, M., Roeckerath, C. & Schönbrodt, S. (2022). Einführung. In: M. Frank & C. Roeckerath (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 9. Realitätsbezüge im Mathematikunterricht. Springer. https://doi.org/10.1007/978-3-662-63647-3_1

Schönbrodt, S. & Hofmann, S. (2022). Mathematische Modellierungswochen – auch online! Mitteilungen der Deutschen Mathematiker-Vereinigung, 30(1), S. 46–50. https://doi.org/10.1515/dmvm-2022-0016

Schönbrodt, S. (2022). Optimierungsprobleme in der mathematischen Modellierung: Grundlegende Aspekte und Chancen aus Sicht der Mathematikdidaktik – herausgestellt an aktuellen Problemen aus der Forschung zu künstlicher Intelligenz und erneuerbaren Energien. Dissertation, Fakultät für Mathematik, KIT. https://doi.org/10.5445/IR/1000143530

Schönbrodt, S., Wohak, K. & Frank, M. (2022). Digital Tools to Enable Collaborative Mathematical Modeling Online. Modelling in Science Education and Learning, 15(1), S. 151–174, https://doi.org/10.4995/msel.2022.16269

2021

Schönbrodt, S. & Frank, M. (2021). Digitales Lernmaterial zur Netflix Challenge, In: K. Hein, C. Heil, S. Ruwisch & S. Prediger (Hrsg.). Beiträge zum Mathematikunterricht 2021. Münster: WTM Verlag. http://dx.doi.org/10.17877/DE290R-22328

Schönbrodt, S., Camminady, T. & Frank, M. (2021). Mathematische Grundlagen der Künstlichen Intelligenz im Schulunterricht - Chancen für eine Bereicherung des Unterrichts in linearer Algebra. Mathematische Semesterberichte. Springer. https://doi.org/10.1007/s00591-021-00310-x

Wohak, K., Sube, M., Schönbrodt, S., Frank, M. & Roeckerath, C. (2021). Authentische und relevante Modellierung mit Schülerinnen und Schülern an nur einem Tag?!. In M. Bracke, M. Ludwig & K. Vorhölter (Hrsg.) Neue Materialien für einen realitätsbezogenen Mathematikunterricht 8. Realitätsbezüge im Mathematikunterricht. Springer. https://doi.org/10.1007/978-3-658-33012-5_4

2018 – 2020

Schönbrodt, S. & Frank, M. (2020). Schüler/innen forschen zu erneuerbaren Energien – Optimierung eines Solarkraftwerks. In H.-S. Siller, W. Weigel & J. F.  Wörler (Hrsg.), Beiträge zum Mathematikunterricht, S. 1534–1534, Münster. WTM-Verlag.

Schönbrodt, S. (2019). Maschinelle Lernmethoden für Klassifizierungsprobleme – Perspektiven für die mathematische Modellierung mit Schülerinnen und Schülern. Springer. https://doi.org/10.1007/978-3-658-25137-6

Frank, M., Richter, P., Roeckerath, C. & Schönbrodt, S. (2018). Wie funktioniert eigentlich GPS? – Ein Computergestützter Modellierungsworkshop. In G. Greefrath & H.-S. Siller (Hrsg.), Digitale Werkzeuge, Simulationen und mathematisches Modellieren. Realitätsbezüge im Mathematikunterricht. Springer. https://doi.org/10.1007/978-3-658-21940-6_7

• Authentische Modellierung am Beispiel von Data Science und Künstlicher Intelligenz
  Vortrag auf der Arbeitskreissitzung der ISTRON-Gruppe
  September 2022, Frankfurt

• Klassifizierungsprobleme: Maschinelles Lernen und KI Mathematikunterricht
  Vortrag im Minisymposium "Data Science" auf der GDM-Tagung 2022
  September 2022, Frankfurt

• Mathematische Grundlagen von Maschinellem Lernen und KI im Schulunterricht!? ­­– Perspektiven aus Sicht der Mathematikdidaktik
  Eingeladener Vortrag im Fachbereich Mathematik und Statistik der Universität Konstanz
  25. März 2022, online

• Data Science & Machine Learning in Mathematics Education – High-school students working on the Netflix Prize
  Vortrag auf der CERME12
  03. Februar 2022, online

• Digitales Lernmaterial zur Netflix Challenge (Sek. II)
  Eingeladener Vortrag im didaktischen Seminar der Universität Freiburg
  26. Oktober 2021, Freiburg

• Digitales Lernmaterial zur Netflix Challenge – Data Science & Maschinelles Lernen im Mathematikunterricht?
  Vortrag auf der GDM-Jahrestagung 2021
  18. März 2021, online

• Schüler/innen forschen zu erneuerbaren Energien – Optimierung eines Solarkraftwerks (Sek I und II)
  Posterpräsentation auf der GDM-Jahrestagung 2020 
  30. September 2020, online

• Solarenergieforschung mit Schüler/innen im Rahmen eines computergestützten Projekttages – Optimierung der Spiegel in einem Fresnelkraftwerk (Sek I/II)
  Vortrag am Lehrertag der ISTRON-Tagung 2019
  27. September 2019, Berlin

• Perspectives on teaching the Mathematics of Machine Learning to high-school students
  Vortrag auf der ICTMA19
  Juli 2019, Hong Kong

• Teaching and training concept CAMMP – Supporting the establishment of mathematical modeling in school teaching in a sustainable way by implementing a teacher training concept
  Posterpräsentation auf der ICSE Conference Educating the Educators III (mit Kirsten Wohak)
  08. Oktober 2019, Freiburg

• Chancen für Machine Learning im Mathematikunterricht (Sek. II)
  Vortrag am Lehrertag der ISTRON-Tagung 2018
  09. Oktober 2018, Würzburg

• Komplexe Modellierung: Chancen für Maschinelles Lernen im Mathematikunterricht 
  Vortrag auf der GDMV-Jahrestagung 2018 
  März 2018, Paderborn 

Aus- und Fortbildung von (angehenden) Lehrkräften

• WS 22/23: Digitalbasierte Lernkontexte des Mathematikunterrichts, KIT
• WS 21/22: Mitgestaltung des Seminars Grundlagen Künstlicher Intelligenz und ihre Anwendung in allen Schulfächern, Universität Konstanz
• SS 21: Eingeladener Workshop für Lehramtsstudierende im Rahmen des Seminars Anwendungsorientierter Mathematikunterricht, TU Darmstadt
• 11/2020: Lehrerfortbildung im Rahmen des MINT Kongress (Vortrag), online 
• SS 20: Eingeladener Workshop für Lehramtsstudierende im Rahmen des Seminars Anwendung und Modellierung, RWTH Aachen
• SS 20: Workshop für Lehramtsstudierende im Rahmen des Seminars Digitale Werkzeuge für den Mathematikunterricht, KIT
• WS 20/21: Betreuung einer Studierendengruppe im Rahmen der Lehrverantstaltung Individuelles Fachdidaktikprojekt, KIT
• SS 20: Betreuung einer Studierendengruppe im Rahmen der Lehrverantstaltung Individuelles Fachdidaktikprojekt, KIT
• WS 19/20: Eingeladener Workshop für Lehramtsstudierende im Rahmen des Seminars Anwendung und Modellierung, RWTH Aachen

Betreute Abschlussarbeiten

• Rantzau, L. (2021): Empfehlungssysteme basierend auf Nachbarschaftsmethoden – mathematisch-fachliche Diskussion und Entwicklung digitalen Lernmaterials zur Netflix Challenge für Schüler*innen der Sekundarstufe II, Bachelorarbeit, KIT.
• Hoeffer, K. (2020): Entwicklung von Unterrichtsmaterial zum Thema Solarenergie im Rahmen eines interdisziplinären mathematischen Modellierungsprojektes, Bachelorarbeit, KIT.
• Schmidt, L. (2019): Machine Learning: automatische Bilderkennung mit Mathematik?! - Ein Lehr-Lern-Modul im Rahmen eines mathematischen Modellierungstages für Schülerinnen und Schüler der Sekundarstufe II, Masterarbeit, RWTH Aachen.

Schulprojekte

• WS 22/23: Gestaltung und Durchführung des Projektkurses Mädels machen MI(NT): Mit Mathe und KI reale Probleme lösen
• SS 21: Gestaltung und Durchführung des Schnupperkurses Mathematik des KIT
• 10/2019: Gestaltung und Durchführung von mathematischen Modellierungstagen an der Autonomous University of Baja California, Tijuana, Mexiko
• Seit 2019: Organisation und Betreuung von diversen mathematischen Modellierungswochen für Schüler:innen (CAMMP week)
• Seit 2015: Organisation, Gestaltung und Betreuung zahlreicher mathematischer Modellierungstage für Schüler:innen (CAMMP day, RWTH Aachen und KIT)
• 2017: Vertretungslehrkraft am Einhard-Gymnasium, Aachen

Weitere Lehre

• 2018 und 2019: Organisation und Betreuung von zwei mathematischen Modellierungswochen (CAMMP week Pro) für Studierende der Studiengänge Mathematik, CES und Simulation Sience, RWTH Aachen
• Tutorin für Höhere Mathematik I, RWTH Aachen

• Forschung rund um die mathematische Modellierung in der Schule im Rahmen des Schülerprogramms CAMMP
• Entwicklung und Erprobung von Lehr- und Lernmaterial rund um Data Science und Künstliche Intelligenz