• 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

Persönliche Webseite: www.schoenbrodt.info

2023

Schönbrodt, S., Hoeffer, K. & Frank, M. (angenommen). AI education as a starting point for interdisciplinary STEM projects. Proceedings of CERME13. 

Kindler, S., Schönbrodt, S. & Frank, M. (angenommen). From school mathematics to artificial neural networks: Developing a mathematical model to predict life expectancy. Proceedings of CERME13. 

Schönbrodt, S. (2023). 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. (2023). Von der Schulmathematik zu künstlichen neuronalen Netzen. Beiträge zum Mathematikunterricht 2022.

Schönbrodt, S. & Frank, M. (2023). Klassifizierungsprobleme: Maschinelles Lernen und KI im Mathematikunterricht. Beiträge zum Mathematikunterricht 2022. http://dx.doi.org/10.17877/DE290R-23426

2022

Schönbrodt, S. & Frank, M. (2022). Data Science and Machine Learning in mathematics education: High-school students working on the Netflix Prize. Proceedings of CERME12. https://hal.archives-ouvertes.fr/hal-03754716/

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

• Opening the Blackbox – ein allgemeinverständlicher Einblick in die Grundlagen der KI und Perspektiven für die Einbindung in den schulischen Unterricht
  Eingeladener Vortrag im Rahmen der Veranstaltungsreihe „Chancen und Risiken der digitalen Transformation“ des Zentrum für Schulqualität und Lehrerbildung (ZSL) und des KIT
  28. Juni 2023, Karlsruhe

• Künstliche Intelligenz als Gegenstand des Mathematikunterrichts
  Eingeladener Vortrag im Rahmen der "Grünen Reihe" (Didaktisches Kolloquium) der RWTH Aachen
  06. Juni 2023, Aachen

• How much mathematical modeling is in AI? 
  Vortrag im Paderborn Colloquium on Data Science and Artificial Intelligence in School (mit Martin Frank)
  17. Mai 2023, online

• AI education as a starting point for interdisciplinary STEM projects
  Vortrag auf dem IAMIT Workshop 2023,
  März 2023, Karlsruhe

• Mathematische Grundlagen der Künstlichen Intelligenz im Schulunterricht – Chancen für eine Bereicherung des Unterrichts in linearer Algebra
  Hauptvortrag auf dem Lehrkräftetag der ISTRON-Herbsttagung, November 2022, Karlsruhe

• 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

• SS 23: Blockseminar Grundlagen Künstlicher Intelligenz und ihre Anwendung in allen Schulfächern, KIT
• 03/2023: Workshop auf der Fortbildung "Digitale Mathematische Werkzeuge (DMW)", KIT
• 11/2022: Workshop auf dem Lehrkräftetag der ISTRON-Herbsttagung, KIT
• WS 22/23: Blockseminar Grundlagen Künstlicher Intelligenz und ihre Anwendung in allen Schulfächern, Universität Konstanz
• WS 22/23: Digitalbasierte Lernkontexte des Mathematikunterrichts, KIT
• 09/2022: Lehrerfortbildung auf Einladung des Referats für Bildung und Sport der Landeshauptstadt München 
• WS 21/22: Blockseminar 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

• Diehle, S. (in Arbeit): Optimierung von Windkraftwerken als Thema interdisziplinärer, computergestützter Modellierungsprojekte, Bachelorarbeit, KIT.
• Hoeffer, K. (2022): Aktivitätserkennung auf dem Smartphone – Entwicklung von Unterrichtsmaterial für computergestützte mathematische Modellierungsprojekte, Masterarbeit, KIT.
• 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