{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# DS 30 – Sprachmodelle: Regelbasierte Systeme vs. n-Gramm-Modelle\n",
    "**Informatik 10 – MINT-Zweig | Künstliche Intelligenz**\n",
    "\n",
    "## Lernziel\n",
    "Ich erläutere den Begriff des Sprachmodells und unterscheide zwischen regelbasierten Systemen und n-Gramm-Modellen."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "tags": [
     "sprachhilfe"
    ]
   },
   "source": [
    "## 🗣️ Sprachhilfe\n",
    "- „Auf den Kontext … folgt mit der Häufigkeit/Wahrscheinlichkeit … das Wort …“\n",
    "- „Der erzeugte Text verändert sich, weil …“\n",
    "- „Im Vergleich zum n-Gramm-Modell kann das LLM …, jedoch …“"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📌 Merksätze\n",
    "\n",
    "- Ein **Sprachmodell** ist ein System, das sprachliche Strukturen bzw. Wahrscheinlichkeiten erfasst, um Texte zu analysieren oder neu zu erzeugen.\n",
    "- **Regelbasierte Systeme** (z. B. das historische Programm **ELIZA**, 1966) reagieren auf Basis **fest programmierter Regeln** und Mustererkennung (z. B. \"Wenn der Satz 'Ich fühle mich ...' enthält, antworte mit 'Warum fühlst du dich ...?'\"). Sie \"verstehen\" die Sprache nicht, sondern wenden feste Muster an.\n",
    "- **n-Gramm-Modelle** basieren auf der **statistischen Analyse großer Textmengen**: Sie erfassen, wie häufig bestimmte Wortfolgen (n-Gramme) in einem Textkorpus vorkommen, und nutzen diese Häufigkeiten zur Vorhersage des nächsten Wortes.\n",
    "- Moderne **Large Language Models (LLMs)** nutzen komplexe neuronale Netze, beruhen aber im Kern auf einem ähnlichen Prinzip: Wahrscheinlichkeiten für die Fortsetzung eines Textes zu schätzen."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 💡 Beispiel: Ein Mini-ELIZA (regelbasiert)\n",
    "Das folgende, stark vereinfachte Programm reagiert nach festen Mustern – es \"versteht\" nichts, sondern erkennt nur Schlüsselwörter."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "def mini_eliza(satz):\n",
    "    satz = satz.lower()\n",
    "    if \"ich fühle mich\" in satz:\n",
    "        gefuehl = satz.split(\"ich fühle mich\")[-1].strip()\n",
    "        return f\"Warum fühlst du dich {gefuehl}?\"\n",
    "    elif \"ich brauche\" in satz:\n",
    "        bedarf = satz.split(\"ich brauche\")[-1].strip()\n",
    "        return f\"Warum brauchst du {bedarf}?\"\n",
    "    elif \"?\" in satz:\n",
    "        return \"Interessante Frage - was denkst du selbst darüber?\"\n",
    "    else:\n",
    "        return \"Erzähl mir mehr davon.\"\n",
    "\n",
    "print(mini_eliza(\"Ich fühle mich müde\"))\n",
    "print(mini_eliza(\"Ich brauche mehr Zeit\"))\n",
    "print(mini_eliza(\"Wie geht es dir?\"))\n",
    "print(mini_eliza(\"Die Sonne scheint\"))\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📝 Übung 1 – Grenzen des regelbasierten Ansatzes\n",
    "Testet `mini_eliza` mit mindestens drei eigenen Sätzen, die **nicht** zu den vorgesehenen Mustern passen. Beschreibt, warum das System hier keine sinnvolle Antwort liefern kann."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# TODO: Übung 1 - eigene Testsätze ausprobieren\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📝 Übung 2 – Regel erweitern\n",
    "Erweitert `mini_eliza` um mindestens eine weitere Regel eurer Wahl (z. B. Reaktion auf \"Ich mag ...\" oder \"Ich hasse ...\")."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# TODO: Übung 2 - mini_eliza um eine neue Regel erweitern\n",
    "def mini_eliza_erweitert(satz):\n",
    "    pass\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📝 Übung 3 – Vergleich in Worten\n",
    "Beantwortet: Warum stößt ein rein regelbasiertes System bei der Vielfalt natürlicher Sprache schnell an Grenzen? Welchen grundsätzlich anderen Ansatz verfolgen n-Gramm-Modelle (Stichwort: Regeln vs. Statistik)? Diese Frage wird in den nächsten Doppelstunden praktisch vertieft."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "*(Eure Antwort hier)*"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.11"
  },
  "v3_revision": {
   "basis": "MINT-Lehrplan Informatik 10 (2026)",
   "didaktik": "fragend-entwickelnder Kern, kurzer Transfer, flexible Reserve",
   "lerngruppe": "11 SuS"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}
