Kontext
In allen Fachdisziplinen möchten Lehrende die Studierenden auf berufliche Herausforderungen vorbereiten und mit zukunftsfähigen Kompetenzen ausstatten. Eine der wichtigsten Future Skills wird AI Literacy werden. Daher liegt der Fokus dieses Pattern auf der verantwortungsbewussten Anwendung von KI-basierten Technologien, denn KI-gestützte Werkzeuge werden häufig zwar als nützlich erkannt, dennoch besteht Unklarheit über Einsatzmöglichkeiten und Herausforderungen.
Dieses Pattern eignet sich besonders für Lehrveranstaltungen im Bachelor- und Masterbereich, in denen Studierende bereits erste fachliche Grundlagen besitzen und praktische Anwendungsszenarien partizipativ in Kleingruppen bearbeiten können.
Problem
In einer disruptiven Welt spielen Technologie und die Förderung digitaler Schlüsselkompetenzen in Lehre und Studium eine große Rolle. Lehrende stehen vor dem Problem, dass Studierende KI-gestützte Werkzeuge zwar nutzen, jedoch selten systematisch und fachlich fundiert damit arbeiten. Oft fehlt den Studierenden noch die Problemlösungskompetenz, so dass einerseits das Problembewusstsein geschärft werden sollte, wie KI sinnvoll eingesetzt werden kann und andererseits die Problembeschreibung so formuliert werden kann, dass KI-gestützte Werkzeuge sinnvoll unterstützen können. Hinzu kommt die fehlende Analyse- und Reflexionskompetenz, um die erhaltenen KI-Ergebnisse zu bewerten und zu hinterfragen.
Gleichzeitig fehlt Lehrenden ein flexibles und niederschwelliges Format, das praxisbezogene Probleme behandelt und den Einsatz von KI fachbezogen gestaltet, begleitet und kritisch reflektiert. Ein solches Format stärkt und klärt die Rolle der Lehrenden als fachliche und didaktische Begleitung beim KI-Einsatz der Studierenden.
Wirkkräfte
Theoretische Betrachtungen und Live-Demos führen nur begrenzt zum Kompetenzerwerb. Aspekte wie Grenzen, Möglichkeiten und ethische Überlegungen sollten erlernt werden.
Studierende nutzen KI-gestützte Werkzeuge als “Helferlein” regelmäßig, sind dennoch verunsichert, welche KI-gestützten Werkzeuge es gibt, wie sie funktionieren und wie sie effektiv eingesetzt werden können. Außerdem sind sie bei der Nutzung auf sich allein gestellt und Probleme bei der Nutzung von KI-gestützten Systemen werden nicht gelöst. Ein strukturierter, fachspezifischer und reflektierter Einsatz von KI-gestützten Werkzeugen kommt also oft zu kurz.
Diese Ausgangslage erzeugt mehrere Spannungsfelder, die den Aufbau zentraler Kompetenzen behindern:
1. Analysekompetenz: unstrukturierte Problemidentifizierung vs. Bedarf an präziser Problemdefinition
Studierende formulieren Probleme oft unscharf, zu breit oder unpräzise. Dadurch können KI-gestützte Werkzeuge keine tragfähige Analyse liefern.
2. Lösungsfähigkeit: Schnelle KI-Ausgaben vs. fehlende selbstständige, kreative Problemlösung
Die unmittelbare Ausgabe der KI-Ergebnisse verleitet dazu, selbständige Denkvorgänge zu verkürzen und Lösungswege zu überspringen. Dadurch bleibt das systematische Erarbeiten von Alternativen unterentwickelt.
3. Urteils- und Entscheidungskompetenz: Hohe Output-Quantität vs. Unsicherheit bei der Qualitätsbewertung
Die Vielzahl an KI-Ausgaben führt zu Schwierigkeiten bei der Beurteilung von Relevanz, fachlicher Angemessenheit und praktischer Anwendbarkeit.
4. Reflexionskompetenz: Unsystematische Nutzung vs. mangelnde metakognitive Einordnung
Ohne strukturierte Reflexionsprozesse bewerten Studierende weder ihren Arbeitsprozess noch die Qualität der KI-Unterstützung. Der kompetente Umgang mit KI-gestützten Werkzeugen kann nicht systematisch weiterentwickelt werden.
5. Ethische Kompetenz: Fokus auf Funktionalität vs. fehlende Sensibilität für Risiken
Die Aufmerksamkeit richtet sich oft auf das Ergebnis, nicht auf Konsequenzen wie Bias, Transparenz oder Datenschutz.
Des Weiteren herrschen oft Unsicherheiten auf Seiten der Lehrenden, da institutionelle Vorgaben oder klare Leitlinien zum Umgang mit KI an der Hochschule fehlen.
Lösung
Die Studierenden arbeiten in einem didaktisch konzipierten Experimentierraum mit einer klar strukturierten Prozesslogik. Dieser virtuelle Experimentierraum kann in Präsenzlehrveranstaltungen integriert und zugleich für Online- oder Blended-Learning-Formate adaptiert werden, um die strukturierte Prozesslogik im jeweiligen fachspezifischen Setting gemeinsam umzusetzen. Die Studierenden definieren in diesem Rahmen gemeinsam mit den Lehrenden fachliche Probleme, lernen verschiedene KI-gestützte Werkzeuge kennen, erproben diese und reflektieren die Ergebnisse. Die Mitbestimmung bei der Auswahl der zu bearbeitenden Probleme und der KI-gestützten Werkzeuge aktiviert und motiviert die Studierenden und unterstützt sie dabei, sich z.B. mit Grenzen und ethischen Aspekten beim Einsatz von KI-gestützten Werkzeugen zu beschäftigen.
Lehrende begleiten den gesamten Prozess moderierend und beratend. Sie führen in das Format ein, beraten fachlich und organisatorisch und setzen bei Bedarf gezielte Interventionen ein. Abschließend moderieren sie eine gemeinsame Reflexionsphase zu Ergebnissen sowie gelungenen und gescheiterten Strategien und fördern dabei intergruppales Feedback.
Die Lösung basiert auf dem PAIR Format von Oguz A. Acar:
.
Details der Lösung
Der Experimentierraum strukturiert das Vorgehen in mehrere Phasen (PAIR Format). Diese sollen zunächst im Detail dargestellt werden. Danach werden Hinweise zur Vorbereitung, Durchführung und Nachbereitung durch Lehrende gegeben. Auch die didaktische Begleitung durch Lehrende wird darin aufgegriffen.
Details (Phasen)
Problem formulieren:
Bei der Formulierung geht es um den Schwerpunkt, den Umfang und die Eingrenzung eines Problems. Hierfür ist die Fähigkeit erforderlich, Probleme zu erkennen, zu analysieren und zu definieren. Dabei bieten die Themen der Lehrveranstaltung einen grundlegenden Orientierungsrahmen. Bei Bedarf werden die benötigten fachlichen bzw. methodischen Kenntnisse gemeinsam mit den Lehrenden erarbeitet.
Die Studierenden müssen in weiteren Phasen ihre Erwartungen an ein KI-gestütztes Werkzeug erfolgreich in ein kontextualisiertes und klar definiertes Problem übersetzen, das für KI-Modelle eindeutig interpretierbar ist. Ohne ein tiefes Verständnis des zu lösenden Problems bleiben die Eingaben unspezifisch und führen zu wenig nutzbaren Ergebnissen.
Auswahl KI-gestützter Werkzeuge
Angesichts der Vielzahl neuer KI-gestützter Werkzeuge wird es immer wichtiger und schwieriger, das geeignete KI-gestützte Werkzeug für die jeweilige Problemlösung zu finden. Die Studierenden lernen, wie sie verschiedene KI-gestützte Werkzeuge und deren Funktionen erkunden, vergleichen und bewerten können, angeleitet durch Auswahlkriterien wie Funktionalität, Datenbasis, Transparenz und fachlicher Passung. Die Auswahlkriterien können vom Lehrenden vorgegeben werden oder gemeinsam mit den Studierenden erarbeitet werden.
Interaktion
Eine individuelle, effektive Lösung setzt Experimentieren voraus. Experimentieren bedeutet eine praktische Interaktion mit der KI. Die Studierenden experimentieren mit verschiedenen Eingaben und Ausgaben und beobachten, wie sich die KI-gestützten Werkzeuge auf ihren Problemlösungsprozess und das Ergebnis auswirken. Dabei testen sie z.B. in mehreren Iterationen (z. B. Promptvarianten) die ausgewählten KI-gestützten Werkzeuge, um Unterschiede in den Ergebnissen systematisch zu dokumentieren. Die Lehrenden sollten offen für Werkzeuge sein, die sie selbst nicht kennen und die Studierenden experimentieren lassen.
Reflexion
KI-gestützte Werkzeuge produzieren mitunter ungenaue oder voreingenommene Inhalte (z.B. auftretende Halluzination oder Bias in den Antworten). Eine kritische Reflexion hilft dabei, diese Risiken zu erkennen und bewusst damit umzugehen. Die Studierenden bewerten die Antworten/Ergebnisse mithilfe ihres fachlichen Wissens. Zugleich reflektieren sie den eigenen Problemlösungsprozess mit KI-gestützten Werkzeugen. Dabei beziehen sie auch Entscheidungsstrategien, Fehlannahmen und die Grenzen der Werkzeugnutzung mit ein. Lehrende begleiten und unterstützen den Reflexionsprozess.
Notwendige Vorbereitungen (Lehrende)
Lehrende definieren klare Rahmenbedingungen zum z. B. Kontext, Umfang der Problemstellungen, Anzahl und Auswahl der KI-gestützten Werkzeuge, zeitlichen Rahmen und Dokumentation der Ergebnisse.
Falls die Studierenden nicht auf passende Problemstellungen und Lösungen kommen, sollten Lehrende Beispiele und KI-gestützte Werkzeuge im Vorfeld recherchieren. Eine vollumfängliche Recherche ist dennoch nicht nötig, da das Format auf den Input der Studierenden und ihren möglichen Lösungsansätzen dem Lehrenden eine gewisse Improvisation abverlangt. Dennoch lässt sich auch eine Liste von KI-gestützten Werkzeugen vorgeben, um die Bandbreite einzugrenzen.
Durchführung (Lehrende)
Lehrende treten hauptsächlich als Begleiter*innen und Berater*innen in den einzelnen Phasen auf und binden die Studierenden partizipativ in die Gestaltung der Lehrveranstaltung ein. Sie sind offen für Vorschläge für mögliche Problemstellungen und zu verwendenden KI-gestützten Werkzeuge und geben Feedback während der Umsetzung des Formats. Alternativ setzen sie Peer-Feedback ein und lassen die Studierenden ihre Pitches zu den getesteten KI-gestützten Werkzeugen gegenseitig bewerten. Ein Ergebnis dieser Lehrveranstaltung könnte von Studierenden erstellte Guidelines zur Lösung der Problemstellung mit passenden KI-gestützten Werkzeugen sein.
Nachbereitung (Lehrende)
Lehrende sollten eine fortlaufende Liste von Problemstellungen, KI-gestützten Werkzeugen und Ergebnissen eines Durchlaufs führen, die als Beispiele für folgende Lehrveranstaltungen genutzt werden kann.
Erforderliche Werkzeuge
- Zugang zu einsetzbaren KI-gestützten Werkzeugen, z.B. Apertus, ChatGPT, Anthropic Claude, Bing Chat und Google Bard oder einem hochschulinternen Dienst (z.B. bwGPT) – Zur Orientierung bei der Tool-Auswahl können kuratierte Toolsammlungen wie Futurepedia oder Moge.ai genutzt werden.
- Digitale Arbeitsformate zur Dokumentation (z. B. kollaborative Dokumente, ein Canvas, digitales Whiteboard, ein strukturiertes Template oder ein Padlet).
- Endgeräte mit stabiler Internetverbindung
- Präsentations- oder Austauschformate (z. B. gemeinsame Pinnwand, Plenumsslot)
Beispiel:
Beispielhafte Aufgabenstellung in einer Lehrveranstaltung zu Geschäftsprozessen:
Die Marketingagentur XY betreut kleine und mittlere Unternehmen im Bereich nachhaltiger Konsumgüter. Um wettbewerbsfähig zu bleiben, entscheidet sich das Team, seine internen Prozesse zu optimieren und neu zu strukturieren. Mögliche Ziele sind, Effizienz zu steigern, Kundenbindung zu stärken bzw./und mehr Gewinn zu erzielen.
Die Studierenden werden beauftragt, vorhandene Prozesse zu identifizieren und zu visualisieren. Im zweiten Schritt werden Arbeitsgruppen gebildet, die sich einem Prozess annehmen, Handlungsbedarf erkennen, verschiedene Lösungsansätze ausloten und konkrete Maßnahmen für diesen Prozess zusammenstellen. Diese Maßnahmen werden auf Einsatzmöglichkeiten von KI-gestützten Werkzeugen untersucht. Im dritten Schritt werden 3-5 KI-gestützte Werkzeuge identifiziert, mit denen im vierten Schritt mit verschiedenen Eingaben experimentiert wird. Die Ergebnisse werden in einer Reflexionsphase vorgestellt, bewertet und diskutiert. Abschließend wird ein Blick auf den gesamten Arbeitsprozess mit KI-gestützten Werkzeugen geworfen und in einem gemeinsamen Bericht festgehalten.
Stolpersteine
1. Verändertes Format:
Es muss klar kommuniziert werden, welche Ziele, Lernaktivitäten und erwarteten Ergebnisse mit dem Format verbunden sind. Nicht alle Studierenden sind mit partizipativen und problemorientierten Formaten vertraut.
2. Digitale Schlüsselkompetenzen im Umgang mit KI-gestützten Werkzeugen der Lehrenden
Lehrende müssen sich selbst mit generativer KI vertraut machen, um diesen Prozess effektiv zu steuern und zu begleiten. Dazu gehört auch Offenheit gegenüber dem Experimentieren mit neuen Technologien in der eigenen Fachdisziplin und deren didaktischer Einbindung in den eigenen Unterricht.
3. Aufgabenstellung
Bei der Aufgabenstellung sollten die Vorkenntnisse, kognitiven Fähigkeiten und bisherigen Erfahrungen der Studierenden berücksichtigt werden. Beispielsweise benötigen Bachelor-Studierende bzw. Studierenden der Nicht-MINT-Fächern möglicherweise mehr Struktur, Anleitung und Unterstützung.
4. Begrenzte Vorhersehbarkeit und Reproduzierbarkeit von KI-generierten Antworten
Die Qualität von KI-Antworten kann je nach Problemstellung deutlich variieren. Einflussfaktoren sind u.a. der Innovationsgrad der Fragestellung (etabliertes vs. neuartiges Problem), der Spezifizierungsgrad (allgemein vs. hochspezifisch), erforderliche Transferleistungen sowie der disziplinäre bzw. interdisziplinäre Kontext. Darüber hinaus wirkt sich die sprachliche Verfügbarkeit einschlägiger Trainingsdaten auf die Ergebnisqualität aus. Entsprechend sind KI-Ausgaben nicht vollständig vorhersehbar und bedürfen stets einer fachlichen Prüfung und Einordnung sowie einer gewissen Spontanität bzw. Anpassungsfähigkeit der Lehrperson.
Folgen (Vorteile, Nachteile)
Vorteile
- Individuelle Kompetenzentwicklung durch Problemlösung mit KI-gestützten Werkzeugen: Studierende lernen nicht nur, KI-gestützte Werkzeuge anzuwenden, sondern auch, Problemstellungen zu analysieren, geeignete Werkzeuge auszuwählen, Ergebnisse zu bewerten und den gesamten Arbeitsprozess zu reflektieren.
- Direkte Anwendung im fachbezogenen Kontext: Das Format ermöglicht es, KI-Anwendungen nicht abstrakt oder losgelöst von fachlichen Anforderungen zu thematisieren, sondern an konkreten Problemstellungen der jeweiligen Disziplin zu erproben.
- Förderung eines reflektierten und verantwortungsvollen KI-Einsatzes: Durch die strukturierte Erprobung und Reflexion werden Studierende für Grenzen, Qualitätsfragen und ethische Aspekte KI-gestützter Werkzeuge sensibilisiert.
- Partizipation der Studierenden und Begleitung durch Lehrende tragen zur Binnendifferenzierung und Steigerung der Lernbereitschaft bei: Studierende können eigene Problemstellungen, Interessen und Vorerfahrungen einbringen, während Lehrende den Prozess fachlich, didaktisch und reflexiv begleiten.
Nachteile
- Tokenbegrenzung beim kostenlosen Zugang bzw. Kosten durch Bezahlmodelle
- Wirksamkeit muss in den jeweiligen Fachdisziplinen evaluiert werden; Fachspezifische Adaptierungen sind nach Bedarf notwendig.
- Höhere Anforderungen an (didaktisch-technischer) Lehrkompetenz
- Datenschutzbedenken, wenn Registrierungen der Studierenden notwendig sind
