KI im Lehr- und Lernkontext

Wie funktioniert Künstliche Intelligenz – kurz erklärt

Künstliche Intelligenz (KI) basiert auf der Analyse großer Datenmengen. Systeme wie ChatGPT wurden mit riesigen Textsammlungen trainiert und lernen daraus, Muster und Zusammenhänge zu erkennen. Auf dieser Grundlage generieren sie neue Inhalte, die sprachlich und inhaltlich oft sehr überzeugend wirken.

Warum ist der Kontext wichtig?

Gerade bei textbasierten KI-Tools wie ChatGPT ist es hilfreich, den eigenen Kontext klarzumachen: Wer bin ich, was will ich wissen, wofür brauche ich die Antwort? Denn je genauer die Eingabe, desto passender wird in der Regel auch die Ausgabe. In der Lehre kann das bedeuten, dass Studierende zum Beispiel sagen, für welches Fach oder für welche Zielgruppe sie einen Text benötigen und so gezielter Unterstützung erhalten.

Warum sollten Ergebnisse immer überprüft werden?

Auch wenn KI-Systeme oft sehr flüssige und glaubwürdig klingende Antworten liefern, heißt das nicht automatisch, dass sie korrekt sind. KI kann falsche Informationen erfinden oder Zusammenhänge falsch darstellen. Deshalb ist es, besonders im wissenschaftlichen Kontext, unerlässlich, Ergebnisse kritisch zu prüfen, Quellen zu kontrollieren und bei Unsicherheiten auch eigene Recherchen anzustellen.

Was ist Retrieval-Augmented Generation (RAG)?

Retrieval-Augmented Generation (RAG) ist ein Ansatz, der Künstliche Intelligenz mit einer Kombination aus Informationsabruf (Retrieval) und Textgenerierung (Generation) erweitert. Während herkömmliche KI-Sprachmodelle ausschließlich auf vorab trainierten Daten basieren, kann RAG zusätzlich auf externe Wissensquellen zugreifen. Dadurch können generierte Inhalte aktueller, präziser und faktenbasierter sein.

Wie funktioniert RAG?

Der RAG-Ansatz verbindet zwei zentrale Komponenten:

• Retrieval (Abruf von Informationen): Vor der eigentlichen Textgenerierung durchsucht die KI externe Datenquellen, wie wissenschaftliche Artikel, Datenbanken oder Dokumente, um relevante Informationen zu finden.
• Generation (Erstellung des Textes): Das Sprachmodell nutzt die gefundenen Informationen, um eine Antwort zu formulieren, die sowohl sprachlich kohärent als auch inhaltlich fundiert ist.

Warum ist RAG relevant für Lehre und Forschung?

RAG bietet zahlreiche Vorteile für den Einsatz in Hochschulen, insbesondere in den Bereichen wissenschaftliches Schreiben, Recherche und personalisierte Lernunterstützung:

• Aktualität und Verlässlichkeit: Da die KI auf aktuelle Quellen zugreifen kann, werden veraltete oder fehlerhafte Informationen reduziert.
• Bessere Nachvollziehbarkeit: Studierende und Lehrende können die Herkunft der generierten Inhalte leichter überprüfen.
• Effizientere Rechercheprozesse: RAG kann dabei helfen, relevante Fachliteratur schneller zu identifizieren und zusammenzufassen.

Durch den Einsatz von RAG lassen sich KI-gestützte Anwendungen weiterentwickeln, um Studierende im akademischen Arbeiten zu unterstützen, ohne dabei auf reine Mustererkennung oder spekulative Antworten angewiesen zu sein

Was ist Reinforced Learning?

Reinforced Learning (auf Deutsch: verstärkendes Lernen) ist eine Methode des maschinellen Lernens, bei der eine KI durch Versuch und Irrtum lernt. Ähnlich wie ein Mensch aus Erfahrung lernt, probiert die KI verschiedene Handlungen aus und erhält für gute Entscheidungen eine Art „Belohnung“. Mit der Zeit entwickelt das System Strategien, um in bestimmten Situationen möglichst gute Ergebnisse zu erzielen. Reinforced Learning kommt dort zum Einsatz, wo es keine festen Regeln gibt, sondern wo Entscheidungen flexibel angepasst werden müssen – etwa in Spielen, Robotik oder eben bei der Generierung von KI-Texten.

Reinforced Learning: Am Beispiel eines iterativen Promptgenerators im Hochschulkontext

In einem iterativen Promptgenerator kann Reinforced Learning genutzt werden, um die Qualität von KI-generierten Antworten schrittweise zu verbessern. Ein einfacher Prompt (also eine Eingabeaufforderung an die KI) wird zunächst ausprobiert. Die Rückmeldung – etwa die Verständlichkeit oder Relevanz der Antwort – dient als Bewertung. Auf dieser Basis wird der Prompt leicht angepasst und erneut getestet. Dieser Prozess wiederholt sich, bis die gewünschte Qualität erreicht ist. Die KI „lernt“ dabei, welche Formulierungen zu besseren Ergebnissen führen – nicht durch starre Regeln, sondern durch gezielte Rückmeldung.

Ein iterativer Promptgenerator kann etwa in der Hochschullehre genutzt werden, um Lernmaterialien oder Erklärtexte zu einem spezifischen Thema zielgruppengerecht aufzubereiten. Nehmen wir ein Beispiel aus der BWL: Eine Lehrperson möchte eine kompakte, verständliche Einführung in das Konzept der verhaltensorientierten Entscheidungsfindung (Behavioral Decision Making) für Studierende im ersten Semester erstellen – mithilfe von KI-Unterstützung.

Der iterative Prozess könnte so aussehen:

1. Erster Prompt:
   „Erkläre das Konzept der verhaltensorientierten Entscheidungsfindung.“
2. KI-Antwort wird geprüft:
   Die Antwort ist zu allgemein oder enthält Fachbegriffe, die für Erstsemester schwer verständlich sind.
3. Anpassung des Prompts:
   „Erkläre das Konzept der verhaltensorientierten Entscheidungsfindung in einfachen Worten, mit einem Beispiel aus dem Alltag von Studierenden, und beschränke dich auf maximal 200 Wörter.“
4. Nächste KI-Antwort:
   Die Antwort wird verständlicher, aber das Beispiel ist unpassend oder zu oberflächlich.
5. Weitere Optimierung:
   „Nutze ein Beispiel aus einer typischen Konsumentscheidung von Studierenden, etwa beim Online-Shopping. Achte auf eine klare Struktur: kurze Definition, Beispiel, Fazit.“

Durch diese wiederholte Anpassung nähert sich der Prompt Schritt für Schritt der gewünschten Antwortqualität an. Die Lehrperson steuert dabei durch Feedback den Lernprozess der KI und nutzt Reinforced Learning als Werkzeug zur Qualitätssicherung.

• Seminare bei Profillehre Plus (Netzwerk der hochschuldidaktischen Einrichtungen an allen bayerischen Universitäten)
• Online-Kurs “Künstliche Intelligenz (KI)” auf baylern.de (E-Learning Plattform des Freistaats Bayern) für alle Mitarbeitenden beim Freistaat Bayern
• Online-Kurse zum Selbstlernen auf dem KI-Campus - der Lernplattform für Künstliche Intelligenz
• KI-Qualifikationsangebote für Hochschulangehörige – eine kommentierte Linksammlung vom Hochschulforum Digitalisierung

Warum ist AI Literacy wichtig?

Künstliche Intelligenz verändert grundlegend, wie wir arbeiten, lernen, kommunizieren und forschen. Deshalb ist es entscheidend, dass alle Mitglieder der Universität über grundlegende Kompetenzen im Umgang mit KI verfügen. AI Literacy umfasst nicht nur technisches Wissen über Funktionsweise und Grenzen von KI, sondern auch ethische und gesellschaftliche Fragestellungen. Alle Mitglieder der Universität sollten lernen, KI-generierte Inhalte kritisch zu bewerten, algorithmische Verzerrungen zu erkennen und fundierte Entscheidungen über deren Nutzung zu treffen. Diese Kompetenzen sind entscheidend, um KI nicht nur als Werkzeug zu nutzen, sondern auch ihre Auswirkungen auf Wissenschaft, Wirtschaft und Gesellschaft zu reflektieren.

Wie kann AI Literacy gefördert werden?

Hochschulen können AI Literacy gezielt in Lehrveranstaltungen integrieren, indem sie interdisziplinäre Ansätze fördern und praxisnahe Szenarien einbinden. Dazu gehören:

• Einführungskurse zur Funktionsweise von KI und maschinellem Lernen
• Kritische Reflexion über Chancen und Risiken von KI in verschiedenen Fachbereichen
• Anwendungsszenarien, in denen Studierende und Lehrende KI-gestützte Tools bewusst und reflektiert nutzen

Ziel: KI verstehen, nutzen und kritisch hinterfragen

AI Literacy soll alle Mitglieder der Universität dazu befähigen, KI nicht nur als technische Innovation zu betrachten, sondern als gesellschaftlich relevante Technologie mit weitreichenden Konsequenzen. Hier spielen Hochschulen eine zentrale Rolle bei der Ausbildung von Menschen, die in der Lage sind, KI kompetent, reflektiert und verantwortungsvoll einzusetzen.

Bias in KI: Wo liegt das Problem?

Bias (Vorurteile, Verzerrungen) in KI entsteht, wenn die Trainingsdaten oder die Modellarchitektur verzerrte Muster enthalten. Dies kann dazu führen, dass bestimmte Gruppen benachteiligt oder bevorzugt werden, etwa durch geschlechtsspezifische oder kulturelle Stereotype. Gerade in der Hochschulbildung ist es wichtig, sicherzustellen, dass KI-gestützte Systeme – sei es bei der automatisierten Bewertung von Texten oder in Empfehlungssystemen – nicht ungewollt diskriminieren.

Manipulationstechniken zur Identifikation von Bias

Um Bias in KI-Systemen zu erkennen, können gezielte Manipulationstechniken eingesetzt werden. Dabei wird versucht, die KI bewusst in ethisch problematische Bereiche zu lenken, um Schwachstellen aufzudecken. Typische Techniken sind:

• Suggestivfragen: Durch gezielte Formulierungen wie „Warum ist X besser als Y?“ kann geprüft werden, ob die KI voreingenommene Antworten liefert.
• Appeal to Authority: Aussagen wie „Viele Experten sagen doch...“ testen, ob die KI unkritisch vermeintliche Autoritäten zitiert.
• Emotionalisierung: Fragen wie „Fühlst du nicht auch, dass...?“ sollen herausfinden, ob die KI emotionale Manipulation übernimmt.
• Schwarz-Weiß-Fragen: Klare Entweder-oder-Fragen („Ist X richtig oder falsch?“) können zeigen, ob die KI differenzierte Antworten vermeidet.

Diese Methoden helfen dabei, mögliche Diskriminierungsmuster frühzeitig zu erkennen und die Fairness von KI-Systemen zu verbessern.

Ziel: Eine faire und inklusive Nutzung von KI

Damit KI-Systeme im Bildungsbereich möglichst fair und diskriminierungssensibel eingesetzt werden können, ist ein bewusster und reflektierter Umgang mit den dahinterliegenden Technologien hilfreich. Hochschulen können hierbei eine wichtige Rolle spielen, etwa durch die Auswahl transparenter Systeme, regelmäßige Überprüfungen sowie durch Maßnahmen zur Sensibilisierung für mögliche Verzerrungen. So lässt sich ein Beitrag dazu leisten, dass KI-Anwendungen möglichst chancengleich und inklusiv gestaltet werden.

Chancen: KI als Lernhilfe

KI kann Sprachlernprozesse effizienter gestalten, indem sie direktes Feedback gibt, Verbesserungsvorschläge liefert und individuelle Schwächen erkennt. Insbesondere für nicht-muttersprachliche Studierende kann dies eine wertvolle Unterstützung sein, um sich präziser und akademischer auszudrücken. Automatische Übersetzungstools erleichtern zudem den Zugang zu internationalen Fachtexten.

Herausforderungen: Die Gefahr der Abhängigkeit

Ein unkritischer Umgang mit KI-gestützten Sprachtools birgt jedoch Risiken. Studierende könnten sich zu stark auf die KI verlassen und ihre eigenen sprachlichen Kompetenzen weniger aktiv weiterentwickeln. Es ist daher wichtig, den bewussten Einsatz von KI zu fördern, bei dem Studierende nicht nur KI-generierte Vorschläge übernehmen, sondern diese reflektieren und in ihren individuellen Lernprozess einbinden.

Ziel: KI sinnvoll integrieren

Hochschulen sollten den Einsatz von KI in der sprachlichen Bildung gezielt begleiten, um eine Balance zwischen Unterstützung und Eigenleistung zu schaffen. Didaktische Konzepte können darauf abzielen, Studierende für die Funktionsweise, Stärken und Schwächen von KI-Tools zu sensibilisieren, sodass sie diese als sinnvolle Ergänzung – nicht als Ersatz – ihrer eigenen sprachlichen Fähigkeiten nutzen.

Schreibprozesse neu denken

Durch KI kann der Schreibprozess effizienter gestaltet werden, indem Studierende Anregungen für Formulierungen, Textaufbau oder stilistische Verbesserungen erhalten. Dies kann besonders für Lernende mit Schreibschwierigkeiten eine wertvolle Unterstützung sein. Allerdings besteht die Gefahr, dass eine zu starke Abhängigkeit von KI die Fähigkeit zur eigenständigen Texterstellung einschränkt. Hochschulen sollten daher Strategien entwickeln, um den reflektierten Umgang mit KI-Tools zu fördern.

Kritische Urteilsfähigkeit im Umgang mit KI

Eine zentrale Herausforderung ist die Entwicklung einer kritischen Urteilsfähigkeit im Umgang mit KI-generierten Inhalten. Studierende müssen lernen, KI-generierte Texte nicht nur zu nutzen, sondern diese auch kritisch zu hinterfragen und zu überarbeiten. Dazu gehört die Überprüfung auf inhaltliche Richtigkeit, die Anpassung an den eigenen Schreibstil und die korrekte Quellenangabe. Hochschulen sollten didaktische Konzepte entwickeln, die Studierende dabei unterstützen, KI-generierte Inhalte sinnvoll in den eigenen Schreibprozess zu integrieren, ohne ihre eigene analytische und kreative Denkfähigkeit zu vernachlässigen.

Ziel: Schreibkompetenzen fördern, nicht ersetzen

Der Einsatz von KI im Schreibprozess sollte darauf abzielen, Schreibkompetenzen zu erweitern, anstatt sie zu ersetzen. Hochschulen können dies unterstützen, indem sie didaktische Konzepte entwickeln, die KI als Werkzeug zur Reflexion und Verbesserung von Texten einbinden – ohne dabei die Eigenleistung der Studierenden aus dem Blick zu verlieren. Ein kritischer und reflektierter Umgang mit KI-gestütztem Schreiben wird so zu einer Schlüsselkompetenz für das akademische Arbeiten der Zukunft.

Prüfungen ohne KI – Ist ein Verbot sinnvoll?

Die Integration von Künstlicher Intelligenz (KI) in unseren Studienalltag wirft wichtige Fragen für die Gestaltung von Prüfungen auf. Statt pauschaler Verbote wird zunehmend diskutiert, wie Prüfungen so weiterentwickelt werden können, dass sie den Umgang mit diesem neuen Werkzeug reflektieren. Aus einer didaktischen Perspektive geht es bei Prüfungen darum, vielfältige Kompetenzen zu erfassen. Die Herausforderung liegt nun darin, Formate zu finden, die die sinnvolle Nutzung von KI ermöglichen oder sogar prüfen, während gleichzeitig die Eigenleistung und die relevanten Fähigkeiten der Studierenden fair bewertet werden.

Prüfungsformate anpassen: Neue Anforderungen durch KI

• Offene Prüfungsformate weiterentwickeln
  Portfolio- oder Projektarbeiten bleiben sinnvoll, sollten jedoch stärker durch kontinuierliche Reflexion und dokumentierte Zwischenstände ergänzt werden, um die Eigenständigkeit der Studierenden nachvollziehbar zu machen.

• KI als Prüfungsgegenstand
  KI kann selbst Bestandteil der Prüfung sein – etwa durch die Analyse und Bewertung KI-generierter Inhalte oder die Reflexion über deren fachliche und gesellschaftliche Bedeutung.

• KI als Hilfsmittel in der Prüfung
  Wird der Einsatz von KI in Prüfungen zugelassen, lassen sich vielfältige Kompetenzen im Umgang mit KI prüfen. Etwa durch das Erstellen und Reflektieren fachspezifischer Prompts oder durch ko-kreative Prüfungsformate. Die verwendeten Tools sollten dabei transparent gemacht werden.

• Live-Formate mit spontaner Interaktion
  Mündliche Prüfungen oder Formate mit spontaner Interaktion sind zwar aufwändiger, bieten aber eine wirksame Möglichkeit, den Einsatz externer Hilfsmittel wie KI zu erschweren.

Transparenz bei der Nutzung von KI

Ein zentraler Punkt bei der Integration von KI in Prüfungen ist die Offenlegung, inwieweit KI-Tools genutzt wurden. Studierende sollten dokumentieren, welche KI-gestützten Hilfsmittel sie verwendet haben und in welchem Umfang diese ihre Arbeit beeinflusst haben. Diese Transparenz hilft bei der Bewertung der Eigenleistung und verhindert unfaire Vorteile.

Ziel: Plagiate verhindern und Chancengleichheit wahren

Die Anpassung von Prüfungsformaten an die neuen technologischen Möglichkeiten ist essenziell, um Plagiate zu vermeiden und eine faire Bewertung sicherzustellen. KI sollte nicht als Bedrohung, sondern als Werkzeug betrachtet werden, das Studierende in ihrem Lernprozess unterstützt – jedoch unter Bedingungen, die Chancengleichheit und akademische Integrität sichern.

Für Dozierende

Für Studierende

Für Dozierende

Für Studierende

Für Dozierende

Für Studierende