Textgenerierende Technologien in der Lehre

Zum Begriff „KI“ und zu großen Sprachmodellen

Das, was hier mit textgenerierenden Technologien gemeint ist, wird heute meist als „generative KI (Künstliche Intelligenz)“ oder auch einfach nur als „KI“ bezeichnet. Der Begriff birgt allerdings einige Herausforderungen. Eine davon ist die Verwechslungsgefahr: Nachdem Ende des Jahres 2022 das große Sprachmodell ChatGPT veröffentlicht wurde, ist es im öffentlichen Diskurs fast synonym zum Begriff „KI“ geworden. Das zeigt sich in Fragen wie: „Wie wird KI den wissenschaftlichen Arbeitsprozess verändern?“ Die Antwort ist: „KI“ beeinflusst unsere Arbeitsprozesse schon seit vielen Jahren – neu hinzugekommen ist jetzt die Möglichkeit der Produktion von Texten und anderen Inhalten (die es ebenfalls schon länger gibt, die durch ChatGPT nur sehr viel zugänglicher geworden ist).

Der Begriff „KI“ ist, weil er so diffus ist, auch aus anderen Perspektiven eher untauglich, um sich produktiv darüber auszutauschen. In diesem Beitrag vertrete ich den Ansatz, dass es hilfreicher ist, die Anwendungen so konkret wie möglich zu benennen. In diesem Beitrag geht es in erster Linie um sogenannte große Sprachmodelle (Large Language Models, kurz LLM), die Text generieren können – im Gegensatz zum Beispiel zu Modellen, die mithilfe statistischer Verfahren wie Clusteranalyse Muster in Datensätzen erkennen können, was für die Forschung durchaus ein wichtiges Hilfsmittel ist.

Mithilfe von Sprachmodellen wird versucht, menschliche Sprache maschinell zu verarbeiten, zu modellieren und auszugeben. Das Feld, das sich damit beschäftigt, ist das Natural Language Processing (NLP). Da geht es um Textproduktion und um andere Anwendungsgebiete, bei denen maschinelle Sprachverarbeitung schon seit Längerem genutzt wird: Zur Spracherkennung für automatische Transkription, sprach-gesteuerte Assistenzsysteme im Haushalt, automatische Übersetzung und so weiter.

Große Sprachmodelle funktionieren aufgrund von Wahrscheinlichkeiten: Anhand großer Datenmengen berechnet das Modell, wie wahrscheinlich ein Wort in einem gegebenen Kontext in Bezug auf andere Wörter auftritt. Das hat verschiedene Konsequenzen. Zum Beispiel kommt es dazu, dass Text generiert wird, der Informationen enthält, die wir als falsch beurteilen. Im wissenschaftlichen Bereich sind das zum Beispiel Quellen: Es kann vorkommen, dass ein Artikel referenziert wird, der sich zwar so anhört, als ob es ihn geben könnte – bei dem aber nach kurzer Recherche auffällt, dass es ihn gar nicht gibt. Da das Modell anhand eines bestimmten Corpus von Daten trainiert wurde, sind die Ergebnisse besser, je mehr dazu in den Daten vorhanden ist, und schlechter, je spezifischer das Thema ist. Wichtig ist auch, dass aufgrund der genutzten Daten bestimmte Biases, also Verzerrungen, auftreten können – z. B. Stereotype über Geschlechter.

Kann man maschinell generierten Text erkennen?

Eine Frage, die Lehrende häufig stellen und die Sie sich vielleicht ebenfalls bereits gestellt haben, ist die nach der Nachweisbarkeit von Texten, die mithilfe textgenerierender Technologien erstellt wurden. Das ist verständlich: Es ist eine unangenehme Vorstellung, dass man einer gut gemachten Täuschung unterliegen könnte, die dazu führt, dass sich ein*e Student*in eine gute Note erschleicht, die – im Vergleich zu anderen Studierenden, die selbst an ihrem Text gearbeitet haben – nicht auf eigener Leistung beruht.

Tatsächlich wäre es wünschenswert, maschinell generierte Inhalte, die der Täuschung dienen sollen, nachweisen zu können: Denken Sie nur an Deepfakes, die im Internet kursieren. Das scheint zum derzeitigen Standpunkt technologisch jedoch nicht umsetzbar, wie eine Studie (Weber-Wulff et al., 2023) und Erfahrungsberichte zeigen. Erkennungssoftware, die angibt, ob ein Inhalt maschinell generiert ist, funktioniert nicht zuverlässig. Was Sie keinesfalls tun sollten, ist, eine Anwendung wie ChatGPT selbst als Mittel zur Erkennung zu nutzen: Dazu sind diese Modelle nicht in der Lage.

Gleichzeitig muss der Einsatz textgenerierender Technologien nicht automatisch mit einem Täuschungsversuch einhergehen. Hier spielt die persönliche Haltung eine Rolle: Misstrauen – bis hin zu einem Generalverdacht gegenüber den Studierenden – ist alles andere als zuträglich, um eine Umgebung zu schaffen, in der Studierende motiviert lernen. Hilfreicher ist es, davon auszugehen, dass Studierende Interesse an ihrem eigenen Lernerfolg haben. Ausgehend davon können Sie mit ihnen zusammen Möglichkeiten und Grenzen des Einsatzes textgenerierender Technologien diskutieren. Denn wenn Studierende solche Technologien sinnvoll und mit der notwendigen Kennzeichnung einzusetzen, entstehen Texte, die ihre eigenen sind und in der textgenerierende Technologien nur ein weiteres Hilfsmittel sind, um zu wissenschaftlicher Erkenntnis zu gelangen.

Erst die Lernziele, dann die Methoden

Damit Sie eine Entscheidung darüber treffen können, ob der Einsatz textgenerierender Technologien in Ihrer Lehrveranstaltung sinnvoll ist und wie dieser gestaltet sein kann, sollten Sie sich zunächst Gedanken darüber machen, was die Lernziele sind, die Ihre Studierenden erreichen sollen. Denn erst ausgehend von diesen Lernzielen können Sie überlegen, inwiefern textgenerierende Technologien diese unterstützen oder damit interferieren könnten.

Es gibt mittlerweile viele Ideen und Handreichungen dazu, wie man textgenerierende Technologien in einer Lehrveranstaltung einsetzen kann – sei es, um die Grenzen der Technologie auszutesten oder um den Studierenden hilfreiche Anwendungsgebiete zu zeigen. Die Auswahl von Methoden sollte dabei immer abhängig von dem Ziel sein, das Sie damit erreichen wollen.

Die folgende Tabelle zeigt mögliche Lernziele, die Sie in Hinblick auf textgenerierende Technologien setzen können:

Wollen Sie beispielsweise den Studierenden zeigen, wo die Grenzen der Technologie liegen – z. B. beim Generieren von Quellenangaben – dann ist das ein legitimes Lernziel: Die Studierenden dafür zu sensibilisieren, dass sie beim Gebrauch textgenerierender Technologien immer auf die Richtigkeit der Angaben achten müssen. Wollen Sie die Technologie kreativ einsetzen, zum Beispiel, um Merksätze zu generieren, mit denen sich Studierende einen komplexen Sachverhalt besser merken können, dann können die Lernziele andere sein: Dass die Studierenden die Technologie als Stütze im Lernprozess nutzen lernen – oder aber es geht gar nicht um die Technologie, sondern um den Inhalt der Merksätze, den die Studierenden im Gedächtnis behalten sollen. Es gibt insofern keinen pauschalen „richtigen“ Weg, textgenerierende Technologien in eine Lehrveranstaltung zu integrieren. Hier sind Sie als Lehrende*r und Expert*in für Ihr Fach gefragt: Was müssen die Studierenden lernen, um die Kompetenzen zu erlernen, die für Ihr Fach relevant sind?

Die richtigen Fragen stellen

Was sollen Studierende eigentlich lernen? Das Studium bereitet Studierende sowohl auf das wissenschaftliche Arbeiten als auch oft auf eine fachbezogene Berufspraxis vor. Sie als Lehrende sind dabei die Expert*innen dafür, welche Kompetenzen die Studierenden brauchen, um professionell zu handeln – denn das sollen Sie Ihnen während des Studiums vermitteln. Ausgehend von dieser professionellen Praxis wählen Sie die Lernziele für Ihre Lehrveranstaltung. Dabei spielen verschiedene Faktoren eine Rolle:

• Wo im Studium befinden sich die Studierenden? Handelt es sich um Erst- und Zweitsemester oder um Masterstudierende?
• Welches Wissen sollen die Studierenden sich aneignen?
• Welche Kompetenzen sollen die Studierenden ausbilden?
• Wie viel Zeit steht dafür zur Verfügung?
• Welche Vorgaben macht die Studienordnung, z. B. zu Modulabschlussprüfungen?

Und natürlich noch viele weitere mehr – abhängig von den Erwartungen, die Studierende, andere Lehrende oder Sie selbst an sich stellen.

Ausgehend von diesen Fragen können Sie reflektieren, inwiefern textgenerierende Technologien für Ihre Lehrveranstaltung eine Rolle spielen. Hier zwei hypothetische Beispiele:

Den Schreibprozess aufdröseln

Viele sehen textgenerierende Technologien als Problem, weil sie eines der wichtigsten Prüfungsformate infrage zu stellen scheint, das derzeit an den Hochschulen genutzt wird: die Hausarbeit. Denn die Hausarbeit schult viele wichtige Kompetenzen, die das wissenschaftliche Arbeiten ausmachen: Eine Forschungslücke zu identifizieren und eine Forschungsfrage zu formulieren, Literatur zu recherchieren und in die eigene Argumentation einzubauen, wissenschaftlich zu argumentieren und zu formulieren, richtig zu zitieren und referenzieren usw. Sie dient dem Einüben dieser Kompetenzen und wird gleichzeitig als Prüfungsleistung bewertet. Zudem ist die Hausarbeit in einem seltsamen Zwischenstatus zwischen „echter“ und „fiktionaler“ Forschung. Denn im besten Fall kommen Studierende tatsächlich zu (für sie) neuen Erkenntnissen – vorausgesetzt werden sollte dies aber nicht. Diese unterschiedlichen Erwartungen sind eine Herausforderung. Denn es kann für Studierende demotivierend sein, zu wissen, dass es sich nicht um eine „echte“ Forschungsarbeit handelt („Hausarbeiten für die Schublade“). Ebenso kann es für die Lernenden überfordernd sein, wenn während des Studiums schon erwartet wird, dass sie Forschungsarbeiten auf professionellem Niveau erarbeiten.

Für die Nutzung textgenerierender Technologien ist dieser Zwischenstatus der Hausarbeit sehr relevant. Denn er macht es notwendig, dass Sie entscheiden, ob Sie das Lernen oder das Ergebnis in den Vordergrund stellen. Steht das Erlernen bestimmter Kompetenzen für Sie im Vordergrund, die das eigene Schreiben voraussetzen (zum Beispiel am Anfang des Studiums), dann könnte es notwendig sein, dass Sie die Nutzung textgenerierender Technologien für den Prüfungskontext verbieten – auch wenn sie in der professionellen Praxis genutzt werden.

Was lernen Studierende beim Schreiben einer Hausarbeit? Um sich dieser Frage zu nähern, ist es hilfreich, zunächst den Schreibprozess aufzudröseln, denn dieser besteht aus vielen einzelnen, vielfältigen Tätigkeiten und Aufgaben.

Was passiert alles beim Schreiben einer Hausarbeit?

Abbildung 1: Tätigkeiten, die zum Schreibprozess gehören. Quelle: eigene Darstellung.

(In der Abbildung wurde bewusst auf eine Hierarchisierung oder Systematisierung verzichtet – denn in den wenigsten Fällen läuft der Schreibprozess linear ab und keine Tätigkeit ist wichtiger oder weniger wichtig als eine andere.)

Tipp: Führen Sie sich Ihren eigenen Schreibprozess vor Augen. Was müssen Sie dabei alles tun? Was ist für Ihre Disziplin besonders wichtig?

Reflexion der eigenen (Schreib-)Praxis

Ob und inwiefern sich textgenerierende Technologien auf wissenschaftliche und andere professionelle Praktiken auswirken werden, lässt sich derzeit noch schwer abschätzen. Texte sind immer noch das wichtigste Medium, über das Wissenschaftler*innen ihre Ergebnisse mit anderen teilen und so Forschung, die immer als Diskurs angelegt ist, ermöglichen. Mit Sicherheit wird es disziplinspezifische Unterschiede geben, denn die Funktionen von Schreiben und von Texten sind in den verschiedenen Disziplinen unterschiedlich. Während in einigen Disziplinen das Schreiben eine der zentralen Methoden zur Erkenntnisgewinnung ist, nimmt es in anderen einen weniger zentralen Stellenwert ein.

Schreiben kann aber unabhängig von der disziplinspezifischen Praxis als hilfreiches Mittel im Lern- und Erkenntnisprozess eingesetzt werden – um beispielsweise Inhalte besser zu verinnerlichen oder sich mit Ihnen auseinanderzusetzen. Deshalb gibt es gute Gründe, das eigene Schreiben weiterhin zu lehren und zu lernen.

Wenn Sie als Lehrende*r vor der Entscheidung stehen, ob und wie Sie textgenerierende Technologien in Ihrer Lehrveranstaltung thematisieren sollen, hilft es, eine Reflexion der eigenen Praxis vorzunehmen und dabei zu beobachten, was Sie tun und was dabei passiert.

Tipp: Nehmen Sie sich ein Schreibprojekt, an dem Sie gerade arbeiten – oder, falls Sie gerade keines haben, ein vergangenes oder eines, an dem Sie gerne arbeiten würden. Greifen Sie sich eine der vielen Schreibtätigkeiten heraus, z. B. Paraphrasieren, Lesen, eine Gliederung erstellen, …

Führen Sie die Tätigkeit aus, wie Sie es bisher getan haben. Stellen Sie sich dabei folgende Reflexionsfragen:

• Was konkret tue ich?
• Was denke ich?
• Was lerne ich?
• Was fühle ich?

Wenn Sie beispielsweise selbstständig paraphrasieren, könnte Ihnen Folgendes durch den Kopf gehen: „Bin ich zu nah am Text? Ist deutlich, wen ich referenziere und warum? Wie binde ich die Paraphrase so ein, dass sie in meine Argumentation passt? Positioniere ich mich zu dem Gesagten?“

Führen Sie das Gleiche nun mithilfe einer textgenerierenden Technologie durch. Stellen Sie sich die gleichen Fragen:

• Was konkret tue ich?
• Was denke ich?
• Was lerne ich?
• Was fühle ich?

Beim Paraphrasieren mit einer textgenerierenden Technologie werden vielleicht andere gedankliche Prozesse angestoßen: „Wie kriege ich hin, dass der generierte Text in meine Argumentation passt? Muss ich die Paraphrase überarbeiten? Was muss ich eigentlich über wissenschaftliche Paraphrasen wissen, um zu erkennen, dass der generierte Text gut ist?“

Es gibt derzeit noch keine gesicherten Ergebnisse darüber, wie sich die Nutzung von textgenerierenden Technologien auf Lernprozesse auswirkt. Diese Übung kann eine niedrigschwellige Herangehensweise sein, damit Sie daraus Lernziele formulieren, bei denen Ihre Studierenden die Kompetenzen erlernen, die für Ihre Disziplin relevant sind.

Entscheiden Sie sich dafür, den Einsatz textgenerierender Technologien in Ihrer Lehrveranstaltung zu erlauben, sollten Sie Folgendes tun:

• Die Studierenden damit nicht allein lassen.
• Transparent und klar kommunizieren, wie die Technologie eingesetzt werden darf.
• Transparent und klar Bewertungskriterien für eine Prüfungsleistung kommunizieren.
• Möglichkeiten der Kennzeichnung ausprobieren & diskutieren.

Die Studierenden damit nicht allein lassen

Textgenerierende Technologien sind für die meisten neu – für Studierende wie für Lehrende. Auch, wenn es im ersten Moment sehr erstaunlich ist, was die Technologie im Bereich Textproduktion leisten kann, ist sie nicht spezifisch für den wissenschaftlichen Bereich entwickelt worden. Deshalb ist es gar nicht so leicht, sie für die wissenschaftliche Textproduktion produktiv zu nutzen. Expert*innen in einem Fach sehen dies meist schnell und sind desillusioniert – Noviz*innen hingegen fällt es deutlich schwerer, diese Beurteilung vorzunehmen, und sie verlassen sich eventuell stärker auf das generierte Ergebnis. Der Umgang mit textgenerierenden Technologien setzt also schon einiges an Expertise voraus: Fachliches Wissen, um falsche Inhalte zu erkennen; Wissen über das wissenschaftliche Arbeiten, um zu beurteilen, ob der generierte Text wissenschaftlichen Ansprüchen genügt usw. Deshalb sollten Sie die Studierenden damit nicht allein lassen und gemeinsam den Einsatz ausprobieren und diskutieren.

Transparent und klar kommunizieren, wie die Technologie eingesetzt werden darf

Die Regelungen zum Umgang mit textgenerierenden Technologien sind oft noch unklar und ein offener Austausch schwierig, weil immer die Angst vor dem Täuschungs-Verdacht im Raum steht. Klare Regeln für den Einsatz textgenerierender Technologie in Ihrer Lehrveranstaltung können helfen, den Studierenden Orientierung zu geben und Zweifelsfälle offen zu diskutieren.

Transparent und klar Bewertungskriterien für eine Prüfungsleistung kommunizieren

Auch die Bewertungskriterien für eine Prüfungsleistung sollten deutlich kommuniziert werden (auch unabhängig davon, ob es um textgenerierende Technologien geht). Beachten Sie dabei, dass es nicht möglich ist, Studierende zur Nutzung von textgenerierenden Technologien zu verpflichten, da es datenschutzrechtliche Bedenken gibt.

Möglichkeiten der Kennzeichnung ausprobieren & diskutieren

Da ein wichtiges Prinzip der Wissenschaft die Offenlegung des Erkenntnisprozesses ist, um Forschungsergebnisse nachvollziehbar und diskutierbar zu machen, sollte auch der Einsatz textgenerierender Technologien, sofern sie eine Rolle in diesem Erkenntnisprozess spielen, transparent sein. Es haben sich allerdings noch keine Konventionen ausgebildet, textgenerierende Technologien, die im Schreibprozess genutzt wurden, zu referenzieren. Dass die Ausbildung solcher Konventionen im Gange ist und noch Zeit brauchen wird, zeigt sich beispielsweise daran, dass es zunächst den Versuch gab, textgenerierender Technologie Autorschaft zuzuschreiben – viele Journals lehnten dies jedoch ab, weil die Technologie nicht die Kriterien für Autor*innenschaft erfüllt. Die wissenschaftliche Gemeinschaft muss also noch aushandeln, wie die Nutzung solcher Technologien gekennzeichnet werden kann.  Erschwerend hinzu kommt, dass textgenerierende Technologien an unterschiedlichen Stellen im Schreibprozess zum Einsatz kommen können. Abhängig davon könnte die Kennzeichnung verschieden ausfallen:

• Bei der Nutzung als Quelle für Informationen: Normale Zitationsregeln? (In diesem Fall würde sich eher die Frage nach der Zitierfähigkeit stellen.)
• Bei der Nutzung zur Ideenfindung, für inhaltliche Impulse: Als Methode?
• Bei stilistischer Überarbeitung des Textes: Wie bei der Rechtschreibkorrektur – vielleicht keine Kennzeichnung nötig?

Sie können in Ihrer Lehrveranstaltung zusammen mit den Studierenden ausprobieren, welche Art der Kennzeichnung sinnvoll und umsetzbar ist. Dabei hilft es, immer der Frage auf den Grund zu gehen, warum eine Kennzeichnung wichtig ist: Was soll sie leisten, was nicht?

Sollten Sie sich dafür entscheiden, textgenerierende Technologien nicht zu erlauben, sollten Sie Folgendes tun:

• Die Gründe für das Verbot klar und transparent kommunizieren.
• Offen sein für Diskussion.
• Studierende motivieren, die Aufgaben selbstständig zu erledigen.

Die Gründe für das Verbot klar und transparent kommunizieren

Möchten Sie, dass die Studierenden nicht auf textgenerierende Technologien zurückgreifen, sollten Sie deutlich machen, was Ihre Beweggründe dafür sind. Im besten Fall können Sie die Studierenden davon überzeugen, dass es sinnvoll ist, die Aufgaben, die Sie stellen, eigenständig zu bearbeiten.

Offen sein für Diskussion

Lassen Sie die Studierenden zu Wort kommen und hören Sie sich Argumente an, die gegebenenfalls für den Einsatz textgenerierender Technologien sprechen. Im Gespräch können Sie Ihre Position schärfen oder Kompromisse eingehen – ob es z. B. nur bestimmte Kontexte gibt, in denen der Einsatz dieser Technologien untersagt ist. Machen Sie dabei deutlich, was Sie für Vorteile darin sehen, wenn die Studierenden nicht auf textgenerierende Technologien zurückgreifen.

Studierende motivieren, Aufgaben selbstständig zu erledigen

Studierende nutzen unerlaubte Hilfsmittel aus verschiedensten Gründen – aus Zeitmangel, fehlender Motivation oder auch Angst. Als Lehrende*r haben Sie Einfluss auf zumindest einige dieser Stellschrauben. Zum Beispiel können Sie Ihre Sitzung aktivierend und motivierend gestalten, um Studierende zum Lernen anzuregen.

Trotzdem wird es Situationen geben, in denen Studierende auf unerlaubte Hilfsmittel zurückgreifen. Dieses Problem ist allerdings kein Neues, sondern wird durch textgenerierende Technologien nur verschärft.

Aufgrund der Verfügbarkeit von textgenerierenden Technologien wird viel darüber diskutiert, ob sich Bewertungskriterien verändern müssen. Ein wichtiges Argument in dieser Diskussion ist, dass sich in Bewertungskriterien widerspiegelt, was die Leistung einer*s Studierenden ist – und die Kriterien sollen gewährleisten, dass die Note, die Sie auf eine Prüfungsleistung geben, gegenüber anderen Studierenden fair ist. Da textgenerierende Technologien nicht nur auf rein sprachlicher Ebene auf den Schreibprozess einwirken können, sondern auch Impulse und Ideen – z. B. für Argumente oder eine Forschungsfrage – geben können, stellt sich die Frage, inwieweit diese gedankliche Arbeit „ausgelagert“ werden kann.

Auch das ist keine neue Frage. Schauen Sie sich folgende Abbildung an:

Abbildung 2: Textproduktion in der Wissenschaft zwischen Eigenarbeit und Ghostwriting. Quelle: eigene Darstellung.

Sie zeigt, dass wir uns in der Lehre schon immer in einem Geflecht befinden, bei dem nie ganz eindeutig ist, wo ein Gedanke herkommt. Beide Pole sind problematisch: Nicht nur das Ghostwriting, wo der Arbeitsprozess komplett an jemand anderen übergeben wird, sondern auch das Schreiben im luftleeren Raum, denn in der Wissenschaft geht es nicht darum, nur die eigenen Gedanken aufzuschreiben, die einem zu einem Thema kommen. Im Gegenteil, die Einordnung in einen Forschungsdiskurs und das Referenzieren von schon existierendem Wissen ist zentral für den Erkenntnisprozess. Implizit erwarten Sie, dass die Studierenden aus der Vorlesung oder dem Seminar Wissen über ein Thema mitbringen, und in Sprechstunden beraten Sie die Studierenden auf vielfältige Weise. Inwiefern textgenerierende Technologien die eigene gedankliche Arbeit unterstützen oder ob sie als „Ghostwriter“ fungieren, lässt sich also nicht pauschal beantworten – es kommt auf die Nutzung an.

Bewertungskriterien: Mit, ohne und unabhängig von textgenerierenden Technologien

Ob sich Bewertungskriterien für Prüfungsleistungen verändern, hängt – wie alles – mit den Lernzielen zusammen, die Sie für Ihre Lehrveranstaltung formuliert haben. Die Entscheidung, ob Sie textgenerierende Technologien als Hilfsmittel zulassen oder nicht, sollte sich entsprechend in den Bewertungskriterien widerspiegeln. Im Folgenden werden für das Lernziel „Forschungsfrage finden“ beispielhaft drei mögliche Bewertungskriterien aufgezeigt.

Beispiel: „Forschungsfrage finden“

Lernziel ohne KI: Der*die Studierende kann eine Forschungsfrage entwickeln, die das eigene Wissen und Interesse widerspiegelt.

Bewertungskriterium: Der*die Studierende reflektiert die Entstehung der Forschungsfrage vor dem Hintergrund des eigenen Wissens und Interesses.

• In diesem Fall könnte die Reflexion und Positionierung der Studierenden stärker gewichtet werden.

Lernziel mit KI: Der*die Studierende kann textgenerierende Technologie methodisch sinnvoll einsetzen, um eine gute Fragestellung zu entwickeln.

Bewertungskriterium: Der*die Studentin zeigt, dass er*sie die textgenerierende Technologie genutzt hat, um eine den wissenschaftlichen Ansprüchen genügende Fragestellung zu entwickeln.

• Bei diesem Kriterium könnte es sinnvoll sein, einen Nachweis über das Vorgehen der Studierenden mit der Arbeit einzufordern, in der beispielsweise die Prompts oder der Chatverlauf als Anhang oder in einer Reflexion dargestellt werden.

Lernziel unabhängig von KI: Der*die Studierende kann eine für das Forschungsfeld relevante Fragestellung entwickeln und in den aktuellen Diskurs einordnen.

Bewertungskriterium: Der*die Studierende hat eine Fragestellung identifiziert und vor dem Hintergrund des aktuellen Diskurses begründet.

• In diesem Fall ist es vielleicht irrelevant, ob der*die Studierende textgenerierende Technologien eingesetzt hat, um zum gewünschten Ergebnis zu kommen. Hier wird der Prozess weniger gewichtet als das Resultat.

Video-Tipp: Unser Kurzvortrag "Kompetenzorientiertes Prüfen im Zeitalter von KI-Schreibtools" im April 2023 beim University Future Festival steht bei Youtube zum Anschauen bereit. Darin gehen wir noch etwas detaillierter auf ein anderes Beispiel an Prüfungskriterien ein.

Der Vorteil der neuesten Generation großer Sprachmodelle ist, dass sie wie Chatbots aufgebaut sind. Das macht die Nutzung sehr intuitiv – man „chattet“ einfach drauflos. Trotzdem wird gerade das sogenannte „Prompt Engineering“ als neue Kompetenz gehandelt, die Studierende in Bezug auf den Umgang mit textgenerierenden Technologien erwerben können.

Als Prompt wird der Input bezeichnet, auf den das Sprachmodell hin Output generiert. Bei ChatGPT also z. B. die Eingabe ins Chatfenster, auf die eine Antwort erscheint. Es gibt einige Anregungen dazu, wie man diesen Output steuern kann, damit man gute Ergebnisse erhält. Kurz gesagt: Je konkreter man das eigene Anliegen formuliert, desto besser ist der Output. Dem Modell fehlen in erster Linie zwei Dinge, die beim Gespräch zwischen Menschen implizit vorhanden sind: Kontext und Situierung. Diese muss man also selbst schaffen. Es hilft, sich eine Theaterszene vorzustellen: Wer tut was warum und wie?

Beispiel: Statt „Schreib ein Essay zum Thema XY“ lieber „Stell dir vor, du bist eine versierte Journalistin, die einen Pulitzer-Preis-verdächtigen Artikel zum Thema XY für die New York Times verfasst. Kontrastiere dabei die Aspekte V und Z.“

Je spezifischer Sie beim Prompting sind, desto mehr können Sie den Output steuern. Es gibt Templates für Prompts – z. B. den sogenannten Mega-Prompt von Rob Lennon – die, ganz ausgefüllt, fast eine Seite einnehmen können. Das Praktische an dem Chatbot-Interface, das z. B. ChatGPT bietet, ist, dass Sie stattdessen nachjustieren können, weil das Modell Ihren vorherigen Chatverlauf referenzieren kann.

Übrigens: Da ein Chatverlauf bis zu einer gewissen Anzahl von Zeichen als Referenzrahmen dient, auf den sich das Modell bezieht, ist es sinnvoll, bei einem neuen Thema auch einen neuen Chatverlauf zu öffnen.

Arnold, T. (2023). ChatGPT für Nicht-Informatiker*innen. Schlüssel zum Verstehen der künstlichen Intelligenz und ihrer Anwendungen in der Hochschullehre [Vortragsaufzeichnung]. In dghd, Veranstaltungs-Reihe: KI in der Hochschullehre. https://youtu.be/-c8ogAwX6KI?si=0IMVAjjpYia1Vb97

Buck, I., & Limburg, A. (2023). Hochschulbildung vor dem Hintergrund von Natural Language Processing (KI-Schreibtools). Ein Framework für eine zukunftsfähige Lehr- und Prüfungspraxis. die hochschullehre, 9(6), 70–84. https://doi.org/10.3278/HSL2306W

Foltynek, T., Bjelobaba, S., Gendinning, I., Khan, Z. R., Santos, R., Pavletic, P., & Kravjar, J. (2023). ENAI Recommendations on the ethical use of Artificial Intelligence in Education. International Journal for Educational Integrity, 19(12), 1–4.  https://doi.org/10.1007/s40979-023-00133-4

Lahm, S. (2016). Schreiben in der Lehre. Handwerkszeug für Lehrende. Barbara Burdrich.

Lange, U. (2018). Fachtexte lesen – verstehen – wiedergeben (2., überarb. Aufl.). Ferdinand Schöningh.

Salden, P., & Leschke, J. (Hrgs.). (2023). Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung. Ruhr-Universität Bochum, Universitätsbibliothek. https://doi.org/10.13154/294-9734

Vee, A., Laquintano, T., & Schnitzler, C. (Eds.) (2023). TextGenEd: Teaching with Text Generation Technologies. The WAC Clearinghouse. https://doi.org/10.37514/TWR-J.2023.1.1.02

Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of Detection Tools for AI-Generated Text. Online-Vorveröffentlichung. https://doi.org/10.48550/arXiv.2306.15666

Einleitung

Auf Anwendungen, die auf künstlicher Intelligenz (KI) basieren – insbesondere auf textgenerierenden Technologien wie großen Sprachmodellen (Large Language Models, LLMs), die mithilfe statistischer Verfahren Sprache verarbeiten, modellieren und generieren –, stützen sich heute zahlreiche Entwicklungen im Maschinenbau, im technischen Vertrieb und im Produktmanagement. Von der automatisierten Kundenkommunikation über die Erstellung und Auswertung technischer Dokumentationen, die Unterstützung bei der Angebots- und Berichtserstellung bis hin zur Analyse großer textbasierter Informationsmengen für Entscheidungen im Vertrieb und Produktmanagement – KI wird in nahezu allen beruflichen Handlungsfeldern unserer Absolventinnen und Absolventen des Studiengangs Sales Engineering and Product Management (SEPM) eine entscheidende Rolle spielen.

Trotz dieser Relevanz wird „das Thema KI“ in unseren Lehrangeboten – wenn überhaupt – nur punktuell adressiert, obwohl KI-Tools auch in Lehre und Studium unbestreitbare Potenziale bieten: Einerseits bieten sie die Chance, eine inklusive, gleichberechtigte und hochwertige Bildung zu gewährleisten und die Möglichkeiten lebenslangen Lernens für alle, unabhängig von Geschlecht, Herkunft oder Behinderung, zu fördern (vgl. Varsik und Vosberg 2024). Andererseits eröffnen sie unseren Studierenden nicht nur die Chance, ihre wissenschaftlichen Arbeiten effizienter zu gestalten und Lernpfade und -prozesse zu individualisieren, sondern auch, Kompetenzen zu erwerben, die in einer zunehmend digitalisierten Arbeitswelt essenziell sind.

Vor diesem Hintergrund beschäftigten wir uns am Lehrstuhl für Industrial Sales and Service Engineering (ISSE) der Ruhr-Universität Bochum zu Beginn des Wintersemesters 2024/2025 intensiv(er) mit der Frage, wie wir unsere Studierenden zur souveränen und vor allem zur reflektierten Verwendung dieser Werkzeuge befähigen können.

Ausgangspunkt unserer Überlegungen war die Festlegung, ob und in welchem Umfang wir die Verwendung von KI-Tools in schriftlichen (Qualifizierungs-) Arbeiten, wie Haus-, Projekt- und Abschlussarbeiten, überhaupt tolerieren.

Wir betrachten KI-Tools aus den vorgenannten Gründen als wertvolle Ergänzung und erkennen ihre zunehmende Relevanz und ihre Potenziale sowohl im akademischen als auch im beruflichen Kontext an. Deshalb haben wir festgelegt, dass wir die Verwendung solcher Werkzeuge im Rahmen schriftlicher (Qualifizierungs-) Arbeiten nicht kategorisch ablehnen, solange deren Verwendung im Rahmen eines selbstbestimmten und reflektierten Prozesses erfolgt und die Eigenleistung erkennbar bleibt. Um den Grad der Selbstständigkeit bzw. der Eigenleistung weiterhin nachvollziehen und beurteilen zu können, haben wir aus diesem Grund festgelegt, dass unsere Studierenden beim Einsatz von KI-Tools transparent vorgehen und dokumentieren müssen, in welchen Bereichen und mit welchem Zweck sie welches KI-Tool verwendet haben.

Mit dieser Vorgabe orientieren wir uns an der von Gimpel et al. (2023a) vorgeschlagenen Vorgehensweise, die eine klare und aus unserer Sicht praxistaugliche Grundlage darstellt, die verwendeten KI-Tools, die Art und den Umfang ihrer Nutzung sowie die entsprechenden Stellen im Text, an denen diese Werkzeuge bzw. Hilfsmittel verwendet wurden, im Rahmen schriftlicher (Qualifizierungs-) Arbeiten nachvollziehbar und transparent zu dokumentieren.

Entwicklung

Wir möchten unsere Studierenden an (generative) KI im Allgemeinen und speziell auch an unsere Vorgaben zur Verwendung sowie die Nutzung von KI-Tools in einem im Kontext des Studiengangs relevanten Bereich heranführen. Deshalb haben wir einen im Rahmen des Moduls Industrielles Kunden- und Lieferantenmanagement bereits bestehenden Workshop zum Thema Angebotsanalyse und -erstellung zu einer dreiteiligen Workshop-Reihe weiterentwickelt. Das originäre Ziel, Studierende mit den Anforderungen an Angebotsdokumente im Vertrieb komplexer technischer Produkte auf Basis von VDI 4504, Blatt 2, vertraut zu machen, bleibt bestehen.

Im Fokus des ersten Workshops (1 x 90 Minuten) steht eine kompakte Einführung in die Grundlagen und Anwendungsfelder künstlicher Intelligenz. Ausgehend von der Definition des Begriffes „künstliche Intelligenz“ erläutern wir die verschiedenen Arten von KI-Systemen, um auf Basis eines gemeinsamen Grundverständnisses vermitteln zu können, wie generative KI-Systeme Inhalte erzeugen, welches Potenzial sie bieten und wo ihre Grenzen liegen. Darüber hinaus geben wir einen Überblick über KI-Tools für das wissenschaftliche Arbeiten und stellen in diesem Kontext die Vorgaben unseres Lehrstuhls zur Verwendung von KI-Tools vor.

Als erste Arbeitsaufgabe haben wir die Schritt-für-Schritt-Anleitung „Von Null auf ChatGPT“ (Gimpel et al. 2023b) in den Workshop integriert, um unseren Studierenden die Möglichkeit zu geben, (erste) eigene Erfahrungen im Umgang mit einer generativen KI zu sammeln, und um abschließend gemeinsam u. a. darüber reflektieren zu können, bei welchen Aufgaben eine generative KI sinnvoll unterstützen kann und bei welchen sie an ihre Grenzen stößt.

Der zweite Workshop (1 x 90 Minuten) entspricht dem aus dem bisherigen Veranstaltungskonzept übernommenen Workshop, der weiterhin den zentralen Dreh- und Angelpunkt bildet und zwei Arbeitsphasen beinhaltet: Das Ziel der ersten Arbeitsphase besteht darin, die inhaltlichen und formalen Anforderungen an Angebotsdokumente im Vertrieb komplexer technischer Produkte auf Basis von VDI 4504, Blatt 2, in vier zufällig gebildeten Kleingruppen zu erarbeiten. Dabei wird jeder Gruppe ein spezifischer Bereich der Richtlinie zur Analyse vorgegeben.

Darauf aufbauend besteht das Ziel der zweiten Arbeitsphase darin, ein fiktives Angebotsdokument in Bezug auf die Einhaltung der zuvor erarbeiteten Anforderungen kritisch zu überprüfen und Verbesserungspotenziale aufzuzeigen. Die Ergebnisse der Arbeitsphasen (vgl. Abbildung 1) werden auf einem miro-Board dokumentiert und abschließend durch eine:n Gruppensprecher:in im Überblick präsentiert.

Abbildung 1: Ergebnisse der ersten Arbeitsphase im zweiten Workshop (eigene Darstellung)

Der dritte Workshop (2 x 90 Minuten) bildet den Abschluss der Reihe und führt die Inhalte der vorangegangenen Workshops konsequent zusammen. Denn nachdem sich unsere Studierenden zunächst mit den Grundlagen generativer KI vertraut gemacht und anschließend die Anforderungen an Angebotsdokumente erarbeitet haben, steht nun die eigenständige Erstellung eines Angebotsdokumentes im Mittelpunkt. Auf Basis einer Produktbeschreibung und einer fiktiven Ausschreibung eines potenziellen Kunden besteht die Aufgabe darin, in Kleingruppen- oder Einzelarbeit ein Angebotsdokument zu entwickeln, das die zuvor erarbeiteten inhaltlichen und formalen Anforderungen erfüllt. Dort, wo Informationen fehlen, sind sie angehalten, eigene Annahmen zu treffen und kreativ zu werden – oder auf generative KI-Tools zurückzugreifen.

Die Aufgabenstellung ist dabei bewusst knapp formuliert und enthält auch keine konkreten Bearbeitungshinweise, etwa zum möglichen Vorgehen. Diese Reduktion dient als didaktisches Mittel, um das Vorgehen der Studierenden selbst zum zentralen Lern- und Reflexionspunkt zu machen: Während einige möglicherweise alle verfügbaren Informationen unreflektiert in ein KI-Tool eingeben, erkennen andere, dass ein qualitativ überzeugendes Ergebnis nur dann entsteht, wenn sie die KI gezielt instruieren und mit den inhaltlichen sowie formalen Anforderungen vertraut machen.

Am Ende des Workshops steht deshalb weniger das fertige Angebotsdokument im Vordergrund als vielmehr der Vergleich der unterschiedlichen Herangehensweisen – und damit die Erkenntnis, dass KI zwar schnelle Ergebnisse liefern kann, diese jedoch ohne fachspezifisches (Kontext-) Wissen und ohne „Training“ oberflächlich bleiben oder sogar gänzlich unbrauchbar sind.

Erfahrungen und Implikationen

Die erstmalige Umsetzung der Workshop-Reihe im Wintersemester 2024/2025 hat wertvolle Einblicke geliefert – und zugleich Grenzen deutlich gemacht. Entgegen unserer Erwartung war zu beobachten, dass sich ein Großteil der Studierenden darauf beschränkte, sämtliche verfügbaren Informationen in ein KI-Tool einzugeben und die Ergebnisse in weiten Teilen ungeprüft zu übernehmen. Im Ergebnis bleibt zu konstatieren, dass die Potenziale der KI in Anbetracht der zur kreativen Spielerei geradezu einladenden Aufgabenstellung nicht ausgeschöpft wurden, vgl. Abbildung 2.

Abbildung 2: Deckblatt eines Angebotes (links: studentisches Ergebnis; rechts: erwartetes Ergebnis) (eigene Darstellung)

Rückblickend liegt dies aus unserer Sicht jedoch weniger an den Studierenden als vielmehr an den Rahmenbedingungen: Drei kompakte Workshops innerhalb eines Moduls, das eher am Ende des Bachelorstudiums verortet ist, bieten schlichtweg zu wenig Raum, um ein reflektiertes Verständnis für den Umgang mit KI aufzubauen; und die knapp formulierte Aufgabenstellung zum dritten Workshop wird auch dazu beigetragen haben, dass Studierende die KI eher unstrukturiert nutzten.

Lessons Learned

• Geringe Kreativität der Ergebnisse: Die erarbeiteten Angebotsdokumente waren weniger kreativ, als aufgrund der Potenziale generativer KI erwartet.
• Unreflektierte Nutzung von KI-Tools: Studierende gaben Informationen unstrukturiert in die KI ein, ohne diese mit Kontext- und Fachwissen „anzuleiten“.
• Begrenzter Umfang der Workshops: Drei Workshops reichen nicht aus, um den reflektierten und souveränen Umgang mit KI nachhaltig zu fördern.

Die mit Abstand wichtigste Erkenntnis besteht deshalb darin, dass ein gezieltes Anleiten und Trainieren von KI-Systemen sowie die Einbettung von Fach- und Kontextwissen mehr Zeit und eine kleinschrittigere Heranführung und Begleitung unserer Studierenden erfordert; punktuelle Lernanlässe reichen nicht aus, um ein tiefgreifendes und reflektiertes Verständnis im Umgang mit generativer KI zu fördern. Deshalb haben wir ein Konzept entwickelt, das die Ausbildung von KI-Kompetenzen systematisch im Studiengang SEPM verankert, vgl. Abbildung 3.

Abbildung 3: Konzept zur Ausbildung von KI-Kompetenzen im Studiengang SEPM (vgl. Carolus et al. 2023)

Das Ziel besteht darin, unsere Studierenden schrittweise, praxisnah und entlang ihres Kompetenzniveaus im Studienverlauf für den souveränen und reflektierten Umgang mit KI-Tools zu qualifizieren. Die Integration der Inhalte erfolgt dabei nicht im Rahmen eines zusätzlichen Moduls, sondern durch die gezielte Erweiterung bestehender Module, sodass die Struktur des Studiengangs erhalten bleibt:

• In den frühen Semestern (1.–2. Semester) liegt der Schwerpunkt auf der Vermittlung grundlegenden Wissens sowie eines ersten Verständnisses zentraler Konzepte der künstlichen Intelligenz. Unsere Studierenden sollen lernen, was unter KI zu verstehen ist, wie sie technisch funktioniert und welche Anwendungsfelder insbesondere im industriellen Kontext existieren. Das übergeordnete Ziel besteht darin, ein solides Fundament zu schaffen, das technisches, begriffliches und konzeptionelles Grundverständnis vereint und die notwendige Basis bildet, um weiterführende Inhalte in den folgenden Semestern einordnen und reflektieren zu können.
• In den mittleren Semestern (3.–4. Semester) verschiebt sich der didaktische Fokus von der Wissensvermittlung hin zur Anwendung: Unsere Studierenden sollen lernen, KI-Tools gezielt in realitätsnahen Szenarien einzusetzen, bspw. zur Prognose, Analyse oder Optimierung in operativen Bereichen wie der Logistik oder der Unternehmenssteuerung. Im Rahmen von Fallstudien, Planspielen und praxisnahen Aufgabenstellungen sammeln sie erste Erfahrungen mit KI-gestützten Entscheidungen und reflektieren deren Nutzen und Grenzen. Das übergeordnete Ziel besteht darin, den Transfer des zuvor erworbenen Grundlagenwissens in konkrete Anwendungssituationen zu ermöglichen und zugleich die Selbstwirksamkeit im Umgang mit digitalen Werkzeugen zu stärken.
• In den späten Semestern (5.–6. Semester) liegt der Schwerpunkt auf der vertieften Analyse, kritischen Reflexion und ggf. auch auf der eigenständigen Gestaltung KI-basierter Lösungen. Unsere Studierenden setzen sich intensiv mit den Wirkmechanismen von KI-Systemen auseinander, lernen deren Einsatz in komplexen, mehrdeutigen Kontexten zu bewerten und sind in der Lage, dabei ethische und technische Aspekte zu berücksichtigen. Das übergeordnete Ziel besteht darin, sie dazu zu befähigen, eigene KI-basierte Lösungsansätze zu entwickeln, fundiert zu begründen und verantwortungsvoll in unternehmerische Prozesse einzubetten. Damit wachsen sie über die Rolle der Anwenderin bzw. des Anwenders hinaus und entwickeln sich zu reflektierten Gestalter:innen digitaler Technologien.

Zur Ergänzung und Absicherung unseres Konzeptes bietet sich ein begleitendes Kompetenz-Monitoring an, das die schrittweise Ausbildung von KI-Kompetenzen über den Studienverlauf hinweg systematisch erfasst. Die Idee besteht darin, die in Abbildung 3 auf der rechten Seite dargestellten Kompetenzbereiche frühen, mittleren und späten Semestern zuzuordnen und deren Entwicklung im Studienverlauf mit der von Carolus et al. (2023) entwickelten Meta AI literacy scale (MAILS) kontinuierlich zu erheben, um zwei wesentliche Ziele zu verfolgen:

• Globaler Kompetenzstand der Kohorte: Zu definierten Zeitpunkten (z. B. zu Beginn jedes Semesters) wird durch Selbsteinschätzung ein Überblick über den aktuellen Entwicklungsstand der gesamten Studierendengruppe erhoben.
• Gezielte Evaluation von Interventionen: Durch die Fokussierung auf den jeweils in spezifischen Semestern verankerten Kompetenzbereich lassen sich konkrete didaktische Maßnahmen hinsichtlich ihrer Wirksamkeit und ihrer Passung zum Lernzielniveau evaluieren.

Langfristig ergibt sich daraus ein vertieftes Verständnis für die Kompetenzentwicklung im Bereich KI und eine datenbasierte Grundlage für die kontinuierliche Weiterentwicklung einzelner Maßnahmen und des Curriculums insgesamt. Ein solches Monitoring kann zudem die Selbstwahrnehmung und Selbststeuerung unserer Studierenden fördern, da sie ihre Fortschritte bewusster erleben, reflektieren und gezielter weiterentwickeln können.

Potenziale des Konzeptes

Entscheidend ist aus unserer Sicht also nicht nur, was vermittelt wird, sondern wie es vermittelt wird – strukturiert, aufeinander aufbauend und eng verzahnt mit den Inhalten des Studiengangs, um es unseren Studierenden zu ermöglichen, KI-Kompetenzen parallel zum Fortschritt im Studium kontinuierlich aufzubauen und ihre Fähigkeiten im Umgang mit generativer KI Schritt für Schritt zu vertiefen und anzuwenden.

Durch die Orientierung an der Lernzieltaxonomie erfolgt die Kompetenzentwicklung nicht zufällig oder anlassbezogen, sondern strukturiert und didaktisch durchdacht. Unsere Studierenden durchlaufen bewusst verschiedene Stufen und erwerben dabei ein tiefgreifendes, vernetztes Verständnis im Umgang mit KI. Dies ist besonders relevant, weil der Einsatz von KI-Tools häufig, wie auch unsere Erfahrungen zeigen, mit oberflächlicher Nutzung verbunden ist. Der systematische Kompetenzaufbau hilft, Fehlanwendungen, blindes Vertrauen oder technikzentrierte Kurzsichtigkeit zu vermeiden.

Der Kompetenzaufbau ist dabei auf die Struktur des Studiengangs abgestimmt. Zu Beginn (1.–2. Semester) liegt der Fokus auf Orientierung und Begriffsklärung. Erst mit wachsendem Fach- und Kontextwissen (3.–4. Semester) folgt die Anwendung und schließlich (5.–6. Semester) die kritische Reflexion und gestalterische Integration in realitätsnahe Kontexte. Diese didaktische Passung zum Lernverlauf und zum Studienprofil hat aus unserer Sicht zwei wesentliche Vorteile: Erstens überfordern die Inhalte unsere Studierenden nicht zu früh, sondern fordern sie auf dem jeweils erreichten Kompetenz- und Wissensniveau. Zweitens entsteht eine natürliche Progression, die das Vertrauen in die eigene Handlungsfähigkeit im Umgang mit KI stärkt, was wiederum eine wichtige Voraussetzung für den nachhaltigen Kompetenzerwerb darstellt.

In Zeiten von ChatGPT & Co. genügt es nicht, dass Studierende ein KI-Tool nutzen können, sie müssen es zielgerichtet, verantwortungsvoll und kritisch einsetzen können. Unser Konzept fördert genau diese Haltung im Sinne einer reflektierten Medien- und Digitalkompetenz: Studierende lernen nicht nur, wie KI funktioniert, sondern auch, wo sie nützt, wo sie überfordert, wo sie Grenzen hat – und welche Rolle das eigene Fachwissen dabei spielt.

Ein zentrales Merkmal unseres Konzepts ist die Integration in den fachlichen Kontext bereits bestehender Module. Das hat zwei große Vorteile: KI wird nicht als abstrakte Zusatzthematik erlebt, sondern als praktisch relevantes Werkzeug zur Lösung konkreter Aufgaben im Maschinenbau, Vertrieb oder Produktmanagement. Die Studierenden entwickeln kontextuelle Urteilskraft, indem sie erkennen, dass KI nur dann nützlich ist, wenn sie mit fachlichem Know-how und spezifischen Problemstellungen verknüpft wird.

Der kompetente Umgang mit KI-Tools wird in nahezu allen Berufsfeldern zur Schlüsselqualifikation. Absolvent:innen, die gelernt haben, nicht nur mit KI zu arbeiten, sondern KI zu verstehen, kritisch zu reflektieren und sinnvoll in ihre Aufgaben zu integrieren, werden auf dem Arbeitsmarkt besonders gefragt sein. Mit unserem Konzept wollen wir deshalb auch einen Beitrag zur Erhöhung der beruflichen Anschlussfähigkeit leisten, indem wir den Umgang mit KI nicht als isoliertes Technikthema behandeln, sondern als integrierte Zukunftskompetenz im Studiengang systematisch aufbauen.

Die zunehmende Bedeutung von künstlicher Intelligenz macht deutlich, dass auch ingenieurwissenschaftliche Studiengänge stärker als bisher auf den Erwerb entsprechender Kompetenzen ausgerichtet sein sollten. Entscheidend ist dabei weniger die Einführung neuer Module, sondern vielmehr die systematische und didaktisch fundierte Integration von KI-Inhalten in bestehende fachliche Kontexte. Unser Konzept setzt genau hier an, indem es KI-Kompetenzen schrittweise im Studienverlauf verankert und es unseren Studierenden ermöglicht, sich praxisnah, reflektiert und entlang einer klaren Kompetenzentwicklung mit den Potenzialen und Grenzen generativer KI auseinanderzusetzen. Auf diese Weise entsteht kein zusätzlicher Lernaufwand, sondern ein curricularer Mehrwert sowohl in Bezug auf die fachliche Ausbildung als auch in Bezug auf die berufliche Anschlussfähigkeit.

Carolus, A., Koch, M. J., Straka, S., Latoschik, M. E. und Wienrich, C. 2023. „MAILS - Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well-founded competency models and psychological change- and meta-competencies“, Computers in Human Behavior: Artificial Humans, (1:2), S. 100014.

Geyer, B. 2025. „KI Tools für wissenschaftliches Arbeiten“, Padlet 9. Dezember 2025, abgerufen am 10. November 2025.

Gimpel, H., Hall, K., Decker, S., Eymann, T., Lämmermann, L., Mädche, A., Röglinger, M., Ruiner, C., Schoch, M., Schoop, M., Urbach, N. und Vandirk, S. 2023a. „Unlocking the Power of Generative AI Models and Systems such as GPT-4 and ChatGPT for Higher Education“.

Gimpel, H., Jung, C., Utz, L. und Wöhl, M. 2023b. „Von Null auf ChatGPT: Eine Schritt-für-Schritt-Anleitung, um sich mit der künstlichen Intelligenz vertraut zu machen“, Hohenheim: Universität Hohenheim.

Lordick, N. 2023. „Was sind textgenerierende Technologien?“, LEHRE LADEN – Portal für inspirierte Lehre des Zentrums für Wissenschaftsdidaktik 29. November 2023, abgerufen am 9. Dezember 2025.

Varsik, S. und Vosberg, L. 2024. „The potential impact of Artificial Intelligence on equity and inclusion in education“, OECD Artificial Intelligence Papers Nr. 23, OECD Publishing.