KI schreibt mit – wer leistet was?

Eine KI kann heute in wenigen Sekunden einen Text produzieren, der auf den

ersten Blick erstaunlich wissenschaftlich klingt.

Und genau da beginnt das Problem. Denn ein Text kann hervorragend formuliert

sein – und trotzdem fachlich dünn, schlecht belegt oder sogar mit

fragwürdigen Quellen versehen sein.

Die spannende Frage lautet also nicht mehr nur: Hat jemand KI verwendet?

Sondern: Was hat die Person selbst geleistet? Welche Entscheidungen wurden

getroffen? Was wurde überprüft? Und lässt sich der Weg zum Ergebnis überhaupt noch

nachvollziehen?

Genau darum geht es heute.

VPH Lectures – dein Kanal für Fort- und Weiterbildung.

Herzlich willkommen bei VPH Lectures.

Bei der digi PH neun ging es unter anderem um die Frage, wie Hochschullehre

mit künstlicher Intelligenz umgehen kann, ohne wissenschaftliches Arbeiten auf das

Produzieren möglichst glatter Texte zu reduzieren.

Und ein Vortrag beziehungsweise Workshop hat dafür ein ziemlich konkretes Beispiel

geliefert. Im Mittelpunkt steht ein Seminar zum Schriftspracherwerb. Am Ende

verfassen die Studierenden eine Seminararbeit.

Und die Ausgangsbeobachtung dahinter dürfte vielen Lehrenden bekannt

vorkommen: Generative KI macht es unglaublich einfach, sehr schnell sehr

viel Text zu erzeugen. Im Vortrag wird beschrieben, dass solche Texte teilweise

ungeprüft übernommen werden – obwohl fachliche Tiefe, Übergänge oder

Quellenangaben nicht unbedingt stimmen müssen.

Das ist eigentlich ein interessanter Perspektivwechsel.

Denn man könnte auf diese Situation natürlich mit Verboten reagieren.

Stattdessen wird hier gefragt: Wie müsste eine Lehrveranstaltung aufgebaut sein,

damit Studierende KI verwenden können – und trotzdem zeigen müssen, wie sie zu

ihrem Ergebnis gekommen sind?

Und damit verschiebt sich der Fokus vom fertigen Text auf den Prozess.

Das ist wahrscheinlich einer der spannendsten Gedanken dieses Konzepts.

Eine Seminararbeit ist dann nicht mehr nur ein Dokument, das am Ende abgegeben

wird. Sichtbar werden auch die Schritte davor: Wie entsteht eine Fragestellung?

Wie wird mit KI kommuniziert? Welche Prompts werden verändert? Wie werden

Ergebnisse geprüft? Und welche Entscheidungen trifft der Mensch?

Der Aufbau des Seminars hilft dabei. Es gibt drei größere Lerneinheiten.

Zuerst geht es darum, eine geeignete Fragestellung zu entwickeln.

Danach folgt die Literaturrecherche.

Und im dritten Schritt geht es um das Überarbeiten eines Textes.

Das klingt zunächst fast klassisch.

Spannend wird es dadurch, dass KI nicht einfach am Ende zum Schreiben dazukommt,

sondern in diese einzelnen Schritte eingebaut wird.

Nehmen wir gleich die erste Phase: die Fragestellung.

Im vorgestellten Seminar soll sie einen Bezug zum Schriftspracherwerb und zu

künstlicher Intelligenz herstellen – also zum Beispiel danach fragen, welche

Potenziale oder Chancen KI in diesem Bereich haben könnte.

Und die KI liefert diese Frage nicht einfach fertig.

Die Studierenden bekommen zunächst Prompts als Ausgangspunkt. Diese sollen

sie verändern, erweitern oder durch eigene Prompts ersetzen.

Das ist ein kleiner Unterschied mit ziemlich großer Wirkung.

Ja. Denn ein vorgegebener Prompt kann sehr bequem sein: kopieren, abschicken,

Ergebnis übernehmen.

Hier wird aber gerade die Anpassung selbst zur Aufgabe.

Die Studierenden müssen überlegen: Passt dieser Prompt überhaupt zu meiner

Fragestellung? Was fehlt? Was muss präziser werden? Und wenn er nicht

funktioniert – wie formuliere ich ihn anders?

Die angepassten beziehungsweise selbst entwickelten Prompts werden anschließend

wiederum dokumentiert. Genau dieser Schritt ist im Vortrag ausdrücklich Teil

der Aufgabenstellung.

Und damit kommen wir zu einem Punkt, der für Prüfungen und Seminararbeiten in

Zeiten generativer KI besonders interessant ist:

Wie macht man Eigenleistung überhaupt sichtbar?

Eine Antwort des vorgestellten Konzepts lautet: indem man nicht nur das Ergebnis

anschaut.

Die Studierenden arbeiten mit einem virtuellen Klassenzimmer und speichern

ihre Promptverläufe. Diese werden später im Lernmanagementsystem hochgeladen.

Und laut Vortrag fließt ausdrücklich nicht nur das Endprodukt in die Bewertung

ein, sondern auch der Prozess – also zum Beispiel, wie mit der generativen KI

gearbeitet und kommuniziert wurde.

Das verändert natürlich auch die Bedeutung eines Prompts.

Ein Prompt ist dann nicht bloß ein technischer Befehl an eine Maschine.

Er wird zu einem kleinen Dokument einer Denkentscheidung.

Genau.

Und noch etwas ist daran interessant: Ein Promptverlauf beweist natürlich nicht

automatisch, dass eine wissenschaftliche Arbeit gut ist.

Aber er macht einen Teil des Arbeitswegs sichtbar.

Man kann nachvollziehen, wo nachgefragt wurde, wie eine Aufgabe eingegrenzt

wurde, wo etwas verändert wurde und wie sich die Arbeit entwickelt hat.

Man bewertet also nicht „wie schön kann jemand prompten“.

Nein. Im besten Fall bewertet man, ob jemand ein Werkzeug bewusst in einen

wissenschaftlichen Arbeitsprozess integriert.

Und das ist ein deutlicher Unterschied.

Dazu passt auch ein zweiter Punkt aus dem Vortrag: Transparenz bei der Bewertung.

Die Studierenden bekommen nicht erst am Ende irgendeine Note, sondern bereits im

Seminar eine Vorlage für die Seminararbeit und ein Bewertungsraster.

Sie wissen also vorher, nach welchen Kriterien ihre Arbeit beurteilt wird.

Gerade bei KI ist das enorm wichtig.

Denn sonst bleibt völlig unklar, was eigentlich erlaubt oder erwünscht ist.

Darf KI bei der Ideenfindung helfen?

Bei der Recherche?

Beim Formulieren?

Beim Überarbeiten?

Muss ich meinen Einsatz dokumentieren?

Was zählt noch als Eigenleistung?

Solche Fragen verschwinden nicht dadurch, dass man sagt: „Verwendet KI

verantwortungsvoll.“.

Man muss sichtbar machen, was Verantwortung in dieser konkreten Aufgabe

bedeutet.

Ein weiterer Baustein ist deshalb Grundlagenwissen.

Bevor die Studierenden mit den eigentlichen Aufgaben starten,

beschäftigt sich das Seminar damit, was künstliche Intelligenz und generative KI

überhaupt sind und wo Unterschiede zwischen verschiedenen Anwendungen

liegen.

Dafür werden unter anderem kurze Videos und kleine Fragebögen verwendet. Die

Materialien sind so angelegt, dass sie auch im Selbststudium bearbeitet werden

können.

Und damit sind wir wieder bei High-Flex-Lehre. Darüber haben wir ja in

einer anderen Folge schon berichtet.

Beim High Flex Modell soll ja die Lehrveranstaltung so organisiert sein,

dass Studierende synchron vor Ort, online zugeschaltet oder im Selbststudium

arbeiten können.

Das hat natürlich Konsequenzen für die Gestaltung.

Aufgabenstellungen, Materialien, Zeitrahmen und Bewertungskriterien müssen

so klar sein, dass jemand auch ohne permanente Begleitung verstehen kann: Was

muss ich hier eigentlich tun?

Eigentlich ist das ein guter Qualitätscheck für Lehrveranstaltungen

allgemein.

Wenn eine Aufgabe nur funktioniert, solange die Lehrperson danebensteht und

sie erklärt, ist vielleicht nicht nur das Selbststudium das Problem.

Absolut.

Und im Vortrag wird noch etwas Interessantes beschrieben: Fragen aus

synchronen Veranstaltungen werden gesammelt und im Lernmanagementsystem

dokumentiert.

Dadurch profitieren später auch jene Studierenden davon, die nicht

gleichzeitig dabei waren.

Zurück zur KI.

Denn mit der Wahl des Werkzeugs kommt noch eine zweite Ebene dazu: Datenschutz.

Und hier wird Datenschutz nicht nur als juristische Fußnote behandelt.

Im Vortrag wird beschrieben, dass bewusst unterschiedliche KI-Werkzeuge vorgestellt

und auch universitäre Vorgaben beziehungsweise geprüfte Umgebungen

berücksichtigt werden.

Die Studierenden sollen sich damit auseinandersetzen, welche Daten sie einem

System überhaupt geben, wo diese verarbeitet werden und unter welchen

Bedingungen ein Werkzeug verwendet wird.

Das finde ich didaktisch fast wichtiger als die Frage, welches konkrete Tool

gerade verwendet wird.

Tools ändern sich schnell.

Die Frage „Welche Informationen gebe ich hier eigentlich preis?“ bleibt.

Und genau das lässt sich auf viele Lehrveranstaltungen übertragen.

Nicht: Wir verwenden jetzt Tool X, weil Tool X gerade populär ist.

Sondern: Welche Aufgabe haben wir? Welche Daten entstehen dabei? Welches Werkzeug

passt dazu? Und welche Grenzen müssen Studierende kennen?

Es gibt noch einen Aspekt, den ich besonders interessant finde.

Die Studierenden dürfen bei der Entwicklung ihrer Ideen durchaus

gemeinsam arbeiten.

Am Ende braucht aber jede Person eine eigene Fragestellung, weil auch die

Seminararbeit individuell verfasst wird.

Die unterschiedlichen Fragestellungen werden auf digitalen Karten sichtbar

gemacht. Dadurch kann die Gruppe sehen, welche Ansätze bereits existieren und

woran andere arbeiten.

Das ist eigentlich ein schönes Beispiel dafür, dass Eigenleistung nicht bedeuten

muss, dass alle isoliert voneinander arbeiten.

Austausch ist erlaubt.

Ideen dürfen gemeinsam entstehen.

KI darf unterstützen.

Aber irgendwann muss eine individuelle fachliche Entscheidung getroffen werden.

Und genau diese Entscheidungen versucht das Konzept sichtbar zu machen.

Wenn wir das alles zusammennehmen, steckt darin vielleicht eine größere Antwort auf

die Frage, wie wissenschaftliches Arbeiten mit KI aussehen kann.

Nicht die KI-Nutzung an sich entscheidet über die Qualität einer Arbeit.

Sondern der Umgang damit.

Kann jemand eine eigene Frage entwickeln?

Kann jemand einschätzen, ob eine Antwort fachlich sinnvoll ist?

Kann jemand Quellen überprüfen?

Kann jemand erkennen, wann ein Text zwar gut klingt, aber inhaltlich nicht trägt?

Kann jemand begründen, warum ein bestimmter Arbeitsschritt sinnvoll war?

Und kann dieser Prozess nachvollziehbar dokumentiert werden?

Dann verschiebt sich auch die Frage nach der Eigenleistung.

Eigenleistung bedeutet nicht mehr zwingend, jeden einzelnen Satz ohne

technisches Hilfsmittel geschrieben zu haben.

Aber sie bedeutet weiterhin, Verantwortung für das Ergebnis zu

übernehmen.

Die KI kann formulieren.

Sie kann Vorschläge machen.

Sie kann bei der Strukturierung helfen.

Aber sie nimmt Studierenden nicht die Verantwortung dafür ab, zu entscheiden,

was davon fachlich brauchbar ist.

Und vielleicht ist genau das die wichtigste Botschaft dieses Beispiels:

Wenn generative KI Teil des wissenschaftlichen Arbeitens wird, muss

Lehre nicht weniger anspruchsvoll werden.

Sie kann an anderen Stellen anspruchsvoller werden.

Weniger Gewicht auf das bloße Produzieren von Text.

Mehr Gewicht auf Fragen, Entscheidungen, Quellenkritik, Reflexion und

nachvollziehbare Arbeitsprozesse.

Im Vortrag wurde übrigens angekündigt, dass die drei Lerneinheiten zum Finden

einer Fragestellung, zur Literaturrecherche und zum Überarbeiten

im Rahmen von OER zur Verfügung gestellt und für eigene Kontexte angepasst werden

können.

Das ist eine Aussage aus dem damaligen Vortrag – nicht die Behauptung, dass

jeder dort gezeigte Zugang heute noch unverändert erreichbar ist.

Und damit schließen wir für heute auch den Kreis zur digi PH neun.

Mit einem kleinen Blick nach vorne: Nach der neunten Ausgabe steht als Nächstes

die zehnte digi PH an – also ein kleines Jubiläum.

Dazu wird es hier natürlich wieder mehr zu hören geben.

Für heute bleibt aber eine Frage, die wahrscheinlich noch länger aktuell sein

wird:

Nicht: Hat die KI mitgeschrieben?

Sondern:

Was hat der Mensch daraus gemacht?

Danke fürs Zuhören bei VPH Lectures.

Bis zur nächsten Folge.

... Und an dieser Stelle noch ein kleiner Hinweis: Auch hier hat ein Mensch KI

verwendet, um diese Folge zu erstellen. Diese Podcastfolge wurde auf Grundlage

eines aufgezeichneten Beitrags der digi PH neun erstellt. Die Sprecherstimmen

sind KI-generiert.