Portal:Künstliche Intelligenz/Künstliche Intelligenz für Lehrende

Überblick: Einsatz von KI für Hochschullehrende

Die Integration generativer Künstlicher Intelligenz (KI) in den Hochschulkontext bietet Lehrenden vielfältige Möglichkeiten, ihre Arbeit effizienter zu gestalten, didaktische Konzepte zu erweitern und neue Formen des Wissenstransfers zu erproben.

• Optimierung von Lehrmaterialien: Generative KI kann bei der Erstellung von Vorlesungsskripten, Foliensätzen und Handouts unterstützen. Sie hilft, komplexe Sachverhalte strukturiert und verständlich aufzubereiten, ermöglicht eine zielgruppenorientierte Anpassung der Inhalte und kann Materialien in verschiedenen Stilen oder Schwierigkeitsgraden generieren oder umformulieren.
• Ergänzende, individuelle Betreuung der Studierenden: Durch KI-gestützte Lernbegleiter lassen sich ergänzende, personalisierte Hilfestellungen für Studierende realisieren. Chatbots oder automatisierte Tutoren können häufige Fragen beantworten, zusätzliche Übungsaufgaben generieren oder Lernfortschritte analysieren, um gezielte Rückmeldungen zu geben. Ein spannendes Thema sind RAG's. Retrieval Augmented Generation (RAG) ist eine Technik zur Verarbeitung natürlicher Sprache, die die Stärken von abfragebasierten und generativen Modellen der künstlichen Intelligenz kombiniert. Mit einem RAG "befragen" Sie über einen Chat definierte Ordnerinhalte oder Datenbanken, die Sie selbst gefüllt haben (z.B. alle Ihre Vorlesungsskripte). Wir haben eine Anleitung für ein RAG bei der GWDG erstellt, mit der Sie bereits jetzt und relativ schnell einen Chatbot umsetzen können.
• Unterstützung bei Korrektur und Feedback: Die Bewertung schriftlicher Arbeiten kann durch generative KI erheblich erleichtert werden. Sie ist in der Lage, Texte hinsichtlich Stil, Kohärenz und Argumentationsstruktur zu analysieren, sprachliche Rückmeldungen zu geben und erste Einschätzungen zu formulieren. Zwar bleibt die endgültige Bewertung unabdingbare Aufgabe der Lehrenden, doch kann die KI eine wertvolle Vorselektion und Unterstützung bieten.
• Forschungsunterstützung: In der wissenschaftlichen Arbeit eröffnet generative KI neue Möglichkeiten zur Literaturrecherche, zur Identifikation relevanter Quellen sowie zur Zusammenfassung komplexer Theorien. Auch bei der Datenanalyse und der Generierung von Hypothesen kann sie Forschende effizient unterstützen.
• Didaktische Innovationen: Generative KI kann neue Wege der Wissensvermittlung eröffnen. Interaktive Lehrformate, simulationsbasierte Lernumgebungen oder KI-generierte Fallstudien ermöglichen es, Lehrveranstaltungen dynamischer und praxisnäher zu gestalten. Zudem kann die KI neue Diskussionsimpulse setzen und die kritische Reflexion über ihren eigenen Einfluss auf Wissenschaft und Gesellschaft fördern.

Reflektierende KI-Kompetenz fördern

Die Fähigkeit, Künstliche Intelligenz (KI) zu nutzen, zu bewerten und einzusetzen, ist zunehmend als Schlüsselkompetenz in der Hochschulbildung sowie in der beruflichen Praxis einzuschätzen. Ein Verständnis zur Funktionsweise von KI reicht dabei nicht mehr aus – Studierende müssen auch in der Lage sein, die ethischen und praktischen Implikationen der Technologie zu begreifen. Besonders wichtig ist, dass sie die Grenzen der KI erkennen und verstehen, wie diese zum Erzeugen von Deep Fakes und Fake News missbraucht werden können – ein Problem, das im akademischen Kontext zunehmend relevant wird.

Um diese kritisch-reflektierende KI-Kompetenz zu fördern können Lehrende KI-gestützte Werkzeuge gezielt in den Lehrprozess integrieren. Dabei sollten solche Werkzeuge nicht nur als Hilfsmittel für die Erledigung von Aufgaben genutzt werden, sondern auch Ausgangspunkt für reflexive Lernprozesse sein. So können Studierende beispielsweise selbst KI-generierte Texte erstellen, diese überarbeiten und die Grenzen der KI-Technologie untersuchen. Ziel ist es, in einem strukturierten Reflexionsprozess ein Verständnis darüber zu erlangen, dass KI oft mit Fehlern oder Verzerrungen arbeitet, aber auch spannende und überraschende Lösungen präsentieren kann.

Aus didaktischer Sicht kann der Einsatz von KI-Tools dazu beitragen, Lernziele auf höheren Taxonomiestufen zu erreichen. So werden Aufgaben wie das einfache Zusammenfassen von Texten oder die Wiederholung von bereits erlerntem Wissen technologisch wesentlich vereinfacht, was daher nicht mehr im Fokus von Püfungsleistungen stehen sollte. Stattdessen können Lehrende komplexere und die Kreativität fördernde Aufgaben formulieren, die analytisches und evaluierendes Denken erfordern. Zum Beispiel könnten Studierende verschiedene Perspektiven zu einem Thema zu analysieren, die Zuverlässigkeit von KI-generierten Quellen bewerten oder ethische Fragestellungen im Zusammenhang mit der Nutzung von KI diskutieren. Dies fördert nicht nur die kritische Reflexion über die Technologie, sondern auch die Entwicklung von Fähigkeiten wie Problemlösungskompetenz, Kreativität und kritischem Denken, die im späteren Berufsleben von zentraler Bedeutung sind.

Prüfungen, Studienleistungen und Prüfungsbewertung

Einen kleinen Eindruck darüber, wie Studierende aktuell mit KI umgehen und bereits einsetzen, finden Sie in unseren KI-Fragenvideos und einigen Umfrageergebnissen.

Auch wenn der nachvollziehbare Wunsch nach einer eindeutigen und rechtssicheren Prüfung studentischer Texte besteht, ist nach gegenwärtigem Kenntnisstand ein konkreter Nachweis von unerlaubter KI-Nutzung nach wie vor unmöglich. Zwar können KI-Detektoren eine gewisse Wahrscheinlichkeit der KI-Unterstützung angeben, aber auch hier fehlen noch entsprechende juristische Entscheidungen, wie mit diesen Prozentangaben konkret umzugehen ist.

Generell stellt die Verfügbarkeit von generativer KI alle Prüfenden vor neue Herausforderungen. Es ist schwieriger geworden, die Eigenleistung der Studierenden allein anhand eines eingereichten Textes sicherzustellen (was allerdings auch schon zuvor nicht eindeutig war). Prüfungsrechtlich bleibt auch bei teilweise erlaubter KI-Nutzung erforderlich, dass eine Prüfungsleistung über die individuelle Leistung der Studierenden Auskunft geben kann. Bewertet wird, ob das Ziel des Moduls/ des Studiengangs erreicht ist. Dies setzt eine überwiegende (geistige) Eigenleistung der Studierenden voraus, die über ergänzende Prüfungsformate (z.B. schriftliche Klausur unter Aufsicht) oder auf höhere Taxonomiestufen ausgerichtete Aufgabenstellungen überprüft werden kann.

Empfehlungen:

• Generative KI sollte konstruktiv in die Aufgabenbearbeitung eingebunden werden. Aufgaben sollten so gestellt werden, dass sie nicht vollständig von einer KI gelöst werden können.
• Lehrende sollten mit den Studierenden die Werte der Transparenz und Nachvollziehbarkeit in wissenschaftlichen Arbeiten thematisieren. Studierenden sollte deutlich gemacht werden, dass, auch wenn KI-Generierungen verwendet werden, die Verantwortung für diese Texte bei den Studierenden verbleibt. Für die Arbeiten der Studierenden sollte ein Rahmen für die Nutzung von generativen KI-Anwendungen für Prüfungsleistungen gesetzt und frühzeitig kommuniziert werden.
• Auch die Varianten der Eigenständigkeitserklärung bzw. der Nachweise sind frühzeitig festzulegen. Es wird empfohlen, bei (teilweiser) KI-Erlaubnis von den Studierenden mindestens den Namen des verwendeten Tools und den jeweiligen Verwendungszweck in der Eigenständigkeitserklärung auflisten zu lassen. Beispiele für Verwendungszwecke sind: Ideenfindung, Erstellung einer Gliederung, Erstellung von Textpassagen, Erstellung von Datenvisualisierung, Verarbeitung von Daten, Optimierung/Korrektur/Übersetzung von Text. Nicht anzugeben sind z.B. Rechtschreibprüfung und Thesaurus. Zusätzlich sollte als Selbstreflexion eine kurze Erläuterung der Verwendungszwecke den Umfang der Eigenleistung und den konkreten Nutzen der Mensch-Maschine-Interaktion reflektieren (siehe auch KI-Leitlinie der MLU).

Es sei ausdrücklich darauf hingewiesen, dass eine automatisierte Notenvergabe bei studentischen Prüfungsleistungen durch eine KI untersagt ist, auch wenn umfangreiche Bewertungskriterien erstellt wurden. Allerdings ist ein KI-Einsatz bei der Erstellung von zusätzlichen Prüfungsfragen oder (wie bei MC-Prüfungen) zusätzlicher Distraktoren möglich, wenn vor Einsatz der Fragen zwei menschliche Prüfer diese bestätigt haben. Prüfungsbewertung ist ein extrem sensibler Bereich, der nicht von ungefähr durch die EU-KI-Verordnung als “Hochrisiko” eingestuft wurde und entsprechende Voraussetzungen erfordert.          

Ein fachspezifischer Diskurs zu Fragen der Gesamtleistung einer Mensch-Maschine-Interaktion, zu datenschutzrechtlichen Fragen und Herausforderungen der Chancengerechtigkeit ist im Sinne des “Herantastens” an sich verändernde Prüfungsbedingungen zu begrüßen. Eventuell lassen sich auch Verfahren aus der Bewertung von Gruppenleistungen übertragen. Dies zu reflektieren und praktisch umzusetzen ist jedoch ein länger andauernder Prozess (siehe auch unten unser Angebot “Lehrendendiskurs”).

Links

Leitlinien der Martin-Luther-Universität

Weiterbildungsangebote des LLZ

Chatkanal des Arbeitskreises

Lehrendendiskurs zu KI in der Lehre