Bei der Planung meiner Lehre fürs nächste Semester beschäftigt mich eine Frage besonders: Welche Rolle soll, kann oder muss Künstliche Intelligenz darin spielen? Und vor allem: Wie kann ich Künstliche Intelligenz so einsetzen, dass sie das Lernen meiner Studierenden unterstützt, ohne ihnen wichtige Lernprozesse abzunehmen?
Diese Frage stand an den GenAI in Teaching and Learning Days, die vom 8. bis 12. Juni bereits zum zweiten Mal stattfanden, im Fokus. In insgesamt zehn Online-Veranstaltungen präsentierten Lehrende und Expert:innen Good-Practice-Beispiele aus der Hochschullehre und gaben Einblicke in erprobte Einsatzszenarien für KI. Sehr hilfreich war dabei, dass viele der Beiträge an den GenAI-Days Hands-on-Materialien lieferten, konkrete Beispielprompts und praktische Tipps für das Weiterverwenden und Adaptieren in der eigenen Lehre gaben.
In diesem Blogbeitrag greife ich einige Impulse aus den GenAI-Days auf und frage, wie sie sich für meine eigene Lehre im nächsten Semester nutzen lassen. Dabei stehen drei Aspekte im Fokus: die Planung der Lehre, die konkrete Ausgestaltung einer Lernaktivität und die Förderung einer KI-bezogenen Kompetenz. Es geht also nicht um eine vollständige Rückschau, sondern um ausgewählte Anregungen für meine eigene Lehrplanung. Vielleicht sind diese Überlegungen auch für andere Lehrende hilfreich, die sich derzeit ähnliche Fragen stellen.
Vielleicht lässt du dich ebenfalls inspirieren?
Auf der Webseite findest du weitere Informationen zu den GenAI-Days in Teaching and Learning und kannst dich auch für den Newsletter anmelden. Wer an den Aufzeichnungen interessiert ist, kann sich an die genannten Kontaktpersonen wenden.
Lehre planen: Mit guten Prompts zum Constructive Alignment
Wenn ich mit der Planung einer Lehrveranstaltung beginne, setze ich mich als Erstes mit den Lernzielen auseinander. Welche Lernziele sollen die Studierenden erreichen? Welche Kompetenzen sollen sie am Ende der Lehrveranstaltung erworben haben? Welche fachlichen und vielleicht auch überfachlichen Kompetenzen sollen sie entwickeln? Daraus ergeben sich unmittelbar weitere Fragen: Welche Lehr-Lern-Aktivitäten braucht es, um diese Lernziele zu erreichen? In welchem Format sollen diese angeboten werden? Und schliesslich: Wie kann ich überprüfen, ob die formulierten Lernziele erreicht wurden – gerade auch im Kontext von Künstlicher Intelligenz?
Mit diesen Fragen sind wir beim didaktischen Kernstück der Lehre: dem Constructive Alignment. Gemeint ist damit, dass Lernziele, Lehr-Lern-Aktivitäten und Leistungsnachweise aufeinander abgestimmt sind. Bis ein Constructive Alignment steht, braucht es meist mehrere Überarbeitungsschlaufen: Lernziele müssen präzise und überprüfbar formuliert, Lehr-Lern-Aktivitäten darauf abgestimmt und passende Formen der Überprüfung entwickelt werden. An den GenAI-Days wurde gezeigt, wie Künstliche Intelligenz mich dabei nicht als Autorin oder Autorität, sondern als Sparringpartner unterstützen kann: Künstliche Intelligenz kann meinen Ideenraum erweitern, Varianten vorschlagen und mich bei der Reflexion und Qualitätsüberprüfung unterstützen.
Dazu braucht es jedoch gezielte Prompts, die beispielsweise folgende Angaben enthalten können:
- Inhaltliche Grundlage: Schlüsselbegriffe und abzudeckende Aspekte
- Adressatengruppe
- Curriculare Einbettung
- Taxonomische Ausrichtung, z. B. Taxonomie nach Bloom
- Lehr-Lern-Format, z. B. Seminar, projektbasiertes Lernen etc.
- Anforderungen an die Formulierung, z. B. kompetenzorientierte, SMARTe (also spezifische, messbare, aktivierende, realistische, terminierte) und überprüfbare Lernziele
Mit solchen klar formulierten, strukturierten Prompts kann Künstliche Intelligenz als Werkzeug dienen, um didaktisches Denken zu schärfen und die Auseinandersetzung mit dem Constructive Alignment zu fördern. Auf den Folien des Beitrages von Lukas Loeffel und Margherita Valle (UZH) findest Du solche Beispielprompts zum Weiterverwenden und zum Adaptieren für Deine eigene Lehre.
Lehre durchführen: Personalisiertes Lernen ermöglichen durch KI
Bei meinen Studierenden beobachte ich oft, dass der Bezug zur eigenen Lebenswelt die Motivation stark erhöht. Können die Studierenden Fallbeispiele aus Kontexten bearbeiten, die sie persönlich interessieren, unterstützt dies ihren Lernprozess und erleichtert den Transfer abstrakter Inhalte auf konkrete Situationen. Als Dozierende stehe ich jedoch vor der Herausforderung, dass der Aufwand für das Entwerfen solcher personalisierten Fallbeispiele sehr hoch ist und mein eigener Ideenraum dafür irgendwann ausgeschöpft ist. Mithilfe von Künstlicher Intelligenz können Fallbeispiele jedoch persönlicher, interessanter und damit motivierender gestaltet werden. Auch hier braucht es gut strukturierte Prompts, um personalisierte Lehr-Lern-Aktivitäten und Leistungsnachweise zu entwickeln und zugleich deren Vergleichbarkeit zu gewährleisten.
Was brauche ich zur Erstellung personalisierter Fallbeispiele und wie gehe ich vor?
Dazu braucht es mehrere Komponenten:
- ein Fallbeispiel-Template, das Titel, Untertitel, Struktur und Umfang der einzelnen (Unter-)Kapitel festlegt
- eine nicht-anonyme Online-Umfrage, mit der Interessen und relevante Kontexte der Studierenden erhoben werden. Wichtig ist dabei, transparent zu machen, wofür die Angaben verwendet werden.
- ein Prompt-Template, in dem die Aufgabe klar formuliert wird und sowohl das Fallbeispiel-Template als auch die Angaben aus der Umfrage einfliessen
So können Lernaktivitäten und Leistungsnachweise entstehen, die thematisch an den Interessen der Studierenden ausgerichtet sind und gleichzeitig einer einheitlichen Struktur folgen. Dadurch bleiben sie im Schwierigkeitsgrad sowohl für die Bearbeitung als auch für die Beurteilung gut vergleichbar. Beides kann sich positiv auf die Motivation der Studierenden auswirken.
Konzipiert und erprobt wurde dieser Ansatz von Philipp Bachmann. Wer das ebenfalls selbst ausprobieren möchte, findet in seiner Publikation auf Zenodo eine konkrete Anleitung mit Beispielprompts.
KI-Kompetenzen fördern: Informationen beschaffen
Neben den fachlichen Kompetenzen erwerben Studierende in Lehrveranstaltungen auch überfachliche Kompetenzen wie KI-Kompetenz (oder sog. AI-Literacy). Mit dem Aufkommen Künstlicher Intelligenz hat sich die Informationsbeschaffung stark verändert.
Studierende stehen heute vor neuen Fragen: Wie unterscheiden sich klassische Suchinstrumente (wie Fachdatenbanken oder swisscovery) und KI-basierte Textanalyse-Tools? Welche Qualitäten (wie wissenschaftliche Qualität, Geschwindigkeit, Detailgrad, Anpassungsfähigkeit etc.) müssen die Informationen, die wir brauchen, aufweisen? Für welche Zwecke (Vorträge, Modul-Arbeit, BA- oder MA-Thesis etc.) brauchen wir welche Qualitäten der Informationen? Und wie gelangen wir möglichst gezielt zu dieser Information?
Im derzeitigen Stand der KI-Entwicklungen kann ein Zwei-Schritte-Prinzip vorgeschlagen werden: die Verbindung von klassischer Literatursuche mit swisscovery oder Fachdatenbanken und Text-Analyse-KI-Chats. Einerseits erwerben die Studierenden dadurch Know-how in klassischer Literaturrecherche. Andererseits lernen sie auch gezieltes Prompting für die Literatursuche. Wie Gian-Andri Töndury in seinem Beitrag aufgezeigt hat, helfen auch hier gut strukturierte Prompts, beispielsweise mit folgenden Angaben:
- konkrete Aufgaben formulieren (z. den Text zusammenfassen lassen, offene Fragen oder Grenzen nennen)
- die Relevanz des Textes überprüfen lassen (z. zu ihrer eigenen Fragestellung, Ausarbeitung besonders relevanter Textteile bzw. weniger relevanter Textteile)
- Suchbegriffe generieren lassen, die sich wiederum für die klassische Literatursuche verwenden lassen
Gerade beim Einsatz von KI in der Literaturrecherche wurde für mich nochmals deutlich: KI-Kompetenzen entstehen nicht nebenbei, sondern müssen bewusst angeleitet, reflektiert und eingeübt werden.
KI-Verwendung: Menschliche Kontrolle und Transparenz sicherstellen
Zwei Grundsätze nehme ich aus den Beiträgen mit:
- Generative Künstliche Intelligenz erleichtert bzw. ermöglicht vieles, das ohne diese Unterstützung kaum denkbar wäre. Dennoch bleiben manuelle Kontrolle, menschliche Reflexion und sorgfältige Nachbereitung unverzichtbar.
- Wenn Dozierende generative Künstliche Intelligenz für die Planung und Gestaltung ihrer Lehre verwenden, sollte dies den Studierenden transparent kommuniziert werden. Dazu gehört beispielsweise auch, verwendete strukturierte Prompts zugänglich zu machen. So wird den Studierenden vorgelebt, wie Künstliche Intelligenz sinnvoll eingesetzt werden kann, wo ihr Potenzial liegt und wo aber auch Herausforderungen bestehen. Die transparente Verwendung von Künstlicher Intelligenz wird damit selbst zu einem Teil der Lehre – ganz im Sinne von: Walk the talk!
Nun wünsche ich Dir viel Freude und Inspiration dabei, das Potential von generativer KI für Deine eigene Lehre zu entdecken und passende Einsatzmöglichkeiten zu finden.