Eine Übersicht aller Sessions/Sitzungen dieser Veranstaltung. Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.
KI-Werkzeuge wie ChatGPT werden im deutschen Bildungssystem dauerhaft eine wichtige Rolle spielen – das scheint spätestens seit dem jüngsten Impulspapier der Ständigen Wissenschaftlichen Kommission der Kultusministerkonferenz (SWK, 2024) klar zu sein. Lehrkräfte sind aufgefordert, die Nutzung von KI-Werkzeugen nicht nur zu dulden, sondern selbst Expert*innen dafür zu werden. Zum einen, um Lernende zu einer kompetenten, verantwortlichen Nutzung anzuleiten; zum anderen, um die eigene Lehre zu unterstützen – etwa bei der Erstellung von Inhalten oder der Entwicklung intelligenter Tutoring-Systeme. Es drängt sich jedoch eine Frage auf: Woher nehmen die Hochschulen entsprechende KI-Werkzeuge?
Wir plädieren dafür, dass Hochschulen selbst zu Anbietern leistungsstarker Open-Source-Systeme (huggingface, 2024) werden. Das hätte mehrere Vorteile. Erstens würde sich das Bildungssystem nicht noch mehr von Großkonzernen abhängig machen (Bahr & Mayer, 2024) und hätte stattdessen verlässlichen Zugriff auf offene Systeme. Zweitens blieben die Daten an den Hochschulen – ein Vorteil im Sinne des Datenschutzes und eine Grundlage für die zukünftige Entwicklung eigener KI-Systeme. Drittens wären die Systeme transparent und erweiterbar – und damit auch beforschbar. Insbesondere ließen sie sich gezielt für Bedürfnisse Lernender und Lehrender weiterentwickeln und könnten dauerhaft konkurrenzfähig mit Systemen der Großkonzerne bleiben. Die nötige Expertise aus Informatik, Bildungsforschung, empirischen und normativen Disziplinen gibt es an vielen Hochschulen. Die erforderliche Infrastruktur (insbesondere Server mit starken Grafikkarten) käme nicht nur dem Betrieb von LLM sondern auch der Forschung insgesamt zugute.
Wir zeigen auf, welche strategischen Schritte Entscheider:innen in Politik und Hochschulen mittel- und langfristig gehen sollten, um mit Open-Source-Sprachmodellen die digitale Autonomie in der deutschen Hochschullehre zu stärken.
Literatur
Bahr, A. & Mayer, M. (2024). Auswege aus der digitalen Unmündigkeit. Frankfurter Allgemeine Zeitung, 10. Januar 2024, S.4. https://zeitung.faz.net/faz/geisteswissenschaften/2024-01-10/auswege-aus-der-digitalen-unmuendigkeit/979673.html
huggingface (2024). LMSYS Chatbot Arena Leaderboard. https://huggingface.co/spaces/lmsys/chatbot-arena-leaderboard [aufgerufen am 22.02.2024]
Kasneci, E.; u.a. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
SWK (2024). Large Language Models und ihre Potenziale im Bildungssystem. Impulspapier der Ständigen Wissenschaftlichen Kommission der Kultusministerkonferenz. https://www.kmk.org/fileadmin/Dateien/pdf/KMK/SWK/2024/SWK-2024-Impulspapier_LargeLanguageModels.pdf
12:00 - 12:30
Generative KI im Studium verantwortungsbewusst einsetzen – genAI Study Literacy wissenschaftsgeleitet erschließen
Jennifer Preiß, Nadia Blüthmann
Universität Hamburg, Deutschland
Das Aufkommen generativer KI hat Hochschulen vor neue Herausforderungen gestellt. Dabei verdeckt das vordergründige Problem, dass etablierte Prüfungsformate wie Hausarbeiten plötzlich hinterfragt werden müssen, um Missbräuche bzw. Betrugsversuche zu erschweren (Eke, 2023; Zhai, 2023), häufig die dahinterliegenden größeren Zukunftsfragen: Wie überzeugt man Studierende, dass ein gesicherter Informationszugang nicht über Prompts funktioniert? Was sind überhaupt noch „gesicherte Informationen“? Wie können ein digital divide (Lim et al., 2023) oder Deskilling (Reinmann, 2023) verhindert werden? Wie motiviert man Studierende, einen langen, manchmal mühsamen Lern- und Entwicklungsprozess zu durchlaufen, wenn es nun für Abschnitte davon eine bequeme Abkürzung gibt? Kurz: Wie vermittelt man genAI Study Literacy? Und wie lässt sich diese überhaupt definieren?
In unserem Beitrag möchten wir präsentieren, wie wir im Rahmen eines DBR-Projekts (Euler, 2014) vorgehen, um genAI Study Literacy zu definieren und zu fördern. Anders als bei anderen KI-Kompetenzrahmen (z.B. Long & Magerko 2020) gehen wir dabei gleichzeitig theoriegeleitet und praxisgestützt vor: Nach der theoriegestützten Entwicklung von Studierendenworkshops zum Einsatz generativer KI im Hochschulstudium wird in deren Rahmen – u. a. mithilfe von studentischen Positionspapieren – erhoben, wie die Studierenden einen verantwortungsbewussten Einsatz von generativer KI im Studium definieren. Diese Datenquelle wird qualitativ ausgewertet (Kuckartz 2018) und mit Ergebnissen aus Iterationen des Workshops sowie weiterer theoretischer Forschung zu AI Literacy (Long & Magerko 2020) und zu Risiken von generativer KI im Hochschulkontext (z.B. Lo 2023; Fecher et al. 2023) ins Verhältnis gesetzt, um schließlich einen Kompetenzrahmen für den verantwortungsbewussten Umgang mit generativer KI im Studium zu entwickeln.
In unserem Beitrag möchten wir unsere Vorgehensweise und unser Zwischenergebnis zur genAI Study Literacy präsentieren.
