Der Beitrag zielt darauf ab, das Lehr-Lernkonzept zum Einsatz ausgewählter KI-Tools in interdisziplinären Lerngruppen eines Seminars im Wahlbereich darzustellen, das als Blended Learning und Flipped Classroom konzipiert ist. In der Vorbereitungsphase nutzen die Studierenden Open Educational Resources (OER) zu Themen wie KI, Lernverfahren und Mensch-Maschine-Interaktion, um individuelle Vertiefungsrichtungen in Bereichen wie Medizin, Gesundheit, Wirtschaft oder Ethik zu wählen. Diese Inhalte werden selbstorganisiert erarbeitet, um in Präsenzphasen vertieft und reflektiert zu werden. In den Präsenzphasen kommen verschiedene KI-Tools zum Einsatz, die je nach Schwerpunkt variieren: Übersetzungs- und Textgenerierungstools für Grundlagen, die Google Teachable Machine für Mensch-Maschine-Interaktion, zwei KI-Symptomchecker für den Lernbereich Medizin und Gesundheit sowie die Moral Machine und drei Learning Apps für den Lernbereich Ethik und Ökonomie. Die Studierenden nutzen diese Tools zur Bearbeitung exemplarischer Lernaufgaben und reflektieren anschließend in der Gruppe über Anwendung, Interaktion und Ergebnisse. Das Reflexionsmodell von Driscoll strukturiert diesen Prozess in die Schritte WHAT, SO WHAT und NOW WHAT, wobei die Lernenden ihre Erfahrungen beschreiben, deren Bedeutung reflektieren und Schlussfolgerungen für zukünftige Lernsituationen ziehen.

Seit der Einführung von ChatGPT im November 2022 hat der Einsatz von KI auch im Geographiestudium zugenommen. Studierende nutzen KI-Tools vielfältig, was eine gezielte Auseinandersetzung mit diesen Technologien für Lehrende und Lernende notwendig macht. Ziel ist es, die Potenziale für Lehr- und Lernprozesse zu nutzen, ohne das eigenständige wissenschaftliche Arbeiten zu ersetzen.

KI-gestützte Tools wie Learning Buddies und Feedbacksysteme bieten Möglichkeiten, den Lernprozess im Studium zu unterstützen. Am Geographischen Institut der Universität zu Köln wurden im Wintersemester 2024/25 verschiedene KI-Tools in ausgewählten Lehrveranstaltungen eingesetzt und evaluiert:

1. Ein Learning Buddy für Klimageographie (3. Bachelor Semester)

2. KI-basierte Plattformen zur Literaturrecherche in einem Modul zur Stadt- und Bevölkerungsgeographie (1. Bachelor Semester)

3. Personalisiertes Feedback durch eine Feedback-KI im Statistik und Datenanalyse Modul (1. Bachelorsemester)

4. KI zur Optimierung des wissenschaftlichen Schreibprozesses in einem Master-Seminar.

Die Wirksamkeit dieser Tools wurde durch Fragebögen, Learning Journals und Tiefeninterviews erfasst. Die Ergebnisse sollen Erkenntnisse für die zukünftige Gestaltung und den transparenten Einsatz von KI im Studium liefern. Der Impulsbeitrag präsentiert die Ergebnisse und diskutiert das Potenzial KI-gestützten Lernens zur Optimierung von Lern- und Schreibprozessen im Geographiestudium.

Der Vormarsch KI-gestützter Technologien betrifft an der Hochschule nicht nur Disziplinen wie die Computerlinguistik, in denen KI Teil der fachlichen Lerninhalte ist, sondern auch Fächer wie Germanistik oder Deutsch als Fremdsprache (DaF), die herkömmlicherweise stärker geisteswissenschaftlich ausgerichtet sind. Beispielsweise bieten KI-Technologien im Bereich DaF neue Möglichkeiten, etwa bei der automatisierten Auswertung von Lernendenleistungen, gleichzeitig stellen sie neue Herausforderungen wie die Neujustierung etablierter Qualitätskriterien für Testentwicklung und -evaluation. Für Studierende bedeutet dies, dass das Konzept der KI Literacy zunehmend an Bedeutung gewinnt, das sowohl technische als auch didaktische und ethische Kompetenzen im Umgang mit KI einschließt. Um KI Literacy zu stärken setzt ein Lehrprojekt an der Ruhr-Universität Bochum auf die Zusammenarbeit zwischen Studierenden der Computerlinguistik und Psycholinguistik (Studiengang VAMoS) und der Germanistik. Ziel ist es, reale Problemstellungen an der Schnittstelle von Bildungs- und Sprachtechnologie gemeinsam zu bearbeiten. In Kooperation mit der Gesellschaft für Akademische Studienvorbereitung und Testentwicklung (g.a.s.t. e.V.) entstehen so praxisnahe Szenarien etwa zur automatisierten Bewertung von Lernendenleistungen. Studierende lernen, sowohl technologische Hintergründe als auch didaktische und ethische Anforderungen zu verstehen und in konkrete Anwendungen umzusetzen.