6. KI-Kompetenz und reflektierter Einsatz
Die HFD-Studie formuliert einen Punkt besonders deutlich: Der Umgang mit KI ist keine Nebenkompetenz, die sich nebenbei entwickelt. Studierende nutzen KI bereits intensiv, aber häufig ohne klare Strategie, ohne kritische Prüfung und ohne Einordnung der Ergebnisse. Genau deshalb wird sichtbar, wie wichtig es ist, den Umgang mit KI aktiv in die Lehre einzubinden. Studierende sollen lernen, wie KI funktioniert, wo ihre Grenzen liegen und wie sie sie sinnvoll einsetzen.
Damit verschiebt sich ein Teil der Lehre: Es geht nicht nur darum, Inhalte zu vermitteln, sondern auch darum, den Umgang mit Werkzeugen zu reflektieren, die diese Inhalte beeinflussen.
Studierende dokumentieren in ihren Arbeiten oder Projekten, wie sie KI eingesetzt haben. Sie beschreiben, welche Schritte sie mit Unterstützung durchgeführt haben, welche Ergebnisse entstanden sind und wie sie diese bewertet haben. Lehrende geben dafür klare Leitfragen vor, etwa zur Qualität der Ergebnisse, zu möglichen Verzerrungen oder zu Alternativen.
So profitiert die Lehre vom KI-Einsatz
Studierende setzen sich bewusst mit ihrem eigenen Arbeitsprozess auseinander. Sie erkennen, wo KI ihnen hilft und wo sie selbst nachsteuern müssen. Das stärkt die Eigenverantwortung und das kritische Denken.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an selbstreguliertes Lernen (Zimmerman, 2002), es beschreibt selbstreguliertes Lernen als einen Prozess, in dem Lernende ihr Lernen aktiv steuern, anpassen und auf Ziele hin ausrichten). Lernförderlich ist der Ansatz, weil Studierende ihr eigenes Vorgehen planen, beobachten, bewerten und begründen. Dadurch wird der Arbeitsprozess selbst zum Gegenstand der Reflexion, und der Einsatz von KI erscheint nicht als beiläufige Hilfe, sondern als bewusste Entscheidung im Lernprozess.
Studierende erhalten gezielt KI-generierte Texte, Lösungen oder Argumentationen, die nicht perfekt sind. Sie prüfen diese Inhalte, identifizieren Schwächen und entwickeln eine verbesserte Version. Die KI dient hier nicht als Antwortmaschine, sondern als Ausgangspunkt für Analyse und Überarbeitung. Lehrende wählen Beispiele so aus, dass typische Fehler oder Unschärfen sichtbar werden.
So profitiert die Lehre vom KI-Einsatz
Studierende beschäftigen sich intensiver mit Inhalten, weil sie nicht nur etwas erstellen, sondern bewerten und korrigieren müssen. Dadurch entsteht ein tieferes Verständnis für fachliche Qualität.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Feedback Literacy (Carless & Boud, 2018) und formative Lernprozesse. Lernförderlich ist der Ansatz, weil Studierende Qualität nicht einfach voraussetzen, sondern Vorschläge prüfen, Schwächen erkennen und gezielt überarbeiten. So wird die Auseinandersetzung mit Qualität, Begründung und Verbesserung selbst Teil des Lernens. Carless und Boud beschreiben Feedback Literacy als die Fähigkeit, Rückmeldungen zu verstehen und produktiv für die Weiterarbeit zu nutzen.
Studierende nutzen KI gezielt für einzelne Schritte des wissenschaftlichen Arbeitsprozesses , etwa zur Strukturierung eines Textes, zur Entwicklung von Argumenten oder zur ersten Orientierung in einem Themenfeld. Die KI macht Vorschläge, bündelt erste Ideen oder hilft, eine Gliederung zu entwerfen. Anschließend prüfen die Studierenden diese Ergebnisse eigenständig, ordnen sie fachlich ein, verwerfen Ungeeignetes und entwickeln ihre Arbeit weiter.
So profitiert die Lehre vom KI-Einsatz
Studierende arbeiten mit KI in einzelnen Phasen des wissenschaftlichen Arbeitens und setzen sich dabei mit der Qualität und Passung der Vorschläge auseinander. So werden die Prüfung, Auswahl und Weiterentwicklung von Inhalten zu einem sichtbaren Teil des Arbeitsprozesses. Studierende lernen die Ergebnisse kritisch zu prüfen, statt sie ungefiltert zu übernehmen.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an selbstreguliertes Lernen (Zimmermann 2002). Lernförderlich ist der Ansatz, weil Studierende KI in einzelnen Phasen ihres Arbeitsprozesses gezielt einsetzen, Ergebnisse einordnen, auswählen und weiterentwickeln. Dadurch wird wissenschaftliches Arbeiten als bewusster Prozess von Strukturierung, Prüfung und Überarbeitung erfahrbar.
Studierende vergleichen KI-generierte Inhalte mit wissenschaftlichen Quellen. Sie prüfen, wo Aussagen ungenau sind, welche Informationen fehlen oder wo Verzerrungen auftreten. Die KI liefert einen ersten Zugriff, die fachliche Prüfung übernehmen die Studierenden selbst.
So profitiert die Lehre vom KI-Einsatz
Studierende entwickeln eine fundierte Informationskompetenz. Sie lernen, Ergebnisse nicht einfach zu akzeptieren, sondern zu hinterfragen und einzuordnen.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Informationskompetenz. Lernförderlich ist der Ansatz, weil Studierende Aussagen nicht ungeprüft übernehmen, sondern auf Genauigkeit, Herkunft, Qualität und Verwendbarkeit hin prüfen. Dadurch lernen sie, Informationen kritisch einzuordnen und fachlich belastbare von unzuverlässigen Inhalten zu unterscheiden.
Das ACRL Framework (Filed by the ACRL Board on February 2, 2015. Adopted by the ACRL Board, January 11, 2016) definiert Information Literacy als integrierte Fähigkeit, Informationen reflektiert zu erschließen, ihre Herstellung und ihren Wert zu verstehen und sie zur Wissensbildung verantwortungsvoll zu nutzen.
Studierende bearbeiten Aufgaben, bei denen sie bewusst entscheiden müssen, an welchen Stellen der Einsatz von KI sinnvoll ist und an welchen nicht. Sie dokumentieren diese Entscheidung und begründen, warum sie KI in bestimmten Phasen einsetzen oder bewusst darauf verzichten. Lehrende gestalten die Aufgabe so, dass die Auswahl, Begründung und Reflexion des KI-Einsatzes Teil der Leistung werden.
So profitiert die Lehre vom KI-Einsatz
Studierende entwickeln eine strategische Nutzung von KI, wie KI in fachliche Arbeits- und Problemlöseprozesse eingebunden werden kann. Sie nutzen sie nicht automatisch, sondern gezielt und reflektiert. Das führt zu besseren und eigenständigeren Ergebnissen.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an selbstreguliertes Lernen (Zimmerman, 2002). Lernförderlich ist der Ansatz, weil Studierende den Einsatz von KI planen, begründen, überwachen und reflektieren, statt ihn selbstverständlich oder ungerichtet vorzunehmen. So wird die bewusste Gestaltung des Problemlöseprozesses selbst zu einem zentralen Lerngegenstand. Selbstreguliertes Lernen beschreibt genau solche Prozesse des zielgerichteten Planens, Überwachens und Anpassens des eigenen Handelns.
7. Zugänglichkeit und Barrierefreiheit sicherstellen
Die HFD-Studie macht deutlich, dass Unterstützungsangebote, Infrastruktur, Informationsangebote und institutionelle Rahmenbedingungen eine wichtige Rolle dafür spielen, wie gut KI im Hochschulalltag genutzt werden kann. Vor diesem Hintergrund wird auch sichtbar, welches Potenzial KI beim Abbau von Zugangsbarrieren haben kann. KI kann Lehrende dabei unterstützen, unterschiedliche sprachliche Hintergründe, unterschiedliche Vorkenntnisse und unterschiedliche Lernzugänge besser zu berücksichtigen.
Lehrende stellen zu ihren Veranstaltungen automatisch erzeugte Transkripte oder Untertitel zur Verfügung und prüfen diese auf Verständlichkeit und fachliche Richtigkeit. Diese Texte können auch als ergänzendes Material genutzt werden.
So profitiert die Lehre vom KI-Einsatz
Studierende können Inhalte leichter nacharbeiten, insbesondere wenn sie beim ersten Hören nicht alles verstanden haben. Das hilft auch internationalen Studierenden und allen, die Inhalte in ihrem eigenen Tempo wiederholen möchten.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies in erster Linie an Universal Design for Learning. Lernförderlich ist der Ansatz, weil Inhalte nicht nur auditiv, sondern zusätzlich schriftlich zugänglich werden. Dadurch entstehen mehrere Zugänge zum gleichen Inhalt, was Wahrnehmung, Nachbereitung und individuelles Lerntempo unterstützen kann. Aus Sicht der Multimedia-Prinzipien von R. Mayer ist dies jedoch nur eingeschränkt zu begründen (Meyer, Rose, & Gordon, 2014; Mayer, 2021): Für alle Lernenden ist die gleichzeitige Darbietung von gesprochenem Text und identischem Bildschirmtext nicht automatisch lernwirksamer; hier verweist Mayer eher auf das Redundanzprinzip. Für Zugänglichkeit, Nachbereitung und flexible Nutzung bleibt der Ansatz dennoch didaktisch sinnvoll (CAST, 2024).
Lehrende lassen zentrale Materialien in andere Sprachen übertragen und prüfen anschließend, ob Fachbegriffe korrekt verwendet und Kontexte verständlich dargestellt sind. Die KI unterstützt bei der Übertragung, die fachliche Verantwortung bleibt bei den Lehrenden.
So profitiert die Lehre vom KI-Einsatz
Internationale Studierende können Inhalte besser erfassen und aktiv an der Veranstaltung teilnehmen. Sprachliche Hürden werden reduziert, ohne fachliche Anforderungen zu senken.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Universal Design for Learning und inklusive Lehrgestaltung (Meyer, Rose, & Gordon, 2014). Lernförderlich ist der Ansatz, weil sprachliche Zugänge erweitert werden und mehr Studierende fachlich anschließen können. Inhalte werden damit nicht vereinfacht, sondern über unterschiedliche sprachliche Zugänge bearbeitbar (CAST, 2024).
Lehrende bereiten ein Thema in mehreren Varianten auf, etwa mit unterschiedlichen Erklärungsniveaus, zusätzlichen Zwischenschritten oder ergänzenden Beispielen. Die KI unterstützt dabei, diese Varianten schneller zu entwickeln. Lehrende entscheiden, welche Fassungen sinnvoll sind und wie sie in den Kurs integriert werden.
So profitiert die Lehre vom KI-Einsatz
Studierende können auf ihrem jeweiligen Niveau einsteigen und sich schrittweise weiterentwickeln. Das erhöht die Chance, dass alle Studierenden Anschluss halten.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an Universal Design for Learning (Meyer, Rose, & Gordon, 2014) und an R. Mayer (2021). Lernförderlich ist der Ansatz, weil Inhalte in unterschiedlicher Tiefe, mit verschiedenen Unterstützungsgraden oder zusätzlichen Zwischenschritten angeboten werden können. Gerade für Lernende mit wenig Vorwissen sind dabei das Segmentierungsprinzip, das Pre-Training-Prinzip und das Signaling-Prinzip relevant: Komplexe Inhalte werden in bearbeitbare Einheiten gegliedert, wichtige Elemente hervorgehoben und notwendiges Vorwissen gezielt aufgebaut. So wird die Verarbeitung anspruchsvoller Inhalte erleichtert, ohne das Lernziel zu reduzieren.
Studierende stellen Fragen zu Abläufen, Aufgaben, Deadlines oder Anforderungen und erhalten über einen kursspezifischen Assistenten schnelle Antworten. Die KI greift dabei auf die tatsächlichen Informationen des Kurses zurück, die von Lehrenden bereitgestellt wurden.
So profitiert die Lehre vom KI-Einsatz
Studierende verlieren weniger Zeit mit organisatorischen Unsicherheiten. Sie wissen schneller, was zu tun ist, und können sich stärker auf die Inhalte konzentrieren.
Theoretische Anschlussfähigkeit und Lernförderlichkeit: Anschlussfähig ist dies an zugangssensible Lehrgestaltung im Sinne von Universal Design for Learning (Meyer, Rose, & Gordon, 2014). Lernförderlich ist der Ansatz, weil organisatorische Hürden reduziert werden und Studierende schneller Orientierung im Kurs finden. Dadurch kann mehr Aufmerksamkeit auf die eigentlichen Lerninhalte und Aufgaben gerichtet werden.
Die UDL Guidelines (CAST, 2024) betonen, dass Lernumgebungen so gestaltet werden sollten, dass Zugang, Orientierung und Teilhabe systematisch unterstützt werden.