Kurs: KI und Hochschullehre | Lernplattform der THGA Bochum

Kursthemen

Herzlich Willkommen ...

Alles einklappen Alles aufklappen
... im Kurs "KI und Hochschullehre". Hier finden Sie grundsätzliche Informationen zu "Künstlicher Intelligenz", den Funktionsweisen und Einsatzszenarien, aber auch zu hochschulspezifischen Herausforderungen. Da das Thema in der öffentlichen Wahrnehmung noch recht neu ist, bilden sich Expertise und verlässliche Einschätzungen erst langsam heraus. Daher lebt dieser Kurs auch von Ihrer Mithilfe:

In dem Forum "Künstliche Intelligenz - Forum für Austausch & Infos" können Sie sich beteiligen:

Schildern Sie gerne Ihre Einsatzszenarien,

stellen Sie Fragen,

teilen Sie interessante Artikel, Beiträge und Literatur oder

ihre Erfahrungen mit speziellen KI-basierten Diensten.

Über eine rege Teilnahme an den Diskussionen würden wir uns freuen. Ein Abonnement des Forums ist natürlich nicht verpflichtend, wird aber empfohlen.
- Künstliche Intelligenz - Forum für Austausch & Infos
- Ankündigungen Forum
Künstliche Intelligenz - Was ist das überhaupt?
Künstliche Intelligenz (KI) bezieht sich auf die Entwicklung von Computern oder Maschinen, die in der Lage sind, menschenähnliche Denkprozesse* durchzuführen. Es handelt sich um eine interdisziplinäre Wissenschaft, die sich mit der Schaffung intelligenter Maschinen befasst, die in der Lage sind, Aufgaben zu erledigen, die normalerweise menschliche Intelligenz erfordern würden.

KI-Systeme nutzen verschiedene Techniken, um Informationen zu verarbeiten, zu verstehen, zu lernen und Entscheidungen zu treffen. Dazu gehören maschinelles Lernen, neuronale Netze, tiefe neuronale Netze, natürliche Sprachverarbeitung und z.B. Computer Vision.

Ein grundlegendes Merkmal der KI ist die Fähigkeit, aus Erfahrungen zu lernen und sich an neue Situationen anzupassen. Dies wird oft als "maschinelles Lernen" bezeichnet, bei dem Algorithmen verwendet werden, um Muster in großen Datenmengen zu erkennen und daraus zu lernen. Auf diese Weise kann KI beispielsweise Spracherkennung, Bilderkennung, automatisierte Entscheidungsfindung, Robotik und vieles mehr ermöglichen.

Statistik spielt in der KI eine wichtige Rolle, insbesondere im Zusammenhang mit dem maschinellen Lernen. Wahrscheinlichkeiten ermöglichen es, die Unsicherheit und Variabilität von Daten zu modellieren. Bei vielen KI-Algorithmen werden Wahrscheinlichkeitsmodelle verwendet, um Vorhersagen oder Entscheidungen zu treffen. Wahrscheinlichkeiten spielen auch eine Rolle bei der Bewertung und Interpretation von KI-Ergebnissen. Anhand von Wahrscheinlichkeiten können beispielsweise die Zuverlässigkeit oder Vertrauenswürdigkeit einer Vorhersage eingeschätzt werden.

Es ist wichtig anzumerken, dass KI-Systeme auf der Grundlage von Daten und Algorithmen arbeiten und keine tatsächliche Bewusstheit oder emotionale Erfahrungen haben. Obwohl KI viele nützliche Anwendungen hat und schnelle Fortschritte macht, gibt es auch ethische und soziale Herausforderungen im Zusammenhang mit der Verwendung von KI, die sorgfältig berücksichtigt werden müssen.

Es gibt "[...]keine allgemein in der Wissenschaft akzeptierte Definition von KI" (vgl. Gethmann et al., 2022: 6). Das Fraunhofer Institut definiert KI als [...]ein Teilgebiet der Informatik. Sie imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert. Diese Intelligenz kann auf programmierten Abläufen basieren oder durch maschinelles Lernen erzeugt werden." (ebd., 2023).
- Maschinelles Lernen und Mustererkennung
  Künstliche Intelligenz und Muster
  Mustererkennung ist ein grundlegender Prozess, bei dem ein System bestimmte Muster in Daten identifiziert und interpretiert. Ein Beispiel für Mustererkennung ist die Erkennung eines Hundes anhand von visuellen Merkmalen.
  Beim Erkennen eines Hundes z.B. betrachtet das Mustererkennungssystem verschiedene visuelle Eigenschaften oder Merkmale, die charakteristisch für Hunde sind. Diese Merkmale können beispielsweise Ohrenform, Schnauzenlänge, Körpergröße, Fellfarbe oder Schwanzform sein.
  Das Mustererkennungssystem analysiert dann ein Bild oder eine visuelle Eingabe und sucht nach diesen spezifischen Merkmalen, um ein Muster zu identifizieren, das mit einem Hund übereinstimmen könnte. Es vergleicht die beobachteten Merkmale mit dem in seinem Gedächtnis gespeicherten Wissen über Hunde.
  Das System kann ein neuronales Netzwerk sein, das zuvor mit Hundebildern trainiert wurde. Das Netzwerk kann durch das Training lernen, Merkmale zu extrahieren und zu generalisieren, um Hunde in verschiedenen Situationen zu erkennen. Je mehr Daten das Netzwerk während des Trainings gesehen hat, desto besser kann es Muster erkennen und Hunde von anderen Objekten unterscheiden.
  Wenn das Mustererkennungssystem genügend Übereinstimmungen zwischen den beobachteten Merkmalen und dem gespeicherten Wissen über Hunde feststellt, wird es zu dem Schluss kommen, dass es sich um einen Hund handelt. Es kann auch die Wahrscheinlichkeit angeben, dass das erkannte Muster zu einem Hund gehört.
  Mustererkennung ist jedoch nicht auf visuelle Merkmale beschränkt. Es kann auch andere Arten von Daten analysieren, wie zum Beispiel Audiosignale zur Spracherkennung oder Text für die Textklassifikation. In jedem Fall besteht das Ziel darin, Muster zu identifizieren und Informationen zu extrahieren, um spezifische Aufgaben zu erfüllen.
- Deep Learning & Neuronale Netze
  Deep Learning - Wie funktioniert komplexe Mustererkennung?
  
  Deep Learning ist ein Teilbereich des maschinellen Lernens, der sich auf künstliche neuronale Netze konzentriert und es ermöglicht, komplexe Muster in Daten zu erkennen und zu verstehen.
  
  Es nutzt tiefe neuronale Netzwerke mit vielen Zwischenschichten, um abstrakte Merkmale zu lernen und Aufgaben wie Bilderkennung, Sprachverarbeitung und automatisiertes Fahren zu bewältigen.
  
  Durch das Training mit großen Datensätzen und Optimierungsalgorithmen passt sich das Netzwerk an, um genaue Vorhersagen und Entscheidungen zu treffen.
  
  Deep Learning hat in den letzten Jahren beeindruckende Fortschritte erzielt und wird in vielen Bereichen eingesetzt, um innovative Lösungen zu liefern.
  
  In dem Beispiel "König" (siehe Bild) spielt beim Deep Learning der Kontext & die Kategorie eine entscheidende Rolle, genau wie die semantische Position und Assoziationen. Aufgrund dieser Faktoren und Daten kann die KI ein sehr wahrscheinliches Ergebnis dieser Mustererkennungs-Prozesse berechnen und andere "Könige" als Antwort einer entsprechenden Suche ausschließen. Diese Lernprozesse basieren auf diesen "Zwischenschichten", die komplexe Mustererkennung der KI erst ermöglichen.
Historie und Entwicklung von KI
Die Entwicklung von Künstlicher Intelligenz (KI) hat im Laufe der Geschichte mehrere wichtige Meilensteine erreicht. Einige bedeutende Ereignisse, die die KI Entwicklung geprägt haben, sind folgende:
Dartmouth-Konferenz (1956): Die Dartmouth-Konferenz gilt als Geburtsstunde der KI. John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon organisierten diese Konferenz, bei der der Begriff "Künstliche Intelligenz" geprägt wurde und die Grundlagen für die zukünftige Forschung gelegt wurden.
Expertensysteme (1970er und 1980er Jahre): Expertensysteme waren frühe KI-Systeme, die Wissen von menschlichen Experten verwendeten, um komplexe Aufgaben zu lösen. Systeme wie MYCIN zur medizinischen Diagnose und DENDRAL zur chemischen Analyse waren wegweisend und wurden in verschiedenen Bereichen eingesetzt.
Neuronale Netze und maschinelles Lernen (1980er Jahre): In den 1980er Jahren erlebten neuronale Netze und maschinelles Lernen einen Aufschwung. Backpropagation, ein Verfahren zum Training neuronaler Netze, wurde entwickelt. Die Fortschritte in der Datenverarbeitung und Algorithmen führten zu einer verbesserten Leistungsfähigkeit von KI-Systemen.

IBM Deep Blue schlägt Kasparov(1997): Deep Blue, ein von IBM entwickelter Schachcomputer, besiegte den damaligen Schachweltmeister Garry Kasparov. Dieser Meilenstein zeigte, dass KI-Systeme in der Lage sind, komplexe strategische Spiele zu meistern und Expertinnen und Experten zu übertreffen.
Durchbruch im maschinellen Lernen (2010er Jahre): In den letzten Jahren hat das maschinelle Lernen große Fortschritte gemacht. Insbesondere tiefe neuronale Netze, auch als Deep Learning bekannt, haben bahnbrechende Leistungen in Bereichen wie Bilderkennung, Sprachverarbeitung und automatisiertem Fahren erzielt. Projekte wie Google DeepMind's AlphaGo, das den Weltmeister im Go-Spiel besiegte, zeigten die beeindruckende Leistungsfähigkeit von KI-Systemen.
Sprachassistenten und intelligente Systeme (Gegenwart): Heutzutage sind Sprachassistenten wie Siri, Alexa, Google Assistant und Cortana allgegenwärtig geworden. Diese KI-Systeme nutzen fortschrittliche Sprachverarbeitungsalgorithmen, um Benutzer:Innen bei der Suche, Navigation, Kommunikation und vielem mehr zu helfen. Intelligente Systeme finden auch Anwendung in der Gesichtserkennung, autonomem Fahren, Medizin, Finanzwesen und anderen Bereichen.

Es ist wichtig anzumerken, dass dies nur einige der wichtigen Meilensteine in der Entwicklung von KI sind. Die Fortschritte in der KI-Forschung und -Anwendung sind kontinuierlich, es gibt noch viele weitere Errungenschaften und Innovationen, die die Entwicklung und die "Verbreitung" von KI maßgeblich beeinflusst haben.
KI & Hochschule - Chancen & Herausforderungen
Das Künstliche Intelligenz bereits Auswirkungen auf Lehr-/Lernprozesse, Organisation & Verwaltung und z.B. Prüfungsgestaltung innerhalb von Hochschulen hat, dürfte nicht überraschen. Vielmehr ist von einer fortschreitenden Nutzung & Integration auszugehen und entsprechend ist ein Verständnis über die Chancen, Herausforderungen und Risiken dieser Entwicklung unabdingbar.
Ein Verbot von KI-Diensten ist unrealistisch und letztlich auch nicht zielführend (vgl. Salden & Leschke, 2023: 5). Es gilt für Lehrende & Lernende sich eine gewisse KI-Kompetenz anzueignen, die eine (im Sinne von Lehr- und Lernprozessen) bestmögliche Unterstützung aller Akteure im Unterricht gewährleistet und dabei auch Gefahren, falscher & fehlerhafter Nutzung oder sogar Missbrauch vorbeugt.
Kritisch mit KI und KI-Diensten umzugehen, generierte Ergebnisse, Daten und Quellen zu überprüfen und zu hinterfragen wird dabei genauso entscheidend sein, wie die konstruktive Integration solcher Technologien in eigene Lehr- und/oder Lernszenarien.
Nachfolgend soll eine Einschätzung über den Einfluss von KI für relevante Bereiche der Hochschule erfolgen und konkrete Empfehlungen für den Einsatz und die allgemeine Handhabe von KI im Bildungsbereich präsentiert werden.
- Vor- und Nachteile von KI
  Vorteile und Chancen von KI in Bildungsprozessen
  
  Künstliche Intelligenz kann in vielen Bereichen einer Hoschule eingesetzt werden und kann somit u.a. allgemein unterstützen, spezifische Szenarien erweitern und optimieren.
  
  Zunächst bietet die Technologie verstärkt Möglichkeiten von Teilhabe & Inklusion, indem z.B. sprachbehinderte Menschen entsprechende Sprachausgabe-Tools nutzen oder seh-/hörbehinderte Menschen sich Texte und Aufgaben mit Hilfe der KI z.B. veranschaulichen / vorlesen lassen können. Die Vielzahl der Werkzeuge und die rasche Entwicklung lassen hier große Chancen erkennen und schaffen Hoffnung für andere Zielgruppen und Minderheiten.
  
  Personalisiertes Lernen & Arbeiten: KI kann Lernende unterstützen, indem die KI als personalisierte/r Tutor*in agiert, dem Lernenden selbst erstellte Lernpläne aufzeigt, Lernanalysen durchführt und individuelle Stärken und Schwäche über z.B. Abfragen analysiert. Individuelle Lernwege und ein angepasstes Lerntempo sind hierbei entscheidende Faktoren Lernende zu motivieren und Erfolgserlebnisse zu generieren.
  
  KI-Dienste sind i.d. R. orts- und zeitunabhängig erreichbar, geduldig und vorurteilsfrei (sofern die Programmierung und Steuerung entsprechend erfolgte). Dies kann auch im Sinne einer Zeitersparnis & Effizienzsteigerung genutzt werden. Man kann sich z.B. bestimmte, fachspezifische Zusammenhänge schnell, alternativ und einfach erklären und dabei individuelle Präferenzen berücksichtigen lassen. Auch aufwendige Recherchen können durch KI-Dienste erleichtert und deutlich beschleunigt werden, sowie Zusammenfassungen und weiterführende Literatur schnellstmöglichst gefunden werden.
  
  Als Werkzeug und Hilfsmittel kann man über KI bestimmte Arbeitsphasen "outsourcen" (z.B. „stupide“ Aufgaben), oder sich konkrete Modelle, Strukturen und Pläne entwerfen lassen, die eigene Lehr- und Lernprozesse unterstützen und/oder erweitern.
  
  Darüber hinaus spielt die immer größere Datenlage und Vernetzung der (Weiter-)Entwicklung von KI-Diensten "in die Hände". Die Fehlerwahrscheinlichkeit wird geringer, die Funktionalität größer, die Ergebnisse präziser und die Anforderungen der Nutzer:Innen passgenauer umgesetzt. Die Fähigkeiten werden so außergewöhnlich, dass einer adäquaten Steuerung und Kontrolle noch mehr Bedeutung zukommen wird.
  
  Abschließend sei zu konstatieren, dass KI-Werkzeuge allgemein wichtige Hilfsmittel sind und sein werden, welche sowohl Lehr- und Lernprozesse auf unterschiedlichste (auch kreative) Art und Weise beeinflussen, als auch für eine Entlastung aller Akteur:Innen sorgen können. Aufgrund der rasanten Entwicklung von KI ist davon auszugehen, dass noch viele weitere Einsatzszenarien und Funktionalitäten entstehen, die gesamte Gesellschaftsbereiche verändern und nachhaltig prägen werden.
  
  Nachteile und Risiken von KI
  
  Obwohl Künstliche Intelligenz viele Vorteile bietet, gibt es auch einige Nachteile und Risiken, die beim Einsatz von KI beachtet werden müssen:
  
  Datenabhängigkeit: KI-Modelle sind stark von qualitativ hochwertigen und repräsentativen Daten abhängig. Wenn die Daten fehlerhaft, unausgewogen oder voreingenommen sind, kann dies zu falschen Vorhersagen oder diskriminierenden Ergebnissen führen. Es besteht die Gefahr, dass Vorurteile und Ungerechtigkeiten aus den Daten in die KI-Systeme übertragen werden.
  
  Mangel an Transparenz und Erklärbarkeit: Einige KI-Modelle, insbesondere tief neuronale Netzwerke, können äußerst komplexe und undurchsichtige Strukturen haben. Dies macht es schwierig, die Entscheidungsfindung des Modells nachzuvollziehen und zu erklären. Dies kann insbesondere in sensiblen Bereichen wie Recht, Gesundheit und Finanzen problematisch sein, wo Transparenz und Nachvollziehbarkeit wichtig sind. Welche Quelle wird verwendet und worauf beruft sich die KI im Detail? Fake-News oder Falschaussagen könnten als Datengrundlage zu Verzerrungen & Biases führen.
  
  Datenschutz und Privatsphäre: KI-Systeme verarbeiten oft große Mengen an persönlichen Daten. Der Missbrauch oder die Verletzung dieser Daten kann schwerwiegende Konsequenzen für den Datenschutz und die Privatsphäre der Individuen haben. Es besteht auch das Risiko von Datenlecks oder unbefugtem Zugriff auf sensible Informationen.
  
  Ethische Herausforderungen: KI wirft ethische Fragen auf, die berücksichtigt werden müssen. Zum Beispiel können autonome Fahrzeuge in moralische Dilemmata geraten, bei denen Entscheidungen darüber getroffen werden müssen, wie sie in Gefahrensituationen reagieren sollen. Es müssen Richtlinien und Standards entwickelt werden, um sicherzustellen, dass KI-Systeme ethisch verantwortungsvoll handeln.
  
  Im Lehr-/Lernkontext kann durch KI eine Verrringerung von Eigenleistung erfolgen und eine unkritische Nutzung und fehlende Überprüfung des Ergebnisses provoziert werden.
  
  KI arbeitet (wie beschrieben) auf Basis von Mustern und Wahrscheinlichkeiten, die letztlich keine 100%ige Genaugikeit aufweisen und z.B. sogenannte "Halluzinationen" als Ergebnis hervorrufen können (Kritische Nutzung!).
  Urheberrecht: Soll man KI generierte Inhalte kennzeichnen und wenn ja: Wie? Wer besitzt wann das Recht an einem schöpferischen Werk einer KI? Fragen, die es rechtlich zu klären gilt und Vorgaben & Richtlinien (auch in den Studiengängen) erfordern!
  Arbeitsplatzverlust und soziale Auswirkungen: Der Einsatz von KI und Automatisierungstechnologien kann zu Arbeitsplatzverlusten führen, da viele manuelle oder repetitive Aufgaben von Maschinen übernommen werden können. Dies kann soziale und wirtschaftliche Auswirkungen haben und erfordert eine angemessene Umschulung und Anpassung von Arbeitskräften.
  
  Sicherheitsrisiken: KI-Systeme können anfällig für Angriffe und Manipulationen sein. Wenn KI-Modelle mit bösartigen Absichten manipuliert werden, können sie zu fehlerhaften Entscheidungen oder sogar zu Sicherheitslücken führen. Es ist wichtig, die Sicherheit von KI-Systemen zu gewährleisten und Schutzmaßnahmen gegen potenzielle Angriffe zu implementieren.
  Es ist wichtig, diese Nachteile und Risiken zu berücksichtigen und Maßnahmen zu ergreifen, um die Verantwortlichkeit, Transparenz, Fairness, Privatsphäre und Sicherheit beim Einsatz von KI zu gewährleisten. Die Entwicklung von ethischen Richtlinien, Regulierungen und bewusster Gestaltung der KI-Systeme sind entscheidend, um die potenziellen Risiken zu mindern und die Vorteile von KI voll auszuschöpfen.
- Konstruktiver Einsatz von KI
  
  ....aus Studierendensicht
  
  KI als "Personal Tutor":
  
  beantwortet Fragen
  
  passt sich dem Wissenstand der Studierenden an
  
  stellt individuelle Lernpläne auf
  
  analysiert Stärken und Schwächen der Studierenden
  
  gibt Feedback zu Leistungen
  
  erstellt Quiz-Fragen, Lernspiele
  
  findet Fehler in Code, hilft bei Erstellung, gibt Erklärungen
  
  erleichtert Aufgaben wie Zusammenfassungen, Gliederungen, Lebenslauf erstellen etc.
  
  liest Korrektur
  
  ist Partner:in beim Brainstorming
  
  ...aus Lehrendensicht
  
  KI als "Personal Assistant":
  
  Zeitersparnis und Effizienzsteigerung
  
  erstellt Klausur- und Prüfungsfragen
  
  korrigiert Klausurantworten (nach vorgegebenem Schema)
  
  erleichtert Aufgaben wie das Zusammenfassen von Forschungsständen, Gliederung von Texten und Präsentationen etc.
  
  hilft beim Formulieren von Forschungsfragen, Abstracts u.v.m.
  
  liest Korrektur
  
  kann helfen, Veranstaltungen zu planen
  
  ist Partner:in beim Brainstorming
  
  Regeln & Richtlinien zum Einsatz von KI
  
  Peter Salden & Jonas Leschke [07.03.23] haben im Auftrag des Ministeriums für Kultur und Wissenschaft des Landes NRW ein Rechtsgutachten mit dem Namen "Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung" verfasst.
  
  Darüber hinaus können Lehrende, wie im folgenden Beispiel Prof. Dr. Spannagel, auch KI proaktiv in Lehr- und Lernprozesse integrieren, wenn gewisse Bedingungen und Regeln [11.07.2023] befolgt werden.
  
  Konstruktive Ansätze im Umgang mit KI in Unterrichtsprozessen liefert auch Joscha Falck mit seinen Lerngelegenheiten über, mit und durch KI [11.07.2023].
  
  Das Hochschulform Digitalisierung (HFD) lieftert mit dem Dossier zu generativer KI eine umfangreiche Sammlung von Best-Practice-Modellen und konstruktive Ideen zum Umgang mit ChatGPT&Co. [11.07.2023]
  
  Wie bereits geschlussfolgert, lässt sich KI nicht verbieten und wird genutzt werden. Art, Umfang und produktive Verwendung (im Sinne von Lehr- und Lernzielen) werden von Lehrenden, Hochschulen und Studierenden im Diskurs zu bestimmen sein. Curriculare Vorgaben diesbzgl. und rechtliche Sicherheiten sollten demnach Gegenstand aktueller und zukünftiger Diskussionen aller Akteure darstellen.
- KI-Kompetenz
  Wie baut man KI-Kompetenz auf?
  
  Die KI-Kompetenz von Lehrenden an Hochschulen kann von verschiedenen Faktoren abhängen. Hier sind einige wichtige Faktoren, die dazu beitragen können:
  
  Fachwissen in Künstlicher Intelligenz: Lehrende sollten über ein fundiertes Fachwissen in den Grundlagen der Künstlichen Intelligenz verfügen. Dies umfasst Kenntnisse über maschinelles Lernen, neuronale Netze, Algorithmen, Datenanalyse und andere relevante Bereiche.
  
  Aktualität des Wissens: KI ist ein sich schnell entwickelndes Feld. Lehrende sollten sich über die aktuellen Entwicklungen, Trends und Techniken in der KI auf dem Laufenden halten. Dies beinhaltet das Verfolgen von Forschungspublikationen, die Teilnahme an Konferenzen und Schulungen sowie die Zusammenarbeit mit anderen Experten auf dem Gebiet.
  
  Erfahrung in der Anwendung von KI: Lehrende sollten praktische Erfahrung in der Anwendung von KI-Techniken haben. Dies kann durch die Durchführung von Forschungsprojekten, die Entwicklung von KI-Anwendungen oder die Zusammenarbeit mit Industriepartnern erreicht werden. Die praktische Erfahrung ermöglicht es den Lehrenden, den Studierenden praxisnahe Beispiele, Anwendungen und Fallstudien zu präsentieren.
  
  Fähigkeit zur Vermittlung von Wissen: Lehrende sollten über gute didaktisch-pädagogische Fähigkeiten verfügen, um komplexe KI-Konzepte verständlich zu erklären und zu vermitteln. Sie sollten in der Lage sein, das Wissen auf verschiedene Lernstile und Bedürfnisse der Studierenden anzupassen und effektive Lehrmethoden einzusetzen.
  
  Interdisziplinäre Kenntnisse: KI ist ein multidisziplinäres Feld, das Aspekte aus Bereichen wie Informatik, Mathematik, Statistik, Psychologie und anderen Fachgebieten integriert. Lehrende mit interdisziplinärem Wissen können einen breiteren Kontext bieten und die vielfältigen Anwendungen und Implikationen von KI in verschiedenen Bereichen verstehen.
  
  Fähigkeit zur Förderung von Kreativität und kritischem Denken: KI erfordert kreatives Denken und die Fähigkeit, innovative Lösungen zu entwickeln. Lehrende sollten ihre Studierenden ermutigen, kreativ zu sein, eigene Ideen zu generieren und kritisch über KI-Anwendungen, Ethikfragen und soziale Auswirkungen nachzudenken.
  
  Die KI-Kompetenz von Lehrenden wird durch eine Kombination dieser Faktoren geprägt. Es ist wichtig, dass Lehrende ihre Kompetenzen kontinuierlich weiterentwickeln und sich an die sich wandelnden Anforderungen und Entwicklungen in der KI anpassen, um den Studierenden ein fundiertes Verständnis und praktische Fähigkeiten in diesem Bereich zu vermitteln.
  
  Kritisch-kompetenter Umgang mit KI
  
  Berufsfähigkeit von Absolventen meint auch: Einsatz digitaler Systeme
  
  KI-Kompetenzen in Lehrenden- und Studierendenschaft notwendig
  
  Funktionen aufzeigen & Grenzen transparent machen
  
  Proaktiver Einsatz in der Lehre (z.B. Vergleich menschlicher und KI-Texte und –Lösungen)
  
  Sensibilisierung für Falschinformationen, fehlerhafte Quellenangaben
  
  KI erfüllt nicht (immer) die Grundsätze „guter wissenschaftlicher Praxis“
  
  „Umgangsformen“: Kennzeichnungspflicht und Prompt-Angabe?
- Neue Aufgaben & Prüfungsformate
  KI und der Einfluss auf Aufgaben & Püfungen
  
  Es ist absehbar, dass die Nutzung und Verbreitung von Künstlicher Intelligenz auch Auswirkungen auf Aufgabenstellungen und Prüfungsformen/-formate haben wird.
  
  Die Wahrscheinlichkeit der Verwendung von KI als Hilfe und zur Unterstützung für bestimmte Aufgaben ist hoch, so dass sich hier zwangsläufig die Frage nach der Eigenleistung der Studierenden und einer entsprechend fairen und leistungsgerechten Bewertung stellt (z.B. die Anfertigung einer fachspezifischen Hausarbeit). Kurzfristig kann (im Rahmen der curricularen und organisatorischen Vorgaben) sicherlich eine mündliche Verteidiung unbeaufsichtiger, schriftlicher Arbeiten Abhilfe schaffen. Mittelfristig könnte eine Möglichkeit der Beurteilung von Leistung in der (Lern-)Prozessbeobachtung und einer kreativen Anwendung von Spezialwissen liegen.
  
  Handlungskompetenz und der Anwendung von Spezialwissen wird somit stärkere Bedeutung zukommen und verhindert eine reine Reproduktion von Wissen bzw. eine aus Trainingsdaten reproduzierbare Antwort. Ein methodisch-didaktischer "Prüfungsmix" (Blended Assessments) könnte eine mögliche Herangehensweise darstellen, indem synchrone / asynchrone, summative / formative und individuelle Leistungen und Gruppenleistungen kombiniert bzw. gegenübergestellt werden.
  
  Prüfungen und Lernzieltaxonomie
  
  ChatGPT verändert mittel- bis langfristig die Prüfungskultur an Schulen und Hochschulen. Anhand der bekannten Lernzieltaxonomie hat Ulrike Hanke (o.J.) einen Versuch unternommen, diese Auswirkungen zu berücksichtigen und entsprechende Schlussfolgerungen für Prüfungen zu ziehen:
  
  Weitere Inspirationen und Empfehlungen für alternative und/oder abwechslungsreiche Prüfungen finden Sie u.a. auch hier! [03.07.2023]
- Ausblick - Wohin geht die (KI)-Reise?
  KI - Next Level?
  Das Künstliche Intelligenz sukzessive in viele Gesellschaftsbereiche (vor allem auch in unser Bildungssystem) weiter vordringen wird, steht außer Frage.
  
  Die Fähigkeiten und Fertigkeiten von KI und entsprechenden Diensten & Tools werden schon bald neue Dimensionen erreichen und damit zwangsläufig eine zunehmend wichtigere Rolle auf sozialer, politischer und wirtschaftlicher Ebene spielen.
  
  Aus bildungspolitischer Perspektive wird kurz- bis mittelfristig ein konstruktiver Umgang mit KI, sinnvolle Integrationsmöglichkeiten in Lehr- und Lernprozesse sowie Entlastung für Verwaltung & Organisation zu prüfen und zu analysieren sein.
  Wohin geht die KI-Reise?
  Die fortschreitende, globale Vernetzung, Big Data und letztlich Training wird KI befähigen z.B..
  
  …in Sekunden Websites inkl. Programmierung zu erstellen
  …komplexe Apps / Spiele / Tools in Rekordzeit zu entwickeln
  ...Bilder (Fehlererkennung / Wiedererkennung) zu interpretieren
  ...hochkomplexe (evtl. noch ungelöste) Fragestellungen zu lösen
  ...komplexe künstlerische & kreative Arbeiten durchzuführen
  ...die reale und die virtuelle Welt stärker zu verknüpfen (Entscheidungsbefugnisse)
  ...Pläne / Strukturen / Schemata & Modelle zu entwerfen, zu überprüfen und zu verbessern
  ...Automatisierungsprozesse zu gestalten und zu optimieren
  ...unser Gesundheitssystem zu revolutionieren und Krankheiten zu bekämpfen
  ...Berufe und Dienstleistungen zu substituieren und neue Berufsfelder entstehen zu lassen
  Einige Thesen zu dieser Thematik und Denkanstöße liefert u.a. das Zukunftsinstitut hier ! [05.07.2023]
  KI & Lehr- und Lernprozesse
  Diese Fortschritte in der KI werden zu neuen Fragestellungen und Herausforderungen auf Hochschulebene führen:
  Ethik und soziale Auswirkungen: Die Diskussion über die ethischen und sozialen Auswirkungen von KI wird immer wichtiger. Hochschulen werden sich mit Fragen der Verantwortung, Privatsphäre, Diskriminierung, Fairness, Transparenz und Regulierung von KI-Systemen auseinandersetzen müssen.
  Interdisziplinäre Zusammenarbeit: Die Entwicklung und Anwendung von KI erfordert eine Zusammenarbeit zwischen verschiedenen Disziplinen wie Informatik, Mathematik, Psychologie, Recht, Ethik, Sozialwissenschaften und anderen Fachbereichen. Hochschulen müssen interdisziplinäre Programme und Forschungsprojekte fördern, um ein umfassendes Verständnis von KI und ihren Auswirkungen zu entwickeln.
  Ausbildung und Kompetenzentwicklung: Hochschulen werden sich darauf konzentrieren, Studierenden das erforderliche Wissen und die praktischen Fähigkeiten in KI zu vermitteln. Dies kann die Entwicklung von KI-Lehrplänen, Kursen, Zertifizierungen und praktischen Projekten umfassen, um sicherzustellen, dass die Absolventen auf die Anforderungen der KI-gesteuerten Arbeitswelt vorbereitet sind.
  Aufgaben, Prüfungsszenarien und Assessments allgemein werden neue Richtlinien (aber auch kreative, innovative Ansätze) benötigen, die der Nutzung und Verbreitung von KI Rechnung tragen und letztlich einen konstruktiven Umgang mit Technologie ermöglichen.
  Forschung und Innovation: Hochschulen werden eine entscheidende Rolle bei der Forschung und Innovation im Bereich KI spielen
KI Werkzeuge - Tools & Dienste
KI Tools - Was gibt's denn so?
Nachfolgend sollen Ihnen einige Dienste & Tools vorgestellt werden, die Lehr- und Lernszenarien beeinflussen können/werden und Potentiale für eine konstruktive Integration beinhalten.

Die Liste erhebt aufgrund der dynamischen Entwicklung keinen Anspruch auf Vollständigkeit, soll aber einen Eindruck über Fähig- und Fertigkeiten von KI vermitteln!

Für aktuelle Tools & Dienste (teils kostenlos / testbar / kostenpflichtig) empfiehlt sich ein Blick auf unser Padlet [07.11.2024].

Bitte beachten Sie, dass die vorgestellten Tools vor einer Verwendung immer datenschutzrechtlich überprüft werden müssen und u.a. Fragen der Privatssphäre, Datenspeicherung und Sicherheit geklärt werden sollten!
- ChatGPT - Fing so alles an?
  ChatGPT (=Generative Pre-trained Transformer)
  
  Im November 2022 erlangte das Thema KI vor allem durch den Dienst "ChatGPT" und die erstaunlichen Fähigkeiten große Aufmerksamkeit!
  
  Der Dienst wurde von der Firma OpenAI in der Version 3.5 (Datenstand bis 09/2021) der Öffentlichkeit zugänglich gemacht.
  
  Es handelt sich um ein Sprachmodell, welches entwickelt wurde, um menschenähnliche Konversationen zu führen.
  
  ChatGPT kann Fragen beantworten, Informationen bereitstellen, Texte generieren und auf Anweisungen (sogenannte "Prompts") reagieren.
  
  Ein "Kennenlerngespräch"
  
  Martin Smaxwil hat im Februar 2023 [...]"ein erstes "Gespräch" mit ChatGPT zum Kennenlernen geführt, dieses aufgezeichnet und die Fragen nachgesprochen (bzw. die Antworten durch Siri nachsprechen lassen), um den Dialogcharakter herauszustellen.
  
  Diese Anthropomorphisierung kann den subjektiven Eindruck eines menschlichen Gegenübers, der grundsätzlich bereits durch das zeichenweise Erscheinen des Textes besteht, evtl. verstärken. Sie soll verdeutlichen, wie schnell man das Gegenüber nicht mehr als Maschine, sondern als "echten Menschen" wahrnimmt.
  
  Wir reden über ChatGPT selbst, Googles LaMDA (Bard war zum Zeitpunkt der Aufzeichnung noch nicht verfügbar), das "Bewusstsein" (€⁴) von KI, die technologische Singularität und moralische Regeln von KI.
  (Und natürlich wurde ChatGPT nach "Skynet" gefragt. Angeblich besteht (noch) keine Gefahr 😉)"
- Fähigkeiten & Integration
  Was kann ChatGPT ?
  
  ChatGPT in der Version 3.5 basiert auf einem Datensatz von 175 Milliarden Daten.
  
  Die Version 3.5 ist auf einem Datenstand von/bis September 2021! Ergeignisse und Informationen nach diesem Datum sind nicht erfasst!
  
  Man kann ChatGPT z.B. als eine Art Bibliothek benutzen und sich dabei gezielte Informationen über nahezu alle Lebensbereiche, Ereignisse und z.B. Menschen einholen, die von unmittelbarem Interesse sind.
  
  Darüber hinaus kann ChatGPT u.a. Zusammenfassungen schreiben, argumentieren, programmieren, übersetzen, abfragen, Pläne und Modelle erstellen, dichten, Geschichten erfinden und z.B. Witze erzählen! Zudem kann sich ChatGPT auf bereits gegebene Antworten beziehen und Muster im Zusammenspiel mit den Nutzer:Innen erkennen und analysieren!
  
  Die Kommunikation mit ChatGPT erfolgt über eine Anweisung ("Prompt") der Nutzer:In, welche je nach Formulierung und Bedingungen unterschiedliche und i.d.R. neu formulierte Antworten / Ergebnisse liefert! Die Ergebnisse basieren dabei auf enormen Trainingsdaten, Wahrscheinlichkeiten und den in vorherigen Abschnitten erläuterten Deep-Learning Prozessen.
  
  Performance von ChatGPT (im Vergleich zum Mensch)
  
  Während ChatGPT 3.5 noch auf 175 Milliarden Daten basiert, kann die Nachfolgeversion ChatGPT 4 bereits auf 100 Billionen Daten zugreifen.
  Im Praxistest, dem "Bar Exam" (dem juristischen Examen in den USA), war die 3.5 Version besser als lediglich 10 Prozent aller menschlichen Test-Teilnehmer:Innen, Chat GPT 4 schlug dann bereits 90 Prozent!
  Bei der Biologie-Olympiade (=naturwissenschaftlicher Standardtest) war ChatGPT 3.5 besser als 31%, die 4er Version besser als 99% aller Teilnehmer:Innen, obwohl es neue Fragen waren, die eigene Lösungswege erforderten!
  
  Es ist anzunehmen, dass (aufgrund der rasanten Entwicklung und der Fülle an neuen Trainingsdaten und Fähigkeiten) solche KI-Dienste zeitnah nahezu "fehlerfrei" agieren werden bzw. Ergebnisse immer exakter, präziser und im Sinne der (richtigen?) Fragestellung präsentiert werden! Dennoch ist jedes Ergebnis ein Produkt der Trainingsdaten und von Wahrscheinlichkeiten, so dass eine kritische Überprüfung erstmal nicht obsolet wird!
  
  ChatGPT und Lehr- & Lernprozesse
  
  Es gibt verschiedene Möglichkeiten, wie man ChatGPT aus Sicht von Lehrenden und Lernenden einsetzen könnte:
  
  Lehrende könnten den Dienst z.B. für die Vorbereitung und Strukturierung von Unterrichtseinheiten nutzen. ChatGPT kann zu quasi jeder (Fach-)Thematik eine thematische Struktur, einen entsprechenden Zeitplan und auf eine Zielgruppe ausgerichtete Inhaltsfelder entwerfen. Darüber hinaus kann man sich in unterschiedlichen Niveaustufen Fachtexte, Tests, Quizze, verschiedene Abfragen und auch Prüfungen zu den Themen konzipieren lassen, inklusive der Antworten und weiterführenden Informationen.
  
  Lernende könnten ChatGPT für jede Art von textueller Arbeit einsetzen, sich u.a. Zusammenfassungen, Ausarbeitungen und Interpretationen zu bestimmten Texten, Codes, Modellen, Thesen oder Fragestellungen liefern lassen (einer kritischen Überprüfung vorausgesetzt!). Darüber hinaus kann ChatGPT als "persönliche/r Tutor:In" genutzt werden. Individuelle Lernpräferenzen werden berücksichtigt, Wissensüberprüfungen durchgeführt und analysiert sowie Lernfortschritte dokumentiert. Auch als Argumentationspartner:In für oder gegen bestimmte Herangehensweisen (bei Problemstellungen) kann die KI dienen!
  
  Beispiele für die Nutzung von ChatGPT
  
  Über die Eingabe bzw. die Aufforderung ("Prompt") kann man ChatGPT für individuelle Fragen und Herangehensweisen nutzen. Einige Beispiele inkl. der Aufforderung finden Sie nachfolgend:
  
  ChatGPT als Planungstool:
  
  „Ich plane eine Veranstaltung zu den Grundlagen zum Thema [X]. Bitte stelle mir für einen Zeitraum von [Y] Wochen eine mögliche Struktur inkl. Zeitplan zusammen, die die wesentlichen Themen und Inhalte abdeckt und auf die Zielgruppe [Z] ausgerichtet ist. Bitte berücksichtige, dass wöchentlich ein Zeitrahmen von ...[min.] für die Vermittlung zur Verfügung steht.
  
  ChatGPT und Aufgabensynthese:
  
  „Bitte stelle mir zum Thema [X] genau [Y] Fragen zusammen, die in unterschiedliche Niveaustufen gegliedert sind und auf die Zielgruppe [Z] ausgerichtet sind. Liefere mir bitte auch die korrekten Antworten zu jeder Frage!"
  
  oder:
  
  „Bitte stelle mir ein Quiz zum Thema [X] zusammen, welches [Y] Fragen beinhaltet, die auf die Zielgruppe [Z] ausgerichtet sind und sich vor allem auf das fachspezifische Thema [F] konzentrieren!"
  
  ChatGPT als persönliche/n Tutor*In:
  
  „Ich lerne gerade über [Ihr Thema hier einsetzen]. Stelle mir eine Reihe von Fragen , die mein Wissen diesbezüglich testen. Identifiziere Wissenslücken bei mir und gib mir Tipps, wie ich mich verbessern kann!“
  
  ChatGPT als Lernberater*In:
  
  „Ich möchte mehr über [Thema X] lernen. Identifiziere die wichtigsten 20% der Learnings aus diesem Thema, die mir helfen 80% des Themas zu verstehen. Teile mir die Ergebnisse mit!“
  
  ChatGPT & Rollenzuweisung:
  
  „Du bist ein Experte auf dem Gebiet [X], verfügst außerdem über tiefgreifende Kenntnisse im Thema [Y] und [Z]. Stelle mir bitte einen Lernplan für 30 Tage auf, der mir die wesentlichen Grundlagen von Thema [X] über einfache Übungen und Modelle vermittelt. Bitte stelle mir dahingehend einen Zeitplan auf!“
  
  ChatGPT & Zusammenfassungen:
  
  „Fasse mir die folgenden Aussagen bzw. Freitextantworten meiner Studierenden über eine qualitative und quantitative Analyse zusammen und präsentiere mir die strukturierten Ergebnisse!
  
  oder:
  
  „Schreibe mir die folgende Textpassage in einfache und leicht zu verstehende Worte um, fasse dann die wesentlichen Aussagen & Schlussfolgerungen für mich zusammen!“
  
  ChatGPT & Argumentationen:
  
  „Stelle mir zu der These [X] die wichtigsten Argumente dafür und dagegen auf. Belege die jeweiligen Argumente mit einer Quelle, die dieses Argument stützt oder belegt!“
  
  Einige weitere, hilfreiche Tipps und Formulierungen finden Sie unter diesem Link oder auch hier [11.07.2023]
  Eine umfassende Linksammlung, viele Ideen und Integrationsmöglichkeiten von ChatGPT in Lehr- und Lernprozesse zeigt das Hochschulforum Digitalisierung auf! [10.07.2023]
  
  Das Thema "Prompting" wird im folgenden Abschnitt genauer beleuchtet und tiefergehend analysiert. Ebenfalls finden sich dort konkrete, fachbezogene Beispiele und Empfehlungen aus der Praxis!
- Kritik & Fehler
  Es gibt verschiedene Kritikpunkte und potenzielle Fehlerquellen, die im Zusammenhang mit ChatGPT und ähnlichen KI-Modellen (zumindest Stand Heute) auftreten können.
  
  Es ist anzunehmen, dass aufgrund der rasanten Entwicklung und des kontinuierlichen Trainings von KI über riesige Datenmengen (und z.B. über maschinelles Lernen) die Fehlerwahrscheinlichkeit und sog. "Halluzinationen" abnehmen werden.
  
  Trotzdem gilt es jede KI-Technologie und deren Ergebnisse zu hinterfragen, zu überprüfen und mit gesundem Menschenverstand zu interpretieren!
  Was führt zu Fehlern und falschen Ergebnissen von KI?
  
  Fehlinformationen oder Ungenauigkeiten: Da KI-Modelle wie ChatGPT auf vorherigem Texttraining basieren, können sie Informationen wiedergeben, die nicht korrekt oder veraltet sind. Es besteht die Möglichkeit, dass fehlerhafte oder irreführende Antworten gegeben werden.
  Empfindlichkeit gegenüber Eingabeänderungen: Kleine Änderungen in der Formulierung einer Frage können zu unterschiedlichen Antworten führen. Das Modell kann sensibel auf subtile Veränderungen reagieren und unterschiedliche oder sogar widersprüchliche Ergebnisse liefern.
  Mangelnde Fähigkeit zur kritischen Bewertung: KI-Modelle wie ChatGPT können keine kritische Bewertung oder Überprüfung von Informationen durchführen. Sie nehmen Informationen so, wie sie präsentiert werden, ohne ihre Richtigkeit zu bewerten. Daher können sie auch Falschinformationen oder unbegründete Behauptungen reproduzieren.
  Ethik- und Bias-Probleme: KI-Modelle sind anfällig für Verzerrungen und Voreingenommenheiten, die in den Trainingsdaten vorhanden sind. Wenn die Daten Voreingenommenheiten enthalten, können die Antworten des Modells ebenfalls voreingenommen sein und Diskriminierung oder Ungleichheiten reproduzieren.
  "Halluzinationen":..beziehen sich auf Situationen, in denen KI-Modelle wie ChatGPT fiktive oder unbestätigte Informationen liefern können. Dies kann dazu führen, dass das Modell Antworten generiert, die nicht auf echten Fakten oder Wissen beruhen, sondern auf einer Kombination von Informationen aus dem Trainingsdatensatz. Diese Halluzinationen können unbeabsichtigt auftreten, wenn das Modell versucht, eine Anfrage zu beantworten, für die es keine ausreichenden Informationen hat. Die Antwort basiert halt oft auf Wahrscheinlichkeiten...
  
  Es ist wichtig, bei der Nutzung von KI-Modellen wie ChatGPT kritisch zu bleiben und die bereitgestellten Informationen zu überprüfen. KI-Modelle sollten als Werkzeuge betrachtet werden, die zusätzliche Informationen und Perspektiven liefern können, jedoch nicht als absolute Autoritäten. Bewusstsein für die Grenzen und potenziellen Fehler von KI-Modellen ist entscheidend, um ihre Ergebnisse angemessen zu interpretieren und zu nutzen.
- Bildsynthese
  Bildsynthese
  Bildsynthese durch eine KI bezieht sich auf den Prozess, bei dem ein KI-Modell auf der Grundlage von Eingabeinformationen ein Bild erzeugt.
  Dabei verwendet die KI-Algorithmen und Mustererkennungstechniken, um visuelle Merkmale und Strukturen zu erfassen und sie in ein neues Bild umzuwandeln. Die KI kann beispielsweise auf der Basis von vorhandenen Bildern trainiert werden, um neue Bilder zu erzeugen, die ähnliche Merkmale oder Stile aufweisen.
  Bildsynthese durch KI wird in verschiedenen Bereichen wie der Kreativität, der visuellen Gestaltung und der Computersimulation eingesetzt.
  
  Das Bild hier wurde z.B. über folgende Aufforderung vom Dienst Dall-E kreiert: "3D render of a robot eating books while sitting on a cloud in synthwave style".
  Inwieweit urherberrechtliche Fragestellungen Einfluss auf die Nutzung, Verwendung und Vervielfältigung entsprechener Werke haben, gilt es je nach Dienst und gesetzlichen Vorgaben zu prüfen!
  Bildsynthese und Hochschule
  Die Nutzung und Verwendung von Bildern ist im Hochschulkontext von Bedeutung. Lehr- und Lerninhalte werden u.a. über Bilder transportiert und veranschaulicht!
  Oftmals unterliegen Bilder ab dem Urheberrecht und dürfen nur unter bestimmten Bedingungen und in definierten Settings verwendet werden.
  Die generierten KI-Bilder (wie u.a. von Dall-E) genießen keinen Urheberrechtsschutz (siehe Info unten) und können somit frei von Lehrenden und Lernenden verwendet werden.
  "Werden Bilder mit dem Programm DALL-E, welches auf einer künstlichen Intelligenz beruht, erzeugt, sind diese nicht durch das Urheberrecht geschützt. Nutzer erhalten allerdings die Nutzungsrechte an den von ihnen generierten Bildern und können diese dadurch auch kommerziell nutzen" (Quelle: https://www.urheberrecht.de/dall-e/) [10.07.2023]
- DALL-E
  Beim KI-Dienst "Dall-E" [10.07.2023] handelt es sich um ein generatives Modell, das Bilder ebenfalls auf der Grundlage von textuellen Beschreibungen erzeugen kann.
  Anders als bei früheren Bild-generierenden Modellen ermöglicht DALL-E die Erzeugung völlig neuer Bilder, die nicht auf vorhandenen Daten basieren.
  Es nutzt ein neuronales Netzwerk, um Texteingaben in Bilder umzuwandeln und hat beeindruckende Fähigkeiten in der Generierung kreativer und ungewöhnlicher Bildergebnisse gezeigt.
  Das Bild links ("Roboter as an artist, painting, digital Art") wurde z.B. von DALL-E 2 erzeugt (mittlerweile gibt es bereits DALL-E 3)!
  
  Alles Infos zum Dienst, Anbieter und der Verwendung finden Sie unter diesem Link [24.01.2024]
  
  DALL-E 3 (neueste Version, Stand 01/24) findet sich übrigens auch integriert in Microsofts CoPilot [24.01.2024]
- Adobe Firefly
  Adobe Firefly ist eine generative KI-Anwendung, die es ermöglicht, einzigartige Kreationen zu erstellen, indem man Texteingaben in Alltagssprache eingibt.
  Man kann Bilder und Texteffekte generieren, Objekte hinzufügen oder entfernen, Grafiken neu einfärben, 3D-Elemente positionieren und viele weitere Features anwenden.
  Das Bild links ("Glühwürmchen vor einem Computer Monitor, digitale Kunst") wurde z.B. durch diesen Dienst erstellt!
  Die Anwendung ist (Stand 24.01.24) bis zu einem gewissen Kontingent an Kreationen kostenlos, bedingt vorab nur eine Anmeldung bzw. Registrierung.
  
  Alles Infos und Features finden Sie auf der offiziellen Seite von Adobe Firefly [24.01.2024]
- Sprachsynthese
  Was meint Sprachsynthese?
  Sprachsynthese bezieht sich auf den Prozess, bei dem ein künstliches System, wie zum Beispiel eine KI, menschenähnlichen Sprachoutput erzeugt. KI in der Sprachsynthese nutzt Algorithmen und Modelle, um aus textuellen Eingaben eine gesprochene Ausgabe zu generieren.
  Im Fall von Text-to-Speech (TTS) verwendet die KI Algorithmen, um die Eingabetexte zu analysieren und die entsprechenden gesprochenen Klänge zu erzeugen. Dies umfasst die Umwandlung von Text in phonetische Repräsentationen, die Kontrolle von Tonhöhe, Geschwindigkeit, Betonung und andere Aspekte der Sprache, um menschenähnlichen Klang zu erzeugen. Fortgeschrittene TTS-Modelle nutzen oft neuronale Netzwerkarchitekturen wie WaveNet oder Tacotron, um hochwertige und natürliche Sprachausgaben zu erzeugen.
  Die Sprachsynthese durch KI wird in verschiedenen Anwendungen eingesetzt, darunter Sprachassistenten, Hörbücher, Barrierefreiheit für Sehbehinderte, automatisierte Telefonanrufe und Sprachausgabe für die Unterhaltungsindustrie.
  
  KI-Dienste, die sich auf Sprachsynthese fokussieren, wären z.B. Prime Voice AI , Speechify oder auch Listnr [10.07.2023]
- Videosynthese
  Wenn KI Filme erzeugt...
  Videosynthese bezieht sich auf den Prozess, bei dem ein künstliches System, wie zum Beispiel eine KI, die Fähigkeit besitzt, neue Videos zu generieren. Dabei werden visuelle Inhalte erzeugt, die den Eingabeinformationen oder dem gewünschten Szenario entsprechen.
  Bei der Videosynthese nutzt die KI Algorithmen und Modelle, um aus gegebenen Eingabeinformationen, wie zum Beispiel einer textuellen Beschreibung oder einem Satz von Bildern, ein vollständiges Video zu generieren. Dieser Prozess kann die Erzeugung von Bildfolgen, das Hinzufügen von Bewegung, die Berücksichtigung von Kontext und die Aufrechterhaltung von visuellen Konsistenzen umfassen.
  Die Videosynthese durch KI findet Anwendung in verschiedenen Bereichen wie der Filmindustrie, der Animation, der Spieleentwicklung, der virtuellen Realität und der Simulation. Sie ermöglicht es, Inhalte zu erstellen, die nicht nur menschenähnlich, sondern auch anpassbar und kreativ sind.
  Videosynthese in der Praxis
  Martin Smaxwil hat im Blog Elmo [10.07.2023] der THGA eindrucksvoll demonstriert, wie gut und einfach man diesbzgl. bereits visuelle (Video-)Inhalte erzeugen kann:
  "Die Face Swap Apps und Deep Fake-Videos bringen natürlich entsprechende Gefahren mit sich - wenn z.B. Barack Obama seinen Nachfolger beschimpft oder pornographische Inhalte auf Knopfdruck erstellt werden können (Erste Hilfe Tipps für Betroffene? Bei HateAid!) - können aber auch in anderen Kontexten eine Rolle spielen. Diverse Anbieter erstellen täuschend echt aussehende Videos z.B. für Fort- und Weiterbildungen oder Marketingkampagnen.
  
  Wenn aber selbst ich (= Amateur auf diesem Gebiet) ein paar der frei verfügbaren o.g. Möglichkeiten kombiniere, also z.B.
  
  ein KI-generiertes Bild einer Person (hier: thispersondoesnotexist.com) nehme,
  
  eine KI-basierte Übersetzung (hier: Übersetzer von DeepL) eines Textes mittels
  
  einer KI-basierten Sprachsynthese (hier: Prime Voice AI von Elevenlabs) in Audio umwandele
  
  und Bild und Ton mit einer weiteren KI (hier: Creative Reality Studio von D-ID) in ein Video umrechnen lasse,
  
  kommt das hier heraus:
Prompting - Effektiv mit KI arbeiten
Was sind "Prompts" und warum sind diese wichtig?

Im Zusammenhang mit KI bezieht sich "Prompting" auf die Praxis, künstliche Intelligenz-Modelle durch klare und spezifische Anweisungen, Fragen oder Aufforderungen zu leiten, um gezielte Antworten oder Generierungen zu erhalten.
Diese Anweisungen, auch als "Prompts" bezeichnet, dienen als Input für KI-Modelle, insbesondere für generative Modelle wie GPT (Generative Pre-trained Transformer).
In einfachen Worten bedeutet Prompting im Kontext der KI, dass ein:e Benutzer:in dem Modell sagt, was man erwartet oder benötigt, indem eine präzise Eingabe formuliert wird. Je klarer und spezifischer ein Prompt ist, desto genauer und relevanter sind die generierten Ergebnisse des KI-Modells. Es ist eine Möglichkeit, die Fähigkeiten von KI-Modellen zu lenken und sicherzustellen, dass die Ausgabe den gewünschten Anforderungen entspricht.
- Arten von Prompts
  Welche Arten von Prompts gibt es?
  
  Im Zusammenhang mit KI und Lehr- und Lernszenarien können verschiedene Arten von Prompts genutzt werden, um spezifische Ergebnisse von KI-Modellen zu erhalten. Hier sind einige wichtige Arten von Prompts aufgelistet.
  Je nach Lehr- und Lernszenario und methodisch-didaktischer Vorgehensweise eignen sich bestimmte Arten der Integration von Prompts.
  Die Lernziele, z.B. bestimmte zu erlernende Kompetenzen, spielen diesbzgl. ebenso eine wichtige Rolle, wie auch das Setting und die jeweilige Zielgruppe sowie ihre Bedürfnisse.
  
  Frage-Prompts:
  Beispiel: "Erkläre die Grundprinzipien der Thermodynamik."
  Anwendung: Um detaillierte Erklärungen oder Zusammenfassungen zu einem bestimmten Thema zu erhalten.
  Problem-Lösungs-Prompts:
  Beispiel: "Löse die folgende Gleichung: x^2 + 2x - 8 = 0."
  Anwendung: Um Lösungen für mathematische Probleme oder Aufgaben zu generieren.
  Reflexions-Prompts:
  Beispiel: "Reflektiere über die Auswirkungen des Klimawandels auf die Umwelt."
  Anwendung: Um ausführliche und reflektierte Antworten zu komplexen Themen zu erhalten.
  Kreativitäts-Prompts:
  Beispiel: "Entwickle eine innovative Lösung für die Reduzierung von Plastikmüll."
  Anwendung: Um kreative Ideen und Vorschläge zu generieren.
  Bewertungs-Prompts:
  Beispiel: "Bewerte die Vor- und Nachteile von erneuerbaren Energien im Vergleich zu fossilen Brennstoffen."
  Anwendung: Um eine detaillierte Analyse von verschiedenen Optionen oder Ansätzen zu erhalten.
  Vergleichs-Prompts:
  Beispiel: "Vergleiche die Merkmale von Pflanzenzellen und Tierzellen."
  Anwendung: Um klare Unterscheidungen zwischen verschiedenen Konzepten oder Entitäten zu erhalten.
  Anwendungsorientierte-Prompts:
  Beispiel: "Beschreibe die Anwendung von Ohmschem Gesetz in einem elektrischen Schaltkreis."
  Anwendung: Um praxisnahe Anwendungen von theoretischem Wissen zu generieren.
  Diskussions-Prompts:
  Beispiel: "Diskutiere die ethischen Implikationen von Gentechnik."
  Anwendung: Um ausführliche Diskussionen und Meinungen zu kontroversen Themen zu erhalten.
  Fallstudien-Prompts:
  Beispiel: "Analysiere die geologischen Merkmale eines bestimmten Erdbebens."
  Anwendung: Um detaillierte Analysen von realen Szenarien oder Fallstudien zu erhalten.
  
  Die Auswahl der Promptart hängt davon ab, welche Art von Informationen oder Aktivitäten in einem Lehr- und Lernkontext benötigt werden. Klare und gezielte Prompts helfen, präzise und relevante Antworten von KI-Modellen zu erhalten. Umgekehrt können fehlerhafte Prompts enttäuschende/falsche Ergebnisse liefern!
- Exkurs: Prompt-Techniken
  Was gibt es denn so an "Prompt-Techniken"?
  In diesem kurzen Exkurs sollen Ihnen die Termini der Prompt-Techniken näher erläutert werden.
  Die verschiedenen Techniken (und die Unterschiede zu kennen) sollen das Verständnis für die Arbeit mit und durch KI fördern und Ihnen dahingehend auch Optionen aufzeigen!
  Je nach Aufgabe, Zielstellung und didaktisch-methodischem Setting eignen sich bestimmte Techniken mehr als andere. Konkrete Anwedungsszenarien dieser Techniken (bezogen auf bestimmte Studiengänge der THGA) finden Sie in nachfolgenden Abschnitten erläutert!
  
  Die hier vorgestellten Techniken haben Überschneidungen und können u.a. von generativer KI verwendet werden. Natürlich können Benutzer:innen auch bestimmte Techniken forcieren bzw. von der KI einfordern und transparent machen.
  
  Vertiefende Erläuterungen und weitere Beispiele können Sie auch unter diesem Link vorfinden [31.01.2024]
  Prompt-Techniken:
- Zero Shot Prompting / Few Shot Prompting
  Zero Shot Prompting:
  Das bedeutet, dass man eine KI ohne vorherige Beispiele oder Hinweise eine Aufgabe lösen lässt, indem man ihr nur eine natürlichsprachliche Eingabeaufforderung gibt. Zum Beispiel: “Schreibe einen kurzen Text über die Vorteile von Prompt Engineering!"
  
  Few Shot Prompting:
  Das bedeutet, dass man einer KI einige Beispiele oder Hinweise gibt, um ihr zu helfen, eine Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Eingabeaufforderung gibt. Zum Beispiel: "Ordne die folgenden Wörter in die Kategorien Obst oder Gemüse ein. Verwende das Format ‘Wort: Kategorie’ ! Ergebnis z.B.: "Apfel: Obst"
- Reverse Prompt Engineering
  Reverse Prompt Engineering (RPE) ist eine Technik, bei der anhand der Ergebnisse von KI-Systemen Rückschlüsse auf die verwendeten Eingaben oder "Prompts" gezogen werden. Anstatt das Modell zu trainieren, indem man ihm Prompts mit den gewünschten Antworten gibt, analysiert man die Antworten des Modells und versucht dann, die ursprünglichen Prompts zu rekonstruieren.
  
  Diese Technik kann nützlich sein, um besser zu verstehen, wie ein KI-Modell funktioniert, indem man Einblicke in die Muster und Informationen erhält, die es verwendet, um seine Antworten zu generieren. Es kann auch helfen, Schwachstellen oder unerwünschte Verhaltensweisen in einem Modell aufzudecken, indem man herausfindet, welche Arten von Eingaben dazu führen, dass es falsche oder unangemessene Antworten gibt
  Beispiel:
  In der Elektrotechnik könnte Reverse Prompt Engineering beispielsweise angewendet werden, um die spezifischen Eingabesignale zu identifizieren, die ein KI-Modell wie ein neuronales Netzwerk verwendet, um elektrische Signale zu analysieren und Vorhersagen zu treffen.
  Angenommen, Sie haben ein neuronales Netzwerk trainiert, um Fehler in elektrischen Schaltkreisen zu erkennen...
  Anstatt dem Modell direkte Hinweise auf die Fehler zu geben, könnten Sie ihm verschiedene fehlerhafte Signale präsentieren und dann die Ausgaben des Modells analysieren, um zu sehen, wie es diese Fehler interpretiert. Durch die Rückverfolgung der Ausgaben des Modells könnten Sie möglicherweise Rückschlüsse darauf ziehen, welche Merkmale oder Muster in den Eingangssignalen besonders wichtig sind, um Fehler zu erkennen.
  Dies könnte Ihnen helfen, die Funktionsweise des Modells besser zu verstehen und möglicherweise auch Einblicke in die Arten von Fehlern zu gewinnen, die das Modell möglicherweise nicht gut erkennt oder falsch interpretiert.
- Chain of thought prompting
  Das bedeutet, dass man einer KI eine Reihe von zusammenhängenden Eingabeaufforderungen gibt, um ihr zu helfen, eine komplexe oder kreative Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Anweisung gibt.
  Zum Beispiel: "Schreibe einen kurzen Krimi mit folgenden Elementen:
  
  Der Detektiv heißt Sherlock Holmes.
  
  Der Mörder ist der Gärtner.
  
  Die Tatwaffe ist eine Gartenschere.
  
  Das Motiv ist Eifersucht.
  
  Beginne mit der Eingabeaufforderung ‘Sherlock Holmes betrat den Tatort.’ und fahre mit der nächsten Eingabeaufforderung fort, wenn du einen Absatz geschrieben hast.
  
  Chain of Thought Prompting ermöglicht im Gegensatz zu anderen Prompting-Methoden, die oft lediglich eine einzelne Eingabeaufforderung verwenden, eine Simulation des Denkprozesses. Während herkömmliche Prompts das Sprachmodell direkt nach einer Antwort fragen, führt Chain of Thought es durch eine scheinbare Gedankenkette. Dabei generiert das Modell nicht nur eine Antwort, sondern auch eine Erklärung, wie diese zustande gekommen ist. Dieser Ansatz zur Problemlösung ähnelt menschlichen Denk- und Handlungsmustern und kann die Qualität der Ergebnisse deutlich steigern
- Role prompting
  Das bedeutet, dass man einer KI eine Rolle oder einen Charakter zuweist, um ihr zu helfen, eine Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Eingabeaufforderung gibt. Zum Beispiel: “Schreibe einen kurzen Dialog zwischen einem Arzt und einem Patienten, der sich über Kopfschmerzen beschwert. Du bist der Arzt. Beginne mit der Eingabeaufforderung ‘Guten Tag, wie kann ich Ihnen helfen?’.”
  Tipp:
  Es ist hilfreich, wenn Sie der KI neben einer Rolle (Expertin für Thema XY) auch weitergehende Fachkompetenzen zuweisen. Die Genauigkeit der Beschreibung einer Rolle sowie die benötigten Kompetenzen haben Einfluss auf die Generierung eines Ergebnisses und müssen im Zweifel daher angepasst und ausprobiert werden.
- Option-based prompting
  Das bedeutet, dass man einer KI mehrere Optionen oder Alternativen gibt, um ihr zu helfen, eine Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Eingabeaufforderung gibt.
  Zum Beispiel: "Schreibe einen kurzen Text über die Vorteile von Prompt Engineering. Wähle eine der folgenden Optionen aus:
  
  Eine Liste mit drei Vorteilen
  
  Ein Vergleich mit einer anderen Technik
  
  Ein Erfahrungsbericht von einem Nutzer
  
  Gib die gewählte Option am Anfang des Textes an."
- Self-Consistency
  Beschreibt eine andere, neue Dekodierungsstrategie. Self-Consistency ist eine Methode, die die Qualität der Antworten von großen Sprachmodellen verbessert, wenn sie komplexe Probleme lösen.
  Sie basiert auf der Idee, dass es für ein Problem oft mehrere Denkwege gibt, die zu einer eindeutigen richtigen Antwort führen. Self-Consistency erzeugt zuerst eine Vielzahl von Denkwegen, anstatt nur den einfachsten zu nehmen, und wählt dann die Antwort aus, die mit den meisten Denkwegen übereinstimmt.
  Self-Consistency wird in Kombination mit der Chain-of-Thought-Prompting-Methode verwendet, bei der man einem Sprachmodell ein paar Beispiele zeigt, wie es ein Problem Schritt für Schritt lösen kann.
  
  Beispiel:
  
  Frage als Prompt: "Wieviele Seiten hat ein Würfel?" Die Chain-of-Thought Erschließung (s.o.) liefe z.B. wie folgt in der KI ab:
  A: Ein Würfel ist ein dreidimensionaler Körper, der aus sechs quadratischen Flächen besteht.
  Q: Was ist eine quadratische Fläche?
  
  A: Eine quadratische Fläche ist eine Fläche, die vier gleich lange Seiten und vier rechte Winkel hat.
  
  Q: Wie viele rechte Winkel hat eine quadratische Fläche? ....usw. bis zum richtigen Ergebnis!
  Die alternative (KI)-Herangehensweise, die diese Technik widerspiegelt, könnte wie folgt aussehen:
  
  A: Ein Würfel ist ein Polyeder, der aus sechs kongruenten Flächen besteht.
  
  Q: Was ist ein Polyeder?
  
  A: Ein Polyeder ist ein dreidimensionaler Körper, der aus ebenen Flächen, geraden Kanten und Ecken besteht.
  
  Q: Wie viele Kanten hat ein Polyeder?
  
  A: Die Anzahl der Kanten eines Polyeders hängt von der Anzahl seiner Flächen und Ecken ab. Es gibt eine Formel, die diese Beziehung beschreibt: F + E - K = 2, wobei F die Anzahl der Flächen, E die Anzahl der Ecken und K die Anzahl der Kanten ist.
  
  Q: Wie viele Ecken hat ein Würfel?
  
  A: Ein Würfel hat acht Ecken.
  
  Q: Wie viele Kanten hat ein Würfel?
  
  A: Wenn wir die Formel F + E - K = 2 verwenden und die Werte für F und E einsetzen, erhalten wir: 6 + 8 - K = 2, was bedeutet, dass K = 12 ist. Ein Würfel hat also 12 Kanten.
  
  Q: Wie viele Seiten hat ein Würfel?
  A: Ein Würfel hat sechs Seiten, die seinen sechs Flächen entsprechen.
- Meta-Prompts & Prompt-Templates
  Dies sind Prompts, die andere Prompts generieren, indem sie die Eingabe der Benutzer:innen oder die Ausgabe des Modells verwenden, um die Anweisung, den Kontext oder die Beispiele anzupassen. Diese "parametrisierten Prompts" helfen der KI bestimmte Generierungsprozesse zu initiieren.
  
  Ein Beispiel wäre die Anfrage von Benutzer:innen zum Erlernen einer bestimmten Programmiersprache an die KI:
  Q: Wie lerne ich {language}?
  
  A: Um {language} zu lernen, benötigen Sie folgende Ressourcen:
  
  - Ein {language}-Tutorial, das Ihnen die Grundlagen der Syntax, der Datenstrukturen, der Funktionen und der Objektorientierung beibringt. Sie können dieses Tutorial hier finden: {tutorial_link}.
  
  - Ein {language}-Editor, mit dem Sie Ihren Code schreiben, ausführen und debuggen können. Sie können diesen Editor hier herunterladen: {editor_link}.
  
  - Ein {language}-Projekt, an dem Sie Ihre Fähigkeiten anwenden und verbessern können. Sie können einige Projektideen hier finden: {project_link}.
  
  Dies ist ein parametrisiertes Prompt, indem die Parameter {language}, {tutorial_link}, {editor_link} und {project_link} mit Werten gefüllt werden, die von den Benutzer:innen oder vom Modell bereitgestellt werden. Zum Beispiel, wenn die Benutzer:innen eben fragen:
  
  Q: Wie lerne ich Python?
- Tree of Thoughts (ToT)
  Tree of Thoughts ist eine Methode, die es großen Sprachmodellen (LLMs) wie ChatGPT-4 ermöglicht, mehrere Denkwege zu erkunden, wenn sie Probleme lösen. ToT hat vier Phasen: Brainstorming, Evaluierung, Erweiterung und Entscheidung. In jeder Phase werden verschiedene Lösungen für ein Problem generiert, bewertet, vertieft und verglichen. Am Ende wird die beste Lösung ausgewählt und begründet.
  Beispiel:
  Q: Wie kann ich mein kleines Unternehmen inmitten wirtschaftlicher Unsicherheit führen?
  
  Brainstorming: Ich könnte (1) mein Geschäftsmodell anpassen, (2) nach neuen Märkten suchen oder (3) nach Finanzierungsmöglichkeiten suchen.
  
  Evaluierung: Option (1) hat eine hohe Erfolgswahrscheinlichkeit, aber erfordert viel Aufwand und Kreativität. Option (2) hat eine mittlere Erfolgswahrscheinlichkeit, aber erfordert viel Recherche und Marketing. Option (3) hat eine niedrige Erfolgswahrscheinlichkeit, aber erfordert wenig Aufwand und Ressourcen.
  
  Erweiterung: Option (1) könnte bedeuten, dass ich mein Angebot digitalisiere, meine Preise senke oder meine Zielgruppe erweitere. Option (2) könnte bedeuten, dass ich online verkaufe, neue Partnerschaften aufbaue oder in neue Regionen expandiere. Option (3) könnte bedeuten, dass ich einen Kredit aufnehme, nach Investoren suche oder Crowdfunding nutze.
  
  Entscheidung: Ich entscheide mich für Option (1), weil sie mir die größte Flexibilität und Anpassungsfähigkeit bietet. Ich glaube, dass ich mein Geschäftsmodell mit etwas Kreativität und Experimentieren erfolgreich verändern kann. Ich werde mein Angebot digitalisieren, indem ich eine Website erstelle, Online-Zahlungen akzeptiere und meine Produkte per Post verschicke.
- Anwendungsszenarien in der Hochschule
  Prompting und Anwendungsszenarien in der Hochschule
  
  Die Frage, inwieweit man Prompting nun auch im methodisch-didaktischem Sinne einsetzen kann, soll nachfolgend erörtert werden.
  Grundsätzlich gibt es eine Vielzahl an möglichen Lehr- und Lernszenarien, bei denen generative KI unterstützend eingesetzt werden kann. Eine kritische Auseinandersetzung mit den Ergebnissen bzw. der Arbeit von KI ist dabei nach wie vor unumgänglich.
  An einigen Beispielen und Modellen soll die Arbeit mit KI im und außerhalb von Unterricht hier nun veranschaulicht und demonstriert werden. Natürlich gibt es noch viele weitere, denkbare und auch kreative Anwendungsszenarien, die Lernen und Lehre bereichern und andere Lernzugänge gestalten bzw. zulassen können.
  
  Prompting mit generativer KI kann in Lehr- und Lernszenarien auf vielfältige Weise eingesetzt werden, um den Lernprozess zu verbessern. Hier sind einige Anwendungsmöglichkeiten und -beispiele zusammengefasst:
  
  Generierung von Lernmaterial:
  Lehrer:innen können generative KI verwenden, um maßgeschneidertes Lernmaterial zu erstellen. Durch die Bereitstellung klarer Prompts können sie KI-Modelle dazu anleiten, relevante Erklärungen, Beispiele oder Übungen zu generieren.
  Automatische Rückmeldungen:
  Lernende können ihre Antworten auf bestimmte Prompts eingeben, und die generative KI kann automatisch konstruktive Rückmeldungen generieren. Dies fördert schnelles, individuelles Feedback und unterstützt den Lernprozess.
  Textgenerierung für kreative Aufgaben:
  In Fächern wie Literatur oder Kreativschreiben können generative Modelle kreative Texte auf der Grundlage von Prompts erstellen. Dies kann dazu beitragen, die Schreibfähigkeiten der Lernenden zu entwickeln.
  Interaktive Simulationen:
  Durch die Verwendung von Prompts können KI-Modelle interaktive Simulationen generieren, die den Lernenden helfen, komplexe Konzepte besser zu verstehen. Dies ist besonders in den Naturwissenschaften und Ingenieurwissenschaften relevant.
  Adaptive Lernumgebungen:
  Generative KI kann dazu verwendet werden, adaptive Lernumgebungen zu schaffen. Basierend auf den Reaktionen der Lernenden auf bestimmte Prompts kann das System automatisch personalisierte Lernmaterialien und Aktivitäten bereitstellen.
  Entwicklung von Problemlösungsfähigkeiten:
  Prompts können so gestaltet werden, dass sie die Lernenden dazu anregen, komplexe Probleme zu analysieren und kreative Lösungen zu entwickeln. Dies fördert kritisches Denken und Problemlösungsfähigkeiten.
  Peer-Review-Prozesse:
  Lernende können Prompts für Peer-Reviews erstellen, bei denen KI dazu verwendet wird, konstruktives Feedback zu generieren. Dies fördert die Zusammenarbeit und den Austausch zwischen den Lernenden.
  Vorbereitung auf Prüfungen:
  Durch die Bereitstellung von Prompts für Probeklausuren oder Prüfungsfragen können Lernende mit generativer KI gezielt auf Prüfungen vorbereitet werden. Die Modelle können dann Feedback zu den Antworten und sogar Hinweise für Verbesserungen generieren
  
  Einen allgemeinen Überblick über die Potenziale, die Voraussetzungen und auch Herausforderungen von sog. LLM (Large Langugage Models) in Bildungsprozessen liefert das Impulspapier der Kultusministerkonferenz vom Januar 2024 [25.01.2024]
- Konkrete Prompts in Studiengängen
  Beispiele von konkreten Prompts in Studiengängen
  
  Die nachfolgenden (Beispiel-)Prompts sollen zeigen, welche inhaltlichen Unterstützungen eine KI für Lehr- und Lernarrangements leisten kann.
  
  Einige Studiengänge an der THGA dienen diesbzgl. hier zur Veranschaulichung, auch wenn das ganze, sich nach wie vor entwickelnde Spektrum an Möglichkeiten der Integration von KI in Bildungsprozesse niemals abschließend abgebildet werden kann!
  
  Dennoch lassen diese Beispiele erahnen, inwieweit KI Unterricht bereichern kann, sofern klare Regeln und Vorgaben von Lehrenden bzw. der Hochschule eingehalten werden sowie Transparenz in der Nutzung für alle Akteur:innen nachvollziehbar hergestellt wird.
  
  Elektrotechnik:
  Prompt an die KI: "Entwickle einen digitalen Schaltungsentwurf für einen Frequenzteiler. Erläutere die Schaltungsdetails und erkläre, wie Frequenzen korrekt geteilt werden können. Nutze unterschiedliche Flip-Flop-Schaltungen und begründe deine Auswahl."
  Didaktisch-methodische Begründung: Die KI wird als Ressource genutzt, um die Studierenden bei der praktischen Anwendung von Elektrotechnik-Konzepten zu unterstützen. Die Studierenden müssen klare Anweisungen für den Schaltungsentwurf geben, was nicht nur ihr technisches Wissen demonstriert, sondern auch ihre Fähigkeit zur präzisen Kommunikation und Anleitung von KI-Systemen fördert.
  Maschinenbau:
  Prompt an die KI: "Entwickle ein Konzept zur Optimierung der Struktur eines Fahrzeugrahmens in Bezug auf Festigkeit und Gewicht. Begründe die Auswahl der Materialien und erkläre, wie moderne Fertigungstechniken in die Umsetzung einfließen können."
  Didaktisch-methodische Begründung: Hier interagiert die KI mit den Studierenden, um ihre Fähigkeit zur Anwendung von Maschinenbaukenntnissen auf reale Probleme zu fördern. Die Studierenden müssen klare Anweisungen für die Optimierung der Struktur geben und dabei das Verständnis für Materialauswahl und moderne Fertigungstechniken zeigen.
  Werkstoffkunde:
  Prompt an die KI: "Analysiere die Eigenschaften von Verbundwerkstoffen und vergleiche sie mit herkömmlichen metallischen Werkstoffen hinsichtlich ihrer Anwendungen im Bauwesen. Gib Beispiele für spezifische Bauanwendungen an und erkläre, warum der Einsatz von Verbundwerkstoffen in diesen Fällen vorteilhaft sein könnte."
  Didaktisch-methodische Begründung: Die KI wird hier als Werkzeug genutzt, um die Studierenden zur Analyse von Werkstoffeigenschaften und deren Anwendungen anzuleiten. Die Studierenden müssen klare Anweisungen für den Vergleich geben, wodurch ihre Fähigkeit zur kritischen Bewertung von Werkstoffen und Anwendungen gestärkt wird. Durch die Zusammenarbeit mit der KI können sie auf eine ressourcenorientierte Weise auf reale Szenarien eingehen.
  Wirtschaftsingenieurwesen:
  Prompt: "Entwickeln Sie ein Konzept zur Optimierung der Produktionsprozesse in einem Fertigungsunternehmen. Berücksichtigen Sie dabei Aspekte wie Effizienz, Kostenreduzierung und Qualitätssicherung. Diskutieren Sie mögliche Herausforderungen bei der Umsetzung Ihres Konzepts und skizzieren Sie Strategien zur Überwindung dieser Hindernisse."
  Didaktisch-methodische Begründung: Dieser Prompt fördert die Anwendung von Wirtschaftsingenieur-Konzepten auf reale betriebliche Probleme. Die Studierenden werden dazu angeregt, nicht nur Lösungen zu entwickeln, sondern auch potenzielle Herausforderungen zu identifizieren und zu bewerten. Dies fördert ihre Fähigkeit zur strategischen Planung und Problemlösung in einem industriellen Kontext.
  Verfahrenstechnik:
  Prompt für Interaktion mit der KI: "Entwickle ein Konzept für die effiziente Gestaltung einer Destillationsanlage zur Trennung von Flüssigkeitsgemischen. Nachdem die KI ihre Vorschläge gemacht hat, vergleiche deine Überlegungen mit den generierten Ideen. Diskutiere mögliche Unterschiede und erkläre, wie du bestimmte Aspekte deines Konzepts optimiert hast."
  Didaktisch-methodische Begründung: Die Studierenden interagieren aktiv mit der KI, indem sie ihre eigenen Konzepte mit den von der KI vorgeschlagenen vergleichen. Dies fördert nicht nur die Anwendung von Verfahrenstechnik-Konzepten, sondern auch kritisches Denken und die Fähigkeit, rationale Entscheidungen zu treffen.
  Geologie:
  Prompt für Interaktion mit der KI: "Analysiere die geologischen Merkmale einer bestimmten Region und identifiziere potenzielle Risiken für Naturgefahren wie Erdbeben oder Hangrutsche. Vergleiche deine Analyse mit den Vorschlägen der KI und diskutiere, welche zusätzlichen Informationen oder Perspektiven du möglicherweise berücksichtigt hast."
  Didaktisch-methodische Begründung: Hier wird die Interaktion zwischen den Studierenden und der KI betont, um verschiedene Perspektiven zu integrieren. Der Vergleich zwischen den Analysen fördert ein tieferes Verständnis der geologischen Merkmale und stärkt die Fähigkeit der Studierenden zur kritischen Bewertung von Naturgefahren.
  Vermessungswesen:
  Prompt für Interaktion mit der KI: "Entwickle ein Konzept für die präzise Vermessung eines komplexen Baugrundstücks unter Berücksichtigung von Geländeunebenheiten. Vergleiche deine Vermessungsmethoden mit den Vorschlägen der KI und erkläre, wie menschliche Intuition und Erfahrung in bestimmten Situationen eine Rolle spielen können."
  Didaktisch-methodische Begründung: Diese Interaktion ermöglicht den Studierenden, ihre eigenen Vermessungsmethoden mit den generierten Ideen der KI zu vergleichen. Dies fördert nicht nur die Anwendung von Vermessungsmethoden, sondern auch die Anerkennung der menschlichen Intuition und Erfahrung in spezifischen Vermessungssituationen
  
  Diese Beispiele dienen nur als Idee/Inspiration und sollen aufzeigen, auf welche unterschiedliche Art und Weise Prompts bzw. die generative KI genutzt werden kann. Ob als Argumentationspartner:in, Ressource, Interaktionsmedium oder Analyse- und Vergleichstool eigener Herangehensweisen und Verfahren, KI bietet hier eine großes Spektrum an Einsatzszenarien und Unterstützung.
- Prompt Labor
  Prompt-Labor - Was ist das?
  Das Prompt-Labor soll Ihnen helfen, sich Schritt-für-Schritt mit dem Thema "Prompting" auseinanderzusetzen und berücksichtigt dabei verschiedene Phasen in der Arbeit mit generativer KI! Das Projekt fällt unter eine OER-Lizenz und steht damit frei zur Verfügung!
  Konzept
  Das Konzept des Prompt-Labors wurde von Stefan Göllner und Lavinia Ionica für das Hochschulforum Digitalisierung und den KI-Campus entwickelt. Es ist in drei Module aufgeteilt zu verschiedenen Phasen bei der Planung, Durchführung und Evaluation der Lehre mit KI.
  
  PD. Dr. Malte Persike ist Autor von Modul 1 des Prompt-Labors zur Planungs-Phase mit KI.
  
  Dr. Anika Limburg ist Autorin von Modul 2 des Prompt-Labors zur Durchführungs-Phase mit KI.
  
  PD. Dr. Malte Persike und Natalia Sontopski sind Autor*innen von Modul 3 des Prompt-Labors zur Evaluations-Phase mit KI.
  Phasen und Aufbau
  
  Lernziele
  
  Der Kerngedanke im Prompt-Labor ist, dass alle Teilnehmenden an eigenen Fragestellungen arbeiten, zu denen sie sich austauschen möchten. In fachbezogenen oder fachübergreifenden Lerncommunities (max. fünf Personen) erhalten sie Unterstützung und Anleitungen, um mit KI-Tools effektiv ihre Lehrveranstaltungen zu gestalten. Am Ende des Prompt-Labors sind die Teilnehmenden in der Lage:
  
  die grundlegenden Konzepte und Anwendungsmöglichkeiten von Prompts in der Hochschullehre zu verstehen.
  
  über die Potenziale und Herausforderungen des Einsatzes von generativer KI und Prompts in der Hochschullehre zu reflektieren.
  
  Effektive Instruktionsbefehle (Prompts) anzuwenden und zu verfassen, um spezifische Aufgabenstellungen oder Lehrszenarien mit KI-Unterstützung zu erzielen.
  
  Prompts zu evaluieren und zu optimieren, um den Nutzen und die Qualität der generierten Lehr- und Lerninhalte zu verbessern.
  
  Erfahrungen und bewährte Praktiken im Umgang mit Prompts mit anderen Lehrenden in der Lerncommunity des Prompt-Labors zu teilen.
  
  (Quelle: Hochschulforum Digitalisierung [26.01.2024])
  Empfehlungen aus dem "Prompt Labor"
- Prompting - Literatur und Links
  Hilfe & Empfehlungen zum Thema "Prompting"
  
  Gimpel, H., Jung, C., Utz, L., Wöhl, M. (2023). Von Null auf ChatGPT: Eine Schritt-für-Schritt-Anleitung, um sich mit der künstlichen Intelligenz vertraut zu machen. Universität Hohenheim, 21. April 2023.
  Jentsch, M. (2023): Prompt Engineering Guide. Version 0.1.0 [29.01.2024]
  OpenAI. (2023): Teaching with AI. Blog-Article released on the 23.08.2023
  Opper, K. (2023): Im Sokratischen Dialog mit KI. e-teaching.org vom 20.12.2023
  Portakal, E. (2023): Prompt Engineering Guide. textcortex.com vom 23.12.2023
  ProLehre - Technische Universität München (TUM) (2024): Prompt-Bibliothek [05.02.2024]
Literatur & Links
Anmerkungen
* In der Diskussion um KI wird die Verwendung von mit Menschen assoziierten Begriffe wie "denken", "lernen", "verstehen", aber auch "Intelligenz", "Assoziation" u.ä. manchmal kritisiert, da sie für Maschinen und Algorithmen nicht zutreffend seien. Im vorliegenden Fall werden sie genutzt, da sie im allgemeinen Sprachgebrauch gängig sind und ein niedrigschwelliger Zugang gewährt werden soll.
Literatur
Buck, I. & Limburg, A. (2023). Hochschulbildung vor dem Hintergrund von Natural Language Processing (KI-Schreibtools). die hochschullehre, Jahrgang 9/2023. DOI: 10.3278/HSL2306W.
Fraunhofer Institut für Kognitive Systeme (IKS) (2023): Künstliche Intelligenz (KI) und maschinelles Lernen. Online Blog-Beitrag veröffentlicht unter: https://www.iks.fraunhofer.de/de/themen/kuenstliche-intelligenz.html [12.06.2023]
Gethmann, C.-F., Buxmann, P., Distelrath, J., Humm, B.-G., Lingner, S., Nitsch, V., Schmidt, J.-C., Spiecker, I. (2022): Künstliche Intelligenz in der Forschung. Neue Möglichkeiten und Herausforderungen für die Wissenschaft. Springer: Bern.
Manning, C. (2020): Artifical Intelligence Definitions. Stanford University - Human Centered Artificial Intelligence (HAI) (Hrsg.); Online veröffentlicht unter: https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf [12.06.2023]
Salden, P., Leschke, J. (2023): Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung. Online veröffentlicht unter: https://hss-opus.ub.ruhr-uni-bochum.de/opus4/files/9734/2023_03_06_Didaktik_Recht_KI_Hochschulbildung.pdf [12.06.2023]
Smaxwil, M. (2023): Künstliche Intelligenz und Hochschule. Blog-Artikel vom 27.02.2023, online veröffentlicht unter: https://elmo.thga.de/kuenstliche-intelligenz/ [28.03.2023]
United States Defense Science Board (DSB) (2016): Summer study on autonomy. Washington, DC. 20301-3140: Defense Science Board. URL: https://goo.gl/mm6N6y. Zugegriffen am 22.03.2023
Wichert, A. (2000): Essay zum Thema Künstliche Intelligenz. Spektrum der Wissenschaft (Hrsg.); Spektrum Akademischer Verlag: Heidelberg. Online veröffentlicht unter: https://www.spektrum.de/lexikon/neurowissenschaft/kuenstliche-intelligenz/6810 [12.06.2023]
Bilder & Grafiken
Bilder, die hier nicht gekennzeichnet wurden, unterliegen keiner Lizenz und/oder sind durch die Verfasser selbstständig gestaltet worden!
„König Pilsener“ (Quelle, Stand 01.06.2023), alle Rechte bei König-Brauerei GmbH
„Schach, Die Figur des König, schwarz“ (Quelle) von Agzam, Lizenziert unter der Pixabay Lizenz
„HM King Charles III“ (Quelle), Government House, New Zealand Government, Lizenz: CC- by 4.0
- KI & Didaktik - PPP zur Fortbildung vom 23042024 Datei

Kursthemen

Herzlich Willkommen ...

Künstliche Intelligenz - Was ist das überhaupt?

Künstliche Intelligenz und Muster

Deep Learning - Wie funktioniert komplexe Mustererkennung?

Historie und Entwicklung von KI

KI & Hochschule - Chancen & Herausforderungen

Vorteile und Chancen von KI in Bildungsprozessen

Nachteile und Risiken von KI

....aus Studierendensicht

...aus Lehrendensicht

Regeln & Richtlinien zum Einsatz von KI

Wie baut man KI-Kompetenz auf?

Kritisch-kompetenter Umgang mit KI

KI und der Einfluss auf Aufgaben & Püfungen

Prüfungen und Lernzieltaxonomie

KI - Next Level?

Wohin geht die KI-Reise?

KI & Lehr- und Lernprozesse

KI Werkzeuge - Tools & Dienste

KI Tools - Was gibt's denn so?

ChatGPT (=Generative Pre-trained Transformer)

Ein "Kennenlerngespräch"

Was kann ChatGPT ?

Performance von ChatGPT (im Vergleich zum Mensch)

ChatGPT und Lehr- & Lernprozesse

Beispiele für die Nutzung von ChatGPT

Was führt zu Fehlern und falschen Ergebnissen von KI?

Bildsynthese

Bildsynthese und Hochschule

Was meint Sprachsynthese?

Wenn KI Filme erzeugt...

Videosynthese in der Praxis

Prompting - Effektiv mit KI arbeiten

Was sind "Prompts" und warum sind diese wichtig?

Welche Arten von Prompts gibt es?

Was gibt es denn so an "Prompt-Techniken"?

Prompt-Techniken:

Prompting und Anwendungsszenarien in der Hochschule

Beispiele von konkreten Prompts in Studiengängen

Elektrotechnik:

Maschinenbau:

Werkstoffkunde:

Wirtschaftsingenieurwesen:

Verfahrenstechnik:

Geologie:

Vermessungswesen:

Prompt-Labor - Was ist das?

Konzept

Phasen und Aufbau

Lernziele

Empfehlungen aus dem "Prompt Labor"

Hilfe & Empfehlungen zum Thema "Prompting"

Literatur & Links

Anmerkungen

Literatur

Bilder & Grafiken