Promptvorlagen zum Generieren von Learning Outcomes und Lernräumen 

# Aufgabe
Leite zu meinem Schwerpunkt aus dem globalen Learning Outcome drei spezifische Learning Outcome ab. Entwickle für das erste, zweite und dritte Drittel meiner Lehrveranstaltung jeweils ein Lernraumbeispiel, das meine Studierenden schrittweise (Einstieg, steigende Schwierigkeitsstufen bis inklusive Prüfungsniveau) zu den spezifischen Learning Outcomes führt und integriere dabei sinnvoll Elemente meiner Handwerkszeuge. Integriere auch in den ersten beiden Lernraumbeispielen Handlungen, die durch niedrige Komplexitätsgrade bereits hohe Taxonomiestufen adressieren. 

**Mein Globales Learning Outcome:**
[Hier GLO einfügen] 
 
**Mein Integriertes Handwerkszeug:** 
[Hier Handwerkszeug einfügen] 
 
**Mein Schwerpunkt für den Lernraum:**
[Hier Schwerpunkt einfügen]
# Anweisungen
- erstelle die Lernräume anhand der vorgegebenen Struktur
- orientiere dich an den Definitionen, Gestaltungshinweisen und den Beispielen 
- stelle die Feedback-Fragen und beantworte sie nicht 

# Definitionen 
**Lernraum:** Ein Lernraum ist ein Abschnitt innerhalb einer Lehrveranstaltung, in dem Studierende bestimmte Kompetenzbestandteile oder Kompetenzen erwerben. Lernräume sollten aufeinander aufbauen, wobei die Komplexität der Anforderungen im Laufe der Lehrveranstaltung steigt. Lernräume sollten mindestens eine Erarbeitungs- und eine Übungsphase beinhalten. 
**Komplexitätsgrad:** Der Komplexitätsgrad beschreibt Schwierigkeit und Umfang der in einem Lernraum geforderten Handlung. Er ist nicht mit den Taxonomiestufen nach Bloom gleichzusetzen, da es auch sehr komplexe Handlungen auf unteren Stufen und relativ simple Handlungen auf höheren Taxonomiestufen geben kann. Zentral beim Komplexitätsgrad ist, dass er sich über den Verlauf der Lehrveranstaltung erhöht. So können Lernräume im ersten Drittel der Veranstaltung auch bereits höhere Taxonomiestufen aber eben auf niedrigem Komplexitätsgrad adressieren. 
**Taxonomiestufe:** Die Taxonomiestufen nach Bloom kategorisieren Lernziele und -ergebnisse nach ihrem kognitiven Anspruch an die zu vollziehende Handlung. Es gibt sechs Stufen: Wissen, Verstehen, Anwenden, Analysieren, Synthetisieren und Bewerten. Taxonomiestufen dienen in unserem Kontext der Beschreibung des Learning Outcomes. Sie dienen im Gegensatz zum Komplexitätsgrad nicht der Strukturierung von Lernräumen. 
**Globales Learning Outcome:** Ein globales Learning Outcome beschreibt die übergeordnete Kompetenz, die Studierende am Ende einer Lehrveranstaltung erworben haben sollen. Es sollte die Handlung (WAS), die Werkzeuge (WOMIT) und den Zweck (WOZU) des Lernens klar und prägnant formulieren. Das globale Learning Outcome adressiert die höchste Taxonomiestufe(n), die in der Lehrveranstaltung erreicht werden soll. 
**Spezifisches Learning Outcome:** Ein spezifisches Learning Outcome beschreibt eine konkrete Kompetenz, die Studierende nach Abschluss eines Lernraums erworben haben sollen. Es sollte die Handlung (WAS), die Werkzeuge (WOMIT) und den Zweck (WOZU) des Lernens klar und prägnant formulieren. Das spezifische Learning Outcome adressiert die nötigen Taxonomiestufen, die für das Erlangen des globalen Learning Outcomes (höchste Taxonomiestufe) aufzubauen sind. Es können alle Taxonomiestufen angesprochen werden, jedoch wird die Komplexität der jeweiligen zur Taxonomoestufe passenden Handlungern im Verlauf der Lehrveranstaltung in den Lernräumen erhöht. 
**Integriertes Handwerkszeug:** Das integrierte Handwerkszeug (WOMIT) beschreibt die konkreten Mittel, Werkzeuge, Formeln, Modelle, Theorien etc., die Studierende benötigen, um die im Learning Outcome beschriebene Handlung auszuführen. 

# Struktur 
- ** Spezifisches Learning Outcome 1**
- **Erster Lernraum "Einstieg"** – leichter Komplexitätsgrad: z.B. Einführung in grundlegende Konzepte und einfache Anwendungen, die ersten Handwerkszeuge werden auf niedrigem Komplexitätsgrad eingeführt. Dabei sollen aber bereits höhere Taxonomiestufen integriert werden. 

- **Spezifisches Learning Outcome 2**
- **Zweiter Lernraum "gesteigerter Komplexitätsgrad"** – Steigerung des Schwierigkeitsgrades: Vertiefung durch komplexere Integration der Handwerkszeuge.

- **Spezifisches Learning Outcome 3**
- **Dritter Lernraum "Prüfungsniveau"** – Komplexitätsgrad auf Ebene des globalen Learning Outcomes: volle Integration der Handwerkszeuge auf Niveau der Taxonomiestufe des Learning Outcomes. 
- Benenne in der Lernraumbeschreibung die Handwerkszeuge konkret und erkläre wie sie integriert werden. 
- Stelle die Feedback-Fragen am Ende zur Reflexion über die generierten Lernräume. 

# Gestaltungshinweise 
## A: Erstelle Spezifische Learning Outcomes nach diesen 3 Aspekten: 
1. **Beschreibung einer kognitiven oder praktischen Handlung:** Was sollen die Studierenden am Ende der Veranstaltung konkret tun können? 
2. **Was-Womit-Wozu-Struktur:** - **WAS:** Welche Kompetenz wird durch die Handlung der Studierenden demonstriert? - **WOMIT:** Welche „Werkzeuge“ (Formeln, Modelle, Theorien, Methoden) setzen die Studierenden ein, um die Kompetenz zu erreichen? - **WOZU:** Welchen langfristigen Zweck oder Nutzen hat die erworbene Kompetenz für die Studierenden, z.B. in Bezug auf das weitere Studium oder die berufliche Praxis? 
3. **Einordnung in Bloom's Taxonomiestufen:** Auf welcher Stufe der kognitiven Prozesse (Wissen, Verstehen, Anwenden, Analysieren, Synthetisieren, Bewerten) liegt das Learning Outcome? 
## B: Erstelle Lernraumbeispiele, die: 
i) **Handlungskompetenzorientiert** sind. 
ii) **Kontinuierliches Feedback und Reflexion** ermöglichen. 
iii) **Auf den Prinzipien des Constructive Alignments** basieren. 
iv) **Methoden**: Wähle geeignete Lehrmethoden wie projektorientiertes Lernen, forschendes Lernen oder digitale Lernwerkzeuge. 
v) **WOMITs**: Definiere die spezifischen Werkzeuge, die in diesem Lernraum erforderlich sind. 

**Hilfreiche Fragen zur Lernraumgestaltung** 
- Was brauchen die Studierenden zuerst?
- Wie können die Studierenden schrittweise an das Thema herangeführt werden, um Lernhandlungen von Anfang an zu ermöglichen?
- Wie können Neugier und Motivation gefördert werden? 
- Wie komplex sollten die Anforderungen zu Beginn und am Ende sein? 
- Wie greifen kognitive Werkzeuge ineinander, und wie kann deren Erarbeitung in Lernschritte zerlegt werden? 

### Beispiel A: Nachhaltige Stadtentwicklung
#### Globales Learning Outcome
- **WAS:** Die Studierenden können ganzheitliche, nachhaltige Entwicklungsstrategien für Städte entwerfen und bewerten
- **WOMIT:** indem sie Nachhaltigkeitsmodelle, analytische Tools (z.B. Szenariotechnik, Stakeholder-Analyse) und interdisziplinäre Planungsinstrumente einsetzen
- **WOZU:** um konkrete Maßnahmen mit ökologischer, sozialer und ökonomischer Tragfähigkeit für die kommunale Praxis abzuleiten. (Taxonomiestufe 5–6)

### 1. Spezifisches Learning Outcome (SLO 1) & Erster Lernraum
**Spezifisches LO 1**
- **Taxonomiestufe:** 5 (Bewerten)
- **WAS:** Die Studierenden können erste Ideen für eine nachhaltige Stadtentwicklung bewerten
- **WOMIT:** anhand grundlegender Indikatoren (z.B. CO₂-Fußabdruck, Mobilitätskonzepte) in einem überschaubaren Szenario
- **WOZU:** um Stärken und Schwächen einer Idee frühzeitig zu erkennen und Verbesserungen vorzuschlagen. 
(Niedriger Komplexitätsgrad: Wenige Variablen, kleiner Modellfall)

**Erster Lernraum (Einstieg)**
- **Fokus:** Auf niedrigem Komplexitätsgrad (kleines Fallbeispiel), aber bereits Taxonomiestufe 5 (Bewerten).
**Integration der Handwerkszeuge** 
Im ersten Lernraum erhalten die Studierenden einfache Skizzen zu einer „Modellstadt“, die nur wenige, überschaubare Daten aufweist. Mit Hilfe grundlegender Indikatoren – zum Beispiel CO₂-Fußabdruck, Mietpreisentwicklung oder Verkehrsaufkommen – und eines einfachen Bewertungsrahmens können sie erste Ideen (etwa zum Ausbau von Fahrradwegen oder Grünflächen) systematisch bewerten. Für den kollaborativen Austausch und die Visualisierung ihrer Bewertung setzen sie digitale Whiteboards ein, auf denen sie ihre Kriterien transparent darstellen und im Anschluss Peer-Feedback einholen. Auf diese Weise wird das Spezifische Learning Outcome erreicht, weil die Studierenden bereits auf einer höheren Taxonomiestufe (Bewerten) arbeiten, ohne durch einen zu großen Umfang überfordert zu sein.

### 2. Spezifisches Learning Outcome (SLO 2) & Zweiter Lernraum
**Spezifisches LO 2**
- **Taxonomiestufe:** 4 (Analysieren)
- **WAS:** Die Studierenden können Zusammenhänge zwischen ökologischen, ökonomischen und sozialen Aspekten analysieren
- **WOMIT:** durch den Einsatz von Szenario-Methoden, Stakeholder-Interviews und Vergleichsindikatoren
- **WOZU:** um zielgerichtete Maßnahmen zu priorisieren und potentielle Konflikte zu identifizieren. 
(Mittlerer Komplexitätsgrad: Mehr Faktoren, mehrere Stakeholder-Gruppen)

**Zweiter Lernraum (vertiefte Analyse)**
- **Fokus:** Mittlerer Komplexitätsgrad, Taxonomiestufe 4 (Analysieren).
**Integration der Handwerkszeuge** 
Im zweiten Lernraum entwerfen die Studierenden mithilfe von Szenario-Methoden zunächst mehrere mögliche Entwicklungsoptionen für eine Stadt, wobei sie gezielt ökologische, ökonomische und soziale Variablen einbeziehen. Parallel dazu führen sie Stakeholder-Rollenspiele oder -Interviews durch, um unterschiedliche Perspektiven zu erfassen. Mit Hilfe zuvor definierter Vergleichsindikatoren (z.B. Kosten, Zufriedenheit der Anwohner, Umweltbelastung) werden diese Szenarien anschließend analysiert und gegenübergestellt. Die Präsentation der Ergebnisse erfolgt in Form von Gruppenbeiträgen, in denen die Studierenden gezielt herausarbeiten, wo Zielkonflikte entstehen könnten und welche Maßnahmen priorisiert werden sollten. So verknüpfen sie Methoden (Szenarien, Interviews, Indikatoren) mit konkreten Aktivitäten (Simulation, Präsentation), um das angegebene Spezifische Learning Outcome des Analysierens zu erfüllen.

### 3. Spezifisches Learning Outcome (SLO 3) & Dritter Lernraum
**Spezifisches LO 3**
- **Taxonomiestufe:** 6 (Erschaffen/Entwerfen)
- **WAS:** Die Studierenden können einen eigenständigen, interdisziplinären Planungsansatz für nachhaltige Stadtentwicklung kreieren
- **WOMIT:** mithilfe von Planungsmodellen, Recherchetätigkeiten (Gesetze, Förderprogramme), Stakeholder-Workshops und kreativen Problemlösemethoden
- **WOZU:** um umsetzbare Strategien zu entwickeln, die praxisnah und nachhaltig sind. 
(Hoher Komplexitätsgrad: Viele Variablen, mehrere Perspektiven, Realitätsnähe)

**Dritter Lernraum (Prüfungsniveau)**
- **Fokus:** Hoher Komplexitätsgrad + Taxonomiestufe 6 (Erschaffen).
**Integration der Handwerkszeuge** 
Im dritten Lernraum erstellen die Studierenden ein umfassendes Projektkonzept, bei dem sie reale oder realitätsnahe Daten aus verschiedenen Bereichen (Verkehr, Energie, Soziales) zusammenführen. Sie verwenden erweiterte Planungsmodelle und GIS-Software, um konkrete Planungen für einen Stadtteil zu entwerfen, und stützen sich auf Projektmanagement-Tools, um die schrittweise Umsetzung zu koordinieren. Begleitende Forschungsmethoden wie Statistiken oder Befragungen stärken die Datenbasis; in Workshops mit Stakeholdern (z.B. Kommunalvertretung oder Bürgerinitiativen) erarbeiten sie gemeinsam Problemlösungen und reflektieren dabei, wie kreativere Ansätze (Design Thinking o.ä.) den Prozess bereichern. Abschließend präsentieren sie ihre Ergebnisse in der Gruppe und holen Peer-Feedback ein. Durch diese Vernetzung verschiedener Handwerkszeuge, Methoden und Akteure erreichen sie das Erschaffen-Niveau, indem sie eine praxisnahe, nachhaltige Planung konkret ausarbeiten.

#### Feedback-Fragen
1. **Komplexität:** Wie kann man bereits im ersten Lernraum eine hohe Taxonomiestufe (z.B. Bewerten) mit geringer Komplexität gestalten, ohne die Studierenden zu überfordern?
2. **Neugier und Motivation:** Wie lassen sich komplexe Aufgaben (z.B. im dritten Lernraum) so strukturieren, dass trotz vieler Variablen Motivation und Durchhaltevermögen gefördert werden?

### Beispiel B: Programmieren mit Python
#### Globales Learning Outcome
- **WAS:** Die Studierenden können umfassende Python-Projekte konzipieren und umsetzen, dabei Algorithmen auf Effizienz und Korrektheit bewerten
- **WOMIT:** indem sie fortgeschrittene Bibliotheken (z.B. NumPy, Pandas), Objektorientierung, Debugging- und Teststrategien einsetzen
- **WOZU:** um praxisrelevante Anwendungen in der Softwareentwicklung eigenständig erstellen und beurteilen zu können. (Taxonomiestufe 5–6)

### 1. Spezifisches Learning Outcome (SLO 1) & Erster Lernraum
**Spezifisches LO 1**
- **Taxonomiestufe:** 6 (Erschaffen)
- **WAS:** Die Studierenden können bereits zu Beginn einfache, eigene Skripte schreiben und dabei einen Grundalgorithmus selbst entwickeln
- **WOMIT:** mithilfe von Basis-Bibliotheken (math, random) und Entwicklungsumgebung (z.B. Jupyter Notebook)
- **WOZU:** um ein erstes Eigenprodukt (z.B. ein kleines Datenverarbeitungs-Skript) zu schaffen und dabei Kreativität zu üben. 
(Niedriger Komplexitätsgrad)

**Erster Lernraum (Einstieg)**
- **Fokus:** Niedriger Komplexitätsgrad, aber bereits Taxonomiestufe 6 (Erschaffen) in einer einfachen Form.

**Integration der Handwerkszeuge** 
Zu Beginn setzen die Studierenden eine einfache Entwicklungsumgebung wie Jupyter Notebook ein, um ein eigenes „Hello World++“-Skript zu schreiben, das kleine, selbst gewählte Aufgaben (z.B. Zufallszahl-Generator) löst. Sie nutzen dabei Basis-Bibliotheken wie math oder random, um erste Funktionalitäten zu integrieren, und üben einfache Debugging-Techniken (z.B. print-Statements), um fehlerhafte Stellen im Code zu identifizieren. Durch diese Vorgehensweise wird bereits eine höherwertige Taxonomiestufe (Erschaffen) adressiert, ohne dass die Komplexität zu groß wird. Das Ergebnis – ein lauffähiges, selbst entwickeltes Skript – fördert Kreativität und motiviert, da die Studierenden sofort ein eigenes Produkt in Händen halten.

### 2. Spezifisches Learning Outcome (SLO 2) & Zweiter Lernraum
**Spezifisches LO 2**
- **Taxonomiestufe:** 5 (Bewerten)
- **WAS:** Die Studierenden können Algorithmendesigns und Code-Qualität bewerten
- **WOMIT:** indem sie Debugging-Werkzeuge, Test-Frameworks (pytest) und Leistungs-Profiler einsetzen
- **WOZU:** um Optimierungsbedarf zu erkennen und tragfähige Lösungen für reale Herausforderungen bereitzustellen. 
(Mittlerer Komplexitätsgrad)

**Zweiter Lernraum (Code-Bewertung & Optimierung)**
- **Fokus:** Mittlerer Komplexitätsgrad, Taxonomiestufe 5 (Bewerten).
**Integration der Handwerkszeuge** 
Im zweiten Lernraum befassen sich die Studierenden intensiver mit Code-Qualität und Effizienz. Dazu führen sie Code-Reviews in Kleingruppen durch, bei denen sie Test-Frameworks wie unittest oder pytest nutzen, um Fehlersituationen bewusst herbeizuführen und die Robustheit ihrer Programme zu überprüfen. Anschließend wenden sie Leistungs-Profiler wie cProfile an, um verschiedene Lösungswege hinsichtlich Laufzeit oder Speicherverbrauch zu vergleichen. Durch die Reflexion und Diskussion in Teams entwickeln sie gemeinsame Kriterien (etwa nach PEP 8-Standards), anhand derer sie den Code bewerten. Auf diese Weise wird das SLO erreicht, weil die Studierenden lernen, Software-Entwürfe kritisch zu hinterfragen und Verbesserungsbedarf zu erkennen.


### 3. Spezifisches Learning Outcome (SLO 3) & Dritter Lernraum
**Spezifisches LO 3**
- **Taxonomiestufe:** 4 (Analysieren) oder 6 (Erschaffen), je nach Projektausrichtung
- **WAS:** Die Studierenden können eigene Softwareprojekte mit Python analysieren (z.B. mittels Code-Reviews) und neue Funktionen in bestehende Software integrieren
- **WOMIT:** unter Nutzung von Objektorientierung, fortgeschrittenen Bibliotheken (z.B. Pandas), Versionierungstools (Git)
- **WOZU:** um sich als Teamplayer in komplexen Entwicklungsumgebungen zu bewähren und skalierbare Lösungen zu erstellen. (Hoher Komplexitätsgrad)

**Dritter Lernraum (Prüfungsniveau / Projektarbeit)**
- **Fokus:** Hoher Komplexitätsgrad + flexible Taxonomiestufe (4 oder 6)

**Integration der Handwerkszeuge** 
Im dritten Lernraum bearbeiten die Studierenden ein größeres Projekt, indem sie fortgeschrittene Bibliotheken wie Pandas oder NumPy einbinden, um beispielsweise Daten zu verarbeiten oder Analysen durchzuführen. Sie organisieren ihre Zusammenarbeit über Versionskontrollsysteme (z.B. Git) und nutzen agile Methoden (Scrum, Kanban), um Arbeitsschritte zu koordinieren und in regelmäßigen Reviews den Projektfortschritt zu überprüfen. Je nach Fokus analysieren die Studierenden existierenden Code, erweitern ihn um neue Funktionen oder entwerfen eine komplett neue Anwendung. Dabei reflektieren sie kontinuierlich Aspekte wie Skalierbarkeit, Wartbarkeit oder Performance und dokumentieren ihre Ergebnisse mithilfe von Tools wie Sphinx oder Markdown. Durch diesen kombinierten Einsatz von Tools und Methoden arbeiten sie auf einer höheren Komplexitätsstufe und erfüllen entweder die Analyse- (Stufe 4) oder Erschaffen-Anforderungen (Stufe 6).

#### Feedback-Fragen
1. **Komplexität:** Wie lässt sich ein hoher kognitiver Anspruch (Erschaffen oder Bewerten) frühzeitig so gestalten, dass die Aufgabe klein und überschaubar bleibt?
2. **Neugier und Motivation:** Wie trägt das frühe Erleben eigener Projektergebnisse (z.B. Mini-Skripte) zu einer Steigerung von Motivation und Kreativität bei?