Studierende sollen in Studiengängen komplexe Handlungskompetenzen erwerben. Diese Handlungskompetenzen werden zunehmend durch KI-Technologien beeinflusst.

KI kann dabei einerseits neue Erkenntnismethoden eröffnen und produktivere Arbeitsweisen durch vielfältig einsatzbare KI-Modelle ermöglichen. Andererseits ermöglicht es KI jedoch auch, bei eigentlich gut angelegten Kompetenzentwicklungsansätzen Lernprozesse zu „shortcuten“ und Anforderungen zu umgehen. Lernanlässe bleiben ungenutzt. KI offenbart und verstärkt darüber hinaus bereits zuvor bestehende strukturelle Schwächen didaktischer Konzepte und in der Kompetenzentwicklung.

Aufgrund der Auswirkungen neuer KI-Technologien müssen KI-Kompetenzen daher explizit und systematisch entwickelt werden, denn KI-gestützte Werkzeuge werden von Studierenden bereits flächendeckend genutzt. KI-Kompetenzen sind die Voraussetzung, um fachliche Handlungsfähigkeit, fachliche Qualität und gute wissenschaftliche Praxis in einer KI-geprägten Hochschullehre zu sichern. Verschiedene KI-Kompetenzrahmen (z. B. des Stifterverbands) adressieren diese Spannungsfelder über definierte Kompetenzbereiche.

Die Vermittlung von KI-Kompetenzen stellt Lehrende häufig vor die Herausforderung, geeignete KI-Tools in relevanten Anwendungsfällen im Studium und späteren Berufsleben der Studierenden zu integrieren. Gleichzeitig fehlt es vielfach an strukturierten, sofort einsetzbaren und didaktisch tragfähigen Formaten. Unsere 60-minütigen Lehrimpulse bieten einen Einstieg, um KI-Kompetenzen niedrigschwellig in der Lehrentwicklung zu verankern. Zusätzlich zu den untenstehenden Lehrimpulsen ist die Veröffentlichung dreier weiterer Lehrimpulse im April geplant.

Überblick über die einzelnen Lehrimpulse

Lehrimpuls #1: Forschungsfragen mit THKI Chat entwickeln

Befähigen Sie Studierende im Dialog mit dem hochschulweiten KI-Interface THKI Chat je nach Kontext Ihrer Lehrveranstaltung eine Forschungsfrage (z.B. für ein Projekt oder eine Hausarbeit) zu entwickeln und so den systematischen Umgang mit großen KI-Sprachmodellen im Forschungskontext zu erlernen.

Lehrimpuls #2: Textdokumente mit THKI Chat weiterverarbeiten

Mithilfe dieses Lehrimpulses erlernen Studierende, wie sie mit Textmaterialien arbeiten, die sie selbst verantworten oder bereitstellen – etwa eigene Entwürfe, Seminararbeiten oder freigegebene Textdokumente wie PDFs oder Word-Dateien – und dabei bewusst auf einen sachgerechten, datenschutzkonformen und urheberrechtskonformen Umgang mit Texten achten.

Lehrimpuls #3: Arbeitsweisen kritisch reflektieren mit THKI Chat

Vermitteln Sie Ihren Studierenden, wie sie KI-Tools wie THKI Chat gezielt und effektiv einsetzen, um das eigene Bearbeiten von Aufgaben sowie das Anwenden von Methodiken und Herangehensweisen im wissenschaftlichen Arbeiten kritisch zu reflektieren, zu strukturieren und anzupassen.

Empfehlungen / Hinweise für die Praxis

Die Lehrimpulse können darüber hinaus untereinander kombiniert werden, um z. B. zu vermitteln, wie bestimmte Arbeitsprozesse über den Einsatz von KI-Systemen unterstützt, erweitert und effizienter gestaltet werden können. 

Außerdem kann jeder einzelne Lehrimpuls hinsichtlich des Ablaufs, der Dauer und der Zielstellung variiert und mit didaktischen Methoden erweitert werden.

Hinweise zu Verknüpfungsmöglichkeiten, Variationen und Erweiterungen finden Sie auf den Lehrpfade-Artikeln der einzelnen Lehrimpulse sowie auf den zum Download bereitgestellten PDF-Dokumenten.

Header-Bild: Generiert mit Hilfe von Adobe Firefly

Der Beitrag Kompakte Lehrimpulse: KI-Skills fördern erschien zuerst auf Lehrpfade.

Vermittelte KI-Kompetenzen

• Praktische generative KI-Kompetenzen
  • Prompting
  • Content-Erstellung

Ablauf des Lehrimpulses (60min)

Lassen Sie die Studierenden zunächst eigene Erfahrungen sammeln und einen Arbeitsprozess reflektieren, der  mit einem zuvor behandelten Thema oder einer Aufgabe in Zusammenhang steht.

Die Studierenden sollen dabei im Dialog mit THKI Chat:

• ihre eigene Arbeitsweise beschreiben und
• konkrete Verbesserungsvorschläge generieren lassen.

Diskutieren Sie mit den Studierenden die Ergebnisse und Eindrücke der Erprobung anhand folgender Fragen:

• Wie hilfreich ist THKI Chat beim Reflektieren und Verbessern der eigenen Arbeitsweise?
• Wie konkret sind die erhaltenen Verbesserungsvorschläge?
• Wie gut lassen sich die Verbesserungsvorschläge in das eigene Arbeiten integrieren?

Zeigen Sie den Studierenden nun das gezielte Reflektieren eigener Arbeitsprozesse mithilfe von THKI Chat. Demonstrieren Sie dabei, wie KI zur Erweiterung und Unterstützung der persönlichen Reflexion eingesetzt werden kann, nicht zu deren Ersetzung:

1. Starten eines neuen Chats in THKI Chat.
2. Einfügen des Ausgangsprompts (s. u.), Ausfüllen der Lücke und Absenden des Prompts.
3. Beantworten der Fragen, die THKI Chat stellt.
4. Kommentieren und kritisches Einordnen der Antwort des KI-Systems, d .h. der Stärken und Schwächen und Verbesserungspotentiale.
5. Einfügen des Folgeprompts, Ergänzen der Lücke durch ein Verbesserungspotential.
6. Erneutes Kommentieren und kritisches Einordnen des Outputs von THKI Chat, z. B. hinsichtlich Nutzens, Effizienz, Praktikabilität der vorgeschlagenen Möglichkeiten.
7. Gegebenenfalls iterative Anpassung, bis ein akzeptables Ergebnis vorliegt und abschließende Einordnung des KI-Outputs.

Lassen Sie die Studierenden mithilfe der Promptvorlagen und der vorangegangenen Demonstration nun erneut eine eigene Arbeitsweise im Dialog mit THKI Chat reflektieren und anpassen.

Reflektieren Sie mit den Studierenden folgende Fragen:

• Welchen Mehrwert bietet es mir, meine Arbeitsweise mit KI zu strukturieren und reflektieren? 
  • Zeitersparnis
  • Inspiration und niedrigschwelliger Einstieg in eine Arbeitsweise, -methode oder -technik
  • zusätzliche Reflektion des eigenen Ansatzes im Dialog mit der KI-Anwendung
  • Steigerung der Effizienz und Optimierung der persönlichen Arbeitsweise
  • Entwicklung transferierbarer KI-Kompetenzen

• Welche Risiken bestehen beim Einsatz von KI zur Reflektion der eigenen Arbeitsweise? 
  • Fehlinformationen oder nicht geeignete Vorschläge der KI-Anwendung
  • „Halluzinationen“: KI-Anwendung erfindet angeblich erprobte Arbeitstechniken oder Methoden, für die sich jedoch keine Belege finden lassen.
  • Mangelnde Eigenleistung: Abläufe oder Verknüpfungen einzelner Arbeitsschritte oder -techniken werden nicht eigenständig durchdacht, sondern unreflektiert aus dem KI-Output übernommen.
• Wann und wozu eignet sich der Einsatz von KI zur Reflektion von Arbeitsprozessen? 
  • Am Anfang eines Arbeitsprozesses: zur Inspiration, zur Strukturierung, als Orientierungshilfe
  • Im späteren Stadium eines Arbeitsprozesses: zur Reflexion und methodischen Schärfung einzelner Arbeitsschritte
  • Nach Beendigung eines Arbeitsprozesses: zur Reflexion der eigenen Arbeitsweise und zur Optimierung wiederkehrender Arbeitsprozesse

Promptvorlagen

Variationen

Sie können diesen Lehrimpuls etwa folgendermaßen anpassen:

• Die Studierenden lassen THKI den „idealen“ Ablauf eines bestimmten Arbeitsprozesses generieren. Daraufhin beschreiben sie ihren eigenen Ablauf und lassen sich von der KI Möglichkeiten aufzeigen, um bestimmte Methoden und Arbeitsschritteaus dem „idealen“ Ablauf in ihren eigenen Arbeitsprozess zu integrieren. Lassen Sie Studierende ihre Ergebnisse und Eindrücke im Plenum vorstellen und diskutieren Sie Vorteile, Nachteile, Praktikabilität und Nutzen der generierten Vorschläge.
• Teilen Sie die Studierenden in Gruppen ein, die jeweils unterschiedliche Arbeitstechniken mit dem KI-System diskutieren und hinsichtlich vorab festgelegter Kriterien analysieren sollen. Lassen Sie die Ergebnisse im Plenum diskutieren.
• Bereiten Sie Beschreibungen fachspezifischer Arbeitstechniken als PDF- oder Word-Dateien vor. Lassen Sie die Studierenden diese Dateien jeweils in THKI Chat hochladen, um die Arbeitstechniken anschließend mit dem KI-System zu diskutieren, analysieren und in die persönliche Arbeitsweise zu integrieren.

Erweiterung

Dieser Lehrimpuls lässt sich beispielsweise mit folgenden didaktischen Methoden erweitern:

Mögliche Verknüpfung mit weiteren Lehrimpulsen

• Lehrimpuls #1: Forschungsfragen entwickeln mit THKI Chat
• Lehrimpuls #2: Textdokumente mit THKI Chat weiterverarbeiten

Links & Literatur

Header-Bild: Generiert mit Hilfe von Adobe Firefly

Der Beitrag Lehrimpuls #3: Arbeitsweisen kritisch reflektieren mit THKI Chat  erschien zuerst auf Lehrpfade.

Kurz erklärt

Die Motivation der Studierenden wird in hohem Maße von Ihrem Lehrsetting, Ihrer Kommunikation und der Einbettung der Lehrveranstaltung in den Studiengang beeinflusst. Gestalten Sie diese Faktoren so, dass Sie Motivation fördern und Selbstständigkeit wertschätzen. Sie können die Motivation nicht vollständig kontrollieren, da die Verantwortung letztendlich bei den Studierenden liegt und einige sich trotzdem gegen eine aktive Teilnahme entscheiden könnten. Vermeiden Sie jedoch Rahmenbedingungen, die die Motivation hemmen. Dazu gehören lange Monologe und unübersichtliche Präsentationen, die zum passiven Zuhören verleiten. Auch intransparente Bewertungskriterien und mangelnde Beziehungsgestaltung in den Präsenzphasen können dazu führen, dass Studierende den Kontakt scheuen und sich wenig einbringen. 

Selbstbestimmungstheorie nach Deci und Ryan (1983)

Die Selbstbestimmungstheorie von Edward Deci und Richard Ryan (1983) bietet praktische Ansätze zur Schaffung eines motivationsfördernden Umfeldes in Lehrveranstaltungen. Nach Deci und Ryan ist die einfache Unterscheidung zwischen ‚extrinsischer‘ und ‚intrinsischer‘ Motivation nicht differenziert genug. Intrinsische Motivation ist zwar der stärkste Antrieb, bei dem Studierende eine Tätigkeit oder ein Thema von sich aus als erfüllend oder interessant empfinden und sich deshalb engagieren. Aber auch weniger attraktive Aufgaben können selbstbestimmt angegangen werden. Die Theorie unterteilt den Bereich der extrinsischen Motivation in vier Stufen, die ein Kontinuum von ‚fremdbestimmtes Handeln‘ bis ‚selbstbestimmtes Handeln‘ beschreiben. Die folgende Abbildung veranschaulicht dies. 

Intrinsische Motivation

Das Wort intrinsisch entlehnt sich aus dem Lateinischen und bedeutet so viel wie ‚von innen heraus‘. Ein intrinsisch motiviertes Verhalten wird durch Anreize, die in der Tätigkeit selbst liegen verstanden. Eine solche Tätigkeit bereitet Freude und Vergnügen und wird als interessant empfunden. Intrinsische Motivation bedeutet auch selbstbestimmtes Handeln. 

Extrinsische Motivation

Auch hier entlehnt sich das Wort ‚extrinsisch‘ dem Lateinischen und bedeutet in etwa ‚von außen her‘. Bei der extrinsischen Motivation wirkt nicht die Handlung selbst motivierend, sondern etwas außerhalb der Handlung. Oft handelt es sich dabei um eine zweckzentrierte Motivation, also ein Verhalten, dass einem äußeren Ziel und Nutzen dient, anstatt Selbstzweck zu sein. Extrinsische Motivation bedeutet auch fremdbestimmtes Handeln. 

Video über extrinsische Motivation

Video über die Selbstbestimmungstheorie

Ermöglichen Sie Motivation, indem Sie…

In dieser Tabelle finden sich weitere Beispiele für motivationsförderliche und -hinderliche Maßnahmen.

Links & Literatur

Header-Bild: Generiert mit Adobe Firefly

Der Beitrag Motivation in der Lehre erschien zuerst auf Lehrpfade.

Kurz und knapp

In der Vorbereitung eines COIL-Projekts geht es besonders um die Wahl des richtigen Kurses und den Aufbau einer gut abgestimmten internationalen Lehrpartnerschaft. Nutzen Sie diese Aufbauphase, um miteinander die Lernziele zu koordinieren, definieren Sie Ihre gegenseitigen Erwartungen und klären Sie logistische Aspekte wie den Zeitplan und die Kommunikationswege. Es empfiehlt sich, auch in dieser Phase Strategien zu planen, wie Sie die Studierenden animieren können. 

Wie Sie als Lehrperson von der richtigen Planung und Vorbereitung profitieren:   

• Sie verankern zukunftsorientierte internationale Kollaboration von Anfang an in passender Form in der Kursstruktur.  
• Sie wählen relevante Themen und passende Partnerschaften, um den Lernerfolg Ihrer Studierenden zu ermöglichen. 
• Sie berücksichtigen proaktiv Herausforderungen wie unterschiedliche Zeitzonen und erhöhtes Arbeitspensum. 

Legen Sie den Grundstein für ein erfolgreiches COIL-Projekt, indem Sie von Beginn an interkulturelle und interdisziplinäre Zusammenarbeit aufeinander abstimmen. 

Den richtigen Kurs und das richtige Thema wählen 

👣 Sie können bestehende Kursziele als Ausgangspunkt nutzen und Ihr COIL-Projekt an diese anpassen. 

👣 Wählen Sie ein Kursthema, das im Hinblick auf globale Problemstellungen relevant ist. 

👣 Ziehen Sie auch interdisziplinäre Themen und die Zusammenarbeit mit Vertreter*innen anderer Fächer in Betracht: 

Internationale Partner*innen finden 

👣 Nutzen Sie Ihr berufliches Netzwerk und Kontakte der Universität 

👣 Stimmen Sie Ihre Lehrmethoden auf das Leistungsniveau der Studierenden ab. 

👣 Diskutieren Sie mit potenziellen COIL-Partner*innen gemeinsame Interessen und Kollaborationsmöglichkeiten, um abzuschätzen, ob Potenzial für gemeinsame Projekte besteht. 

Vorbereitende Planung und Vereinbarungen 

👣 Definieren Sie Ihre Erwartungen in Hinblick auf Lernziele und die Beteiligung der Studierenden. 

👣 Planen Sie ein persönliches Treffen. 

👣 Identifizieren Sie Herausforderungen wie unterschiedliche akademische Kalender, Zeitzonen, etc.  

👣 Einigen Sie sich auf bevorzugte Kommunikationsmittel (Zoom, Teams, E-Mail, etc.). 

Header-Bild: © ZLE

Der Beitrag Ein COIL-Projekt entwickeln erschien zuerst auf Lehrpfade.

Welche Funktionen erfüllt das Schreiben für den Kompetenzerwerb an der Hochschule?

Texte sind das zentrale Kommunikationsmittel für die Wissenschaft. Das Schreiben von Texten ist zugleich ein kaum zu unterschätzendes Denkwerkzeug, das dazu verhelfen kann, neue Ideen zu generieren, Wissen zu vernetzen und kritisches Denken zu schulen. Das heißt, dass Schreiben nicht bloß als ‚Transportmittel‘ für Wissen und Informationen dient, sondern auch eine epistemisch-heuristische Funktion erfüllt. Schreiben einschließlich Berechnungen, Erstellen von Zeichnungen, CAD und weiteren Visualisierungen ist somit für alle Fächer wichtig, um zugleich fachliche Inhalte zu erarbeiten und fachliches Denken einzuüben und zu vertiefen.

Neben Haus- und Abschlussarbeiten, die das wissenschaftliche Schreiben trainieren, sind an der TH Köln auch andere Textsorten wie Portfolios, Seminar- und Versuchsprotokolle, Praktikums-, Praxis- und Reflexionsberichte, Dokumentationen und weitere praktische schriftliche Prüfungsformen von Bedeutung. Textsorten sind Muster, an denen sich Schreibende bei der formalen und inhaltlichen Gestaltung eines Textes orientieren und die Lesende als Erwartung an die formal-inhaltliche Gestaltung an einen Text herantragen. Durch das Lesen und Schreiben verschiedener Textsorten lernen Studierende, wie in ihrem Fachbereich Fragen gestellt und Probleme gelöst werden. Sie können sich durch ein reflektiertes Textsortenwissen auch schneller an neue Kommunikationssituationen in der wissenschaftlichen wie auch der beruflichen Praxis anpassen. Insbesondere das Schreiben im Hochschulkontext ist durch einen komplexen kognitiven Prozess gekennzeichnet, für dessen Bewältigung Studierende individuelle (Schreib-)Strategien entwickeln müssen. Wissenschaftliches Arbeiten und Schreiben erfordert ein Zusammenspiel verschiedener Teilkompetenzen (Informations-, Lese- und Schreibkompetenz, aber auch generische Teilkompetenzen wie Selbstregulation oder digitale Kompetenzen) sowie Wissen über Inhalte, Sprache oder Adressat*innen (s. Abbildung). Somit zielt das wissenschaftliche Schreiben auf höhere Lernzielebenen wie Analyse, Synthese und Beurteilung und muss schrittweise gelernt und gelehrt werden, ohne und in Zukunft auch mit KI. Beides sollte aus unserer Sicht in die Lehre integriert werden, doch nicht als zusätzlicher Lehrstoff, sondern als Werkzeug in der Lehrpraxis, die ganz konkret fachliche wie metakognitive Kompetenzen schult und somit einen Gewinn für alle Seiten darstellt.

Inwiefern verändert die Nutzung von KI beim Schreiben den Kompetenzerwerb?

Durch den Einsatz von Large Language Models (LLM) bzw. von KI-generierten Texten verschieben sich die Kompetenzen, die für das wissenschaftliche Schreiben erforderlich sind: Schreibende verfassen keine Texte mehr von Grund auf, sondern sie weisen sprachverarbeitende KI an, Text zu generieren und prüfen, beurteilen und überarbeiten die KI-generierten Textelemente. Dieses Phänomen ist bereits in der Techniksoziologie (Rammert, Schulz-Schäfer, Latour u. a.) und der Kybernetik als Verschiebung von ausführenden Handlungen in Mensch-Maschine-Interaktion bekannt, wie die Nutzung von Navigationsgeräten veranschaulicht: Die Maschine berechnet eine vom Menschen vorgegebene Route. Der Mensch prüft, ob die geplante Route realistisch ist, seinem Bedarf entspricht und richtet sich in der weiteren Anwendung nach den Vorschlägen der Maschine. In dieser Kompetenzverlagerung steckt Potenzial, aber sie birgt ebenso Unwägbarkeiten und Gefahren. Die Funktion des wissenschaftlichen Schreibens – auch mit KI – bleibt dagegen das Erkenntnisinteresse eines Menschen, also die Epistemik des Schreibprozesses. Für das Schreiben an der Hochschule und im Anschluss daran im Beruf kann die Nutzung von THKI Chat neue Möglichkeiten zur Kompetenzentwicklung auch mit Blick auf Future Skills (wie technologische, transformative oder ethische Kompetenzen) eröffnen, doch auch dies muss ganz konkret in der Lehre gemeinsam mit Studierenden eingeübt und reflektiert werden.

Wie lässt sich KI gewinnbringend und verantwortungsvoll für das wissenschaftliche Schreiben nutzen?

Der Schreibprozess ist geprägt von fachlichen Konventionen, individuellen Strategien und bisherigen Schreiberfahrungen, aber auch durch die zur Verfügung stehenden Werkzeuge und Technologien, mit deren Hilfe Text entsteht: Notizbuch, Computer und nun auch maschinelle Intelligenz können kognitive Prozesse beeinflussen und entlasten, so dass Kapazitäten frei werden für andere Denkaufgaben. Daher ist davon auszugehen, dass KI-Tools Schreib- und somit auch Wissenschaftspraktiken beeinflussen werden und vice versa. In welchem Ausmaß sich wissenschaftliche Praktiken und Konzepte von Autor*innenschaft verändern werden, ist derzeit noch nicht abzusehen. Das Fundament für wissenschaftliche Texte bilden nach wie vor die Prinzipien guter wissenschaftlicher Praxis: Der*die Verfasser*in trägt die Verantwortung für den eigenen Text und muss transparent und kritisch mit fremder und eigener Forschung und dem Zustandekommen der Ergebnisse umgehen. Daher wird es für Sie als Lehrende umso wichtiger, Studierende die fachlichen Schreibpraktiken in der Lehre einüben zu lassen, damit für sie etwa die Funktion der vollständigen und korrekten Angabe von Quellen, die Richtigkeit von Berechnungen, die Normenkonformität technischer Zeichnungen und von CAD-Darstellungen usw. deutlich wird. Es ist an Ihnen, den Studierenden zu vermitteln, dass es sich dabei nicht um eine langweilige Pflichtübung oder ein zu vernachlässigendes Oberflächenphänomen handelt: Nutzende bleiben nicht nur für die formale Richtigkeit des Textes verantwortlich, den die Maschine generiert. Natürlich bleiben Menschen auch die verantwortende Instanz, um beispielsweise zu prüfen,

• ob eine Forschungsfrage einer Hausarbeit geeignet ist,
• ob der Zusammenhang zwischen mehreren Arbeitshypothesen richtig ist,
• ob die gewählte Methode geeignet ist, um das Forschungsanliegen zu klären,
• ob Einzelaussagen im generierten Text richtig oder falsch sind – das gilt auch für Visualisierungen –,
• ob generierte Aussagen für die Leserschaft nachvollziehbar sind und den Erwartungen den jeweiliger Lesenden, also der Textsorte, entsprechen,
• ob der Aufbau und die Argumentation schlüssig sind,
• ob von der Maschine angegebene Quellen überhaupt existieren,
• ob die für das Thema relevanten Quellen im Text enthalten sind und
• ob die angegebenen Quellen wissenschaftlichen und möglicherweise sogar ethischen Standards entsprechen.

Nach derzeitigem Stand ist es für Studierende nach wie vor unerlässlich, alle Bestandteile des Schreibprozesses auch ohne KI-Tools bewältigen zu können, um sie zielführend und reflektiert einzusetzen. KI-Tools können den Schreibprozess an vielen Stellen entlasten oder effizienter gestalten. Studierende können die bekannten KI-Tools unter Ihrer Anleitung in Bezug auf Folgendes explorieren: Vorschläge einholen für die Themenfindung/Ideen-generierung, Strukturierungsansätze für Texte, Feedback zum selbstständig erstellten Text auf den Ebenen der Rechtschreibung, Zeichensetzung, des Layouts, der Zitationsregeln, möglicherweise auch zum Ausdruck oder gar Inhalt.

Ein Risiko könnte darin bestehen, dass Studierende gerade beim ersten wissenschaftlichen Schreiben im Studium (in einigen Fächern im ersten Semester, in anderen erst mit der Abschlussarbeit) überfordert und nicht im wissenschaftlichen Arbeiten ausgebildet sind. Sie könnten dann ganze Texte von ChatGPT generieren lassen und diese übernehmen, ohne die oben genannten formalen und inhaltlichen Aspekte kritisch zu prüfen. So stellt sich für Lehrende die Frage, ob die Studierenden, die nun ein Studium aufnehmen, ebenso wie ihre Kommiliton*innen höheren Semesters auch in der Lage bleiben müssen, einen wissenschaftlichen Text selbstständig ohne generative KI verfassen zu können. Alternativ stellt sich die Frage, ob sich grundsätzlich Lehrmethoden und Prüfungsformen etwa durch Einbindung einer mündlichen Prüfung oder Verteidigung von schriftlichen Arbeiten ändern müssen. Dies könnte die Grundlage bleiben, um auch Texte anderer auf ihre Wissenschaftlichkeit hin zu überprüfen und letztlich gegebene Informationen kritisch einschätzen und bewerten zu können. Diese Kompetenz bleibt eine der wesentlichen Kompetenzen, die Studierende während ihres Studiums erwerben und für ihr späteres Berufsleben, vor allem auch als Bürger*innen einer demokratischen Gesellschaft benötigen. Was bedeutet dies nun ganz konkret für das Lehren und Lernen an der Hochschule?

Hinweise für die Praxis

Die Weiterentwicklung von KI ist sehr dynamisch und daher ist es ratsam, auf dem Laufenden zu bleiben. Am Ende des Artikels finden Sie entsprechende Empfehlungen für aktuelle Publikationen und Videos zum Thema. Wir betreten mit der Arbeit mithilfe von KI-Tools Neuland und es stehen noch eine Menge Forschungsvorhaben und deren Ergebnisse aus, um auf deren Grundlage fundiert Vorschläge für die Praxis machen zu können. Nach derzeitigem Stand (März 2024) möchten wir Ihnen aber folgende fünf Anregungen für die Praxis mitgeben.

Literatur und weiterführende Links

Header-Bild: © memorystockphoto/Adobe Stock

Der Beitrag Warum man an der Hochschule noch selbst schreiben sollte erschien zuerst auf Lehrpfade.

Was ist Künstliche Intelligenz?

Künstliche Intelligenz  – kurz KI oder Englisch: AI – umfasst Technologien wie Chatbots und Bildgeneratoren. Das dahinterstehende Konzept reicht aber sehr viel weiter. Im Kern geht es darum, Maschinen zu befähigen, menschliche Intelligenz zu erreichen oder sogar zu übertreffen. KI ermöglicht es Maschinen und Computern, kognitive Prozesse wie Lernen, Sprachverständnis, Mustererkennung und autonomes Problemlösen durchzuführen. Technologien in der KI-Forschung beinhalten unter anderem Fuzzy Logic, Maschinelles Lernen, Evolutionäre Algorithmen, Natural Language Processing und Künstliche Neuronale Netzwerke. Diese bilden die Basis für die Entwicklung von KI-Modellen, die auf spezifische oder breitgefächerte Funktionen trainiert werden können. Das Konzept der Künstlichen Intelligenz zielt sehr viel weiter als das, wo wir derzeit stehen.

Was sind Künstliche Neuronale Netzwerke (KNN)?

Künstliche Neuronale Netzwerke (KNN) sind Modelle, die in ihrer Architektur natürlichen neuronalen Netzwerken, wie dem des menschlichen Gehirns, nachempfunden sind. Sie bestehen aus künstlichen Neuronen, deren Verbindungen während des Trainings anhand großer Datensätze laufend neu gewichtet werden. Diese Neugewichtung durch Feedback zielt darauf ab, dass das Netzwerk generalisierte Muster erlernt, sodass es nach dem Training auch auf unbekannte Datenmuster sinnvoll reagieren kann. Viele der heute populären Large Language Models wie GPT-4, BERT oder Llama nutzen die Transformer-Architektur, eine spezielle Form von KNN, die 2017 eingeführt wurde.

Was sind KI-Modelle?

KI-Modelle sind computergestützte Netzwerke, die entweder für spezifische Aufgaben (Task-specific Models) oder ein breites Anwendungsspektrum (Foundation Models) entwickelt werden. Sie lernen Muster zu erkennen und zu generieren und werden dazu anhand von Datensätzen trainiert und damit nicht wie andere Systeme programmiert.

Task-specific Models konzentrieren sich auf bestimmte Anwendungen, wobei die Qualität der Trainingsdaten entscheidend ist. Sie sind effizient in eng definierten Bereichen, wie zum Beispiel in spezialisierter Übersetzungssoftware. Foundation Models hingegen nutzen umfangreiche Datensätze, um vielfältige Funktionen abzudecken. Sie sind komplexer und können eine breite Palette von Aufgaben bewältigen. Zu diesen Modellen zählen Large Language Models und Multimodal Models, die sich durch eine hohe Anzahl von Parametern auszeichnen.

Was sind Large Language Models (LLM) und Natural Language Processing (NLP)?

Large Language Models (LLM) sind KI-Systeme, die Texte verarbeiten und erzeugen können. Sie sind ein Typ von Foundation Models und basieren auf umfangreichen neuronalen Netzwerken. Sie können Texte analysieren, interpretieren und neue Inhalte erstellen, was sie für Anwendungen wie Chatbots und Übersetzungsprogramme wertvoll macht.

Natural Language Processing (NLP) ist die zugrundeliegende Technologie, die LLMs ermöglicht, menschliche Sprache zu verarbeiten. NLP umfasst Methoden und Algorithmen, die Computern das Lesen, Verstehen und Interpretieren menschlicher Sprache ermöglichen. Es ist der Schlüssel dazu, wie LLMs Texte verstehen und sinnvolle Antworten generieren können.

Zusammen bilden LLM und NLP die Grundlage für viele moderne KI-Anwendungen, die Sprachverständnis und -erzeugung erfordern, und sind zunehmend wichtig für Forschung und akademische Textarbeit.

Was ist eine KI-Anwendung?

Eine KI-Anwendung ist die Umsetzung eines KI-Modells in reale Anwendungsbereiche. Sie ist eine Software, welche ein KI-Modell verwendet, um spezifische Aufgaben oder Funktionen zu erfüllen. Der Begriff KI-System wird oft synonym zu KI-Anwendung verwendet, vor allem in technologischen Kontexten.

Innerhalb der KI-Systeme lassen sich weitere Kategorien unterscheiden, etwa generative KI-Systeme und erkennende KI-Systeme. Der Trend geht dahin, dass verschiedene KI-Modelle in komplexen Softwareumgebungen und in Kombination mit anderen KI-Modellen und Programmen kombiniert werden. Beispiele dafür sind die Verknüpfung des Bildgenerators DALL-E mit ChatGPT (Multimodal), oder die Integration von Wolfram Alpha in Perplexity AI, was neben KI-gestützter Suche auch die Lösung mathematischer Gleichungen ermöglicht.

KI-Anwendungen für unterschiedliche Hochschulkontexte haben wir in unserer KI-Toolbox für Sie zusammengestellt.

Was sind ChatGPT, Google Bard und HuggingChat?

ChatGPT, Google Bard und HuggingChat sind konversationale Chatbots, also KI-Anwendungen, die natürlich sprachlich mit Nutzer*innen interagieren, ohne auf vordefinierte Fragen und Antworten beschränkt zu sein. Sie basieren auf Large Language Models, wobei nur der Quellcode von HuggingChat als Open-Source-Modell öffentlich ist. Diese Chatbots sind auf das Verarbeiten und Generieren von natürlicher Sprache spezialisiert, wobei die Qualität der Antworten stark von den gestellten Anfragen – den sogenannten Prompts – abhängt.

Was ist ein Prompt?

Ein Prompt ist ein Eingabebefehl oder eine Anweisung, die einem Computerprogramm gestellt wird. In der KI, besonders bei Sprachmodellen, dient ein Prompt als Auslöser für die Generierung von Antworten oder Inhalten. Wie Sie einen guten Prompt selbst formulieren können, erfahren Sie in unserer Promptanleitung. Welche unterschiedlichen Strategien Sie verfolgen können, um zum gewünschten Ergebnis zu gelangen, haben wir in diesem Dokument zu Promptstrategien zusammengefasst.

Hinweise für die Praxis

Was ist beim Einsatz von KI-Technologien zu berücksichtigen?

Alle KI-Modelle können Fehler machen, irreführen oder halluzinieren. Ihr Output kann auf abweichenden oder diskriminierenden Repräsentationen der Realität basieren oder sogar Diskriminierung und gesellschaftliche Missstände replizieren und verstärken. Auch die maschinelle Intelligenz tritt aus sozialen Gefügen hervor, baut auf – in Teilen prekärer – menschlicher Arbeit auf und bedarf gerade bei generativer KI enormer Mengen an Energie. Dies macht eine kritische Betrachtung von KI besonders wichtig, auch wenn der Einsatz von KI-Tools nützlich sein kann. Den technologischen Wandel durch KI-Technologien kritisch und reflektierend mitzugestalten, fordert Hochschulen derzeit heraus und wird alle Disziplinen, Fachbereiche, aber auch die Hochschule als Organisation weiter beschäftigen. Wenn Sie sich in diesen Kontexten – gerade mit LLMs – beschäftigen, achten Sie auf folgende Punkte:

• Transparenz & Einordnung: Es ist notwendig, generierte Inhalte kritisch zu hinterfragen und einzuordnen. Dies erfordert in aller Konsequenz auch die Zugänglichkeit der Modelle und Trainingsdaten.
• Urheberin KI: Durch generative KI wird es zunehmend schwieriger, Inhalte als künstlich erzeugte zu erkennen. Das ist aber besonders relevant, um die Eigenleistung von Studierenden einzuschätzen.
• Erklärbarkeit: Die Nachvollziehbarkeit von Entscheidungen einer KI ist oft begrenzt, da diese nicht anhand von konkreten Regeln oder Code-Stellen erklärbar sind.
• Kreativität & Zufälligkeit: Generative KI schafft durch Zufallsvariationen häufig neue, unvorhersehbare Ergebnisse, selbst bei gleichen Eingabeaufforderungen.

Lehre erweitern mit dem KI-Campus

Generell handeln in komplexen, praxisorientierten Situationen zunehmend und in allen Disziplinen auch maschinelle Intelligenzen. Darum ist ein grundlegendes Verständnis über die Funktionsweise und den Einsatz von KI für Studierende sinnvoll. Inhalte, die dieses Verständnis fördern und die Studiengänge in ihre Curricula aufnehmen können, finden Sie auf dem KI-Campus. Der KI-Campus ist eine kostenfreie digitale Lehrplattform, gefördert vom Bundesministerium für Bildung und Forschung (BMBF). Dort lassen sich zahlreiche unterschiedliche Lernangebote für verschiedene Anwendungsfälle finden:

• Videos zur Einbindung in Ihre Lehre, beispielsweise über die Grundlagen generativer KI
• Podcasts als begleitende Inhalte für Ihre Lehre, zum Beispiel über den gesellschaftlichen Einfluss von KI
• Komplette Kurse, zum Beispiel „KI für alle: Einführung in die Künstliche Intelligenz„
• Natürlich können Sie sich auch selbst einbringen, um Lehre über KI gemeinsam mit dem KI-Campus zu gestalten. Ein Beispielprojekt von Angehörigen der TH Köln ist der Data Literacy Basiskurs.

Wie kann man KI in kompetenzorientierte Lehre integrieren?

In einer kompetenzorientierten Lehre erwerben Studierende jenseits einer simplen Ersetzungslogik – „Das macht die KI für mich!“ – konkrete Handlungskompetenzen in der Mensch-Maschine-Interaktion.

Überprüfen Sie daher ihre fachlichen Learning Outcomes, ob KI-Technologien für diese konkret zu erwerbenden Kompetenzen relevant sind. Beim Anpassen von Lernzielen sollten diese klar formuliert werden. Die Lernziele können KI-Technologien direkt adressieren, wie die Lerninhalte des KI-Campus, oder KI als hilfreiches Tool einbeziehen – also für das WOMIT, mit dem Lernende das Lernziel erreichen, eine Rolle spielen. Dann sollte diese Mensch-Maschine-Interaktion Teil Ihrer Lehrkonzeption werden.

Kann eine Handlung leicht auf einem angemessenen Niveau durch beispielsweise einen KI-Chatbot automatisiert werden, kann es durchaus sinnvoll sein, die entsprechende Lerneinheit ohne KI als Hilfsmittel und in Präsenz zu gestalten. Das WOZU des Lernziels darf dabei nicht verloren gehen. Gerade bei Kompetenzen, die unter Ausschluss von KI erlernt werden sollen, ist es wichtig, den Studierenden deutlich zu machen, wozu sie verantwortungsvoll handeln können müssen in Bereichen, die maschinelle Intelligenz ebenfalls automatisieren könnte. In diesem Kontext ist es wichtig, dass eine intensive Auseinandersetzung mit den Entwicklungen in Forschung und Praxis der jeweiligen Disziplin stets berücksichtigt wird.

Um einen KI-Chatbot in ein Lehr-Lernszenario niedrigschwellig und chancengleich zu integrieren, nutzen Sie THKI Chat. Weitere Anregungen zu sinnvollen KI-Anwendungen finden Sie in unserer KI-Toolbox. Zudem können Sie sich über Ihre KI-Lehrkonzepte in unseren Brownbag-Sessions und unserem Space KI@THK austauschen. Zur Inspiration können Sie gerne auf die Use Cases der FUH eingehen.

Links & Literatur

• Deutscher Ethikrat, Stellungnahme: Mensch und Maschine – Herausforderungen durch Künstliche Intelligenz (Kapitel 3)
• Entwicklungsagentur Rheinland-Pfalz: Gutachterliche Stellungnahme zu den Auswirkungen künstlicher Systeme im Speziellen und der Digitalisierung im Allgemeinen auf das kommunale Leben in Rheinland-Pfalz 2050
• Spielarten der Künstlichen Intelligenz: Maschinelles Lernen und Künstliche Neuronale Netze (Fraunhofer-Institut für Arbeitswirtschaft und Organisation, Blogbeitrag)
• Center for Research on Foundation Models (CRFM), Stanford Institute for Human-Centered Artificial Intelligence (HAI), Stanford University: On the Opportunities and Risks of Foundation Models
• Technische Hochschule München, Ludwig-Maximilians-Universität München, Universität Tübingen: Positionspapier: ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education
• Fraunhofer-Institut für Naturwissenschaftlich-Technische Trendanalysen: Natural Language Processing
• Basiswissen zu Künstlicher Intelligenz auf dem KI-Campus
• Hessisches Kultusministerium: Handreichung “Künstliche Intelligenz (KI) in Schule und Unterricht” (Abschnitt: Glossar)

Der Beitrag KI 101 – Ein Einstieg in die Welt der Künstlichen Intelligenz erschien zuerst auf Lehrpfade.

Kurz erklärt: Geschlechtervielfalt

Rechtliche Grundlagen

Ziel des Gesetzes ist, Benachteiligungen aus Gründen der Rasse oder wegen der ethnischen Herkunft, des Geschlechts, der Religion oder Weltanschauung, einer Behinderung, des Alters oder der sexuellen Identität zu verhindern oder zu beseitigen.  

Gesetz zur Abschaffung von Benachteiligungen auf Grund des Geschlechts oder der sexuellen Identität, AGG § 1 Ziel des Gesetzes

Grundlage für die geschlechtersensible Lehre sind das Deutsche Grundgesetz (Artikel 3, Absatz 3), das Personenstandsgesetz (§ 22), der Vertrag von Amsterdam (Artikel 6a), sowie das Allgemeine Gleichbehandlungsgesetz. 

Links & Literatur

Header-Bild: © Pixel-Shot/Adobe Stock

Der Beitrag Geschlechtervielfalt in der Hochschullehre erschien zuerst auf Lehrpfade.

Kurz erklärt: Was ist Barrierefreiheit und was sind überhaupt Barrieren in der Lehre?

Stellen Sie sich vor, Sie erhalten diesen Artikel in Form von gedruckter Blindenschrift – der sogenannten Brailleschrift. Damit wäre der Text für Sie vermutlich nicht zugänglich, da nur wenige Menschen in Deutschland Braille lesen können. Ohne Zugang werden Sie nicht erreicht, Sie werden behindert. Das Beispiel schließt an Artikel 4 im Behindertengleichstellungsgesetz (kurz: BGG) an. Hier wird Barrierefreiheit definiert als Auffindbarkeit, Zugänglichkeit und Nutzbarkeit für alle Menschen ohne fremde Hilfe. In unserem Beispiel ist der Text für Sie eben nicht zugänglich und nutzbar.

Barrieren in der Lehre können vielschichtig und unsichtbar sein. Dabei kommen Barrieren immer von außen – nicht von der Person selbst. Sie entstehen, wenn Strukturen nicht auf die Nutzung von notwendigen Hilfsmitteln (assistive Technologien wie zum Beispiel Screenreader) ausgelegt sind. Für ein gelungenes Studium sind drei Aspekte besonders wichtig: Die Kommunikation, die Lehr- und Lernmaterialien und die Prüfungen.

Beispiele für Barrieren in der Lehre

• Eine Lehrveranstaltung, in der die lehrende Person ohne Mikrofon und mit Maske kaum zu verstehen ist. Kommunikation ist so nur mit einem Teil der Studierenden möglich.
• PowerPoint-Präsentationen, die von einem Screenreader-Programm nicht erfasst werden können. Diese Lehr-/Lernmaterialien sind für betroffene Studierende nicht zugänglich.
• Feste Prüfungsformate, die es beispielsweise für Studierende mit psychischer Erkrankung unmöglich machen, die Prüfung zu absolvieren.

Proaktiv Barrieren abbauen

Für die meisten Barrieren gibt es einfache Lösungen. Bevor Sie digitale Dokumente wie zum Beispiel Word-Dateien oder PowerPoint-Präsentationen fertigstellen, können Sie die Barrierefreiheit selbst überprüfen. Die Programme liefern Ihnen eine Liste möglicher Barrieren für Personen die beispielsweise auf eine Vorlesefunktion angewiesen sind. Weitere Informationen finden Sie in unseren Videos.

Zusätzliche Links

• PowerPoint-Vorlage der TH Köln (mit CampusID zugänglich)
• Color Contrast Analyser
• Leitfaden zum Schreiben guter Alternativtexte

Zusätzliche Links

• Camtasia
• Untertitelstandards

Schritt für Schritt: Barrierefreie Lehre

Sensibilität und Ansprechbarkeit

Der wichtigste Schritt für barrierefreie Lehre ist ein sensibler Umgang. Aus Angst vor Stigmatisierung melden sich Betroffene oft nicht, wenn sie im Studium durch Barrieren behindert werden. Zeigen Sie sich zu Beginn Ihrer Veranstaltungsreihe ansprechbar, indem Sie Barrierefreiheit thematisieren. Binden Sie dazu zum Beispiel diese Informationsfolie in Ihre Präsentation ein. Die englische Version finden Sie hier.

Auf Barrieren prüfen

Prüfen Sie die Zugänglichkeit Ihrer Lehrmaterialien:

• Sind die Inhalte Ihrer Materialien zugänglich für Menschen mit einer Sehbehinderung?
• Gibt es Alternativen zu auditiven Informationen für Menschen mit Hörbeeinträchtigung?
• Können Studierende auf strukturierte Zusammenfassungen zurückgreifen?
• Sind Veranstaltungsorte und Räumlichkeiten barrierefrei zugänglich, mit guter Akustik ausgestattet und bieten Alternativen für visuelle Informationen?

Informationsfolie

Hier finden Sie eine Folie mit Informationen für Studierende mit Beeinträchtigung, die Sie ganz einfach in Ihre Präsentationen einbauen können. Leiten Sie diese Informationsfolie auch gerne an Ihre Studierenden weiter. Die englische Version finden Sie hier.

Hintergrund: best3-Studie

In der bundesweiten Befragung beeinträchtigt studieren: best3 wurden im Sommersemester 2021 Daten zur Situation von Studierenden mit Beeinträchtigung erhoben. 16 % der befragten Studierenden geben an mindestens eine studienerschwerende Beeinträchtigung zu haben. Das ist eine Steigerung im Vergleich zu den vorherigen best-Studien aus den Jahren 2011 (8 %) und 2016 (11 %). Übertragen auf die Gesamtzahlen bedeuten diese Ergebnisse, dass von 2,9 Millionen Studierenden in Deutschland 302.000 Menschen mit einer studienerschwerenden psychischen Erkrankung studieren. Die Ergebnisse verdeutlichen die Heterogenität innerhalb der befragten Gruppe. Herausgeber der Studie ist das Deutsche Studentenwerk.

Rechtliche Grundlagen

Barrierefrei sind bauliche und sonstige Anlagen, Verkehrsmittel, technische Gebrauchsgegenstände, Systeme der Informationsverarbeitung, akustische und visuelle Informationsquellen und Kommunikationseinrichtungen sowie andere gestaltete Lebensbereiche, wenn sie für Menschen mit Behinderungen in der allgemein üblichen Weise, ohne besondere Erschwernis und grundsätzlich ohne fremde Hilfe auffindbar, zugänglich und nutzbar sind. Hierbei ist die Nutzung behinderungsbedingt notwendiger Hilfsmittel zulässig.

Gesetz zur Gleichstellung von Menschen mit Behinderungen, BGG § 4 Barrierefreiheit

In weiteren Gesetzen und Konventionen sind rechtliche Grundlagen zur Barrierefreiheit definiert, dazu zählen die UN-Behindertenrechtskonvention (Art. 24), das Grundgesetz (Art. 3, Abs.3) und das Sozialgesetzbuch (§ 1 SGB IX).

Links & Literatur

Header-Bild: © Zentrum für Lehrentwicklung, TH Köln

Der Beitrag Barrierefrei lehren erschien zuerst auf Lehrpfade.

Welche Begriffe gibt es?

Eine Veranstaltung kann stattfinden …

• … in Präsenz, d. h. ausschließlich vor Ort bei räumlich gleichzeitiger (synchroner) Anwesenheit.
• … online, d. h. ausschließlich als Online-Lehre (synchron und/oder asynchron).
• … blended oder hybrid, d. h. in gemischter Form.

Einfach erklärt: Begriffe der digitalen Lehre

Präsenz

Eine Präsenzveranstaltung beschreibt die Durchführung der Lehre in einem Raum in der Hochschule, bei dem der*die Lehrende*r und alle Studierenden vor Ort in diesem Raum anwesend sind. Die Kommunikation erfolgt synchron im Hochschulgebäude.

Online (synchron / asynchron)

Eine Online-Veranstaltung findet durchgehend online statt. Der*Die Lehrende und alle Studierenden nehmen mit einem digitalen Endgerät an der Lehre teil und befinden sich an unterschiedlichen Standorten. Die Online-Lehre kann synchron oder asynchron sein. 

• Synchrone Online-Lehre: Lehrperson und Studierende treffen sich zu wiederkehrenden Terminen über ein Videokonferenztool in einer Online-Sitzung. Dabei können Vorträge seitens des*der Lehrenden ebenso Inhalt sein wie Einzel- oder Gruppenarbeiten.
• Asynchrone Online-Lehre: Die Lehrperson stellt Materialien und Arbeitsaufgaben über ein Lernmanagementsystem zur Verfügung, und die Studierenden bearbeiten diese individuell als Selbstlerneinheit. Dies kann sowohl in Einzel- als auch in Gruppenarbeit geschehen.

Synchrone und asynchrone Online-Lehrveranstaltungen können auch kombiniert werden. Die Studierenden bearbeiten dann asynchron Aufgaben und Lernmaterialien und nehmen zusätzlich an terminierten Online-Sitzungen teil.

Online – Didaktische Hinweise

Hier finden Sie weiterführende Infos und Empfehlungen:

• Didaktische Gestaltung von Präsenz- und Onlinelehre (NHHL)
• Digitale Lehre planen und gestalten (Videos, HFD & e-teaching.org)

Blended

Blended Learning ist eine Kombination aus Online- und Präsenzlehre (engl. to blend = mischen), bei der sowohl asynchrone als auch synchrone Online-Elemente zum Einsatz kommen können. Blended-Learning-Formate finden i. d. R. im Wechselrhythmus statt – also eine Woche online, eine Woche offline. Die Online-Lernphasen können Online-Sessions, Online-Gruppenarbeit oder Selbstlernphasen umfassen.

Blended – Didaktische Hinweise

Hier finden Sie weiterführende Infos und Empfehlungen:

• Dossier Blended Learning (Hochschulforum Digitalisierung)
• Blended Learning (Universität Bochum)

Flipped 

Flipped Classroom bezeichnet eine spezifische Variante des Blended Learnings, bei der Wissensvermittlung und Anwendung bzw. Übung sozusagen vertauscht sind (engl. to flip = umdrehen). Außerhalb der Präsenzzeit eignen sich Studierende das Wissen selbstständig mit Hilfe von Lernmaterialien an. Hierfür werden z. B. Videos, Podcasts, Texte oder Aufzeichnungen von Lehrveranstaltungen eingesetzt. Der Vorteil des Flipped Classrooms ist, dass die gemeinsame Zeit in Präsenz genutzt werden kann, um das Erlernte zu vertiefen und anzuwenden, Ausnahmen zu besprechen und zu reflektieren und offene Fragen zu klären.

Flipped – Didaktische Hinweise

Hier finden Sie weiterführende Infos und Empfehlungen:

• Materialien Flipped Classroom (TH Köln)
• Gesamtszenarien: Flipped Classroom (TU Hamburg)
• Inverted Classroom (Universität Bochum)

Hybrid

Nicht ganz eindeutig zu klären ist der Begriff der hybriden Lehre. Häufig wird damit assoziiert, dass die Studierenden sowohl vor Ort als auch von einem individuellen Standort online am Lehrangebot teilnehmen können. Grundsätzlich meint hybride Lehre aber die Kombination aus digitaler Lehre und normaler Präsenzveranstaltung – bislang meist asynchron als Blended-Learning-Format.

Die hybride Lehre umfasst demnach eine ganze Reihe von unterschiedlichen Settings, sodass sich auch die Definitionen unterscheiden:

Hybride Lehre meint das Zusammentreffen von digitaler Lehre und klassischen Präsenzformaten. Bisher geschah dies meist in asynchroner Kommunikation als blended learning.

Universität Greifswald

Durch die gezielte Verknüpfung physischer und digitaler Lernumgebungen entstehen hybride Lernräume, die vielfältige Formen der Kollaboration und Kooperation ermöglichen und eine individualisierte, flexible Kompetenzentwicklung und Wissensvermittlung unterstützen können.

Projekt HybridLR (TH Köln / Leibniz-Institut für Wissensmedien (IWM) Tübingen)

Weitgehend einig ist man sich darin, dass hybride Lehre (ähnlich wie Blended Learning) auf eine Mischung verweist (hybrid = blended = gemischt), ohne dass es aber einen klaren Konsens in der Definition gäbe.

Prof. Dr. Gabi Reinmann (Universität Hamburg)

Zusammenfassend kann man festhalten: 

Hybride Lehre beschreibt…  

• … eine Mischung aus digitaler und analoger Lehre.
• … die Verknüpfung aus physischen und digitalen Lernumgebungen.  

Hybride Lehre ermöglicht… 

• … eine individualisierte, flexible Kompetenzentwicklung. 
• … eine gleichzeitige und gleichwertige Teilnahme.
• … vielfältige Formen der Kollaboration und Kooperation.

Hybrid – Didaktische Hinweise

Hier finden Sie weiterführende Infos und Empfehlungen:

• Hybride Lehrszenarien (e-teaching.org)
• Hybride Lehre – Empfehlungen (Hochschule Rhein-Main)
• Hybride Lehre – Merkblatt (Fachhochschule Bern)

Links & Literatur

Header-Bild: © Dzmitry/stock.adobe.com

Der Beitrag Begriffe der digitalen Lehre erschien zuerst auf Lehrpfade.

Kurz erklärt: Was sind OER?

Wie lizenziere ich OER?

Offene Bildungsmaterialien müssen als solche kenntlich gemacht werden, um sie für andere Lehrende einfach nutzbar zu gestalten. Dabei ist die sogenannte TULLU-Regel eine gute Hilfe: Machen Sie im Lizenztext Angaben zu Titel, Urheber*in, Lizenz, Link zur Lizenz und Ursprungsort.

OER-Projekte an der TH Köln

Links & Literatur

Der Beitrag Open Educational Resources für die Lehre nutzen erschien zuerst auf Lehrpfade.