Mensch-KI-Kollaborationskompetenzen: Was sollte im Curriculum enthalten sein?

Der/Die Studierende erhält zwar eine überzeugende Antwort von der KI, kann aber nicht erklären, welche Daten verwendet, was überprüft und warum das Ergebnis für die Aufgabe geeignet ist. Theoretisch beherrscht er/sie das Tool, die Zusammenarbeit ist jedoch noch nicht stabil. In einer professionellen Situation ist es weiterhin notwendig, das Ziel zu definieren, eine geeignete Unterstützungsmethode auszuwählen, einen Fehler zu erkennen und das Ergebnis an eine andere Person weiterzugeben. Diese Handlungen sollten als Lernergebnisse sichtbar gemacht werden, anstatt das Programm auf eine Auswahl erfolgreicher Anfragen an einen Dienst zu beschränken.

Die Zusammenarbeit mit KI umfasst Fachwissen, das Verständnis der Grenzen des Tools und die Organisation der Arbeit. Sie ersetzt nicht die Kernkompetenz des Kurses. Zukünftige Analysten müssen die Daten verstehen, Redakteure die Inhalte und Belege, und Lehrende die Lernziele. KI verändert die Art und Weise, wie individuelle Handlungen ausgeführt werden, doch die Verantwortung für die Angemessenheit des Ergebnisses bleibt Teil menschlicher Arbeit. Das Programm sollte diese Verbindung in konkreten Situationen mit einem überprüfbaren Ergebnis trainieren.

Umfassende Kenntnisse in beobachtbare Handlungen umsetzen

UNESCO-Kompetenzrahmen für KI für Studierende behandelt den menschlichen Ansatz, Ethik, Techniken und Anwendungen von KI sowie Systemdesign. Er bietet Richtlinien für die Struktur, ist aber kein fertiger Plan für einen professionellen Kurs. Das Team muss relevante Lernergebnisse für seine Zielgruppe auswählen. Beispielsweise sollte ein Teilnehmer fehlende Informationen für eine Aufgabe benennen und die Arbeit einstellen können, bis diese Informationen vorliegen, anstatt nur eine Testfrist zu setzen.

Für jede Kompetenz die Handlung, die Bedingungen und den Nachweis dokumentieren. „Kritisches Denken“ ist zu umfassend, um es in einer einzigen Unterrichtseinheit zu testen. „Eine unbegründete Behauptung in einer Antwort erkennen und eine Quelle zur Überprüfung finden“ kann bereits beobachtet werden. Ergänzen Sie dies um eine Situation, in der die Antwort nicht korrekt ermittelt wird: Daten sind unzureichend, die Rahmenbedingungen widersprüchlich oder die geforderte Lösung liegt außerhalb der Kompetenz des Lernenden. Die Fähigkeit, ein vermeintlich zu gutes Ergebnis nicht zu akzeptieren, sollte denselben Lernwert haben wie die erfolgreiche Nutzung von Hilfestellungen.

Vermitteln Sie, wie man eine Aufgabe definiert, bevor man einen Chat eröffnet.

Stellen Sie eine kurze Arbeitsanfrage mit einem vagen Ziel: „Erstellen Sie das beste Material für Anfänger.“ Der Lernende sollte herausfinden, für wen das Material gedacht ist, welche Handlung es unterstützt, welche Rahmenbedingungen gelten und wie die Qualität überprüft wird. Erst dann sollte er das Tool verwenden. Andernfalls füllt das Modell die Lücken mit eigenen Annahmen, und der Teilnehmer betrachtet den fertigen Text als gelöstes Problem. Die Übung trainiert die Formulierung von Aufgaben, die plattformübergreifend anwendbar und auch nach einem Wechsel der Benutzeroberfläche relevant bleiben.

Der/Die Studierende beschreibt kurz das Ziel und die Akzeptanzkriterien. Die Lehrkraft prüft, ob eine sinnvolle Option von reinem Text unterschieden werden kann. Klingt das Kriterium beispielsweise nach „interessant und modern“, wird um Klärung gebeten. Ist beispielsweise die erforderliche Vorgehensweise für Anfänger ohne weitere Erklärung verständlich? Gibt es ein Anwendungsbeispiel? Entspricht der Schwierigkeitsgrad dem bisherigen Lernstand? Dieser Einstieg ermöglicht weitere Nachfragen und dient als Grundlage für die Überprüfung der KI-Vorschläge.

Die Aufgabe wird in Abschnitte mit unterschiedlichem Schwierigkeitsgrad unterteilt.

Eine einzelne Aufgabe kann die Suche nach Optionen, Berechnungen, Interpretationen und die finale Lösung umfassen. Es ist nicht notwendig, alle Teile des Tools auf dieselbe Weise zu präsentieren. Der/Die Studierende sollte entscheiden, wo die KI einen Entwurf vorschlägt, wo ein Taschenrechner angebracht ist und wo objektives Urteilsvermögen gefragt ist. Beispielsweise können mehrere Erklärungsansätze vorgeschlagen werden, die Korrektheit des Beispiels sollte jedoch selbst überprüft werden. Eine Teileübersicht hilft Ihnen zu erkennen, welche Ergebnisse Zwischenergebnisse sind und nicht ohne Überprüfung automatisch zur nächsten Stufe übergehen sollten.

Geben Sie eine zeitlich begrenzte Übung und bitten Sie um eine Begründung für die Zuweisung. Bewerten Sie nicht die maximale Anzahl der verwendeten KI-Funktionen, sondern die Angemessenheit der Auswahl. Der/Die Studierende kann das Tool für eine kurze Aktion verlassen, wenn die Überprüfung länger dauert als die eigenständige Ausführung. Ein/e andere/r Teilnehmer/in wird es verwenden, um Alternativen zu vergleichen, aber nicht, um den Endindikator zu berechnen. Beide Lösungen können gut sein, wenn sie das Ziel, das Risikoniveau und die tatsächliche Möglichkeit der Ergebniskontrolle unter den gegebenen Bedingungen erfüllen.

Entwickeln Sie die Gewohnheit, ausreichend Kontext bereitzustellen.

Die Arbeitsabfrage sollte die notwendigen Fakten, Einschränkungen und das erwartete Format enthalten, aber keine unnötigen personenbezogenen Daten. Erstellen Sie für die Übung eine fiktive Situation mit einigen wichtigen Parametern. Bitten Sie den/die Studierende/n, das Problemlösungsrelevante von zufälligen Details zu trennen. Dies verbindet sachliches Denken mit verantwortungsvollem Umgang mit Informationen. Der Teilnehmer sollte erklären können, warum er ein bestimmtes Feld ausgewählt hat, anstatt einfach das gesamte verfügbare Dokument ohne Auswahl in den Chat einzufügen.

Es ist hilfreich, zwei Anfragen zu vergleichen, die sich nur im fehlenden kritischen Parameter unterscheiden. Lassen Sie den Studierenden vorhersagen, wie sich diese Lücke auf das Ergebnis auswirkt, und anschließend die Optionen testen. Ziel ist es, den Zusammenhang zwischen Bedingung und Ergebnis zu verstehen. Es ist nicht nötig, eine Zauberformel auswendig zu lernen. Die Qualität des Kontextes wird daran geprüft, ob das Tool genügend Anhaltspunkte für die notwendige Arbeit erhält und ob es die Stellen sichtbar hält, an denen die Informationen für eine bestimmte Schlussfolgerung noch nicht ausreichen.

Lernen Sie, die Antwort selbstständig zu überprüfen.

Es genügt nicht, dasselbe Modell mit dem eigenen Text vergleichen zu lassen. Der Studierende sollte einen anderen Weg wählen können: die Primärquelle öffnen, die Berechnungen wiederholen, das Beispiel mit Kontrolldaten überprüfen oder die Regel des jeweiligen Fachgebiets konsultieren. Legen Sie in der Übung im Voraus fest, was als Beleg gilt. Der Teilnehmer übt dann die Überprüfung, anstatt eine zusätzliche, überzeugende Erklärung für eine bereits akzeptierte Antwort zu erstellen, die keine neuen Informationen zu deren Richtigkeit liefert.

Verwenden Sie einen Entwurf mit verschiedenen Fehlertypen: einer falschen Tatsache, einer fehlenden Bedingung und einer unpassenden Schlussfolgerung. Dies sind unterschiedliche Überprüfungsaufgaben. Das Finden einer Quelle kann eine Tatsache korrigieren, garantiert aber nicht die logische Konsistenz der Schlussfolgerung. Der/Die Lernende sollte die Art des Problems und dessen Korrektur erläutern. Bewerten Sie die bestätigten Änderungen und die verbleibenden Unklarheiten. Bleibt nach der Bearbeitung eine Bedingung offen, ist ein ehrlicher Hinweis auf diese Grenze besser als ein selbstsicherer Text, in dem die fehlende Antwort unmerklich erfunden wurde.

Entwickeln Sie inhaltliche Überarbeitung.

Die KI kann Texte vorschlagen, die vollständig klingen, aber nicht dem Zweck des Lernprodukts entsprechen. Fordern Sie den/die Lernende/n auf, die Erklärung zu kürzen, ohne die entscheidende Bedingung zu verlieren, oder sie für eine andere Zielgruppe anzupassen. Bitten Sie ihn/sie, die Änderungen und deren Gründe darzulegen. Es ist wichtig, die Bedeutung zu erhalten. Das Entfernen aller Einschränkungen aus Gründen der Lesbarkeit kann die Regel verfälschen, und das Hinzufügen vieler Begriffe verschleiert lediglich den fehlenden klaren Kausalzusammenhang zwischen den Aussagen.

Verwenden Sie zwei Versionen und einen spezifischen Leser zur Überprüfung. Lassen Sie einen anderen Studierenden die Handlung gemäß den bearbeiteten Anweisungen ausführen und die unklaren Stellen aufzeigen. So erhält der Autor einen Nachweis für die Eignung des Textes und nicht nur eine stilistische Beurteilung. Es ist wichtig, dass das Tool nicht zum alleinigen Schiedsrichter über sein eigenes Ergebnis wird. KI kann zwar eine Option vorschlagen, die Relevanz für die Aufgabe wird jedoch durch den Inhalt, die Quellen und die tatsächliche Möglichkeit des Nutzers, die erwartete Handlung unter den vorgesehenen Lernbedingungen durchzuführen, bestätigt.

Arbeiten Sie mit Unsicherheiten.

Bei beruflichen Aufgaben lässt sich die Antwort nicht immer auf eine einzige Zahl reduzieren. Der/Die Lernende muss zwischen bekannten Fakten, Annahmen, Vorhersagen und Vorschlägen unterscheiden. Geben Sie für die Übung unvollständige Materialien vor und fordern Sie die Lernenden auf, Lösungsoptionen mit Anwendungsbedingungen zu formulieren. Fehlende Fakten dürfen nicht ohne Kennzeichnung ergänzt werden. Dieses Format zeigt, ob der/die Teilnehmende mit Einschränkungen arbeiten kann oder ob er/sie die flüssige Darstellung des KI-Textes nutzt, um fehlende Belege für eine eindeutige Schlussfolgerung zu verschleiern.

Bewerten Sie die Qualität der nächsten Frage. Manchmal ist es am hilfreichsten, korrekt zu bestimmen, welche Informationen vom Kunden oder Dozenten eingeholt werden müssen. Bitten Sie den/die Lernende/n, eine Klärung aus mehreren Möglichkeiten auszuwählen und deren Auswirkungen auf die Entscheidung zu erläutern. Dies hilft, die notwendige Überprüfung von endlosen Detailklärungen zu unterscheiden. Kompetente Zusammenarbeit mit KI beinhaltet die Fähigkeit, mit ausreichenden Belegen fortzufahren und genau dort zu stoppen, wo die nachfolgende Generierung nur Unwissenheit kaschiert.

Verantwortungsbewusstes Datenmanagement praktizieren

UNESCO-Empfehlungen zu generativer KI stellen die menschliche Verantwortung und angemessene Nutzungsbedingungen in den Mittelpunkt. Dies sollte in einer konkreten Auswahlübung im Curriculum umgesetzt werden. Stellen Sie ein gemischtes Set bereit: eine öffentliche Beschreibung, fiktive Datensätze und ein bedingt vertrauliches Dokument. Die Studierenden bestimmen den zulässigen Weg für jedes Fragment und begründen, warum das gesamte Set nicht automatisch auf einen verfügbaren Dienst hochgeladen werden sollte.

Beschränken Sie die Lektion nicht auf eine allgemeine Aussage zum Thema Datenschutz. Lassen Sie die Teilnehmenden eine Minimalversion des Problems ohne unnötige Details vorbereiten, die Nutzungsbedingungen des Tools prüfen und eine verantwortliche Person für den strittigen Fall benennen. Es ist wichtig, die technische Möglichkeit des Anhängens einer Datei vom Recht auf deren Nutzung auf diese Weise zu unterscheiden. Fiktive Daten genügen für die Bewertung. Reale Fallbeispiele von Studierenden sind nicht erforderlich, um die Fähigkeit zu demonstrieren, Grenzen zu definieren, unnötige Felder zu entfernen und einen vereinbarten Workflow auszuwählen.

Vermitteln Sie, wie das Ergebnis dem Team kommuniziert wird.

Zusammenarbeit endet nicht mit einem persönlichen Gespräch. Ein Kollege benötigt ein Ergebnis, das er verstehen und überprüfen kann, ohne die gesamte Anfragehistorie lesen zu müssen. Der Student sollte eine prägnante Beschreibung des Ziels, der verwendeten Materialien, der durchgeführten Prüfungen und der offenen Fragen vorbereiten. Dies ist keine formale Erklärung der KI, sondern eine Kommunikation der Gründe für das weitere Vorgehen. Wenn der andere Teilnehmer nicht versteht, was bereits bestätigt wurde, wird er entweder die Arbeit wiederholen oder den unbestätigten Teil als unumstößliche Tatsache akzeptieren.

Organisieren Sie eine Partnerübung: Ein Teilnehmer bereitet das Material mit KI vor, der andere akzeptiert es nach vereinbarten Kriterien. Anschließend tauschen sie die Rollen. Evaluieren Sie, wie viele versteckte Annahmen während der Kommunikation aufgedeckt wurden und ob die Quelle einer wichtigen Aussage wiederhergestellt werden kann. Verlangen Sie nicht, dass jede technische Nachricht unnötigerweise gespeichert wird. Der benötigte Grad an Transparenz bestimmt die Möglichkeit, die Inhalte zu überprüfen und weiterzuarbeiten, nicht die Anzahl der Seiten in der Anwendung oder der verwendeten Screenshots der Benutzeroberfläche.

Überprüfen Sie die Fähigkeit, selbstständig zu arbeiten.

Ein Teil des Kurses sollte der selbstständigen Demonstration von Grundkenntnissen vorbehalten sein. Wenn der/die Lernende die Logik des Themas nicht versteht, fällt es ihm/ihr schwer, einen plausiblen Fehler im Tool zu erkennen. Dies bedeutet nicht, KI in allen Phasen zu verbieten. Es ist wichtig, ehrlich anzugeben, was bei jeder Aufgabe bewertet wird: die Beherrschung der Grundlagen oder die Fähigkeit, die Arbeit mit Unterstützung zu organisieren. Die Vermischung dieser Ergebnisse erschwert das Feedback und erweckt den Eindruck von Fortschritt, der nicht durch unabhängige Überprüfung bestätigt wird.

Geben Sie nach der gemeinsamen Arbeit eine kurze neue Aufgabe ohne dasselbe vorgefertigte Beispiel. Bitten Sie darum, die Schlüssellösung zu erläutern oder einen absichtlich eingebauten Fehler zu korrigieren. CMU-Lernprinzipien Die einzelnen Kompetenzen, ihre Kombination und die Anwendungsbedingungen werden hervorgehoben. Für ein KI-Programm bedeutet dies, nicht nur ein ästhetisch ansprechendes Ergebnis zu überprüfen, sondern auch, was der Teilnehmer verstanden hat, reproduzieren und nach Abschluss der Arbeit mit dem Assistenten in einem anderen Kontext anwenden kann.

Es wird eine mehrstufige Sequenz entwickelt.

Auf der ersten Stufe arbeitet der Lernende mit vorgefertigten Bedingungen und einer kurzen Antwort, bei der die Fakten leicht überprüft werden können. Anschließend präzisiert er die Aufgabe selbst, wählt die Unterstützungsmethode und vergleicht Alternativen. Auf einer komplexeren Stufe organisiert er einen Teamprozess mit mehreren Quellen und die Ergebnispräsentation. Jede Stufe bringt eine neue Verantwortung mit sich. Eine Verlängerung der Anfrage oder eine Erhöhung der Anzahl der benötigten Dienste allein führt nicht zu einer Kompetenzentwicklung, wenn der Teilnehmer keine fundierteren und aussagekräftigeren Entscheidungen trifft.

Ein Beispiel für eine durchgängige Vorgehensweise ist die Erstellung einer Erklärung für Anfänger auf Basis von Open Source. Zunächst identifiziert der/die Studierende die Zielgruppe, erhält dann Strukturoptionen, prüft die Aussagen, überarbeitet das Beispiel und testet die Verständlichkeit mit einem/einer Kommilitonen/Kommilitonin. Abschließend erläutert er/sie sein/ihr Vorgehen und die verwendeten Hilfsmittel. Dies ist ein Projektszenario, kein fertiger Beweis für die Effektivität der Methode. Das Kursteam sollte prüfen, ob diese Vorgehensweise das Lernziel und die Bedürfnisse der Zielgruppe unterstützt.

Bewerten Sie den Prozess anhand einiger aussagekräftiger Kriterien.

Die Bewertungskriterien können die Verständlichkeit der Aufgabe, die Angemessenheit der Arbeitsteilung, die Qualität der Überprüfung und die Eignung des präsentierten Ergebnisses umfassen. Beschreiben Sie für jedes Kriterium den beobachteten Unterschied zwischen den Stufen. Beispielsweise wiederholt eine schwache Überprüfung die Modellfrage, während eine starke Überprüfung unabhängige Argumente verwendet und die Schlussfolgerung präzisiert. Versuchen Sie nicht, den impliziten Denkstil anhand der Gewissheit des Textes zu beurteilen. Sie benötigen Materialien und Handlungen, die der/die Studierende tatsächlich demonstriert hat und in einem kurzen Gespräch mit dem/der Dozenten/Dozentin erläutern kann.

Fügen Sie kritische Fehler hinzu, die nicht durch stilistische Mittel kompensiert werden können: eine fiktive Quelle, eine versteckte Annahme in einer entscheidenden Berechnung oder die Verwendung inkonsistenter Daten. Gleichzeitig sollte eine berechtigte Ablehnung des Tools nicht bestraft werden. Wenn ein eigenständiger Lösungsweg für die Aufgabe besser geeignet ist, kann dies ein Zeichen für eine gute Wahl sein. Die Bewertungskriterien sollten verantwortungsvolles Entscheiden fördern und Studierende nicht dazu drängen, die Nutzung des Tools nur um des Einsatzes von KI in jedem Teil der Lernaufgabe willen zu demonstrieren.

Vereinbaren Sie Regeln zwischen den Lehrenden.

Studierende sollten verstehen, wo Hilfe erlaubt ist, welche Beteiligung erklärt werden muss und was eigenständiges Arbeiten bleibt. Verschiedene Fächer können unterschiedliche Regeln haben, die Formulierungen sollten sich jedoch nicht ohne Erklärung widersprechen. Bereiten Sie einige typische Beispiele vor: Optionen generieren, Sprachprüfung, Verwendung einer fertigen Lösung, Analyse einer Quelle. Bitten Sie die Lehrenden, diese anhand gemeinsamer Kriterien zu bewerten. Meinungsverschiedenheiten sollten besprochen werden, bevor sie zu uneinheitlichen Noten oder Missverständnissen bei der Abschlussarbeit führen.

Das WeStudy LMS kann helfen, Materialien und Übungsreihenfolge zu organisieren. Die Regeln für die Nutzung von KI sollten explizit in den jeweiligen Aufgaben formuliert werden. Verlassen Sie sich nicht auf eine allgemeine Seite, die die Studierenden zu Beginn des Programms lesen. Geben Sie neben der Aufgabe das Ziel, die zulässige Hilfestellung und den erwarteten Nachweis an. So erkennt der/die Teilnehmer/in den Zusammenhang zwischen Regel und Kompetenz, und die Lehrkraft hat eine Grundlage für eine einheitliche Bewertung, ohne raten zu müssen, wie der eingereichte Text erstellt wurde.

Beispiel einer Lektion: Überprüfung einer Erklärung für Anfänger

Nehmen Sie einen kurzen, offenen Text zu einem bekannten Thema. Vor Beginn der Lektion legt die Lehrkraft drei inhaltliche Bedingungen fest, die in der Erklärung erfüllt sein müssen. Der/Die Lernende erhält eine Quelle und eine Zielgruppenbeschreibung, aber keine vorgefertigte Frage. Zunächst erstellt er/sie selbst einen Plan und zeigt auf, wie KI dabei helfen kann. Diese erste Version ermöglicht es, später den Beitrag des Tools mit dem eigenen Plan zu vergleichen und bewusst vorgenommene Änderungen zu erkennen.

Anschließend wird der/die Teilnehmer/in gebeten, eine alternative Erklärung und ein Beispiel anzubieten. Er/Sie überprüft das Beispiel anhand der Quelle, nicht die Gewissheit der Antwort. Wenn die Quelle eine bestimmte Information nicht bestätigt, sollte diese entfernt oder für die weitere Bearbeitung als unbestätigt markiert werden. Die Lehrkraft beurteilt, ob alle drei Bedingungen erfüllt sind. Dies ist wichtiger als die Anzahl der Überarbeitungen: Viele aufeinanderfolgende Anfragen können den Text nur von der ursprünglichen Bedeutung entfernen, auch wenn jede neue Version flüssiger klingt.

Ein anderer Schüler liest das Ergebnis und beantwortet eine neue kurze Frage zur Anwendung der Regel. Falls er aufgrund einer übersehenen Bedingung einen Fehler macht, korrigiert der Autor den Text und erläutert die Gründe für die Änderung. Abschließend löst der Autor selbst eine ähnliche Aufgabe ohne Hilfe. Die Lektion liefert somit verschiedene Nachweise: Produktqualität, Fähigkeit zur Überprüfung und Verständnis des Themas. Diese sollten separat analysiert werden, damit ein gelungener Text nicht die mangelnde Selbstständigkeit des Teilnehmers verschleiert.

Stellen Sie eine Gruppenaufgabe mit unterschiedlichen Rollen.

Verteilen Sie für eine anspruchsvollere Phase Vorbereitung, Prüfung und Abnahme des Ergebnisses auf drei Personen. Die erste formuliert die Aufgabe und erstellt mit KI einen Entwurf, die zweite prüft die entscheidenden Aussagen, die dritte bewertet die Eignung für den Auftraggeber. Vereinbaren Sie, welche Informationen zwischen den Phasen übergeben werden. Vergleichen Sie danach Erwartungen und tatsächliche Übergabe: Hat die prüfende Person die Quellen erhalten, hat die Redaktion die offenen Fragen gesehen und sind bei der abschließenden Kürzung keine Einschränkungen verloren gegangen?

Tauschen Sie in der nächsten Übung die Rollen. Der/Die Studierende, der/die die Arbeit eines anderen übernommen hat, kann besser erkennen, was in der eigenen Erklärung fehlt. Die Bewertung sollte den Beitrag jedes Einzelnen berücksichtigen, nicht nur das Gesamtergebnis der Gruppe. Bieten Sie eine kurze individuelle Analyse einer kontroversen Entscheidung an. Dies hilft festzustellen, ob der/die Teilnehmer/in die Argumentation versteht oder lediglich einem/einer selbstbewussten Kollegen/Kollegin oder der Modellformulierung zustimmt. Die Geschwindigkeit des Teams sollte keinen ungleichen Zugang zu sinnvollen Lernpraktiken verschleiern.

Lassen Sie Raum für begründete Meinungsverschiedenheiten.

Bieten Sie zwei verschiedene Ergebnisse an, jedes mit seinen eigenen Vor- und Nachteilen. Der/Die Studierende sollte eines auswählen oder ein drittes formulieren und dabei Zweck und Belege angeben. Geben Sie nicht im Voraus bekannt, welche Option von einem Menschen und welche von einer KI erstellt wurde. Diese Übung hilft, den Inhalt zu bewerten, ohne einen Autor automatisch zu bevorzugen. Nach Offenlegung der Quelle sollte diskutiert werden, ob sich die Bewertung geändert hat und ob es neben der Quellenangabe selbst neue inhaltliche Gründe dafür gibt.

Der/Die Kursleiter/in sollte zudem bereit sein, eine weitere begründete Entscheidung zu treffen. Wenn die Kriterien mehrere Optionen zulassen, sollten die Eignung und Qualität der Erklärung bewertet werden. Die KI-gestützte Zusammenarbeit sollte nicht zu einem bloßen Raten der gewünschten Formulierung führen. Die Teilnehmenden sollten lernen, ihre Wahl zu verteidigen, die Grenzen zu erkennen und ihre Position zu ändern, wenn ein stärkeres Argument vorliegt. Dadurch ist der Kurs auch in Situationen nützlich, in denen keine fertige Referenzantwort existiert und das richtige Ergebnis mit anderen abgestimmt werden muss.

Tools aktualisieren, ohne die Lernziele zu vernachlässigen.

Dienste und Funktionsnamen ändern sich schneller als die grundlegenden Kollaborationsaktionen. JRC pflegt verschiedene Editionen von DigComp.hilft Ihnen bei der Arbeit mit Frameworks in Bezug auf die jeweilige Version. Markieren Sie in Ihrem Programm außerdem Datum und Bedingungen der instrumentellen Anweisungen. Speichern Sie separat die zu vermittelnden Kompetenzen: Problemformulierung, Umgang mit Daten, Bearbeitung, Verantwortungsbewusstsein und die verständliche Weitergabe der Ergebnisse an andere.

Überprüfen Sie einmal pro Trainingszyklus die Übungen in der neuen Version des Dienstes und stellen Sie sicher, dass sie die gewünschte Handlung weiterhin trainieren. Die Automatisierung könnte einen zuvor vom Lernenden durchgeführten Schritt entfernen oder einen neuen Fehlertyp erzeugen. Wenn die WeStudy LMS-Plattform für das Programm verwendet wird, aktualisieren Sie die Anweisungen und Beispiele zusammen mit den Kriterien. Die Trainingsinhalte sollten die Fähigkeit einer Person beschreiben, mit KI zu arbeiten und deren Ergebnis im jeweiligen Kontext zu bewerten, und nicht nur die Klickfolge in einem bekannten Produkt reproduzieren.

Quellen

• UNESCO: Kompetenzrahmen für KI für Studierende.

• UNESCO: Leitfaden für generative KI in Bildung und Forschung.

• Gemeinsame Forschungsstelle (JRC): Alle Ausgaben von DigComp und zugehörige Publikationen.

• Carnegie Mellon University: Lernprinzipien.