Lernende dazu befähigen, KI zu hinterfragen, statt ihre erste Antwort zu übernehmen

KI antwortet schnell, flüssig und oft selbstbewusst. Lernende können diese Darstellung als ausreichenden Grund zur Zustimmung ansehen, besonders bei unbekannten Themen. Das Ziel besteht jedoch nicht darin, dem System immer zu widersprechen. Es geht darum, eine konkrete Aussage zu erkennen, sie zu prüfen und die eigene Schlussfolgerung anhand von Belegen zu überarbeiten. Das kann bedeuten, die KI zu korrigieren, begründet zuzustimmen oder anzuerkennen, dass die Daten für eine verantwortbare fachliche Entscheidung nicht ausreichen.

Diese Arbeit benötigt Struktur. „Denken Sie kritisch“ erklärt nicht, was mit einer langen automatischen Erklärung zu tun ist. Im Folgenden schlagen wir ein Unterrichtsformat vor, in dem Teilnehmende lernen, sich inhaltlich mit einer KI-Antwort auseinanderzusetzen. Die Beispiele sind fiktive didaktische Veranschaulichungen. Sie sind weder Versuchsergebnisse einer realen Gruppe noch Belege für die Wirksamkeit eines bestimmten Werkzeugs. Lehrende passen Aufgaben an Fach, Lernstand, verfügbare Quellen und die in dieser Kursphase erforderliche Prüfkompetenz an.

Das Ziel durch eine evidenzgestützte Handlung bestimmen

Definieren Sie statt „Den KI-Fehler finden“ ein Ergebnis: Lernende unterscheiden Aussage und Begründung, prüfen eine entscheidende Bedingung und erklären eine Entscheidung. Eine richtige automatische Antwort untergräbt dann die Übung nicht. Teilnehmende können sie eigenständig bestätigen. Enthält jede Aufgabe immer einen Fehler, lernen sie schnell, irgendeinen Widerspruch zu suchen, selbst in korrekten Erklärungen. Das kann Prüfung durch grundsätzliches Misstrauen ersetzen, das ebenso wenig auf fachlichen Belegen beruht wie die automatische Zustimmung zu selbstbewusstem Text.

Wählen Sie einen kleinen fachlichen Bereich. Anfänger haben Mühe, neue Theorie zu lernen und zugleich komplexe Argumentationen ohne Unterstützung zu bewerten. Stellen Sie für die erste Übung vertraute Begriffe und eine zugängliche Prüfquelle bereit. Erhöhen Sie später Unsicherheit und eigenständige Recherche. Die Schwierigkeit sollte gezielt wachsen. Fehlt ein Merkmal, das wahre und falsche Aussagen unterscheidet, kann ein langes Modellgespräch Aktivität suggerieren, ohne das eigenständige Verständnis voranzubringen.

Carnegie Mellon empfiehlt, das Lernen in kritischen Diskussionen zu strukturieren , indem die erwarteten Handlungen ausdrücklich benannt werden. Hier könnte das bedeuten, eine wichtige Aussage zu prüfen, statt einen ganzen Text abstrakt zu beurteilen. Erklären Sie, dass eine starke Antwort konkrete Gründe und eine Grenze der Schlussfolgerung enthält. Bewerten Sie weder scharfe Formulierungen noch die Anzahl der Einwände oder die Bereitschaft, laut zu argumentieren. Eine schriftliche Analyse kann die geforderte Argumentation ebenso gut zeigen, sofern mündliche Diskussion kein eigenes Ziel ist.

Material mit bekannter fachlicher Grundlage vorbereiten

Lehrende müssen die Aufgaben vor dem Unterricht unabhängig prüfen. Bewahren Sie Bedingungen, Quellen und zulässige Schlussfolgerungen auf. Eine eigens erstellte Antwort mit einem kontrollierten Fehler kann genutzt werden; legen Sie ihre Herkunft jedoch nach der Diskussion offen. Nennen Sie ein erfundenes Beispiel keinen tatsächlichen Produktfehler. Vorführungen benötigen keine zufälligen realen Modellfehler: Ausreichende Prüfdaten und die Fähigkeit der Lehrkraft, richtige, falsche oder unzureichend belegte Inhalte zu erklären, sind wichtiger.

Nehmen Sie verschiedene Antworttypen auf: richtige, teilweise richtige und solche, die eine weitere Bedingung benötigen. Verraten Sie den Typ nicht vorab, wenn dies zum Ziel passt. Erklären Sie den Aufbau anschließend. Lernende müssen erkennen, dass die Übung keine Jagd nach einer zwingend vorhandenen Falle war. Bereiten Sie für jeden Fall eine Erklärung vor, in der die Entscheidung aus einem fachlichen Merkmal folgt. So lässt sich die Kompetenz auf neue Texte übertragen, bei denen Lehrende nicht vorher festlegen, ob das System sich irrt oder korrekt erklärt.

Prüfen Sie die Zugänglichkeit der Quellen. Ein eingeschränkter Link, eine nicht zugängliche Sprache oder eine kurze Werbung statt relevanter Informationen verhindert, dass Teilnehmende auf gleicher Grundlage prüfen. Stellen Sie für die erste Lektion ein kurzes Paket geeigneter Ausschnitte mit Links bereit. Das verrät nicht jede Antwort, wenn Lernende die Verbindungen selbst herstellen müssen. Verringern Sie die Unterstützung später schrittweise. Selbstständigkeit entwickelt sich durch den Übergang von angeleiteter Prüfung zur begründeten Wahl von Quellen und Methoden und nicht dadurch, dass jede Hilfe entfernt wird.

Zuerst eine eigene Ausgangsposition verlangen

Bitten Sie vor dem Zeigen der KI-Antwort um eine kurze erste Schlussfolgerung mit Begründung. Bei einem schwierigen Thema genügt die Angabe, was bekannt ist und welche Daten benötigt werden. Das schafft eine Vergleichsgrundlage. Lernende können erkennen, was ihre Sicht verändert hat: ein Argument, eine Quelle oder nur die Sicherheit des Systems. Benoten Sie die erste Notiz nicht als endgültiges Wissen, wenn sie das Denken sichtbar machen soll. Erklären Sie, dass eine Positionsänderung nach der Prüfung ein normales Lernergebnis ist.

Die Forschung von Buçinca und Kollegen untersucht in einem bestimmten Experiment die übermäßige Abhängigkeit von KI-Empfehlungen und Wege, eigenständiges Denken anzuregen. Sie garantiert nicht das Ergebnis dieser Lektion. Für den hier vorgeschlagenen Aufbau ist es nützlich, die automatische Schlussfolgerung erst zu zeigen, nachdem Teilnehmende versucht haben, eigene Gründe zu finden. Die erste Antwort darf jedoch nicht zur Verpflichtung werden, sie unbegrenzt zu verteidigen. Ziel ist die Prüfung und nicht das Festhalten an einem ersten Gedanken trotz verlässlicher neuer Daten und fachlicher Argumente.

Bitten Sie Teilnehmende nach Erhalt des KI-Textes, Übereinstimmungen und Unterschiede zu ihrer Ausgangsposition zu markieren. Ein Chat muss nicht sofort beginnen. Eine kurze kommentierte Lektüre hilft, einen Diskussionsgegenstand zu wählen. Andernfalls kann „Bist du sicher?“ längeren Text ohne neue Gründe erzeugen. Eine Diskussion hilft, wenn Teilnehmende wissen, welche Aussage sie prüfen und was unter der Aufgabe und ihrem Vorbereitungsstand als ausreichende Bestätigung oder Widerlegung gilt.

Die Antwort in überprüfbare Aussagen zerlegen

Erkennen Sie Fakten, Berechnungen, kausale Schlussfolgerungen, Empfehlungen und Annahmen. Jede benötigt eine eigene Prüfmethode. Daten werden anhand von Quellen geprüft, Rechenoperationen nachgerechnet, Kausalschlüsse anhand von Daten und Bedingungen beurteilt und Empfehlungen an Zielen und Einschränkungen gemessen. Verlangen Sie nicht für jeden Satz identische Belege. Eine allgemeine Beschreibung kann in das Thema einführen, während eine entscheidende Aussage die Entscheidung trägt. Bitten Sie Lernende auszuwählen, was die Antwort bestimmt, statt ihre gesamte Zeit auf unwichtige Stildetails zu verwenden.

Ergänzen Sie zu jeder ausgewählten Aussage eine kurze Prüffrage. Ist der Bezugswert der Prozentangabe bekannt? Existiert das zitierte Dokument? Stützt die Quelle tatsächlich einen Kausalzusammenhang? Es wird eine konkrete, durchführbare Handlung benötigt. „Auf Verzerrungen prüfen“ bleibt ohne Gegenstand oft ein Schlagwort. Klären Sie, welche Informationen fehlen und wie ihr Vorliegen die Schlussfolgerung verändern könnte. Lernende üben, Kritik handlungsbezogen, überprüfbar und für andere erklärbar zu machen.

Machen Sie die Anzahl kommentierter Sätze nicht zum wichtigsten Qualitätsindikator. Ein richtig gewählter entscheidender Punkt kann mehr helfen als zehn oberflächliche Kommentare. Finden Teilnehmende viele Probleme, bitten Sie um Prioritäten: Was beeinflusst die Entscheidung, was muss geklärt werden und was ist eine Stilfrage? Begründen Sie diese Unterscheidung. Unbelegt bedeutet nicht automatisch falsch. Manchmal lautet der richtige Status „noch nicht festgestellt“, verbunden mit der Erklärung, welche Daten genau fehlen.

Unabhängige Belege heranziehen

Die Antwort eines anderen Modells kann eine Rechercherichtung vorschlagen, ist aber selbst keine unabhängige fachliche Quelle. Bitten Sie Teilnehmende, ein Dokument zu öffnen, eine Berechnung zu wiederholen oder ein festgelegtes Beispiel zu prüfen. KI-Links müssen auf Existenz und relevante Passagen geprüft werden. Ein reales Dokument stützt nicht zwangsläufig jede Aussage einer automatischen Erklärung. Lernende müssen die Verbindung zwischen Quelle und Schlussfolgerung herstellen, statt lediglich einen angesehenen Namen hinzuzufügen.

Unterscheiden Sie Aktualität und Herkunft. Ein veränderliches Produkt benötigt Dokumentation zur betreffenden Version, eine wissenschaftliche Aussage geeignete fachliche Belege. Ordnen Sie einen zufälligen neueren Beitrag nicht allein wegen des Datums über einer relevanten Primärquelle ein. Fragen Sie, warum das Material zur Frage passt. Widersprechen sich Quellen, klären Sie Definitionen, Bedingungen, Zeitraum oder Beschreibungsebene. Manche Widersprüche verschwinden nach einer Klärung, andere bleiben ungelöst und müssen in der abschließenden Analyse ehrlich gekennzeichnet werden.

Ein kurzer Nachweis kann zunächst Aussage, Prüfung, erhaltene Daten und Schlussfolgerung enthalten. Machen Sie das Formular nicht zum Selbstzweck. Es verhindert, dass von einer Meinungsverschiedenheit ohne Gründe zu einer endgültigen Entscheidung gesprungen wird. Reduzieren oder entfernen Sie es später, wenn die Kompetenz selbstständig funktioniert. Lernende müssen die Funktion jedes Schritts verstehen und ihn in neuen Situationen nachvollziehen können, statt die geforderte Anzahl von Vorlagenfeldern auszufüllen.

Ein Argument an einem hypothetischen Beispiel prüfen

Angenommen, im Lernmaterial steht: Der mittlere Punktwert der Gruppe ist gestiegen, also haben sich alle Teilnehmenden verbessert. Diese Schlussfolgerung geht über das hinaus, was ein Mittelwert belegt. Lernende können ein Gegenbeispiel konstruieren: Zwei Punktwerte verändern sich von 4 und 6 auf 3 und 9. Der Mittelwert steigt von 5 auf 6, aber der erste Wert sinkt. Alle Zahlen sind hypothetisch. Dies veranschaulicht die Prüfung einer allgemeinen Aussage und keine Analyse eines tatsächlichen Kurses oder realer Noten.

Die Teilnehmenden formulieren dann einen präzisen Einwand: Ein steigender Mittelwert beweist nicht, dass sich jedes Einzelergebnis verbessert hat. Es ist unnötig zu behaupten, die Daten zeigten gar nichts. Sie stützen unter den genannten Bedingungen eine engere Aussage über den Mittelwert. Diese Präzision ist in einer Lerndiskussion wichtig. Schwache Kritik ersetzt eine Überverallgemeinerung durch eine andere. Starke Kritik erkennt die Beleggrenze und bewahrt den gestützten Teil, der auf Daten und transparenter Berechnung beruht.

Bitten Sie im Chat die KI, diese konkrete Schlussfolgerung anhand des Gegenbeispiels zu überdenken. Die Lernenden prüfen anschließend die überarbeitete Antwort. Die Zustimmung des Modells ist nicht das Ende: Der Wortlaut kann sich ändern und zugleich einen anderen Fehler einführen. Teilnehmende müssen zeigen, dass die korrigierte Aussage zu den Daten passt. Die Diskussion endet mit einer eigenen fachlichen Entscheidung, statt mit einer gewünschten Systemformulierung. Bewertet wird nicht der Sieg im Dialog, sondern die Feststellung, was belegt ist und welche Einschränkungen bleiben.

Klärung ohne suggestive Antworten vermitteln

Hilfreiche Fragen verlangen Annahmen, Rechenschritte oder Quellenpassagen. Sie dürfen keine gewünschte Antwort nahelegen, der das Modell nur zustimmt. Vergleichen Sie „Erkläre die Gründe für diese Schlussfolgerung“ mit „Du hast einen Fehler gemacht, gib es zu“. Letzteres kann den Ton ohne neue Belege verändern. Geben Sie mehrere Fragefunktionen statt einer universellen Zauberformulierung vor. Teilnehmende wählen die Klärung entsprechend der Unsicherheit, die für eine fachliche Entscheidung beseitigt werden muss.

Ändert KI ihre Antwort nach einem Einwand ohne neue Daten, kennzeichnen Sie dies als Dialogverhalten und nicht als Bestätigung der Richtigkeit der neuen Version. Vergleichen Sie beide Erklärungen unabhängig. Lernende sollten erkennen, dass das Beharren von Nutzern manchmal die Formulierungen des Systems beeinflusst. Machen Sie die Übung nicht zum Erzwingen von Zustimmung. Das kann unterhaltsam sein, ohne die Unterscheidung zwischen Wahrheit und Überredung zu vermitteln. Kehren Sie zum Ziel zurück, indem Sie fragen, welche neuen Gründe nach jedem Austausch hinzugekommen sind.

Legen Sie für die Übung eine Höchstzahl von Durchgängen fest. Bringen mehrere Klärungen keine geeigneten Gründe, wenden Sie sich Quellen zu oder lassen Sie die Frage offen. Endloser Chat ersetzt keine Überprüfung. Die Schlussfolgerung kann besagen, dass das System unvereinbare Varianten vorgeschlagen hat, während die verfügbaren Daten nur einen Teil der Aussage belegen. Dies ist ein gültiges, begründetes Ergebnis. Lernende üben den Umgang mit Unsicherheit und Zeit, statt auf jede Frage eine endgültige, selbstbewusste Werkzeugantwort zu erwarten.

Einen Fall mit richtiger KI-Antwort einbeziehen

Bieten Sie nach einer Übung mit Fehler eine richtige Erklärung an und verlangen Sie dieselben Prüfschritte. Lernende bestätigen entscheidende Aussagen und benennen Anwendungsgrenzen. Suchen sie weiterhin irgendeinen Ablehnungsgrund, besprechen Sie den Unterschied zwischen kritischem Denken und zwingendem Widerspruch. Auch begründete Zustimmung verlangt Arbeit. Sie zeigt, dass Entscheidungen von Belegen abhängen und nicht davon, ob ein Mensch, ein Modell oder ein Lernmaterialautor die Aussage gemacht hat.

Bitten Sie bei einer teilweise richtigen Antwort die Lernenden, gestützte Elemente zu bewahren und nur das problematische zu korrigieren. Schreiben Sie wegen eines Fehlers nicht alles um. Dies vermittelt redaktionelle Präzision: den Umfang der Änderung festlegen, ohne eine richtige Erklärung zu zerstören. Vergleichen Sie den neuen Text nach der Überarbeitung mit den ursprünglichen Bedingungen. Eine Präzisierung kann die nötige Grenze ergänzen oder stillschweigend die Aufgabe selbst ändern. Lehrende helfen, den Unterschied durch Beispiele sichtbar zu machen, statt lediglich „Seien Sie vorsichtig“ zu sagen.

Beurteilen Sie den Wert der Übung nicht anhand gefundener KI-Fehler. Ihre Anzahl hängt vom vorbereiteten Material ab und kann schwache Einwände fördern. Bewerten Sie stattdessen die angemessene Auswahl von Aussagen, die geeignete Prüfung und eine verhältnismäßige Schlussfolgerung. Ein schwieriger Fall kann begründete Unsicherheit zulassen. Lernende müssen fehlende Informationen und den nächsten Schritt zu deren Beschaffung erklären, ohne Quellen oder Prüfergebnisse für den Anschein von Vollständigkeit zu erfinden.

Zusammenarbeit und fachliche Diskussion organisieren

Paare können vorübergehend Rollen aufteilen: Eine Person formuliert ein Argument, die andere prüft Belege und Grenzen; anschließend wechseln sie. Machen Sie eine lernende Person nicht zum dauerhaften Kritiker der anderen. Die gemeinsame Diskussion sollte Arbeitsinhalte und keine persönlichen Eigenschaften betreffen. Erlauben Sie bei unterschiedlicher Erfahrung zunächst eine schriftliche Notiz, damit schnelle mündliche Reaktionen nicht die gesamte Diskussion bestimmen. Das Format sollte die Argumentation aller sichtbar machen und nicht nur Menschen bevorzugen, die gerne schnell vor Publikum sprechen.

Sammeln Sie unterschiedliche Schlussfolgerungen und verlangen Sie die sie stützenden Daten. Widersprechen sich Antworten, untersuchen Sie die konkrete Bedingung. Abstimmungen sind kein Beleg für fachliche Wahrheit; eine Mehrheit kann denselben automatischen Fehler wiederholen. Lehrende kehren zur Prüfung zurück und zeigen, wie veränderte Gründe Schlussfolgerungen verändern. Anschließend überarbeiten Teilnehmende kurz ihre Positionen. Das zeigt Lernfortschritt statt nur, wer zu Beginn den vorbereiteten Lösungsschlüssel erraten hat.

Die UNESCO-Leitlinien zu generativer KI betonen menschliche Beteiligung und Selbstbestimmung. Lassen Sie für diese Lektion die abschließenden Schlussfolgerungen bei den Lernenden. KI kann Analysematerial und Gespräch liefern, darf aber nicht allein über ihre Kritik urteilen. Andernfalls hängen Teilnehmende erneut von der Zustimmung desselben Systems ab. Die Diskussion mit der Lehrkraft und unabhängige Belege zeigen, warum Argumente stark oder schwach sind, ohne ein gewünschtes Modellurteil über das Denken der Lernenden zu benötigen.

Transfer prüfen und Materialien pflegen

Geben Sie ein neues Beispiel ohne vertrauten Wortlaut und möglichst ohne unmittelbaren Chatzugang. Fragen Sie, was geprüft werden muss, und verlangen Sie den wichtigsten Schritt eigenständig. Dies zeigt mehr als das Wiederholen eines bekannten Dialogs. Reproduzieren Teilnehmende eine Vorlage, ohne relevante Gründe auszuwählen, kehren Sie zur Verbindung zwischen Aussage und Beleg zurück. Behaupten Sie nach einer erfolgreichen Lektion kein gesichertes kritisches Denken. Bleiben Sie bei einer begrenzten Schlussfolgerung zur beobachteten Handlung und planen Sie Wiederholungen in einem anderen fachlichen Kontext.

Das NIST-Profil zu generativer KI stützt die Notwendigkeit, Ausgaben zu prüfen, liefert aber kein universelles Bewertungsraster für Kurse. Entwickeln Sie einfache Kriterien und prüfen Sie sie an Beispielen. Wenn Sie das WeStudy LMS nutzen, stellen Sie vorbereitete Materialien und Anweisungen über einen in Ihrer Konfiguration verfügbaren Weg bereit. Setzen Sie keine integrierte Unterstützung für beliebige Modelle oder eine automatische Argumentationsprüfung voraus. Bestimmen Sie zuerst den didaktischen Ablauf und prüfen Sie dann die technische Darstellung sowie die Aufbewahrung des benötigten Arbeitsergebnisses der Lernenden.

Das WeStudy LMS kann Materialabfolgen im Rahmen der verfügbaren Funktionen organisieren; die evidenzgestützte Argumentation erarbeiten Teilnehmende und Lehrende. Bewahren Sie Quellen, Kontrollbeispiele und Gründe für fachliche Entscheidungen auf. Die Diskussion mit KI endet mit einer überprüften eigenen Schlussfolgerung statt mit der letzten Chatzeile. Lernende können je nach Daten zustimmen, präzisieren, widersprechen oder eine Entscheidung vertagen. Diese Flexibilität macht die Arbeit mit automatischen Antworten zu einem Teil eigenständigen Lernens, bei dem selbstbewusste Darstellung nachvollziehbare Gründe für eine fachliche Aussage nicht mehr ersetzt.

Fragen, was die Schlussfolgerung ändern könnte

Nach der Prüfung benennen Lernende kurz eine Bedingung, die eine Überarbeitung erfordern würde. Dies unterscheidet eine begründete Position von einer unerschütterlichen Überzeugung. Ein Zahlenbeispiel kann sich durch andere Ausgangsdaten verändern, eine fachliche Empfehlung durch ein anderes Ziel oder eine andere Einschränkung. Verlangen Sie keinen endlosen Zweifel an allem. Zeigen Sie die Verbindung einer Schlussfolgerung zu konkreten Gründen und machen Sie verständlich, weshalb sie in der festgelegten Aufgabensituation angemessen ist.

Erlauben Sie Lernenden, ihren eigenen Fehler zu benennen und dessen Korrektur gesondert zu erklären. Belohnt die Bewertung nur eine unveränderte Ausgangsposition, wird eine ehrliche, evidenzgestützte Überarbeitung nachteilig. Die Übung sollte stattdessen die Qualität der Überarbeitung bewerten: Welche Gründe wurden geprüft und warum hat sich die Schlussfolgerung geändert? Eine neue selbstbewusste KI-Zeile ohne Belege reicht jedoch als Grund nicht aus. Teilnehmende müssen feststellen, was die Argumentation tatsächlich ergänzt hat und was lediglich Form und Ton ohne inhaltlichen Fortschritt verändert hat.

Quellen

1. Carnegie Mellon: Unterstützung kritischer Diskussionen.

2. Buçinca und Kollegen: To Trust or to Think.

3. UNESCO: Leitlinien für generative KI in Bildung und Forschung.

4. NIST: Profil zu generativer künstlicher Intelligenz.