Kontext
Die Keynote von Birgit Phillips thematisiert die Herausforderungen, die durch die zunehmende Nutzung generativer KI in der Hochschullehre entstehen. Im Mittelpunkt steht die Frage, ob Hochschulen noch ausreichend zwischen oberflächlichem Wissen und echter Kompetenz unterscheiden können. Die Referentin argumentiert, dass nicht die Technologie selbst das Problem darstellt, sondern die „geliehene Leichtigkeit“, die durch KI entsteht – also die Illusion von Kompetenz ohne tiefes Verständnis. Dies wirft grundsätzliche Fragen zu Lehr- und Prüfungsformaten sowie zum Zweck von Hochschulbildung auf.
Kernaussagen
1. KI erzeugt trügerische Leichtigkeit und Kompetenzillusionen
- Fallbeispiele als Beleg:
- Erfundenes Wissen: Eine Studie über eine fiktive Augenkrankheit („Big Sony Mania“) wurde von KI-Modellen als real existierend übernommen, obwohl die Autoren explizit auf den Fake hingewiesen hatten (z. B. durch den Namen des Erstautors „Lying Loser“ oder Danksagungen an „Star Trek“).
- Halluzinierte Quellen: Eine Wirtschaftsprüfungsfirma veröffentlichte einen Bericht mit 40 von 45 erfundenen Fallstudien, die von KI generiert wurden („Vibesiding“).
- Selbstzensur von Studierenden: Studierende vermeiden bestimmte Formulierungen oder vereinfachen ihre Texte, um nicht des KI-Einsatzes bezichtigt zu werden – selbst wenn sie die Arbeit eigenständig erstellt haben. Dies führt zu einer aktiven „Verdummung“ aus Angst vor Algorithmen.
- Kognitionspsychologisches Phänomen:
Die „Illusion der Erklärungstiefe“ (Illusion of Explanatory Depth) beschreibt, dass Menschen ihr Verständnis alltäglicher Mechanismen (z. B. Reißverschluss, Lernprozesse) überschätzen. KI verstärkt diese Illusion, indem sie flüssig formulierte, aber oberflächliche Inhalte liefert, die fälschlich als eigenes Wissen wahrgenommen werden.
- Fachbegriffe:
- Desirable Difficulties: Lernstrategien, die kurzfristig anstrengend sind, aber nachhaltiges Lernen fördern (z. B. Abrufübungen statt passives Wiederlesen).
- Expertise Reversal Effect: Lernangebote, die für Anfänger:innen hilfreich sind, können Fortgeschrittene behindern – und umgekehrt.
2. Produktiver Widerstand als zentrales Element des Lernens
- Problem der „geliehenen Leichtigkeit“:
Echte Kompetenz entsteht durch harte Arbeit, Scheitern und Korrektur („erarbeitete Leichtigkeit“). KI ermöglicht dagegen eine „geliehene Leichtigkeit“ – das mühelose Erzeugen professionell wirkender Ergebnisse ohne tiefes Verständnis.
- Folgen für die Lehre:
Hochschulen haben in den letzten Jahren „produktiven Widerstand“ aus dem Studium entfernt (z. B. durch Vereinfachung von Prüfungen oder Fokus auf Studierendenzufriedenheit). Dies untergräbt die Entwicklung echter Kompetenzen.
- Beispiele für wirksame Lernstrategien:
- Retrieval Practice: Aktives Abrufen von Wissen (z. B. durch Tests) statt passives Wiederlesen.
- Spaced Learning: Lernen über längere Zeiträume statt „Bulimie-Lernen“ vor Prüfungen.
- Interleaving: Vermischung verschiedener Aufgabentypen statt starrer Wiederholung.
3. KI als Werkzeug vs. KI als Ersatz für Denkprozesse
- Risiko des Cognitive Offloading:
KI kann Denkprozesse übernehmen (z. B. Strukturierung von Texten), was kurzfristig entlastet, aber langfristig die Fähigkeit zur eigenständigen Urteilsbildung schwächt. Ohne „Kalibrierungsinstanz“ (z. B. kritisches Feedback) fehlt der notwendige Widerstand, der Lernen erst ermöglicht.
- Expertise Reversal Effect in der Praxis:
Anfänger:innen benötigen klare Führung und einfache Aufgaben, während Fortgeschrittene von komplexeren Herausforderungen profitieren. KI kann diesen Unterschied verwischen, indem sie z. B. zu früh im Lernprozess eingesetzt wird.
- Beispiel Londoner Taxifahrer:
Eine Studie zeigte, dass Taxifahrer:innen in London durch jahrelanges Training (u. a. Auswendiglernen von 25.000 Straßennamen) ihren Hippocampus strukturell veränderten. Dies unterstreicht, dass Expertise durch aktive Auseinandersetzung mit Widerstand entsteht – nicht durch passive Wissensaufnahme.
4. Grenzen der KI: Der AA Briefcase Benchmark
- Aktuelle Leistungsfähigkeit von KI:
Ein neuer Benchmark („AA Briefcase Benchmark“) testete KI-Modelle in einem mehrwöchigen Wissensprozess mit widersprüchlichen Datenquellen. Ergebnis:
- Nur 3 % der Aufgaben wurden von den besten Modellen (z. B. Claude 3) korrekt gelöst.
- Ältere Modelle scheiterten offensichtlicher, während moderne Modelle subtile Fehler machen (z. B. Vergessen relevanter Datenquellen).
- Folgen für die Bildung:
Die Fähigkeit, Nuancen und Fehler in KI-generierten Inhalten zu erkennen, wird zur zentralen Kompetenz. Hochschulen müssen Prüfungsformate anpassen, um nicht nur Produkte, sondern Prozesse und Urteilsfähigkeit zu bewerten.
5. Handlungsempfehlungen für Lehre und Prüfungen
- Drei didaktische Prinzipien:
- Schutz des Kompetenzkerns:
Grundkompetenzen (z. B. statistische Analysen) sollten zunächst ohne KI erlernt werden, bevor diese als Werkzeug eingesetzt wird.
- Sichtbare Denkspur:
Lernprozesse müssen dokumentiert werden (z. B. durch Brainstorming-Protokolle oder Schritt-für-Schritt-Lösungen), um eigenständiges Denken nachweisbar zu machen.
- KI als Sparringspartner:
KI sollte nicht primär als „Produzentin“ (z. B. für Texte), sondern als kritische Instanz genutzt werden (z. B. für Feedback oder Gegenargumente).
- Prüfungsformate neu denken:
- Fokus auf Prozess (z. B. Dokumentation von Lösungswegen) und Urteil (z. B. mündliche Verteidigung unter kritischen Fragen) statt auf Endprodukte.
- Skalierbare Formate hinterfragen: Wenn Prüfungen nur noch maschinell erzeugbare Leistungen abfragen, messen sie keine echte Kompetenz, sondern „administrative Ordnung“.
Fazit
Die zentrale Botschaft des Vortrags lautet: Hochschulen müssen sich von der Illusion verabschieden, dass flüssig formulierte Ergebnisse oder standardisierte Prüfungen echte Kompetenz abbilden. Statt KI zu verbieten, sollte der Fokus darauf liegen, menschliche Denkprozesse sichtbar zu machen und produktiven Widerstand in Lehr- und Lernsettings zu integrieren. Nur so lässt sich verhindern, dass Studierende – und letztlich die Gesellschaft – in eine „Kompetenzillusion“ geraten, in der Leichtigkeit mit Verständnis verwechselt wird. Die Herausforderung besteht darin, Prüfungsformate zu entwickeln, die nicht skalierbare, aber essenzielle Fähigkeiten wie Urteilsbildung und kritisches Denken abbilden – selbst wenn dies mit höherem Aufwand verbunden ist.
