Digital Learning Campus

Wortwolke

Zusammenfassung

Kontext

Generative KI verändert den Lehralltag an Hochschulen grundlegend und stellt Lehrende vor vielfältige Herausforderungen. Da Studierende teilweise bereits fortgeschrittenere KI-Kenntnisse besitzen als Lehrende, ist ein gezieltes Upskilling notwendig, um Lehrkompetenzen im Umgang mit KI zu stärken. Traditionelle Schulungsformate stoßen jedoch an Grenzen, da sie die Heterogenität der Lehrendenschaft in Vorkenntnissen, Haltungen und zeitlichen Ressourcen nicht ausreichend berücksichtigen. Die Session stellt einen institutionellen Ansatz vor, der auf kontinuierliche, niedrigschwellige Peer-Formate setzt, um Erfahrungswissen zu teilen und kollektive Urteilskraft zu entwickeln.

Kernaussagen

1. KI-Upskilling als kontinuierlicher Prozess

Problem linearer Schulungen: Standardisierte Pflichtprogramme oder einmalige Tool-Schulungen scheitern an der Heterogenität der Lehrendenschaft und sind unter realistischen Hochschulbedingungen (z. B. begrenzte Zeitressourcen) oft ineffektiv.
Lösungsansatz: KI-Upskilling sollte als kontinuierlicher, niedrigschwelliger Entwicklungsprozess gestaltet werden, der freiwillige Teilnahme ermöglicht und zeitlich flexibel ist (z. B. "snackable" Formate wie der "Learning Lunch").
Ziel: Nachhaltige Integration von KI-Kompetenzen in den Lehralltag, die über reines Prompting hinausgehen.

2. Heterogenität als Ressource nutzen

Herausforderung: Lehrende unterscheiden sich stark in Vorkenntnissen (von Early Adopters bis zu KI-Neulingen), Haltungen (Euphorie vs. Skepsis) und verfügbarer Zeit.
Produktiver Umgang: Heterogenität wird als Chance begriffen, um Erfahrungswissen sichtbar zu machen und kritische Perspektiven einzubinden.
- Beispiel: KI-Skeptiker:innen bereichern Diskussionen durch kritische Fragen (z. B. "Wie lässt sich das im Studium didaktisch vermitteln?"), was die Qualität der Reflexion erhöht.
Formate: Peer-Learning-Ansätze (z. B. kollegiale Beratung) ermöglichen den Austausch konkreter Anwendungsfälle aus der Praxis.

3. Das Format "Learning Lunch"

Struktur:
- Dauer: 30 Minuten (Mittagspause), freiwillige Teilnahme.
- Ablauf:
  1. Kurzer Impuls (15–20 Minuten): Eine:r Lehrende:r stellt ein konkretes KI-Einsatzszenario aus dem Lehralltag vor (z. B. Feedback-Erstellung, Prüfungsbewertung).
  2. Reflexion & Austausch: Die Gruppe diskutiert Qualitätsfragen, Übertragbarkeit auf andere Fachbereiche und kritische Aspekte.
- Dokumentation: Aufzeichnung der Termine und Sammlung der Anwendungsfälle in einer Szenariensammlung für asynchronen Zugang.
Zielgruppe: Lehrende ohne Vorwissen; Fokus auf fachübergreifende Muster (z. B. Feedback-Erstellung) statt fachspezifischer Details.

4. Entwicklung kollektiver Urteilskraft ("AI Fluency")

Konzept: KI-Kompetenz umfasst drei Dimensionen (nach dem AI Fluency-Modell der IU):
1. Comprehend: Verständnis von KI-Funktionsweisen, Potenzialen und Grenzen.
2. Critique: Fähigkeit, KI-Output kritisch zu bewerten (z. B. Unterscheidung zwischen "richtigem" und "gutem" Output).
3. Co-create: Sinnstiftende Zusammenarbeit mit KI zur Mehrwertgenerierung.
Umsetzung: Im Peer-Format werden Anwendungsfälle anhand dieser Kriterien diskutiert, um kollektive Urteilskraft zu entwickeln.

5. Skalierung und institutionelle Verankerung

Skalierungsstrategien:
- Anbindung an bestehende Formate: Integration in Fachgebietstreffen oder andere regelmäßige Termine.
- Multiplikator:innen: Engagierte Lehrende werben weitere Teilnehmer:innen.
- Asynchrone Bereitstellung: Aufzeichnungen und Szenariensammlung ermöglichen flexiblen Zugang.
Herausforderungen:
- Schwankende Teilnehmerzahlen: Von 9 bis über 200 Teilnehmer:innen pro Termin.
- Echokammer-Risiko: Gefahr, dass nur KI-Enthusiast:innen teilnehmen. Gegenmaßnahme: Aktive Einbindung kritischer Stimmen.
- Anerkennung: Engagement der Lehrenden ist oft schwer sichtbar zu machen (z. B. durch Newsletter oder institutionelle Wertschätzung).

Fazit

KI-Upskilling für Lehrende sollte als kontinuierlicher, partizipativer Prozess gestaltet werden, der Heterogenität produktiv nutzt und über reine Tool-Schulungen hinausgeht. Der vorgestellte Peer-Ansatz ("Learning Lunch") zeigt, wie durch niedrigschwellige Formate Erfahrungswissen geteilt, kritische Reflexion gefördert und kollektive Urteilskraft entwickelt werden kann. Handlungsempfehlungen für Hochschulen:

Freiwilligkeit und Niedrigschwelligkeit: Formate an zeitliche Ressourcen der Lehrenden anpassen (z. B. kurze, regelmäßige Termine).
Peer-Learning fördern: Lehrende als Multiplikator:innen einbinden und Anwendungsfälle aus der Praxis teilen lassen.
Kritische Perspektiven einbinden: KI-Skeptiker:innen aktiv einladen, um Echokammern zu vermeiden.
Skalierung durch Dokumentation: Aufzeichnungen und Szenariensammlungen für asynchronen Zugang bereitstellen.
Institutionelle Verankerung: Formate an bestehende Strukturen (z. B. Fachtreffen) andocken und Engagement sichtbar machen.

Der Ansatz ist kein Allheilmittel, aber ein pragmatischer Baustein, um KI-Kompetenzen im Lehralltag zu verankern – ohne zusätzliche Ressourcen zu überlasten.

Fragen & Antworten

Wie wird die Qualität der vorgestellten KI-Anwendungsfälle im Peer-Prozess sichergestellt?

Die Qualität wird durch das 'AI Fluency'-Konzept (Comprehend, Critique, Co-create) gesichert, indem Outputs kritisch hinterfragt werden. Zudem gibt es eine Szenariensammlung als überprüfbare Dokumentation und die aktive Einbindung kritischer Stimmen, um Echokammern zu vermeiden.

Wie kann das Format skaliert werden, um eine breite Masse an Lehrenden zu erreichen?

Die Skalierung erfolgt über Multiplikator:innen, die das Format weiterempfehlen, sowie durch die Anbindung an bestehende Termine wie Fachgebietstreffen. Zusätzlich ermöglichen Aufzeichnungen und eine Szenariensammlung einen asynchronen Zugang für alle.

Wie geht das Konzept mit der Heterogenität der Lehrenden in Bezug auf Vorkenntnisse und Haltungen um?

Heterogenität wird als Ressource genutzt: Während Early Adopters Anwendungsfälle liefern, bringen Skeptiker wichtige kritische Perspektiven in die Diskussion ein. Das Format ist bewusst niedrigschwellig und freiwillig gestaltet, sodass kein Vorwissen erforderlich ist.

Ist das 'Learning Lunch'-Format ausreichend für ein vollständiges KI-Upskilling?

Nein, es ist ein pragmatischer Baustein und kein Allheilmittel. Während es ideal für den Austausch von Praxismustern ist, können Basiswissen oder tiefergehende Themen nicht in diesen kurzen Formaten vermittelt werden.

Wie wird das Engagement der Lehrenden, die ihre Fälle vorstellen, institutionell anerkannt?

Die Anerkennung ist derzeit noch eine Herausforderung und nicht vollständig gelöst. Aktuell wird versucht, die Sichtbarkeit und Wertschätzung durch Erwähnungen in Newslettern und ähnlichen Formaten zu erhöhen.

Diagramm

100%

mindmap
  root)KI-Upskilling für Lehrende(
    ["KI-Upskilling als Prozess"]
      ["Problem linearer Schulungen"]
      ["Lösungsansatz: kontinuierlich & niedrigschwellig"]
      ["Ziel: Nachhaltige Integration"]
    ["Heterogenität nutzen"]
      ["Unterschiede in Vorkenntnissen & Haltungen"]
      ["Peer-Learning fördert Erfahrungsaustausch"]
      ["Kritische Stimmen bereichern Diskussion"]
    ["Format 'Learning Lunch'"]
      ["30 Minuten, freiwillig"]
      ["Impuls + Reflexion"]
      ["Dokumentation & Szenariensammlung"]
    ["AI Fluency entwickeln"]
      ["Comprehend: KI verstehen"]
      ["Critique: Output bewerten"]
      ["Co-create: Mehrwert generieren"]
    ["Skalierung & Verankerung"]
      ["Anbindung an bestehende Formate"]
      ["Multiplikator:innen einbinden"]
      ["Asynchrone Bereitstellung"]

KI-Upskilling für Lehrende: Ein institutioneller Peer-Prozess