Use Cases

Miniformate

• Brainstorming

  Lernziele:	KI-Tools als Hilfsmittel für Brainstorming nutzen
  Zielgruppe:	alle
  Ablauf:	Zu einem Themengebiet wird ein oder mehrere Prompts erstellt, die ChatGPT (oder Alternativen) in die Lage versetzen, Ideen zu generieren. Die Prompterstellung kann je nach Vorwissen durch die Studierenden geschehen. Der Einsatz könnte außerdem nach einer ersten Brainstorming-Session ohne Tool geschehen, um zu vermeiden, dass Lernende keine eigenen Ideen generieren. Die entstandenen Ideen werden gesammelt und von allen bewertet. Wichtig ist wie in allen Fällen eine kritische Reflexion der Outputs und eine Einordnung in Brauchbarkeit. Bei großen Veranstaltungen bietet es sich an, die voraussichtliche Fülle an Ergebnissen entweder peer-reviewen oder mit Hilfe eines KI-Tools zusammenfassen zu lassen.
  Voraussetzungen:	Zugänge zu den Tools für Workshopleitung und Studierende
  Zeitrahmen:	10-20 Minuten
  Lehrformat:	asynchron oder synchron / hohe Interaktion
  Gruppengröße:	bei asynchronem Setting: beliebig, bei synchronem Setting: 40-50 Studierende
  Assessment:	ggf. Portfolio
  Mögliche Tools:	generative Text-Tools wie z. B. ChatGPT oder Perplexity.ai
  Vorteile:	Erweiterung von Ideen-Pool Überwindung von „Ideenblockaden“ Entwicklung weiterer Ideen auf Basis der KI-generierten Prompt-Optimierung
  Nachteile:	Lernende verlassen sich auf KI-Tool, ohne eigene Ideen zu entwickeln

• Schreibblockaden lösen

  Lernziele:	KI-Tools als Hilfsmittel zum Lösen von Schreibblockaden nutzen
  Zielgruppe:	alle
  Ablauf:	Egal, ob Lehrende oder Studierende: vor dem berühmten "leeren Blatt" zu sitzen und nicht zu wissen, wie man anfangen soll, kann jedem passieren. Ein textgenerierendes KI-Tool kann dabei helfen, diese Blockade zu überwinden. Dabei müssen die Outputs gar nicht übernommen werden. Sie können vielmehr als Anhaltspunkt dienen, wie man selbst die Arbeit an einem Text, einer Aufgabe, einem Artikel usw. beginnen würde. Alternativ kann das KI-Tool eine Gliederung für ein Thema vorschlagen, die dann als Anhaltspunkt für das weitere Schreiben genommen werden kann.
  Voraussetzungen:	Zugang zum jeweiligen Tool
  Zeitrahmen:	10-20 Minuten
  Lehrformat:	asynchron / geringe Lehrenden-Studierenden-Interaktion
  Gruppengröße:	beliebig
  Assessment:	Portfolio, Essay, Hausarbeit
  Mögliche Tools:	generative Textgeneratoren wie Bard, ChatGPT oder Perplexity.ai
  Vorteile:	Schreibblockaden werden schneller überwunden intensivere Reflexion des Themas durch Vergleich von vorgegebenen und eigenen Ansätzen
  Nachteile:	Gefahr der unreflektierten Übernahme von Outputs

• Moodle-Glossar erstellen

  (Lern-)Ziele:	XML-Datei im Moodle-Glossar-Format erzeugen, die in Moodle importiert werden kann
  Zielgruppe:	Lehrende
  Ablauf:	Mit Hilfe des bereitgestellten Prompts (DOCX 15 KB) kann in gängigen generativen KI-Systemen eine XML-Datei erstellt werden, die in eine Moodle-Glossar-Aktivität importiert werden kann. Der Prompt muss so angepasst werden, dass das Thema des Glossars und die Anzahl der Einträge ergänzt werden. Die zu ändernden Daten sind im Prompt mit eckigen Klammern markiert. Er weist die KI an, nach dem eingefügten Muster für die XML-Datei ein Glossar zu erstellen. Die XML-Datei kann nach Anlegen eines Glossars in Moodle über die Schaltfläche "Einträge importieren" hochgeladen werden.
  Voraussetzungen:	Zugang zu einem generativen KI-Tool und Moodle
  Zeitrahmen:	10-20 Minuten
  Lehrformat:	Einteilung nach Handreichung zur LVV: LV-Typ I: asynchron – geringe L-S-Interaktion LV-Typ III: asynchron – hohe L-S-Interaktion
  Gruppengröße:	beliebig
  Assessment:	wie bei anderen Glossaren, z. B. MC-Fragen zu Grundbegriffen
  Mögliche Tools:	KI:connect.nrw oder ähnliche Tools, Moodle
  Vorteile:	schnelle Generierung von Glossaren zu Fachthemen, z. B. zu Grundbegriffen eines Fachgebiets Codierung in XML, ohne dass Kenntnisse zu XML vorhanden sein müssen
  Nachteile:	Überprüfung der Inhalte weiterhin notwendig Angaben zu Anzahl der Einträge werden vom KI-Tool häufig nicht eingehalten

• Mermaid-Code für Flowcharts generieren

  (Lern-)Ziele:	Mermaid-Code für ein Flowchat-Diagramm zu einem bestimmten Thema generieren
  Zielgruppe:	Alle
  Ablauf:	Mermaid ist eine Auszeichnungssprache, mit der Flowchart-Diagramme beschrieben werden können. Die Sprache folgt einer festgelegten Syntax und kann in Apps eingefügt werden, die Mermaid-Code unterstützen. Mit der Anweisung, den Mermaid-Code für ein Thema XY zu erzeugen, können neuere Sprachmodelle Inhalte in dieser Struktur ausgeben. Der generierte Code muss dann in einer Applikation interpretiert und als Flowchat ausgegeben werden. Unterstützt wird Mermaid-Code z. B. im Whiteboard von Zoom. Dort können Sie bei den "Weiteren Tools" nach Mermaid suchen. Beispiele für Flowchart-Diagramme könnten die Studiengangsauswahl nach Interesse oder der Ablauf eines Helpdesk-Hotline-Anrufs bei technischen Problemen in einer Online-Klausur sein. Weitere Informationen finden Sie auf der Wikipedia-Seite zu Mermaid.
  Voraussetzungen:	Software zur Interpretation und Darstellung von Mermaid-Code
  Zeitrahmen:	10-20 Minuten
  Lehrformat:	nicht ausweisbar
  Gruppengröße:	beliebig
  Assessment:	nicht ausweisbar
  Mögliche Tools:	KI:connect.nrw oder ähnliche Tools
  Vorteile:	schnelle Generierung von Mermaid-Code nachträgliche Anpassung jederzeit möglich
  Nachteile:	zusätzliche Software zur Darstellung notwendig Prüfung von Inhalten unbedingt notwendig

Mittlere Formate

• Aufgaben für Selbsttests generieren

  Lernziele:	Vorbereitung auf Prüfungen erstellen
  Zielgruppe:	alle
  Ablauf:	Mithilfe generativer Texttools können Studierende Prüfungsfragen in unterschiedlichen Formaten erstellen lassen. Diese können dann zur Prüfungsvorbereitung herangezogen werden. Wichtig ist dabei, mit den Studierenden die Erstellung von Prüfungsfragen vorher durchzuspielen, damit die Qualität des Outputs kontrolliert werden kann und Studierende sich über Möglichkeiten und Grenzen der Outputs für die Prüfungsvorbereitung im Klaren sind. Evtl. kann die Generierung von Prüfungsfragen mit einem Peer Review mithilfe der Moodle-Aktivität "Student Quiz" kombiniert werden, sodass die Qualität der Prüfungsfragen von einer menschlichen Instanz überprüft wird.
  Voraussetzungen:	Zugänge zu den Tools für Lehrende und Studierende generelles Hintergrundwissen zur Konstruktion von Aufgaben (z.B. Auswahl von Distraktoren) sollte begleitend vermittelt werden Wissen zu Prompting
  Zeitrahmen:	90 Minuten, kann aber auch länger angelegt sein
  Lehrformat:	asynchron / geringe Lehrenden-Studierenden-Interaktion
  Gruppengröße:	beliebig
  Assessment:	Klausur, Hausarbeit, mündliche Prüfung
  Mögliche Tools:	generative Texttools wie z. B. ChatGPT oder Perplexity.ai
  Vorteile:	großer Pool an individuellen Aufgaben
  Nachteile:	schlechte Qualität der Prüfungsfragen bei fehlendem Review

• Explorative Workshops

  Lernziele:	Kennenlernen von KI-Tools, insb. generativen Text-Tools, um Gefühl für die Möglichkeiten und Grenzen zu erlangen
  Zielgruppe:	alle
  Ablauf:	Gemeinsam die Möglichkeiten und Grenzen dieser Technologie in einem geschützten Workshopformat zu erschließen, kann wertvolle Erkenntnisse ergeben. Je nach Studienphase können die Fragen gemeinsam im Workshop erarbeitet werden. Es hilft jedoch in jedem Fall einige Prompts und Fragestellungen vorzubereiten. Idealerweise sollte für ein Meeting ein Tool ausgewählt werden, bei bestimmten Themen können es aber auch mehrere Tools sein. Mögliche Struktur: Einführung Tool(s) Aufgabenstellung (Prompts selbst erarbeiten oder vorgegebene Prompts nutzen) Durchführung und Exploration Reflexion der Ergebnisse
  Voraussetzungen:	Zugänge zu den Tools für Workshopleitung und Studierende
  Zeitrahmen:	ca. 90 Minuten
  Lehrformat:	synchron / hohe Lehrenden-Studierenden-Interaktion
  Gruppengröße:	40 - 50 Studierende
  Assessment:	ggf. Portfolio
  Mögliche Tools:	Tools mit niedriger Einstiegshürde und einfacher Handhabung
  Vorteile:	Kennenlernen von Tools Ausprobieren in reflektierter Umgebung Abbau von Vorurteilen gegenüber Tools (positiv und negativ)

• KI-Output als Quelle kritisieren

  Lernziele:	Outputs auf fachliche Richtigkeit, den Stil oder Bias hin überprüfen
  Zielgruppe:	Studierende mit vorhandenen Kenntnissen in einem Themengebiet
  Ablauf:	Mit KI-Tools generierte Texte können, wie jeder andere Text auch, kritisch befragt werden. Dies kann sowohl die fachliche Richtigkeit, den Stil oder implizite Tendenzen betreffen. Solche Texte können entweder live generiert oder vorbereitet und als Datei präsentiert werden. Voraussetzung für die generierten Texte können fremde, Lehrenden-eigene oder studentische Prompts sein. Diese sollten im Voraus erstellt und getestet werden, live generierte Prompts können zu Überraschungen führen.
  Voraussetzungen:	Zugänge zu den Tools für Lehrende und Studierende, bei eigenen Outputs: Prompting-Kenntnisse
  Zeitrahmen:	synchron: 90 Minuten, kann auch asynchron über einen längeren Zeitraum eingesetzt werden
  Lehrformat:	asynchron oder synchron / asynchron: geringe oder hohe Lehrenden-Studierenden-Interaktion, synchron: hohe Lehrenden-Studierenden-Interaktion
  Gruppengröße:	asynchron: beliebig, synchron: 40 – 50
  Assessment:	Portfolio, Klausur, Essay, Hausarbeit
  Mögliche Tools:	generative Text-Tools wie ChatGPT oder Perplexity.ai
  Vorteile:	Erlernen kritischer Reflexion von Textquellen

• Sokratisches Gespräch mit KI

  Lernziele:	Erlernen von Argumentation, intensives Nachdenken über ein Themengebiet, Unterstützung kritischen Denkens
  Zielgruppe:	Studierende mit Kenntnissen in einem Themengebiet
  Ablauf:	Mit Hilfe eines speziellen Prompts wird das KI-Tool aufgefordert, bestimmte Regeln zu befolgen. Der Prompt soll einen Dialog zwischen Studierender oder Studierendem und KI ermöglichen, der an die Sokratische Methode angelehnt ist. Das zentrale Lernziel ist die Förderung kritischen Denkens im Prozess des Dialogs mit KI. Das „Sokratische Gespräch mit KI“ kann in eine Lehrveranstaltung bzw. ein Seminar eingebettet werden, sodass Gelegenheit zu persönlichem Austausch, Reflexion und Diskussion mit Kommiliton*innen und Lehrenden besteht. Studierende können die Methode im Selbststudium einsetzen. Sie kann auch als Vorbereitung für synchrone Prüfungsformate eingesetzt werden. Weitere Informationen zum Ablauf und dem Prompt finden sich hier: https://www.fernuni-hagen.de/zli/blog/im-sokratischen-gespraech-mit-ki/
  Voraussetzungen:	Zugang zu textgenerierenden KI-Tools für Studierende
  Zeitrahmen:	10-20 Minuten, 90 Minuten
  Lehrformat:	asynchron, geringe Lehrenden-Studierenden-Interaktion nach vorheriger Anleitung
  Gruppengröße:	beliebig
  Assessment:	Klausur, mündliche Prüfung
  Mögliche Tools:	ChatGPT, BingChat im Kreativ-Modus, ClaudeInstant, möglicherweise auch Alternativen
  Vorteile:	Einüben von Argumentieren Kritische Reflexion eines Themengebiets Vorbereitung auf synchrone Prüfungen (Klausur, mündliche Prüfung)
  Nachteile:	ständiges Nachfragen durch das KI-Tool kann ermüdend werden
  Weitere Aspekte:	Detaillierte Informationen finden Sie unter https://sway.office.com/zBtuXHuPyiWTzkA8

• Literaturverzeichnisse überprüfen

  (Lern-)Ziele:	eigene Literaturverzeichnisse mit den Vorgaben von Zitierstandards überprüfen und Fehler ausgeben lassen Literaturverzeichnisse von studentischen Abgaben auf Korrektheit überprüfen lassen
  Zielgruppe:	Studierende, Lehrende, Forschende
  Ablauf:	Mit dem bereitgestellten Prompt (DOCX 19 KB) können Literaturverzeichnisse überprüft und eventuelle Fehler ausgegeben werden. Im Prompt werden Literaturangaben auf den Standard APA-7 hin überprüft. Der Prompt kann in KI-Systeme eingegeben werden, die eine Anbindung an Literaturdatenbanken oder im Internet generell verfügbare Literaturdaten hat. Denkbar wäre also z. B. Perplexity. Die Funktionalität der Internetanbindung wird in KI:connect.nrw erst zu einem späteren Zeitpunkt bereitgestellt. Die Ausgabe listet auf, welche Literaturangaben korrekt strukturiert sind, ob sie formale Fehler enthalten oder ob sie erfunden sind. Über die Angabe, wie sicher sich das KI-Tool bei seiner Einschätzung ist, können Lehrende evaluieren, ob sie eine tiefergehende Recherche anstreben wollen. Studierende, Lehrende und Forschende werden gleichermaßen durch den Prompt auf formale Fehler in der Zitation hingewiesen, die sie dann korrigieren können. Eine alternative Herangehensweise ist die einfache Aufforderung an KI-Systeme, vorhandene, heterogene Literaturlisten in ein vorgegebenes Format zu bringen. Dazu findet sich ein Use Case von Andreas Giesbert (KSW) in der Sammlung des Hochschulforums Digitalisierung. Tests mit KI-Agenten lieferten ebenfalls bereits brauchbare Ergebnisse. Details dazu finden Sie in einem LinkedIn-Post von Dr. Benedikt Engelmeier (KSW).
  Voraussetzungen:	Prompt, Literaturverzeichnis
  Zeitrahmen:	nicht ausweisbar
  Lehrformat:	nicht ausweisbar
  Gruppengröße:	beliebig
  Assessment:	nicht ausweisbar
  Mögliche Tools:	KI-Anwendung mit Internetanbindung (getestet in ChatGPT Plus)
  Vorteile:	schnelle Methode der Überprüfung formaler Vorgaben bei Literaturangaben urheberrechtlich sichere Variante, schriftliche Leistungen auf Fehler zu untersuchen
  Nachteile:	nicht 100% fehlerfrei, menschliche Überprüfung weiterhin notwendig
  Weitere Aspekte:	Anwendung auf andere Standards für Literaturangaben muss noch überprüft werden. Die Ausgabe kann im Szenario „Überprüfung von Literaturlisten in schriftlichen Prüfungsleistungen“ lediglich als Anhaltspunkt für weitere Untersuchungen gelten und ersetzt nicht die Einschätzung von prüfenden Personen.
  Eingereicht von:	Dr. Juan Serrano Sánchez, PSY

Längere Formate

• Literaturrecherche

  Lernziele:	Qualität von Suchergebnissen für wissenschaftliches Arbeiten durch spezialisierte Tools verbessern
  Zielgruppe:	Studierende, die wissenschaftliche Arbeiten verfassen müssen
  Ablauf:	Die Qualität von Outputs von ChatGPT 3.5 lässt bei wissenschaftlichem Anspruch einiges zu wünschen übrig. Spezialisierte Tools wie Elicit oder Research Rabbit sind häufig unbekannt. Diesen Tools ist gemeinsam, dass sie passende, existierende Artikel und Bücher zu einem Prompt durchsuchen und Fragen beantworten. Die Qualität der Literaturrecherche kann mit diesen Tools gesteigert werden und vor allem können weitere Recherchen mit echten Quellen angestoßen werden. Eine Beschäftigung mit diesen Werkzeugen bietet sich daher an. Vorher können mit den Studierenden vorbereitete Beispielprompts ausprobiert werden, damit die Eigenheiten der KI-Tools ausgelotet werden können. Dabei muss auch thematisiert werden, dass Ergebnisse immer noch einmal mit anderen Rechercheverfahren verglichen werden müssen, um die Gültigkeit der Quellen zu verifizieren.
  Voraussetzungen:	Zugang zur den Tools für Lehrende und Studierende, Kenntnisse im Prompting
  Zeitrahmen:	mindestens 90 Minuten, evtl. mehrere, aufeinander aufbauende Einheiten
  Lehrformat:	synchron oder asynchron / hohe Lehrenden-Studierenden-Interaktion
  Gruppengröße:	beliebig
  Assessment:	Portfolio, Essay, Hausarbeit
  Mögliche Tools:	Elicit, Research Rabbit
  Vorteile:	effektive Literaturrecherche evtl. weiterführende Fragestellungen Verweis auf existierende Quellen einfache Möglichkeit der Verifizierung des KI-Outputs
  Nachteile:	Möglicherweise werden herkömmliche Recherchemethoden verdrängt, obwohl die Verifizierung des KI-Outputs notwendig wäre.

• Prompt Engineering

  Lernziele:	Kennenlernen der Eigenheiten eines KI-Tools, Verbesserung von Outputs
  Zielgruppe:	Studierende mit vorhandenen Kenntnissen in einem Themengebiet
  Ablauf:	Mit den Studierenden wird anhand eines KI-Tools thematisiert und gemeinsam mit ihnen reflektiert, welche Merkmale Prompts haben müssen, um gute Ergebnisse zu liefern. Prompts können für unterschiedliche KI-Tools unterschiedlich aussehen. Manche KI-Tools unterstützen einfache Input-Auszeichnungen, um das Tool z. B. dazu zu bringen eine bestimmte Rolle einzunehmen. Dabei sollte vor allem darauf hingewiesen werden, dass die Outputs nicht deterministisch sind, also bei gleichem Prompt immer wieder anders formulierte Ergebnisse entstehen. In diesem Szenario können auch Prompts von Expert*innen eingesetzt und mit den eigenen Prompts verglichen werden. In Sinne des didaktischen Scaffoldings kann dabei eine Annäherung an Qualität von Expert*innen-Prompts nach und nach erreicht werden. Generative Texttools wie ChatGPT zeichnen sich dadurch aus, dass dialogisch vorgegangen werden kann. Outputs können dabei thematisiert und bestimmte Details weiter ausgeführt werden. Auch hier liegt ein sehr großes Potential, sowohl was ein Qualitätsverbesserung anbelangt, aber auch die Reflexion von falschen oder problematischen Outputs durch Lehrende und Studierende.
  Voraussetzungen:	Zugänge zu den Tools für Lehrende und Studierende
  Zeitrahmen:	10-20 Minuten, 90 Minuten, Veranstaltungsreihe oder Projekt
  Lehrformat:	synchron oder asynchron / geringe oder hohe Interaktion
  Gruppengröße:	beliebig, je nach Art der Beurteilung
  Assessment:	Portfolio, Klausur, Essay, Hausarbeit
  Mögliche Tools:	beliebig
  Vorteile:	hoher Anwendungsbezug Kriterien guten Promptings in Verbindung mit wissenschaftlichen Arbeiten werden explizit vermittelt problematische Aspekte des Einsatzes von KI-Tools beim wissenschaftlichen Arbeiten können direkt angesprochen werden
  Nachteile:	Voraussetzung: Lehrperson sollte bereits über vertieftes Verständnis des Promptings für das jeweilige Tools verfügen und Merkmale guten Promptings anhand von Kriterien beschreiben können.

• Tools Marktplatz

  Lernziele:	Kennenlernen und Bewertung von unterschiedlichen KI-Werkzeugen
  Zielgruppe:	alle
  Ablauf:	Angelehnt an die Marktplatz-Methode bereiten Gruppen von 2-4 Studierenden die Präsentation eines KI-Tools vor (evtl. vorgeschaltet in asynchroner Phase). Als Ergebnis sollen sie einen „Verkaufsstand“ erstellen. Der Test des Tools kann je nach Kenntnisstand mit oder ohne Vorgaben geschehen. Bei der Marktplatzphase bleibt jeweils eine Person am eigenen „Stand“, während die anderen alle anderen Stände erkunden. Dazu werden sie angewiesen, möglichst kritisch die Ergebnisse der anderen Tools zu hinterfragen. Als synchrones Szenario kann die Methode in Präsenz oder online durchgeführt werden. Online werden aus den „Ständen“ Break-Out-Räume; alternativ kann auch ein Tool wie gather.town genutzt werden. Beim asynchronen Szenario wir die Methode als „Online-Marktplatz“ konzipiert. Dabei kann z. B. die Datenbank-Aktivität in Moodle genutzt werden, evtl. kombiniert mit einem Forum.
  Voraussetzungen:	Zugänge zu den Tools für Lehrende und Studierende
  Zeitrahmen:	längere Lehrveranstaltungen oder Projekt
  Lehrformat:	synchron oder asynchron / geringe oder hohe Lehrenden-Studierenden-Interaktion
  Gruppengröße:	beliebig
  Assessment:	ggf. Portfolio
  Mögliche Tools:	beliebig, Relevanz für das Studium sollte allerdings vorhanden sein
  Vorteile:	Kennenlernen und Beurteilung mehrerer KI-Tools
  Nachteile:	Aufwändig in der Vorbereitung: Lehrpersonen sollten die von den Studierenden vorzustellenden Tools kennen und deren Stärken und Schwächen zumindest grob einordnen können.
  Weitere Aspekte:	Es sollte eine Liste der zu präsentierenden Tools den Studierenden zur Auswahl gegeben werden. Es sollte darauf geachtet werden, dass alle Studierenden, auch diejenigen, die einen Verkaufsstand betreuen, die Stände besuchen und sich eine Meinung zu den Tools bilden können oder alle Teilnehmenden wandern gemeinsam von Stand zu Stand.

• Formatives Feedback mit COFFEE

  (Lern-)Ziele:	Formatives Feedback zu schriftlichen Abgaben mit einer Kombination aus regelbasierter Bewertung und Einbindung von lokal implementierten LLMs
  Zielgruppe:	Studierende
  Ablauf:	COFFEE (kurz für Corrective Formative Feedback) ist eine Online-Anwendung, die von Lehrenden dazu genutzt werden kann, Studierenden automatisiert Feedback zu schriftlichen Abgaben zu geben. Lehrende legen dabei fest, nach welchen Kriterien die Abgaben bewertet werden sollen, und welche Form das Feedback haben soll. Die Kriterien können in einem Webformular eingegeben werden. Die Anwendung kombiniert diese Eingaben mit einem Sprachmodell, das für die Formulierung des Feedbacks im Sinne der Vorgaben der Lehrenden zuständig ist. COFFEE steht als eigene Website bereit und wird von Studierenden anonym genutzt. Weitere Informationen finden Sie auf unserer Steckbriefseite zu COFFEE.
  Voraussetzungen:	Lehrende wenden sich an zli, um einen COFFEE-Kurs anlegen zu lassen. Studierende müssen mit den Zugangsdaten für COFFEE versorgt werden, die das ZLI den Lehrenden mitteilt.
  Zeitrahmen:	je nach Länge und Häufigkeit der Eingaben sehr unterschiedlich
  Lehrformat:	Einteilung nach Handreichung zur LVV: LV-Typ I: asynchron – geringe L-S-Interaktion LV-Typ III: asynchron – hohe L-S-Interaktion
  Gruppengröße:	beliebig
  Assessment:	nicht ausweisbar
  Mögliche Tools:	COFFEE
  Vorteile:	skalierbare Möglichkeit des automatisierten, formativen Feedbacks nach Vorgaben Anonymität hohe Verfügbarkeit
  Nachteile:	regelmäßiges Überprüfen der Feedbacks notwendig
  Weitere Aspekte:	Zu COFFEE erhalten Sie weitere Informationen auf unserer Steckbrief-Seite.
  Eingereicht von:	Dr. Michael Hanses, Heike Karolyi, Lars van Rijn, Prof. Dr. Claudia de Witt, KSW

• Ergebnisse studentischer Forschungsprojekte mit KI vorhersagen

  (Lern-)Ziele:	Kennenlernen und Einführung in den Einsatz verschiedener KI-Tools zur Vorhersage empirischer Studienergebnisse Erkennen der Variabilität, Unsicherheit und Modellabhängigkeit von KI-Outputs Systematischer Vergleich von KI-basierten Vorhersagen mit real erhobenen Forschungsergebnissen Kritische Bewertung des Nutzens und der Grenzen von KI für wissenschaftliche Forschung und Erkenntnisgewinn
  Zielgruppe:	Studierende
  Ablauf:	Studienentwicklung durch Studierende: Studierende (v. a. im Rahmen von Abschlussarbeiten) entwickelten zunächst eigenständig ein empirisches Forschungsdesign mit einer innovativen psychologischen Fragestellung zum ökonomischen Verhalten. KI-basierte Ergebnisvorhersage vor Datenerhebung: Vor der Datenerhebung nutzten die Studierenden mehrere frei verfügbare KI-Tools (u. a. ChatGPT, Gemini), um Vorhersagen zu den erwarteten Studienergebnissen zu generieren. Zusätzlich formulierten sie eine eigene, menschliche Prognose. Standardisierung des KI-Einsatzes: Der KI-Einsatz erfolgte anhand einer vorgetesteten, standardisierten Promptvorlage, die für alle verwendeten Plattformen identisch war und von den Studierenden angepasst wurde. Ergänzend erhielten die Studierenden einen Leitfaden mit Erläuterungen zu Ziel, Vorgehen und Grenzen der KI-Nutzung. Empirische Datenerhebung: Anschließend wurden die Studien als Teil der Abschlussarbeit regulär durchgeführt. Vergleich und Reflexion: Nach Abschluss der Datenerhebung wurden die realen Ergebnisse systematisch mit den KI-Vorhersagen (und den eigenen Prognosen der Studierenden) verglichen und kritisch reflektiert. Außerdem führen wir aktuell eine Feedback-Umfrage durch.
  Voraussetzungen:	Zugang zu KI-Tools, die mit Internetanbindung arbeiten
  Zeitrahmen:	Reihe/Projekt
  Lehrformat:	während der Phase der Bearbeitung der Abschlussarbeit
  Gruppengröße:	beliebig
  Assessment:	Abschlussarbeit mit Forschungsschwerpunkt
  Mögliche Tools:	ChatGPT, Gemini, Perplexity, Claude, Le Chat
  Vorteile:	Studentische Abschlussarbeiten, die sonst häufig isoliert bleiben oder „in der Schublade verschwinden“, werden in ein gemeinsames, hochaktuelles und wissenschaftlich relevantes Forschungsprojekt eingebunden. KI wird nicht nur als Werkzeug, sondern als inhaltlicher Forschungsgegenstand genutzt. Dabei wird sowohl die Motivation der Studierenden als auch deren erworbenen Kenntnisse deutlich erhöht.
  Nachteile:	Veränderungen der KI-Modelle im Projektverlauf, die die Vergleichbarkeit der Vorhersagen über die Zeit erschwerten Unerwartete oder schwer interpretierbare KI-Outputs, die bei den Studierenden Rückfragen hervorriefen Variabilität der KI-Ergebnisse bei wiederholten Vorhersagen, was Fragen zur Zuverlässigkeit aufwarf
  Weitere Aspekte:	Interaktive Website zum Projekt: https://02mfnt-tobias-wingen.shinyapps.io/HaGenAI/ Bericht der FernUni: https://www.fernuni-hagen.de/universitaet/aktuelles/2025/10/am-ki-studienergebnisse-vorhersagen.shtml
  Eingereicht von:	Dr. Tobias Wingen, PSY