Welche Kompetenzen braucht die Fakultät in Bezug auf KI?

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Fakultätskompetenz sollte weit über das Schreiben von Prompts hinausgehen. Die KI-Kompetenz-Synthese der Wissensbasis identifiziert vier breite Dimensionen:

• Grundlegendes Verständnis von KI-Fähigkeiten und -Grenzen.
• Praktische Kompetenz in der Nutzung von KI-Werkzeugen.
• Kritische Evaluation von Genauigkeit, Bias, Angemessenheit und Unsicherheit.
• Ethisches und institutionelles Bewusstsein, das Themen wie Integrität, Datenschutz, Gerechtigkeit und KI-Governance umfasst.

Die pädagogische Schicht

Für Lehrende brauchen jene Dimensionen eine zusätzliche pädagogische Schicht. Die Fakultät sollte in der Lage sein:

• zu entscheiden, welche kognitive Arbeit Studierende behalten müssen;
• KI-Nutzungen auszuwählen, die mit Lernzielen übereinstimmen;
• valides KI-Zeitalter-Assessment zu designen;
• Studierenden beizubringen, KI-Nutzung zu verifizieren und zu regulieren;
• Halluzination, Überabhängigkeit und Sycophancy zu erkennen;
• zu wissen, wann menschliches Urteil Automatisierung übersteuern sollte.

Die Fakultät braucht außerdem genug Systemverständnis, um zu bewerten, wie generative KI-gestützte Workflows zusammenpassen, statt KI als isoliertes Werkzeug zu betrachten. Siehe KI-Kompetenz von Lehrkräften und Personalentwicklung.

Selbstsicherheit ist nicht Kompetenz

In der Wissensbasis zusammengefasste Forschung warnt ebenfalls davor, Selbstsicherheit mit Kompetenz gleichzusetzen: selbstauskunftbasierte KI-Kompetenz kann erheblich von demonstrierter Fähigkeit abweichen, was leistungsbasierte professionelle Entwicklung und authentische Praxis gegenüber Selbstsicherheitsbefragungen allein vorziehenswert macht. Forschung zu Multi-Agent-Workflows von Lehrkräften legt außerdem nahe, dass Systemdenken, pädagogische Überzeugungen und Selbstwirksamkeit in der KI-Integration interagieren, also sollte professionelle Entwicklung differenziert werden statt ein Einheitswerkzeug-Workshop zu sein.

Was professionelle Entwicklung tatsächlich bewegt – und was nicht

Jüngere Hochschulforschung legt konkrete Zahlen darauf, wo Fakultätskompetenz stark ist und wo sie zusammenbricht. Eine Befragung von 127 Fakultätsmitgliedern an einer großen US-amerikanischen Forschungsuniversität mit dem Technologisches pädagogisches Inhaltswissen (TPACK)-21-Instrument fand selbstwahrgenommenes pädagogisches Fachwissen hoch (M = 4.70) und Fachwissen nahe der Obergrenze (M = 5.15), aber die technologieintegrierten Domänen deutlich niedriger – technologisches pädagogisches Wissen (M = 2.62), technologisches Fachwissen (M = 2.75) und holistisches TPACK (M = 2.55, das niedrigste von sieben). Fachexpertise sagte GenAI-Integrationswissen nicht vorher (CK-Korrelationen r = .11–.15, alle nicht signifikant), also kann Fakultätsentwicklung nicht annehmen, dass Fachbeherrschung überträgt, und sollte generative KI-Kompetenz durch absichtsvolles, disziplinspezifisches Programmieren aufbauen. Weil die drei technologieintegrierten Domänen r = .81–.91 korrelierten, können sie als eine einzelne GenAI-Integrationsfähigkeit funktionieren, die als gemeinsame Grundlage zu lehren wert ist statt als separate Fertigkeiten.

Was Training kann und nicht kann, ist gleichermaßen instruktiv. In einer Within-Subjects-Studie mit 13 Hochschullehrkräften verbesserte das Geben eines Chatbots die Qualität ihres Lerndesigns signifikant – der Anteil, der zwei oder mehr höherstufige Bloom-Aufgaben erreichte, stieg von 41.7% auf 91.7% (p = .01) –, und senkte den wahrgenommenen kognitiven Aufwand stark (Median 6.33 auf 3.33, p = .004); das darauf geschichtete pädagogische Prompting-Training verbesserte Qualität nicht weiter und erhöhte den Aufwand leicht. KI-Zugang verändert Unterrichtsverhalten mit anderen Worten bereitwillig; tiefere Fähigkeit braucht mehr als einen Workshop, und Qualitätsgewinne allein belegen nicht, dass Lehrkräfte die Praxis verinnerlicht haben.

Standards, Handlungsfähigkeit und Identität

Kompetenz ist auch eine institutionelle Frage. Design-Based Research mit 114 Teilnehmenden über 28 US-amerikanische Institutionen und 11 Länder erzeugte sechs Technologiestandards für die Fakultät, die die gesamte akademische Rolle umspannen – Instructor, Coordinator, Leader, Researcher, Learner und Contributor –, weil vorhandene Frameworks (Technologisches pädagogisches Inhaltswissen (TPACK), SAMR) und Pädagogische Standards (ISTE, UNESCO, DigCompEdu) K-12 (Primar- und Sekundarstufe)-Lehrkräfte oder nur die Unterrichtsdimension adressieren.

Eine Befragung von 287 Lehrkräften über 27 Länder zeigt, warum Annahme einer rein technischen Rahmung widersteht: das verfeinerte Modell erklärte 79.8% der Varianz in Verhaltensabsicht, doch wahrgenommene künstliche Autonomie beeinflusste die Absicht nur indirekt über Nützlichkeit, und Risikoaversion war ein signifikanter negativer Prädiktor (−.163), wobei Lehrkräfte sich weit mehr um Überabhängigkeit der Studierenden und Integritätsrisiken sorgten als um ihre eigene Nutzung. Annahme hing von kontextsensitivem Urteil ab statt vom Reiz der Automatisierung. Schließlich legen Interviews mit zwei erfahrenen Akademikerinnen und Akademikern nahe, dass KI-Integration wiederkehrende Identitätsspannungen erzeugt – Pädagogik versus Plattform, Pädagogische Fachkraft versus Facilitator, Sorge versus Compliance –, navigiert durch prinzipielle Selektivität, begründet in pädagogischen Werten. Kompetenz umfasst deshalb professionelles Urteil darüber, wann KI nicht zu nutzen ist, nicht nur Fertigkeit in ihrer Nutzung.

Für das studierendenbezogene Gegenstück siehe Wie soll ich KI-Kompetenz in meinen Kurs einbringen? und Was belegen die Studien zu KI-Kompetenz-Interventionen in der Hochschulbildung?; für die lehrkraftseitige Zusammenfassung siehe Was sind die Top 10 Befunde aus der Forschung zu KI in der Bildung, die Lehrkräfte kennen sollten?.