Wie soll ich KI-Kompetenz in meinen Kurs einbringen?

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

Der stärkste Ansatz ist, KI-Kompetenz als Teil disziplinären Lernens zu behandeln, nicht als eigenständige Lektion über die Nutzung von ChatGPT. Studierende entwickeln brauchbarere KI-Kompetenz, wenn sie wiederholt KI in authentischen Kursaufgaben nutzen, hinterfragen, verifizieren, kritisieren und Entscheidungen über sie treffen, statt einfach Prompting-Techniken zu lernen oder eine einmalige Einführung zu besuchen. Wirksamer Unterricht kombiniert praktische Kompetenz mit kritischer Evaluation, ethischem Bewusstsein, Metakognition und Aufmerksamkeit dafür, wann KI nicht vertraut oder genutzt werden sollte.

Ein brauchbares Designprinzip ist zuerst denken, KI danach. Lassen Sie Studierende eine erste Deutung, Lösung, Argumentation, Vorhersage oder einen ersten Entwurf bilden, bevor sie KI konsultieren. Sie können dann ihr Denken mit der KI-Ausgabe vergleichen, Übereinstimmungen und Diskrepanzen identifizieren, Behauptungen verifizieren, und entscheiden, was – wenn überhaupt etwas – zu übernehmen ist. Das verhindert, dass KI die kognitive Arbeit substituiert, die die Aufgabe zu entwickeln beabsichtigt. Dieser Ansatz verbindet sich unmittelbar mit Bedenken zu kognitiver Auslagerung und KI-Missbrauch, wo unmittelbare Leistung sich verbessern kann, während eigenständiges Lernen leidet.

Eine Synthese von 72 empirischen Studien zu generativer KI in der Informatikbildung aus dem Jahr 2026 macht den Punkt schärfer und gibt ihm Zahlen. Generative KI erhöht verlässlich kurzfristige Bewältigung und reduziert Zeit am Task (36 Studien – das stärkste, am häufigsten replizierte Ergebnis des Korpus), doch jene Effizienzgewinne „übertragen sich nicht auf eigenständige Leistung" (21 Studien): Studierende bewältigen mehr, während sie weniger verstehen, wenn kritisches Engagement mit der Ausgabe nicht strukturell verlangt ist. Der Vorteil hängt außerdem von Vorwissen ab – gut vorbereitete Studierende verwandeln KI-Hilfe in dauerhafte Fertigkeit, während untervorbereitete Studierende riskieren, sie als Krücke zu nutzen, die produktives Scheitern entfernt. Die Autoren empfehlen gestuften Zugang als Standard: zuerst KI-freie Grundlagen, dann angeleitete Nutzung mit verpflichtenden Erklärungsaufgaben, dann reflektive Kritik. Siehe Generative KI in der Informatikbildung: ein systematischer Review und ein Framework für verantwortungsvolle Integration.

Verlangen Sie Evaluation, nicht nur Generierung

KI-Kompetenz-Aktivitäten sollten Evaluation verlangen, nicht nur Generierung. Studierende könnten eine KI-Antwort für faktische Fehler, nicht gestützte Behauptungen, Bias, fehlende Perspektiven, unangemessene Selbstsicherheit oder schwache disziplinäre Argumentation annotieren. Sie können KI-Ausgaben mit Lektüren, empirischen Belegen, professionellen Standards oder einer Kurs-Rubrik vergleichen.

Ein besonders brauchbares Muster ist, die KI etwas Plausibles, aber Unvollkommenes erzeugen zu lassen und Studierende zu bitten, als Kritiker oder Lektor zu dienen. KI-Fehler zu identifizieren ist ein wichtiger Weg zu stärkerer Kalibrierung und höherstufigem Denken.

Behandeln Sie Evaluation als lehre eigene Kompetenz, nicht als Nebenprodukt von Fachwissen. In der Informatikbildungssynthese schnitten Studierende bei der Korrektur KI-generierten Codes signifikant schlechter ab als bei traditionellen summativen Prüfungsaufgaben – ein direkter Beleg dafür, dass sich Bewerten und Reparieren von KI-Ausgaben nicht automatisch von allgemeiner disziplinärer Fertigkeit überträgt, und dass Studierende ohne Unterweisung riskieren, inkorrekte Arbeit unkritisch wiedereinzureichen. Der Review konsolidiert das in sein VIE-Framework (Verifikation, Implementierung, Gerechtigkeit) und argumentiert, dass kritisches Engagement eine bewertete, beobachtbare Komponente studentischer Arbeit sein sollte statt eine der Ermessensentscheidung überlassene Aspiration – „der gemeinsame Mechanismus, der jede wirksame Intervention im Korpus verbindet".

Machen Sie KI-Kompetenz disziplinär und wiederkehrend

Neuere Arbeit wehrt sich ebenfalls gegen Fertigkeitslisten-Konzeptionen von KI-Kompetenz – und zeigt, wie das in der Praxis aussieht. Burriss et al. ließen 22 Elftklässlerinnen und Elftklässler Videospots im öffentlichen Interesse über die KI-Ethik-Themen komponieren, mit denen sie tatsächlich lebten: Schulüberwachung, elektronische „Hall Passes" und algorithmische Plagiats-Anschuldigung. Begründet in Critical Posthumanist Literacy und multimodaler Komposition, bat die Einheit Jugendliche, abstrakte Prinzipien in emotional resonante Filme zu übersetzen; Studierende stellten Schaden überwältigend als aus verflochtener Mensch-Maschine-Verantwortung entstehend dar statt als bösartiges Werkzeug, drehten die Betrugserzählung zu Erwachsener Überabhängigkeit von fehlerhafter KI um, und schlossen dennoch auf Handlungsfähigkeit der Lernenden („die Lösung ist in unserer Reichweite"). Die Autoren argumentieren, dass Storytelling und kollaborative, kreative Produktion im Zentrum kritischer KI-Kompetenz-Pädagogik gehören sollten –, und dass zu verlangen, dass Studierende über KI komponieren, für ein echtes Publikum, kritische Kompetenz entwickelt, die konventionelle Kompetenzskalen, die individuell messbare Leistung voraussetzen, nicht sehen können. Siehe „Young Scholar[s] on the Beat": multimodale Komposition als Form kritischer KI-Kompetenz-Pädagogik.

Wo möglich, machen Sie diese Aktivitäten disziplinspezifisch und wiederkehrend. Generische Regeln wie „prüfen Sie KI auf Halluzinationen" sind weniger brauchbar, als Studierenden zu zeigen, wie unzuverlässige KI-Ausgaben in Ihrem Feld aussehen: erfundene Zitationen in Geschichte, ungültige Annahmen in Ökonomie, irreführende Deutungen experimenteller Belege in Biologie, schlecht begründete Designentscheidungen in Ingenieurwesen, oder oberflächlich flüssiges, aber methodisch schwaches Schreiben in Psychologie.

Die KI-Kompetenz-Synthese der Wissensbasis argumentiert, dass Bewegung hin zu kritischer Evaluation am deutlichsten ist, wenn KI-Kompetenz-Erfahrungen anhaltend und in authentische Kursarbeit eingebettet sind statt isolierte Workshops. Siehe A Practical Five-Stage Continuum for AI Literacy in Higher Education. Das ist konsistent mit den quantitativen Belegen: eine Meta-Analyse von 59 KI-Kompetenz-Interventionen fand die größten Effekte bei integrierten und reflektiven Pädagogiken, und warnte zugleich, dass wissensfokussierte Interventionen größere gemessene Effekte zeigen als jene, die auf Fähigkeiten, Einstellungen oder Ethik zielen.

Beziehen Sie kollaboratives Lernen ein

Kollaborative Aktivitäten können diese Arbeit stärken. Das ICAP-Framework legt nahe, über passive Exposition hinaus zu aktiver, konstruktiver und interaktiver Beteiligung zu gehen. Studierende können Prompts paarweise vergleichen, debattieren, ob eine KI-Antwort vertrauenswürdig ist, gemeinsam ein KI-generiertes Produkt überarbeiten, oder Peers erklären, warum sie bestimmte Vorschläge annahmen oder verwarfen.

Bedeutsamerweise stützen die Belege kognitiv aktive und kollaborative Designs. Siehe Systematic Review of Collaborative Learning Activities for Promoting AI Literacy.

Bewerten Sie demonstriertes Urteil, nicht nur Selbstsicherheit

Leistungsbeurteilung sollte sich auf demonstriertes Urteil statt auf Selbstsicherheit oder selbstauskunftbasierte Fertigkeit konzentrieren. Studierende überschätzen oft, wie gut sie KI bewerten können. Statt zu fragen, ob sie sich „selbstsicher in der KI-Nutzung fühlen", geben Sie ihnen Aufgaben, die verlangen, Fehler zu entdecken, Quellen zu verifizieren, eine Ausgabe zu verbessern, Grenzen zu erklären, oder zu begründen, warum eine bestimmte KI-Nutzung angemessen ist.

Die Wissensbasis hebt eine signifikante Diskrepanz zwischen selbstauskunftbasierter und leistungsbasierter KI-Kompetenz hervor und empfiehlt leistungsbasierte Bewertung. Siehe KI-Kompetenz-Assessment: Diskrepanz zwischen Selbstauskunft und Leistung und GLAT: The Generative AI Literacy Assessment Test.

Das ist bedeutsam, weil unbeaufsichtigte Nutzung standardmäßig auf die schwächste Form zurückfällt. Yans et al.s Presage-Prozess-Produkt-Studie mit 38 Studierenden der ersten Semester fand, dass 76.32% sich auf ein Einzelturn-Fragen-Antwort-erhalten-Stopp-Muster stützten, 78.94% generative KI nur vor dem Beginn oder nach dem Entwerfen integrierten, und selbst meisterschaftsorientierte Studierende standardmäßig auf Oberflächenprozesse zurückfielen –, ein Effizienzparadox, in dem Geschwindigkeit auf Kosten der kognitiven Arbeit gewonnen wird, die Schemata aufbaut („wie schnell man es vergisst, ist auch sehr schnell"). Die Autoren lokalisieren die Ursache in einem „institutionellen Vakuum": Lehrende verbieten Kopieren, lehren aber selten produktive Nutzung. Prozessartefakte zu verlangen – die Dialoghistorie, eine Reflexionsnotiz darüber, wie KI genutzt wurde, ein Überarbeitungsprotokoll – macht den Workflow sichtbar und verwandelt Selbstregulation in etwas Bewertbares. Siehe From cognitive outsourcing to reallocation: a 3P analysis of student–generative AI engagement in unsupervised assessments.

Szenariobasierte Messung gibt Ihnen ein Urteilsmaß statt ein Selbstsicherheitsmaß. Reed et al. (2026) legten Studierenden der ersten Semester Vignetten vor – KI zu nutzen, um die Grammatik im eigenen Entwurf zu verbessern, Suchbegriffe zu generieren, bevor man selbst liest, ein KI-generiertes Reflexionstagebuch ohne persönlichen Input einzureichen, eine generierte Aufgabe minimal zu editieren –, und fragten, ob jede ethisch war. Das Muster, das sie berichten, ist, dass Studierende in den klaren Fällen konvergieren und am meisten dort divergieren, wo das Werkzeug einen Teil der intellektuellen Arbeit tat, was genau die Grenze ist, die eine Kursrichtlinie benennen muss. Das macht Vignetten zu einem brauchbaren Klassenrauminstrument: sie bringen die Uneinigkeiten hervor, auf die Ihre Richtlinie sich stillschweigend stützt, und messen Urteil über einen Fall statt selbstauskunftbasierte Fertigkeit.

Themen und Vorsichtsmaßnahmen

Setzen Sie KI-Kompetenz nicht mit Prompt-Engineering gleich. Studierende können technisch in KI versiert werden und gleichzeitig schlechte Beurteilende ihrer Ausgaben bleiben. Manche fertigkeitsorientierten Dimensionen von KI-Kompetenz sind positiv mit berichteter KI-Abhängigkeit assoziiert, was nahelegt, dass operatives Training ohne Selbst-KI-Regulierung in der Bildung, akademische Selbstsicherheit und metakognitive Unterstützung versehentlich größere Abhängigkeit fördern kann.

KI-Kompetenz hat eine interaktionale Dimension –, und sie setzt genau die Fähigkeiten voraus, die sie aufbauen soll. Brunnströms und Palmqvists achtrundige Demonstration einer „naiven Studentin", die einen Chatbot bei einer Take-home-Prüfung nutzte, fand die Standardausgabe „geschliffen, aber pädagogisch dünn", und dass eine brauchbare Lernschleife acht Runden Meta-Interventionen der lernenden Person erforderte („vereinfachen", „das überwältigt mich, kannst du es zusammenfassen?"). Sie benennen die Fähigkeit als AI-interaction literacy – iterative Interaktion mit generativer KI steuern, bewerten und aus ihr lernen –, und ziehen einen scharfen Gerechtigkeitsschluss: weil ungeleitete Nutzung eine Kompetenz voraussetzt, die ungleich verteilt ist, kann generative KI „für bereits privilegierte Studierende am nützlichsten sein". Die Interaktion zu lehren, nicht nur das Werkzeug, ist deshalb ebenso sehr eine Gerechtigkeitsmaßnahme wie eine pädagogische. Siehe AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education und Wie beeinflusst KI Studierende?.

Ebenso kann Kompetenzunterweisung Probleme auf Modellebene nicht für sich lösen. Training kann manche Fehler reduzieren, ohne sie zu beseitigen. In der Forschung zu kontextualer Sycophancy reduzierten KI-Kompetenz- und Prompting-Unterweisung direktes Spiegeln der Fehler der Nutzenden, verhinderten aber nicht vollständig, dass jene Fehler in spätere KI-Ratschläge fortgepflanzt wurden. Studierende müssen deshalb verstehen, dass „besseres Prompting" ein KI-System nicht inhärent verlässlich macht. Siehe The Hidden Cost of Contextual Sycophancy und KI-Sycophancy.

Gerechtigkeit ist ebenfalls bedeutsam. Studierende kommen mit verschiedenen früheren Zugängen zu bezahlten Werkzeugen, verschiedener Erfahrung im Prompting von Modellen, verschiedenen Sprachhintergründen und verschiedenen Niveaus digitaler Selbstsicherheit in Kurse. Ausgefeilte KI-Nutzung zu verlangen, ohne gerechten Zugang und grundlegende Unterstützung zu bieten, kann frühere Exposition in einen akademischen Vorteil verwandeln. Zugang, Fähigkeiten und Ergebnisse sind separate Dimensionen der digitalen Spaltung.

Beispiele aus der Wissensbasis KI in der Bildung

• Ökonomie: Studierende lösen zuerst ein ökonomisches Problem, holen eine GenAI-Antwort ein, vergleichen sie mit ihrer Argumentation, kritisieren die KI, reflektieren und diskutieren mit Peers. Siehe Fostering Generative AI Literacy in Economics.
• Psychologie: Studierende bewerten eine ChatGPT-generierte Pressemitteilung gegen eine Kursrubrik, identifizieren Schwächen und überarbeiten sie. Das entwickelt gleichzeitig disziplinäre, Feedback- und KI-Kompetenz. Siehe Using Generative AI to Promote Psychological, Feedback, and AI Literacies.
• Biologie: KI-Kompetenz-Aktivitäten sind in disziplinäres Lernen integriert statt als separates technisches Thema gelehrt. Siehe Integrating AI Literacy Education in a Biology Class.
• Datenbank-/Design-Kursarbeit: Studierende analysieren KI-generierte Fehler und verbessern Prompts und Lösungen iterativ, wobei sie Fehleranalyse als Lernaktivität nutzen. Siehe The Pedagogy of AI Mistakes.
• Querdisziplinäre Universitätskurse: Das LearnAI-Modell nutzt Just-in-time-KI-Ko-Kreation, eingebettet über Disziplinen hinweg, statt eines einzelnen generischen KI-Kompetenz-Moduls. Siehe LearnAI: Just-in-Time AI Co-Creation Across Disciplines.
• Physik: Ein neugestalteter Einführungskurs in Teilchenphysik erlaubte generative KI als expliziten Partner bei forschungsförmigen Problemen, aber eine unbegleitete schriftliche Prüfung (Mittel 20.6 von 80, nur zwei Studierende erreichten 40) warnte davor, dass begleitete Leistung und eigenständig abrufbares Wissen verschiedene Errungenschaften sind –, also argumentieren die Autoren, KI-Kompetenz, einschließlich wie generierte Antworten zu verifizieren und KI als Lehrkraft statt als Kopierer zu behandeln, solle früh gelehrt werden, neben engagiertem unbegleiteten Üben. Siehe AI in particle physics education: research problems and foundational skills.
• Curriculum-Design auf Programmebene: Das AI Literacy Continuum bietet ein Entwicklungsmodell, das Studierende von Nichtnutzung oder unkritischer Nutzung hin zu informierter Nutzung, kritischer Evaluation und Verbesserung bewegt. Siehe A Practical Five-Stage Continuum for AI Literacy in Higher Education.

Praktische Erkenntnis

Ein praktisches Kursdesign ist nicht einfach „Woche 2: Wie man ChatGPT nutzt." Identifizieren Sie stattdessen mehrere Stellen, an denen KI sich mit wichtigen disziplinären Urteilen schneidet, und bauen Sie wiederholte Zyklen aus:

eigenständigem Denken → KI-Nutzung → Verifikation → Kritik → Überarbeitung → Reflexion

Studierende sollten schließlich erklären können, nicht bloß wie sie KI nutzten, sondern warum sie manchen Ausgaben vertrauten, andere verwarfen, was sie verifizierten, welche kognitive Arbeit ihre Verantwortung blieb, und wann KI-Nutzung den Zweck der Aufgabe untergraben würde.

Jene Kombination ist dem KI-Kompetenz-Konstrukt, das die aktuelle Belegbasis stützt, viel näher als operative Versiertheit allein. Dafür, wie stark jene Belegbasis tatsächlich ist – und wo sie dünner wird –, siehe Was belegen die Studien zu KI-Kompetenz-Interventionen in der Hochschulbildung?.