Der VK:KIWA:Blog

KI-Agenten markieren einen nächsten Entwicklungsschritt im Umgang mit Künstlicher Intelligenz: Sie beantworten nicht nur einzelne Anfragen, sondern planen und bearbeiten komplexe Aufgaben eigenständig, indem sie diese in Teilschritte zerlegen und passende Werkzeuge nutzen. So können sie etwa Recherche, Materialerstellung oder Dokumentenanalyse weitgehend automatisiert übernehmen.

Der Beitrag erläutert die Grundlagen agentischer KI, grenzt sie von klassischen Chatbots und Workflows ab und zeigt praxisnahe Einsatzmöglichkeiten für Lehrende. Gleichzeitig werden zentrale Herausforderungen wie Kontrolle, Fehleranfälligkeit und Datenschutz thematisiert. Ziel ist es, eine Orientierung für den reflektierten Einsatz von KI-Agenten in der Lehre zu geben.

Der Einsatz Künstlicher Intelligenz (KI) beim Erstellen von Visualisierungen bietet neue Möglichkeiten, komplexe Inhalte aus Texten schnell in Diagramme, Übersichten oder Grafiken für Präsentationen und Poster zu überführen. Generative Tools liefern erste visuelle Entwürfe, die Lehrende und Studierende fachlich und didaktisch weiterentwickeln können.

Der Beitrag erläutert die Funktionsweise solcher Tools, zeigt praxisnahe Einsatzszenarien und macht zugleich auf zentrale Fallstricke aufmerksam: Ansprechend gestaltete Grafiken sind nicht automatisch fachlich korrekt oder lernwirksam. KI-Visualisierungen bleiben Entwürfe, die kritisch geprüft und begründet werden müssen. Ziel ist es, Impulse zu geben, wie Visualisierungskompetenz mithilfe von KI gezielt in der Lehre gefördert werden kann.

 Der Einsatz Künstlicher Intelligenz (KI) bei der Transkription von Interviews und Gruppendiskussionen kann Forschungs- und Lehrprozesse erheblich entlasten. Automatische Spracherkennung wandelt Audiomaterial in kurzer Zeit in Text um und erleichtert so die Weiterarbeit an wissenschaftlichen Projekten. Dieser Beitrag führt in die Funktionsweise KI-gestützter Transkriptionsverfahren ein, stellt unterschiedliche Lösungswege – von lokal installierten bis hin zu cloudbasierten Tools – vor und gibt eine praxisnahe Schritt-für-Schritt-Orientierung. Zugleich werden zentrale Fallstricke thematisiert: Datenschutz, Einwilligung, Qualitätskontrolle und der unvermeidbare Korrekturaufwand. Ziel ist es, Lehrenden Impulse zu geben, wie sie Studierende zu einem reflektierten, verantwortungsvollen und methodisch sauberen Einsatz von KI bei der Transkription von Audiomaterial anleiten können.

Reasoning-Modelle sind spezielle KI-Systeme, die komplexe Anfragen Schritt für Schritt bearbeiten und dabei auf logische Konsistenz achten. Anders als klassische Textgeneratoren geht es nicht nur um sprachliche Glätte, sondern um nachvollziehbare Argumentationslinien. In der Lehre können sie helfen, etwa ethische Dilemmata oder juristische Fallanalysen transparent zu strukturieren. Zugleich gilt: Auch wenn sie ihre „Denkschritte“ offenlegen, denken Maschinen nicht wirklich – und auch Reasoning-Modelle können fehlerhafte Schlüsse ziehen. Für Lehrende heißt das: Chancen nutzen, aber Studierenden zugleich Raum für eigene Positionierungen lassen.

Der vorliegende Blogpost entwickelt einen Definitionsvorschlag für KI-bezogene Schreibkompetenz als eine erweiterte und sich neu entwickelnde Form wissenschaftlicher Schreibkompetenz. Im Mittelpunkt steht die Fähigkeit, generative KI reflektiert, gezielt und verantwortungsvoll in allen Phasen des Schreibprozesses einzusetzen. Dabei werden vier Kernkomponenten herausgestellt: AI-Literacy, prozessorientierte Reflexion, kritische Bewertung und Integration sowie kontinuierliche Weiterentwicklung der eigenen KI-bezogenen Schreibpraxis. Da viele Fragen zum Verhältnis klassischer und KI-bezogener Schreibkompetenz sowie zu den sich wandelnden technologischen Rahmenbedingungen offenbleiben, versteht sich der Beitrag als Einladung zur Diskussion.

Der Einsatz Künstlicher Intelligenz (KI) bei der Erstellung wissenschaftlicher Präsentationen bietet neue Möglichkeiten, um Inhalte schnell und ansprechend aufzubereiten. Dieser Beitrag zeigt, wie generative KI-Tools von ersten Stichpunkten bis hin zu kompletten Foliensätzen unterstützen können – sowohl in der Lehre als auch für studentische Referate oder Konferenzvorträge. Anhand des Tools Gamma wird erläutert, wie Texte automatisch in eine Präsentationslogik übertragen und mit passenden Designs versehen werden. Gleichzeitig macht der Beitrag auf zentrale Fallstricke aufmerksam: KI-generierte Präsentationen erfordern fachliche Kontrolle, einen reflektierten Umgang mit sensiblen Daten und eine klare didaktische Ausrichtung. Ziel ist es, Lehrenden Wege aufzuzeigen, KI als hilfreiche Ergänzung im Präsentationsprozess einzusetzen – ohne die eigene inhaltliche und didaktische Gestaltung zu ersetzen. 

Der Einsatz Künstlicher Intelligenz (KI) bei der Themenfindung kann Lehrende wie Studierende in frühen Phasen wissenschaftlicher Arbeiten unterstützen. Textgenerierende Tools wie ChatGPT liefern schnell vielfältige Ideen, die als Ausgangspunkt für weitere Überlegungen dienen. Dieser Beitrag erklärt praxisnah, wie solche Vorschläge entstehen, zeigt anhand konkreter Prompts die einzelnen Schritte von der breiten Ideensammlung bis zur Eingrenzung eines tragfähigen Themas und verdeutlicht typische Fallstricke. Besonders wichtig ist, dass KI-Themenvorschläge stets kritisch geprüft, mit einschlägiger Literatur verknüpft und methodisch weiterentwickelt werden müssen. Für die Lehre bedeutet dies: KI kann Denkprozesse anregen und Diskussionen eröffnen, ersetzt jedoch nicht die eigenständige Auswahl, Reflexion und wissenschaftliche Einbettung von Themen. Ziel ist es, Lehrende zu befähigen, Studierende zu einer reflektierten und verantwortungsvollen Nutzung von KI in der Themenfindung anzuleiten. 

Der Einsatz Künstlicher Intelligenz (KI) beim Lesen und Verstehen wissenschaftlicher Texte eröffnet neue Möglichkeiten, um Inhalte schneller zu erfassen und didaktisch aufzubereiten. Dieser Beitrag führt in die Funktionsweise von KI-Lektüretools ein, zeigt anhand praktischer Beispiele, wie Lehrende und Studierende Texte zusammenfassen, Argumentationsstrukturen nachvollziehen oder gezielt Fragen stellen können, und beleuchtet rechtliche Rahmenbedingungen sowie typische Fallstricke. Deutlich wird dabei: KI kann das Textverständnis unterstützen und komplexe Inhalte zugänglicher machen, ersetzt aber nicht die eigene, reflektierte Auseinandersetzung mit Texten. Ziel ist es, Lehrende für Chancen und Grenzen zu sensibilisieren und Wege aufzuzeigen, wie KI sinnvoll in die Lesepraxis eingebettet werden kann. 

Der Einsatz generativer Künstlicher Intelligenz (KI) beim Erstellen einer Rohfassung wissenschaftlicher Texte kann Schreibprozesse erleichtern und Inspiration bieten, birgt jedoch auch Risiken für die Entwicklung zentraler Schreib- und Argumentationskompetenzen. Dieser Beitrag führt praxisnah in die Funktionsweise großer Sprachmodelle (LLMs) ein, zeigt anhand konkreter Beispiele, wie KI bei der Strukturierung und Ausformulierung unterstützt, und gibt Hinweise für eine lernförderliche Integration in den Schreibprozess. Dabei wird deutlich: KI kann helfen, logische Textstrukturen zu entwickeln, Material zu ordnen und erste Formulierungen zu entwerfen. Gleichzeitig ist ein kritischer Umgang notwendig, da generierte Texte zu inhaltlichen Ungenauigkeiten oder mangelnder Kohärenz neigen. Lehrende sollten deshalb den Einsatz von KI so gestalten, dass Studierende weiterhin eigene Denk- und Formulierungsleistungen erbringen und den Schreibprozess als epistemische Praxis nutzen. Ziel ist es, KI als unterstützendes Werkzeug einzubetten – nicht als Ersatz für das eigenständige wissenschaftliche Schreiben.

Die Literaturrecherche mit Künstlicher Intelligenz (KI) eröffnet neue Wege jenseits klassischer Suchmethoden und bietet vielfältige, visuell aufbereitete Zugänge zu wissenschaftlicher Literatur. Dieser Beitrag führt Lehrende niedrigschwellig in die Funktionsweise KI-gestützter Recherchetools ein, zeigt exemplarisch fünf Anwendungstypen auf und diskutiert deren Nutzen sowie Grenzen. Anders als textgenerierende Systeme analysieren spezialisierte Tools vorhandene Literaturdatenbanken, erkennen thematische Zusammenhänge und schlagen passende Quellen und Begriffe vor. Gleichzeitig bestehen Risiken, etwa in Form mangelnder Transparenz, eingeschränkter Quellenvielfalt oder fehlender Systematik. Der Beitrag sensibilisiert Lehrende dafür, wie sie Studierende an eine reflektierte Nutzung solcher Tools heranführen können, ohne die Grundlagen wissenschaftlichen Arbeitens zu vernachlässigen. Ziel ist ein kompetenter, kritischer Umgang mit KI in der Recherchepraxis – als Ergänzung, nicht als Ersatz.

Der Beitrag beschreibt das Konzept und die Nutzungsmöglichkeiten von „Deep Research“, einer erweiterten Recherchefunktion generativer KI-Modelle. Im Gegensatz zu klassischen KI-Anwendungen, welche ausschließlich auf ihre Trainingsdaten beschränkt sind, kombinieren Deep Research-Modelle externe Informationsquellen mittels Retrieval-Augmented Generation (RAG), wodurch fundierte und aktuelle Inhalte generiert werden können. Der Artikel erläutert sowohl theoretische Grundlagen und Funktionsweisen von Deep Research als auch konkrete Anwendungsmöglichkeiten und stellt ausgewählte Tools wie ChatGPT, Gemini und Deep Seek vor. Dabei betont er die notwendige kritische Haltung gegenüber von KI generierten Quellen und weist auf die Bedeutung einer reflektierten, eigenständigen Nutzung dieser Technologie im Bildungsbereich hin. Abschließend werden Reflexionsfragen präsentiert, die Lehrende dabei unterstützen, Deep Research gezielt und bewusst in ihre Lehre zu integrieren.

Der Einsatz von Künstlicher Intelligenz (KI) in schulischen Kontexten bietet vielfältige Möglichkeiten, die bisherige Schreibsettings an Schulen und Hochschulen verändern. Vor diesem Hintergrund fand im Herbst 2024 eine Arbeitstagung der Gesellschaft für Schreibdidaktik und Schreibforschung in der Special Interest Group (SIG) Schreiben an der Schule an der Leuphana Universität Lüneburg statt. Ziel der Tagungsorganisatorinnen (Inga Buhrfeind & Winnie-Karen Giera) war es, die Potenziale von KI für den schulischen Schreibunterricht zu diskutieren und hinsichtlich ihrer praktischen Umsetzung zu reflektieren. Die Arbeitstagung thematisierte die Integration von KI sowohl in der Primarstufe als auch in der ersten und zweiten Phase der Lehrer*innenbildung. Impulse lieferten Vertreter*innen der SIG sowie weitere geladene Gäste, darunter Kirsten Schindler (Universität Wuppertal), Hans-Georg Müller (Universität Potsdam), Dagmar Knorr (Universität Lüneburg) und Winnie-Karen Giera (Universität Potsdam). Der Beitrag richtet sich an Vertreter*innen der Lehrerbildung sowie der Schreibforschung und -didaktik.

Mit dem vorliegenden Beitrag soll ein KI-Kompetenzmodell aus der Praxis für die Praxis vorgeschlagen werden. Mit den Bereichen Verstehen, Anwenden, Reflektieren und Mitgestalten fokussiert es vier zentrale Kompetenzfelder, die in drei Progressionsstufen entwickelt werden können. Im Zentrum des gemeinsamen Kreismodells für Lehrende und Lernende steht AI-Leadership als zentraler Bezugspunkt.

Generative KI-Tools wie ChatGPT verändern gegenwärtig das wissenschaftliche Arbeiten und Schreiben grundlegend. In schulischen Facharbeiten führt dies zu neuen Fragen und Herausforderungen hinsichtlich der Eigenleistung, der Bewertungskriterien und der Transparenz beim Einsatz von KI. Im vorliegenden Beitrag wird ein Leitfaden vorgestellt, der für die Praxis in Schule und Unterricht konzipiert ist und den gesamten Erstellungsprozess einer Facharbeit berücksichtigt. Mithilfe exemplarischer Empfehlungen, die von der Themenfindung über Literaturrecherche und Textproduktion bis hin zur schriftlichen Reflexion reichen, soll der verantwortungsvolle und reflektierte Einsatz von KI im Rahmen von Facharbeiten ermöglicht werden. Der zentrale Ansatz besteht darin, statt einer akribischen Dokumentation des KI-Einsatzes eine ausführliche Reflexion in den Mittelpunkt zu stellen, um kritisches Denken zu fördern und wissenschaftliches Arbeiten mit KI zu stärken.

Der vorliegende Beitrag ist eine Zusammenfassung eines Aufsatzes, der 2025 unter dem Titel „Mensch-KI-Interaktion beim Schreiben – Theoretische Überlegungen zur Modellierung des Schreibprozesses“ in folgendem Sammelband erscheint: Weder, M. & Bubenhofer, N. (Hg.). Schreiben mit KI in der Literatur und im Alltag. transcript Verlag. 
In dem Beitrag schlagen wir ein Modell vor, das eine Grundlage liefert, um zu beschreiben, wie KI-Tools den Schreibprozess verändern und welche Auswirkungen sich daraus für die Praxis des Schreibens, deren Vermittlung und Untersuchung ergeben. Das Modell stellt die Interaktion menschlicher und KI-basierter Ressourcen in den Mittelpunkt und beleuchtet, wie KI in die bisherigen Teilprozesse des Schreibens integriert wird und welche Implikationen dies für kognitive, kommunikative und didaktische Perspektiven hat. Im vorliegenden Text stellen wir die Kernelemente des Modells in Kürze vor und verorten es im Kontext bisheriger Schreibprozessmodelle.

Der Beitrag liefert einen Überblick über den aktuellen Stand der quantitativen Forschung im Bereich Bildung und Künstliche Intelligenz in Deutschland. Dafür werden Umfragen aus den Jahren 2023 und 2024 untersucht, die sich mit den Einsatzmöglichkeiten und Herausforderungen von KI in Schule und Hochschule befassen. Der Großteil der Studien fokussiert sich auf den schulischen Bereich und untersucht die (potenziell negativen) Auswirkungen von KI auf das Lernverhalten von Schüler*innen. Die Umfragen erheben aber auch ein Stimmungsbild bezüglich des Digitalisierunggsrades an Schulen und Universitäten und verdeutlichen, welche Probleme und Herausforderungen Lehrkräfte sowie Führungspersonal in Bildungseinrichtungen im Zusammenhang mit KI aktuell wahrnehmen.

Der Beitrag schildert explorativ Erfahrungen aus zwei Seminaren, in denen Studierende KI-Tools beim wissenschaftlichen Schreiben nutzten, den Einsatz dokumentierten und Vor- und Nachteile des Schreibens mit KI-Tools evaluierten – angefangen von der Literaturrecherche über das Verarbeiten von Literatur und Schreiben des Textes bis zum Überarbeiten. Aus den Erkenntnissen lassen sich Schlüsse für die künftige Entwicklung von Schreibprozessen wie auch für die (hochschulische) Schreibdidaktik ziehen. Ohne breiter angelegter empirischer Forschung vorgreifen zu wollen, schließt der Beitrag mit kurzen Empfehlungen für alle Lehrenden, die KI im Kontext wissenschaftlichen Schreibens in der Hochschullehre einsetzen wollen.

Der vorliegende Beitrag behandelt die Frage, welche Rolle ChatGPT bei der Aufsatzbewertung spielen kann. Anhand verschiedener Textausgaben von GPT3.5 und 4 wird im Einzelnen überprüft, wie stark der Bezug zwischen maschinell generierter ‚Notenbegründung‘ und zu bewertendem Aufsatz ist. Insbesondere wird getestet, ob der Chatbot Fehler verschiedener Art (sprachlich-stilistische, logische, sachlich-referentielle) identifizieren und kategorial unterscheiden kann. Die Untersuchung dient dazu, Folgendes herauszufinden: Kann ChatGPT unter Umständen eine Notenbegründung „leistungsgleich ersetzen“ (Janich) oder zumindest dabei helfen, eine solche Begründung zu formulieren? Die dahintersteckende größere Frage, die sich auch auf andere Textsorten und Sprachspiele (im Sinne Wittgensteins) übertragen ließe, lautet: Reicht die massenhafte syntaktische Exemplifikation von Wörtern in realen Kotexten, mit der ChatGPT trainiert wird, unter Umständen (irgendwann) aus, um die mangelnde Referentialität auszugleichen?

Vermehrt tauchen an Schulen und Hochschulen schriftliche Prüfungsarbeiten auf, bei denen die Lehrenden den Verdacht haben, dass sie in großen Teilen KI-generiert worden sind. Aber wie kann ein überzeugender argumentativer Nachweis gelingen? Der folgende Beitrag zeigt dazu zwei Wege auf: der Einsatz von sogenannten Detection Tools am Beispiel von GPT Radar und die händische Analyse von KI-typischen Textmerkmalen. Beide Verfahren sind für sich fehleranfällig, aber zusammen ergeben sie doch eine recht plausible und verlässliche Beurteilungsgrundlage. Dabei ist jedoch zu bedenken, dass sich KI-gestützte Textgeneratoren auf der einen Seite und ebenso Detection Tools auf der anderen kontinuierlich weiterentwickeln. Auch können Schüler/-innen und Studierende versuchen, die Herkunft von KI-generiertem Text bewusst zu verschleiern.

Auf der Gründungskonferenz des VK:KIWA im März 2023 hat sich eine Arbeitsgruppe gebildet, die das Potenzial von KI-Schreibwerkzeugen zur Förderung der Argumentationsfähigkeit im wissenschaftlichen Schreiben an Hochschulen untersucht. Der Einsatz dieser Tools soll verantwortungsbewusst und kritisch erfolgen und dient dem Ziel, das Feedback für die Studierenden zu individualisieren und formativ zu gestalten. Zu diesem Zweck möchte die Arbeitsgruppe einen Leitfaden für interessierte Lehrpersonen entwickeln.

Wenn KI-Sprachwerkzeuge Studierende beim Schreiben wissenschaftlicher Texte unterstützen, führt dies in einer dystopischen Perspektive dazu, dass Schreibzentren und Schreibberatung sinnlos werden. Viel wahrscheinlicher ist jedoch ein positiveres Szenario: Schreibzentren sind prädestiniert dafür, an Hochschulen als zentrale Akteurinnen an konkreten Lösungen für einen sinnvollen, verantwortungsbewussten Einsatz von KI-Schreibwerkzeugen in Studium und Lehre mitzuarbeiten, da Schreibzentren aufgrund ihrer Expertise überzeugende Antworten auf Fragen haben, die Hochschulleitende wie Lehrende in Anbetracht der technologischen Transformationen derzeit umtreiben. Insofern sind die aktuellen Entwicklungen eine große Chance für die Sichtbarkeit und strategische Positionierung von Schreibzentren – wodurch am Ende wiederum auch die Bedeutung von Schreibberatung gestärkt wird.

Rechtliche Fragen zum Umgang mit textgenerierender KI wie ChatGPT sind an den Hochschulen immer drängender geworden: Wer ist Urheber:in eines KI-generierten Textes? Besteht eine Kennzeichnungspflicht bei der Nutzung in prüfungsrelevanten Arbeiten? Das Projekt KI:edu.nrw am Zentrum für Wissenschaftsdidaktik der Ruhr-Universität Bochum konnte Fragen wie diese nun erstmals ausführlich durch Prof. Dr. Thomas Hoeren von der Westfälischen Wilhelms-Universität Münster bewerten lassen. Auch, wenn rechtlich nun mehr Klarheit herrscht – die Hochschulen bleiben weiter gefordert, sich mit den didaktischen Folgen KI-gestützten Schreibens auseinanderzusetzen.

Im Kontext von Schule und Hochschule hat der Einsatz textgenerierender KIs Bedenken hinsichtlich der Bewertung von schriftlichen Arbeiten aufgeworfen. Im Diskurs wird deswegen häufig ein Wandel von der Bewertung des Endprodukts zu einer prozessorientierten Bewertung gefordert. Dies stellt jedoch eine Herausforderung für die Benotung dar, insbesondere im Hinblick auf die Vielfalt der Schreibprozesse und das Lern- und Bildungspotential unvollständiger und fehlerhafter Zwischenprodukte. Außerdem muss die Rolle der Lehrkraft bei einem solchen Ansatz klar definiert werden, um sicherzustellen, dass die Lernmöglichkeiten der Studierenden erhalten bleiben.